Wurzeln sind für das Pflanzenwachstum unerlässlich, traditionelle Methoden zur Wurzelforschung sind jedoch ressourcenintensiv und schädlich. Mit der Weiterentwicklung der Bildverarbeitungstechniken sind innovative Methoden für In-situ-Wurzelstudien entstanden, die eine zerstörungsfreie Wurzelbildgebung ermöglichen.
Allerdings stellt die Schattierung des Bodens in Bildern die aktuelle Herausforderung dar, die zu fragmentierten Wurzelsystemen und einem Verlust der strukturellen Integrität führt. Und diese Fragmentierung erschwert die genaue Beurteilung der Wurzelphänotypen. Obwohl Deep-Learning-Ansätze wie SegRoot und ChronoRoot die Erkennung von Wurzelbildern verbessert haben, bleiben Probleme wie Wurzelbruch und Bodenbedeckung weiterhin bestehen.
Fortschritte bei der Bildwiederherstellung, insbesondere bei der In-situ-Wurzelidentifizierung, sind für eine genaue Beurteilung des Wurzelphänotyps von entscheidender Bedeutung. Techniken wie Generative Adversarial Networks (GANs) zeigen in diesem Teil Potenzial, müssen aber noch verfeinert werden.
Im Juli 2023, Pflanzenphänomik veröffentlichte einen Forschungsartikel mit dem Titel „Anwendung von verbessertem UNet und EnlightenGAN zur Segmentierung und Rekonstruktion von In-situ-Wurzeln.“ In dieser Studie schlugen Forscher vor, EnlightenGAN für die Wurzelrekonstruktion zu verwenden, indem sie die Lichtintensität in Zielbereichen manipulieren.
Das Team hat zuvor die RhizoPot-Plattform entwickelt, die die vollständigen Root-Bilder zerstörungsfrei sammeln kann. Frühe Stadien zeigten eine genaue Segmentierung der Wurzeln mit DeeplabV3+. Allerdings gab es Ungenauigkeiten bei der Analyse des Wurzeldurchmessers und der Oberfläche. Kontinuierliche Forschung hat die Genauigkeit der In-situ-Wurzelsegmentierung verbessert, aber kleine, von Erde bedeckte Stücke bleiben immer noch unerkannt.
Beim Vergleich der Deep-Learning-Modelle UNet, SegNet und DeeplabV3+ anhand eines Original-Root-Datensatzes ergab die Studie, dass DeeplabV3+ (Xception) die beste Gesamtleistung aufwies. Allerdings hatte jedes Modell seine Stärken und Schwächen bei der Wurzelidentifizierung. Ablationsexperimente mit verschiedenen Verbesserungen an UNet zeigten eine verbesserte Leistung sowohl bei mIOU- als auch bei F1-Scores, was darauf hindeutet, dass diese Modifikationen die Einschränkungen der Modelle erfolgreich behoben haben.
Das Transferlernen mit dem verbesserten UNet auf den rekonstruierten Stammdatensatz zeigt eine gute Vielseitigkeit und Robustheit. EnlightenGAN wurde für die Root-Generierung verwendet, wobei jede Iteration die Root-Rekonstruktion schrittweise verbesserte. Phänotypische Parameter wurden mit der RhizoVision Explorer-Software analysiert, die eine signifikante Korrelation mit den tatsächlichen Werten ergab. Allerdings führten die rekonstruierten Wurzeln zu Veränderungen der Wurzellänge und -oberfläche.
In der Studie wurde ein gründlicher Modellvergleich durchgeführt, der die Fähigkeiten von DeeplabV3+ hervorhob, aber auch die Einschränkungen des Modells bei der Erkennung der Hauptwurzeln aufzeigte. Das verbesserte UNet wurde aufgrund seiner Skalierbarkeit und seines Potenzials für zukünftige Verbesserungen für die Root-Segmentierung ausgewählt. Schließlich wurden in der Studie verschiedene Kombinationen von UNet und EnlightenGAN für unterschiedliche Zwecke vorgeschlagen, die von genauer Segmentierung über Datensatzerweiterung bis hin zu unbeaufsichtigtem Training reichen.
Insgesamt zeigt die Studie einen erheblichen Fortschritt in der Wurzelrekonstruktionstechnologie und bietet einen neuartigen Ansatz für die Wurzelphänotypisierungsanalyse.
Mehr Informationen:
Qiushi Yu et al., Anwendung von verbessertem UNet und EnglightenGAN zur Segmentierung und Rekonstruktion von In-situ-Wurzeln, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0066