CoralLite: {\mu}CT Reconstruction of Coral Colonies from Individual Corallites

Riepilogo Tecnico: CoralLite

Enunciato del Problema
La storia vitale dei coralli che formano barriere, come le specie del genere Porites, è archiviata all'interno dei loro scheletri in accrescimento. Comprendere il tasso e la tempistica della divisione dei polipi e il suo impatto sulla crescita della colonia richiede il tracciamento del corallite scheletrico depositato attorno a ciascun polipo individuale. Sebbene queste colonie possano crescere per centinaia di anni, il loro tessuto vivente è uno strato superficiale sottile. Attualmente, l'analisi della struttura interna 3D di queste colonie tramite micro-tomografia computerizzata (µCT) si basa sul tracciamento manuale dei singoli coralliti attraverso slice volumetriche. Questo processo è dispendioso in termini di tempo, laborioso e poco pratico per analisi su larga scala. Manca un metodo automatizzato basato sul deep learning in grado di eseguire una ricostruzione 3D che preservi l'identità dei singoli coralliti a partire esclusivamente da dati µCT.

Metodologia
Gli autori propongono CoralLite, una pipeline composta da un nuovo dataset e da un'architettura ibrida di deep learning per la segmentazione volumetrica e la ricostruzione 3D.

1. Costruzione del Dataset:

   • Il dataset include 697 slice µCT provenienti da tre esemplari di Porites (Naturalis 6785, Naturalis 6781 e un esemplare di Astraeiformis).
   • Le annotazioni comprendono 8.412 segmentazioni binarie manuali degli interni dei coralliti su slice complete e prior di annotazione a punti (centri dei coralliti) per 33 slice.
   • I dati sono elaborati in snippet volumetrici tassellati di dimensioni $5 \times 224 \times 224$ per catturare il contesto 3D locale senza sottocampionamento.

2. Architettura (Hybrid V-Trans-UNet):

   • Il modello adatta l'architettura Video-TransUNet, reinterpretando la dimensione temporale come profondità spaziale.
   • Backbone: Un encoder ResNet-50 estrae le caratteristiche per ogni slice.
   • Modulo di Contesto: Un Modulo di Contesto Temporale (TCM) mescola le caratteristiche lungo la dimensione della profondità (slice adiacenti) per catturare la continuità volumetrica locale.
   • Trasformatore: Un Vision Transformer (ViT) a 12 livelli modella le dipendenze spaziali a lungo raggio.
   • Decoder: Una DCNN deconvoluzionale a cascata con connessioni di salto produce la maschera di segmentazione finale.

3. Strategia di Addestramento:

   • Ottimizzazione in Due Fasi: Il modello viene prima pre-addestrato su dati debolmente annotati (Naturalis 6785) utilizzando le standard funzioni di perdita Binary Cross-Entropy e Dice. Successivamente, viene affinato (fine-tuned) su una singola slice completamente annotata della colonia target (Naturalis 6781 Growth #1279).
   • Funzione di Perdita Topologica: Per affrontare il requisito specifico secondo cui i coralliti adiacenti devono rimanere separati, viene introdotta una funzione di perdita topologica ($L_{Topo}$) durante l'affinamento. Questa perdita penalizza le regioni fuse e i falsi positivi eccessivamente espansi analizzando le componenti connesse e le loro intersezioni con il ground truth.
   • Aumento dei Dati: Include rotazioni casuali, riflessioni e rumore gaussiano additivo.

4. Ricostruzione 3D:

   • Una procedura di collegamento tra slice connette le regioni segmentate tra slice adiacenti basandosi sulla distanza del centroide e su soglie di Intersezione su Unione (IoU).
   • Le regioni tracciate sono rappresentate da centroidi e lunghezze degli assi per generare modelli ellissoidali 3D dei singoli coralliti, visualizzati come volumi completi della colonia.

Contributi Chiave

• Dataset CoralLite: Il primo dataset annotato µCT per la ricostruzione dei coralliti, contenente 697 slice, 37 slice annotate (complete e parziali) e 8.412 etichette manuali di regioni corallitiche.
• Pipeline Guidata dalla Topologia: Una pipeline di segmentazione volumetrica che utilizza un'architettura ibrida ResNet-ViT con una specifica funzione di perdita topologica per prevenire la fusione di istanze di coralliti adiacenti.
• Valutazione di Riferimento: Valutazione completa su tre impostazioni di generalizzazione: stessa colonia/stesso asse, stessa colonia/diverso asse e tra esemplari diversi.
• Open Source: Rilascio di tutti i pesi della rete, del codice sorgente e del dataset completo per servire come riferimento per ricerche future.

Risultati

• Prestazioni di Segmentazione: Il modello affinato raggiunge un coefficiente di similarità di Dice medio (mDSC) di 0,77 sulla stessa colonia (Compito A) e 0,71 su un diverso asse di proiezione della stessa colonia (Compito B). Raggiunge 0,63 mDSC su un esemplare biologicamente non correlato (Compito C).
• Accuratezza Topologica: Il modello raggiunge un'accuratezza topologica di 0,94 sulla stessa colonia.
• Impatto dei Componenti:
  • L'affinamento su una singola slice completamente annotata è critico; i modelli pre-addestrati senza affinamento performano male.
  • La funzione di perdita topologica non altera significativamente i punteggi mDSC ma migliora visibilmente la separazione dei coralliti adiacenti, riducendo le connessioni di falsi positivi.
  • L'aumento dei dati con rumore gaussiano migliora le prestazioni tra specie diverse (Compito C) fino all'8%.
• Ricostruzione: La pipeline genera con successo visualizzazioni 3D dei singoli coralliti e modelli su scala di colonia, catturando le direzioni di crescita e l'allineamento strutturale, sebbene questi siano attualmente destinati all'ispezione visiva piuttosto che alla quantificazione scientifica.

Significato e Affermazioni
Il documento presenta CoralLite come una prova di concetto che dimostra come l'apprendimento automatico visivo possa supportare efficacemente la modellazione completa 3D dei singoli coralliti a partire esclusivamente da scansioni µCT. Gli autori affermano con modestia che il loro lavoro stabilisce il primo riferimento per questo compito, mostrando che un dataset annotato di dimensioni ragionevoli combinato con l'apprendimento volumetrico è sufficiente a supportare la ricostruzione automatizzata di colonie a livello di corallite.

Gli autori dichiarano esplicitamente di non affermare ancora di fornire un'applicazione di imageomica completamente automatizzata e scientificamente quantificata in grado di stimare in modo affidabile indicatori biologici complessi (come la variabilità del tasso di gemmazione o la durata della vita dei polipi) in funzione dell'età della colonia. Invece, il documento mira a fornire i dataset fondamentali, le annotazioni e i riferimenti necessari affinché la comunità possa costruire verso tali applicazioni. Il lavoro segna il primo passo verso l'automazione imageomica per comprendere meglio la dinamica di crescita dei coralli e supportare gli sforzi di conservazione delle barriere coralline.