EcoMorph: Universal morphological trait quantification from natural language prompts for ecological research

Resumen Técnico: EcoMorph – Cuantificación Universal de Rasgos Morfológicos

Planteamiento del Problema
La cuantificación precisa de los rasgos morfológicos, como el área floral y el tamaño corporal de los insectos, es fundamental para la investigación ecológica, influyendo en estudios sobre las interacciones polinizador-planta, la calidad del hábitat y el monitoreo de la biodiversidad. Sin embargo, los métodos existentes enfrentan limitaciones significativas. La medición manual tradicional consume mucho tiempo y recursos. Si bien han surgido enfoques de análisis de imágenes automatizado y aprendizaje profundo (DL), estos suelen requerir un entrenamiento específico para cada tarea basado en extensos conjuntos de datos etiquetados para cada nuevo dominio de aplicación. Este requisito dificulta la generalización a través de diversos taxones y condiciones de campo complejas. Además, muchos flujos de trabajo de visión computacional de alta precisión dependen de equipos de imagen especializados y costosos (por ejemplo, escáneres de invernadero controlados), lo que limita su aplicabilidad en entornos naturales de campo donde la iluminación y los fondos son variables.

Metodología
Los autores presentan EcoMorph, un sistema modular de medición morfológica diseñado para cuantificar rasgos en diversos contextos ecológicos sin necesidad de reentrenamiento específico para cada taxón. El sistema aprovecha el Segment Anything Model 3 (SAM3), un modelo de base visual capaz de segmentar objetos arbitrarios basándose en instrucciones de lenguaje natural.

El flujo de trabajo de EcoMorph consta de tres módulos secuenciales:

1. Módulo de Segmentación de Objetos: Utiliza SAM3 para identificar y delinear las estructuras objetivo. Los usuarios proporcionan instrucciones de texto (que van desde sustantivos simples como "flor" o "insecto" hasta frases descriptivas como "flores rosas" o "cartón cuadrado marrón") para guiar la segmentación. Esto elimina la necesidad de datos de entrenamiento específicos del dominio.
2. Módulo de Extracción de Morfología: Calcula mediciones basadas en píxeles a partir de las máscaras de segmentación resultantes. Calcula el área total (sumando los píxeles de los objetos objetivo), dimensiones lineales (extrayendo ancho/alto a partir de cuadros delimitadores o puntos medios) y conteo de objetos (instancias discretas detectadas por instrucción).
3. Módulo de Escalamiento de Mediciones: Convierte las mediciones digitales de píxeles en unidades físicas (por ejemplo, cm², mm) utilizando dos enfoques de calibración:
   • Escalamiento basado en referencia: Utiliza un objeto físico de dimensiones conocidas (por ejemplo, una moneda o un cuadrado de cartón) colocado dentro del plano de la imagen.
   • Escalamiento basado en la distancia: Calcula factores de escala basados en las especificaciones del sensor de la cámara, la distancia focal y la distancia al sujeto, útil cuando las referencias físicas no son prácticas (por ejemplo, imágenes de drones).

Contribuciones Clave

• Universalidad Basada en Instrucciones (Prompts): A diferencia de otras herramientas que requieren reentrenamiento para taxones específicos, EcoMorph utiliza un único modelo subyacente (SAM3) con instrucciones de lenguaje natural para segmentar diversas estructuras biológicas (flores, insectos, hojas) en diferentes escalas.
• Arquitectura Modular: El sistema desacopla la detección de objetos, la extracción de características y la conversión de unidades, lo que permite la optimización independiente y la extensión para necesidades de investigación específicas.
• Validación de Doble Escala: El marco fue validado a través de dos escalas ecológicas distintas: escala intermedia (centímetros) para el área floral y escala fina (milímetros) para la morfometría de insectos.
• Accesibilidad: El sistema está diseñado para funcionar con hardware de imagen de consumo (por ejemplo, una cámara OAK-1) y es accesible a través de una interfaz web, reduñendo la barrera de entrada para la cuantificación de rasgos de alto rendimiento.

Resultados
Los autores validaron EcoMorph contra mediciones manuales de verdad de campo en tres pruebas específicas:

1. Área Floral (Fondo Simple): Bajo condiciones controladas de fondo simple, las áreas florales derivadas de EcoMorph mostraron una fuerte concordancia con las mediciones manuales de ImageJ ($R^2 = 0.935$, $n = 74$).
2. Área Floral (Fondo Complejo): En entornos de jardines exteriores con iluminación variable y vegetación mixta, el sistema mantuvo una alta precisión ($R^2 = 0.928$, $n = 58$) para el 95% de las imágenes. Se lograron predicciones válidas a pesar de los fondos complejos, aunque ocurrieron fallos de segmentación en imágenes con estructuras florales altamente filamentosas.
3. Morfometría de Insectos: El área corporal derivada de EcoMorph mostró una fuerte correlación con la distancia intertegular (ITD) medida a mano en tres especies de abejas, desde pequeñas (Bombus impatiens) hasta grandes (Xylocopa virginica) ($r = 0.810$, $n = 349$).
4. Conteo de Objetos: Para el conteo de insectos en una caja (7–80 especímenes por imagen), EcoMorph coincidió con los conteos manuales con una precisión casi perfecta ($R^2 = 0.9997$, $n = 12$), con un error cuadrático medio (RMSE) de 0.50.

Significancia y Reivindicaciones
El artículo afirma que EcoMorph representa un avance significativo para las aplicaciones ecológicas que requieren mediciones a través de diversos taxones, contextos de imagen y restricciones de accesibilidad. Al combinar la segmentación basada en instrucciones con la medición modular, la herramienta permite la cuantificación de alto rendimiento de área, tamaño y abundancia a partir de fuentes de imágenes heterogéneas sin necesidad de entrenamiento específico para cada taxón.

Los autores posicionan a EcoMorph como una solución que cierra la brecha entre la alta precisión de los modelos de aprendizaje profundo en entornos controlados y la flexibilidad requerida en la ecología de campo. Afirman que el sistema soporta una amplia gama de aplicaciones, incluyendo la investigación de rasgos de polinizadores y plantas, el monitoreo de la biodiversidad y la abundancia, y la estimación alométrica de biomasa. Aunque reconocen las limitaciones respecto a las estructuras altamente filamentosas y las demandas computacionales de la inferencia de SAM3 en comparación con modelos más ligeros, los autores argumentan que la eliminación de los requisitos de datos de entrenamiento y la capacidad de generalización en entornos complejos justifican el enfoque para la mayoría de las aplicaciones de investigación.