3D U-net分割改善了自动和手动虚拟现实工作流程从3D MRI图像重建根系的效果


发布时间:

2023-08-22

来源:

本站

作者:

PhenoTrait

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) 

 

来 源

Tobias S, Jannis H, Magdalena L, et al. 3D U-Net Segmentation Improves Root System Reconstruction from 3D MRI Images in Automated and Manual Virtual Reality Work Flows[J]. Research,2023,7.

 

编辑

王瑞丹

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。