Un nouvel outil basé sur l’IA améliore la segmentation des images racine

Dans un monde en quête de durabilité, il est crucial de comprendre la moitié cachée d’une plante vivante : les racines. Les racines ne sont pas seulement une ancre ; ils constituent une interface dynamique entre la plante et le sol, essentielle à l’absorption de l’eau, à l’absorption des nutriments et, en fin de compte, à la survie de la plante.

Dans une enquête visant à augmenter les rendements agricoles et à développer des cultures résilientes au changement climatique, les scientifiques des divisions de mathématiques appliquées et de recherche informatique (AMCR) et de génomique environnementale et biologie des systèmes (EGSB) du Laboratoire national Lawrence Berkeley (Berkeley Lab) ont fait un grand pas en avant. Leur dernière innovation, RhizoNet, exploite la puissance de l’intelligence artificielle (IA) pour transformer la façon dont nous étudions les racines des plantes, offrant de nouvelles informations sur le comportement des racines dans diverses conditions environnementales.

Cet outil pionnier, détaillé dans une étude publié le 5 juin à Rapports scientifiques, révolutionne l’analyse des images racines en automatisant le processus avec une précision exceptionnelle. Les méthodes traditionnelles, qui demandent beaucoup de travail et sont sujettes aux erreurs, ne sont pas à la hauteur face à la nature complexe et enchevêtrée des systèmes racinaires.

RhizoNet intervient avec une approche d’apprentissage profond de pointe, permettant aux chercheurs de suivre avec précision la croissance des racines et la biomasse. Utilisant une infrastructure avancée basée sur l’apprentissage profond et un réseau neuronal convolutif, ce nouvel outil informatique segmente sémantiquement les racines des plantes pour une évaluation complète de la biomasse et de la croissance, modifiant ainsi la façon dont les laboratoires peuvent analyser les racines des plantes et propulsant les efforts vers des laboratoires autonomes.

Comme l’explique Daniela Ushizima, du Berkeley Lab, chercheuse principale du logiciel piloté par l’IA : « La capacité de RhizoNet à standardiser la segmentation et le phénotypage des racines représente une avancée substantielle dans l’analyse systématique et accélérée de milliers d’images. efforts pour améliorer la précision dans la capture de la dynamique de croissance des racines dans diverses conditions végétales.

Aller aux racines

L’analyse des racines s’appuie traditionnellement sur des scanners à plat et des méthodes de segmentation manuelle, qui sont non seulement chronophages mais également sujettes à des erreurs, en particulier dans les études approfondies multi-usines. La segmentation des images racine présente également des défis importants en raison de phénomènes naturels tels que les bulles, les gouttelettes, les reflets et les ombres.

La nature complexe des structures racinaires et la présence d’arrière-plans bruyants compliquent encore davantage le processus d’analyse automatisé. Ces complications sont particulièrement aiguës à des échelles spatiales plus petites, où les structures fines sont parfois aussi larges qu’un pixel, ce qui rend l’annotation manuelle extrêmement difficile, même pour les annotateurs humains experts.

EGSB a récemment présenté la dernière version (2.0) d’EcoFAB, un nouveau dispositif hydroponique qui facilite l’imagerie des plantes in situ en offrant une vue détaillée des systèmes racinaires des plantes. EcoFAB, développé via une collaboration entre l’EGSB, le Joint Genome Institute (JGI) du DOE et la division des sciences du climat et des écosystèmes du Berkeley Lab, fait partie d’un système expérimental automatisé conçu pour réaliser des expériences sur les écosystèmes fabriquées qui améliorent la reproductibilité des données.

RhizoNet, qui traite les numérisations couleur des plantes cultivées en EcoFAB et soumises à des traitements nutritionnels spécifiques, relève les défis scientifiques de l’analyse des racines des plantes. Il utilise une architecture U-Net résiduelle sophistiquée (une architecture utilisée dans la segmentation sémantique qui améliore l’U-Net d’origine en ajoutant des connexions résiduelles entre les blocs d’entrée et de sortie au sein du même niveau, c’est-à-dire la résolution, dans les voies du codeur et du décodeur) pour fournir une segmentation des racines spécifiquement adaptée aux conditions EcoFAB, améliorant considérablement la précision des prévisions.

Le système intègre également une procédure de convexification qui sert à encapsuler les racines identifiées à partir de séries chronologiques et permet de délimiter rapidement les composants de racines primaires à partir d’arrière-plans complexes. Cette intégration est essentielle pour surveiller avec précision la biomasse et la croissance des racines au fil du temps, en particulier chez les plantes cultivées sous divers traitements nutritionnels dans les EcoFAB.

Pour illustrer cela, le nouvel article détaille comment les chercheurs ont utilisé EcoFAB et RhizoNet pour traiter des analyses de racines de plantes de Brachypodium distachyon (une petite espèce de graminée) soumises à différentes conditions de privation de nutriments pendant environ cinq semaines. Ces images, prises tous les trois à sept jours, fournissent des données vitales qui aident les scientifiques à comprendre comment les racines s’adaptent à différents environnements. La nature à haut débit d’EcoBOT, le nouveau système d’acquisition d’images pour EcoFAB, offre aux équipes de recherche la possibilité d’une surveillance expérimentale systématique, à condition que les données soient analysées rapidement.

« Nous avons fait beaucoup de progrès en réduisant le travail manuel impliqué dans les expériences de culture de plantes avec l’EcoBOT, et maintenant RhizoNet réduit le travail manuel impliqué dans l’analyse des données générées », a noté Peter Andeer, chercheur scientifique à l’EGSB et un développeur principal d’EcoBOT, qui a collaboré avec Ushizima sur ce travail. « Cela augmente notre débit et nous rapproche de l’objectif des laboratoires autonomes. »

Les ressources du National Energy Research Scientific Computing Center (NERSC) – une installation utilisateur du Département américain de l’énergie (DOE) située au laboratoire de Berkeley – ont été utilisées pour former RhizoNet et effectuer des inférences, apportant cette capacité de vision par ordinateur à l’EcoBOT, a noté Ushizima.

« EcoBOT est capable de collecter des images automatiquement, mais il n’a pas été en mesure de déterminer si la plante réagit aux différents changements environnementaux, vivante ou non, en croissance ou non », a expliqué Ushizima. « En mesurant les racines avec RhizoNet, nous capturons des données détaillées sur la biomasse et la croissance des racines, non seulement pour déterminer la vitalité des plantes, mais aussi pour fournir des informations quantitatives complètes qui ne sont pas facilement observables par les moyens conventionnels. Après avoir entraîné le modèle, il peut être réutilisé pour plusieurs expériences (plantes invisibles). »

« Afin d’analyser les images végétales complexes de l’EcoBOT, nous avons créé un nouveau réseau neuronal convolutif pour la segmentation sémantique », a ajouté Zineb Sordo, ingénieur en systèmes informatiques à l’AMCR travaillant comme data scientist sur le projet.

« Notre objectif était de concevoir un pipeline optimisé qui utilise des informations préalables sur les séries chronologiques pour améliorer la précision du modèle au-delà des annotations manuelles effectuées sur une seule image. RhizoNet gère les images bruitées, détectant les racines des plantes à partir des images afin que la biomasse et la croissance puissent être calculées. »

Un patch à la fois

Lors du réglage du modèle, les résultats ont indiqué que l’utilisation de patchs d’image plus petits améliore considérablement les performances du modèle. Dans ces patchs, chaque neurone des premières couches du réseau neuronal artificiel possède un champ récepteur plus petit. Cela permet au modèle de capturer plus efficacement les détails les plus fins, enrichissant ainsi l’espace latent avec divers vecteurs de caractéristiques.

Cette approche améliore non seulement la capacité du modèle à généraliser aux images EcoFAB invisibles, mais augmente également sa robustesse, lui permettant de se concentrer sur des objets minces et de capturer des motifs complexes malgré divers artefacts visuels.

Les correctifs plus petits aident également à éviter le déséquilibre des classes en excluant les correctifs peu étiquetés, ceux contenant moins de 20 % de pixels annotés, principalement en arrière-plan. Les résultats de l’équipe montrent une exactitude, une précision, un rappel et une intersection sur union (IoU) élevés pour des patchs de plus petite taille, démontrant la capacité améliorée du modèle à distinguer les racines d’autres objets ou artefacts.

Pour valider les performances des prédictions racinaires, l’article compare la biomasse racinaire prévue aux mesures réelles. L’analyse de régression linéaire a révélé une corrélation significative, soulignant la précision de la segmentation automatisée par rapport aux annotations manuelles, qui ont souvent du mal à distinguer les pixels racines fins d’un bruit d’apparence similaire. Cette comparaison met en évidence le défi auquel sont confrontés les annotateurs humains et met en valeur les capacités avancées des modèles RhizoNet, en particulier lorsqu’ils sont formés sur des patchs de plus petite taille.

Cette étude démontre les applications pratiques de RhizoNet dans les contextes de recherche actuels, ont noté les auteurs, et jette les bases des innovations futures en matière de solutions énergétiques durables ainsi que de technologie de séquestration du carbone utilisant des plantes et des microbes. L’équipe de recherche est optimiste quant aux implications de leurs découvertes.

« Nos prochaines étapes consistent à affiner les capacités de RhizoNet pour améliorer davantage la détection et les schémas de ramification des racines des plantes », a déclaré Ushizima. « Nous voyons également un potentiel dans l’adaptation et l’application de ces algorithmes d’apprentissage en profondeur pour les racines dans le sol ainsi que dans de nouvelles recherches en science des matériaux.

« Nous explorons les protocoles de formation itératifs, l’optimisation des hyperparamètres et l’exploitation de plusieurs GPU. Ces outils informatiques sont conçus pour aider les équipes scientifiques à analyser diverses expériences capturées sous forme d’images et sont applicables dans plusieurs domaines. »