[논문 리뷰] StoManager1: Automated, High-throughput Tool to Measure Leaf Stomata Using Convolutional Neural Networks

Jiaxin Wang, Heidi J. Renninger외 1명|arXiv (Cornell University)|2023. 11. 17.

Plant Water Relations and Carbon Dynamics인용 수 4

한 줄 요약

StoManager1는 컨volution 신경망과 경험적/이론적 알고리즘을 결합하여 30개 이상의 기공 및 보호세포 지표를 mAP@0.5 > 0.993의 정확도로 감지, 수량화 및 측정하는 고처리량 자동화 도구이다. 이는 하드우드에서 생산성과 내재적 수분 이용 효율성과 관련된 정밀하고 확장 가능한 기공 형질 분석을 가능하게 하여 식물 생리 모델링 및 기후 적응 연구를 향상시킨다.

ABSTRACT

The characteristics of stomata on leaves are crucial for the performance of plants and their impact on global water and carbon cycling. However, manually counting stomata can be time-consuming, prone to bias, and limited to small scales and sample sizes. We have created StoManager1, a high-throughput tool that automates detecting, counting, and measuring stomata to address this issue. StoManager1 uses convolutional neural networks to estimate parameters such as stomatal density, area, orientation, and variance. Our results show that StoManager1 is highly precise and has an excellent recall for the stomatal characterizing leaves from various species. This tool can automate measuring leaf stomata, making it easier to explore how leaf stomata control and regulate plant growth and adaptation to environmental stress and climate change. An online demonstration of StoManager1 is available on GitHub at https://github.com/JiaxinWang123/StoManager.git. We have also developed a standalone, user-friendly Windows application for StoManager1 that does not require any programming or coding experience.

연구 동기 및 목표

• 식물 생리학 및 생태학 분야에서 종합적인 기공 지표 측정을 위한 자동화되고 고처리량인 도구의 부족을 보완한다.
• 시간이 오래 걸리고 편향이 있으며 스케일이 제한된 수작업 및 반자동화 방법의 한계를 극복한다.
• 다양한 종에서 기공 및 보호세포 형태학적 형질을 측정하기 위한 강력하고 정확하며 확장 가능한 솔루션을 개발한다.
• 기공 지표를 글로벌 탄소 순환 및 수분 순환 모델 및 생태학적 功能형태질 연구에 대규모로 통합할 수 있도록 한다.
• 환경 스트레스 및 기후 변화에 대한 기공 적응에 관한 유전적 및 생리학적 연구를 촉진한다.

제안 방법

• 컨volution 신경망(CNN)을 활용한 경계 상자 검출 및 인스턴스 세그멘테이션을 조합한 이중 딥러닝 접근법을 사용한다.
• 면적, 길이, 너비, 방향, 집합 지수와 같은 복잡한 기공 지표를 계산하기 위해 경험적 및 이론적 알고리즘을 통합한다.
• 세그멘테이션 출력에서 비정규 기공 및 보호세포 형태의 정확한 면적 계산을 위해 샌들백 공식을 사용한다.
• 일반화성을 확보하기 위해 다양한 기공 형태를 지닌 17종의 하드우드에 대해 모델을 훈련 및 검증한다.
• 이미지 전처리, 기공 검출, 인스턴스 세그멘테이션, 지표 추출, 지표 기반 데이터와의 검증을 포함한 다단계 파이프라인을 구현한다.
• 광범위한 접근성과 사용성을 확보하기 위해 명령줄 기반 파이썬 패키지와 독립형 윈도우 애플리케이션을 제공한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 시스템이 다양한 하드우드 종에서 30개 이상의 기공 및 보호세포 지표를 고정밀도, 고재현율로 감지하고 측정할 수 있는가?
• RQ2 기존에 유도된 기공 지표들—예를 들어 기공 면적 대 보호세포 면적 비율—은 잎 생리 기능과 나무 생장과 어떤 관련이 있는가?
• RQ3 기공 형질이 잎 기능형태질과 결합될 경우, 생산성과 내재적 수분 이용 효율성(iWUE)의 변동성을 얼마나 설명할 수 있는가?
• RQ4 자동화된 고처리량 기공 형질 분석이 생태학적 및 생리학적 모델링의 정확성과 확장성 향상에 기여할 수 있는가?
• RQ5 StoManager1의 성능은 정밀도, 재현율 및 시간 효율성 측면에서 수작업 및 반자동화 방법과 비교해 어떻게 다른가?

주요 결과

• StoManager1는 다양한 하드우드 종에서 평균 정밀도-재현율 지표(mAP@0.5)가 0.993를 초과하는 놀라운 정밀도와 재현율을 달성하였다.
• 기공 지표와 잎 기능형태질의 통합은 하드우드에서 생산성 변동의 78%와 내재적 수분 이용 효율성(iWUE) 변동의 93%를 설명하였다.
• 기존에 유도된 지표들인 기공 면적 대 보호세포 면적 비율은 잎 생리학 및 나무 생장과 유의미한 상관관계를 보였다.
• 이 도구는 면적, 길이, 너비, 방향, 균일성, 분산, 집합 지수를 포함하여 30개 이상의 기공 및 보호세포 지표를 성공적으로 측정하였다.
• StoManager1는 다양한 종의 형태학적 다양성을 정확히 포착하는 데 있어 높은 민감도와 강건성을 보이며, 신뢰할 수 있는 대규모 형질 분석을 가능하게 하였다.
• 소스 코드와 사용자 우아한 윈도우 애플리케이션은 GitHub 및 Zenodo에 공개되어 널리 보급되고 재현 가능성을 보장한다.