StomaGANDéveloppé par les Drs Jonathon et Alexandra Gibbs, StomaGAN est un modèle d'IA spécialisé conçu pour générer des images très réalistes, si convaincantes que le modèle lui-même peine à les distinguer des images réelles. Ces images générées artificiellement jouent un rôle crucial dans l'apprentissage des modèles d'apprentissage profond, les aidant à reconnaître et analyser des caractéristiques spécifiques dans des images réelles. StomaGAN se concentre particulièrement sur stomates, les minuscules ouvertures sur les feuilles des plantes qui régulent les échanges gazeux.

Le rendement des cultures dépend largement de deux facteurs principaux : l'efficacité de la photosynthèse des plantes et la disponibilité en eau. Au cœur de ce processus se trouvent : stomates, de minuscules ouvertures à la surface des plantes qui jouent un rôle crucial dans les échanges gazeux. Chaque stomate est entouré de cellules de garde, qui contrôlent l'ouverture et la fermeture des stomates. la photosynthèse, les plantes absorbent dioxyde de carbone (CO₂) par ces ouvertures, ce qui est essentiel à la production d'énergie. Parallèlement, vapeur d'eau s'échappe des feuilles dans un processus appelé transpirationCet équilibre délicat entre l’apport de CO₂ et la perte d’eau influence directement la croissance des plantes et, en fin de compte, le rendement des cultures.

L'étude des propriétés stomatiques telles que la densité, la distribution, la taille et le rythme d'ouverture et de fermeture des stomates permet d'améliorer la photosynthèse et l'efficacité de l'utilisation de l'eau. Ces connaissances peuvent conduire à une augmentation des rendements agricoles, notamment dans des conditions difficiles comme la sécheresse, contribuant ainsi à de meilleurs résultats agricoles et à la sécurité alimentaire.

Au cours des sept dernières années, des progrès significatifs ont été réalisés dans le développement de outils d'apprentissage profond pour détecter et annoter les stomates, offrant une méthode rapide et efficace pour automatiser l'analyse stomatique.  Annotation Cela implique l'ajout de métadonnées aux images détaillant l'identification des limites des stomates et leurs caractéristiques morphologiques telles que la taille et la densité. Cependant, la précision de l'identification et de la caractérisation des stomates dépend presque entièrement de la qualité du jeu de données sous-jacent. L'apprentissage profond apprend ce qu'on lui demande, et si le jeu de données fourni est mal annoté, le modèle d'apprentissage profond produira également des images mal annotées.

La création de cet ensemble de données d'entraînement est longue et fastidieuse. Les chercheurs capturent des images microscopiques des stomates à partir d'échantillons de feuilles fixées, de pelures épidermiques ou d'empreintes. Des outils logiciels comme ImageJ, ÉtiquetteImg et Segmenter n'importe quoi sont ensuite utilisés pour annoter ces images. Bien que ces outils puissent automatiser la détection stomatique, ils peinent souvent à l'identifier lorsque le contraste est insuffisant. De plus, les utilisateurs doivent toujours annoter manuellement la morphologie stomatique, ce qui augmente le temps investi.

L’utilisation d’images artificielles de haute qualité apporte une solution à ce problème.

Dr. Jonathon Gibbs et Dr. Alexandra Gibbs à l'Université de Nottingham développé un nouvel outil permettant de générer des images artificielles de stomates à l'aide de techniques d'apprentissage en profondeur. L'outil, StomaGAN, est basé sur les réseaux antagonistes génératifs (GAN), un type de réseau neuronal utilisé pour générer des images réalistes.

Les GAN se composent de deux parties clés : a générateur , l’aspect économique discriminateur, qui fonctionnent les uns contre les autres dans un processus appelé jeu conflictuel.

Le générateur C'est comme un artiste qui essaie de peindre des tableaux réalistes. Il commence par produire des images aléatoires et s'améliore progressivement en identifiant des détails importants tels que les contours, les formes et les textures à partir d'images réelles. Son objectif est de créer des images aussi réalistes que possible.

Le discriminateur C'est comme un critique d'art. Il examine les images et détermine si elles sont réelles (issues d'un ensemble de données réel) ou fausses (créées par le générateur). Au départ, les images du générateur peuvent ne pas être très convaincantes, mais avec le temps, il s'améliore grâce aux retours du discriminateur.

Cette compétition entre le générateur et le discriminateur permet au générateur de s'améliorer dans la création d'images réalistes. Plus il s'entraîne, plus il devient difficile pour le discriminateur de distinguer les vraies images des fausses. Finalement, le générateur peut créer des images si réalistes qu'elles peuvent tromper même un observateur humain.

Pour créer StomaGAN, les auteurs ont d'abord dû annoter manuellement 559 images microscopiques d'empreintes de surface à base de vernis à ongles. Ensuite, les images ont subi un prétraitement. Au cours de cette étape, chaque stomie a été identifiée, extraite, redimensionnée et pivotée pour une orientation cohérente.

Après le prétraitement, StomaGAN a été entraîné par les auteurs pour équilibrer la génération et la discrimination des données. Les images artificielles créées par StomaGAN ont ensuite été augmentées pour accroître la taille et la variété de l'ensemble de données en les redimensionnant et/ou en les retournant. StomaGAN a généré 10,000 559 images artificielles à partir des XNUMX images réelles utilisées pour l'entraînement.

Pour évaluer l’utilité de l’ensemble de données artificielles, les auteurs ont comparé les performances d’un outil de détection existant dans l’identification des stomates dans des images réelles lorsqu’il était formé en utilisant uniquement des images réelles ou formé en utilisant une combinaison d’images artificielles et réelles.

L'outil de détection, entraîné uniquement sur des données réelles, a détecté les stomates avec une précision de 94.7 %, tandis que le modèle intégrant des données artificielles était précis à 99.7 %, ne classant qu'un seul stomate sur 5,000 XNUMX présents dans les images. Cela démontre que StomaGAN peut générer efficacement des ensembles de données synthétiques de haute qualité permettant une détection stomatique fiable. Cette approche réduit le besoin de collecte manuelle de données et simplifie les évaluations morphologiques complexes, rendant le processus plus efficace et plus accessible aux chercheurs.

StomaGAN peut être utilisé pour faciliter la collecte et l’analyse de données à grande échelle, améliorant ainsi notre compréhension de la photosynthèse et de l’efficacité de l’utilisation de l’eau, ainsi que la façon dont les plantes réagissent aux changements environnementaux.

LIRE L'ARTICLE:

Jonathon A Gibbs, Alexandra J Gibbs, StomaGAN : Amélioration de l’analyse des stomates basée sur l’image grâce aux réseaux antagonistes génératifs, in silico Plants, 2025;, diaf002, https://doi.org/10.1093/insilicoplants/diaf002

Les ensembles de données soutenant les conclusions de cet article sont librement disponibles sur le Stomata Hub, https://www.stomatahub.com/ et dans le dépôt GitHub https://github.com/DrJonoG/StomaGAN.