De nouveaux travaux de recherche visent à améliorer la classification et l’analyse des images

Un nouveau domaine promet d’inaugurer une nouvelle ère d’utilisation de l’apprentissage automatique et de la vision par ordinateur pour aborder des questions à petite et à grande échelle sur la biologie des organismes du monde entier. Le domaine de l'imageomique vise à aider à explorer les questions fondamentales sur les processus biologiques sur Terre en combinant des images d'organismes vivants avec des analyses et des découvertes informatisées.

Wei-Lun Chao, chercheur à l'Institut Imageomics de l'Ohio State University et professeur adjoint distingué d'ingénierie d'excellence inclusive en informatique et en ingénierie à l'Ohio State, a donné le mois dernier une présentation approfondie sur les dernières avancées de la recherche dans le domaine. réunion annuelle de l'Association américaine pour l'avancement de la science.

La présentation de l'AAAS de Chao, intitulée « Une perspective imageomique de l'apprentissage automatique et de la vision par ordinateur : du micro au global », faisait partie de la session « Imageomics : alimenter l'apprentissage automatique pour comprendre les traits biologiques ».

Chao et deux autres présentateurs ont décrit comment l'imageomique pourrait transformer la compréhension qu'a la société du monde biologique et écologique en transformant les questions de recherche en problèmes calculables. La présentation de Chao s'est concentrée sur l'application potentielle de l'imageomique pour des problèmes de niveau micro à macro.

« De nos jours, nous disposons de nombreuses avancées rapides dans les techniques d'apprentissage automatique et de vision par ordinateur », a déclaré Chao. « Si nous les utilisons de manière appropriée, ils pourraient réellement aider les scientifiques à résoudre des problèmes critiques mais laborieux. »

Bien que certains problèmes de recherche puissent prendre des années, voire des décennies, à être résolus manuellement, les chercheurs en imageomique suggèrent qu'avec l'aide de techniques de vision artificielle et par ordinateur, telles que la reconnaissance de formes et l'alignement multimodal, le rythme et l'efficacité des découvertes scientifiques de nouvelle génération pourraient être accrus. exponentiellement.

« Si nous pouvons intégrer les connaissances biologiques que les gens ont collectées au fil des décennies et des siècles dans les techniques d'apprentissage automatique, nous pouvons contribuer à améliorer leurs capacités en termes d'interprétabilité et de découverte scientifique », a déclaré Chao.

L’une des façons dont Chao et ses collègues travaillent pour atteindre cet objectif consiste à créer des modèles de base en imageomique qui exploiteront les données provenant de toutes sortes de sources pour permettre diverses tâches. Une autre solution consiste à développer des modèles d'apprentissage automatique capables d'identifier et même de découvrir des traits pour permettre aux ordinateurs de reconnaître et de classer plus facilement les objets dans les images, ce qu'a fait l'équipe de Chao.

« Les méthodes traditionnelles de classification d'images avec détection de traits nécessitent une énorme quantité d'annotations humaines, mais pas notre méthode », a déclaré Chao. « Nous avons été inspirés pour développer notre algorithme par la manière dont les biologistes et les écologistes recherchent des traits permettant de différencier diverses espèces d'organismes biologiques. »

Les classificateurs d'images conventionnels basés sur l'apprentissage automatique ont atteint un grand niveau de précision en analysant une image dans son ensemble, puis en lui étiquetant une certaine catégorie d'objets. Cependant, l'équipe de Chao adopte une approche plus proactive : leur méthode apprend à l'algorithme à rechercher activement des traits tels que des couleurs et des motifs dans n'importe quelle image qui sont spécifiques à la classe d'un objet, comme son espèce animale, pendant son analyse.

De cette façon, l’imageomique peut offrir aux biologistes un compte rendu beaucoup plus détaillé de ce qui est et n’est pas révélé dans l’image, ouvrant la voie à une analyse visuelle plus rapide et plus précise. Le plus intéressant, a déclaré Chao, c'est qu'il s'est avéré capable de gérer des tâches de reconnaissance pour des espèces à grain fin très difficiles à identifier, comme les mimétismes de papillons, dont l'apparence est caractérisée par des détails fins et une variété dans leurs motifs et leurs couleurs.

La facilité avec laquelle l'algorithme peut être utilisé pourrait également permettre d'intégrer l'imageomique à diverses autres fins, allant de la recherche sur le climat à la science des matériaux, a-t-il déclaré.

Chao a déclaré que l'un des aspects les plus difficiles de la promotion de la recherche en imageomique consiste à intégrer différentes parties de la culture scientifique pour collecter suffisamment de données et en tirer de nouvelles hypothèses scientifiques.

C'est l'une des raisons pour lesquelles la collaboration entre différents types de scientifiques et de disciplines fait partie intégrante du domaine, a-t-il déclaré. La recherche en imageomique continuera d’évoluer, mais pour l’instant, Chao est enthousiasmé par son potentiel à permettre de voir et de comprendre le monde naturel de manières inédites et interdisciplinaires.

« Ce que nous voulons vraiment, c'est que l'IA soit fortement intégrée aux connaissances scientifiques, et je dirais que l'imageomique est un excellent point de départ vers cela », a-t-il déclaré.