Новый инструмент на основе искусственного интеллекта улучшает сегментацию корневых изображений

В мире, стремящемся к устойчивому развитию, понимание скрытой половины живого растения — корней — имеет решающее значение. Корни — это не просто якорь; они представляют собой динамический интерфейс между растением и почвой, имеющий решающее значение для поглощения воды, поглощения питательных веществ и, в конечном итоге, для выживания растения.

В исследовании по повышению урожайности сельскохозяйственных культур и созданию культур, устойчивых к изменению климата, ученые из отделов прикладной математики и вычислительных исследований (AMCR) и экологической геномики и системной биологии (EGSB) Национальной лаборатории Лоуренса Беркли (Berkeley Labs) сделали значительный шаг вперед. Их последняя инновация, RhizoNet, использует возможности искусственного интеллекта (ИИ), чтобы изменить методы изучения корней растений, предлагая новое понимание поведения корней в различных условиях окружающей среды.

Этот новаторский инструмент, подробно описанный в исследовании, опубликованном 5 июня в журнале Научные отчеты, совершает революцию в анализе корневых образов, автоматизируя процесс с исключительной точностью. Традиционные методы, трудоемкие и подверженные ошибкам, терпят неудачу, когда сталкиваются со сложной и запутанной природой корневых систем.

RhizoNet использует современный подход глубокого обучения, позволяющий исследователям с точностью отслеживать рост корней и биомассу. Используя усовершенствованную магистраль на основе глубокого обучения на основе сверточной нейронной сети, этот новый вычислительный инструмент семантически сегментирует корни растений для всесторонней оценки биомассы и роста, изменяя способ анализа корней растений в лабораториях и стимулируя усилия по созданию беспилотных лабораторий.

Как объяснила Даниэла Ушизима из Berkeley Lab, ведущий исследователь программного обеспечения, управляемого искусственным интеллектом: «Способность RhizoNet стандартизировать сегментацию корней и фенотипирование представляет собой существенный прогресс в систематическом и ускоренном анализе тысяч изображений. Это нововведение играет важную роль в нашей постоянной работе. усилия по повышению точности определения динамики роста корней в различных условиях растений».

Добираемся до корней

Для анализа корней традиционно использовались планшетные сканеры и методы ручной сегментации, которые не только отнимают много времени, но и подвержены ошибкам, особенно в обширных исследованиях на нескольких предприятиях. Сегментация корневого изображения также представляет собой серьезные проблемы из-за таких природных явлений, как пузырьки, капли, отражения и тени.

Сложная природа корневых структур и наличие зашумленного фона еще больше усложняют процесс автоматического анализа. Эти сложности особенно остро проявляются в меньших пространственных масштабах, где тонкие структуры иногда имеют ширину всего в пиксель, что делает ручное аннотирование чрезвычайно сложным даже для опытных аннотаторов.

EGSB недавно представил последнюю версию (2.0) EcoFAB, нового гидропонного устройства, которое облегчает визуализацию растений in-situ, предлагая детальное представление корневых систем растений. EcoFAB, разработанный в результате сотрудничества EGSB, Объединенного института генома Министерства энергетики (JGI) и подразделения наук о климате и экосистемах в лаборатории Беркли, является частью автоматизированной экспериментальной системы, предназначенной для проведения сфабрикованных экосистемных экспериментов, которые повышают воспроизводимость данных.

RhizoNet, который обрабатывает цветные сканы растений, выращенных в EcoFAB и подвергнутых специальной питательной обработке, решает научные проблемы анализа корней растений. Он использует сложную архитектуру Residual U-Net (архитектура, используемая для семантической сегментации, которая улучшает исходную U-Net за счет добавления остаточных связей между входными и выходными блоками в пределах одного и того же уровня, то есть разрешения, как в путях кодирования, так и в декодере) для обеспечить сегментацию корней, специально адаптированную к условиям EcoFAB, что значительно повышает точность прогнозирования.

В систему также интегрирована процедура овыпукливания, которая служит для инкапсуляции идентифицированных корней из временных рядов и помогает быстро отделить основные корневые компоненты от сложного фона. Эта интеграция является ключом к точному мониторингу биомассы и роста корней с течением времени, особенно у растений, выращенных при различных питательных обработках в EcoFAB.

Чтобы проиллюстрировать это, в новой статье подробно описано, как исследователи использовали EcoFAB и RhizoNet для обработки сканирования корней растений Brachypodium distachyon (маленький вид травы), подвергнутых различным условиям лишения питательных веществ в течение примерно пяти недель. Эти изображения, сделанные каждые три-семь дней, предоставляют важные данные, которые помогают ученым понять, как корни адаптируются к изменяющейся среде. Высокая пропускная способность EcoBOT, новой системы получения изображений для EcoFAB, предлагает исследовательским группам возможность систематического экспериментального мониторинга — при условии быстрого анализа данных.

«Мы добились значительного прогресса в сокращении ручной работы, связанной с экспериментами по выращиванию растений, с помощью EcoBOT, и теперь RhizoNet сокращает ручную работу, необходимую для анализа генерируемых данных», — отметил Питер Андир, ученый-исследователь из EGSB и ведущий разработчик EcoBOT, который сотрудничал с Ушизимой в этой работе. «Это увеличивает нашу производительность и приближает нас к цели создания беспилотных лабораторий».

Ресурсы Национального научно-вычислительного центра энергетических исследований (NERSC) — пользовательского центра Министерства энергетики США (DOE), расположенного в лаборатории Беркли — использовались для обучения RhizoNet и выполнения логических выводов, что позволило использовать возможности компьютерного зрения в EcoBOT, отметил Ушизима.

«EcoBOT способен автоматически собирать изображения, но он не смог определить, реагирует ли растение на различные изменения окружающей среды живым или нет, растет или нет», — пояснил Ушизима. «Измеряя корни с помощью RhizoNet, мы собираем подробные данные о биомассе и росте корней не только для определения жизнеспособности растений, но и для предоставления комплексной количественной информации, которую нелегко наблюдать обычными методами. После обучения модели ее можно повторно использовать для нескольких эксперименты (невидимые растения)».

«Чтобы проанализировать сложные изображения растений, полученные с помощью EcoBOT, мы создали новую сверточную нейронную сеть для семантической сегментации», — добавил Зинеб Сордо, инженер компьютерных систем в AMCR, работающий специалистом по данным в этом проекте.

«Наша цель состояла в том, чтобы разработать оптимизированный конвейер, который использует предварительную информацию о временных рядах для повышения точности модели, помимо ручных аннотаций, выполняемых к одному кадру. RhizoNet обрабатывает зашумленные изображения, обнаруживая корни растений на изображениях, чтобы можно было рассчитать биомассу и рост».

Один патч за раз

Результаты настройки модели показали, что использование меньших фрагментов изображения значительно повышает производительность модели. В этих участках каждый нейрон ранних слоев искусственной нейронной сети имеет меньшее рецептивное поле. Это позволяет модели более эффективно улавливать мелкие детали, обогащая скрытое пространство разнообразными векторами признаков.

Этот подход не только улучшает способность модели обобщать невидимые изображения EcoFAB, но также повышает ее надежность, позволяя ей фокусироваться на тонких объектах и ​​фиксировать сложные узоры, несмотря на различные визуальные артефакты.

Меньшие патчи также помогают предотвратить дисбаланс классов, исключая редко помеченные патчи — те, которые содержат менее 20% аннотированных пикселей, преимущественно фоновых. Результаты команды демонстрируют высокую точность, точность, полноту и пересечение через объединение (IoU) для участков меньшего размера, демонстрируя улучшенную способность модели отличать корни от других объектов или артефактов.

Чтобы проверить эффективность прогнозов корней, в документе сравнивается прогнозируемая биомасса корней с фактическими измерениями. Линейный регрессионный анализ выявил значительную корреляцию, подчеркнув точность автоматической сегментации по сравнению с ручными аннотациями, которые часто с трудом отличают тонкие корневые пиксели от похожего на вид шума. Это сравнение подчеркивает проблему, с которой сталкиваются люди-аннотаторы, и демонстрирует расширенные возможности моделей RhizoNet, особенно при обучении на участках меньшего размера.

Авторы отметили, что это исследование демонстрирует практическое применение RhizoNet в текущих исследовательских условиях и закладывает основу для будущих инноваций в области устойчивых энергетических решений, а также технологий улавливания углерода с использованием растений и микробов. Исследовательская группа с оптимизмом смотрит на последствия своих выводов.

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

«Мы изучаем итеративные протоколы обучения, оптимизацию гиперпараметров и использование нескольких графических процессоров. Эти вычислительные инструменты предназначены для помощи научным группам в анализе разнообразных экспериментов, записанных в виде изображений, и имеют применимость во многих областях».