Группа ученых из Китая разработала систему на базе искусственного интеллекта DiffPlantCT, которая анализирует внутреннее строение растений по данным компьютерной томографии (КТ), не требуя предварительного обучения на размеченных вручную изображениях. Алгоритм может работать с разными видами – от грецких орехов до колосьев пшеницы, – решая одну из ключевых проблем феномики растений, науки об измерении их признаков.
Компьютерная томография позволяет изучать внутреннюю структуру растений, не повреждая их, – например, отслеживать наполнение зерен в колосе. Однако для получения количественных данных, таких как объем или число зерен, необработанные КТ-снимки нужно сегментировать, то есть попиксельно разделить на разные ткани. До сих пор это требовало многочасовой ручной разметки снимков для каждого вида растений и последующего обучения нейросети, что замедляло селекционные программы.
Новый подход, предложенный исследователями из Уханьского технологического университета и Академии наук КНР, основан на комбинации двух источников данных. Во-первых, используется предобученная генеративная модель Stable Diffusion, которая способна выделять на изображении основные структуры без специальной подготовки. Во-вторых, учитываются физические свойства самого КТ-снимка, где разные уровни серого цвета соответствуют разной плотности тканей. Система объединяет эти данные и с помощью алгоритма кластеризации разделяет ткани.
Эффективность DiffPlantCT проверили на четырех видах растений – грецком орехе, ячмене, пшенице и рисе, – снимки которых были получены на трех разных моделях томографов. В тестах на злаковых культурах точность сегментации в среднем составила 79,3%, что на 41,6% превосходит показатели лучших из существующих методов, работающих без обучения. При анализе более сложной четырехкомпонентной структуры грецкого ореха (скорлупа, мембрана, ядро и фон) система также показала лучшие результаты.
Практическую пользу метода продемонстрировали в ходе эксперимента: ученые сканировали одну и ту же метелку риса восемь раз в течение 37 дней. Система автоматически сегментировала снимки, что позволило впервые проследить за динамикой роста зерен в живом растении, не уничтожая образец. Авторы отмечают, что у алгоритма есть ограничения – например, он обрабатывает объемные снимки послойно, а некоторые параметры требуют ручной настройки. Тем не менее технология может значительно ускорить высокопроизводительную феномику и селекцию новых сортов. Код и наборы данных опубликованы в открытом доступе.