圖像分割通常用于估計植物及其外部結(jié)構(gòu)的位置和形狀。然而，基于分割的方法存在著繁瑣的標(biāo)注和容易出錯的問題。本文介紹一種無分割的方法，利用深度學(xué)習(xí)技術(shù)進行地標(biāo)檢測和分組，通過使用一款最初用于動物運動捕捉的工具——SLEAP，自動檢測植物根系上的顯著形態(tài)地標(biāo)，并在多個物種上使用凝膠圓柱成像系統(tǒng)；這種方法能夠以高準(zhǔn)確度、少量標(biāo)注樣本和更快的速度可靠地恢復(fù)根系拓?fù)浣Y(jié)構(gòu)。為了利用這種基于地標(biāo)的表示進行根型分析，美國索爾克生物研究所的Elizabeth M. Berrigan開發(fā)了一個Python庫（sleap-roots），用于直接提取與現(xiàn)有基于分割的分析軟件可比的特征。sleap-roots不僅提高了姿態(tài)衍生根系特征的準(zhǔn)確性，還可用于常見的下游任務(wù)，包括基因型分類和無監(jiān)督特征映射。
 

2024年4月，Plant Phenomics在線發(fā)表了美國索爾克生物研究所題為 Fast and Efficient Root Phenotyping via Pose Estimation 的研究論文。
 

圖1 展示了植物根系姿態(tài)估計和下游RSA 性狀提取的流程圖。首先，植物在3D受控環(huán)境中使用透明塑料圓柱形容器進行栽培，每種植物拍攝了72張圖像，步長為5°，以全方位觀察根系在透明介質(zhì)中的情況。隨后，這些圖像被壓縮成HDF5文件（如圖1（a）所示）。接下來，在SLEAP中導(dǎo)入和標(biāo)注視頻，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)（NN）以進行根姿態(tài)估計，然后用戶對NN的預(yù)測標(biāo)簽進行細(xì)化（如圖1（b）所示）。最后，從經(jīng)過校準(zhǔn)的預(yù)測中提取根系性狀，以增強機器學(xué)習(xí)分析，實現(xiàn)對植物性狀的全面量化。
 

圖1使用 SLEAP 的高通量表型分析管道概述。

為了評估通過SLEAP訓(xùn)練的姿態(tài)估計模型的準(zhǔn)確性，本文與RootPainter進行了比較，使用定位誤差作為模型準(zhǔn)確性的一個評估指標(biāo)。定位誤差是根據(jù)預(yù)測地標(biāo)與地面實況人類注釋地標(biāo)之間的歐幾里得距離計算的。該指標(biāo)反映了模型在準(zhǔn)確預(yù)測二維圖像中形態(tài)特征位置方面的性能。
 

圖2SLEAP模型精確定位了四個物種和三類根的根系標(biāo)志。（A）主根、（B）側(cè)根和（C）冠根精度和預(yù)測顯示。

研究結(jié)果顯示，通過SLEAP訓(xùn)練的姿態(tài)估計模型能夠準(zhǔn)確地定位跨物種的根系標(biāo)志，并提供高度準(zhǔn)確的形態(tài)地標(biāo)位置和分組。同時，該模型預(yù)測的根系標(biāo)志可用于精確提取表型性狀。與手動注釋相比，模型預(yù)測的性狀表現(xiàn)出高度相關(guān)性，其回歸系數(shù)接近1，表現(xiàn)優(yōu)秀。

代碼、數(shù)據(jù)及模型獲�。�

https://github.com/talmolab/sleap-roots

https://osf.io/k7j9g/

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0175‍

——推薦閱讀——

The State of the Art in Root System Architecture Image Analysis Using Artificial Intelligence: A Review

https://doi.org/10.34133/plantphenomics.0178

Plant Phenomics 綜述 | 利用人工智能進行根系結(jié)構(gòu)成像分析的最新進展

Plant Phenomics | 根系表型文章合集

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：靳松（南京農(nóng)業(yè)大學(xué)）
排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平