X射线计算机断层扫描（CT）是一种用于植物根系结构（RSA）原位表征的强大工具。CT图像中根系的准确分割是研究RSA的重要环节。当前对CT图像中根系分割的研究主要局限于基于图像处理的方法，这些方法通常需要参数调整，且往往缺乏通用的分割评估指标，例如Dice系数和IoU。近期的深度学习方法通过体积编码-解码网络实现了较高的Dice系数和IoU。然而，训练体积模型依赖于对培养介质柱的全标注扫描数据，而获取这些数据通常耗时、繁琐且资源密集。本研究提出了一种高效的方法，该方法结合基于深度学习的实例分割与基于密度的空间聚类与噪声应用（DBSCAN）过滤技术，并对两种园艺植物进行了评估。研究通过对预训练的Mask R-CNN模型进行微调，在三维扫描的不同轴向选取图像，以确定用于体积根系分割的最佳视角选择策略。同时，采用DBSCAN配合自动化参数调整技术，从体积分割中滤除噪声。对一品红和洋葱的扫描图像进行评估后，提出的方法在精确度、召回率、Dice系数和IoU上的平均最佳得分分别达到了0.831、0.839、0.834和0.718。进一步实验表明，将训练数据量减少至1%对分割精度的影响不显著。因此，该方法具有极大的潜力，可为RSA分析提供高效支持。

图1 沿垂直/Z轴方向的单根多边形标注。

图2  (A) 来自Onion2培养介质柱的示例图像及其方向。图像来自沿X轴、Y轴和Z轴切片。(B) 来自Onion1（左上）、Poinsettia1（右上）、Onion2（左下）和Poinsettia2（右下）培养介质柱的示例图像。对于每组图像，分别显示了培养介质柱中X轴（左）、Y轴（中）和Z轴（右）的两张示例图像。

图3 Z视角分割方法（上）：包括 (A) 来自Z视角的输入图像，(B) 通过串联连续Z预测生成的分割体积。

XYZ视角分割方法（下）：包括 (C) 来自X视角的输入图像，(D) 通过串联连续X预测生成的分割体积，(E) 来自Y视角的输入图像，(F) 通过串联连续Y预测生成的分割体积，(G) 来自Z视角的输入图像，(H) 通过串联连续Z预测生成的分割体积，(I) 通过结合多视角生成的分割体积。

图4 (A) Poinsettia1、(B) Onion1、(C) Poinsettia2 和 (D) Onion2 的结果展示，包括：左侧为真实值（Ground Truth），中间为最佳Mask R-CNN模型，右侧为结合DBSCAN过滤的最佳Mask R-CNN模型。

图5利用基于阈值分割方法对四个扫描的根部与非根部体素衰减值的重叠直方图。注意，两条Y轴的范围不同，为了便于观察，移除了频率最高的区间。