磁共振成像( magnetic resonance imaging，MRI )可用来对土壤中的根系进行成像。然而，利用3D MRI图像重建根系结构(RSA)仍然具有挑战性。低分辨率和低噪比(CNR)严重阻碍了自动重建进程。因此，人工重建仍被广泛应用。因此我们构建了一种自动RSA重构两步工作流程，第一步，利用3D U-Net将MRI图像超分辨率分割成根系和土壤，第二步，自动跟踪算法从分割后的图像中重建根系。我们通过利用虚拟现实( VR )系统比较自动重建和手动重建获得的未改变和分割的MRI图像，评估这两个方法对8个羽扇豆根系MRI数据集的优点，发现U-Net分割方法在手工重建根系中具有巨大的优势；对于低CNR的图像，重建速度提高了一倍( + 97 % )，对于高CNR的图像，重建速度提高了27 %，重构根长分别增加了20 %和3 %，因此，我们提出使用U - Net分割作为手动工作流程中图像预处理步骤，通过跟踪算法得到的根长度低于两种手工重建的根长度，但分割允许对其他不常使用的MRI图像进行自动化处理，基于模型功能根系特征自动化和人工构建的根系表现出相似的水力学特性。未来的研究将致力于建立一个自动化重建和手动重建结合的混合工作流程。

图1利用细样条插值手工重建的根系3D路径，U – Net数据的可视化示例

( a ): 手动重建图像 ( b )：虚拟土壤数据  ( c )：合成根系 ( d )：MRI土壤的真实切片

图2间隙关闭的最大连通成分萃取

( a )：U-Net导出的分割图像开始输入，设置根系最上端冠层位置的起始点 ( b )：根据局部半径和信号强度得到代价图，评估最小体素强度以上所有体素的代价 ( c )：增强间隙体素和非间隙体素对比使算法在最大间隙长度下连接不连续的根段 ( d )：唯一允许连接的根骨架

图3基于VR应用手动重建根系的工作流程图

( a )：VR显示MRI扫描的原始图像 ( b )：调整阈值提高根的可见性，调整和绘制第一个直根段的半径 ( c )：重建直根，同时创建潜在分支点节点 ( d )：重建从下到上的侧枝 ( e )：最终确定的手动跟踪 ( f )：VR中的U-Net分割，工作流M基于( a )，M +和A基于分割图像( f )

左                 中                  右

图4 通过MRI扫描获得的4个生长在沙土中白羽扇豆根系( a-d )

手工追踪M (左)、分割后手工追踪M + (中)和自动追踪A (右)

左                  中                  右

图5  通过MRI扫描获得的4个生长在壤土中白羽扇豆根系( a-d )

手工追踪M (左)、分割后手工追踪M + (中)和自动追踪A (右)