Neues KI-gestütztes Tool verbessert die Stammbildsegmentierung

In einer Welt, die nach Nachhaltigkeit strebt, ist es entscheidend, die verborgene Hälfte einer lebenden Pflanze zu verstehen: die Wurzeln. Wurzeln sind nicht nur ein Anker; Sie stellen eine dynamische Schnittstelle zwischen Pflanze und Boden dar, die für die Wasseraufnahme, die Nährstoffaufnahme und letztendlich für das Überleben der Pflanze unerlässlich ist.

In einer Untersuchung zur Steigerung der landwirtschaftlichen Erträge und zur Entwicklung klimaresistenter Nutzpflanzen haben Wissenschaftler der Abteilungen Angewandte Mathematik und Computerforschung (AMCR) und Umweltgenomik und Systembiologie (EGSB) am Lawrence Berkeley National Laboratory (Berkeley Lab) einen großen Schritt gemacht nach vorne. Ihre neueste Innovation, RhizoNet, nutzt die Kraft der künstlichen Intelligenz (KI), um die Art und Weise, wie wir Pflanzenwurzeln untersuchen, zu verändern und neue Erkenntnisse über das Wurzelverhalten unter verschiedenen Umweltbedingungen zu gewinnen.

Dieses bahnbrechende Tool wird in einer am 5. Juni veröffentlichten Studie detailliert beschrieben Wissenschaftliche Berichte, revolutioniert die Wurzelbildanalyse, indem es den Prozess mit außergewöhnlicher Präzision automatisiert. Herkömmliche Methoden, die arbeitsintensiv und fehleranfällig sind, sind der Aufgabe, mit der komplexen und verworrenen Natur von Wurzelsystemen umzugehen, nicht gewachsen.

RhizoNet verfügt über einen hochmodernen Deep-Learning-Ansatz, der es Forschern ermöglicht, Wurzelwachstum und Biomasse genau zu verfolgen. Mithilfe einer fortschrittlichen, auf tiefem Lernen basierenden Infrastruktur und einem Faltungs-Neuronalen Netzwerk segmentiert dieses neue Rechentool Pflanzenwurzeln für eine umfassende Bewertung von Biomasse und Wachstum, verändert die Art und Weise, wie Labore Pflanzenwurzeln analysieren können, und treibt die Bemühungen hin zu autarken Laboren voran.

Daniela Ushizima vom Berkeley Lab, Hauptforscherin der KI-gesteuerten Software, erklärt: „RhizoNets Fähigkeit, Wurzelsegmentierung und Phänotypisierung zu standardisieren, stellt einen wesentlichen Fortschritt bei der systematischen und beschleunigten Analyse Tausender Bilder dar.“ Bemühungen zur Verbesserung der Genauigkeit bei der Erfassung der Wurzelwachstumsdynamik unter verschiedenen Pflanzenbedingungen.

Gehen Sie zu den Wurzeln

Bei der Wurzelanalyse wurden traditionell Flachbettscanner und manuelle Segmentierungsmethoden eingesetzt, die nicht nur zeitaufwändig, sondern auch fehleranfällig sind, insbesondere bei eingehenden Studien über mehrere Pflanzen hinweg. Auch die Wurzelbildsegmentierung stellt aufgrund natürlicher Phänomene wie Blasen, Tröpfchen, Reflexionen und Schatten erhebliche Herausforderungen dar.

Die Komplexität der Wurzelstrukturen und das Vorhandensein verrauschter Hintergründe erschweren den automatisierten Analyseprozess zusätzlich. Diese Komplikationen sind besonders akut bei kleineren räumlichen Maßstäben, wo feine Strukturen manchmal so groß wie ein Pixel sind, was die manuelle Annotation selbst für erfahrene menschliche Annotatoren äußerst schwierig macht.

EGSB hat kürzlich die neueste Version (2.0) von EcoFAB vorgestellt, einem neuen Hydrokulturgerät, das die In-situ-Bildgebung von Pflanzen erleichtert, indem es eine detaillierte Ansicht der Pflanzenwurzelsysteme bietet. EcoFAB wurde in Zusammenarbeit zwischen EGSB, dem Joint Genome Institute (JGI) des DOE und der Abteilung für Klima- und Ökosystemwissenschaften des Berkeley Lab entwickelt und ist Teil eines automatisierten Versuchssystems zur Durchführung von Ökosystemexperimenten, die die Datenreproduzierbarkeit verbessern.

RhizoNet, das Farbscans von Pflanzen verarbeitet, die in EcoFAB gezüchtet und spezifischen Ernährungsbehandlungen unterzogen wurden, befasst sich mit den wissenschaftlichen Herausforderungen der Analyse von Pflanzenwurzeln. Es nutzt eine ausgefeilte Rest-U-Net-Architektur (eine Architektur, die bei der semantischen Segmentierung verwendet wird und das ursprüngliche U-Net durch das Hinzufügen von Restverbindungen zwischen Eingabe- und Ausgabeblöcken innerhalb derselben Ebene, d. h. Auflösung, sowohl in Encoder- als auch in Decoderkanälen erweitert). bieten eine speziell auf die EcoFAB-Bedingungen zugeschnittene Wurzelsegmentierung und verbessern so die Prognosegenauigkeit erheblich.

Das System beinhaltet außerdem ein Konvexifizierungsverfahren, das dazu dient, aus Zeitreihen identifizierte Wurzeln einzukapseln und eine schnelle Abgrenzung primärer Wurzelkomponenten aus komplexen Hintergründen zu ermöglichen. Diese Integration ist wichtig, um die Wurzelbiomasse und das Wurzelwachstum im Laufe der Zeit genau zu überwachen, insbesondere bei Pflanzen, die unter verschiedenen Nährstoffbehandlungen in EcoFABs wachsen.

Um dies zu veranschaulichen, beschreibt das neue Papier detailliert, wie Forscher EcoFAB und RhizoNet nutzten, um Analysen von Wurzeln von Brachypodium distachyon-Pflanzen (einer kleinen Grasart) zu verarbeiten, die etwa fünf Wochen lang unterschiedlichen Nährstoffmangelbedingungen ausgesetzt waren. Diese alle drei bis sieben Tage aufgenommenen Bilder liefern wichtige Daten, die Wissenschaftlern helfen zu verstehen, wie sich Wurzeln an verschiedene Umgebungen anpassen. Der Hochdurchsatzcharakter von EcoBOT, dem neuen Bilderfassungssystem für EcoFAB, bietet Forschungsteams die Möglichkeit zur systematischen experimentellen Überwachung, vorausgesetzt, die Daten werden schnell analysiert.

„Wir haben große Fortschritte bei der Reduzierung des manuellen Arbeitsaufwands bei Pflanzenanbauexperimenten mit dem EcoBOT gemacht, und jetzt reduziert RhizoNet den manuellen Arbeitsaufwand bei der Analyse der generierten Daten“, bemerkte Peter Andeer, Forschungswissenschaftler bei EGSB und leitender Entwickler von EcoBOT, der bei dieser Arbeit mit Ushizima zusammengearbeitet hat. „Das erhöht unseren Durchsatz und bringt uns dem Ziel autonomer Labore näher.“

Ressourcen des National Energy Research Scientific Computing Center (NERSC) – einer Benutzereinrichtung des US-Energieministeriums (DOE) im Berkeley Lab – wurden verwendet, um RhizoNet zu trainieren und Inferenzen durchzuführen, wodurch diese Computer-Vision-Fähigkeit in den EcoBOT gebracht wurde, bemerkte Ushizima.

„EcoBOT ist in der Lage, automatisch Bilder zu sammeln, konnte jedoch nicht feststellen, ob die Pflanze auf verschiedene Umweltveränderungen reagiert, ob sie lebt oder nicht, ob sie wächst oder nicht“, erklärte Ushizima. „Durch die Messung von Wurzeln mit RhizoNet erfassen wir detaillierte Daten zur Wurzelbiomasse und zum Wurzelwachstum, nicht nur zur Bestimmung der Pflanzenvitalität, sondern auch um umfassende quantitative Informationen bereitzustellen, die mit herkömmlichen Mitteln nicht einfach zu erfassen sind. Nach dem Training des Modells kann es für mehrere Experimente (unsichtbare Pflanzen) wiederverwendet werden.

„Um die komplexen Pflanzenbilder des EcoBOT zu analysieren, haben wir ein neues Faltungs-Neuronales Netzwerk für die semantische Segmentierung erstellt“, fügte Zineb Sordo hinzu, ein Computersystemingenieur bei AMCR, der als Datenwissenschaftler an dem Projekt arbeitet.

„Unser Ziel war es, eine optimierte Pipeline zu entwerfen, die frühere Zeitreiheninformationen nutzt, um die Modellgenauigkeit über manuelle Anmerkungen an einem einzelnen Bild hinaus zu verbessern. RhizoNet verarbeitet verrauschte Bilder und erkennt Pflanzenwurzeln anhand der Bilder, sodass Biomasse und Wachstum berechnet werden können.“

Ein Patch nach dem anderen

Bei der Optimierung des Modells zeigten die Ergebnisse, dass die Verwendung kleinerer Bildfelder die Leistung des Modells deutlich verbessert. In diesen Patches verfügt jedes Neuron in den ersten Schichten des künstlichen neuronalen Netzwerks über ein kleineres Empfangsfeld. Dadurch kann das Modell feinere Details effizienter erfassen und so den latenten Raum mit verschiedenen Merkmalsvektoren anreichern.

Dieser Ansatz verbessert nicht nur die Fähigkeit des Modells, auf unsichtbare EcoFAB-Bilder zu verallgemeinern, sondern erhöht auch seine Robustheit, sodass es sich trotz verschiedener visueller Artefakte auf dünne Objekte konzentrieren und komplexe Muster erfassen kann.

Kleinere Patches tragen auch dazu bei, Klassenungleichgewichte zu vermeiden, indem sie spärlich beschriftete Patches ausschließen, also solche mit weniger als 20 % annotierten Pixeln, die sich meist im Hintergrund befinden. Die Ergebnisse des Teams zeigen hohe Genauigkeit, Präzision, Rückruf und Schnittmenge über Vereinigung (IoU) für kleinere Patchgrößen und demonstrieren die verbesserte Fähigkeit des Modells, Wurzeln von anderen Objekten oder Artefakten zu unterscheiden.

Um die Leistung von Wurzelvorhersagen zu validieren, vergleicht der Artikel die vorhergesagte Wurzelbiomasse mit tatsächlichen Messungen. Die lineare Regressionsanalyse ergab eine signifikante Korrelation und unterstreicht die Genauigkeit der automatisierten Segmentierung im Vergleich zu manuellen Anmerkungen, bei denen es oft schwierig ist, feine Wurzelpixel von ähnlich erscheinendem Rauschen zu unterscheiden. Dieser Vergleich verdeutlicht die Herausforderung, vor der menschliche Annotatoren stehen, und zeigt die erweiterten Fähigkeiten von RhizoNet-Modellen, insbesondere wenn sie auf kleineren Patchgrößen trainiert werden.

Diese Studie demonstriert die praktischen Anwendungen von RhizoNet in aktuellen Forschungsumgebungen, so die Autoren, und legt den Grundstein für zukünftige Innovationen bei nachhaltigen Energielösungen sowie der Technologie zur Kohlenstoffbindung mithilfe von Pflanzen und Mikroben. Das Forschungsteam ist optimistisch, was die Auswirkungen ihrer Ergebnisse angeht.

„Unsere nächsten Schritte bestehen darin, die Fähigkeiten von RhizoNet zu verfeinern, um die Erkennung und Verzweigungsmuster von Pflanzenwurzeln weiter zu verbessern“, sagte Ushizima. „Wir sehen auch Potenzial in der Anpassung und Anwendung dieser Deep-Learning-Algorithmen für Wurzeln im Boden sowie in neuen Forschungen in den Materialwissenschaften.

„Wir erforschen iterative Trainingsprotokolle, die Optimierung von Hyperparametern und die Nutzung mehrerer GPUs. Diese Rechentools sollen wissenschaftlichen Teams dabei helfen, verschiedene Experimente zu analysieren, die als Bilder erfasst wurden, und sind in mehreren Bereichen anwendbar.“