Neues KI-gestütztes Tool verbessert die Stammbildsegmentierung

In einer Welt, die nach Nachhaltigkeit strebt, ist es von entscheidender Bedeutung, die verborgene Hälfte einer lebenden Pflanze zu verstehen – die Wurzeln. Wurzeln sind nicht nur ein Anker; sie sind eine dynamische Schnittstelle zwischen Pflanze und Boden, die für die Wasseraufnahme, die Nährstoffaufnahme und letztendlich das Überleben der Pflanze von entscheidender Bedeutung ist.

Bei einer Untersuchung zur Steigerung landwirtschaftlicher Erträge und zur Entwicklung klimawandelresistenter Nutzpflanzen haben Wissenschaftler der Abteilungen Angewandte Mathematik und Computergestützte Forschung (AMCR) sowie Umweltgenomik und Systembiologie (EGSB) des Lawrence Berkeley National Laboratory (Berkeley Lab) einen bedeutenden Fortschritt erzielt. Ihre neueste Innovation, RhizoNet, nutzt die Leistungsfähigkeit künstlicher Intelligenz (KI), um die Art und Weise zu verändern, wie wir Pflanzenwurzeln untersuchen, und bietet neue Einblicke in das Wurzelverhalten unter verschiedenen Umweltbedingungen.

Dieses bahnbrechende Werkzeug, das in einer Studie detailliert beschrieben wird veröffentlicht am 5. Juni in Wissenschaftliche Berichterevolutioniert die Wurzelbildanalyse, indem es den Prozess mit außergewöhnlicher Genauigkeit automatisiert. Traditionelle Methoden, die arbeitsintensiv und fehleranfällig sind, versagen angesichts der komplexen und verworrenen Natur von Wurzelsystemen.

RhizoNet setzt mit einem hochmodernen Deep-Learning-Ansatz an, der es Forschern ermöglicht, Wurzelwachstum und Biomasse präzise zu verfolgen. Dieses neue Computertool verwendet ein fortschrittliches, auf Deep Learning basierendes Backbone, das auf einem Convolutional Neural Network basiert. Es segmentiert Pflanzenwurzeln semantisch, um eine umfassende Bewertung von Biomasse und Wachstum zu ermöglichen. Dies verändert die Art und Weise, wie Labore Pflanzenwurzeln analysieren können, und treibt die Bemühungen hin zu selbstfahrenden Laboren voran.

Daniela Ushizima, leitende Forscherin der KI-gesteuerten Software am Berkeley Lab, erklärte: „Die Fähigkeit von RhizoNet, die Wurzelsegmentierung und -phänotypisierung zu standardisieren, stellt einen wesentlichen Fortschritt bei der systematischen und beschleunigten Analyse von Tausenden von Bildern dar. Diese Innovation ist von entscheidender Bedeutung für unsere laufenden Bemühungen, die Präzision bei der Erfassung der Wurzelwachstumsdynamik unter verschiedenen Pflanzenbedingungen zu verbessern.“

Den Wurzeln auf den Grund gehen

Bei der Wurzelanalyse wird traditionell auf Flachbettscanner und manuelle Segmentierungsmethoden zurückgegriffen, die nicht nur zeitaufwändig, sondern auch fehleranfällig sind, insbesondere bei umfangreichen Studien mit mehreren Pflanzen. Die Segmentierung von Wurzelbildern stellt auch aufgrund natürlicher Phänomene wie Blasen, Tropfen, Reflexionen und Schatten erhebliche Herausforderungen dar.

Die Komplexität der Wurzelstrukturen und das Vorhandensein von Hintergrundrauschen erschweren den automatisierten Analyseprozess zusätzlich. Diese Komplikationen sind besonders bei kleineren räumlichen Maßstäben akut, wo feine Strukturen manchmal nur so breit 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 neuartigen Hydrokulturgerät, das die Bildgebung von Pflanzen vor Ort erleichtert, indem es eine detaillierte Ansicht der Wurzelsysteme von Pflanzen bietet. EcoFAB – entwickelt in Zusammenarbeit zwischen EGSB, dem DOE Joint Genome Institute (JGI) und der Abteilung für Klima- und Ökosystemwissenschaften am Berkeley Lab – ist Teil eines automatisierten Versuchssystems, das für die Durchführung konstruierter Ökosystemexperimente konzipiert ist, die die Reproduzierbarkeit der Daten verbessern.

RhizoNet, das Farbscans von Pflanzen verarbeitet, die in EcoFAB angebaut und speziellen Nährstoffbehandlungen unterzogen werden, befasst sich mit den wissenschaftlichen Herausforderungen der Wurzelanalyse. Es verwendet eine hochentwickelte Residual-U-Net-Architektur (eine Architektur, die bei der semantischen Segmentierung verwendet wird und das ursprüngliche U-Net verbessert, indem sowohl in den Encoder- als auch in den Decoder-Pfaden Restverbindungen zwischen Eingabe- und Ausgabeblöcken auf derselben Ebene, d. h. Auflösung, hinzugefügt werden), um eine Wurzelsegmentierung zu liefern, die speziell an die Bedingungen von EcoFAB angepasst ist und die Vorhersagegenauigkeit deutlich verbessert.

Das System integriert außerdem ein Konvexifizierungsverfahren, das dazu dient, identifizierte Wurzeln aus Zeitreihen einzukapseln und dabei hilft, die primären Wurzelbestandteile schnell von komplexen Hintergründen abzugrenzen. Diese Integration ist der Schlüssel zur genauen Überwachung der Wurzelbiomasse und des Wurzelwachstums im Laufe der Zeit, insbesondere bei Pflanzen, die in EcoFABs unter unterschiedlichen Nährstoffbehandlungen gewachsen sind.

Um dies zu veranschaulichen, beschreibt das neue Papier im Detail, wie die Forscher mithilfe von EcoFAB und RhizoNet Wurzelscans von Brachypodium distachyon (einer kleinen Grasart) verarbeiteten, die etwa fünf Wochen lang unterschiedlichen Nährstoffmangelbedingungen ausgesetzt waren. Diese alle drei bis sieben Tage aufgenommenen Bilder liefern wichtige Daten, die den Wissenschaftlern helfen zu verstehen, wie sich Wurzeln an unterschiedliche Umgebungen anpassen. Die hohe Durchsatzleistung von EcoBOT, dem neuen Bilderfassungssystem für EcoFABs, bietet Forschungsteams die Möglichkeit einer systematischen experimentellen Überwachung – solange die Daten umgehend analysiert werden.

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

Ressourcen des National Energy Research Scientific Computing Center (NERSC) – einer Benutzereinrichtung des US-Energieministeriums (DOE) am Berkeley Lab – wurden verwendet, um RhizoNet zu trainieren und Inferenzen durchzuführen, wodurch diese Fähigkeit der Computervision auf den EcoBOT übertragen wurde, bemerkte Ushizima.

„EcoBOT kann automatisch Bilder aufnehmen, konnte jedoch nicht bestimmen, ob die Pflanze auf verschiedene Umweltveränderungen reagiert, ob sie lebt oder nicht oder ob sie wächst oder nicht“, erklärte Ushizima. „Indem wir die Wurzeln mit RhizoNet messen, erfassen wir detaillierte Daten zur Wurzelbiomasse und zum Wurzelwachstum, nicht nur um die Vitalität der Pflanze zu bestimmen, sondern auch um umfassende quantitative Erkenntnisse zu liefern, die mit herkömmlichen Mitteln nicht ohne Weiteres erkennbar sind. Nachdem das Modell trainiert wurde, kann es für mehrere Experimente (ungesehene Pflanzen) wiederverwendet werden.“

„Um die komplexen Pflanzenbilder des EcoBOT zu analysieren, haben wir ein neues Convolutional Neural Network zur semantischen Segmentierung entwickelt“, fügte Zineb Sordo hinzu, eine Computersystemingenieurin bei AMCR, die als Datenwissenschaftlerin an dem Projekt arbeitet.

„Unser Ziel war es, eine optimierte Pipeline zu entwickeln, die Vorabinformationen über die Zeitreihe nutzt, um die Genauigkeit des Modells über manuelle Anmerkungen zu einem einzelnen Frame hinaus zu verbessern. RhizoNet verarbeitet verrauschte Bilder und erkennt Pflanzenwurzeln in Bildern, sodass Biomasse und Wachstum berechnet werden können.“

Ein Patch nach dem anderen

Bei der Modelloptimierung zeigten die Ergebnisse, dass die Leistung des Modells durch die Verwendung kleinerer Bildausschnitte deutlich verbessert wird. In diesen Ausschnitten hat jedes Neuron in den frühen Schichten des künstlichen neuronalen Netzwerks ein kleineres rezeptives Feld. Dadurch kann das Modell feine Details effektiver erfassen und den latenten Raum mit verschiedenen Merkmalsvektoren anreichern.

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

Kleinere Patches helfen auch dabei, Klassenungleichgewichte zu vermeiden, indem sie spärlich beschriftete Patches ausschließen – solche mit weniger als 20 % annotierten Pixeln, vorwiegend Hintergrund. Die Ergebnisse des Teams zeigen eine hohe Genauigkeit, Präzision, Trefferquote und Schnittmenge über Vereinigung (IoU) für kleinere Patchgrößen und demonstrieren damit die verbesserte Fähigkeit des Modells, Wurzeln von anderen Objekten oder Artefakten zu unterscheiden.

Um die Leistung der Wurzelvorhersagen zu validieren, vergleicht das Papier die vorhergesagte Wurzelbiomasse mit tatsächlichen Messungen. Die lineare Regressionsanalyse ergab eine signifikante Korrelation und unterstreicht die Präzision der automatischen Segmentierung gegenüber manuellen Annotationen, die oft Schwierigkeiten haben, dünne Wurzelpixel von ähnlich aussehendem Rauschen zu unterscheiden. Dieser Vergleich unterstreicht die Herausforderung, vor der menschliche Annotatoren stehen, und demonstriert die erweiterten Fähigkeiten der RhizoNet-Modelle, insbesondere wenn sie auf kleineren Patchgrößen trainiert werden.

Diese Studie demonstriert die praktischen Anwendungsmöglichkeiten von RhizoNet in aktuellen Forschungskontexten, so die Autoren, und legt den Grundstein für zukünftige Innovationen bei nachhaltigen Energielösungen sowie bei der Kohlenstoffbindungstechnologie mit Pflanzen und Mikroben. Das Forschungsteam ist optimistisch, was die Auswirkungen seiner Erkenntnisse 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 für neue materialwissenschaftliche Untersuchungen.“

„Wir untersuchen iterative Trainingsprotokolle, Hyperparameteroptimierung und die Nutzung mehrerer GPUs. Diese Rechenwerkzeuge sollen Wissenschaftsteams bei der Analyse verschiedener, als Bilder erfasster Experimente unterstützen und sind in mehreren Bereichen anwendbar.“