Year: 2026
Type: dissertation
Abstract: Cuantificar la organización de los tejidos celulares es esencial para comprender la morfogénesis, la homeostasis y la progresión de enfermedades. En los últimos años, el aprendizaje automático (Machine Learning) ha surgido como un recurso clave para acelerar la extracción de métricas cuantitativas. Dentro de este campo, el aprendizaje profundo (Deep Learning) se ha consolidado como la tecnología líder para la segmentación de imágenes biológicas; sin embargo, su entrenamiento exige una gran cantidad de datos pareados (es decir, imágenes de microscopía junto con sus correspondientes anotaciones). La creación manual de estos conjuntos de datos es un proceso intensivo, tedioso y sujeto a la variabilidad entre observadores. Para abordar esta limitación, presentamos VETIS (Versatile Engine for Tissue Image Synthesis), una herramienta computacional de código abierto diseñada para la generación automática de datos pareados sintéticos. VETIS cuenta con una interfaz de usuario que genera diagramas de Voronoi para imitar la arquitectura de los tejidos empaquetados, sirviendo así como estructura geométrica base. Mediante el uso de una red 3D CycleGAN, se realiza una traducción de imagen que otorga a dicha estructura un estilo realista, incorporando las propiedades texturales características de las imágenes reales de tejidos biológicos. Estas imágenes sintéticas, junto con los diagramas de Voronoi (que actúan como anotación), permiten entrenar redes neuronales convolucionales especializadas en la segmentación de tejidos. Esta metodología ha sido validada en múltiples sistemas biológicos: secciones transversales de músculo esquelético y volúmenes tridimensionales de cistos MDCK y embriones de Drosophila. En todos los casos, los modelos entrenados con datos generados por VETIS alcanzaron métricas de precisión robustas. Al ofrecer una interfaz intuitiva, VETIS permite a los investigadores generar los grandes volúmenes de datos necesarios para realizar segmentaciones con alta precisión, eliminando la necesidad de recurrir al etiquetado manual o de poseer conocimientos informáticos avanzados.
Author: Andrés San Román, Jesús Ángel
Language: English
Subfield: Biophysics
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7223519877