Plant Phenomics | 利用3D U-Net分割改進自動和手動虛擬現實工作流程中3D MRI圖像的根系重建

磁共振成像（MRI）常用于對生長在不透明土壤中的根系進行成像。然而,從三維 （3D）MRI圖像中重建根系結構（RSA）是具有挑戰性的。低分辨率和低噪比（CNRs）阻礙了自動重建。因此,人工重建仍被廣泛應用。本研究評估了一個新的自動化的根系結構重建過程，主要分為兩部分：第一步，3D U-Net將MRI圖像以超分辨率分割成根和土壤。在第二步中，自動跟蹤算法從分割圖像中重建根系統。
 

本研究利用8個羽扇豆根系的磁共振圖像數據集評估了這兩個步驟的優點。通過比較自動重建和人工重建未改變和分割基于虛擬現實系統的核磁共振成像圖像，我們發現U-Net分段提供手動重建的深刻好處:對于具有低CNR，高CNR圖像增加27%。重建根長度增加分別下降了20%和3%。因此，本研究建議使用U-Net分割作為主圖像手工工作流程中的預處理步驟。跟蹤算法得到的根長度小于在這兩種重建方法中，分割允許自動處理，否則不容易使用的核磁共振圖像。盡管如此，基于模型的功能根特征顯示了相似的水力自動和手動重建的行為。
 

2023年7月，Plant Phenomics在線發表了Juelich GmbH等單位題為3D U-Net Segmentation Improves Root System Reconstruction from 3D MRI Images in Automated and Manual Virtual Reality Work Flows 的研究論文。

虛擬現實場景中的人工重構工作流程如圖4所示。在這個示意圖中，虛擬現實中的視角保持不變。為了啟動根系統跟蹤，用戶將掃描的原始圖像文件加載到虛擬現實系統中（圖4A）。然后，用戶選擇一個信號閾值，以便盡可能好地區分根和土壤。接下來，可以通過單擊不透明等值面上的相應位置來定義父節點（即，tap/primary root的最上端）。一個圓形的圓盤出現在節點的位置，可以縮放到等邊面的徑向尺寸來定義節點半徑。現在，用戶沿著類似于tap/primary root的等值面并定義第二個節點（圖4B）。一旦tap/primary root由2段組成（圖4C），可以通過選擇一個內部節點并繪制一個新的根段來創建側根（圖4D）。虛擬現實系統還允許對構造的根圖進行修正和操作。
 

圖4 基于VR應用程序圖像的手動根系重建工作流程。所示為MRI掃描在不同信號下的行進立方體等值面閾值(灰色)和不同重建階段用顏色編碼的根順序手工跟蹤。(A) VR顯示的MRI掃描原始圖像(B)閾值調整為了提高根的可視性，繪制和調整第一個絲錐根段的半徑。(C)重建主根，同時在潛在分支處創建節點點。(D)從下到上的側面重建。(E)完成手工跟蹤。(F) VR中的U-Net分割。工作流程M基于(A)M+和A基于分割圖像(F)。
 

通過M、M+和A重建方法得到的8個羽扇豆根系的rsa如圖5和圖6所示。因此，本文觀察到同一數據集的根系之間由于年齡差異而在外觀上存在很大差異，而且在不同土壤基質中獲得的2個數據集的根系之間也存在很大差異。對于生長在沙地中的根系(圖5)，我們可以觀察到M+和M重建的根系長度的差異。除圖5C中的根系外，所有的M+重建都包含了M示蹤中不存在的根系。附加根主要是一階根。我們還觀察到在兩種重建中檢測到的一些根的長度略有增加，在M+重建中更長。除了M+重建中包含的額外根長度外，兩種人工重建中存在的根在根序、根向和根位置方面的相似性非常高。因此，處理分割圖像不會對人類決策產生太大影響，因為在處理原始MRI圖像時也可以識別根。這一觀察結果的一個例外是平均根半徑，M+重建的根半徑在質量上更大。
 

圖5人工示蹤M(左)，分割后的人工示蹤M+(中)，以及4個白豆根系(A至D)在MRI掃描得到的沙中生長的自動示蹤A(右)。重建被裁剪以顯示感興趣的區域。顏色顯示根的順序，根段按各自的半徑縮放。根系年齡在8 ~ 14 D之間。
 

圖6人工示蹤M(左)，分割后的人工示蹤M+(中)，以及在MRI掃描土壤中生長的4個白豆根系(A至D)的自動示蹤A(右)。重建被裁剪以顯示感興趣的區域。顏色顯示根的順序，根段按各自的半徑縮放。根系年齡在8 ~ 15 D之間。

本研究發現通過3D U-Net進行超分辨率分割是MRI根重建管道的一個新的有益的基石，減少了人工重建時間，提高了根恢復率，并且通�？梢詫崿F低cnr數據的自動重建。此外，它還提供了一種在人工重建工作流程中標準化圖像預處理的方法，減少了不同的人工重建者對導出幾何形狀的影響。因此，U-Net分割應該取代更簡單的分割程序，如全局閾值，目前應用于手動和自動重建工作流程。對于自動跟蹤算法，本研究可以證明U-Net分割和超分辨率在對高和低CNR數據進行跟蹤時能夠實現最先進的性能。然而，跟蹤算法的拓撲決策和缺口閉合仍需進一步改進。未來目標是通過考慮縫隙閉合時的局部分支方向，并利用MRI時間序列數據中包含的不同生長階段的根序信息來實現這些改進。如果對自動重建的目視檢查發現了對預期用途至關重要的錯誤，則會提出混合工作流程。在這里，分割圖像的自動重建可以用作在交互式VR環境中應用手動校正的支架。這種混合工作流程應該允許我們處理更多的根圖像，同時保持最佳的重建質量。未來將進一步對此進行調查。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0076

——推薦閱讀——

Panicle-3D: Efficient phenotyping tool for precise semantic segmentation of rice panicle point cloud

https://doi.org/10.34133/2021/9838929

Plant Phenomics | Panicle-3D：水稻穗點云精確語義分割的高效表型工具

Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images 

‍https://doi.org/10.34133/plantphenomics.0040

Plant Phenomics | 浙江大學發現一種融合快照光譜圖像和RGB-D圖像生成高質量三維多光譜植物點云的新方法

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、專刊發布會等高質量活動。

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）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。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性研究論文、綜述、數據集和觀點。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、植物育種和農業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等數據庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（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。
撰稿：董明霞
排版：蘇梓鈺（南京農業大學）
審核：孔敏、王平