不同受控条件下或田间生长的土壤根系的无损调查，对于了解植物、增加农作物产量或适应气候变化至关重要。已有研究证明，无损3D体积成像方法（如：基于计算机X射线断层扫描(CTX)的方法）是获取可视化和分析根系结构的有效方法。在受控制的生长条件下，利用这类体积扫描设备可以获取精度在亚毫米分辨率下的根系数据。随着CTX数据空间分辨率的提高，获得的图像质量会更好，需要分析的图像数量也随之增加，相关数据集的构建变得更具挑战性，因而自动根系表型研究的需求也有所增加。

近日，Plant Phenomics在线发表了德国弗劳恩霍夫系统研究所(Fraunhofer Institute for Integrated Systems)Stefan Gerth等人题为Semiautomated 3D Root Segmentation and Evaluation Based on X-Ray CTImagery的研究论文。

在先前的工作中，作者比较了基于CTX图像数据进行根分割和手动测量方法。本文采用的扫描方式能够在连续手动分段的情况下产生的高质量数据，并清晰显示所有测试罐尺寸的结构(Figure 1)。将人工分割的根系结构与收获后使用WinRHIZO计算的根总长度进行比较(Figure 6)，结果表明：与WinRHIZO相比，从CTX图像计算出的根性状能够显示出减少的根总长。

众所周知，当根部的可见性较差时会导致分割结果出现差异，该情况出现的原因之一是X射线穿过样品时形成的成像会产生光子透射，样品材料密度是造成这一现象的根本原因。当可见性较差时分割出的根和周围土壤的衰减系数可能会非常相似，并且很难从视觉上加以区分。而对于细小的侧根而言，侧根直径较小，导致分割难度随之增加。

Figure 1: Workflow of the proposed semiautomatic segmentation.

Figure 6: Root biomass Broot(in %) over depth (in mm) as a cumulative distribution for small- (green solid line) and medium- (orange dotted line) sized pots over the depth of the pot.

“多尺度船运”由Frangi等人提出，是一种自动描述人的血管数的方法，作者以此为扩展方法，从豆类和木薯植物中获取CTX数据(Figure 2)。本文提出的半自动分割结果能够与手动图像处理相媲美，既能够清晰地展现出根的连接处，结果也更为精确。

Figure 2: (a) Segmentation of a cassava plant. The green line represents the 3D soil-air interface, which indicates the entry point of the plant in the soil. (b) In red, the 3D convex hull of the segmentation is depicted with θmin = α as the minimum and θmax =β as the maximum root angle between the convex hull faces and the green soil slice.

论文链接

https://spj.sciencemag.org/journals/plantphenomics/2021/8747930/

——推荐阅读——

A Deep Learning-Based Phenotypic Analysis of Rice Root Distribution from Field Images

https://spj.sciencemag.org/journals/plantphenomics/2020/3194308/

Plant Phenomics | 基于深度学习的水稻根系分布表型研究

A Statistical Growth Property of Plant Root Architectures

https://spj.sciencemag.org/journals/plantphenomics/2020/2073723/

Plant Phenomics | 植物根系的统计学生长特性分析

About Plant Phenomics