Les récifs coralliens de Floride sont assiégés. Depuis 2014, la Stony Coral Tissue Loss Disease (SCTLD) s’est propagée rapidement le long du Florida Reef Tract et dans les Caraïbes, tuant un nombre considérable de coraux constructeurs de récifs et laissant derrière elle des squelettes morts là où des récifs autrefois prospères abritaient une vie marine diversifiée. Malgré la gravité de la crise, on sait peu de choses sur la façon dont ces maladies affectent la structure microscopique des squelettes coralliens – les pores, les densités et les épaisseurs qui confèrent aux récifs leur force et leur résilience.
L’étude de ces caractéristiques minuscules a longtemps été un défi. Les méthodes traditionnelles sont lentes et manquent souvent les changements structurels subtils.
Pour relever ce défi, des chercheurs de la Florida Atlantic University ont eu recours à la micro-tomographie à rayons X (micro-CT). Cette technique génère des reconstructions 3D détaillées jusqu’aux pores microscopiques, révélant ainsi de manière non destructive les caractéristiques internes du squelette, notamment la porosité, l’épaisseur et l’orientation structurelle. Installé dans le FAU High School Owls Imaging Lab, le micro-CT était idéal pour l’imagerie des coraux, dont la teneur minérale élevée fournit un fort contraste aux rayons X.
Les chercheurs ont combiné l’imagerie micro-CT avec une segmentation d’images basée sur l’apprentissage profond, utilisant des réseaux neuronaux convolutifs (CNN), une forme d’intelligence artificielle, pour distinguer automatiquement les squelettes coralliens des espaces poreux. En analysant les images par motifs et caractéristiques, cette approche est plus rapide et plus précise que les méthodes manuelles traditionnelles.
« La micro-CT nous offre une fenêtre sur le squelette corallien d’une manière jamais possible auparavant », affirme Alejandra Coronel-Zegarra, première autrice et candidate au doctorat au Département de chimie et biochimie du Charles E. Schmidt College of Science de la FAU, qui a remporté le prix étudiant 2025 de Microscopy and Microanalysis pour ses recherches sur la SCTLD. En la combinant avec l’apprentissage profond, nous pouvons détecter automatiquement les changements subtils dans le squelette causés par la maladie – des détails presque impossibles à voir manuellement.
L’équipe s’est concentrée sur deux espèces de coraux durs : Montastraea cavernosa (M. cavernosa) et Porites astreoides (P. astreoides). En incluant à la fois des spécimens sains et affectés par la SCTLD, les chercheurs ont créé un ensemble de données complet pour tester les performances de plusieurs modèles CNN.
Ils ont étudié trois modèles d’apprentissage profond basés sur U-Net : U-Net, U-Net++, et Attention U-Net, connus pour capturer des détails structurels fins. Les modèles ont été entraînés à distinguer le squelette corallien des pores et testés sur quatre ensembles de données, incluant des M. cavernosa saines et affectées par la SCTLD, ainsi que des P. astreoides saines. Les chercheurs ont évalué avec quelle précision chaque modèle détectait les différences squelettiques subtiles en utilisant des métriques standard et une analyse statistique.
Publiés dans le Journal of Structural Biology, les résultats sont frappants. Les trois modèles ont exceptionnellement bien performé, atteignant plus de 98 % de précision pour distinguer le squelette des pores.
« Sans des informations 3D à haute résolution, les scientifiques ne peuvent pas pleinement comprendre comment la maladie, le réchauffement des océans et d’autres facteurs de stress compromettent la survie des récifs », souligne Vivian Merk, Ph.D., autrice correspondante et professeure adjointe au Département de chimie et biochimie du Charles E. Schmidt College of Science de la FAU et au Département d’océanographie et de génie mécanique du College of Engineering and Computer Science. Nos analyses fournissent une image quantitative plus claire de la façon dont les facteurs de stress environnementaux remodelaient les squelettes coralliens au niveau microscopique. En révélant ces changements cachés dans la porosité, la densité et l’épaisseur du squelette, nous pouvons voir exactement comment des maladies comme la Stony Coral Tissue Loss Disease altèrent l’intégrité physique des coraux.
Les résultats ont montré qu’Attention U-Net était le plus performant, offrant une grande précision tout en travaillant plus rapidement et sur une gamme d’espèces coralliennes. Il a réalisé la segmentation complète de l’image en seulement sept heures, contre 15 heures pour U-Net et 17 heures pour U-Net++, le rendant particulièrement utile pour traiter de grands ensembles de données micro-CT haute résolution.
En utilisant ces résultats, les chercheurs ont créé des cartes 3D détaillées des squelettes coralliens. L’analyse a révélé des différences nettes entre les coraux sains et ceux affectés par la maladie, montrant comment les changements dans la structure des pores peuvent compromettre l’intégrité du squelette. Des différences entre les espèces sont également apparues, soulignant à quel point la forme du corail et sa vulnérabilité aux maladies sont étroitement liées au niveau microscopique.
« Au-delà de sa pertinence immédiate pour la santé des coraux, notre recherche démontre le potentiel transformateur de la combinaison de la micro-CT et de l’apprentissage profond, et ouvre de nouvelles possibilités pour analyser d’autres matériaux biologiques, des composites d’ingénierie et même des échantillons géologiques », explique Merk. Ces connaissances nous aident à identifier les récifs les plus à risque et à développer des stratégies de protection et de restauration plus ciblées, renforçant ainsi la résilience à long terme des écosystèmes coralliens de Floride.
Les co-auteurs de l’étude sont Jamie Knaub, assistante du laboratoire d’imagerie du Owls Imaging Lab des FAU Lab Schools et candidate au doctorat au Département de biologie de la FAU au sein du Charles E. Schmidt College of Science ; et Abhijit Pandya, Ph.D., professeur au Département de génie électrique et informatique et au Département de génie biomédical au sein du College of Engineering and Computer Science de la FAU.
Article : Leveraging deep learning semantic segmentation for imaging coral skeletons – Journal : Journal of Structural Biology – Méthode : Imaging analysis – DOI : Lien vers l’étude
Source : FAU
