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(duì)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(cuò)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(jìn)經(jīng)典的U-Net架構(gòu)，融合注意力機(jī)制與新型損失函數(shù)，實(shí)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(qiáng)模型對(duì)低對(duì)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(dòng)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(xiàng)，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(shí)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(dá)89.13%，顯著優(yōu)于U-Net（81.76%）、DeepLabv3（81.53%）等模型，尤其對(duì)模糊邊界的處理更優(yōu)。分析250個(gè)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(jī)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(kuò)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(dòng)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(jí)）、種子質(zhì)量評(píng)估提供可靠工具，提升經(jīng)濟(jì)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(diǎn)實(shí)驗(yàn)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(shí)驗(yàn)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(diǎn)研發(fā)計(jì)劃（2021YFD1200705）、北京市農(nóng)林科學(xué)院協(xié)同創(chuàng)新中心建設(shè)項(xiàng)目（KJCX20240406）、北京市農(nóng)林科學(xué)院科技創(chuàng)新專項(xiàng)建設(shè)資金項(xiàng)目（KJCX220401）的資助。

論文鏈接：
http?s://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/plantphenomic?s.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(diǎn)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(jī)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(jìn)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(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。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(jī)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(shí)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(jì)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。科睿唯安JCR2023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(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目、2024年入選江蘇科技期刊卓越行動(dòng)計(jì)劃領(lǐng)軍期刊項(xiàng)目、、中國科技期刊卓越行動(dòng)計(jì)劃二期英文梯隊(duì)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(shí)習(xí)）
審核：尹歡、孔敏