Применение ИИ для неразрушающей визуализации и фенотипирования корней in situ

Корни играют ключевую роль в росте растений, но традиционные методы их изучения требуют много ресурсов и являются разрушительными. С развитием методов обработки изображений появились инновационные способы для изучения корней in situ, обеспечивающие их неразрушающую визуализацию.

Основной проблемой остаётся затенение почвой на снимках, что приводит к фрагментации изображения корневой системы и потере структурной целостности. Эта фрагментация мешает точной оценке корневых фенотипов. Хотя подходы глубокого обучения, такие как SegRoot и ChronoRoot, улучшили распознавание изображений корней, проблемы с обрывом корней и их перекрытием почвой сохраняются.

Дальнейшее развитие методов восстановления изображений, особенно для идентификации корней in situ, критически важно для точной оценки фенотипов. Такие техники, как генеративно-состязательные сети (GANs), показывают потенциал в этой области, но требуют доработки.

В июле 2023 года журнал Plant Phenomics опубликовал исследовательскую статью "Применение улучшенной UNet и EnlightenGAN для сегментации и реконструкции корней in situ". В этом исследовании учёные предложили использовать EnlightenGAN для реконструкции корней путём манипуляции интенсивностью света в целевых областях.

Команда ранее разработала платформу RhizoPot, которая может неразрушающим способом собирать полные изображения корней. На ранних этапах точную сегментацию корней удавалось достичь с помощью DeeplabV3+. Однако в анализе диаметра корней и площади их поверхности наблюдались неточности. Непрерывные исследования улучшили точность сегментации корней in situ, но мелкие фрагменты, покрытые почвой, оставались неидентифицированными.

Сравнение моделей глубокого обучения UNet, SegNet и DeeplabV3+ на оригинальном наборе данных по корням показало, что DeeplabV3+ (Xception) демонстрирует наилучшую общую производительность. При этом каждая модель имела свои сильные и слабые стороны в идентификации корней. Абляционные эксперименты с различными улучшениями архитектуры UNet показали рост производительности как по метрике mIOU, так и по F1-score, что говорит об успешном устранении ограничений моделей.

Трансферное обучение улучшенной модели UNet на реконструированном наборе данных корней продемонстрировало хорошую универсальность и устойчивость. Для генерации корней использовался EnlightenGAN, причём каждая итерация постепенно улучшала реконструкцию. Анализ фенотипических параметров с помощью программного обеспечения RhizoVision Explorer выявил значительную корреляцию с реальными значениями. Однако реконструированные корни приводили к изменениям в длине корня и площади его поверхности.

Исследование провело тщательное сравнение моделей, выделив возможности DeeplabV3+, но также отметив его ограничения в распознавании основных корней. Улучшенная UNet была выбрана для сегментации корней из-за её масштабируемости и потенциала для будущих улучшений. В заключение, исследование предложило различные комбинации UNet и EnlightenGAN для разных целей: от точной сегментации до расширения наборов данных и обучения без учителя.

В целом, исследование демонстрирует значительный прогресс в технологии реконструкции корней, предлагая новый подход для анализа корневого фенотипирования.