Los investigadores han demostrado una técnica que modela geométricamente objetos orgánicos y crea imágenes fotorrealistas y tridimensionales (3D) de esos objetos. Estas imágenes matemáticamente precisas se pueden utilizar para diseñar sistemas robóticos capaces de identificar y clasificar estas formas complejas de forma autónoma.

La técnica fue creada para mejorar los sistemas robóticos que clasifican e identifican fósiles marinos microscópicos utilizados en la investigación climática, pero podría servir como modelo para aplicaciones en una variedad de otros campos.

"Demostramos la funcionalidad de esta técnica de dos maneras: en un sistema robótico para obtener imágenes en 3D de estos fósiles marinos microscópicos y en un sistema robótico para la identificación de los fósiles", dice Edgar Lobaton, coautor de un artículo sobre el trabajo y profesor de ingeniería eléctrica e informática en la Universidad Estatal de Carolina del Norte (North Carolina State University) en USA. “Y la identificación de estos fósiles es muy difícil, que es lo que nos llevó a este trabajo en primer lugar".

Los microrganismos de interés son los foraminíferos, o foraminíferos, que han prevalecido en los océanos de la Tierra durante más de 100 millones de años. Los foraminíferos son protistas, ni vegetales ni animales, y cuando mueren, dejan atrás sus diminutas conchas. Estas conchas dan a los científicos información sobre las características de los océanos tal y como existían cuando los foraminíferos estaban vivos. Por ejemplo, diferentes tipos de especies de foraminíferos prosperan en diferentes tipos de entornos oceánicos, y las mediciones químicas del fósil pueden informar a los científicos desde la química del océano hasta las condiciones cuando se estaba formando la concha.

Sin embargo, la evaluación de conchas y fósiles es tediosa y requiere mucho tiempo: imagínese clasificar cientos de objetos de forma similar que tienen menos de un milímetro de ancho. Es por eso que los investigadores de paleontología quieren automatizar el proceso. Los investigadores en ingeniería están interesados porque el reto es fascinante.

"Ya habíamos desarrollado un sistema robótico completamente funcional para identificar y clasificar foraminíferos, llamado Forabot", dice Lobatón. "Y la creación de Forabot nos enseñó que el aspecto del proceso que más tiempo consume es ajustar el hardware y el diseña. ¿Qué tamaño debe tener cada componente? ¿Cuál es la mejor configuración de componentes? Hay un millón de variaciones que se puede querer modificar. El trabajo que estamos compartiendo aquí se desarrolló específicamente para abordar ese desafío, porque queríamos encontrar una forma más eficiente de mejorar Forabot".

Al capturar facsímiles en 3D de estos fósiles con una precisión increíble, los investigadores pueden usar esos facsímiles en simulaciones del sistema robótico.

"Se pueden hacer ajustes en la simulación mucho más fácilmente que cuando se trabaja con hardware real", dice Lobatón. "Y una vez que se ha optimizado la configuración del sistema en la simulación, el proceso de ajuste del hardware en el mundo real es mucho más fácil: ya se sabe cómo se debe configurar".

Para este trabajo, los investigadores modificaron un modelo matemático para que fuera capaz de producir facsímiles detallados en 3D de los fósiles. Luego, el equipo de Lobaton trabajó con un paleontólogo para asegurarse de que los facsímiles correspondían a las características de siete especies representativas de foraminíferos.

A continuación, los investigadores recurrieron a una simulación de Forabot. Utilizando los facsímiles 3D recién capturados para explorar las modificaciones del sistema de Forabot, los investigadores pudieron mejorar su precisión del 82% al 89%, sin tener que pasar por el largo proceso de reconfigurar repetidamente el hardware en su laboratorio.

"Usando nuestro conjunto de datos sintéticos, pudimos probar cómo los modelos de IA de última generación pueden reconstruir formas 3D a partir de un conjunto disperso de imágenes 2D", dice Sanjana Banerjee, autora correspondiente del artículo y estudiante de doctorado en NC State. "Estas simulaciones nos ayudaron a comprender las mejores condiciones de imagen y ahora están guiando el desarrollo de un nuevo sistema robótico centrado en la reconstrucción 3D; un paso esencial para automatizar aún más la identificación de estos microfósiles.”

"Nuestro trabajo proporciona una base sólida para estudiar el crecimiento y la morfología de una amplia gama de especies de foraminíferos", dice Banerjee. "También aborda los principales desafíos de la micropaleontología, como la disponibilidad limitada de datos y la recuperación precisa de la forma".

"En términos más generales, el enfoque que adoptamos aquí podría usarse para desarrollar u optimizar cualquier sistema robótico que identifique o clasifique objetos con formas complejas", dice Lobatón. "Los posibles casos de uso incluyen el aislamiento de microbios y patógenos a escala microscópica y la clasificación de productos agrícolas a mayor escala."

Los investigadores han hecho que la base de código utilizada en este trabajo sea de código abierto, para que otros investigadores puedan hacer uso de ella. Se puede encontrar en: https://github.com/ARoS-NCSU/Forams-3DGeneration.

El artículo, "Foram3D: A Pipeline for 3D Synthetic Data Generation and Rendering of Foraminifera for Image Analysis and Reconstruction", se publica en la revista Marine Micropaleontology. El artículo fue coescrito por Turner Richmond, ex estudiante de doctorado en NC State; Michael Daniele, profesor asociado de ingeniería eléctrica e informática en la Universidad Estatal de Carolina del Norte (NC State); y Thomas Marchitto, profesor de ciencias geológicas de la Universidad de Colorado, en Boulder.

Este trabajo se realizó con el apoyo de la Fundación Nacional de Ciencias en el marco de una subvención 1829930.