Estimación in situ de las raíces en el suelo a partir de imágenes
Fuente Colaje imágenes Google
La noticia que os ofrecemos hoy no es precisamente la mejor elección para un bloguero “sin precisión”, como soy yo. Sin embargo, os puede interesar a muchos de vosotros. Realmente el estudio, desde un punto de vista académico parece interesante, por cuanto estimar in situ la longitud de las raíces es realmente importante. Ahora bien, ya se trate de técnicas in situ o no, las imágenes no permiten ofrecer la genuina morfología de las raíces de las plantas, sino de algunas instantáneas de secciones bidimensionales seleccionadas. ¡Y no es lo mismo! Entendiendo que tal nueva metodología atesora valor, no logro visualizar mentalmente en mi cabeza todas las impresionantes aplicaciones que vocean sus autores. EL Colaje de imágenes que antecede a esta entradilla es, de hecho, ilustrativo de lo que decimos. Sin embargo, quizás, pasito a pasito…… Empero volviendo a las imágenes del colaje «el fenotipo radicular» del que hablan sus autores en absoluto. Más pasitos, por favor, y menos propaganda.
Os dejo pues con la noticia y algunos párrafos del estudio científico original.
Juan José Ibáñez
Continúa……
por TranSpread DOI: 10.34133/plantphenomics.0132
El estrés del cambio climático limita severamente los rendimientos de los cultivos, y los rasgos de las raíces juegan un papel vital en la tolerancia al estrés, lo que destaca la importancia del fenotipado de las raíces para la mejora de los cultivos. Los avances recientes en el fenotipado radicular basado en imágenes, particularmente a través de la técnica de minirizotrón (MR), ofrecen información sobre la dinámica de las raíces bajo estrés. Sin embargo, la naturaleza manual y subjetiva del análisis de imágenes de RM plantea importantes desafíos.
Esto pone de relieve la necesidad de contar con sistemas y herramientas de imagen automatizados para agilizar y objetivar el proceso, mejorando la eficiencia y la objetividad del fenotipado de la raíz.
En enero de 2024, Plant Phenomics publicó un artículo de investigación titulado «Estimación automática de la longitud de la raíz a partir de imágenes adquiridas in situ sin segmentación«. Este estudio avanza en el campo del fenotipado radicular mediante la adaptación de modelos basados en redes neuronales convolucionales para estimar la longitud total de la raíz (TRL) a partir de imágenes de RM sin necesidad de segmentación.
Utilizando anotaciones manuales del software Rootfly, los investigadores exploraron un modelo basado en la regresión y un modelo basado en la detección que identifica puntos raíz anotados, y este último ofrece una capacidad de inspección visual de las imágenes de RM.
Los modelos se probaron rigurosamente en 4.015 imágenes de diversas especies de cultivos bajo diversos estreses abióticos, demostrando una alta precisión (R2 valores entre 0,929 y 0,986) en la estimación de TRL en comparación con las mediciones manuales. Esta precisión subraya el potencial de nuestro enfoque para mejorar significativamente la eficiencia y confiabilidad del fenotipado de raíces.
Los resultados del estudio indican que el modelo basado en la detección generalmente supera al modelo de regresión, particularmente en conjuntos de datos desafiantes, al incorporar información adicional de coordenadas raíz. Este hallazgo es fundamental para los conjuntos de datos de imágenes de alta calidad, donde la estimación automatizada de TRL sigue siendo sólida.
Además, los investigadores realizaron un análisis de sensibilidad para resaltar el impacto de la calidad de la imagen y el tamaño del conjunto de datos en el rendimiento del modelo, revelando la influencia significativa de la calidad de la imagen. La capacidad de los modelos para diferenciar entre imágenes con y sin raíces, con un margen de error mínimo, ilustra aún más su utilidad práctica en la agricultura de precisión al permitir el monitoreo en tiempo real del crecimiento de las raíces.
Luego, el análisis se amplió para evaluar los cálculos de densidad de longitud de raíces (RLD), lo que demuestra la efectividad de los modelos para capturar los patrones de distribución de raíces en el suelo, lo cual es vital para comprender la extracción de agua y nutrientes. La capacidad de los modelos para rastrear la dinámica de las raíces a lo largo del tiempo, incluida la identificación de la desaparición de las raíces, destaca su potencial para informar las decisiones agrícolas oportunas con respecto al manejo del agua y los nutrientes.
En conclusión, esta investigación presenta un enfoque innovador para el fenotipado de raíces, que ofrece herramientas robustas y automatizadas para la estimación de TRL a partir de imágenes de RM, lo que facilita la evaluación rápida y precisa de los patrones de crecimiento de las raíces. Este avance es muy prometedor para mejorar las prácticas de agricultura de precisión, lo que permite a los productores tomar decisiones informadas basadas en información detallada sobre el crecimiento de las raíces.
Más información: Faina Khoroshevsky et al, Estimación automática de la longitud de la raíz a partir de imágenes adquiridas in situ sin segmentación, Plant Phenomics (2023). DOI: 10.34133/plantphenomics.0132
(….) En este artículo, proponemos 2 modelos de análisis de imágenes de RM basados en CNN totalmente automatizados para estimar la longitud total de la raíz (TRL) en cada imagen, sin necesidad de anotación de segmentación de la raíz para el entrenamiento. El TRL se calculó como la suma de la longitud de la raíz por imagen (….) para obtener estimaciones de longitud de raíz mediante la esqueletización de las segmentaciones generadas y el recuento de píxeles (….)
Los objetivos de este estudio fueron: (a) adaptar 2 modelos CNN existentes a la tarea de estimación de TRL (una tarea completamente diferente sin anotación de segmentación); b) examinar la influencia del tamaño de la muestra y de la calidad de la imagen (que dependen del sistema de adquisición de imágenes) en el rendimiento de los modelos; c) sugerir un método para distinguir entre imágenes con y sin raíces; d) demostrar las contribuciones de los modelos a la investigación de las raíces comparando las gráficas de LDR generadas sobre la base de las estimaciones de TRL de los modelos y las anotaciones de GT de Rootfly; e) examinar las oportunidades de aprendizaje por transferencia al probar un modelo entrenado en un nuevo conjunto de datos con propiedades diferentes; y (f) poner a disposición del público un nuevo conjunto de datos de RM adquirido por 2 tipos de sistemas de RM (manual y automatizado) con anotaciones de alta calidad (…) adquisición manual de imágenes (…)
La adquisición manual de imágenes se realizó utilizando un sistema de cámara de resonancia magnética de Bartz Technology Co. (Carpinteria, California, EE. UU.) con su configuración predeterminada. La cámara se acopló a un mango de indexación y se controló mediante un sistema de captura de imágenes basado en una computadora portátil (I-CAP, Bartz Technology Co., Carpentaria, California, EE. UU.). La iluminación fue suministrada por 4 pequeñas bombillas incandescentes que rodeaban la cámara. La cámara se bajó manualmente a un tubo de observación instalado de 10 a 15 cm delante de la planta medida. Un operador movió la cámara desde la parte inferior del tubo hacia arriba, en incrementos de 13,5 mm, a lo largo de toda la longitud del tubo, mientras que otro operador monitoreó la calidad de la imagen en la computadora portátil y la capturó simultáneamente. Una vez adquiridas todas las imágenes del tubo medido, la cámara y el portátil se trasladaron al siguiente tubo para la recogida de imágenes. (…)
T se obtuvo con anotaciones manuales utilizando el software Rootfly, en el que el usuario agrega puntos a lo largo de la raíz seleccionada. Estos puntos suelen corresponder a las coordenadas al principio y al final de la raíz, los puntos de división entre la raíz principal y otras raíces, y los puntos para describir la curvatura de la raíz. A continuación, estos puntos se conectan en una línea, cuya longitud refleja la longitud real de la raíz seleccionada. Esto se hace para todas las raíces dentro de una imagen y para todas las imágenes de un conjunto de datos. Si bien los «puntos iniciales», «finales» y «puntos de división» están bien definidos, los puntos para describir la curvatura de la raíz no se pueden definir con precisión y esencialmente, y 2 personas anotarían diferentes puntos. Esto significa que, por definición, una red no puede detectar dichos puntos con alta precisión (debido a que los puntos arbitrarios a lo largo de la raíz no son detectables, no tienen ningún criterio de definición). Esto, a su vez, no significa que el modelo de puntos no pueda estimar con precisión el TRL (la red aprende a estimarlo a partir de puntos raíz detectados arbitrariamente) e inferir (aproximadamente) la suma de distancias entre puntos cercanos. (…)
Conclusión
Este estudio proporciona herramientas automatizadas para estimar TRL a partir de imágenes de RM sin necesidad de segmentación. Este método puede permitir una estimación rápida y fiable de los patrones de crecimiento de las raíces, lo que permite el fenotipado y análisis de las raíces con una alta resolución temporal. El modelo propuesto puede rastrear la aparición, el crecimiento y la desaparición de raíces individuales a lo largo del tiempo, lo que permite una estimación precisa de la producción y el recambio de raíces. Esto ayudará a los productores a tomar decisiones acertadas sobre el suministro de agua y nutrientes basadas en información actualizada sobre el crecimiento de las raíces y a predecir el estrés de las plantas antes de que aparezcan los síntomas visibles del estrés. Esto tiene implicaciones importantes para el control oportuno y rentable del estrés en la agricultura de precisión
Las técnicas automatizadas del estudio eliminan la necesidad de segmentación al estimar el TRL a partir de imágenes por resonancia magnética