來源 | The Plant Cell
文：Patrick Hüther, Niklas Schandry, Katharina Jandrasits, Ilja Bezrukov and Claude Becker
譯：Xiaohong Zhuang, TPC Assistant Features Editor
Hüther et al.在The Plant Cell在線發表了題為?????????s?s, an Automated Workflow for Top-View Plant Phenomics using Semantic Segmentation of Leaf States的研究論文，開發了一套基於植物圖像資料庫對圖片深度學習的pipeline，從而可以智能提取分析植物表型。
背景：為了研究基因的功能，我們需要將遺傳信息和表型兩者聯繫起來。準確測量植物的大小，形狀和顏色，對於植物生物學中大部分的研究問題來說都是至關重要的。大部分情況下，對植物表型分析意味著需要收集大量圖像，隨後需要對其進行處理和分析以提取相關的植物表型信息。近年來，我們在解碼基因組信息的效率和規模呈現出指數級增長的趨勢。相比之下，當今進行大規模植物研究的一個瓶頸主要在於是否可以實現可靠的自動化圖像處理。我們的目標是開發一條pipeline，使其在可視圖像中準確識別植物並提取表型參數，同時只需極少的人力投入。
科學問題：我們著手建立一個基於無監督的機器學習的植物表型pipeline，該pipeline不僅可以從俯視圖中提取出植物圖像，而且還可以分析和反饋一系列表型性狀的測量值。我們將該pipeline命名為ARADEEPOPSIS，旨在能夠處理大量資料庫，即使是非專業用戶也可以訪問，並且在普通計算機環境上也可以運行。
研究結果：我們的研究結果表明，可以使用相對較少數量的人工注釋的擬南芥圖像就可以成功地重新訓練已經建立的深度神經網絡，因此證明遷移學習(Transfer Learning)的方法可以解決研究植物表型中面臨的挑戰性問題。通過分析整個植物發育過程中收集的150,000張圖像，我們不僅能夠對蓮座叢區域（rosette）正確分割，而且還可以根據葉子的健康狀況自動對其進行評估分類，從而證明了該pipeline的多功能性。因此，我們的開發流程允許我們進一步對富含花青素的區域和衰老區域進行自動分割，從而我們可以在全基因組關聯研究中將這些表型與物種中的常規遺傳變異聯繫起來。
展望：ARADEEPOPSIS專門用於從單個植物的俯視圖像中分割出植物蓮座，因此也證明遷移學習是解決植物表型問題的有效方法。在未來的研究中，我們希望擴展圖像分離以識別更多種類的植物種類和組織。此外，我們正在研究從包含多個個體的圖像中識別出單個植株。
論文連結：
https://doi.org/10.1105/tpc.20.00318
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺「網易號」用戶上傳並發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.