StomaGAN, entwickelt von Dr. Jonathon und Alexandra Gibbs, ist ein spezialisiertes KI-Modell, das hochrealistische Bilder erzeugt – so überzeugend, dass selbst das Modell selbst Schwierigkeiten hat, sie von realen Bildern zu unterscheiden. Diese künstlich erzeugten Bilder spielen eine entscheidende Rolle beim Training von Deep-Learning-Modellen und helfen ihnen, bestimmte Merkmale in realen Bildern zu erkennen und zu analysieren. StomaGAN konzentriert sich insbesondere auf Stomata, die winzigen Öffnungen in Pflanzenblättern, die den Gasaustausch regulieren.

Der Ernteertrag hängt im Wesentlichen von zwei Hauptfaktoren ab: der Effizienz der Photosynthese und der Verfügbarkeit von Wasser. Im Mittelpunkt dieses Prozesses stehen Stomata, winzige Öffnungen auf Pflanzenoberflächen, die eine entscheidende Rolle beim Gasaustausch spielen. Jedes Stoma ist umgeben von Schließzellen, die steuern, wann sich die Stomata öffnen und schließen. Während PhotosynthesePflanzen nehmen Kohlendioxid (CO₂) durch diese Öffnungen, was für die Energieerzeugung unerlässlich ist. Gleichzeitig Wasserdampf entweicht aus den Blättern in einem Prozess namens Transpiration. Dieses empfindliche Gleichgewicht zwischen CO₂-Aufnahme und Wasserverlust beeinflusst das Pflanzenwachstum und letztendlich die Ernteerträge direkt.

Durch die Untersuchung von Stomataeigenschaften wie Dichte, Verteilung, Größe und Öffnungs- und Schließgeschwindigkeit (auch Rhythmus genannt) können wir die Photosynthese verbessern und die Wassernutzungseffizienz steigern. Dieses Wissen kann zu höheren Ernteerträgen führen, insbesondere unter schwierigen Bedingungen wie Dürre, und so zu besseren landwirtschaftlichen Ergebnissen und einer höheren Ernährungssicherheit beitragen.

In den letzten sieben Jahren wurden bedeutende Fortschritte in der Entwicklung von Deep-Learning-Tools zum Erkennen und Kommentieren von Stomata, und bietet eine schnelle und effektive Methode zur Automatisierung der Stomataanalyse.  Anmerkung Das Hinzufügen von Metadaten zu Bildern, die die Identifizierung der Stomata-Grenzen und ihre morphologischen Merkmale wie Größe und Dichte detailliert beschreiben, beinhaltet das Hinzufügen von Metadaten zu Bildern. Die Genauigkeit und Präzision der Stomata-Identifizierung und -Charakterisierung hängt jedoch fast ausschließlich von der Qualität des zugrunde liegenden Datensatzes ab. Deep Learning lernt, was ihm gesagt wird. Ist der bereitgestellte Datensatz schlecht annotiert, erzeugt das Deep-Learning-Modell auch schlecht annotierte Bilder.

Die Erstellung dieses Trainingsdatensatzes ist zeitaufwändig und mühsam. Forscher erfassen Mikroskopiebilder von Stomata mithilfe fixierter Blattproben, Epidermisschalen oder Abdrücke. Softwaretools wie ImageJ, LabelImgund SegmentAnything werden dann zur Annotation dieser Bilder verwendet. Obwohl diese Tools die Stomata-Erkennung automatisieren können, haben sie bei unzureichendem Kontrast oft Schwierigkeiten mit der Identifizierung. Darüber hinaus müssen Benutzer die Stomata-Morphologie weiterhin manuell annotieren, was den Gesamtzeitaufwand erhöht.

Die Verwendung hochwertiger künstlicher Bilder bietet eine Lösung für dieses Problem.

Dr. Jonathon Gibbs und Dr. Alexandra Gibbs an der Universität Nottingham entwickelte ein neues Tool zur Generierung künstlicher Bilder von Stomata mithilfe von Deep-Learning-Techniken. Das Tool StomaGAN basiert auf Generative Adversarial Networks (GANs), einer Art neuronalem Netzwerk zur Generierung realistischer Bilder.

GANs bestehen aus zwei Hauptteilen: einem Generator und einem Diskriminator, die in einem Prozess namens gegeneinander wirken konfrontatives Spiel.

Die Generator ist wie ein Künstler, der versucht, realistische Bilder zu malen. Es beginnt mit der Erstellung zufälliger Bilder und verbessert sich schrittweise, indem es wichtige Details wie Kanten, Formen und Texturen anhand realer Bilder erkennt. Ziel ist es, möglichst realistische Bilder zu erstellen.

Die Diskriminator ist wie ein Kunstkritiker. Er untersucht Bilder und entscheidet, ob sie echt (aus einem tatsächlichen Datensatz) oder gefälscht (vom Generator erstellt) sind. Anfangs sind die Bilder des Generators möglicherweise nicht sehr überzeugend, aber mit der Zeit verbessert er sich, indem er aus dem Feedback des Diskriminators lernt.

Dieser ständige Wettbewerb zwischen Generator und Diskriminator hilft dem Generator, realistischere Bilder zu erzeugen. Je mehr sie trainieren, desto schwieriger wird es für den Diskriminator, echte von gefälschten Bildern zu unterscheiden. Schließlich kann der Generator Bilder erzeugen, die so realistisch sind, dass sie sogar einen menschlichen Beobachter täuschen können.

Um StomaGAN zu erstellen, mussten die Autoren zunächst 559 Mikroskopiebilder von Oberflächenabdrücken auf Nagellackbasis manuell annotieren. Anschließend wurden die Bilder vorverarbeitet. Dabei wurden einzelne Stomata identifiziert, extrahiert, skaliert und für eine einheitliche Ausrichtung gedreht.

Nach der Vorverarbeitung trainierten die Autoren StomaGAN, um Datengenerierung und -unterscheidung auszubalancieren. Die von StomaGAN erstellten künstlichen Bilder wurden anschließend erweitert, um Größe und Vielfalt des Datensatzes durch Größenänderung und/oder Spiegeln zu verbessern. StomaGAN generierte 10,000 künstliche Bilder aus den 559 realen Bildern, die zum Trainieren verwendet wurden.

Um die Nützlichkeit des künstlichen Datensatzes zu bewerten, verglichen die Autoren die Leistung eines vorhandenen Erkennungstools bei der Identifizierung von Stomata in realen Bildern, wenn es nur mit realen Bildern trainiert wurde oder wenn es mit einer Kombination aus künstlichen und realen Bildern trainiert wurde.

Das ausschließlich mit realen Daten trainierte Erkennungstool erkannte Stomata mit einer Genauigkeit von 94.7 %, während das Modell mit künstlichen Daten eine Genauigkeit von 99.7 % erreichte und nur eine von 5,000 in den Bildern vorhandenen Stomata falsch klassifizierte. Dies zeigt, dass StomaGAN effektiv hochwertige synthetische Datensätze generieren kann, die eine zuverlässige Stomata-Erkennung ermöglichen. Dieser Ansatz reduziert den Bedarf an umfangreicher manueller Datenerfassung und vereinfacht komplexe morphologische Beurteilungen, wodurch der Prozess für Forscher effizienter und zugänglicher wird.

StomaGAN kann zur Erleichterung der Datenerfassung und -analyse im großen Maßstab eingesetzt werden und so unser Verständnis der Photosynthese und der Wassernutzungseffizienz sowie der Reaktion von Pflanzen auf Umweltveränderungen verbessern.

DER ARTIKEL::

Jonathon A Gibbs, Alexandra J Gibbs, StomaGAN: Verbesserung der bildbasierten Analyse von Stomata durch Generative Adversarial Networks, in silico Plants, 2025;, diaf002, https://doi.org/10.1093/insilicoplants/diaf002

Die Datensätze, die die Schlussfolgerungen dieses Artikels stützen, sind im Stomata Hub frei verfügbar. https://www.stomatahub.com/ und im GitHub-Repository https://github.com/DrJonoG/StomaGAN.