Segmentação de células: O que é e como a IA de visão a melhora

Muitos avanços na drug discovery, na pesquisa do câncer ou na medicina personalizada começam com um desafio fundamental: ver as células com clareza. Os cientistas dependem de imagens nítidas para rastrear o comportamento celular, avaliar medicamentos e explorar novas terapias.

Uma única imagem de microscopia pode conter milhares de células sobrepostas, tornando os limites difíceis de visualizar. A segmentação de células visa resolver isso, separando claramente cada célula para uma análise precisa.

Mas a segmentação de células nem sempre é simples. Um único estudo pode produzir milhares de imagens detalhadas de microscópio, quantidade excessiva para revisar manualmente. À medida que os conjuntos de dados crescem, os cientistas precisam de maneiras mais rápidas e confiáveis de separar e estudar as células.

Na verdade, muitos cientistas estão adotando a computer vision, um ramo da IA que permite às máquinas interpretar e analisar informações visuais. Por exemplo, modelos como o Ultralytics YOLO11 que suportam segmentação de instâncias podem ser treinados para separar células e até detectar estruturas subcelulares. Isso permite uma análise precisa em segundos, em vez de horas, ajudando os pesquisadores a dimensionar seus estudos com eficiência.

Fig 1. O YOLO sendo usado para segmentação de núcleos, identificando e contornando os núcleos celulares (os centros das células). (Source)

Neste artigo, vamos explorar como a segmentação de células funciona, como a visão computacional a melhora e onde ela é aplicada no mundo real. Vamos começar!

Uma visão sobre o uso da visão computacional para a segmentação de células#

Tradicionalmente, os cientistas segmentavam as células manualmente, traçando-as em imagens de microscopia. Isso funcionava bem para pequenos projetos, mas era lento, inconsistente e sujeito a erros. Com milhares de células sobrepostas em uma única imagem, o traçado manual rapidamente se torna exaustivo e um grande gargalo.

A visão computacional oferece uma opção mais rápida e confiável. É um ramo da IA impulsionado pelo aprendizado profundo, onde máquinas aprendem padrões a partir de grandes conjuntos de imagens. Na pesquisa celular, isso significa que elas podem reconhecer e separar células individuais com alta precisão.

Especificamente, vision AI models como o Ultralytics YOLO11 suportam tarefas como detecção de objetos e segmentação de instâncias, podendo ser treinados em conjuntos de dados personalizados para analisar células. A detecção de objetos torna possível encontrar e rotular cada célula em uma imagem, mesmo quando muitas aparecem juntas.

A segmentação de instâncias vai um passo além, desenhando limites precisos ao redor de cada célula e capturando suas formas exatas. Integrar essas capacidades de IA de visão em pipelines de segmentação de células permite que os pesquisadores automatizem fluxos de trabalho complexos e processem imagens de microscopia de alta resolução de forma eficiente.

A evolução dos algoritmos de segmentação de células#

Os métodos de segmentação celular mudaram muito ao longo dos anos. As primeiras técnicas de segmentação de imagem funcionavam para imagens simples, mas tinham dificuldades à medida que os conjuntos de dados cresciam e as células se tornavam mais difíceis de distinguir.

Para superar esses limites, abordagens mais avançadas foram desenvolvidas, levando aos modelos de visão computacional de hoje que trazem velocidade, precisão e escalabilidade para estudos de microbiology e microscopia.

A seguir, vamos percorrer como os algoritmos de segmentação evoluíram, desde métodos básicos de limiarização até modelos de aprendizado profundo de ponta e pipelines híbridos.

Segmentando células com limiarização e métodos morfológicos#

Antes dos avanços na visão computacional, a segmentação celular dependia de técnicas tradicionais de image processing. Esses métodos baseavam-se em regras e operações definidas manualmente, como detectar bordas, separar o primeiro plano do fundo ou suavizar formas. Ao contrário dos modelos de visão computacional, que podem aprender padrões diretamente a partir dos dados, o processamento de imagem depende de algoritmos fixos aplicados da mesma maneira em todas as imagens.

Uma das abordagens mais antigas foi o thresholding, um método que separa as células do fundo comparando os níveis de brilho dos pixels. Isso funciona bem quando há um forte contraste entre as células e o ambiente ao redor.

Fig 2. Um exemplo de segmentação celular baseada em limiarização (thresholding). (Source)

Para refinar os resultados, operações morfológicas como dilatação (expandir formas) e erosão (encolher formas) são usadas para suavizar bordas, remover ruído ou fechar pequenas lacunas. Para células que se tocam ou se sobrepõem, uma técnica chamada segmentação watershed ajuda a dividi-las traçando limites onde as células se encontram.

Embora essas técnicas tenham dificuldade com casos complexos como células sobrepostas ou imagens ruidosas, elas ainda são úteis para aplicações mais simples e são uma parte importante da história da segmentação celular. Suas limitações, no entanto, impulsionaram o campo para modelos baseados em aprendizado profundo, que oferecem uma precisão muito maior para imagens mais desafiadoras.

Modelos de aprendizado profundo para segmentação de células#

À medida que as técnicas de processamento de imagem atingiram seus limites, a segmentação de células mudou para abordagens baseadas em aprendizado. Ao contrário dos métodos baseados em regras, os modelos de aprendizado profundo identificam padrões diretamente dos dados, tornando-os mais adaptáveis a células sobrepostas, formas variáveis e diferentes modalidades de imagem.

Convolutional neural networks (CNNs) são uma classe de arquiteturas de aprendizado profundo amplamente utilizadas em visão computacional. Elas processam imagens em camadas: as primeiras camadas detectam recursos simples, como bordas e texturas, enquanto camadas mais profundas capturam formas e estruturas mais complexas. Essa abordagem em camadas torna as CNNs eficazes para muitas tarefas visuais, desde o reconhecimento de objetos cotidianos por meio de reconhecimento de padrões até a análise de imagens biomédicas.

Modelos como o Ultralytics YOLO11 são construídos sobre estes princípios de deep learning. Eles estendem arquiteturas baseadas em CNN com técnicas para detecção de objetos em tempo real e segmentação de instâncias, tornando possível localizar rapidamente as células e delinear seus limites.

Pipelines híbridos aprimoram a segmentação de células#

Pipelines híbridos melhoram a segmentação de células combinando os pontos fortes de vários métodos. Eles podem incluir processamento de imagem clássico e modelos de aprendizado profundo, ou até mesmo diferentes modelos baseados em aprendizado profundo trabalhando juntos.

Por exemplo, um método pode aprimorar ou pré-processar imagens de microscopia para reduzir o ruído e aguçar as bordas, enquanto outro modelo é usado para detectar e segmentar as células. Ao dividir as tarefas dessa maneira, as abordagens híbridas melhoram a precisão, lidam com imagens complexas de forma mais eficaz e tornam os estudos em grande escala mais confiáveis.

Fig 3. Exemplo de uma imagem de entrada de célula de baixa qualidade (a) e os padrões que o pré-processamento extrai (b), tornando as características celulares mais claras para análises posteriores. (Source)

A importância dos conjuntos de dados na segmentação de células#

Outro fator chave a considerar na segmentação de células impulsionada pela visão computacional é a imagem de dados. Modelos de visão computacional dependem fortemente de conjuntos de dados grandes e de alta qualidade para aprender como identificar e separar células com precisão.

Esses conjuntos de dados geralmente consistem em imagens de microscopia emparelhadas com anotações. Tão importante quanto as imagens brutas, a anotação ou rotulagem de dados desempenha um papel crucial na criação de conjuntos de dados eficazes, uma vez que fornece ao modelo informações essenciais.

Por exemplo, se quisermos treinar um modelo como o Ultralytics YOLO11 para segmentar células cancerígenas a partir de imagens de microscopia, precisamos de exemplos rotulados que mostrem onde cada célula começa e termina. Esses rótulos atuam como um guia, ensinando o modelo a reconhecer a morfologia e os limites celulares. As anotações podem ser feitas à mão ou criadas com ferramentas semi-automatizadas para economizar tempo.

O tipo de anotação também depende da tarefa. Para detecção de objetos, caixas delimitadoras são desenhadas ao redor de cada célula. Para segmentação de instâncias, os rótulos são como máscaras detalhadas que traçam o contorno exato de cada célula. Escolher o tipo certo de anotação e dados de treinamento ajuda o modelo a aprender o que precisa para o trabalho.

A complexidade dos dados relacionados à segmentação de células#

Em geral, construir conjuntos de dados de visão computacional pode ser difícil, especialmente quando não existem coleções de imagens existentes ou quando o campo é muito exclusivo e especializado. Mas no campo da pesquisa celular, existem dificuldades técnicas que tornam a coleta e a anotação de dados ainda mais complexas.

Imagens de microscopia podem parecer muito diferentes dependendo do método de imagem celular. Por exemplo, a microscopia de fluorescência usa corantes que fazem partes de uma célula brilharem. Essas imagens de fluorescência destacam detalhes que, de outra forma, seriam difíceis de ver.

A anotação é outro grande desafio. Rotular milhares de células manualmente é lento e requer conhecimento especializado. Células frequentemente se sobrepõem, mudam de forma ou aparecem fracas, facilitando a ocorrência de erros. Ferramentas semiautomatizadas podem acelerar o processo, mas a supervisão humana geralmente é necessária para garantir a qualidade.

Para aliviar a carga de trabalho, os pesquisadores às vezes usam anotações mais simples, como marcadores de localização de interesse que indicam onde as células estão, em vez de desenhar contornos completos. Embora menos precisos, esses marcadores ainda fornecem uma orientação crucial para o treinamento.

Além disso, o compartilhamento de dados em biologia adiciona complicações extras. Preocupações com privacidade, consentimento do paciente e diferenças nos equipamentos de imagem entre os laboratórios podem dificultar a construção de conjuntos de dados consistentes e de alta qualidade.

Apesar desses obstáculos, os open-source datasets fizeram uma grande diferença. Coleções públicas compartilhadas por meio de plataformas como o GitHub fornecem milhares de imagens rotuladas em vários tipos de células e métodos de imagem, ajudando os modelos a generalizar melhor para cenários do mundo real.

Aplicações de modelos de segmentação de células#

Agora que temos uma compreensão melhor dos dados e métodos usados para segmentar células com visão computacional, vamos dar uma olhada em algumas das aplicações reais da segmentação de células e visão computacional.

Análise de célula única usando segmentação de células#

A análise de célula única, ou o estudo de células individuais em vez de amostras completas de tecido, ajuda os cientistas a ver detalhes que muitas vezes são perdidos em um nível mais amplo. Essa abordagem é amplamente utilizada na biologia celular, descoberta de medicamentos e diagnósticos para entender como as células funcionam e respondem sob diferentes condições.

Por exemplo, na pesquisa sobre câncer, uma amostra de tecido geralmente contém uma mistura de células cancerígenas, células imunes e células de suporte (estromais). Olhar apenas para o tecido como um todo pode esconder diferenças importantes, como a forma como as células imunes interagem com tumores ou como as células cancerígenas próximas aos vasos sanguíneos se comportam.

A análise de célula única permite que os pesquisadores separem esses tipos de células e os estudem individualmente, o que é crucial para entender as respostas aos tratamentos e a progressão de doenças. Modelos como o Ultralytics YOLO11, que suportam segmentação de instâncias, podem detectar cada célula e delinear sua forma exata, mesmo em imagens lotadas ou sobrepostas. Ao transformar imagens de microscopia complexas em dados estruturados, o YOLO11 permite que os pesquisadores analisem milhares de células de forma rápida e consistente.

Rastreamento de células e imagens ao vivo com o YOLO#

As células se dividem, se movem e respondem ao ambiente de maneiras diferentes. Analisar como as células vivas mudam ao longo do tempo ajuda os cientistas a entenderem como elas se comportam na saúde e na doença.

Com ferramentas como contraste de fase ou microscopia de alta resolução, os pesquisadores podem acompanhar essas mudanças sem adicionar corantes ou rótulos. Isso mantém as células em seu estado natural e torna os resultados mais confiáveis.

Rastrear células ao longo do tempo também ajuda a capturar detalhes que poderiam ser perdidos. Uma célula pode se mover mais rápido que outras, dividir-se de maneira incomum ou responder fortemente a um estímulo. Registrar essas diferenças sutis fornece uma imagem mais clara de como as células se comportam em condições reais.

Modelos de visão computacional como o Ultralytics YOLOv8 tornam esse processo mais rápido e consistente. Ao detectar e rastrear células individuais em sequências de imagens, o YOLOv8 pode monitorar movimentos, divisões e interações celulares automaticamente, mesmo quando as células se sobrepõem ou mudam de forma.

Fig 4. Resultados de segmentação do Ultralytics YOLOv8 sendo usados para detecção de células. (Fonte: mdpi.com)

Integrando a IA de visão com bioinformática e multi-ômica#

Os insights de modelos de visão computacional como o Ultralytics YOLO11 usados para segmentação de células inteiras podem gerar um impacto maior quando combinados com a bioinformática (o uso de métodos computacionais para analisar dados biológicos) e a multi-ômica (a integração de informações de DNA, RNA e proteínas). Juntos, esses métodos levam a pesquisa além do simples desenho de limites celulares e passam a compreender o que esses limites significam.

Em vez de apenas identificar onde as células estão, os cientistas podem estudar como elas interagem, como a estrutura do tecido muda na doença e como pequenas mudanças na forma da célula se conectam à atividade molecular.

Considere uma amostra de tumor: ao vincular o tamanho, a forma ou a posição das células cancerígenas aos seus perfis moleculares, os pesquisadores podem encontrar correlações com mutações genéticas, expressão gênica ou atividade proteica anormal. Isso transforma imagens estáticas em insights práticos, ajudando a rastrear a atividade gênica nos tumores, mapear o comportamento proteico em tempo real e construir atlas de referência que conectam a estrutura à função.

Benefícios da segmentação de células#

Aqui estão alguns dos principais benefícios de usar a visão computacional para a segmentação de células:

• Triagem de alto rendimento: A segmentação automatizada pode processar milhões de células de forma eficiente, acelerando a descoberta e o teste de medicamentos em grande escala.
• Insights sobre organização espacial: Isso mostra como as células estão dispostas dentro dos tecidos, fornecendo pistas críticas sobre ambientes tumorais ou como os tecidos se desenvolvem.
• Geração de dados quantitativos: Além de insights visuais das imagens celulares, a segmentação fornece informações mensuráveis, como contagens de células, áreas e níveis de intensidade, permitindo comparações confiáveis entre experimentos.

Limitações do uso da IA de visão para a segmentação de células#

Embora a visão computacional traga muitos benefícios para a segmentação de células, ela também apresenta algumas limitações. Aqui estão alguns fatores a ter em mente:

• Data privacy: O compartilhamento de conjuntos de dados de células anotadas para o treinamento de modelos pode levantar preocupações éticas e regulatórias, especialmente quando as informações do paciente estão vinculadas às imagens.
• Demandas de hardware e computação: A análise de bioimagens de alta resolução requer GPUs e armazenamento robustos. A computação em nuvem e algoritmos otimizados estão ajudando a tornar isso mais acessível.
• Generalização de modelos: Modelos treinados no microscópio ou protocolo de coloração de um laboratório podem não ter um bom desempenho em outros lugares. O treinamento com conjuntos de dados diversos e de vários laboratórios melhora a robustez.

O futuro da segmentação de células#

A próxima geração de segmentação de células provavelmente será definida por modelos de visão computacional que combinam velocidade, precisão e escalabilidade. Modelos como o U-Net têm sido altamente influentes, mas podem ser computacionalmente exigentes. Com os avanços na visão computacional, os pesquisadores estão migrando para modelos que entregam alta precisão e desempenho em tempo real.

Por exemplo, modelos de ponta como o Ultralytics YOLOv8 podem segmentar imagens de microscopia muito mais rápido do que as abordagens tradicionais, enquanto ainda produzem limites nítidos e precisos.

Num estudo recente de Microscopia Eletrónica de Transmissão (TEM), as métricas de desempenho mostraram que o Ultralytics YOLOv8 foi até 43 vezes mais rápido do que a U-Net. Este tipo de desempenho torna possível analisar grandes conjuntos de dados em tempo real, o que é cada vez mais importante à medida que os estudos de imagem aumentam de tamanho.

Fig 5. Em comparação com outros modelos como o U-Net (c), usar o YOLOv8 para segmentação (d) produz contornos mais nítidos e precisos em imagens de microscopia. (Source)

Essas melhorias já estão sendo colocadas em prática. Plataformas como o Theia Scientific’s Theiascope™ integram os modelos Ultralytics YOLO com a Microscopia Eletrônica de Transmissão (TEM), permitindo que estruturas em nanoescala sejam segmentadas de forma consistente e em escala. A plataforma usa os modelos Ultralytics YOLO para detecção e segmentação em tempo real, identificando automaticamente estruturas em imagens TEM à medida que são capturadas e convertendo-as em dados confiáveis e prontos para análise.

Principais pontos#

A segmentação de células desempenha um papel fundamental na microscopia moderna e na investigação biomédica. Permite que os cientistas observem células individuais, acompanhem a progressão de doenças e monitorizem como os tratamentos afetam o comportamento celular. Os modelos de Visão IA como o Ultralytics YOLO11 tornam este processo mais rápido e preciso. Ao lidar com imagens grandes e complexas com facilidade, garantem que as experiências são repetíveis e escaláveis.

Junte-se à nossa community e visite o nosso GitHub repository para saber mais sobre IA. Explore nossas páginas de soluções para saber mais sobre aplicativos como AI in agriculture e computer vision in logistics. Confira nossas licensing options e comece a construir com visão computacional hoje mesmo!