植物器官中的水分、代谢气体和营养物质的运输等代谢过程依赖于三维微观组织形态，而对这种微观结构（包括薄壁细胞、气孔、维管束和石细胞簇等特殊特征的空间布局）进行成像和定量研究是一项非常困难的工作。为了解决这个问题，开发了一种结合语义和实例分割的基于3D深度学习的全景分割模型，以加速和改善X射线显微计算机断层扫描（CT）图像中苹果和梨果实组织的微结构表征。此外，还探索了各种训练数据集和数据增强技术，包括合成数据，以提高分割质量。3D全景分割对苹果和梨组织分别实现了0.89和0.77的聚合Jaccard指数，优于先前设计的2D实例分割模型和基于标记的分水岭分割基准。该模型成功地标记维管束与骰子相似系数（Dice Similarity Coefficient，DSC），在苹果组织中为0.51，在梨组织中为0.79，尽管苹果中的薄脉管系统仍然更难以分割。3D全景分割模型实现了DSC为0.81，并有效地分割了梨组织中的石细胞簇。所提出的3D全景分割模型提供了迄今为止最完整的自动化协议，用于植物组织标记和原生X-射线的形态定量。射线显微CT图像，而无需大量的样品制备，如对比标记。开发的方法即使不能取代，也会极大地加速对此类图像的传统人机交互分析。

 图1  数据分为训练集、验证集和测试集。

 图2  用于预测梨果组织样本的全景标签的流程。灰色箭头表示卷积神经网络（CNN）的七个输出通道，蓝色箭头表示获得最终细胞实例的后处理步骤。

图3  收集的数据集上的数据扩充。（A）单元实例标签的膨胀（顶部）和侵蚀（底部）。（B）用于生成（C）合成X射线微CT数据的相应语义标签。

 图4  测试组中（A）“Jonagold”和（B）“Celina”组织样本的细胞分割结果，标签以细胞体积的色标显示。输入667 × 667 × 667灰度值体素体积，地面实况分割，基于深度学习的2D实例模型和3D全景模型的分割以及使用分水岭算法的基准方法的分割。'AJI'：Jaccard指数。

 图5  测试集中苹果栽培品种（A）“Kizuri”和（B）“Braeburn”以及梨栽培品种（C）“Celina”和（D）“Fred”的组织样本中维管组织和石细胞簇的语义分割结果。输入667 × 667 × 667灰度值体素体积，地面实况分割，使用2D实例分割和通过在标准数据集上训练的3D全景模型进行分割，两者都在后处理之后。“DSC”：Dice相似系数，“SCC”：石细胞簇，“VT”：血管组织。

 图6  测试集中具有脉管系统组织和石细胞簇的“Celina”组织样本的3D语义分割结果的2D切片。从左到右：灰度值为667 × 667 × 667体素的输入体积的2D切片，地面实况分割，使用2D实例分割和在标准数据集上训练的3D全景模型进行分割。

图7  具有使用平均强度值的灰度值分配的3D合成数据的2D切片、3D U-Net预测和3D U-Net预测，其中将噪声添加到（A）“Jonagold”苹果和（B）“Celina”梨组织的原始X射线微CT图像的扩张和侵蚀标签。

 图8  使用t-SNE对标准数据集上训练的模型学习的图像样式进行合成数据集的结构。通过使用平均值、3D U-Net预测和3D U-Net预测为原始X射线显微CT图像的膨胀和侵蚀标签分配灰度值生成合成数据。

L. Van Doorselaer, P. Verboven, B. Nicolai, (2025) Panoptic segmentation for complete labeling of fruit microstructure in 3D micro-CT images with deep learning, Plant Phenomics.

编辑

王春颖