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

Cette étude présente un cadre automatisé utilisant le modèle open-source Segment Anything (SAM) pour estimer le poids des saumons chinook juvéniles à partir d'images 2D, réduisant ainsi la manipulation de ces espèces menacées tout en obtenant des prédictions de poids précises avec une erreur absolue moyenne de 0,16 g.

L'essentiel

🐟 Le Problème : Peser un poisson sans le stresser

Imaginez que vous essayez de peser un enfant très timide et fragile. Pour le peser, vous devez le sortir de son lit, le porter sur une balance, le manipuler, et le remettre au lit. À chaque fois, l'enfant se stress, s'agite, et cela peut même lui faire mal.

C'est exactement ce qui arrive aux saumons Chinook (une espèce de saumon menacée en Californie). Les scientifiques ont besoin de connaître leur poids et leur taille pour savoir s'ils sont en bonne santé. Mais la méthode traditionnelle (sortir le poisson de l'eau, le mesurer, le peser) est comme ce "réveil brutal" : cela stresse le poisson, et pour les espèces en danger, chaque stress compte.

💡 La Solution : La "Balance Magique" sans toucher

Les auteurs de cette étude, Brian et Carson, ont créé un programme génial appelé HandsFreeFishing (qui signifie littéralement "Pêche sans les mains").

Imaginez un aquarium spécial avec une grille au fond. Vous y glissez un petit saumon. Au lieu de le sortir, vous prenez simplement une photo de lui, de profil, pendant qu'il nage tranquillement dans l'eau.

Ensuite, c'est la magie de l'intelligence artificielle qui opère.

🤖 Le Super-Héros : "Segment Anything" (SAM)

Pour analyser cette photo, ils utilisent un outil open-source très puissant développé par Meta (les créateurs de Facebook), appelé SAM (Segment Anything Model).

• L'analogie : Imaginez que vous avez une photo d'un poisson sur un fond complexe. Normalement, un humain devrait prendre un pinceau numérique et colorier chaque écaille du poisson pour le séparer du fond. C'est long et fastidieux.
• Ce que fait SAM : C'est comme si vous donniez un petit cadre (un rectangle) autour du poisson à l'ordinateur et que vous lui disiez : "Hé, regarde là-dedans, c'est un poisson, et il regarde vers la gauche."
• Le résultat : L'ordinateur trace instantanément le contour parfait du poisson, pixel par pixel, comme un dessinateur ultra-rapide. Il sait exactement où commence le poisson et où il finit.

📏 De la Photo au Poids : La Recette de Cuisine

Une fois que l'ordinateur a le contour du poisson, il ne se contente pas de le regarder. Il fait des calculs mathématiques astucieux pour deviner le poids, sans jamais avoir touché le poisson.

Voici comment ils procèdent, avec une analogie culinaire :

1. La Forme du Poisson : Ils imaginent que le poisson est un œuf allongé (un ellipsoïde).
2. La Surface : Ils calculent la "surface" visible sur la photo (comme la surface de la peau du poisson).
3. Le Volume : En supposant que le poisson a une certaine épaisseur (comme un œuf), ils peuvent déduire son volume à partir de cette surface.
4. Le Poids : Comme le poisson est principalement composé d'eau et de chair, son volume est directement lié à son poids. Plus il est gros en volume, plus il est lourd.

C'est un peu comme si vous vouliez savoir combien pèse un gâteau sans le toucher. Si vous savez sa longueur, sa largeur et sa hauteur, vous pouvez calculer son volume, et donc estimer son poids avec une grande précision.

🎯 Les Résultats : Une Précision Étonnante

Même avec un petit nombre de photos (149 poissons), le système fonctionne à merveille :

• Précision : L'erreur moyenne est de seulement 0,16 gramme. C'est comme peser une pièce de monnaie et se tromper de quelques milligrammes !
• Fiabilité : La prédiction est correcte à 99 % par rapport au poids réel mesuré sur une balance.

🚀 Pourquoi c'est révolutionnaire ?

1. Zéro Stress : Le poisson reste dans l'eau. Il ne subit aucun stress physique. C'est une méthode "non invasive".
2. Rapidité : Au lieu de passer des heures à mesurer chaque poisson à la main, un chercheur peut prendre une photo et laisser l'ordinateur faire le travail en quelques secondes.
3. Accessibilité : Le logiciel est gratuit (open-source). N'importe qui peut l'utiliser, l'adapter pour d'autres espèces, et même le modifier pour mesurer d'autres choses (comme la taille des yeux ou la forme des nageoires).

En résumé

Cette étude nous dit : "Pourquoi toucher un poisson fragile pour le mesurer, alors qu'une photo et une intelligence artificielle peuvent le faire mieux, plus vite et plus gentiment ?"

C'est une victoire pour la science, pour la protection de l'environnement, et pour le bien-être de ces petits saumons qui ont besoin de toute notre attention pour survivre.

Résumé technique

1. Problématique

Les populations de saumons Chinook (Oncorhynchus tshawytscha) sur la côte californienne sont en déclin, menacées par la surpêche et la perte d'habitat. La surveillance de la santé de ces poissons, en particulier des juvéniles, est cruciale pour les efforts de restauration. Traditionnellement, les mesures morphométriques (longueur, poids) et l'évaluation de la condition (facteur de condition de Fulton) nécessitent de manipuler physiquement les poissons, de les sortir de l'eau et de les peser sur des balances.

• Limites actuelles : Ces méthodes sont chronophages, sujettes aux erreurs humaines, et surtout, elles augmentent le stress des poissons, ce qui peut être préjudiciable, voire fatal, pour les espèces menacées.
• Goulot d'étranglement : Même avec des méthodes semi-automatisées, la numérisation manuelle des points morphométriques sur chaque image reste un frein majeur au traitement des données.

2. Méthodologie

Les auteurs ont développé un programme open-source nommé HandsFreeFishing qui permet une automatisation complète de l'extraction de données morphométriques à partir d'une seule image 2D, tout en minimisant la manipulation des poissons.

A. Acquisition des données

• Les images sont capturées à l'aide d'une caméra numérique point-and-shoot intégrée à un dispositif de visualisation (« viewer ») peu coûteux.
• Les poissons sont maintenus dans l'eau, en profil latéral, devant une grille de calibration de 5x5 mm pour l'échelle.
• Le poisson reste immergé tout au long du processus.

B. Pipeline de traitement d'image

Le processus repose sur l'utilisation du modèle de segmentation open-source Segment Anything Model (SAM) de Meta.

1. Entrée utilisateur minimale : L'utilisateur fournit uniquement une boîte englobante (bounding box) autour du poisson et indique son orientation (gauche/droite, droit/à l'envers).
2. Segmentation initiale : SAM génère un masque de segmentation du poisson.
3. Traitement des nageoires : Une analyse heuristique détecte les nageoires (caudale, adipeuse, dorsale, etc.) et les yeux. Les segments de nageoires sont ensuite retirés du masque principal pour obtenir une segmentation « sans nageoires » (no-fin). Cela est crucial car la position variable des nageoires fausse l'estimation de la surface latérale et donc du volume/poids.
4. Extraction des caractéristiques (Feature Extraction) :
   • Longueur fourchue (Fork Length) : Calculée en trouvant le point le plus à gauche (museau) et le centre de la fourche de la queue sur le contour lissé.
   • Surface latérale (Surface Area - SA) : Calculée sur le contour « sans nageoires ».
   • Ajustement elliptique : Un ellipse de meilleur ajustement est calculée pour obtenir les demi-axes majeur ($a$) et mineur ($b$).
   • Autres mesures : Diamètre de l'œil, et placement automatique de 16 points repères (landmarks) pour créer une grille de truss (truss lattice).

C. Prédiction du poids

Le modèle suppose que le corps du poisson est approximable par un ellipsoïde 3D. En supposant que la circonférence (girth) est proportionnelle à la hauteur ($b$), le volume ($V$) est proportionnel à la surface latérale ($SA$) multipliée par la hauteur.
Plusieurs modèles de régression linéaire et multiple (MLR) ont été entraînés sur un jeu de données de 149 poissons (poids réel mesuré à l'échelle) pour prédire le poids à partir des caractéristiques extraites :

• Modèle 1 : Régression linéaire avec $V_1 = SA \times b$.
• Modèle 2 : Régression avec $SA^{3/2}$ (supposant des proportions constantes).
• Modèles 3 à 7 : Variantes utilisant des combinaisons d'axes, de surfaces partitionnées ou de longueurs de truss (éventuellement cubées).

3. Résultats Clés

L'étude a été menée sur un jeu de données de 149 images (longueurs fourchues de 27 à 90 mm, poids de 0,31 g à 7,74 g).

• Performance du modèle optimal (Modèle 1) :
  • Coefficient de détermination ($R^2$) : 0,99 (sur l'ensemble des données).
  • Erreur absolue moyenne (MAE) : 0,16 g.
  • Erreur absolue moyenne en pourcentage (MAPE) : 12 %.
  • Ce modèle, basé sur le produit de la surface latérale et de la hauteur, s'est avéré le plus robuste, surpassant les modèles basés uniquement sur la surface ou les longueurs de truss.
• Robustesse : Même avec un jeu de données « nettoyé » (109 images, éliminant les segmentations ratées), les performances restent exceptionnelles. Le modèle fonctionne bien même avec des segmentations imparfaites, ce qui est crucial pour une application sur le terrain.
• Comparaison : Les modèles utilisant les longueurs de truss (Modèles 6 et 7) ont donné des résultats inférieurs, sauf lorsque les longueurs étaient élevées au cube (pour approximer le volume), mais restaient moins performants que le modèle géométrique simple.

4. Contributions Principales

1. Automatisation complète : Développement d'un pipeline qui réduit l'intervention humaine à une simple boîte englobante et une orientation, éliminant le besoin de points de repère manuels.
2. Méthode non invasive : Permet de mesurer le poids et la condition des poissons sans les sortir de l'eau, réduisant drastiquement le stress et les risques de mortalité pour les espèces menacées.
3. Utilisation de l'IA Open Source : Démonstration de l'efficacité du modèle SAM (Meta) pour la segmentation d'objets biologiques complexes sans nécessiter un entraînement spécifique lourd sur le dataset.
4. Modélisation géométrique simple et efficace : Démonstration qu'une hypothèse géométrique simple (ellipsoïde) combinée à l'extraction de surface 2D suffit à prédire le poids avec une grande précision, évitant la complexité des réseaux de neurones profonds pour la régression directe.
5. Accessibilité : Le code est open-source, le matériel de capture est peu coûteux et reproductible, et le logiciel est adaptable à d'autres espèces.

5. Importance et Signification

Ce travail répond à un besoin critique en écologie halieutique : la nécessité de collecter des données de santé précises sur les populations de poissons menacées sans compromettre leur bien-être.

• Gestion des pêcheries : Les gestionnaires peuvent désormais obtenir des données de poids et de facteur de condition en temps réel à partir de photos, facilitant l'évaluation de l'efficacité des actions de restauration d'habitat.
• Évolutivité : La méthode peut être adaptée à d'autres espèces et stades de vie, permettant la création de bases de données morphométriques massives et standardisées.
• Avenir : Les auteurs suggèrent que l'augmentation des données d'entraînement pourrait permettre d'affiner des modèles plus complexes (comme le Modèle 5 ou 6) et d'automatiser davantage l'orientation et le placement des points anatomiques.

En résumé, l'article présente une solution technologique robuste, peu coûteuse et éthique pour la surveillance des populations de saumons, combinant vision par ordinateur de pointe et modélisation mathématique classique.