Altersbestimmung mittels künstlicher Intelligenz

Hintergrund und Zielsetzung

Für die Bestandsabschätzung von Fischen sind wir auf die Bestimmung des Alters der analysierten Tiere angewiesen, um wichtige Trends und Parameter wie Wachstums- und Sterblichkeitsraten abzuleiten. Die am weitesten akzeptierte Methode hat ihre Wurzeln in der Dendrochronologie, mit der das Alter eines Baumes durch das Zählen der Ringe im Stammquerschnitt ermittelt wird. In gleicher Weise kann das Alter von Fischen durch die Aufbereitung ihrer Gehörsteine, der sogenannten Otolithen, abgeleitet werden.

Zur Veranschaulichung des manuellen Altersleseprozesses zeigt die Abbildung 1 ein Bild eines Otolithen, bei dem das Alter auf fünf Jahre geschätzt wurde. Um die Methode genauer und weniger anfällig für subjektive Fehler zu machen, durchlaufen die Altersleserinnen und -leser jahrelange Schulungen mit dem Ziel, eine Über- oder Unterschätzung des Fischalters zu verhindern. Dies kann ansonsten nachteilige Auswirkungen auf die Bewirtschaftung der Fischbestände haben.

Wegen der subjektiven und logistischen Einschränkungen dieser konventionellen Methode ist es an der Zeit, die Fortschritte der Künstlichen Intelligenz (KI) zu nutzen und verschiedene Deep-Learning-Algorithmen einzusetzen, um objektive Schätzungen des Fischalters aus Otolithenbildern zu erhalten.

Zielgruppe

Wissenschaft, Fischereimanagement

Vorgehensweise

In diesem Projekt werden daher sogenannte Convolutional Neural Networks (CNNs) eingesetzt, die sich im Umgang mit Bilddatensätzen als effektiv erwiesen haben. Zwei verschiedene Methoden sollen untersucht werden:

Erstens kann die Altersschätzung von Fischen als semantisches Segmentierungsproblem behandelt werden, bei dem das Otolithenbild in verschiedene Zonen aufgeteilt wird: in Kern, Winterringe und Sommerringe (s. Abb. 1). Um dies effizient durchzuführen, wird der sogenannte U-Net-Algorithmus verwendet, eine CNN-Methode, die häufig in der biomedizinischen Bildanalyse eingesetzt wird (Ronneberger et al., 2015).

Die Titelgrafik zeigt eine Beispielvorhersage, die von einem vorläufigen U-Net-Modell gemacht wurde, das auf eines der segregierten Testbilder angewendet wurde. Es ist zu sehen, dass es in der Lage ist, den Otolithen in die verschiedenen Zonen zu segmentieren und somit Altersschätzungen durch die Segmentierungszahlen abzuleiten.

Zweitens kann die Altersschätzung von Fischen als ein Objekterkennungsproblem betrachtet werden, bei dem die Jahresringe als Objekte von Interesse behandelt werden, die an bestimmten Leseachsen erkannt werden müssen. Das funktioniert ähnlich der Standardpraxis, die von manuellen Altersleserinnen und -lesern verwendet wird. Für diese Methode wird der Algorithmus Mask R-CNN verwendet. Es handelt sich dabei um einen regionenbasierten CNN-Algorithmus, bei dem mehrere Netzwerke verwendet werden, um gleichzeitig die Klasse, den Ort und die Segmentierung des Objekts  vorherzusagen (He et al., 2017).

Unsere Forschungsfragen

• Wie können KI-Methoden für die Bestimmung des Fischalters eingesetzt werden?
• Welche Methoden sind am vielversprechendsten für die Routineanwendung?
• Welche Merkmale und Informationen können aus Bildern von Fisch-Otolithen (Gehörsteinen) mit Hilfe von KI-Methoden extrahiert werden, die uns helfen, die Variabilität des Fischwachstums und deren Ursachen (z.B. Klimaeffekte) zu verstehen?

Ergebnisse

Die Abbildung unten zeigt die resultierenden automatischen Annotationen auf einem Beispielbild, wenn ein vorläufiges Mask R-CNN-Modell angewendet wird. In diesem Stadium ist es bereits in der Lage, auch sehr nahe beieinander liegende Jahreszonen zu lokalisieren. Außerdem werden bestimmte Scores angegeben, die uns sagen, wie sicher es ist, dass ein bestimmtes Objekt, das erkannt wurde, tatsächlich ein richtiger Jahresring ist.

Verschiedene Experimente mit der Verwendung der beiden vorgeschlagenen Deep-Learning-Algorithmen zum automatischen Lesen des Fischalters werden noch durchgeführt. Darüber hinaus zielt das Projekt auch darauf ab, eine neue Methode zu entwickeln, die beide Algorithmen kombiniert, um bessere Ergebnisse zu erzielen und sogar andere biologische Variablen zusätzlich zum Fischalter abzuleiten.

Mit diesen vorläufigen Ergebnissen lassen sich die Fähigkeiten der Algorithmen bereits erahnen. Selbst in diesem frühen Stadium wird bereits deutlich, wie der Einsatz von Deep Learning ein vielversprechender Sprung in die Zukunft der Fischaltersbestimmung sein kann.

Links und Downloads

He K., Gkioxari G., Dollár P. and Girshick R. 2017. Mask R-CNN. IEEE International Conference on Computer Vision (ICCV), Venice, 2017, pp. 2980-2988, doi: 10.1109/ICCV.2017.322.

Ronneberger O., Fischer P., Brox T. 2015. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Navab N., Hornegger J., Wells W., Frangi A. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. Springer, Cham. doi.org/10.1007/978-3-319-24574-4_28