Segmentação celular: o que é e como a IA de visão a melhora

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 acompanhar o comportamento celular, avaliar medicamentos e explorar novas terapias.

Uma única imagem de microscopia pode conter milhares de células sobrepostas, dificultando a visualização dos limites. A segmentação celular procura resolver este problema ao separar claramente cada célula para uma análise precisa.

Mas a segmentação celular nem sempre é simples. Um único estudo pode produzir milhares de imagens detalhadas de microscopia, demasiadas para serem analisadas manualmente. À medida que os conjuntos de dados crescem, os cientistas precisam de formas mais rápidas e fiáveis de separar e estudar as células.

Na verdade, muitos cientistas estão a adotar a visão computacional, um ramo da IA que permite às máquinas interpretar e analisar informação visual. 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 realizar análises precisas em segundos, em vez de horas, ajudando os investigadores a ampliar os seus estudos de forma eficiente.

Fig. 1. YOLO a ser utilizado para a segmentação de núcleos, identificando e delineando os núcleos celulares (os centros das células). (Fonte)

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

Uma análise da utilização da visão computacional na segmentação celular#

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

A visão computacional oferece uma opção mais rápida e fiável. É um ramo da IA alimentado por aprendizagem profunda, no qual 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, modelos de IA de visão como o Ultralytics YOLO11 suportam tarefas como deteção de objetos e segmentação de instâncias, podendo ser treinados com conjuntos de dados personalizados para analisar células. A deteção de objetos permite localizar e identificar cada célula numa imagem, mesmo quando várias aparecem juntas.

A segmentação de instâncias vai um passo além, desenhando limites precisos à volta de cada célula e captando as suas formas exatas. A integração destas capacidades de IA de visão em pipelines de segmentação celular permite aos investigadores automatizar fluxos de trabalho complexos e processar imagens de microscopia de alta resolução de forma eficiente.

A evolução dos algoritmos de segmentação celular#

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 estas limitações, foram desenvolvidas abordagens mais avançadas, dando origem aos atuais modelos de visão computacional, que trazem velocidade, precisão e escalabilidade para estudos de microbiologia e microscopia.

Em seguida, vamos analisar como os algoritmos de segmentação evoluíram, desde métodos básicos de limiarização até modelos de aprendizagem profunda de última geração e pipelines híbridos.

Segmentação celular com métodos de limiarização e morfológicos#

Antes dos avanços na visão computacional, a segmentação celular dependia de técnicas tradicionais de processamento de imagens. Estes métodos baseavam-se em regras e operações definidas manualmente, como a deteção de contornos, a separação do primeiro plano do fundo ou o alisamento de formas. Ao contrário dos modelos de visão computacional, que podem aprender padrões diretamente a partir dos dados, o processamento de imagens depende de algoritmos fixos aplicados da mesma forma a todas as imagens.

Uma das primeiras abordagens foi a limiarização, um método que separa as células do fundo comparando os níveis de luminosidade dos píxeis. Este método funciona bem quando existe um contraste forte entre as células e o ambiente envolvente.

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

Para aperfeiçoar os resultados, são utilizadas operações morfológicas, como a dilatação (expansão das formas) e a erosão (redução das formas), para suavizar contornos, remover ruído ou fechar pequenas lacunas. Para células que se tocam ou se sobrepõem, uma técnica chamada segmentação por watershed ajuda a separá-las, traçando limites nos pontos onde as células se encontram.

Embora estas técnicas tenham dificuldades com casos complexos, como células sobrepostas ou imagens com ruído, continuam a ser úteis para aplicações mais simples e constituem uma parte importante da história da segmentação celular. No entanto, as suas limitações impulsionaram a área em direção a modelos baseados em aprendizagem profunda, que oferecem uma precisão muito maior para imagens mais desafiantes.

Modelos de aprendizagem profunda para a segmentação celular#

À medida que as técnicas de processamento de imagens atingiram os seus limites, a segmentação celular passou a utilizar abordagens baseadas em aprendizagem. Ao contrário dos métodos baseados em regras, os modelos de aprendizagem profunda identificam padrões diretamente a partir dos dados, tornando-se mais adaptáveis a células sobrepostas, formas variáveis e diferentes modalidades de imagem.

As redes neurais convolucionais (CNNs) são uma classe de arquiteturas de aprendizagem profunda amplamente utilizada na visão computacional. Processam imagens em camadas: as camadas iniciais detetam características simples, como contornos e texturas, enquanto as camadas mais profundas captam formas e estruturas mais complexas. Esta abordagem em camadas torna as CNNs eficazes em muitas tarefas visuais, desde o reconhecimento de objetos do quotidiano através do reconhecimento de padrões até à análise de imagens biomédicas.

Modelos como o Ultralytics YOLO11 baseiam-se nestes princípios de aprendizagem profunda. Estes modelos expandem arquiteturas baseadas em CNN com técnicas de deteção de objetos em tempo real e segmentação de instâncias, permitindo localizar rapidamente as células e delinear os seus limites.

Pipelines híbridos melhoram a segmentação celular#

Os pipelines híbridos melhoram a segmentação celular ao combinar os pontos fortes de vários métodos. Estes podem incluir processamento de imagens clássico e modelos de aprendizagem profunda, ou até diferentes modelos baseados em 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, lidam de forma mais eficaz com imagens complexas e tornam os estudos em grande escala mais fiáveis.

Fig. 3. Exemplo de uma imagem de entrada celular de baixa qualidade (a) e dos padrões extraídos pelo pré-processamento (b), tornando as características celulares mais claras para análises posteriores. (Fonte)

A importância dos conjuntos de dados na segmentação celular#

Outro fator fundamental a considerar na segmentação celular orientada por visão computacional são os dados de imagem. Os modelos de visão computacional dependem fortemente de conjuntos de dados grandes e de alta qualidade para aprenderem a identificar e separar células com precisão.

Estes conjuntos de dados consistem normalmente em imagens de microscopia acompanhadas de anotações. Tão importante como as imagens originais, a anotação ou rotulagem dos dados desempenha um papel crucial na criação de conjuntos de dados eficazes, pois transmite informações importantes ao modelo.

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 começa e termina cada célula. Estas etiquetas funcionam como um guia, ensinando o modelo a reconhecer a morfologia e os limites celulares. As anotações podem ser desenhadas manualmente ou criadas com ferramentas semiautomatizadas para poupar tempo.

O tipo de anotação também depende da tarefa. Para a deteção de objetos, são desenhadas caixas delimitadoras à volta de cada célula. Para a segmentação de instâncias, as etiquetas são mais semelhantes a máscaras detalhadas que traçam o contorno exato de cada célula. Escolher o tipo certo de anotação e os dados de treino ajuda o modelo a aprender o que precisa para a tarefa.

A complexidade dos dados relacionados com a segmentação celular#

Em geral, criar conjuntos de dados para visão computacional pode ser difícil, especialmente quando não existem coleções de imagens ou quando a área é muito específica e especializada. No entanto, a investigação celular apresenta dificuldades técnicas que tornam a recolha e a anotação de dados ainda mais complexas.

As imagens de microscopia podem ter aspetos muito diferentes consoante o método de imagiologia celular. Por exemplo, a microscopia de fluorescência utiliza corantes que fazem brilhar partes da célula. Estas imagens de fluorescência realçam detalhes que, de outro modo, seriam difíceis de ver.

A anotação é outro grande desafio. Rotular milhares de células manualmente é lento e requer conhecimentos especializados na área. As células sobrepõem-se frequentemente, mudam de forma ou aparecem esbatidas, facilitando a ocorrência de erros. As ferramentas semiautomatizadas podem acelerar o processo, mas normalmente é necessária supervisão humana para garantir a qualidade.

Para aliviar 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 sejam menos precisos, estes marcadores continuam a fornecer orientações essenciais para o treino.

Além disso, a partilha de dados em biologia acrescenta outras complicações. As preocupações com a privacidade, o consentimento dos pacientes e as diferenças no equipamento de imagiologia entre laboratórios podem dificultar a criação de conjuntos de dados consistentes e de alta qualidade.

Apesar destes obstáculos, os conjuntos de dados de código aberto fizeram uma grande diferença. As coleções públicas partilhadas através de plataformas como o GitHub disponibilizam milhares de imagens rotuladas de muitos tipos de células e métodos de imagiologia, ajudando os modelos a generalizar melhor para cenários do mundo real.

Aplicações dos modelos de segmentação celular#

Agora que compreendemos melhor os dados e métodos utilizados para segmentar células com visão computacional, vamos analisar algumas aplicações reais da segmentação celular e da visão computacional.

Análise de célula única utilizando segmentação celular#

A análise de célula única, ou o estudo de células individuais em vez de amostras de tecido completas, ajuda os cientistas a observar detalhes que frequentemente passam despercebidos a um nível mais abrangente. Esta abordagem é amplamente utilizada na biologia celular, na descoberta de medicamentos e no diagnóstico para compreender como as células funcionam e respondem em diferentes condições.

Por exemplo, na investigação do cancro, uma amostra de tecido contém frequentemente uma mistura de células cancerígenas, células imunitárias e células de suporte (estromais). Observar apenas o tecido como um todo pode ocultar diferenças importantes, como a forma como as células imunitárias interagem com os tumores ou como se comportam as células cancerígenas próximas dos vasos sanguíneos.

A análise de célula única permite aos investigadores separar estes tipos de células e estudá-los individualmente, o que é crucial para compreender as respostas aos tratamentos e a progressão das doenças. Modelos como o Ultralytics YOLO11, que suportam a segmentação de instâncias, podem detetar cada célula e delinear a sua forma exata, mesmo em imagens congestionadas ou sobrepostas. Ao transformar imagens complexas de microscopia em dados estruturados, o YOLO11 permite aos investigadores analisar milhares de células de forma rápida e consistente.

Rastreamento celular e imagiologia em tempo real com YOLO#

As células dividem-se, movem-se e respondem ao ambiente de formas diferentes. Analisar como as células vivas mudam ao longo do tempo ajuda os cientistas a compreender o seu comportamento na saúde e na doença.

Com ferramentas como a microscopia de contraste de fase ou de alta resolução, os investigadores podem acompanhar estas mudanças sem adicionar corantes ou etiquetas. Isto mantém as células no seu estado natural e torna os resultados mais fiáveis.

Rastrear as células ao longo do tempo também ajuda a captar detalhes que, de outro modo, poderiam passar despercebidos. Uma célula pode mover-se mais depressa do que as outras, dividir-se de forma invulgar ou responder intensamente a um estímulo. Registar estas diferenças subtis proporciona uma visão mais clara do comportamento das células em condições reais.

Modelos de visão computacional, como o Ultralytics YOLOv8, tornam este processo mais rápido e consistente. Ao detetar e rastrear células individuais ao longo de sequências de imagens, o YOLOv8 pode monitorizar automaticamente os movimentos, as divisões e as interações celulares, mesmo quando as células se sobrepõem ou mudam de forma.

Fig. 4. Resultados da segmentação do Ultralytics YOLOv8 utilizado para a deteção celular. (Fonte: mdpi.com)

Integração da IA de visão com a bioinformática e a multi-ómica#

Os conhecimentos obtidos a partir de modelos de visão computacional como o Ultralytics YOLO11, utilizados para a segmentação de células inteiras, podem ter um impacto maior quando combinados com a bioinformática (a utilização de métodos computacionais para analisar dados biológicos) e a multi-ómica (a integração de informação de DNA, RNA e proteínas). Em conjunto, estes métodos levam a investigação para além do desenho dos limites celulares e permitem compreender o significado desses limites.

Em vez de apenas identificarem onde estão as células, os cientistas podem estudar como interagem, como a estrutura dos tecidos muda durante uma doença e como pequenas alterações na forma das células se relacionam com a atividade molecular.

Consideremos uma amostra de tumor: ao relacionar o tamanho, a forma ou a posição das células cancerígenas com os 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 acompanhar a atividade genética em tumores, mapear o comportamento das proteínas em tempo real e criar atlas de referência que relacionam estrutura e função.

Benefícios da segmentação celular#

Eis alguns dos principais benefícios da utilização da visão computacional na segmentação celular:

• Rastreio de alto débito: A segmentação automatizada pode processar milhões de células de forma eficiente, acelerando a descoberta e os testes de medicamentos em grande escala.
• Conhecimentos sobre a organização espacial: Mostra como as células estão organizadas nos tecidos, fornecendo pistas importantes sobre os ambientes tumorais ou sobre o desenvolvimento dos tecidos.
• Geração de dados quantitativos: Para além dos conhecimentos visuais obtidos a partir de imagens celulares, a segmentação fornece informações mensuráveis, como contagens de células, áreas e níveis de intensidade, permitindo comparações fiáveis entre experiências.

Limitações da utilização da IA de visão na segmentação celular#

Embora a visão computacional traga muitos benefícios para a segmentação celular, também apresenta algumas limitações. Eis alguns fatores a ter em conta:

• Privacidade dos dados: A partilha de conjuntos de dados celulares anotados para o treino de modelos pode suscitar preocupações éticas e regulamentares, especialmente quando as imagens estão associadas a informações de pacientes.
• Requisitos de hardware e computação: A análise de bioimagens de alta resolução requer GPUs e armazenamento potentes. A computação na nuvem e os algoritmos otimizados estão a ajudar a tornar este processo mais acessível.
• Generalização do modelo: Os modelos treinados com o microscópio ou o protocolo de coloração de um laboratório podem não ter um bom desempenho noutros locais. O treino com conjuntos de dados diversificados e provenientes de vários laboratórios melhora a robustez.

O futuro da segmentação celular#

A próxima geração de segmentação celular será provavelmente definida por modelos de visão computacional que combinam velocidade, precisão e escalabilidade. Modelos como o U-Net foram muito influentes, mas podem exigir muitos recursos computacionais. Com os avanços na visão computacional, os investigadores estão a avançar para modelos que proporcionam elevada precisão e desempenho em tempo real.

Por exemplo, modelos de última geração como o Ultralytics YOLOv8 podem segmentar imagens de microscopia muito mais rapidamente do que as abordagens tradicionais, continuando a produzir limites nítidos e precisos.

Num estudo recente de microscopia eletrónica de transmissão (TEM), as métricas de desempenho mostraram que o Ultralytics YOLOv8 funcionou até 43 vezes mais depressa do que o U-Net. Este nível de desempenho permite analisar grandes conjuntos de dados em tempo real, o que é cada vez mais importante à medida que os estudos de imagiologia aumentam de dimensão.

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

Estas melhorias já estão a ser aplicadas. Plataformas como o Theiascope™ da Theia Scientific integram modelos Ultralytics YOLO com microscopia eletrónica de transmissão (TEM), permitindo segmentar estruturas à nanoescala de forma consistente e em grande escala. A plataforma utiliza modelos Ultralytics YOLO para a deteção e segmentação em tempo real, identificando automaticamente estruturas em imagens TEM à medida que são captadas e convertendo-as em dados fiáveis e prontos para análise.

Principais conclusões#

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 o impacto dos tratamentos no comportamento celular. Modelos de IA de visão como o Ultralytics YOLO11 tornam este processo mais rápido e preciso. Ao processarem imagens grandes e complexas com facilidade, garantem que as experiências sejam repetíveis e escaláveis.

Junta-te à nossa comunidade e visita o nosso repositório no GitHub para saberes mais sobre IA. Explora as nossas páginas de soluções para saberes mais sobre aplicações como IA na agricultura e visão computacional na logística. Consulta as nossas opções de licenciamento e começa hoje a criar com visão computacional!