欧亚国际

来自Fraunhofer应用研究院的EZRT研究所科研人员，发表了题为Transfer Learning from Synthetic Data Applied to Soil–Root Segmentation in X-Ray Tomography Images的论文，研究使用计算机断层扫描系统对根系进行了断层扫描研究，并与MRI测量方法进行比较，文章发表在Journal of Imaging上，文章利用计算机断层扫描系统就土壤-根系图像分割问题进行了多种监督深度学习分类研究，即迁移学习法，也就是学习阶段基于模拟数据。该技术方法非常强大，在该植物科学技术上进行了验证，其通过CT断层扫描的法建立，土壤与根对比度非常低。研究人员研究揭示即便使用纯合成土壤和根系进行学习，也可将根从土壤中充分分割出来。

Fraunhofer植物计算机断层扫描系统采用微焦点X射线成像原理进行较高分辨率三维成像，可以在不破坏样品（无需染色、无需切片）的情况下，获得高精度三维图像，显示样品内部详尽的三维信息，并进行结构、密度的定量分析，适用于观察植物化石样品结构和植物活体组织的细胞结构，近年来被广泛应用于结构学、组织学、生物学特别是古生物学等研究领域，例如花、果实、种子、根系等研究。

Fraunhofer研究院是较先进的应用技术研究院，很多工业技术都源自于该研究所。Fraunhofer专门成立的植物表型CT研究组致力于CT技术应用在植物的表型研究上。与传统医学CT不同，植物CT研究需要少有算法和软件等，Fraunhofer研究院在该研究领域位于较前沿。

近年来，Fraunhofer团队一直致力于将计算机断层扫描技术应用于植物表型研究领域，特别是专注于植物结构高分辨率无损检测。其中一个研究方向为研究外在胁迫因素对植物微观结构的影响，研究方向有木质部结构如何对胁迫，如干旱做出反应。在干旱环境下，一些植物不再为叶片或整个枝条提供水分。研究另外一个方向是不同植物基因品系的内部微观结构特征。

Fraunhofer开发出了便携式、台式、落地式以及高通量等多个系列专门针对植物表型研究开发的计算机断层扫描系统。
便携式植物断层扫描仪

应用于对植物种子、小型果实内部结构变化的研究。可以无损地探索不同植物种子腔体、胚和胚乳的变化，测量种子内部的三维结构和小型果实的内部变化，设备小巧便携，操作简单，具有中分辨率和高分辨率两种选择。

实验室植物断层扫描成像系统

广泛应用于植物对植物根系、茎杆的内部结构变化的研究。可以无损地探索盆栽中不同植物的根系变化，也可以测量茎杆等植物器官的3D结构。 

北京欧亚国际科技有限公司是Fraunhofer系列产品中国区总代理，全面负责其系列产品在中国市场的推广、销售和售后服务。

Transfer Learning from Synthetic Data Applied to Soil–Root Segmentation in X-Ray Tomography Images

Clément Douarre 1, Richard Schielein 2, Carole Frindel 3, Stefan Gerth 2 and David Rousseau 1,*

1 Laris, UMR INRA IRHS, Université d’Angers, 62 avenue Notre Dame du Lac, 49000 Angers, France;

clement.douarre@gmail.com

2 Development Center X-Ray Technology EZRT, Fraunhofer Institute for Integrated Systems IIS, Flugplatzstraße 75, 90768 Fürth, Germany; richard.schielein@iis.fraunhofer.de (R.S.); stefan.gerth@iis.fraunhofer.de (S.G.)

3 CREATIS, Université Lyon1, CNRS UMR5220, INSERM U1206, INSA-Lyon, 69621 Villeurbanne, France;

carole.frindel@creatis.insa-lyon.fr

*  Correspondence: david.rousseau@univ-angers.fr

Received: 24 March 2018; Accepted: 1 May 2018; Published: 6 May 2018 

实验室植物CT成像系统_根系研究

Abstract: One of the most challenging  computer  vision  problems in the plant  sciences is the segmentation of roots and soil in X-ray tomography. So far, this has been addressed using classical image analysis methods. In this paper, we address this soil–root segmentation problem in X-ray tomography using a variant of supervised deep learning-based classification called transfer learning where the learning stage is based on simulated data. The robustness of this technique, tested for the first time with this plant science problem, is established using soil–roots with very low contrast in X-ray tomography. We also demonstrate the possibility of efficiently segmenting the root from the soil while learning using purely synthetic soil and roots.

Keywords: root systems; segmentation; X-ray tomography; transfer learning