Es noticia
Más resolución con menos píxeles: este hombre revoluciona la cámara de tu móvil
  1. Tecnología
  2. Ciencia
con un solo pixel es más que suficiente

Más resolución con menos píxeles: este hombre revoluciona la cámara de tu móvil

Un artículo conjunto de Emmanuel Candés y Terence Tao frenó en seco la carrera por ver quién tiene más megapixeles y de paso, mejoró la vida a miles de pacientes

Foto:

Considere algo tan sencillo como tomar una foto con su teléfono móvil. La pequeña lente se abre y la luz penetra, en un instante el sensor ha detectado los fotones y los ha transformado en impulsos eléctricos y a continuación en millones de píxeles, cada uno con un cierto color o luminosidad. De repente, todos esos píxeles juntos representan en la pantalla de su 'smartphone' la foto que acaba de tomar.

Eso ha generado un archivo bastante pesado, ya que el sensor ha recogido toda la información disponible para poder mostrar la imagen con la mayor precisión posible. Pero si usted envía esa foto por WhatsApp o e-mail, su teléfono la comprime, es decir, elimina los datos superfluos para poder enviar una copia casi exacta —las diferencias entre una fotografía que pesa 4 megas y su equivalente comprimido son imperceptibles a simple vista— de la misma fotografía.

Foto: olvidate-del-numero-de-megapixeles-lo-que-importa-es-su-tamano

Ahí fue cuando Emmanuel Candès, un estadístico francés que trabaja en la Universidad de Stanford, pensó: ¿para qué recopilar todos esos píxeles si luego vamos a descartar los que no sean esenciales? ¿No sería más sencillo que la cámara capturara sólo aquella información que va a necesitar? Hace algo más de diez años, Candés se reunió con Terence Tao (matemático de la Universidad de California y ganador de la prestigiosa medalla Fields en 2006) para escribir un artículo científico que sentó las bases de una nueva disciplina: la adquisión compresiva o 'compressed sensing'.

Lo que hace esta técnica es utilizar un puñado de puntos clave en la imagen para lograr reconstruirla a posteriori con el uso de algoritmos y computación. Así, han logrado imágenes con la misma calidad pero una milésima parte de la información necesaria para una fotografía en alta definición.

placeholder A la izquierda, imagen original con un millón de píxeles. A la derecha, reconstrucción a partir de 100.000 puntos aleatorios hecha con la técnica 'compressed sensing'.
A la izquierda, imagen original con un millón de píxeles. A la derecha, reconstrucción a partir de 100.000 puntos aleatorios hecha con la técnica 'compressed sensing'.

Esto incrementa también la velocidad de captura, lo que abre un abanico de nuevas posibilidades. Por ejemplo, el último 'smartphone' de Google, el Pixel 2XL es uno de los más avanzados en fotografía computacional y supera a otros teléfonos de gama alta pese a no tener tantos megapíxeles o cámaras integradas como sus competidores.

Los primeros que estuvieron interesados en esta tecnología no fueron Nikon o Kodak, sino un grupo de radiólogos: en muchos casos, realizar una Resonancia Magnética por Imágenes (MRI) para detectar un cáncer, daño cerebral o vascular en un paciente requiere que éste permanezca totalmente quieto durante periodos de tiempo bastante largos. En ocasiones, hasta el latido de corazón de un bebé puede alterar la precisión de estas imágenes.

En electrónica de consumo, la rompedora idea de Candés está llevando a muchos laboratorios a repensar la carrera por el megapíxel. Otros, incluso, están detrás de lanzar una cámara de un solo píxel capaz de igualar en resolución a otras lentes, como la del iPhone, con 12 millones de píxeles detrás.

placeholder Una cámara de un solo pixel creada con Arduino (Arduining)
Una cámara de un solo pixel creada con Arduino (Arduining)

El matemático francés, sin embargo, está ya a otras cosas. Teknautas ha aprovechado su presencia en Madrid, donde ha llegado para participar como jurado del premio Fronteras del Conocimiento de la Fundación BBVA, para hablar sobre el impacto de sus investigaciones en la fotografía digital, la medicina y muchas otras aplicaciones.

Señor Candés, yo que venía a preguntarle por sus trabajos en óptica o compresión de imágenes con algoritmos y resulta que ya no se dedica a esto.

Me estoy alejando poco a poco del campo del 'compressed sensing' sí, ahora estoy más interesado en encontrar mutaciones en genes que puedan tener una influencia sobre patologías de interés, como el nivel de colesterol. Tenemos acceso a bases de datos enormes, y el objetivo último es tratar de identificar información genética, sobre mutaciones, que tengan un efecto en la salud.

Menudo cambio, ¿no?

Sí, y como mencionaba, tenemos datos de 5.000 personas, es decir, millones de tipos de mutaciones.

¿Y qué aplicaciones vislumbra para esto?

Saber qué genes conducen a qué enfermedades abre la puerta a nuevas terapias, y actualmente no tenemos muchas teorías sobre esto pero disponemos de bases de datos extremadamente completas. Hoy en día podemos recolectar mucha información sobre individuos, secuenciarla y ver la frecuencia de los alelos para anticipar si tiene alguna enfermedad. Pero como estamos mirando al mismo tiempo muchísimos genes y muchísimas explicaciones, no podemos fijarnos solo en las cosas más llamativas: tenemos que ser muy cuidadosos con lo que hacemos.

Usted es matemático y estadístico, ¿cómo se metió en la óptica digital y luego ha saltado a la genética con tanta facilidad?

Me interesa mucho la relación entre la estadística y el 'big data' y construir herramientas para lograr descubrimientos que sean científicamente significativos. Una cosa que tengo que aprender es a escalar, es decir, atreverme a usar las herramientas que he ido creando con bases de datos muy ambiciosas. Eso requiere emplear ciertas técnicas de las que, en este momento, no dispongo, así que me gustaría emplear algo más de tiempo en desarrollarlas.

placeholder Una resonancia magnética abdominal realizada con el método convencional (derecha) y 'compressed sensing'.
Una resonancia magnética abdominal realizada con el método convencional (derecha) y 'compressed sensing'.

Parecen campos diferentes, pero hay similitudes en su enfoque. Con las imágenes buscaban datos esenciales a partir de las cuales reconstruir las fotos y aquí ocurre un poco lo mismo: de millones de genes seleccionan aquellos que pueden cambiarlo todo.

Es una buena forma de verlo, creo que lo que tienen en común es la escasez, en ambos problemas tienes altas dimensiones: en una el número de píxeles que quieres reconstruir y aquí el número de mutaciones, pero en ambos casos prevalece la escasez: no cualquier píxel sirve para reconstruir y no cualquier mutación acaba teniendo un efecto, es cierto que hay una gran conexión.

Cada vez los sensores son más baratos y más pequeños. En el exterior los estamos usando para medir la calidad del aire o el tráfico. ¿Vamos a llenar también de sensores el interior de nuestro cuerpo para monitorizar en tiempo real nuestro nivel de colesterol o de oxígeno, va la ciencia en esa dirección?

No lo sé. Sé que en España, como en todos los países, hay cada vez más aplicaciones para dispositivos móviles, aplicaciones con las que la gente puede vivir y que quizá puedan servir para mejorar su salud. Pienso por ejemplo en esa que mide los pasos que das, y te anima a caminar aún más.

A lo que iba es que quizá en el futuro podamos combinar nuestro perfil genético con este tipo de datos, recogidos por apps o sensores, para poder decir, por ejemplo, 'usted debería caminar al menos cuatro kilómetros diarios y su hermano seis'.

El de las recomendaciones personalizadas es un tema delicado, porque podemos acabar midiendo cosas a un nivel muy granular en el que el tamaño de las muestras no sea demasiado grande. Estas recomendaciones estarán basadas en una gran incertidumbre, porque quizá no haya demasiada gente con su genotipo, edad, viviendo en Madrid, etcétera. Tenemos que ser cuidadosos y no tratar de llegar lejos extrayendo conclusiones de muy pocos datos.

El método científico ha sido invertido, donde antes teníamos hipótesis ahora tenemos datos, y a partir de ellos generamos la tesis

Al hilo de esto, ha dicho usted que la estadística está cambiando, ¿lo está haciendo también la ciencia?

Muchas cosas están cambiando en la estadística. Una, en el área que la gente asocia más con el 'machine learning' y lo que la gente llama inteligencia artificial. Aquí está habiendo una revolución en el sentido que hablábamos antes: disponemos de enormes tamaños de muestra y conjuntos de datos, por ejemplo en problemas de imagen: podemos reconocer objetos con precisión y hacer ciertas tareas porque tenemos conjuntos de datos muy grandes para entrenar a las máquinas. El otro aspecto de la estadística es el que llamamos inferencial, y también está cambiando muchísimo, es un momento muy excitante para nuestro campo.

¿Por qué está cambiando tanto el aspecto inferencial?

La razón es que antes la estadística estaba basada en que la ciencia funciona planteando distintas hipótesis y luego haces experimentos para ver si tus predicciones eran correctas. Esta forma de pensar fue oficializada por el estadístico Ronald Fisher, que creó un modelo que sirvió para lanzar predicciones en base a los datos recogidos.

Hay muchos campos de la ciencia que ahora mismo están ahogándose en datos

Fue fundamental para el avance del diseño experimental en el siglo XX, especialmente en campos como la genética.

Pero ahora vivimos en un mundo diferente. Ya no empezamos con una teoría científica o una hipótesis, sino con datos. Antes teorizabas que un gen tenía una función, hacías experimentos y veías si era cierto o no. Ahora no hay hipótesis, sino que puedo medir los niveles de expresión de miles de genes al mismo tiempo y cruzar ese set de datos con decenas de miles de hipótesis. Si quiere ponerlo así, el método científico ha sido invertido, donde antes teníamos tesis ahora tenemos datos, y a partir de ellos generamos la hipótesis. Es un campo nuevo, ya no es lo que los 'padres fundadores' de la estadística tenían en mente.

Pero esto no se aplica sólo a la estadística sino a cualquier disciplina científica.

Creo que la estadística inferencial es especialmente sensible a este cambio, pero sí, hay muchos otros campos de la ciencia que ahora mismo están ahogándose en datos.

Considere algo tan sencillo como tomar una foto con su teléfono móvil. La pequeña lente se abre y la luz penetra, en un instante el sensor ha detectado los fotones y los ha transformado en impulsos eléctricos y a continuación en millones de píxeles, cada uno con un cierto color o luminosidad. De repente, todos esos píxeles juntos representan en la pantalla de su 'smartphone' la foto que acaba de tomar.

Inteligencia Artificial Matemáticas