Cellflow: Avance de la aumentación de imágenes patológicas desde vistas espaciales hasta trayectorias temporales

Área de la Ciencia:

• Patología Computacional; Análisis de Imágenes Médicas; Inteligencia Artificial

Sus antecedentes:

• El aprendizaje profundo en patología está limitado por la escasa cantidad de datos anotados para tareas de grano fino.
• Los métodos existentes de aumentación de datos espaciales carecen de plausibilidad morfológica y conciencia temporal.

Objetivo del estudio:

• Presentar Cellflow, el primer marco generativo temporalmente consciente para la aumentación de imágenes patológicas.
• Modelar las transiciones patológicas como trayectorias temporales biológicamente plausibles.

Principales métodos:

• Cellflow utiliza un puente de difusión escalonado con EDOs de flujo de probabilidad guiados por clasificador.
• Genera estados intermedios que capturan detalles a nivel celular y tisular.

Principales resultados:

• Cellflow supera la aumentación espacial y los modelos generativos en 7 conjuntos de datos diversos.
• Se logró un mejor rendimiento de clasificación, fidelidad de imagen y coherencia temporal.
• El análisis cuantitativo validó la autenticidad biológica de las secuencias de transición generadas.

Conclusiones:

• Cellflow representa un cambio de paradigma en la aumentación de datos patológicos, pasando del modelado espacial al temporal.
• Permite el entrenamiento robusto de modelos, la exploración de enfermedades raras y simulaciones educativas en patología computacional.