17 de setembro de 2025
Saiba como funciona a segmentação de células e como a Vision AI melhora a análise de microscopia com aprendizagem profunda, métricas fundamentais, conjuntos de dados e utilizações no mundo real.
Muitos avanços na descoberta de medicamentos, na investigação do cancro ou na medicina personalizada começam com um desafio fundamental: ver as células com clareza. Os cientistas dependem de imagens nítidas para seguir o comportamento das células, avaliar medicamentos e explorar novas terapias.
Uma única imagem de microscopia pode conter milhares de células sobrepostas, tornando os limites difíceis de ver. A segmentação celular tem como objetivo resolver este problema, separando claramente cada célula para uma análise precisa.
Mas a segmentação celular nem sempre é simples. Um único estudo pode produzir milhares de imagens microscópicas detalhadas, demasiadas para serem revistas à mão. À medida que os conjuntos de dados aumentam, os cientistas precisam de formas mais rápidas e fiáveis de separar e estudar as células.
De facto, muitos cientistas estão a adotar a visão computacional, um ramo da IA que permite às máquinas interpretar e analisar informações visuais. Por exemplo, modelos como o Ultralytics YOLO11 que suportam a segmentação de instâncias podem ser treinados para separar células e até detetar estruturas subcelulares. Isto permite uma análise precisa em segundos, em vez de horas, ajudando os investigadores a escalar os seus estudos de forma eficiente.
Neste artigo, vamos explorar como funciona a segmentação de células, como a visão por computador a melhora e onde é aplicada no mundo real. Vamos começar!
Tradicionalmente, os cientistas segmentavam as células à mão, traçando-as em imagens de microscopia. Isto funcionava bem para pequenos projectos, mas era lento, inconsistente e propenso a erros. Com milhares de células sobrepostas numa única imagem, o rastreio manual rapidamente se torna esmagador e um grande estrangulamento.
A visão computacional oferece uma opção mais rápida e fiável. Trata-se de um ramo da IA baseado na aprendizagem profunda, em que as máquinas aprendem padrões a partir de grandes conjuntos de imagens. Na investigação celular, isto significa que podem reconhecer e separar células individuais com elevada precisão.
Especificamente, os modelos de IA de visão, como o Ultralytics YOLO11, suportam tarefas como a deteção de objectos e a segmentação de instâncias, e podem ser treinados em conjuntos de dados personalizados para analisar células. A deteção de objectos permite encontrar e rotular cada célula de uma imagem, mesmo quando muitas aparecem juntas.
A segmentação de instâncias vai um passo mais além, desenhando limites precisos à volta de cada célula, captando as suas formas exactas. A integração destas capacidades da Vision AI em pipelines de segmentação de células permite aos investigadores automatizar fluxos de trabalho complexos e processar imagens de microscopia de alta resolução de forma eficiente.
Os métodos de segmentação celular mudaram muito ao longo dos anos. As primeiras técnicas de segmentação de imagens funcionavam para imagens simples, mas tinham dificuldades à medida que os conjuntos de dados aumentavam e as células se tornavam mais difíceis de distinguir.
Para ultrapassar estes limites, foram desenvolvidas abordagens mais avançadas, que conduziram aos actuais modelos de visão por computador que proporcionam velocidade, precisão e escalabilidade aos estudos de microbiologia e microscopia.
Em seguida, vamos ver como os algoritmos de segmentação evoluíram, desde os métodos básicos de limiarização até aos modelos avançados de aprendizagem profunda e pipelines híbridos.
Antes dos avanços na visão computacional, a segmentação celular baseava-se em técnicas tradicionais de processamento de imagem. Estes métodos baseavam-se em regras e operações definidas manualmente, como a deteção de margens, a separação do primeiro plano do fundo ou a suavização de formas. Ao contrário dos modelos de visão por computador, que podem aprender padrões diretamente a partir dos dados, o processamento de imagens depende de algoritmos fixos aplicados da mesma forma em todas as imagens.
Uma das primeiras abordagens foi a limiarização, um método que separa as células do fundo através da comparação dos níveis de brilho dos pixéis. Este método funciona bem quando existe um forte contraste entre as células e o seu meio envolvente.
Para refinar os resultados, são utilizadas operações morfológicas como a dilatação (expansão de formas) e a erosão (contração de formas) para suavizar as arestas, remover o ruído ou fechar pequenas lacunas. Para as células que se tocam ou sobrepõem, uma técnica chamada segmentação por bacias hidrográficas ajuda a separá-las, desenhando limites onde as células se encontram.
Embora estas técnicas tenham dificuldade em lidar com casos complexos, como células sobrepostas ou imagens com ruído, continuam a ser úteis para aplicações mais simples e são uma parte importante da história da segmentação celular. No entanto, as suas limitações impulsionaram o campo para modelos baseados na aprendizagem profunda, que proporcionam uma precisão muito maior para imagens mais difíceis.
À medida que as técnicas de processamento de imagem atingiram os seus limites, a segmentação celular passou a ser efectuada com base em abordagens de aprendizagem. Ao contrário dos métodos baseados em regras, os modelos de aprendizagem profunda identificam padrões diretamente a partir dos dados, tornando-os mais adaptáveis a células sobrepostas, formas variáveis e diferentes modalidades de imagem.
As redes neuronais convolucionais (CNN) são uma classe de arquitecturas de aprendizagem profunda amplamente utilizadas na visão computacional. Processam imagens por camadas: as primeiras camadas detectam caraterísticas simples, como arestas e texturas, enquanto as camadas mais profundas captam formas e estruturas mais complexas. Esta abordagem por camadas torna as CNNs eficazes para muitas tarefas visuais, desde o reconhecimento de objectos do quotidiano através do reconhecimento de padrões até à análise de imagens biomédicas.
Modelos como o YOLO11 são construídos com base nestes princípios de aprendizagem profunda. Alargam as arquitecturas baseadas em CNN com técnicas de deteção de objectos em tempo real e segmentação de instâncias, tornando possível localizar rapidamente as células e delinear os seus limites.
Os pipelines híbridos melhoram a segmentação celular combinando os pontos fortes de vários métodos. Estes podem incluir modelos clássicos de processamento de imagem e de aprendizagem profunda, ou mesmo diferentes modelos baseados na aprendizagem profunda a trabalhar em conjunto.
Por exemplo, um método pode melhorar ou pré-processar imagens de microscopia para reduzir o ruído e tornar os limites mais nítidos, enquanto outro modelo é utilizado para detetar e segmentar as células. Ao dividir as tarefas desta forma, as abordagens híbridas melhoram a precisão, tratam imagens complexas de forma mais eficaz e tornam os estudos em grande escala mais fiáveis.
Outro fator-chave a considerar na segmentação de células baseada na visão por computador são os dados de imagem. Os modelos de visão por computador dependem fortemente de grandes conjuntos de dados de alta qualidade para aprender a identificar e separar as células com precisão.
Estes conjuntos de dados consistem normalmente em imagens de microscopia emparelhadas com anotações. Tão importante como as imagens em bruto, a anotação ou rotulagem dos dados desempenha um papel crucial na criação de conjuntos de dados eficazes, uma vez que fornece ao modelo informações fundamentais.
Por exemplo, se quisermos treinar um modelo como o YOLO11 para segmentar células cancerosas a partir de imagens de microscopia, precisamos de exemplos rotulados que mostrem onde cada célula começa e termina. Estas etiquetas funcionam como um guia, ensinando o modelo a reconhecer a morfologia e os limites das células. As anotações podem ser desenhadas à mão ou criadas com ferramentas semi-automatizadas para poupar tempo.
O tipo de anotação também depende da tarefa. Para a deteção de objectos, são desenhadas caixas delimitadoras à volta de cada célula. Para a segmentação de exemplos, as etiquetas são mais como máscaras detalhadas que traçam o contorno exato de cada célula. Escolher o tipo correto de anotação e de dados de treino ajuda o modelo a aprender o que precisa para a tarefa.
Em geral, a criação de conjuntos de dados de visão computacional pode ser difícil, especialmente quando não existem colecções de imagens ou quando o domínio é muito específico e especializado. Mas no domínio da investigação celular, existem dificuldades técnicas que tornam a recolha e anotação de dados ainda mais complexa.
As imagens de microscopia podem ter um aspeto muito diferente consoante o método de imagiologia celular. Por exemplo, a microscopia de fluorescência utiliza corantes que fazem brilhar partes de uma célula. Estas imagens de fluorescência realçam pormenores que, de outra forma, seriam difíceis de ver.
A anotação é outro grande desafio. A etiquetagem manual de milhares de células é lenta e requer conhecimentos especializados. As células sobrepõem-se frequentemente, mudam de forma ou aparecem esbatidas, o que facilita a ocorrência de erros. As ferramentas semi-automatizadas podem acelerar o processo, mas a supervisão humana é normalmente necessária para garantir a qualidade.
Para facilitar a carga de trabalho, os investigadores utilizam por vezes anotações mais simples, como marcadores de localização de interesse que indicam onde estão as células, em vez de desenharem contornos completos. Embora menos precisos, estes marcadores continuam a fornecer uma orientação crucial para a formação.
Além disso, a partilha de dados em biologia acrescenta outras complicações. As preocupações com a privacidade, o consentimento dos doentes e as diferenças de equipamento de imagiologia entre laboratórios podem dificultar a criação de conjuntos de dados consistentes e de elevada qualidade.
Apesar destes obstáculos, os conjuntos de dados de fonte aberta têm feito uma grande diferença. As colecções públicas partilhadas através de plataformas como o GitHub fornecem milhares de imagens marcadas de muitos tipos de células e métodos de imagiologia, ajudando os modelos a generalizarem-se melhor para cenários do mundo real.
Agora que temos uma melhor compreensão dos dados e dos métodos utilizados para segmentar células com visão por computador, vamos analisar algumas das aplicações reais da segmentação de células e da visão por computador.
A análise de uma única célula ou o estudo de células individuais em vez de amostras de tecidos inteiros ajuda os cientistas a ver pormenores que muitas vezes passam despercebidos a um nível mais alargado. Esta abordagem é amplamente utilizada na biologia celular, na descoberta de medicamentos e no diagnóstico para compreender o modo como as células funcionam e reagem em diferentes condições.
Por exemplo, na investigação do cancro, uma amostra de tecido contém frequentemente uma mistura de células cancerosas, células imunitárias e células de suporte (estromais). Olhar apenas para o tecido como um todo pode ocultar diferenças importantes, tais como a forma como as células imunitárias interagem com os tumores ou como se comportam as células cancerígenas perto dos vasos sanguíneos.
A análise de uma única célula permite aos investigadores separar estes tipos de células e estudá-las individualmente, o que é crucial para compreender as respostas ao tratamento e a progressão da doença. Modelos como o YOLO11, que suportam a segmentação de instâncias, podem detetar cada célula e delinear a sua forma exacta, mesmo em imagens sobrepostas ou com muita gente. Ao transformar imagens de microscopia complexas em dados estruturados, o YOLO11 permite aos investigadores analisar milhares de células de forma rápida e consistente.
As células dividem-se, movem-se e respondem ao seu ambiente de diferentes formas. Analisar a forma como as células vivas mudam ao longo do tempo ajuda os cientistas a compreender como se comportam na saúde e na doença.
Com ferramentas como o contraste de fase ou a microscopia de alta resolução, os investigadores podem seguir estas alterações sem adicionar corantes ou etiquetas. Isto mantém as células no seu estado natural e torna os resultados mais fiáveis.
O seguimento das células ao longo do tempo também ajuda a captar pormenores que de outra forma poderiam passar despercebidos. Uma célula pode mover-se mais rapidamente do que outras, dividir-se de uma forma invulgar ou responder fortemente a um estímulo. O registo destas diferenças subtis permite obter uma imagem mais clara do comportamento das células em condições reais.
Os modelos de visão por computador, como o Ultralytics YOLOv8, tornam este processo mais rápido e mais consistente. Ao detetar e seguir células individuais em sequências de imagens, o YOLOv8 pode monitorizar automaticamente os movimentos, divisões e interações celulares, mesmo quando as células se sobrepõem ou mudam de forma.
Os conhecimentos obtidos a partir de modelos de visão por computador, como o YOLO11, utilizados para a segmentação de células inteiras, podem ter um maior impacto quando combinados com a bioinformática (a utilização de métodos computacionais para analisar dados biológicos) e a multiómica (a integração de informações sobre ADN, ARN e proteínas). Em conjunto, estes métodos fazem com que a investigação vá para além da definição dos limites das células e passe a compreender o significado desses limites.
Em vez de se limitarem a identificar a localização das células, os cientistas podem estudar a forma como estas interagem, como a estrutura dos tecidos se altera em caso de doença e como pequenas alterações na forma das células se relacionam com a atividade molecular.
Considere uma amostra de tumor: ao associar o tamanho, a forma ou a posição das células cancerígenas aos seus perfis moleculares, os investigadores podem encontrar correlações com mutações genéticas, expressão genética ou atividade proteica anormal. Isto transforma imagens estáticas em conhecimentos práticos, ajudando a seguir a atividade dos genes nos tumores, a mapear o comportamento das proteínas em tempo real e a construir atlas de referência que ligam a estrutura à função.
Eis algumas das principais vantagens da utilização da visão por computador para a segmentação de células:
Embora a visão por computador traga muitos benefícios à segmentação celular, também tem algumas limitações. Eis alguns factores a ter em conta:
A próxima geração de segmentação celular será provavelmente definida por modelos de visão por computador que combinem velocidade, precisão e escalabilidade. Modelos como o U-Net têm sido muito influentes, mas podem ser computacionalmente exigentes. Com os avanços na visão por computador, os investigadores estão a avançar para modelos que proporcionam uma elevada precisão e desempenho em tempo real.
Por exemplo, os modelos topo de gama, como o Ultralytics YOLOv8, podem segmentar imagens de microscopia muito mais rapidamente do que as abordagens tradicionais, produzindo simultaneamente limites nítidos e precisos.
Num estudo recente de Microscopia Eletrónica de Transmissão (TEM), as métricas de desempenho mostraram que o YOLOv8 funcionou 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 imagiologia aumentam de tamanho.
Estas melhorias já estão a ser postas em prática. Plataformas como o Theiascope™ da Theia Scientific integram os modelos Ultralytics YOLO com a Microscopia Eletrónica de Transmissão (TEM), permitindo que as estruturas em nanoescala sejam segmentadas de forma consistente e em escala. A plataforma utiliza modelos Ultralytics YOLO para deteção e segmentação em tempo real, identificando automaticamente estruturas em imagens TEM à medida que são capturadas e convertendo-as em dados fiáveis e prontos a analisar.
A segmentação celular desempenha um papel fundamental na microscopia moderna e na investigação biomédica. Permite aos cientistas observar células individuais, acompanhar a progressão de doenças e monitorizar a forma como os tratamentos afectam o comportamento das células. Os modelos de IA de visão como o YOLO11 tornam este processo mais rápido e mais preciso. Ao lidar facilmente com imagens grandes e complexas, garantem que as experiências são repetíveis e escaláveis.
Junte-se à nossa comunidade e visite o nosso repositório GitHub para saber mais sobre IA. Explore as nossas páginas de soluções para saber mais sobre aplicações como a IA na agricultura e a visão computacional na logística. Confira nossas opções de licenciamento e comece a construir com visão computacional hoje mesmo!
