Estômatos Sintéticos: Aproveitando Imagens Artificiais para Melhorar a Análise Estômica

StomaGAN, desenvolvido pelos Drs. Jonathon e Alexandra Gibbs, é um modelo de IA especializado, projetado para gerar imagens altamente realistas — tão convincentes que até mesmo o próprio modelo tem dificuldade em distingui-las das reais. Essas imagens geradas artificialmente desempenham um papel crucial no treinamento de modelos de aprendizado profundo, ajudando-os a aprender a reconhecer e analisar características específicas em imagens reais. O StomaGAN concentra-se particularmente em estômatos, as pequenas aberturas nas folhas das plantas que regulam as trocas gasosas.

A produtividade das culturas depende em grande parte de dois fatores principais: a eficiência da fotossíntese das plantas e a disponibilidade de água. No centro deste processo estão estômatos, pequenas aberturas na superfície das plantas que desempenham um papel crucial nas trocas gasosas. Cada estômato é cercado por células de guarda, que controlam quando os estômatos abrem e fecham. Durante fotossíntese, as plantas absorvem dióxido de carbono (CO₂) através dessas aberturas, o que é essencial para a produção de energia. Ao mesmo tempo, vapor de água escapa das folhas em um processo chamado transpiração. Esse delicado equilíbrio entre a ingestão de CO₂ e a perda de água influencia diretamente o crescimento das plantas e, em última análise, o rendimento das colheitas.

Ao estudar propriedades estomáticas como densidade, distribuição, tamanho e a taxa de abertura e fechamento, também conhecida como ritmo, podemos aprimorar a fotossíntese e melhorar a eficiência do uso da água. Esse conhecimento pode levar ao aumento da produtividade das culturas, especialmente em condições desafiadoras como a seca, contribuindo para melhores resultados agrícolas e segurança alimentar.

Nos últimos sete anos, foram realizados progressos significativos no desenvolvimento de ferramentas de aprendizagem profunda para detectar e anotar estômatos, fornecendo um método rápido e eficaz para automatizar a análise estomática.  Anotação envolve a adição de metadados às imagens que detalham a identificação dos limites dos estômatos e suas características morfológicas, como tamanho e densidade. No entanto, a exatidão e a precisão da identificação e caracterização estomática dependem quase inteiramente da qualidade do conjunto de dados subjacente. O aprendizado profundo aprende o que lhe é dito e, se o conjunto de dados fornecido estiver mal anotado, o modelo de aprendizado profundo também produzirá imagens mal anotadas.

A criação deste conjunto de dados de treinamento é demorada e tediosa. Os pesquisadores capturam imagens microscópicas de estômatos usando amostras de folhas fixas, cascas epidérmicas ou impressões. Ferramentas de software como ImageJ, EtiquetaImg e Segmentar qualquer coisa são então usados ​​para anotar essas imagens. Embora essas ferramentas possam automatizar a detecção estomática, muitas vezes apresentam dificuldades na identificação quando o contraste é insuficiente. Além disso, os usuários ainda precisam anotar manualmente a morfologia estomática, o que aumenta o tempo total investido.

O uso de imagens artificiais de alta qualidade fornece uma solução para esse problema.

Dr. Jonathan Gibbs e Dra. Alexandra Gibbs na Universidade de Nottingham desenvolveu uma nova ferramenta para gerar imagens artificiais de estômatos usando técnicas de aprendizado profundo. A ferramenta, StomaGAN, é baseada em Redes Adversariais Generativas (GANs), um tipo de rede neural usada para gerar imagens realistas.

As GANs consistem em duas partes principais: uma gerador e de um discriminador, que trabalham uns contra os outros em um processo chamado jogo adversário.

A gerador é como um artista tentando pintar quadros realistas. Começa produzindo imagens aleatórias e gradualmente aprende a aprimorar, identificando detalhes importantes, como bordas, formas e texturas, a partir de imagens reais. Seu objetivo é criar imagens que pareçam o mais realistas possível.

A discriminador é como um crítico de arte. Ele examina imagens e decide se são reais (de um conjunto de dados real) ou falsas (criadas pelo gerador). Inicialmente, as imagens do gerador podem não ser muito convincentes, mas, com o tempo, ele melhora ao aprender com o feedback do discriminador.

Essa competição de ida e volta entre o gerador e o discriminador ajuda o gerador a se aprimorar na criação de imagens realistas. Quanto mais treinam, mais difícil se torna para o discriminador distinguir imagens reais de falsas. Eventualmente, o gerador pode criar imagens tão realistas que podem enganar até mesmo um observador humano.

Para criar o StomaGAN, os autores primeiro precisaram anotar manualmente 559 imagens de microscopia de impressões superficiais à base de esmalte. Em seguida, as imagens passaram por pré-processamento. Durante essa etapa, os estômatos individuais foram identificados, extraídos, redimensionados e rotacionados para uma orientação consistente.

Após o pré-processamento, o StomaGAN foi treinado pelos autores para equilibrar a geração e a discriminação de dados. As imagens artificiais criadas pelo StomaGAN foram então aumentadas para aumentar o tamanho e a variedade do conjunto de dados, redimensionando e/ou invertendo as imagens. O StomaGAN gerou 10,000 imagens artificiais a partir das 559 imagens reais usadas para treiná-lo.

Para avaliar a utilidade do conjunto de dados artificiais, os autores compararam o desempenho de uma ferramenta de detecção existente na identificação de estômatos em imagens reais quando treinada usando apenas imagens reais ou treinada usando uma combinação de imagens artificiais e reais.

A ferramenta de detecção treinada exclusivamente com dados reais detectou estômatos com 94.7% de precisão, enquanto o modelo que incorporou dados artificiais apresentou 99.7% de precisão, classificando incorretamente apenas um dos 5,000 estômatos presentes nas imagens. Isso demonstra que o StomaGAN pode gerar efetivamente conjuntos de dados sintéticos de alta qualidade que permitem a detecção confiável de estômatos. Essa abordagem reduz a necessidade de coleta manual extensa de dados e simplifica avaliações morfológicas complexas, tornando o processo mais eficiente e acessível para pesquisadores.

O StomaGAN pode ser usado para facilitar a coleta e análise de dados em larga escala, melhorando nossa compreensão da fotossíntese e da eficiência do uso da água, bem como a forma como as plantas respondem às mudanças ambientais.

LEIA O ARTIGO:

Jonathon A Gibbs, Alexandra J Gibbs, StomaGAN: Improving image-based analysis of stomata through Generative Adversarial Networks, in silico Plants, 2025;, diaf002, https://doi.org/10.1093/insilicoplants/diaf002

---

O(s) conjunto(s) de dados que sustentam as conclusões deste artigo estão disponíveis abertamente no Stomata Hub, https://www.stomatahub.com/ e no repositório GitHub https://github.com/DrJonoG/StomaGAN.