-
- 1 de Marzo de 2025
EstomaGAN, desarrollado por los Dres. Jonathon y Alexandra Gibbs, es un modelo de IA especializado, diseñado para generar imágenes de gran realismo, tan convincentes que incluso el propio modelo tiene dificultades para distinguirlas de las reales. Estas imágenes generadas artificialmente desempeñan un papel crucial en el entrenamiento de modelos de aprendizaje profundo, ayudándolos a reconocer y analizar características específicas en imágenes reales. StomaGAN se centra especialmente en estomas, las pequeñas aberturas en las hojas de las plantas que regulan el intercambio de gases.
El rendimiento de los cultivos depende en gran medida de dos factores principales: la eficiencia con la que las plantas realizan la fotosíntesis y la disponibilidad de agua. En el centro de este proceso se encuentran estomas, pequeñas aberturas en la superficie de las plantas que desempeñan un papel crucial en el intercambio de gases. Cada estoma está rodeado por celdas de guarda, que controlan cuándo se abren y cierran los estomas. Durante fotosíntesis, las plantas absorben dióxido de carbono (CO₂) a través de estas aberturas, lo cual es esencial para producir energía. Al mismo tiempo, vapor de agua se escapa de las hojas en un proceso llamado transpiraciónEste delicado equilibrio entre la ingesta de CO₂ y la pérdida de agua influye directamente en el crecimiento de las plantas y, en última instancia, en el rendimiento de los cultivos.
Al estudiar las propiedades estomáticas, como la densidad, la distribución, el tamaño y la velocidad de apertura y cierre (también conocida como ritmo), podemos mejorar la fotosíntesis y la eficiencia en el uso del agua. Este conocimiento puede conducir a un mayor rendimiento de los cultivos, especialmente en condiciones adversas como la sequía, lo que contribuye a mejores resultados agrícolas y a la seguridad alimentaria.
En los últimos siete años se han logrado avances significativos en el desarrollo de Herramientas de aprendizaje profundo para detectar y anotar estomas., proporcionando un método rápido y eficaz para automatizar el análisis estomático. Anotación Implica añadir metadatos a las imágenes que detallan la identificación de los límites de los estomas y sus características morfológicas, como el tamaño y la densidad. Sin embargo, la precisión de la identificación y caracterización estomática depende casi por completo de la calidad del conjunto de datos subyacente. El aprendizaje profundo aprende lo que se le indica, y si el conjunto de datos proporcionado está mal anotado, el modelo de aprendizaje profundo también producirá imágenes mal anotadas.
La creación de este conjunto de datos de entrenamiento es una tarea tediosa y laboriosa. Los investigadores capturan imágenes microscópicas de estomas utilizando muestras de hojas fijadas, cáscaras epidérmicas o improntas. Herramientas de software como ImageJ, EtiquetaImg e Segmentar cualquier cosa Se utilizan para anotar estas imágenes. Si bien estas herramientas pueden automatizar la detección estomática, suelen tener dificultades para identificarlas cuando el contraste es insuficiente. Además, los usuarios aún deben anotar manualmente la morfología estomática, lo que aumenta la inversión de tiempo.
El uso de imágenes artificiales de alta calidad proporciona una solución a este problema.
Dr. Jonathon Gibbs y Dra. Alexandra Gibbs en la Universidad de Nottingham Desarrollaron una nueva herramienta para generar imágenes artificiales de estomas utilizando técnicas de aprendizaje profundo. La herramienta StomaGAN se basa en redes generativas antagónicas (GAN), un tipo de red neuronal utilizada para generar imágenes realistas.
Las GAN constan de dos partes clave: una generador y discriminado, que trabajan uno contra el otro en un proceso llamado juego de adversarios.
El elemento generador Es como un artista que intenta pintar imágenes realistas. Empieza creando imágenes aleatorias y va mejorando gradualmente al identificar detalles importantes como bordes, formas y texturas en imágenes reales. Su objetivo es crear imágenes lo más realistas posible.
El elemento discriminado Es como un crítico de arte. Examina imágenes y decide si son reales (de un conjunto de datos real) o falsas (creadas por el generador). Al principio, las imágenes del generador pueden no ser muy convincentes, pero con el tiempo, mejora al aprender de la retroalimentación del discriminador.
Esta competencia recíproca entre el generador y el discriminador ayuda al generador a mejorar su capacidad para crear imágenes realistas. Cuanto más entrenan, más difícil le resulta al discriminador distinguir las imágenes reales de las falsas. Con el tiempo, el generador puede crear imágenes tan realistas que pueden engañar incluso a un observador humano.
Para crear StomaGAN, los autores primero tuvieron que anotar manualmente 559 imágenes microscópicas de impresiones superficiales de esmalte de uñas. A continuación, las imágenes se preprocesaron. Durante este paso, se identificaron, extrajeron, redimensionaron y rotaron cada estoma para lograr una orientación uniforme.
Tras el preprocesamiento, los autores entrenaron StomaGAN para equilibrar la generación y la discriminación de datos. Las imágenes artificiales creadas por StomaGAN se ampliaron para optimizar el tamaño y la variedad del conjunto de datos mediante el cambio de tamaño o la inversión de las imágenes. StomaGAN generó 10,000 559 imágenes artificiales a partir de las XNUMX imágenes reales utilizadas para su entrenamiento.
Para evaluar la utilidad del conjunto de datos artificiales, los autores compararon el desempeño de una herramienta de detección existente para identificar estomas en imágenes reales cuando se entrenó usando solo imágenes reales o se entrenó usando una combinación de imágenes artificiales y reales.
La herramienta de detección, entrenada únicamente con datos reales, detectó estomas con una precisión del 94.7 %, mientras que el modelo con datos artificiales tuvo una precisión del 99.7 %, clasificando erróneamente solo uno de los 5,000 estomas presentes en las imágenes. Esto demuestra que StomaGAN puede generar eficazmente conjuntos de datos sintéticos de alta calidad que permiten una detección estomática fiable. Este enfoque reduce la necesidad de una extensa recopilación manual de datos y simplifica las evaluaciones morfológicas complejas, haciendo el proceso más eficiente y accesible para los investigadores.
StomaGAN se puede utilizar para facilitar la recopilación y el análisis de datos a gran escala, mejorando nuestra comprensión de la fotosíntesis y la eficiencia del uso del agua, así como de cómo las plantas responden a los cambios ambientales.
LEE EL ARTÍCULO:
Jonathon A Gibbs, Alexandra J Gibbs, StomaGAN: Improving image-based analysis of stomata through Generative Adversarial Networks, in silico Plants, 2025;, diaf002, https://doi.org/10.1093/insilicoplants/diaf002
Los conjuntos de datos que respaldan las conclusiones de este artículo están disponibles abiertamente en Stomata Hub, https://www.stomatahub.com/ y en el repositorio de GitHub https://github.com/DrJonoG/StomaGAN.
Últimos Comentarios