Mesurer les puissants escargots de boue avec des superpixels – Blog des méthodes

Message fourni par Liam MacNeil

La collecte de données sur des milliers de spécimens biologiques peut révéler des modèles à grande échelle, mais le faire manuellement prend beaucoup de temps. Dans ce billet de blog, Liam MacNeil décrit leur approche automatisée de la collecte de données et les informations que cela a fournies sur la morphologie des escargots de boue.

Evolution sur la plage

Charles Darwin commence son chef-d’œuvre À propos de l’origine des espèces (1859) avec de charmants exemples d’élevage sélectif chez les chiens et pigeons, démontrant un processus (sélection artificielle) qui génère des modèles de variation phénotypique. Mais c’est son dur travail d’observation des balanes qui a finalement contribué à façonner la théorie de l’évolution par sélection naturelle. Ces invertébrés intertidaux offraient une multitude d’échantillons permettant d’analyser rigoureusement les modèles de sélection dans la nature.

Les zones côtières ont longtemps été un objectif pour comprendre les modèles écologiquesmais cette histoire scientifique cache le manque relatif de données produites et analysées sur les communautés benthiques marines. Cela est surprenant étant donné qu’une partie importante, sinon la majorité, de la biodiversité mondiale et la biomasse est hébergée dans les sédiments marins.

Notre article récent utilise un configuration du mésocosmequi est un modèle du voisin Mer des Wadden. Ce mésocosme permet un échantillonnage à haute fréquence de la faune benthique sous différents traitements thermiques.

Tri des superpixels d’escargots

Pour accélérer le comptage et le dimensionnement des dominantes escargot de boue, nous appliquons des outils de vision par ordinateur pour traiter, segmenter, mesurer et préserver les métadonnées détaillées. Ces outils sont tous reproductibles sous Protocoles de données FAIR (Trouvable, Accessible, Interopérable, Réutilisable).

Notre article présente un flux de travail pour segmenter les escargots de boue (qui affichent des tailles, des formes et des couleurs complexes) à partir d’images 2D et mesurer avec précision plusieurs propriétés morphologiques de chaque individu. La base de cela réside dans les superpixels : des groupes représentatifs de pixels basés sur des fonctionnalités partagées de bas niveau qui ont permis une extraction rapide d’objets en regroupant les superpixels ensemble, puis en segmentant les clusters de manière algorithmique.

Les mesures automatisées de la taille se sont avérées précises pour > 4,5 000 escargots de boue que nous avons mesurés manuellement. Lorsqu’elle est appliquée à l’ensemble de données d’escargots de boue plus vaste, notre méthode a automatiquement mesuré > 42 000 escargots de boue en environ un cinquième du temps nécessaire à une mesure manuelle (~ 2 minutes par image).

Escargots au printemps

Nous avons trouvé une croissance marginale des escargots de boue qui ne s’explique que comme une croissance saisonnière au printemps, et non entre différents traitements thermiques. Ce qui suggère que cet escargot de boue commun, réparti sur toute la côte nord-ouest de l’Atlantique, fait preuve de résilience dans sa croissance jusqu’à 3 °C de réchauffement des océans. Ces développements dans les méthodes de mesure invitent la recherche à étudier la sensibilité de la croissance des escargots de boue dans un climat changeant.

Travail futur

L’approche fondamentale présentée dans notre article peut être étendue au-delà du comptage et de la mesure des individus. Le partitionnement précis des images (ou vidéos) en fonction de caractéristiques naturelles innées ouvre la possibilité d’analyser les réponses de traits individuels (par exemple, l’allongement, la rondeur, la couleur) aux gradients environnementaux des paysages ou d’évaluer la saisonnalité au fil du temps. Quelle que soit la manière dont les images sont collectées, les superpixels peuvent aider à obtenir des informations sur les objets biologiques intégrés dans les photographies. Les superpixels peuvent également être combinés avec des modèles d’apprentissage profond pour améliorer la représentation et l’apprentissage des caractéristiques des objets.

Au-delà de l’amélioration des analyses basées sur l’image axées sur l’écologie benthique, nos travaux sont pleinement développés dans le Langage de programmation R avec pour objectif de s’étendre vers des fonctionnalités similaires dans de nombreux outils en libre accès (par exemple Python). La vision par ordinateur peut rendre possible une surveillance quantitative des communautés benthiques, en évaluant les impacts des invasions d’espèces, des facteurs de stress environnementaux et des changements climatiques plus larges. Comme nous l’avons démontré, les progrès de la vision par ordinateur continueront d’améliorer et de moderniser les études écologiques.

Vous pouvez lire l’article complet dans Méthodes en écologie et évolution ici