顯微高光譜相機(jī)對(duì)芒( Awns )圖像分析和表型分析

    芒( Awns )是包括小麥、水稻、大麥和黑麥等主要作物在內(nèi)的許多禾本科植物穎殼和/或穎殼的刺狀延伸體，在禾本科植物中有許多重要的功能，

包括同化、機(jī)械保護(hù)、種子傳播和埋藏。芒的一個(gè)重要特征是外芒表面存在或不存在倒刺-細(xì)鉤狀的單細(xì)胞毛狀體，其可以使用顯微成像進(jìn)行可視化。

然而，目前還沒(méi)有合適的軟件工具來(lái)對(duì)這些小的、半透明的結(jié)構(gòu)進(jìn)行高通量自動(dòng)分析。

此外，利用傳統(tǒng)的模式檢測(cè)和分割方法對(duì)倒刺進(jìn)行自動(dòng)分析受到其光學(xué)外觀(包括尺寸，形狀和表面密度)高度可變性的阻礙。

基于專(zhuān)用深度學(xué)習(xí)模型——BarbNet進(jìn)行大麥芒顯微圖像中倒刺自動(dòng)檢測(cè)和表型分析的軟件工具。

BarbNet模型是對(duì)U-net原有的編碼器-解碼器CNN架構(gòu)的改進(jìn)版本，旨在對(duì)大麥芒倒刺進(jìn)行語(yǔ)義分割。

與U-net模型不同，BarbNet在每個(gè)卷積層后加入批量歸一化，通過(guò)對(duì)各自層級(jí)的特征圖進(jìn)行歸一化來(lái)增強(qiáng)網(wǎng)絡(luò)性能和穩(wěn)定性。

在BarbNet中沒(méi)有使用Dropout層，同時(shí)增加了kernel size以提高分割質(zhì)量。

此外，由于輸入圖像尺寸較大，BarbNet的深度相比于原始U-net的深度4增加到了5。

實(shí)驗(yàn)結(jié)果表明，BarbNet能夠檢測(cè)不同芒的倒刺結(jié)構(gòu)，平均準(zhǔn)確率為90%，準(zhǔn)確率高于原始U-net模型及其改進(jìn)的另外3種模型。

此外，從BarbNet分割圖像中提取的表型性狀可以對(duì)4種不同芒表型進(jìn)行相當(dāng)穩(wěn)健地分類(lèi)，準(zhǔn)確率大于 85 %，

表明該方法在大麥芒自動(dòng)化分選中具有潛在的應(yīng)用前景。

圖1  芒成像。( A )從每株植株的主穗上采集中部3個(gè)芒。芒的中央和基部被粘貼在成像載玻片上，并在數(shù)字顯微鏡下生成顯微圖像。

( B )芒基部近軸面的代表性顯微圖像。

在2個(gè)芒粗糙度控制位點(diǎn)( “A "和“ B ")上，2個(gè)可替代等位基因所有可能的純合遺傳類(lèi)顯示出不同的倒刺密度和大小。

圖2 顯微鏡下采集大麥芒圖像實(shí)例。( A )原始圖像，分辨率為1200 × 1600，( b ) 由ImageJ生成掩膜圖。

表1 原始U-net和BarbNet的卷積參數(shù)。

          BarbNet模型訓(xùn)練集和驗(yàn)證集在75個(gè)epochs的性能。( A )交叉熵?fù)p， ( B ) Dice系數(shù)。x軸和y軸分別表示epoch個(gè)數(shù)和性能。

BarbNet模型和U-net及其改進(jìn)模型性能比較。( A )交叉熵?fù)p， ( B ) Dice系數(shù)。x軸和y軸分別表示epoch個(gè)數(shù)和性能。

156張芒圖像中倒刺真實(shí)值(x軸)和預(yù)測(cè)值 (y軸)之間的相關(guān)性。每個(gè)點(diǎn)代表每張芒圖像的倒刺總數(shù)。紅色實(shí)線和點(diǎn)線分別表示擬合曲線和95 %置信區(qū)間。

R2值表明BarbNet圖像分割和性狀計(jì)算的計(jì)數(shù)值與真實(shí)值之間具有良好的一致性。