A geometry-first tutorial for time-resolved morphological analysis with PyPETANA

Este artículo presenta un tutorial paso a paso y reproducible para PyPETANA, un marco de trabajo de código abierto en Python que permite la cuantificación basada en la geometría y resuelta en el tiempo de morfologías en evolución a partir de datos de imágenes mediante la extracción directa de máscaras y el análisis de fronteras multiescala, sin asumir mecanismos de crecimiento específicos.

Lo esencial

Imagina que estás viendo un video en lapso de tiempo de una gota de tinta expandiéndose en agua, o de una colonia bacteriana creciendo en una placa de Petri. A simple vista, parece una mancha desordenada y en evolución. Pero para un científico, esa mancha es una historia esperando ser leída.

Este artículo presenta PyPETANA, una nueva herramienta de software diseñada para leer esa historia. Piensa en PyPETANA no como un científico adivinando por qué la mancha está creciendo, sino como una cinta métrica y una cámara muy precisas y súper organizadas que nunca se cansan, nunca cambian de opinión y nunca adivinan.

Así es como funciona, desglosado en conceptos simples:

1. La filosofía "Geometría Primero"

La mayoría del software intenta adivinar las reglas de la biología (por ejemplo: "Esta célula se mueve porque quiere comida"). PyPETANA adopta un enfoque diferente. Dice: "Medimos primero la forma".

Imagina que eres un crítico de arte. En lugar de preguntarle al pintor por qué eligió el azul, simplemente mides el área exacta de la pintura azul, la longitud de las pinceladas y lo irregulares que son los bordes. PyPETANA hace exactamente esto. Ignora el "por qué" (la biología microscópica) y se centra completamente en el "qué" (la geometría). Esto asegura que las mediciones sean puramente sobre la forma, no sobre una teoría de la que el software podría estar equivocado.

2. El flujo de trabajo: De video a números

El artículo describe una receta paso a paso para convertir un video en una hoja de cálculo de números:

• La entrada (La película): Le proporcionas al software un video en lapso de tiempo (como un archivo .mov) o una carpeta de fotos.
• El "Cortar y Pegar" (Segmentación): El software examina cada cuadro y dibuja una línea alrededor del objeto de interés, separándolo del fondo. Convierte la imagen en una "máscara" en blanco y negro.
  • Analogía: Imagina usar un cortador de galletas para trazar el contorno de una galleta sobre un papel. PyPETANA hace esto automáticamente para cada cuadro individual del video.
• La "Selección Inteligente" (Selección de contorno): A veces, el software ve muchas formas (como una gran mancha con un agujero en el medio, o algunos puntitos pequeños cerca). PyPETANA utiliza un truco matemático astuto para elegir la forma principal. Busca la forma más grande que también esté más cerca del centro de la imagen. Ignora el ruido y los agujeros a menos que le indiques específicamente que cuente los agujeros.
• La "Regla" (Extracción de datos): Una vez aislada la forma, PyPETANA la mide:
  • Área: ¿Cuánto espacio ocupa?
  • Perímetro: ¿Qué tan larga es la arista?
  • Circularidad: ¿Es un círculo perfecto, o es un desorden irregular y estrellado? (Un círculo perfecto obtiene una puntuación de 1; una forma irregular obtiene una puntuación más baja).
  • Dimensiones fractales: Esta es la "super-medida". Pregunta: "¿Qué rugosa es la arista a diferentes niveles de zoom?". Es como verificar si una costa parece rugosa cuando la ves desde un avión, o si parece aún más rugosa cuando la ves desde un bote.

3. La red de seguridad "Humano en el bucle"

Uno de los mayores problemas con el análisis informático es que puede confundirse con una mala iluminación o sombras. PyPETANA resuelve esto con una Interfaz Gráfica de Usuario (GUI).

• Analogía: Piensa en la GUI como un escenario de ensayo. Antes de que el software ejecute la película completa (lo cual podría tomar horas), puedes pausar en un cuadro, ajustar la configuración del "cortador de galletas" y ver si el contorno se ve bien.
• Una vez que estás satisfecho con la configuración en ese único cuadro, la guardas. Luego, el software aplica esos mismos ajustes exactos a cada otro cuadro del video. Esto asegura que el software no cambie de opinión accidentalmente a mitad de la película, lo cual arruinaría los datos.

4. Por qué importa la "Reproducibilidad"

El artículo enfatiza que si le das a PyPETANA el mismo video y la misma configuración, te dará los mismos números exactos cada vez, sin importar quién lo ejecute o qué computadora utilice.

• Analogía: Imagina una receta para un pastel. Si sigues la receta exactamente, el pastel debería tener el mismo sabor, ya sea que lo hornees en Nueva York o en Londres. PyPETANA es como un libro de recetas digital que asegura que cada científico obtenga el mismo "pastel" (datos) de los mismos "ingredientes" (video).

5. Qué puede hacer (y qué no puede hacer)

El artículo utiliza esta herramienta para analizar el crecimiento de tumores y colonias bacterianas.

• Qué encontró: Distinguió con éxito entre tumores "compactos" (formas suaves y redondas) y tumores "invasivos" (formas irregulares y rugosas que se están expandiendo). Mostró que a medida que los tumores invasivos crecen, sus bordes se vuelven progresivamente más rugosos y complejos.
• Qué no hace: El artículo es muy claro: PyPETANA no te dice por qué el tumor está creciendo, no rastrea células individuales y no predice el futuro. Es estrictamente una herramienta para medir la forma de las cosas a medida que cambian con el tiempo.

Resumen

PyPETANA es una herramienta de medición basada en la geometría y resuelta en el tiempo. Toma un video de una forma en crecimiento, permite que un humano verifique el contorno una vez, y luego mide automáticamente el tamaño, la longitud del borde y la rugosidad de esa forma para cada segundo del video. Convierte imágenes desordenadas y en evolución en datos limpios y confiables que los científicos pueden confiar y comparar.

Resumen técnico

Resumen Técnico: Un Tutorial de Enfoque Geométrico para el Análisis Morfológico Resuelto en el Tiempo con PyPETANA

Enunciado del Problema

La formación de patrones morfológicos es una característica ubicua de los sistemas fuera del equilibrio, que abarca desde el crecimiento de colonias bacterianas hasta las interfaces de tumores invasivos. Si bien los avances en microscopía y la obtención de imágenes en lapso de tiempo han hecho accesibles grandes secuencias de imágenes, persiste un desafío significativo en la cuantificación reproducible de la morfología en evolución. Los flujos de trabajo existentes a menudo priorizan la caracterización, segmentación o clasificación en el punto final, dependiendo frecuentemente de mapeos implícitos desde datos de píxeles hacia observables o siendo altamente dependientes de elecciones específicas de preprocesamiento y umbralización. Esta dependencia dificulta desentrañar la evolución morfológica genuina de las variaciones introducidas por el ajuste de parámetros o las estrategias de análisis. Además, muchas herramientas acoplan el análisis de imágenes a modelos de crecimiento biológicos, basados en agentes o estadísticos específicos, limitando su aplicabilidad a sistemas donde la dinámica microscópica es desconocida o difícil de parametrizar.

Metodología

El artículo introduce PyPETANA, un framework de código abierto en Python diseñado para la cuantificación "de enfoque geométrico" y resuelta en el tiempo de la morfología en evolución. El framework opera bajo el principio de que la morfología debe tratarse como un objeto geométrico dinámico reconstruido a partir de imágenes segmentadas, manteniendo una separación estricta entre el preprocesamiento de imágenes y la definición matemática de los observables.

Arquitectura Central y Flujo de Trabajo

La tubería de análisis es determinista y cuadro por cuadro, consistiendo en cuatro etapas computacionales principales:

1. Preprocesamiento: Los cuadros de entrada sufren operaciones opcionales para mejorar la robustez de la segmentación frente a una iluminación no uniforme y ruido. Estas incluyen corrección de inclinación de luminancia, recorte (cuadrado o circular), remapeo de contraste, cierre morfológico y desenfoque gaussiano.
2. Umbralización: Los cuadros preprocesados se convierten en máscaras binarias utilizando umbrales de intensidad definidos por el usuario. Este paso separa la morfología del fondo.
3. Selección de Contorno: Utilizando la recuperación jerárquica de OpenCV (RETR_TREE), el sistema detecta todos los contornos. Se selecciona un contorno dominante basado en un criterio de ponderación geométrica que combina área y proximidad a un centro de referencia (el centro de la imagen después del recorte). Esta puntuación, $S_i = A_i / (1 + d_i^2)$, estabiliza la identidad del contorno a través de los cuadros. Los contornos interiores completamente cerrados (agujeros) se retienen para un análisis consciente de agujeros opcional.
4. Extracción de Datos:
   • Observables Geométricos: Área ($A$), Perímetro ($P$) y Circularidad ($C = 4\pi A/P^2$) se calculan directamente a partir del contorno dominante.
   • Observables Fractales: El framework calcula dimensiones efectivas de recuento de cajas tanto para la morfología rellena ($D_f$, escalado de masa) como para una banda de frontera de ancho finito ($D_b$, escalado de rugosidad). Para mitigar artefactos de alineación de cuadrícula, PyPETANA emplea una estrategia de recuento de cajas sobre-muestreado. Esto implica rellenar máscaras con ceros y evaluar cuatro colocaciones de relleno distintas (desplazamientos) para cada tamaño de caja, promediando los resultados para garantizar robustez.

Reproducibilidad e Interfaz

• Orquestación mediante GUI: Una Interfaz Gráfica de Usuario (GUI) permite a los usuarios seleccionar parámetros interactivamente y validar la segmentación mediante superposiciones en tiempo real. Crucialmente, la GUI actúa únicamente como una capa de orquestación; no realiza el análisis numérico.
• Registros de Parámetros: Los usuarios almacenan instantáneas de parámetros ("registros") en cuadros clave específicos. Para cuadros intermedios, los parámetros se interpolan linealmente entre estos registros, asegurando una ejecución temporalmente suave sin deriva de parámetros adaptativos.
• Determinismo: Todos los observables reportados son deterministas. Una ejecución es reproducible dados los medios de entrada, el records.json exportado (instantáneas de la GUI) y la versión específica del código etiquetada en Zenodo.

Contribuciones Clave

1. Framework de Enfoque Geométrico: PyPETANA proporciona un protocolo de medición agnóstico a los mecanismos de crecimiento microscópicos. No infiere reglas biológicas, dinámicas de agentes o mecanismos bioquímicos, enfocándose en cambio en descriptores geométricos explícitos.
2. Análisis de Frontera Multiescala: La implementación del recuento de cajas sobre-muestreado tanto para regiones rellenas como para bandas de frontera controladas permite la cuantificación de la complejidad espacial multiescala (escalado de masa y escalado de rugosidad) con un sesgo de discretización reducido.
3. Separación Estricta de Responsabilidades: La arquitectura impone una división clara entre el preprocesamiento de imágenes (GUI/validación) y la definición matemática de los observables (backend), asegurando que las variaciones en los resultados reflejen cambios morfológicos en lugar de cambios en la estrategia de análisis.
4. Infraestructura de Reproducibilidad: El framework incluye un sistema de procedencia ligero donde las salidas numéricas incluyen un encabezado meta_json, y la configuración de la GUI se almacena en records.json, permitiendo la reproducción exacta de los análisis.

Resultados y Pruebas de Referencia

El artículo valida el framework mediante una suite de pruebas de referencia aplicada a morfologías de tumores invasivos:

• Prueba de Referencia B1 (Descriptores Sensibles al Perímetro): El framework distinguió con éxito entre morfologías tumorales compactas e invasivas. Las morfologías compactas produjeron ratios de complejidad ($\chi = P / 2\sqrt{\pi A}$) cercanos a la unidad ($\approx 1.1$), mientras que las morfologías invasivas produjeron valores significativamente más altos ($\approx 1.7\text{--}1.8$), consistentes con los datos de referencia. Esto confirmó la fiabilidad de la extracción de contornos y la medición geométrica.
• Prueba de Referencia B2 (Evolución Fractal de la Frontera): Aplicado a datos de crecimiento tumoral MDA-MB-231 resueltos en el tiempo, el framework capturó el aumento progresivo en la rugosidad de la frontera. La dimensión fractal de la frontera ($D_b$) para morfologías asociadas a la matriz aumentó monótonamente de $\approx 1.22$ a $\approx 1.48$ durante cuatro días. Una variante consciente de agujeros demostró además cómo la topología interior influye en los exponentes de escalado, aumentando de $\approx 1.31$ a $\approx 1.66$.

Significado y Afirmaciones

El artículo posiciona a PyPETANA no como un motor de inferencia para reglas de crecimiento microscópicas, sino como un protocolo de medición transparente y reproducible para la morfología en evolución. Su significado radica en:

• Estandarización: Proporcionar una descripción geométrica consistente que puede compararse entre experimentos, condiciones de crecimiento y modalidades de imagen sin las variables de confusión de suposiciones dependientes del modelo.
• Auditabilidad: Habilitar la validación visual directa de la segmentación, la selección de contornos y las suposiciones de recuento multiescala en una base cuadro por cuadro mediante exportaciones de diagnóstico.
• Aplicabilidad: Si bien se demuestra en sistemas biológicos (colonias bacterianas e interfaces tumorales), el flujo de trabajo es aplicable a cualquier interfaz fuera del equilibrio en evolución, incluyendo la agregación limitada por difusión y las inestabilidades interfaciales.

Los autores enfatizan que la interpretación física de estos observables en contextos biológicos específicos se discute en trabajos separados; este tutorial se enfoca estrictamente en el flujo de trabajo computacional y la extracción reproducible de datos geométricos.