欧亚国际

图像分割通常用于估计植物及其外部结构的位置和形状。然而，基于分割的方法存在着繁琐的标注和容易出错的问题。本文介绍一种无分割的方法，利用深度学习技术进行地标检测和分组，通过使用一款最初用于动物运动捕捉的工具——SLEAP，自动检测植物根系上的显著形态地标，并在多个物种上使用凝胶圆柱成像系统；这种方法能够以高准确度、少量标注样本和更快的速度可靠地恢复根系拓扑结构。为了利用这种基于地标的表示进行根型分析，美国索尔克生物研究所的Elizabeth M. Berrigan开发了一个Python库（sleap-roots），用于直接提取与现有基于分割的分析软件可比的特征。sleap-roots不仅提高了姿态衍生根系特征的准确性，还可用于常见的下游任务，包括基因型分类和无监督特征映射。

2024年4月，Plant Phenomics在线发表了美国索尔克生物研究所题为 Fast and Efficient Root Phenotyping via Pose Estimation 的研究论文。

图1 展示了植物根系姿态估计和下游RSA 性状提取的流程图。首先，植物在3D受控环境中使用透明塑料圆柱形容器进行栽培，每种植物拍摄了72张图像，步长为5°，以全方位观察根系在透明介质中的情况。随后，这些图像被压缩成HDF5文件（如图1（a）所示）。接下来，在SLEAP中导入和标注视频，用于训练神经网络（NN）以进行根姿态估计，然后用户对NN的预测标签进行细化（如图1（b）所示）。最后，从经过校准的预测中提取根系性状，以增强机器学习分析，实现对植物性状的全面量化。

图1使用 SLEAP 的高通量表型分析管道概述。

为了评估通过SLEAP训练的姿态估计模型的准确性，本文与RootPainter进行了比较，使用定位误差作为模型准确性的一个评估指标。定位误差是根据预测地标与地面实况人类注释地标之间的欧几里得距离计算的。该指标反映了模型在准确预测二维图像中形态特征位置方面的性能。

图2SLEAP模型精确定位了四个物种和三类根的根系标志。（A）主根、（B）侧根和（C）冠根精度和预测显示。

研究结果显示，通过SLEAP训练的姿态估计模型能够准确地定位跨物种的根系标志，并提供高度准确的形态地标位置和分组。同时，该模型预测的根系标志可用于精确提取表型性状。与手动注释相比，模型预测的性状表现出高度相关性，其回归系数接近1，表现优秀。

代码、数据及模型获取：

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

http://osf.io/k7j9g/

论文链接：

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

——推荐阅读——

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

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

Plant Phenomics 综述 | 利用人工智能进行根系结构成像分析的最新进展

Plant Phenomics | 根系表型文章合集

加入作者交流群