全自动根图像分析(faRIA)


发布时间:

2021-08-22

来源:

本站

作者:

PhenoTrait

土壤中的高通量根系表型分析已成为评估气候因素和分子扰动对植物根系形态、发育和功能影响的不可或缺的定量工具。为了有效地分析大量结构复杂的根系图像,需要先进的自动图像分割方法。由于背景重叠,简单的阈值方法一般不适合用于根区域的分割。更高层次的认知模型,如卷积神经网络(CNN)提供了从异质和噪声背景结构中分割根的能力,但是需要具有代表性的手动分割(地面真实)图像。本文提出了一个基于GUI的工具,用于使用预训练的CNN模型对根图像进行全自动定量分析,该模型依赖于U-Net架构扩展。开发的CNN框架旨在使用低成本硬件系统有效分割不同大小、形状和光学对比度的根结构。

 

用于土壤根图像分割的拟议 U-Net 架构

 

来自 IPK 植物表型系统的示例性根图像

 

在一组6465个掩模上训练CNN模型,该掩模来源于182张人工分割的近红外玉米根图像。实验结果表明,该方法的Dice系数为0.87,不仅适用于NIR,而且适用于其他成像方式和植物物种,如LED rhizotron和UV成像系统的大麦和拟南芥土壤根图像,其性能优于现有工具(如SegRoot,Dice系数为0.67的)。综上所述,开发的软件框架使用户能够以自动方式(即无需手动交互数据和/或参数调整)有效地分析土壤根图像,为定量植物科学家提供了强大的分析工具。

 

faRIA:256 模型在 200 个时期内的训练和验证性能

 

来源:

Narisetti N, Henke M, Seiler C, et al. Fully-automated root image analysis (faRIA). Scientific Reports volume 11, Article number: 16047 (2021). https://doi.org/10.1038/s41598-021-95480-y.

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。