玉米作为全球重要作物，其籽粒内部结构（玻璃质胚乳与粉质胚乳的比例）直接影响加工品质与抗逆性。传统方法依赖人工解剖或切片观察，效率低且破坏样本。尽管微CT技术能无损获取高分辨率图像，但玉米胚乳区域像素对比度低、边界模糊，传统分割方法（如阈值法、区域生长）易出现分割错误。如何精准分割并量化玉米籽粒内部结构表型参数，成为育种与加工研究的关键挑战。

2025年3月，Plant Phenomics 在线发表了北京市农林科学院题为A deep learning-based micro-CT image analysis pipeline for nondestructive quantification of the maize kernel internal structure的论文。

本研究提出一种基于深度学习的微CT图像分析流程（CSFTU-Net），通过改进经典的U-Net架构，融合注意力机制与新型损失函数，实现玉米籽粒内部结构的精准分割与表型参数提取。具体创新包括：在U-Net的编码器中嵌入CBAM模块（通道与空间注意力），解码器中加入SE模块（通道自适应校准），增强模型对低对比度特征与模糊边界的捕捉能力；采用Focal Tversky损失函数，通过动态调整难易样本权重，缓解类别不平衡问题，并额外引入边界平滑损失项，减少分割边缘锯齿化。通过批量CT扫描、单籽粒分割（Canny算法）、籽粒内部结构分割、及三维表型参数（体积、体积比等）提取方法，实现玉米籽粒内部结构表型参数无损、高通量解析。

在包含3万张CT图像的数据集上，CSFTU-Net的Dice系数达89.13%，显著优于U-Net（81.76%）、DeepLabv3（81.53%）等模型，尤其对模糊边界的处理更优。分析250个玉米品种发现，不同亚群（硬质、非硬质等）的胚乳体积分布差异显著，为定向育种提供数据支持。例如，玻璃质胚乳占比高的品种更适合加工抗机械损伤的食品（如膨化玉米），而粉质胚乳占优的品种更适用于玉米粉生产。此外，模型在噪声环境与复杂结构中表现稳健，未来可扩展至小麦、水稻等作物内部结构分析。

该技术能避免传统破坏性检测，单次扫描即可获取三维结构数据，加速育种筛选；其次，支持体积、比例等表型参数自动提取，助力基因型-表型关联分析；最后，为食品加工（如硬度分级）、种子质量评估提供可靠工具，提升经济效益。

图1CT图像获取与预处理

图2 籽粒及其硬质胚乳和粉质胚乳的三维性状提取

数字植物北京市重点实验室研究生王娟与博士后杨斯为该文共同第一作者，北京市农林科学院信息技术研究中心赵春江研究员和郭新宇研究员为该文通讯作者，实验室王传宇副研究员、温维亮副研究员、张颖副研究员等参与研究工作。该研究得到国家重点研发计划（2021YFD1200705）、北京市农林科学院协同创新中心建设项目（KJCX20240406）、北京市农林科学院科技创新专项建设资金项目（KJCX220401）的资助。

论文链接：

http‍s://doi.org/10.1016/j.plaphe.2025.100022

——推荐阅读——

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 | 南京农业大学利用3D深度学习助力小麦氮利用效率基因位点的多变量与全生育期数字表型解析

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 | 基于无人机遥感与深度学习模型的大豆生物量高通量表型分析：传统性状估算与新型潜在特征提取

加入作者交流群