利用根表型分析解決方案-深度學習技術實現地標的快速檢測與分組
圖像分割通常用于估計植物及其外部結構的位置和形狀。然而，基于分割的方法存在著繁瑣的標注和容易出錯的問題。本文介紹一種無分割的方法，利用深度學習技術進行地標檢測和分組，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地標，并在多個物種上使用凝膠圓柱成像系統；這種方法能夠以高準確度、少量標注樣本和更快的速度可靠地恢復根系拓撲結構。為了利用這種基于地標的表示進行根型分析，美國索爾克生物研究所的Elizabeth M. Berrigan開發了一個Python庫（sleap-roots），用于直接提取與現有基于分割的分析軟件可比的特征。sleap-roots不僅提高了姿態衍生根系特征的準確性，還可用于常見的下游任務，包括基因型分類和無監督特征映射。
2024年4月，Plant Phenomics在線發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估計和下游RSA 性狀提取的流程圖。首先，植物在3D受控環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中導入和標注視頻，用于訓練神經網絡（NN）以進行根姿態估計，然后用戶對NN的預測標簽進行細化（如圖1（b）所示）。最后，從經過校準的預測中提取根系性狀，以增強機器學習分析，實現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訓練的姿態估計模型的準確性，本文與RootPainter進行了比較，使用定位誤差作為模型準確性的一個評估指標。定位誤差是根據預測地標與地面實況人類注釋地標之間的歐幾里得距離計算的。該指標反映了模型在準確預測二維圖像中形態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志。（A）主根、（B）側根和（C）冠根精度和預測顯示。
研究結果顯示，通過SLEAP訓練的姿態估計模型能夠準確地定位跨物種的根系標志，并提供高度準確的形態地標位置和分組。同時，該模型預測的根系標志可用于精確提取表型性狀。與手動注釋相比，模型預測的性狀表現出高度相關性，其回歸系數接近1，表現優秀。
代碼、數據及模型獲取：
https://github.com/talmolab/sleap-roots
論文鏈接：
https://spj.science.org/doi/10.34133/plantphenomics.0175
——推薦閱讀——
https://doi.org/10.34133/plantphenomics.0178
Plant Phenomics 綜述 | 利用人工智能進行根系結構成像分析的最新進展
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》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
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》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。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》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：靳松（南京農業大學）
排版：趙倩瑩（南京農業大學）
審核：孔敏、王平
