植物的根系是全球生物圈的重要組成部分，其負責為植物生長覓取所必須的水分和養(yǎng)分資源。水分和養(yǎng)分的吸收能力往往是限制植物器官生長和產(chǎn)量形成的重要因素，而該能力的強弱又與根系的長度、直徑或分支數(shù)等參數(shù)直接相關(guān)。因此，對根系數(shù)據(jù)的采集和分析正變得愈發(fā)重要。
 

由于根系所處位置的特殊性，使得研究者對根系的直接目視測量存在一定的難度。為了避免測量工作對植物本身以及周圍環(huán)境的影響，研究者通常會采用常設設備（如微根管測量裝置等）的方式進行測量。在過去的科學實踐中，微根管測量法的有效性已得到證明，能夠在采集根系相關(guān)數(shù)據(jù)的同時降低對植株和環(huán)境因素的影響。然而，對于規(guī)模較大的微根管設施而言，隨著根深和時間的推移，最終能夠采集到上萬張乃至更多的圖像數(shù)據(jù)，人工分析費時費力，因此有必要采用自動化的方式進行數(shù)據(jù)分析；并且，根系周圍的土壤條件往往會隨深度變化，使得最終獲取的圖像具有不均勻的光照或顏色特征，給后續(xù)的自動化圖像分析帶來一定的挑戰(zhàn)。
 

近日，Plant Phenomics 在線發(fā)表了Forschungszentrum Jülich GmbH題為Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline的研究論文。
 

在該文章中，作者基于時下最新的技術(shù)和軟件，開發(fā)了一個通用的、自動化的微根管圖像分析方法（Figure 1）并進行了實際驗證。該方法主要由兩個模塊組成，適用于大規(guī)模的微根管圖像數(shù)據(jù)集：首先，基于少量圖像構(gòu)建訓練集，使用RootPainter軟件完成圖像的分割和標注，使用標注后的圖像訓練深度學習根系分割模型，并基于此模型提取后續(xù)圖像中的根系對象；然后，采用RhizoVision Explorer軟件進行圖像后處理工作，從RootPainter軟件輸出的圖像分割結(jié)果中自動化量化分析與根系相關(guān)的數(shù)據(jù)（Figure 2）。在方法驗證中，作者手動標注了超過36, 500張圖像數(shù)據(jù)，并將其與該文所述自動化提取方法的輸出結(jié)果進行對比分析。結(jié)果表明，自動化方法分析的根長數(shù)據(jù)與人工分析有較高的相關(guān)性（r=0.9，F(xiàn)igure 3）；與人工分析相比，自動化分析節(jié)約了高達98.1%~99.6%的分析時長，大大提高了微根管圖像數(shù)據(jù)分析的效率。
 

Figure 1: Schematic overview of the workflow of the automated analysis pipeline starting with image acquisition in the minirhizotron facility.
 

Figure 2: Example for one image processed by the automated root analysis pipeline.
 

Figure 3: Correlation of automated and manual analyzed root length, obtained from 2017.

論文鏈接：

https://doi.org/10.34133/2022/9758‍532
 

——推薦閱讀——

Objective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.)

https://doi.org/10.34133/2022/9879610

Plant Phenomics | 基于圖像增強和機器學習的苜蓿根系表型研究Complementary Phenotyping of Maize Root System Architecture by Root Pulling Force and X-Ray Imaging

https://doi.org/10.34133/2021/9859254

Plant Phenomics | 基于根提拉力和X射線成像的玉米根系結(jié)構(gòu)表型研究

《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(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(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(jié)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(guān)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。2021年中科院期刊分區(qū)表影響因子5.706，位于農(nóng)藝學、植物科學兩個小類一區(qū)，遙感小類二區(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(nèi)容僅供參考，一切內(nèi)容以英文原版為準。

撰稿：王棟（實習）

編輯：張威（實習）

審核：孔敏、王平