基于深度學(xué)習(xí)的微CT圖像分析流程助力玉米籽粒內(nèi)部結(jié)構(gòu)無損量化分析

Plant Phenomics | 北京市農(nóng)林科學(xué)院基于深度學(xué)習(xí)助力玉米籽粒內(nèi)部結(jié)構(gòu)無損量化分析

玉米作為全球重要作物，其籽粒內(nèi)部結(jié)構(gòu)（玻璃質(zhì)胚乳與粉質(zhì)胚乳的比例）直接影響加工品質(zhì)與抗逆性。傳統(tǒng)方法依賴人工解剖或切片觀察，效率低且破壞樣本。盡管微CT技術(shù)能無損獲取高分辨率圖像，但玉米胚乳區(qū)域像素對比度低、邊界模糊，傳統(tǒng)分割方法（如閾值法、區(qū)域生長）易出現(xiàn)分割錯誤。如何精準(zhǔn)分割并量化玉米籽粒內(nèi)部結(jié)構(gòu)表型參數(shù)，成為育種與加工研究的關(guān)鍵挑戰(zhàn)。

2025年3月，Plant Phenomics 在線發(fā)表了北京市農(nóng)林科學(xué)院題為A deep learning-based micro-CT image analysis pipeline for nondestructive quantification of the maize kernel internal structure的論文。

本研究提出一種基于深度學(xué)習(xí)的微CT圖像分析流程（CSFTU-Net），通過改進經(jīng)典的U-Net架構(gòu)，融合注意力機制與新型損失函數(shù)，實現(xiàn)玉米籽粒內(nèi)部結(jié)構(gòu)的精準(zhǔn)分割與表型參數(shù)提取。具體創(chuàng)新包括：在U-Net的編碼器中嵌入CBAM模塊（通道與空間注意力），解碼器中加入SE模塊（通道自適應(yīng)校準(zhǔn)），增強模型對低對比度特征與模糊邊界的捕捉能力；采用Focal Tversky損失函數(shù)，通過動態(tài)調(diào)整難易樣本權(quán)重，緩解類別不平衡問題，并額外引入邊界平滑損失項，減少分割邊緣鋸齒化。通過批量CT掃描、單籽粒分割（Canny算法）、籽粒內(nèi)部結(jié)構(gòu)分割、及三維表型參數(shù)（體積、體積比等）提取方法，實現(xiàn)玉米籽粒內(nèi)部結(jié)構(gòu)表型參數(shù)無損、高通量解析。

在包含3萬張CT圖像的數(shù)據(jù)集上，CSFTU-Net的Dice系數(shù)達89.13%，顯著優(yōu)于U-Net（81.76%）、DeepLabv3（81.53%）等模型，尤其對模糊邊界的處理更優(yōu)。分析250個玉米品種發(fā)現(xiàn)，不同亞群（硬質(zhì)、非硬質(zhì)等）的胚乳體積分布差異顯著，為定向育種提供數(shù)據(jù)支持。例如，玻璃質(zhì)胚乳占比高的品種更適合加工抗機械損傷的食品（如膨化玉米），而粉質(zhì)胚乳占優(yōu)的品種更適用于玉米粉生產(chǎn)。此外，模型在噪聲環(huán)境與復(fù)雜結(jié)構(gòu)中表現(xiàn)穩(wěn)健，未來可擴展至小麥、水稻等作物內(nèi)部結(jié)構(gòu)分析。

該技術(shù)能避免傳統(tǒng)破壞性檢測，單次掃描即可獲取三維結(jié)構(gòu)數(shù)據(jù)，加速育種篩選；其次，支持體積、比例等表型參數(shù)自動提取，助力基因型-表型關(guān)聯(lián)分析；最后，為食品加工（如硬度分級）、種子質(zhì)量評估提供可靠工具，提升經(jīng)濟效益。

圖1CT圖像獲取與預(yù)處理

圖2 籽粒及其硬質(zhì)胚乳和粉質(zhì)胚乳的三維性狀提取

數(shù)字植物北京市重點實驗室研究生王娟與博士后楊斯為該文共同第一作者，北京市農(nóng)林科學(xué)院信息技術(shù)研究中心趙春江研究員和郭新宇研究員為該文通訊作者，實驗室王傳宇副研究員、溫維亮副研究員、張穎副研究員等參與研究工作。該研究得到國家重點研發(fā)計劃（2021YFD1200705）、北京市農(nóng)林科學(xué)院協(xié)同創(chuàng)新中心建設(shè)項目（KJCX20240406）、北京市農(nóng)林科學(xué)院科技創(chuàng)新專項建設(shè)資金項目（KJCX220401）的資助。

論文鏈接：
http‍s://doi.org/10.1016/j.plaphe.2025.100022

——推薦閱讀——
From Images to Loci: Applying 3D Deep Learning to Enable Multivariate and Multitemporal Digital Phenotyping and Mapping the Genetics Underlying Nitrogen Use Efficiency in Wheat

https://doi.org/10.34133/plantphenomic‍s.0270

Plant Phenomics | 南京農(nóng)業(yè)大學(xué)利用3D深度學(xué)習(xí)助力小麥氮利用效率基因位點的多變量與全生育期數(shù)字表型解析

High-Throughput Phenotyping of Soybean Biomass: Conventional Trait Estimation and Novel Latent Feature Extraction Using UAV Remote Sensing and Deep Learning Models

https://doi.org/10.34133/plantphenomics.0244

Plant Phenomics | 基于無人機遙感與深度學(xué)習(xí)模型的大豆生物量高通量表型分析：傳統(tǒng)性狀估算與新型潛在特征提取

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(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)主辦的英文學(xué)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(xué)交叉學(xué)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(xué)習(xí)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(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)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、2024年入選江蘇科技期刊卓越行動計劃領(lǐng)軍期刊項目、、中國科技期刊卓越行動計劃二期英文梯隊期刊。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：王娟、楊斯、王傳宇、溫維亮、張穎
編輯排版：王平、薛楚凡（實習(xí)）
審核：尹歡、孔敏