Segmentazione cellulare: cos'è e come la migliora l'IA visiva

Molte scoperte nella ricerca di nuovi farmaci, nella ricerca sul cancro e nella medicina personalizzata iniziano con una sfida fondamentale: vedere chiaramente le cellule. Gli scienziati hanno bisogno di immagini nitide per monitorare il comportamento cellulare, valutare i farmaci e studiare nuove terapie.

Una singola immagine al microscopio può contenere migliaia di cellule sovrapposte, rendendo difficile distinguere i contorni. La segmentazione cellulare affronta questo problema separando chiaramente ogni cellula per consentirne un’analisi accurata.

La segmentazione cellulare, però, non è sempre semplice. Un singolo studio può produrre migliaia di immagini microscopiche dettagliate, troppe per essere esaminate manualmente. Con l’aumento delle dimensioni dei dataset, gli scienziati hanno bisogno di metodi più rapidi e affidabili per separare e studiare le cellule.

In effetti, molti scienziati adottano la visione artificiale, un ramo dell'IA che permette alle macchine di interpretare e analizzare informazioni visive. Per esempio, modelli come Ultralytics YOLO11, che supportano la segmentazione di istanze, possono essere addestrati a separare le cellule e persino a rilevare strutture subcellulari. Ciò consente analisi precise in pochi secondi anziché in ore, aiutando i ricercatori a condurre studi su larga scala in modo efficiente.

Fig. 1. YOLO utilizzato per segmentare i nuclei e identificare e delineare i nuclei cellulari (i centri delle cellule). (Fonte)

In questo articolo vedremo come funziona la segmentazione cellulare, come la visione artificiale la migliora e in quali applicazioni viene usata nel mondo reale.

Panoramica sull’uso della visione artificiale per la segmentazione cellulare#

In passato, gli scienziati segmentavano le cellule manualmente, tracciandone i contorni nelle immagini al microscopio. Questo metodo funzionava bene per i progetti di piccole dimensioni, ma era lento, incoerente e soggetto a errori. Con migliaia di cellule sovrapposte in una sola immagine, il tracciamento manuale diventa rapidamente insostenibile e rappresenta un grave collo di bottiglia.

La visione artificiale offre un’alternativa più rapida e affidabile. È un ramo dell’IA basato sul deep learning, in cui le macchine apprendono schemi da grandi insiemi di immagini. Nella ricerca cellulare, ciò significa che possono riconoscere e separare le singole cellule con grande accuratezza.

In particolare, i modelli di IA per la visione come Ultralytics YOLO11 supportano attività quali il rilevamento degli oggetti e la segmentazione delle istanze e possono essere addestrati su dataset personalizzati per analizzare le cellule. Il rilevamento degli oggetti consente di individuare ed etichettare ogni cellula in un’immagine, anche quando ne compaiono molte insieme.

La segmentazione delle istanze fa un passo in più, tracciando contorni precisi attorno a ogni cellula e acquisendone la forma esatta. Integrare queste funzionalità di IA per la visione nelle pipeline di segmentazione cellulare consente ai ricercatori di automatizzare flussi di lavoro complessi ed elaborare in modo efficiente immagini microscopiche ad alta risoluzione.

L’evoluzione degli algoritmi di segmentazione cellulare#

Nel corso degli anni, i metodi di segmentazione cellulare sono cambiati molto. Le prime tecniche di segmentazione delle immagini funzionavano con immagini semplici, ma incontravano difficoltà quando i dataset diventavano più grandi e le cellule più difficili da distinguere.

Per superare questi limiti, sono stati sviluppati approcci più avanzati, fino ad arrivare agli attuali modelli di visione artificiale, che offrono velocità, accuratezza e scalabilità agli studi di microbiologia e microscopia.

Vediamo ora come si sono evoluti gli algoritmi di segmentazione, dai metodi di sogliatura di base ai moderni modelli di deep learning e alle pipeline ibride.

Segmentazione cellulare con metodi di sogliatura e morfologici#

Prima dei progressi nella visione artificiale, la segmentazione cellulare si basava sulle tecniche tradizionali di elaborazione delle immagini. Questi metodi si basavano su regole e operazioni definite manualmente, come il rilevamento dei bordi, la separazione del primo piano dallo sfondo o l’attenuazione delle forme. A differenza dei modelli di visione artificiale, che possono apprendere schemi direttamente dai dati, l’elaborazione delle immagini si basa su algoritmi fissi applicati nello stesso modo a tutte le immagini.

Uno dei primi approcci era la sogliatura, un metodo che separa le cellule dallo sfondo confrontando i livelli di luminosità dei pixel. Funziona bene quando c’è un forte contrasto tra le cellule e ciò che le circonda.

Fig. 2. Esempio di segmentazione cellulare basata sulla sogliatura. (Fonte)

Per perfezionare i risultati si usano operazioni morfologiche, come la dilatazione (espansione delle forme) e l’erosione (restringimento delle forme), per smussare i bordi, rimuovere il rumore o chiudere piccole lacune. Per le cellule che si toccano o si sovrappongono, una tecnica chiamata segmentazione watershed aiuta a separarle tracciando i contorni nei punti in cui si incontrano.

Sebbene queste tecniche abbiano difficoltà con casi complessi, come cellule sovrapposte o immagini disturbate dal rumore, sono comunque utili per applicazioni più semplici e rappresentano una parte importante della storia della segmentazione cellulare. I loro limiti, tuttavia, hanno spinto il settore verso modelli basati sul deep learning, che garantiscono una precisione molto maggiore sulle immagini più difficili.

Modelli di deep learning per la segmentazione cellulare#

Quando le tecniche di elaborazione delle immagini hanno raggiunto i propri limiti, la segmentazione cellulare si è orientata verso approcci basati sull’apprendimento. A differenza dei metodi basati su regole, i modelli di deep learning individuano schemi direttamente dai dati, adattandosi meglio alle cellule sovrapposte, alle forme variabili e alle diverse modalità di acquisizione delle immagini.

Le reti neurali convoluzionali (CNNs) sono una classe di architetture di deep learning ampiamente utilizzate nella visione artificiale. Elaborano le immagini a strati: quelli iniziali rilevano caratteristiche semplici, come bordi e texture, mentre quelli più profondi acquisiscono forme e strutture più complesse. Questo approccio a strati rende le CNNs efficaci per molte attività visive, dal riconoscimento degli oggetti di uso quotidiano tramite il riconoscimento di schemi all’analisi di immagini biomediche.

Modelli come Ultralytics YOLO11 si basano su questi principi di deep learning. Estendono le architetture basate su CNN con tecniche per il rilevamento di oggetti in tempo reale e la segmentazione di istanze, consentendo di individuare rapidamente le cellule e delinearne i confini.

Le pipeline ibride migliorano la segmentazione cellulare#

Le pipeline ibride migliorano la segmentazione cellulare combinando i punti di forza di più metodi. Possono includere l’elaborazione classica delle immagini e modelli di deep learning, oppure persino diversi modelli basati sul deep learning che lavorano insieme.

Ad esempio, un metodo può migliorare o pre-elaborare le immagini al microscopio per ridurre il rumore e rendere più nitidi i contorni, mentre un altro modello viene usato per rilevare e segmentare le cellule. Suddividendo le attività in questo modo, gli approcci ibridi migliorano la precisione, gestiscono più efficacemente le immagini complesse e rendono più affidabili gli studi su larga scala.

Fig. 3. Esempio di un’immagine di input di una cellula di bassa qualità (a) e degli schemi estratti dalla pre-elaborazione (b), che rendono più chiare le caratteristiche cellulari per le analisi successive. (Fonte)

L’importanza dei dataset nella segmentazione cellulare#

Un altro fattore chiave da considerare nella segmentazione cellulare basata sulla visione artificiale sono i dati delle immagini. I modelli di visione artificiale dipendono fortemente da dataset ampi e di alta qualità per imparare a identificare e separare le cellule con precisione.

Questi dataset sono generalmente costituiti da immagini microscopiche abbinate ad annotazioni. Importanti quanto le immagini grezze, l'annotazione dei dati, o etichettatura, svolge un ruolo cruciale nella creazione di dataset efficaci, perché fornisce al modello informazioni fondamentali.

Ad esempio, se vogliamo addestrare un modello come Ultralytics YOLO11 a segmentare cellule cancerose in immagini al microscopio, servono esempi etichettati che mostrino dove inizia e finisce ogni cellula. Queste etichette fungono da guida e insegnano al modello a riconoscere la morfologia e i contorni cellulari. Le annotazioni possono essere disegnate a mano o create con strumenti semiautomatici per risparmiare tempo.

Anche il tipo di annotazione dipende dall'attività. Per il rilevamento degli oggetti, si disegnano riquadri di delimitazione attorno a ogni cellula. Per la segmentazione di istanze, le etichette sono maschere più dettagliate che tracciano il contorno esatto di ciascuna cellula. Scegliere il tipo di annotazione e i dati di addestramento giusti aiuta il modello ad apprendere ciò di cui ha bisogno per il compito.

La complessità dei dati relativi alla segmentazione cellulare#

In generale, creare dataset di visione artificiale può essere difficile, soprattutto quando non esistono raccolte di immagini o quando il settore è altamente specializzato. Tuttavia, la ricerca cellulare presenta difficoltà tecniche che rendono la raccolta e l'annotazione dei dati ancora più complesse.

Le immagini al microscopio possono apparire molto diverse a seconda del metodo di acquisizione delle immagini cellulari. Per esempio, la microscopia a fluorescenza utilizza coloranti che fanno brillare alcune parti della cellula. Queste immagini a fluorescenza mettono in risalto dettagli altrimenti difficili da vedere.

L’annotazione è un’altra sfida importante. Etichettare a mano migliaia di cellule richiede tempo e competenze specifiche nel settore. Le cellule spesso si sovrappongono, cambiano forma o appaiono poco nitide, facilitando l’insorgere di errori. Gli strumenti semiautomatici possono velocizzare il processo, ma di solito è necessaria la supervisione umana per garantire la qualità.

Per ridurre il carico di lavoro, a volte i ricercatori usano annotazioni più semplici, come indicatori delle posizioni di interesse che segnalano dove si trovano le cellule, invece di tracciarne il contorno completo. Pur essendo meno precisi, questi indicatori forniscono comunque indicazioni fondamentali per l’addestramento.

Inoltre, la condivisione dei dati in biologia comporta ulteriori complicazioni. I problemi di privacy, il consenso dei pazienti e le differenze nelle apparecchiature di acquisizione delle immagini tra i laboratori possono rendere più difficile creare dataset coerenti e di alta qualità.

Nonostante questi ostacoli, i dataset open source hanno fatto una grande differenza. Le raccolte pubbliche condivise su GitHub e sulla Ultralytics Platform, come Blood Cell Segmentation, mettono a disposizione migliaia di immagini etichettate relative a molti tipi di cellule e metodi di acquisizione, aiutando i modelli a generalizzare meglio agli scenari del mondo reale.

Applicazioni dei modelli di segmentazione cellulare#

Ora che abbiamo compreso meglio i dati e i metodi usati per segmentare le cellule con la visione artificiale, vediamo alcune applicazioni reali della segmentazione cellulare e della visione artificiale.

Analisi a singola cellula tramite segmentazione cellulare#

L'analisi di singole cellule, ovvero lo studio di cellule individuali anziché di interi campioni di tessuto, aiuta gli scienziati a osservare dettagli che spesso sfuggono a un livello più generale. Questo approccio è ampiamente usato nella biologia cellulare, nella scoperta di farmaci e nella diagnostica per capire come funzionano le cellule e come reagiscono a condizioni diverse.

Per esempio, nella ricerca sul cancro, un campione di tessuto contiene spesso una combinazione di cellule cancerose, cellule immunitarie e cellule di supporto (stromali). Esaminare il tessuto solo nel suo insieme può nascondere differenze importanti, per esempio il modo in cui le cellule immunitarie interagiscono con i tumori o il comportamento delle cellule cancerose vicine ai vasi sanguigni.

L’analisi a singola cellula consente ai ricercatori di separare questi tipi cellulari e studiarli individualmente, un aspetto fondamentale per comprendere le risposte ai trattamenti e la progressione della malattia. Modelli come Ultralytics YOLO11, che supportano la segmentazione di istanze, possono rilevare ogni cellula e delinearne la forma esatta, anche in immagini affollate o con cellule sovrapposte. Trasformando immagini al microscopio complesse in dati strutturati, YOLO11 consente ai ricercatori di analizzare migliaia di cellule in modo rapido e coerente.

Tracciamento delle cellule e imaging dal vivo con YOLO#

Le cellule si dividono, si muovono e reagiscono all’ambiente circostante in modi diversi. Analizzare come cambiano nel tempo le cellule vive aiuta gli scienziati a capire come si comportano in condizioni di salute e di malattia.

Con strumenti come la microscopia a contrasto di fase o ad alta risoluzione, i ricercatori possono seguire questi cambiamenti senza aggiungere coloranti o etichette. In questo modo le cellule mantengono il loro stato naturale e i risultati sono più affidabili.

Anche il tracciamento delle cellule nel tempo aiuta a cogliere dettagli che altrimenti potrebbero sfuggire. Una cellula potrebbe muoversi più velocemente delle altre, dividersi in modo insolito o reagire con forza a uno stimolo. Registrare queste differenze sottili offre un quadro più chiaro del comportamento delle cellule in condizioni reali.

I modelli di visione artificiale come Ultralytics YOLOv8 rendono questo processo più rapido e coerente. Rilevando e tracciando le singole cellule nelle sequenze di immagini, YOLOv8 può monitorarne automaticamente i movimenti, le divisioni e le interazioni, anche quando le cellule si sovrappongono o cambiano forma.

Fig. 4. Risultati della segmentazione ottenuti con Ultralytics YOLOv8 per il rilevamento delle cellule. (Fonte: mdpi.com)

Integrazione dell’IA visiva con la bioinformatica e la multiomica#

Le informazioni ricavate dai modelli di visione artificiale come Ultralytics YOLO11, utilizzato per la segmentazione dell’intera cellula, possono avere un impatto maggiore se combinate con la bioinformatica (l’uso di metodi computazionali per analizzare i dati biologici) e la multiomica (l’integrazione di informazioni su DNA, RNA e proteine). Insieme, questi metodi portano la ricerca oltre il tracciamento dei contorni cellulari, fino alla comprensione del loro significato.

Anziché limitarsi a individuare la posizione delle cellule, gli scienziati possono studiare come interagiscono, come cambia la struttura dei tessuti durante la malattia e come piccole variazioni nella forma cellulare siano correlate all’attività molecolare.

Consideriamo un campione tumorale: collegando le dimensioni, la forma o la posizione delle cellule cancerose ai loro profili molecolari, i ricercatori possono individuare correlazioni con mutazioni genetiche, espressione genica o attività anomala delle proteine. In questo modo, le immagini statiche si trasformano in informazioni pratiche che aiutano a monitorare l’attività genica nei tumori, mappare in tempo reale il comportamento delle proteine e creare atlanti di riferimento che collegano la struttura alla funzione.

Vantaggi della segmentazione cellulare#

Ecco alcuni dei principali vantaggi dell’uso della visione artificiale per la segmentazione cellulare:

• Screening ad alto rendimento: la segmentazione automatizzata può elaborare milioni di cellule in modo efficiente, accelerando la scoperta e la sperimentazione di farmaci su larga scala.
• Informazioni sull’organizzazione spaziale: mostra come sono disposte le cellule nei tessuti, fornendo indizi fondamentali sugli ambienti tumorali o sullo sviluppo dei tessuti.
• Generazione di dati quantitativi: oltre alle informazioni visive ricavate dalle immagini cellulari, la segmentazione fornisce dati misurabili, come il numero di cellule, le aree e i livelli di intensità, consentendo confronti affidabili tra esperimenti.

Limiti dell’uso dell’IA visiva per la segmentazione cellulare#

Sebbene la visione artificiale offra molti vantaggi per la segmentazione cellulare, presenta anche alcuni limiti. Ecco alcuni fattori da tenere a mente:

• Privacy dei dati: la condivisione di dataset annotati di cellule per l’addestramento dei modelli può sollevare questioni etiche e normative, soprattutto quando alle immagini sono associate informazioni sui pazienti.
• Requisiti hardware e computazionali: l’analisi di immagini biologiche ad alta risoluzione richiede GPU potenti e spazio di archiviazione. Il cloud computing e gli algoritmi ottimizzati stanno contribuendo a rendere queste risorse più accessibili.
• Generalizzazione del modello: i modelli addestrati con il microscopio o il protocollo di colorazione di un laboratorio potrebbero non funzionare bene altrove. L’addestramento con dataset eterogenei raccolti in più laboratori migliora la robustezza.

Il futuro della segmentazione cellulare#

La prossima generazione di segmentazione cellulare sarà probabilmente definita da modelli di visione artificiale che combinano velocità, precisione e scalabilità. Modelli come U-Net hanno avuto una notevole influenza, ma possono richiedere molte risorse di calcolo. Con i progressi della visione artificiale, i ricercatori si stanno orientando verso modelli che garantiscono sia elevata precisione sia prestazioni in tempo reale.

Per esempio, modelli come Ultralytics YOLOv8 possono segmentare le immagini microscopiche molto più rapidamente degli approcci tradizionali, producendo al contempo contorni nitidi e accurati.

In un recente studio di microscopia elettronica a trasmissione (TEM), le metriche di prestazione hanno mostrato che Ultralytics YOLOv8 era fino a 43 volte più veloce di U-Net. Prestazioni di questo tipo consentono di analizzare grandi dataset in tempo reale, un aspetto sempre più importante con l’aumento delle dimensioni degli studi di imaging.

Fig. 5. Rispetto ad altri modelli come U-Net (c), YOLOv8 per la segmentazione (d) produce contorni più nitidi e precisi nelle immagini al microscopio. (Fonte)

Questi miglioramenti sono già in fase di applicazione. Piattaforme come Theiascope™ di Theia Scientific integrano i modelli Ultralytics YOLO con la microscopia elettronica a trasmissione (TEM), consentendo di segmentare strutture su scala nanometrica in modo coerente e su larga scala. La piattaforma usa i modelli Ultralytics YOLO per il rilevamento e la segmentazione in tempo reale, identificando automaticamente le strutture nelle immagini TEM durante l’acquisizione e trasformandole in dati affidabili, pronti per l’analisi.

Punti chiave#

La segmentazione cellulare svolge un ruolo fondamentale nella microscopia moderna e nella ricerca biomedica. Permette agli scienziati di osservare le singole cellule, monitorare la progressione delle malattie e verificare come i trattamenti influiscono sul comportamento cellulare. I modelli di IA visiva come Ultralytics YOLO11 rendono questo processo più veloce e preciso. Gestendo in modo efficiente immagini grandi e complesse, contribuiscono a rendere gli esperimenti ripetibili e scalabili.

Unisciti alla nostra community e visita il nostro repository GitHub per saperne di più sull’IA. Esplora le nostre pagine dedicate alle soluzioni per scoprire applicazioni come l’IA in agricoltura e la visione artificiale nella logistica. Dai un’occhiata alle nostre opzioni di licenza e inizia a sviluppare con la visione artificiale oggi stesso!