Автоматизация процесса получения координат опорных точек в методе геометрической морфометрии

Исследования, основанные на использовании геометрической морфометрии, появились не так давно. В науке метод обрел популярность как у биологов, так и специалистов других естественно-научных дисциплин, ведь геометрическая морфометрия позволяет рассматривать большое количество объектов одного вида, а совокупность используемых методов, предназначенных для поиска различий между объектами по их форме, позволяет исключить влияние других факторов, таких как размерность и поворот относительно области наблюдения [1]. На заключительном этапе исследования, геометрическая морфометрия позволяет визуализировать усредненную форму исследуемого объекта, а также рассмотреть форму отдельных видовых групп для сравнения и описания различий, характерных для рода или семейства.

В 2018 году на Белом море на территории Кандалакшского заповедника был произведен сбор материала для исследования, с четырех точек были собраны мидии видов Mytilus edulis и Mytilus trossulus. На каждую точку приходилось примерно 30 мидий, также с каждой точки были взяты пробы солености. Было необходимо подготовить исследуемый материал для оцифровки, для этого створки были препарированы, очищены от мягких тканей и высушены. Для оцифровки на сканере использовались только правые створки моллюсков. Полученное изображение было разделено на отдельные файлы, которые включают только одну створку, что было нужно для более удобной расстановки опорных точек. Изначально был разработан принцип, по которому наносились опорные точки на изображение, после чего каждое изображение было обработано в соответствии с этим принципом для получения координат точек (рис. 1).­­­­­

Рис. 1. Пример расстановки опорных точек

Расстановка точек на всех изображениях, получение файлов, включающих координаты точек является только подготовительным этапом исследования, однако достаточно затратным по времени. Дальнейшие этапы подразумевают обработку полученных координат. Впоследствии производится прокрустов анализ, который позволяет получить усредненные значения каждой точки, а также увидеть "выбросы" в выборке (Рис. 2).

Рис. 2. Результат Прокрустова анализа

Указанные методы позволяют получить трансформационную решетку целевой формы объекта и судить об ее изменении в зависимости от видовых различий. Данные методы требуют тщательной проработки и специальных математических расчетов, где для получения точных координат на различных по форме объектах нужна трудоемкая обработка каждого, которая осложняется влиянием человеческого фактора на результат исследования.

В результате анализа данного процесса было обращено внимание на трудоемкость подготовительного этапа исследования – выбор точек и получение их координат. Использование нейронных сетей позволило бы сократить время обработки материала, чтобы получать приблизительные результаты исследования значительно раньше. В настоящее время существует множество нейронных сетей, применяемых в области искусственного интеллекта, включая компьютерное зрение, обработку естественного языка и так далее. Определение координат опорных точек является одной из задач, которая может быть решена с помощью них. С целью проведения сравнительного анализа были рассмотрены различные типы нейронных сетей для определения из них наиболее подходящих для решения данной задачи.

 Простые нейронные сети или многослойные персептроны: данный тип является наиболее базовым. Они состоят из входного слоя, скрытых слоев и выходного слоя. Многослойные персептроны обладают достаточной гибкостью для решения поставленных задач, однако их эффективность может быть ограничена из-за большого количества параметров, которые требуется настроить. Например, данная сеть имеет один или несколько скрытых слоев между входным и выходным слоями, поэтому если количество слоев выбрано неправильно, то модель может быть недостаточно обучена или же переобучена. Переобучение может привести к слишком сложной модели, которая слишком хорошо запоминает данные, но достаточно плохо работает с новыми.

Сверточные нейронные сети (СНС): основаны на идее свертки, которая позволяет обнаруживать локальные паттерны во входных данных. СНС хорошо подходят для обработки изображений, так как они сохраняют пространственные зависимости между пикселями. Для определения координат опорных точек СНС могут обучаться для выявления особенностей в изображениях, связанных с данными точками [2].

Рекуррентные нейронные сети (РНС): имеют циклическую структуру, которая позволяет передавать информацию от предыдущего шага к текущему. РНС хорошо подходят для работы с последовательными данными, такими как временные ряды или тексты. В контексте определения координат опорных точек РНС могут использоваться для анализа последовательности данных точек и выявления зависимостей [3].

При определении наиболее подходящих типов нейронных сетей для поставленной задачи необходимо учесть следующие факторы:

• Структура данных;
• Размер и сложность набора данных;
• Доступность данных.

Следуя из теоретических данных, для задачи определения координат опорных точек наиболее подходящим типом нейронной сети может быть сверточная нейронная сеть (СНС). Обратимся к факторам, представленным выше. Входные данные представлены в виде изображений, с которыми более эффективно работает именно сверточная нейронная сеть. Кроме этого, СНС позволяет обрабатывать зависимости и выявлять определенные точки на представленном изображении.