Segment Any Plant (SAP): Foundation-Model Segmentation for Plant Time-Series Phenotyping

إليك ملخص تقني مفصل لورقة البحث بعنوان: "تقسيم أي نبات (SAP): نموذج أساسي لتقسيم الصور في التنميط الظاهري الزمني للنباتات."

1. بيان المشكلة

تعتمد بيولوجيا النبات الكمية بشكل متزايد على التصوير الزمني لقياس النمو، والتطور، والاستجابات البيئية. ومع ذلك، يواجه التقسيم الآلي لصور النباتات تحديات كبيرة بسبب:

• اللدونة الجوهرية: تخضع النباتات لنمو مستمر، وتغيرات مورفولوجية غير منتظمة وكبيرة، وتفرع، وتحولات طوبولوجية.
• الانسداد الذاتي: تتداخل الأعضاء أو تحجب بعضها البعض بشكل متكرر.
• محدودية الطرق الحالية:
  • معالجة الصور التقليدية: الطرق القائمة على القواعد (العتبة، العمليات المورفولوجية) حساسة لتعقيد الخلفية، والإضاءة، وتداخل الأعضاء.
  • التعلم العميق المخصص لمهام محددة: رغم دقتها، فإن نماذج مثل U-Net أو DeepLabV3+ تتطلب مجموعات بيانات موسومة ضخمة وإعادة تدريب لكل نوع جديد، أو نمط تصوير، أو مرحلة نمو. وهذا يخلق عقبة بين عملية الحصول على البيانات والتحليل، مما يحد من القدرة على النقل والتوسع.

2. المنهجية: إطار عمل SAP

قدم المؤلفون إطار عمل SAP (تقسيم أي نبات)، وهو إطار عمل قائم على الويب يستفيد من نموذج Segment Anything Model 2 (SAM2) المدرب مسبقاً لتمكين تقسيم الصور الزمنية للنباتات بأسلوب "التعلم القليل" (few-shot) وبدون الحاجة لإعادة التدريب.

البنية الأساسية:

• النموذج الأساسي: يستخدم SAM2، وهو نموذج رؤية عام تم تدريبه على مجموعات بيانات متنوعة، مما يسمح بالتكيف القائم على التوجيه (prompt-based) دون الحاجة لإعادة تدريب مخصص للمهمة.
• مكونات النظام:
  • الواجهة الأمامية (Frontend): واجهة مستخدم عبر المتصفح للتفاعل (النقر والاختيار).
  • الخلفية الاستدلالية (Inference Backend): تستضيف نماذج SAM2 (بأحجام: tiny, small, base_plus, large) على وحدات معالجة رسومية مدعومة بتقنية CUDA (مع دعم بديل لمعالجات Apple Silicon/CPU) للتعامل مع التقسيم ونشر الأقنعة (mask propagation).
  • خلفية معالجة الفيديو: تستخدم مكتبات Python (مثل OpenCV، scikit-image، SciPy) للعمليات المورفولوجية واستخراج الخط المركزي (centerline extraction).

خطوات سير العمل:

1. المعالجة المسبقة: يقوم المستخدمون برفع مقاطع فيديو أو تسلسلات صور؛ مع دعم القص الاختياري للتركيز على مناطق الاهتمام.
2. التقسيم الأولي (التعلم القليل): يقدم المستخدم توجيهات نقطية (point prompts) على النبات المعني في إطار أولي واحد. يقوم SAM2 بتوليد قناع التقسيم (segmentation mask).
3. النشر الزمني (Temporal Propagation): يتم نشر القناع الأولي تلقائياً عبر كامل التسلسل الزمني (للأمام وللخلف) باستخدام قدرات التتبع الزمني لـ SAM2، مما يعالج التغيرات المورفولوجية والتحولات الموضعية.
4. التصحيحات اليدوية: في حال فشل النشر في إطارات معينة، يمكن للمستخدمين تحسين الأقنعة باستخدام توجيهات إضافية إيجابية أو سلبية.
5. معايرة المقياس: يحدد المستخدمون طولاً مرجعياً لتحويل قياسات البكسل إلى وحدات حقيقية.
6. استخراج الخط المركزي: تستخدم خوارزمية مخصصة لاستخراج الهيكل (skeleton/centerline) من قناع التقسيم، وهي مصممة خصيصاً للهياكل المستطيلة (السيقان، الجذور) باستخدام متوسط الكنتور.

3. المساهمات الرئيسية

• القدرة على التكيف بدون تدريب: أثبت أن نموذج رؤية عام يمكن تحويله إلى أداة قوية للتنميط الظاهري للنباتات دون الحاجة لإعادة التدريب، مما يقلل بشكل كبير من عبء التوسيم (annotation).
• واجهة ويب متكاملة: توفر بيئة سهلة الاستخدام ولا تتطلب معرفة برمجية (no-code)، تربط بيانات التصوير الخام بالوصفات الكمية (الشكل، الديناميكيات، معدلات النمو).
• المعالجة اللاحقة المتخصصة: قدمت طريقة استخراج الخط المركزي عبر "متوسط الكنتور" المصممة خصيصاً لأعضاء النبات، لتجاوز مشكلات "انحراف الزوايا" الشائعة في خوارزميات التنحيف التقليدية.
• القابلية للتوسع: يدعم مقاييس بيولوجية متنوعة، بدءاً من وردات نبات Arabidopsis thaliana وصولاً إلى المجهر البؤري (confocal) تحت الخلوي.

4. النتائج والأداء

تم التحقق من صحة إطار العمل عبر أربع مجموعات بيانات متميزة: نمو الوردة لنبات Arabidopsis thaliana، الانتحاء الأرضي لتباع الشمس، نمو جذور Arabidopsis، والمجهر البؤري لخلايا الجذور.

المقاييس الكمية:

• دقة التقسيم (IoU):
  • انتحاء تباع الشمس الأرضي: متوسط IoU بلغ 0.927 ± 0.016 (384 إطاراً).
  • وردة Arabidopsis: متوسط IoU بلغ 0.886 ± 0.042 (576 إطاراً).
  • خلايا جذور المجهر البؤري: متوسط IoU بلغ 0.75 ± 0.19 (لكل خلية).
• الاستقرار الزمني: ارتباط بيرسون منخفض بين الزمن وخطأ IoU (على سبيل المثال، $r=0.19$ لتباع الشمس)، مما يشير إلى أن دقة التقسيم تظل مستقرة رغم التغيرات المورفولوجية المستمرة وحركة النبات.
• دقة الخط المركزي: حققت دقة دون البكسل بمتوسط خطأ مسافة إقليدية قدره 1.06 ± 0.78 بكسل (RMSE: 1.23 بكسل) مقارنة بالحقيقة الأرضية، وهو ما يمثل أقل من 0.1% من طول الساق النموذجي.

القدرات النوعية:

• نجح في تتبع نباتات متعددة في آن واحد داخل إطار واحد.
• تعامل مع ظهور أوراق جديدة وتغيرات هيكلية كبيرة على مدار 9 أيام.
• مكّن من التحليل الكمي لمعدلات النمو، وديناميكيات الانحناء، والانتحاء (على سبيل المثال، ملاءمة نماذج النمو الخطي ونماذج الانتحاء الأسية).

5. الأهمية والأثر

• تحول جذري في النموذج: ينقل التنميط الظاهري للنبات من النماذج المخصصة التي تتطلب بيانات ضخمة إلى سير عمل مرن يعتمد على النماذج الأساسية.
• سهولة الوصول: يقلل الحواجز التقنية، مما يسمح للباحثين الذين لا يملكون خبرة برمجية بإجراء تحليلات زمنية معقدة.
• قابلية التكرار: يوفر إطار عمل قابل للنقل يعمل عبر الأنواع المختلفة، ومراحل النمو، وظروف التصوير، مما يسهل العلم القابل للتكرار.
• الآفاق المستقبلية: يؤسس لبنية تحتية حوسبية جديدة لعلوم النبات، مما يسمح بالتكامل السريع بين الحصول على الصور والتحليل الكمي، ويفتح آفاقاً جديدة لدراسة التطور والاستجابات البيئية في أنظمة تجريبية متنوعة.

الكود متاح مفتوح المصدر (GitHub)، كما أن مجموعات البيانات متاحة على Zenodo، مما يعزز الاعتماد الفوري والتطوير المستقبلي من قبل المجتمع العلمي.