Automated morphometry and weight prediction of juvenile Chinook Salmon leveraging open-source deep learning models

Este estudio presenta un sistema automatizado llamado HandsFreeFishing que utiliza el modelo de segmentación de código abierto Segment Anything (SAM) para estimar el peso de salmones Chinook juveniles a partir de imágenes 2D, logrando una alta precisión con un error absoluto medio de 0,16 g y minimizando así el manejo de estas especies amenazadas.

Lo esencial

¡Claro que sí! Imagina que tienes un amigo muy especial: un salmón joven. Pero este amigo es muy tímido y se estresa mucho si lo sacas del agua para pesarlo o medirlo. Los científicos quieren saber cuánto pesan y cómo de sanos están, pero no quieren molestarlos.

Aquí es donde entra esta investigación, que es como una magia tecnológica para los peces.

🐟 El Problema: "No me toques, por favor"

Antes, para saber el peso de un salmón, los científicos tenían que sacarlo del agua, ponerlo en una balanza y medirlo con una regla. Esto es como si a ti te quitaran la ropa, te pesaran y te midieran mientras estás en una habitación fría y con mucha gente mirándote. ¡Es muy estresante! Además, hacerlo a mano es lento y a veces la gente se equivoca.

📸 La Solución: "El Escáner Mágico"

Los autores de este paper (un equipo de científicos de la Universidad de California) crearon un programa llamado "HandsFreeFishing" (Pesca sin manos).

Imagina que tienes una cámara de fotos especial que toma una foto del pez mientras sigue nadando feliz en su tanque. No lo tocan, no lo sacan del agua. ¡Es como si el pez posara para una selfie sin saberlo!

🤖 El Cerebro Digital: "El Cortador de Siluetas"

Aquí es donde entra la inteligencia artificial. Usaron un modelo de computadora muy inteligente llamado SAM (Segment Anything Model), que es como un cortador de siluetas automático.

1. La Foto: Tomas una foto del pez.
2. El Toque Humano Mínimo: Tú solo haces dos clics en la pantalla para dibujar un cuadro alrededor del pez y le dices: "Oye, este pez mira a la izquierda y está derecho". ¡Listo!
3. La Magia: La computadora hace el resto. Corta la silueta del pez de la foto, elimina las aletas (porque las aletas se mueven y confunden la medida) y calcula el área exacta del cuerpo del pez.

📐 ¿Cómo adivinan el peso? (La analogía del globo)

Una vez que la computadora tiene la silueta perfecta, necesita adivinar el peso. ¿Cómo lo hace?

Imagina que el pez es un globo de agua.

• Si sabes qué tan ancho y qué tan alto es el globo (su superficie), puedes calcular cuánto espacio ocupa en el aire (su volumen).
• Como el pez es básicamente agua y carne, su peso está directamente relacionado con ese volumen.

El programa mide la "superficie" del pez en la foto y, asumiendo que el pez tiene una forma ovalada (como un huevo alargado), calcula matemáticamente cuánto debería pesar. Es como si la computadora dijera: "Veo que este pez ocupa tanto espacio en la foto, así que debe pesar 5 gramos".

📊 Los Resultados: ¡Increíblemente preciso!

Probamos esto con 149 peces pequeños (desde el tamaño de un lápiz hasta uno un poco más grande).

• Precisión: El programa adivinó el peso con un error promedio de solo 0.16 gramos. ¡Es como si pesaras una moneda y te equivocaras en una fracción de ella!
• Velocidad: Lo hace en segundos.
• Sin estrés: El pez nunca sale del agua.

🌟 ¿Por qué es importante?

Esto es como pasar de usar una regla de madera y una balanza antigua a usar un escáner 3D futurista.

1. Protege a los peces: Al no tocarlos, no se estresan y no se lastiman.
2. Ahorra tiempo: Lo que antes tomaba horas, ahora toma minutos.
3. Ayuda a salvar especies: Los salmones están en peligro. Saber cuántos hay y cómo de sanos están, sin dañarlos, es crucial para protegerlos.

En resumen: Este paper nos enseña que, con un poco de inteligencia artificial y una cámara, podemos "pesar" a los peces con la mente, sin tener que tocarlos con las manos. ¡Es una forma más amable y moderna de cuidar la naturaleza! 🐟✨📱

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Morfometría automatizada y predicción de peso de salmones Chinook juveniles aprovechando modelos de aprendizaje profundo de código abierto.

1. El Problema

Las poblaciones de salmón Chinook (Oncorhynchus tshawytscha) en la costa de California están en declive debido a la sobrepesca, la pérdida de hábitat y la degradación de sus zonas de cría y migración. La gestión y restauración de estas poblaciones requieren monitoreo constante de la salud de los peces, lo cual a menudo implica mediciones morfométricas (longitud, peso, factor de condición).

El método tradicional de medición requiere manipular físicamente a los peces, sacándolos del agua para pesarlos y medirlos. Este proceso presenta dos problemas críticos:

• Estrés y daño al pez: La manipulación excesiva aumenta el estrés fisiológico, lo cual es especialmente perjudicial para especies amenazadas o en peligro.
• Ineficiencia y error humano: La digitalización manual de puntos morfométricos en cada imagen es un cuello de botella en el procesamiento de datos, requiere usuarios entrenados y es propensa a errores.

2. Metodología

El estudio propone un marco de trabajo llamado HandsFreeFishing, diseñado para minimizar la manipulación manteniendo a los peces sumergidos durante todo el proceso. La metodología se basa en los siguientes pasos:

• Adquisición de Imágenes: Se utilizan "visualizadores" de peces (tanques transparentes con una cuadrícula de referencia de 5x5 mm) y cámaras digitales para capturar perfiles laterales de peces juveniles (27-90 mm) sin sacarlos del agua.
• Segmentación Automatizada (Deep Learning):
  • Se emplea el modelo Segment Anything Model (SAM) de Meta, un modelo de código abierto de alto rendimiento.
  • Interacción mínima: El usuario solo proporciona una caja delimitadora (bounding box) alrededor del pez y datos de orientación básicos (izquierda/derecha, arriba/abajo).
  • El modelo genera una máscara de segmentación inicial.
• Procesamiento de Contorno y Extracción de Características:
  • Se aplica un análisis de Fourier elíptico para suavizar el contorno del pez.
  • Eliminación de aletas: Dado que las aletas pueden estar en diferentes posiciones (arriba/abajo) y tienen una densidad diferente al cuerpo, el algoritmo segmenta y elimina las aletas (caudal, adiposa, dorsal, pectoral, ventral, anal) para obtener una segmentación "sin aletas" ("no-fin"). Esto es crucial para estimar el volumen del cuerpo con precisión.
  • Escala: Se utiliza la cuadrícula de fondo para convertir píxeles a milímetros.
  • Características extraídas: Longitud horquilla (fork length), área de superficie lateral, diámetro del ojo, y puntos de referencia (landmarks) para una red de truss (estructura de vigas) automatizada.
• Predicción de Peso:
  • Se asume que el cuerpo del pez tiene una forma aproximada de elipsoide 3D.
  • Se calculan variables derivadas del área de superficie (SA) y los semiejes de la elipse de mejor ajuste ($a$ y $b$).
  • Se entrenan modelos de regresión lineal y múltiple (MLR) utilizando Python (Scikit-Learn) para predecir el peso basándose en estas características geométricas.

3. Contribuciones Clave

• Automatización del Pipeline de Datos: Se ha desarrollado un sistema que reduce drásticamente la intervención humana, pasando de la digitalización manual de puntos a una extracción automática de características basada en IA.
• Minimización del Estrés en Peces: Permite obtener datos críticos de salud (peso, factor de condición) sin sacar al pez del agua, abordando una necesidad urgente de métodos no invasivos.
• Modelo de Predicción Robusto con Pocos Datos: Logra una alta precisión en la predicción de peso utilizando un conjunto de datos relativamente pequeño (149 imágenes, de las cuales 109 se consideraron de alta calidad tras limpieza).
• Código Abierto y Reproducibilidad: Todo el software, los pasos de instalación y los ejemplos están disponibles en un repositorio de GitHub, permitiendo que otros investigadores adapten el método a otras especies.

4. Resultados

El modelo se evaluó en un rango de pesos de 0.31 g a 7.74 g. Los resultados más destacados corresponden al Modelo 1, que utiliza la variable $V_1 = \text{Área de Superficie (SA)} \times \text{Altura (b)}$, asumiendo que la circunferencia es proporcional a la altura:

• Precisión:
  • Coeficiente de determinación ($R^2$): 0.99 (en el conjunto de datos limpio).
  • Error Absoluto Medio (MAE): 0.16 g.
  • Error Porcentual Absoluto Medio (MAPE): 12%.
• Comparación de Modelos:
  • El Modelo 1 superó a otros enfoques, incluyendo modelos basados puramente en el cubo de la longitud ($SA^{3/2}$) o redes de truss complejas (Modelos 6 y 7), que mostraron menor rendimiento o requerían más datos para entrenarse adecuadamente.
  • Incluso con el conjunto de datos completo (incluyendo imágenes con segmentaciones imperfectas), el modelo mantuvo un $R^2$ de 0.98, demostrando robustez.

5. Significado e Impacto

Este trabajo representa un avance significativo en la ecología pesquera y la gestión de especies amenazadas:

• Eficiencia Operativa: Elimina el cuello de botella en el procesamiento de datos morfométricos, permitiendo el análisis rápido de grandes volúmenes de imágenes.
• Bienestar Animal: Ofrece una solución práctica para monitorear poblaciones de peces en peligro sin comprometer su salud mediante manipulación física.
• Escalabilidad: La flexibilidad del software permite adaptarlo fácilmente a otras especies y etapas de vida, facilitando la creación de bases de datos morfométricas globales.
• Toma de Decisiones: Proporciona datos precisos sobre el peso y la condición de los peces, esenciales para evaluar el éxito de las acciones de restauración de hábitats y la gestión de pesquerías.

En resumen, el estudio demuestra que la combinación de hardware de bajo costo (visualizadores de peces) y modelos de IA de vanguardia (SAM) puede revolucionar la recolección de datos biológicos, haciéndola más precisa, rápida y ética.