Корни необходимы для роста растений, но традиционные методы изучения корней ресурсоемки и разрушительны. С развитием технологий обработки изображений появились инновационные методы исследования корней in situ, обеспечивающие неразрушающую визуализацию корней.
Однако в настоящее время проблемой является затенение почвы на изображениях, которое приводит к фрагментации корневой системы и потере структурной целостности. И эта фрагментация затрудняет точную оценку фенотипов корней. Хотя подходы глубокого обучения, такие как SegRoot и ChronoRoot, улучшают распознавание изображений корней, такие проблемы, как поломка корней и засорение почвы, по-прежнему остаются.
Достижения в восстановлении изображений, особенно в идентификации корней in situ, имеют решающее значение для точной оценки фенотипа корня. Такие методы, как генеративно-состязательные сети (GAN), демонстрируют потенциал в этой части, но все еще требуют доработки.
В июле 2023 года журнал Plant Phenomics опубликовал исследовательскую статью под названием «Применение улучшенных UNet и EnlightenGAN для сегментации и реконструкции корней in situ.» В этом исследовании исследователи предложили использовать EnlightenGAN для реконструкции корня путем управления интенсивностью света в целевых областях.
Ранее команда разработала платформу RhizoPot, которая может неразрушающим образом собирать полные корневые образы. Ранние стадии показали точную сегментацию корней с помощью DeeplabV3+. Однако имелись неточности в анализе диаметра корня и площади поверхности. Непрерывные исследования повысили точность сегментации корней in situ, но небольшие кусочки, покрытые почвой, до сих пор остаются неопознанными.
Сравнивая модели глубокого обучения UNet, SegNet и DeeplabV3+ на исходном корневом наборе данных, исследование показало, что DeeplabV3+ (Xception) имел лучшую общую производительность. Однако каждая модель имела свои сильные и слабые стороны в идентификации корней. Эксперименты по абляции с различными улучшениями в UNet показали повышение производительности как по показателям mIOU, так и по F1, что позволяет предположить, что эти модификации успешно устраняют ограничения моделей.
Перенос обучения с использованием улучшенной сети UNet на реконструированном корневом наборе данных демонстрирует хорошую универсальность и надежность. EnlightenGAN использовался для генерации корней, при этом каждая итерация постепенно улучшала реконструкцию корня. Фенотипические параметры анализировали с помощью программы RhizoVision Explorer, которая выявила достоверную корреляцию с фактическими значениями. Однако реконструированные корни привели к изменению длины и площади поверхности корня.
В ходе исследования было проведено тщательное сравнение моделей, подчеркнуто возможности DeeplabV3+, но также отмечены ограничения модели в распознавании основных корней. Улучшенный UNet был выбран для корневой сегментации из-за его масштабируемости и потенциала для будущих улучшений. Наконец, в исследовании были предложены различные комбинации UNet и EnlightenGAN для разных целей: от точной сегментации до расширения набора данных и обучения без присмотра.
В целом, исследование демонстрирует значительный прогресс в технологии реконструкции корня, предлагая новый подход к анализу фенотипирования корня.
