Plant Phenomics | 基于BarbNet模型對大麥芒（Awn）進行圖像分析與表型鑒定

“芒”是禾谷類作物的一個重要表型，在漫長的進化史中自然進化而成。一般來說，“芒”有許多重要功能，如機械保護、種子傳播及促進作物光合作用等。大多數(shù)“芒”的一個重要特征是表面具有微小倒鉤狀單細胞毛狀體。芒上的倒鉤的密度和大小因物種和栽培品種而異。在生產(chǎn)大麥時，這種半透明毛狀體的存在會降低大麥產(chǎn)量。由于芒上的倒鉤圖像空間分辨率有限、對比度低且變化大，精確分割像微小物體這樣的倒鉤是一項關鍵且具有挑戰(zhàn)性的任務，目前還沒有合適的工具適用于麥芒圖像的精確倒鉤分割。
 

2023年7月，Plant Phenomics在線發(fā)表了Leibniz Institute for Plant Genetics and Crop Plant Research等單位題為Awn Image Analysis and Phenotyping Using BarbNet 的研究論文。
 

本研究提出了一種用于自動檢測和表型分析大麥芒顯微圖像中的倒鉤軟件工具，該工具基于深度學習、卷積神經(jīng)網(wǎng)絡(CNN)的方法來分割大麥品種微觀圖像中的倒鉤的深度學習模型BarbNet，能夠檢測不同的倒鉤結構（平均準確率為90%）。此外，通過對所有不同表型類別進行無偏分類來實現(xiàn)高通量篩選，評估了不同的大麥芒成像技術來測量倒鉤結構和密度，BarbNet分割圖像的表型性狀能夠對4種芒的表型進行相當穩(wěn)健的分類（準確率為>85%）。
 

本文提出的模型網(wǎng)絡BarbNet是基于U-net分割模型的擴展，通過兩者訓練驗證，評估比較，改進的U-net模型（BarbNet）在全自動分割不同大小，形狀和密度的倒鉤方面具有顯著的準確性，為檢測大麥芒圖像中的倒鉤提供了一種有效的解決方案（準確率為90%），模型BarbNet足夠穩(wěn)健，可以檢測不同大麥芒表型中的倒鉤。
 

圖1麥芒成像(A)從每株大麥的主穗中收集中央3個麥芒。將麥芒的中央和基部貼在成像載玻片上，并在數(shù)碼顯微鏡下生成顯微照片。(B)麥芒基部近軸側的代表性顯微照片。在2個粗糙度控制位點（“A”和“B”）的2個替代等位基因的所有可能的純合基因類別都顯示出不同的倒鉤密度和大小。
 

圖2在顯微鏡下捕獲的大麥芒圖像示例

(A)分辨率為1，200 × 1，600 的原始圖像。(B)由 ImageJ 生成的地面實況圖像示例。
 

圖3提出的用于大麥圖像倒鉤檢測的U-net架構
 

圖4 使用 k 均值在 4 種不同的倒鉤分布（平滑、稀疏、中等和密集）上對表型性狀進行聚類

(A)基底區(qū)域：計數(shù)與面積，平均F1得分：0.81。(B)中部區(qū)域：計數(shù)與面積，平均F1得分：0.86。(C)基底區(qū)域：計數(shù)與長度，平均F1得分：0.81。(D)中部區(qū)域：計數(shù)與長度，平均F1得分：0.88。這4個基因型聚集良好，在兩個表型性狀的麥芒中心區(qū)域F1評分為>85%。面積和長度要素以像素為單位進行測量。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0081

——推薦閱讀——

Plant Phenomics 回看 | 植物表型性狀鑒定及其潛在應用

Nondestructive 3D Image Analysis Pipeline to Extract Rice Grain Traits Using X-Ray Computed Tomography

https://doi.org/10.34133/2020/3414926

Plant Phenomics | 一種基于CT成像的水稻3D稻穗圖像分析和谷粒性狀無損測量技術

A Strategy for the Acquisition and Analysis of Image-Based Phenome in Rice during the Whole Growth Period

https://doi.org/10.34133/plantphenomics.0058

Plant Phenomics | 一種水稻全生育期表型圖像獲取和分析策略

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、�？�發(fā)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(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領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，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(nóng)業(yè)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(tǒng)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(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。中科院農(nóng)藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。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。
排版：趙慶澤（南京農(nóng)業(yè)大學）
審核：孔敏、王平