学术中心
多尺度植物科学中的高通量图像分割和机器学习方法
发布时间:
2021-06-17
来源:
本站
作者:
PhenoTrait
随着大数据和高性能计算的兴起,农业领域获益匪浅。通过对生物尺度上数据的获取和分析,可以建立植物基因型和环境之间相互作用的模型,建立根系结构模型,深入了解资源利用,阐明细胞间的通讯机制,这些机制在植物发育中起着重要作用。图像分割和机器学习方法是解决农业和生物问题而发展起来的计算方法之一。这些方法的贡献包括加快植物中调节应激反应的基因的鉴定和植物病害早期检测的自动化高通量表型。
图示说明了本综述涵盖的植物科学中机器学习和分割的三个生物学尺度。
这篇综述探讨了植物图像分割和机器学习在农业、器官和细胞尺度上的研究现状,展示了由于不同尺度的物理特征多样性,分割和分类的方法是如何不同的。另外,本文还讨论了在不同尺度上最常用的硬件技术,可以从这些图像中提取的定量指标类型,以及如何从这些方法中提取植物响应非生物/生物胁迫或基因型修饰的生物机制。
描述植物科学中使用分割的方法和研究的出版物列表
来源:
Buckner E, Tong H; Ottley C and Williams C. High-throughput image segmentation and machine learning approaches in the plant sciences across multiple scales. Emerg Top Life Sci (2021) 5 (2): 239–248. https://doi.org/10.1042/ETLS20200273.
推荐新闻
视频展示