🧬 biología

Entropy-driven adaptive neural architecture search for cell segmentation on edge devices

Este artículo propone un método de búsqueda de arquitectura neuronal basado en la entropía y consciente del hardware, fundamentado en la arquitectura U-Net, que optimiza los modelos de segmentación de células para dispositivos periféricos con recursos limitados, logrando una precisión competitiva en diversos conjuntos de datos al tiempo que garantiza un despliegue eficiente.

Autores originales: Yiwen Xu, Tariq M. Khan, Yanming Zhu, Yang Song, Erik Meijering

Publicado 2026-10-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yiwen Xu, Tariq M. Khan, Yanming Zhu, Yang Song, Erik Meijering

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

En el silencioso zumbido de un laboratorio, los científicos suelen observar cómo las células se mueven, se dividen e interactúan a través de la lente de un microscopio. Estos eventos microscópicos ocurren en tiempo real, desplazándose y cambiando de formas que revelan cómo la vida crece y sana. Para comprender estos procesos, los investigadores deben capturar miles de imágenes y luego trazar cuidadosamente el contorno de cada una de las células, una tarea que es tanto tediosa como crítica. Durante décadas, este trabajo dependió de potentes computadoras situadas en salas de servidores, lejos del microscopio. Pero ha surgido una nueva frontera: la idea de colocar la potencia de cómputo directamente junto al microscopio, en dispositivos pequeños y portátiles que puedan observar las células continuamente sin necesidad de un centro de datos masivo. Este cambio promete permitir que los científicos intervengan instantáneamente cuando una célula se comporte de manera inesperada, convirtiendo la observación pasiva en un descubrimiento activo. Sin embargo, estos pequeños dispositivos tienen límites estrictos en su memoria y duración de batería, lo que dificulta la ejecución del complejo software que suele requerirse para ver las células con claridad.

Un equipo de investigadores de la Universidad de Nueva Gales del Sur y la Universidad de Griffith ha desarrollado una nueva forma de resolver este problema. Crearon un método que diseña automáticamente un programa informático personalizado para cada tipo específico de dispositivo pequeño, asegurando que sea lo suficientemente potente para ver las células pero lo suficientemente ligero como para funcionar con una potencia de batería limitada. En lugar de intentar forzar un único programa pesado a funcionar en cada dispositivo, su sistema construye una arquitectura única y optimizada para cada uno. Los investigadores probaron este enfoque en cinco tipos diferentes de placas de computación pequeñas, que van desde una Raspberry Pi hasta hardware especializado en imágenes médicas. Descubrieron que su método podía identificar los límites celulares con alta precisión en diez tipos diferentes de imágenes de células, incluyendo aquellas tomadas con diversas técnicas de iluminación como la microscopía de fluorescencia y de campo claro. Los programas resultantes no solo fueron precisos, sino también lo suficientemente rápidos como para procesar imágenes en tiempo real, utilizando significamente menos memoria y energía que los métodos anteriores.

El núcleo de este logro reside en cómo los investigadores enseñaron a la computadora a diseñarse a sí misma. Tradicionalmente, crear un programa para encontrar células implica que un experto humano seleccione y organice manualmente diferentes herramientas matemáticas, un proceso que toma semanas y requiere una profunda experiencia. El nuevo método, conocido como búsqueda de arquitectura neuronal, automatiza este proceso de diseño. Comienza con un plano básico para un programa de detección de células y luego explora millones de variaciones posibles para encontrar la mejor. El desafío siempre ha sido que los programas con mejor rendimiento suelen ser demasiado grandes y lentos para los dispositivos pequeños. Los investigadores resolvieron esto añadiendo un conjunto de reglas que actúan como un presupuesto estricto durante la fase de diseño. Se le indica al sistema que no puede exceder una cierta cantidad de tiempo para procesar una imagen o una cierta cantidad de memoria. Si un diseño intenta usar demasiado de cualquiera de los dos, el sistema lo penaliza, obligando a la búsqueda a encontrar soluciones más simples y eficientes.

Para que esto funcione sin sacrificar la precisión, el equipo introdujo un ingenioso acto de equilibrio. Descubrieron que simplemente castigar los diseños complejos a menudo conducía a programas que eran demasiado simples para ver las células claramente. Para solucionar esto, añadieron un mecanismo que recompensa al programa por mantener su "pensamiento" interno diverso y rico. Imagine el programa como un equipo de trabajadores; si los recortes presupuestarios son demasiado severos, el equipo podría despedir a todos y dejar el trabajo sin hacer. El método de los investigadores asegura que, incluso con un presupuesto ajustado, los trabajadores restantes sean asignados a tareas que maximicen su valor único, asegurando que la imagen final sea aún nítida y detallada. Este enfoque permitió al sistema descubrir redes que fueron altamente eficientes, utilizando solo los componentes necesarios para realizar el trabajo.

Los resultados fueron probados en una amplia variedad de tipos de células, desde células madre hasta células cancerosas, y a través de diferentes estilos de imagen. Los programas diseñados a medida funcionaron tan bien como, y a menudo mejor que, los métodos existentes que no fueron diseñados para estos dispositivos pequeños. En los dispositivos más pequeños, los nuevos programas procesaron imágenes en menos de 100 milisegundos, una velocidad lo suficientemente rápida como para seguir los cambios rápidos que ocurren dentro de una célula viva. También utilizaron significativamente menos memoria, con algunos modelos ajustándose a solo 10 megabytes de almacenamiento, en comparación con los cientos de megabytes requeridos por los modelos más antiguos y pesados. Esta eficiencia significa que un científico podría potencialmente dejar un dispositivo pequeño funcionando en una incubadora durante días, observando cómo las células se dividen y se mueven, con el dispositivo analizando los datos instantáneamente y alertando al investigador solo cuando algo importante sucede.

Los investigadores también verificaron que su método de predecir qué tan rápido funcionaría un programa era preciso. Compararon las estimaciones de su computadora contra el tiempo real que tardaron los programas en ejecutarse en el hardware físico. Las estimaciones fueron muy cercanas a la realidad, con los tiempos predichos difiriendo de los tiempos reales por menos de un 11 por ciento en la mayoría de los dispositivos. Esta confiabilidad es crucial porque significa que los científicos pueden confiar en que el sistema encontrará el diseño correcto sin tener que probar cada una de las posibilidades en el hardware real, lo cual sería demasiado lento y costoso. Al demostrar que estos programas ligeros y construidos a medida pueden manejar la complejidad de los datos biológicos reales, el estudio abre la puerta a una nueva era de investigación biológica portátil y en tiempo real.

Este trabajo sugiere que el futuro de la observación celular puede no depender de supercomputadoras masivas, sino de dispositivos pequeños e inteligentes que puedan pensar por sí mismos. Los investigadores demostraron que, al equilibrar cuidadosamente la necesidad de velocidad y memoria con la necesidad de precisión, es posible crear herramientas que sean tanto potentes como prácticas. Su método no solo hace que la tecnología existente sea más rápida; cambia fundamentalmente cómo se crean estas herramientas, permitiéndoles adaptarse a las restricciones específicas del dispositivo en el que funcionarán. A medida que estos dispositivos pequeños se vuelvan más comunes en los laboratorios, este enfoque podría permitir un nivel de monitoreo continuo y en tiempo real que antes era imposible, brindando a los científicos una visión más clara e inmediata del mundo dinámico de la célula.

Resumen Técnico: Búsqueda de Arquitectura Neuronal Adaptativa Impulsada por la Entropía para la Segmentación de Células en Dispositivos de Borde (Edge)

Declaración del Problema
La segmentación precisa y en tiempo real de células en imágenes de microscopía es esencial para la investigación biomédica, particularmente para el monitoreo de procesos celulares dinámicos como la migración y la proliferación. Si bien el aprendizaje profundo ha mejorado la precisión de la segmentación, el despliegue de estos modelos en dispositivos de borde (por ejemplo, microscopios de incubadora) presenta desafíos significativos. Los dispositivos de borde poseen potencia computacional, memoria y recursos de energía limitados. Además, el diseño manual de arquitecturas de red óptimas para diversos tipos de células y métodos de tinción es laborioso y requiere experiencia. Los métodos existentes de Búsqueda de Arquitectura Neuronal (NAS) a menudo no tienen en cuenta las restricciones específicas del hardware, lo que resulta en arquitecturas demasiado complejas o con un uso intensivo de memoria. Adicionalmente, los métodos de NAS estándar conscientes del hardware suelen estar diseñados para la clasificación de imágenes y carecen de las capacidades de extracción de características multiescala requeridas para la segmentación de microscopía de alta resolución.

Metodología
Los autores proponen un marco de trabajo de NAS consciente del hardware basado en la arquitectura U-Net, diseñado específicamente para la segmentación de células vivas en dispositivos con recursos restringidos. El método consta de tres componentes principales:

Construcción del Espacio de Búsqueda:
- Topología: El marco utiliza una estructura U-Net con vías de codificador-decodificador. A diferencia de otros métodos que utilizan bloques repetitivos, este enfoque construye la red con bloques de construcción no repetitivos, permitiendo que las Operaciones Básicas (BO) difieran dentro de cada bloque para una captura de características flexible.
- Operaciones: El espacio de búsqueda incluye un conjunto curado de BO (Convolución, Convolución Atroz, Convolución de Mezcla/Shuffle, Convolución de Profundidad/Depthwise-separable, Squeeze-and-Excitation, Identidad y "Ninguna"). El operador "Ninguna" permite omitir nodos, lo que permite la escasez estructural.
- Poda: Las operaciones de upsampling y downsampling (Max Pooling y Convolución Transpuesta) son fijas para reducir el espacio de búsqueda, mientras que la búsqueda se centra en la composición interna de las unidades del codificador/decodificador.
Estrategia de Búsqueda Consciente del Hardware:
- Optimización Multiobjetivo: La búsqueda minimiza una función de pérdida compuesta: $L_{total} = w_1 \cdot L_{ce} + w_2 \cdot \text{Latencia} + w_3 \cdot \text{Memoria} - w_4 \cdot H$ .
- Estimación de Latencia y Memoria: Para evitar el costo prohibitivo de ejecutar cada arquitectura candidata en el hardware objetivo, el método emplea Tablas de Consulta (LUTs) específicas para cada dispositivo. Estas LUTs almacenan la latencia y el uso de memoria de las BO individuales medidas en dispositivos de borde específicos (Jetson Nano, PYNQ-Z2, ZUBoard-1CG, Raspberry Pi 5, y Raspberry Pi 5 con HAILO-8).
- Restricciones Blandas: En lugar de cortes estrictos que descartan arquitecturas que exceden ligeramente los umbrales, el método aplica términos de penalización cuadrática para las violaciones de los límites de latencia ( $T_{latency}$ ) y memoria ( $T_{memory}$ ). Esto permite que la búsqueda explore soluciones cercanas a la viabilidad mientras desincentiva las que son inviables.
Optimización Impulsada por la Entropía:
- Para contrarrestar la posible pérdida de precisión en la segmentación causada por restricciones de hardware agresivas (que pueden derivar en redes excesivamente dispersas), los autores introducen un mecanismo impulsado por la entropía.
- La entropía de información ( $H$ ) se calcula basándose en la entropía diferencial de las activaciones de los mapas de características (asumiendo una distribución Gaussiana).
- Maximizar la entropía sirve como un término de recompensa, fomentando que la red mantenga representaciones de características diversas e informativas incluso cuando está limitada por el hardware. Esto evita que el modelo colapse en configuraciones excesivamente simples que degradan el rendimiento.

Contribuciones Clave

NAS para Microscopía Consciente del Hardware: El artículo presenta un método de NAS adaptado específicamente para la segmentación de células, abordando los requisitos de características multiescala de las imágenes de microscopía que los métodos genéricos de NAS conscientes del hardware suelen pasar por alto.
Mecanismo Impulsado por la Entropía: La introducción de un término de regularización basado en la entropía para equilibrar las restricciones de hardware con la capacidad de representación de características es una contribución novedosa, asegurando que las ganancias de eficiencia no se produzcan a expensas de la precisión crítica de la segmentación.
Arquitectura U-Net No Repetitiva: El marco se aleja de los diseños de bloques repetitivos, permitiendo arquitecturas adaptativas y flexibles donde las operaciones varían a través de diferentes escalas.
Evaluación Exhaustiva: El método se evalúa en cinco plataformas de hardware de borde distintas y diez conjuntos de datos de imágenes de células vivas en 2D del Cell Tracking Challenge (CTC), cubriendo diversas modalidades (Campo claro, DIC, Fluorescencia, Contraste de fase) y tipos de células.

Resultados

Rendimiento de Segmentación: En los conjuntos de datos de CTC, el método propuesto logró un rendimiento competitivo de estado del arte en las métricas SEG (solapamiento) y DET (detección). Por ejemplo, en el subconjunto BF-C2DL-HSC, alcanzó una puntuación SEG de 0.825 y DET de 0.990, superando o igualando a otros modelos basados en NAS como NAS-UNet, BiX-NAS y Auto-DeepLab.
Eficiencia de Hardware: Los modelos propuestos demostraron una latencia y un uso de memoria significativamente menores en comparación con los modelos estándar como nnU-Net y AdwU-Net. En la Jetson Nano, el método logró tiempos de inferencia alrededor de 58 ms con un tamaño de modelo de solo 10 MB, mientras que nnU-Net requería 278 ms y 37 MB.
Estudios de Ablación:
- Penalizaciones de Hardware: El estudio confirmó que las penalizaciones conscientes del hardware podan eficazmente los parámetros superfluos y aumentan el uso del operador "Ninguna", reduciendo el tamaño del modelo sin una pérdida catastrófica de precisión.
- Optimización de la Entropía: Se demostró que el término impulsado por la entropía acelera la convergencia durante la fase de búsqueda y mejora el rendimiento final de SEG. Logró compensar la pérdida de capacidad de representación causada por las restricciones de hardware, produciendo un modelo con mejor precisión que la misma arquitectura sin optimización de entropía, manteniendo un tamaño de modelo similar.
- Validación de las LUT: El estimador de latencia basado en LUT mostró una alta consistencia con la latencia real medida en el hardware (Spearman's $\rho > 0.94$ en todos los dispositivos), validando su uso como un proxy eficiente durante el proceso de búsqueda.

Significancia y Reivindicaciones
Los autores afirman que su marco logra cerrar la brecha entre la segmentación de células de alta precisión y las estrictas limitaciones de recursos de los dispositivos de borde. Al integrar las restricciones de hardware directamente en el proceso de búsqueda y utilizar la entropía para preservar la diversidad de las características, el método produce arquitecturas que son tanto eficientes como precisas. El artículo posiciona este trabajo como una solución para el monitoreo en tiempo real y distribuido de actividades celulares en entornos similares a incubadoras, donde la dependencia de estaciones de trabajo de escritorio o servidores es impráctica debido a las limitaciones de ancho de banda y computación. El estudio enfatiza que el enfoque propuesto logra un equilibrio favorable, permitiendo el análisis de imágenes celulares confiable y en tiempo real en diversas plataformas de hardware de baja potencia sin requerir el diseño manual de la arquitectura.

Más como este