Deep Learning for Bioimage Analysis: novel user- and developer-oriented approaches

Abstract

Esta tesis doctoral explora la integración y el avance de la visión artificial y el aprendizaje automáticodentro del campo del análisis de bioimágenes, particularmente mediante la aplicación de técnicas deaprendizaje profundo. La visión artificial, un área crucial de la inteligencia artificial (IA), permite que lasmáquinas interpreten y analicen datos visuales de manera similar a la visión humana pero con mayorvelocidad y precisión. Utiliza métodos diversos como el procesamiento de imágenes y el aprendizajeautomático para imitar la percepción humana, permitiendo a las máquinas reconocer y responder aestímulos visuales. El aprendizaje profundo, un subcampo del aprendizaje automático, utiliza redesneuronales complejas para aprender de grandes conjuntos de datos, mejorando significativamente laprecisión de las tareas sobre los métodos tradicionales. El aprendizaje profundo ha revolucionado lavisión artificial, especialmente en tareas que requieren reconocimiento visual detallado.ÁREA LÍNEA2 2 0 9 9 0Los rápidos avances en el aprendizaje automático, especialmente en el aprendizaje profundo, han influidosustancialmente en las capacidades de los sistemas de visión artificial, ampliando los límites de lo que lasmáquinas pueden lograr. Este progreso es crucial en el ámbito de la imagen biológica, donde la capacidadde analizar grandes cantidades de datos de imágenes es vital para el avance del descubrimiento científico.Esta tesis profundiza en cómo estos avances tecnológicos se aplican al análisis de bioimágenes, ayudandoa los investigadores en ciencias de la vida a monitorear e interpretar fenómenos biológicos complejos adiferentes escalas y resoluciones. Al aprovechar las herramientas de IA más avanzadas, este trabajo buscamejorar la extracción y análisis de datos en las ciencias de la vida, transformando desafíos enoportunidades para lograr avances científicos significativos.En esta tesis, se examina el potencial transformador del aprendizaje profundo en el análisis debioimágenes a través de múltiples aplicaciones innovadoras y el desarrollo de metodologías robustas queabordan los desafíos fundamentales dentro del campo. En la última década, las técnicas de aprendizajeprofundo han avanzado significativamente en la medición automática de células y orgánulos en imágenesde microscopía. Sin embargo, la falta de puntos de referencia estándar para la comparación de métodos,combinada con problemas en la reproducibilidad y el intercambio de datos, sigue obstaculizando elprogreso. Esta investigación aborda estas preocupaciones proponiendo modelos de aprendizaje profundoestables y robustos y reimplementando modelos establecidos para un conjunto de datos de referenciaclave en la segmentación de mitocondrias. Esta iniciativa tiene como objetivo mejorar la reproducibilidady estabilidad de los modelos, proporcionando un marco fiable para estudios futuros.Además, los modelos de aprendizaje profundo a menudo sufren una caída en el rendimiento cuando seaplican a nuevos conjuntos de datos no vistos debido a su especialización en el entrenamiento. Lasegunda contribución principal de esta tesis es el desarrollo de nuevas estrategias de adaptación dedominio que mejoran el rendimiento del modelo en diversos conjuntos de datos de imágenes biomédicassin necesidad de anotaciones adicionales. Estas estrategias ayudan a cerrar la brecha entre diferentesmodalidades de imágenes y condiciones experimentales.Reconociendo las limitaciones impuestas por la simplicidad y la escala de los conjuntos de datosexistentes, esta tesis introduce el conjunto de datos MitoEM: una colección integral de imágenes demitocondrias de mamíferos obtenidas con microscopía electrónica, diseñada para desafiar y refinar losmétodos de segmentación actuales. Este conjunto de datos no solo sirve como herramienta para avanzaren la investigación, sino que también forma la base de una competición internacional, alentando a lacomunidad científica a participar en la mejora competitiva y colaborativa de las técnicas de análisis debioimágenes.Un tema central de esta tesis es la democratización de las técnicas avanzadas de aprendizaje profundopara usuarios no especializados. La creación de BiaPy, una librería de código abierto, es la cuartacontribución principal. BiaPy proporciona una amplia gama de tareas de análisis de bioimágenesintegrando modelos de aprendizaje profundo tradicionales y avanzados, haciendo que análisis sofisticadossean accesibles para investigadores sin un conocimiento computacional avanzado.Por último, se demuestran las aplicaciones prácticas de la librería BiaPy a través de su uso en escenariosprácticos, abordando preguntas biológicas. En concreto, se desarrollaron nuevas metodologías parasegmentar quistes epiteliales y mejorar las técnicas de pintura celular. Estos últimos métodos aprovechanla librería BiaPy para predecir imágenes óptimamente enfocadas a partir de datos no etiquetados,mostrando la utilidad de la librería en el análisis de imagen biológica y ofreciendo nuevas vías paraconseguir mejoras en la investigación con coste-beneficio rentables.Juntas, estas contribuciones subrayan el gran potencial del aprendizaje profundo para transformar elcampo del análisis de imagen biológica, proporcionando tanto soluciones innovadoras como herramientasfundamentales que abordan tanto las necesidades actuales como los desafíos futuros en el campo.