Un traductor con diccionario de bolsillo: cómo entrenar una red neuronal con unas pocas máscaras ✛

‹›

Un traductor que consulta tanto su experiencia de años como un diccionario de bolsillo traduce con más precisión que quien se fía de una sola de esas fuentes. En la segmentación de imágenes de microscopía, el papel de la experiencia lo desempeñan las características congeladas de una gran red neuronal, y el del diccionario, un conjunto de filtros clásicos calculados directamente sobre la imagen. Cuando hay poca anotación, combinarlos en una cabeza ligera produce un resultado inalcanzable por separado.

Al biólogo que quiere resaltar estructuras en un nuevo conjunto de imágenes se le suelen ofrecer dos caminos. Las herramientas especializadas como Cellpose o StarDist reconocen bien las células, pero no sirven para vasos o membranas, y reajustarlas requiere nuevas anotaciones. Los modelos con indicaciones de la familia Segment Anything son más versátiles, pero hay que guiarlos en el momento de la inferencia, no ajustarlos a la tarea con un pequeño número de ejemplos. El método Exemplar elige un tercer camino: toma una red DINOv3 ya entrenada, congela sus pesos y añade encima una pequeña cabeza entrenable. La cabeza observa dos escalas: una cuadrícula gruesa de todo el fotograma y una cuadrícula fina obtenida dividiendo en ventanas. Ambas escalas se proyectan a 32 canales y se elevan a la resolución original mediante un filtro guiado que aprende a desviarse de la interpolación bilineal solo a lo largo de los bordes.

Los experimentos en once conjuntos de datos biomédicos muestran que, con ocho máscaras de referencia, Exemplar alcanza un valor medio de 0,782 en las métricas asignadas. Frente a cinco métodos de paso directo, lidera en 54 de 55 comparaciones, de las cuales 52 son significativas tras la corrección de Holm. Con una sola máscara de referencia, Exemplar obtiene 0,703 en los once conjuntos, mientras que el mejor método de paso directo con dieciséis máscaras alcanza solo 0,519. En comparación con nnU-Net entrenado desde cero con las mismas máscaras, con ocho máscaras nnU-Net va por delante (0,803 frente a 0,782), pero con una máscara Exemplar gana (0,703 frente a 0,682), y su tiempo de entrenamiento es de 16 a 77 veces menor.

La ablación revela por qué son necesarias ambas fuentes. El banco de prioris clásicos por sí solo da 0,693; las características congeladas, 0,672; y juntos, 0,782. El banco es más fuerte en estructuras finas, como los vasos de la retina, donde añade 0,225 a la métrica centreline Dice. Las características congeladas manejan mejor los esferoides. Hasta este trabajo no estaba claro qué fuente era más fuerte con pocas máscaras densas y si podían combinarse con ventaja. Ahora está claro: se complementan, no compiten.

El traductor con diccionario de bolsillo ya es útil en el laboratorio. El método puede aplicarse para anotar rápidamente nuevos conjuntos de datos de microscopía cuando solo se dispone de unas pocas imágenes anotadas, especialmente si las estructuras son finas o heterogéneas. El siguiente paso es sustituir la optimización por gradiente de la cabeza por una actualización cerrada o incremental, de modo que el modelo se reentrene en segundos al añadir cada nueva máscara. Entonces el traductor no solo podrá traducir, sino también sugerir qué imagen anotar a continuación.