Новый инструмент на основе ИИ улучшает сегментацию изображений корней

Понимание скрытой половины живого растения — корней — критически важно для устойчивого развития. Корни — это не просто якорь, а динамичный интерфейс между растением и почвой, ключевой для поглощения воды, питательных веществ и выживания растения.

Чтобы повысить урожайность и создать устойчивые к изменению климата культуры, ученые из Отделения прикладной математики и вычислительных исследований (AMCR) и Отделения экологической геномики и системной биологии (EGSB) Национальной лаборатории им. Лоуренса в Беркли (Berkeley Lab) совершили значительный прорыв. Их новейшая разработка, RhizoNet, использует искусственный интеллект (ИИ), чтобы изменить подход к изучению корней растений.

Этот новаторский инструмент, описанный в исследовании, опубликованном 5 июня в Scientific Reports, революционизирует анализ изображений корней, автоматизируя процесс с исключительной точностью. Традиционные методы, трудоемкие и подверженные ошибкам, не справляются со сложной и запутанной природой корневых систем.

RhizoNet использует современный подход на основе глубокого обучения, позволяя исследователям с высокой точностью отслеживать рост корней и биомассу. Используя усовершенствованную архитектуру на основе сверточной нейронной сети, этот вычислительный инструмент семантически сегментирует корни растений для комплексной оценки биомассы и роста.

Как пояснила Даниэла Ушизима, ведущий исследователь программного обеспечения на основе ИИ из Berkeley Lab: «Способность RhizoNet стандартизировать сегментацию и фенотипирование корней представляет собой существенный прогресс в систематическом и ускоренном анализе тысяч изображений».

В чем сложность анализа корней?

Традиционный анализ корней опирался на планшетные сканеры и ручные методы сегментации, которые не только требуют много времени, но и подвержены ошибкам, особенно в крупных исследованиях с множеством растений. Сегментацию изображений корней также значительно осложняют естественные явления, такие как пузырьки, капли, блики и тени.

Сложная структура корней и наличие шумного фона еще больше затрудняют процесс автоматического анализа. Эти проблемы особенно остры на малых пространственных масштабах, где тонкие структуры иногда имеют ширину всего в один пиксель.

EGSB недавно представила последнюю версию (2.0) EcoFAB — нового гидропонного устройства, которое облегчает in-situ визуализацию растений, предлагая детальный обзор корневых систем. EcoFAB является частью автоматизированной экспериментальной системы, предназначенной для проведения воспроизводимых экспериментов.

RhizoNet обрабатывает цветные сканы растений, выращенных в EcoFAB в условиях определенных питательных обработок. Он использует сложную архитектуру Residual U-Net (архитектура для семантической сегментации, улучшающая оригинальный U-Net за счет добавления остаточных связей), специально адаптированную для условий EcoFAB, что значительно повышает точность прогнозирования.

Система также интегрирует процедуру выпуклой оболочки (convexification), которая помогает выделить идентифицированные корни из временных рядов и быстро отделить основные корневые компоненты от сложного фона. Это ключ для точного мониторинга биомассы корней и роста с течением времени.

В статье подробно описано, как исследователи использовали EcoFAB и RhizoNet для обработки сканов корней растений Brachypodium distachyon (небольшой вид травы), подвергнутых различным условиям дефицита питательных веществ в течение примерно пяти недель. Эти изображения, сделанные каждые три-семь дней, предоставляют важные данные.

«Мы значительно продвинулись в сокращении ручного труда в экспериментах по выращиванию растений с помощью EcoBOT, и теперь RhizoNet сокращает ручной труд при анализе генерируемых данных», — отметил Питер Андир, научный сотрудник EGSB и ведущий разработчик EcoBOT. «Это увеличивает нашу пропускную способность и приближает нас к цели создания самоуправляемых лабораторий».

Ресурсы Национального центра научных вычислений для исследований в области энергетики (NERSC) — пользовательского объекта Министерства энергетики США (DOE), расположенного в Berkeley Lab, — использовались для обучения RhizoNet и выполнения выводов.

«EcoBOT способен автоматически собирать изображения, но он не мог определить, реагирует ли растение на различные изменения окружающей среды, живо ли оно, растет ли», — объяснила Ушизима. «Измеряя корни с помощью RhizoNet, мы получаем подробные данные о биомассе и росте корней, чтобы обеспечить всестороннее, количественное понимание».

«Чтобы проанализировать сложные изображения растений с EcoBOT, мы создали новую сверточную нейронную сеть для семантической сегментации», — добавила Зинеб Сордо, инженер компьютерных систем в AMCR, работающая над проектом в качестве специалиста по данным. «RhizoNet обрабатывает зашумленные изображения, обнаруживая корни растений, чтобы можно было рассчитать биомассу и рост».

Один патч за раз

В ходе настройки модели выяснилось, что использование меньших фрагментов изображения (image patches) значительно повышает производительность модели. В этих патчах каждый нейрон в ранних слоях искусственной нейронной сети имеет меньшее рецептивное поле. Это позволяет модели более эффективно улавливать мелкие детали.

Такой подход не только улучшает способность модели обобщать данные для новых изображений EcoFAB, но и повышает ее устойчивость, позволяя сосредоточиться на тонких объектах. Меньшие патчи также помогают предотвратить дисбаланс классов, исключая редко размеченные патчи.

Результаты команды показывают высокую точность, прецизионность, полноту и метрику Intersection over Union (IoU) для патчей меньшего размера, что демонстрирует улучшенную способность модели отличать корни от других объектов или артефактов.

Для проверки производительности прогнозов корней в статье сравнивается прогнозируемая биомасса корней с фактическими измерениями. Линейный регрессионный анализ выявил значительную корреляцию, подчеркивая точность автоматизированной сегментации по сравнению с ручной разметкой, которая часто не может отличить тонкие пиксели корней от похожего шума.

Это исследование демонстрирует практическое применение RhizoNet в текущих исследованиях и закладывает основу для будущих инноваций в области устойчивых энергетических решений и технологий секвестрации углерода с использованием растений и микробов.

«Наши следующие шаги включают в себя совершенствование возможностей RhizoNet для дальнейшего улучшения обнаружения и паттернов ветвления корней растений», — сказала Ушизима. «Мы также видим потенциал в адаптации и применении этих алгоритмов глубокого обучения для корней в почве, а также для новых исследований в материаловедении».