Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Kỹ thuật dựa trên xử lý lưới mới cho phân tích cây 3D
Tóm tắt
Trong những năm gần đây, các nền tảng pheno cây tự động, không xâm lấn, không phá hủy dựa trên hình ảnh với khả năng thông lượng cao đã trở thành những công cụ phổ biến trong sinh học cây trồng, tạo nền tảng cho lĩnh vực pheno cây học. Các nền tảng này thu thập và ghi lại lượng lớn dữ liệu thô cần được hiệu chuẩn, tái tạo và phân tích chính xác và mạnh mẽ, đòi hỏi phát triển các thuật toán hiểu và định lượng hình ảnh tinh vi. Dữ liệu thô có thể được xử lý theo nhiều cách khác nhau, và trong vài năm qua, đã xuất hiện hai phương pháp chính: xử lý hình ảnh 2D và các thuật toán xử lý lưới 3D. Các phương pháp định lượng hình ảnh trực tiếp (thường là 2D) chiếm ưu thế trong tài liệu hiện tại do tính đơn giản tương đối. Tuy nhiên, phân tích lưới 3D đem lại tiềm năng to lớn trong việc ước lượng chính xác các đặc điểm hình thái cụ thể một cách cắt ngang và theo dõi chúng theo thời gian. Trong bài báo này, chúng tôi trình bày một kỹ thuật dựa trên lưới 3D mới được phát triển cho pheno cây học thông lượng cao theo thời gian và thực hiện các thử nghiệm ban đầu cho phân tích sự phát triển sinh dưỡng của Gossypium hirsutum. Dựa trên các lưới cây đã được tái tạo trước đó từ hình ảnh đa góc nhìn, phương pháp này bao gồm nhiều giai đoạn, bao gồm phân đoạn lưới hình thái, ước lượng các tham số biểu hiện hình thái và theo dõi các cơ quan cây theo thời gian. Nghiên cứu ban đầu tập trung vào việc trình bày và xác thực độ chính xác của phương pháp trên các loài cây hai lá mầm như bông, nhưng chúng tôi tin rằng phương pháp này sẽ có tính ứng dụng rộng rãi hơn. Nghiên cứu này liên quan đến việc áp dụng kỹ thuật của chúng tôi lên một tập hợp bao gồm sáu cây Gossypium hirsutum (bông) được nghiên cứu trong bốn thời điểm khác nhau. Các phép đo thủ công, được thực hiện cho mỗi cây tại mỗi thời điểm, đã được sử dụng để đánh giá độ chính xác của quy trình của chúng tôi và định lượng sai số trên các tham số hình thái đã ước lượng. Bằng cách so sánh trực tiếp dữ liệu định lượng dựa trên lưới tự động của chúng tôi với các phép đo thủ công về chiều cao thân, chiều rộng lá và chiều dài lá của từng cây, chúng tôi đã thu được các sai số tuyệt đối trung bình lần lượt là 9.34%, 5.75%, 8.78%, và các hệ số tương quan là 0.88, 0.96 và 0.95. Việc đồng bộ theo thời gian của các lá chính xác trong 95% các trường hợp và thời gian thực hiện trung bình để phân tích một cây trong bốn thời điểm là 4.9 phút. Do đó, phương pháp dựa trên xử lý lưới được coi là phù hợp cho việc theo dõi định lượng 4D các đặc điểm hình thái của cây.
Từ khóa
#pheno cây học #xử lý hình ảnh #xác thực #Gossypium hirsutum #lưới 3DTài liệu tham khảo
Furbank RT, Tester M: Phenomics - technologies to relieve the phenotyping bottleneck. Trends Plant Sci. 2011, 16 (12): 635-10.1016/j.tplants.2011.09.005.
Granier C, Tardieu F: Multi-scale phenotyping of leaf expansion in response to environmental changes: the whole is more than the sum of parts. Plant Cell Environ. 2009, 32 (9): 1175-10.1111/j.1365-3040.2009.01955.x.
Schurr U, Heckenberger U, Herdel K, Walter A, Feil R: Leaf development in Ricinus communis during drought stress: dynamics of growth processes, of cellular structure and of sink-source transition. J Exp Bot. 2000, 51 (350): 1515-10.1093/jexbot/51.350.1515.
Vos J, Evers JB, Buck-Sorlin GH, Andrieu B, Chelle M, de Visser PHB: Functional-structural plant modelling: a new versatile tool in crop science. J Exp Bot. 2010, 61 (8): 2101-10.1093/jxb/erp345.
Eberius M, Lima-Guerra J: High-Throughput plant phenotyping–data acquisition, transformation, and analysis. Bioinformatics. 2009, : 259.
Duan L, Yang W, Huang C, Liu Q: A novel machine-vision-based facility for the automatic evaluation of yield-related traits in rice. Plant Methods. 2011, 7: 44-10.1186/1746-4811-7-44.
Granier C, Aguirrezabal L, Chenu K, Cookson S, Dauzat M, Hamard P, Thioux J, Rolland G, Bouchier-Combaud S, Lebaudy A, et al: PHENOPSIS, an automated platform for reproducible phenotyping of plant responses to soil water deficit in Arabidopsis thaliana permitted the identification of an accession with low sensitivity to soil water deficit. New Phytologist. 2006, 169 (3): 623-10.1111/j.1469-8137.2005.01609.x.
Walter A, Scharr H, Gilmer F, Zierer R, Nagel K, Ernst M, Wiese A, Virnich O, Christ M, Uhlig B, et al: Dynamics of seedling growth acclimation towards altered light conditions can be quantified via GROWSCREEN: a setup and procedure designed for rapid optical phenotyping of different plant species. New Phytologist. 2007, 174 (2): 447-10.1111/j.1469-8137.2007.02002.x.
Jansen M, Gilmer F, Biskup B, Nagel KA, Rascher U, Fischbach A, Briem S, Dreissen G, Tittmann S, Braun S, De Jaeger I, Metzlaff M, Schurr U, Scharr H, Walter A: Simultaneous phenotyping of leaf growth and chlorophyll fluorescence via GROWSCREEN FLUORO allows detection of stress tolerance in Arabidopsis thaliana and other rosette plants. Funct Plant Biol. 2009, 36 (11): 902-10.1071/FP09095.
Bylesjö M, Segura V, Soolanayakanahally R, Rae A, Trygg J, Gustafsson P, Jansson S, Street N: LAMINA: a tool for rapid quantification of leaf size and shape parameters. BMC Plant Biol. 2008, 8: 82-10.1186/1471-2229-8-82.
Reuzeau C, Pen J, Frankard V, de Wolf J, Peerbolte R, Broekaert W: TraitMill: a discovery engine for identifying yield-enhancement genes in cereals. Fenzi Zhiwu Yuzhong (Mol Plant Breeding). 2005, 3: 7534.
Hartmann A, Czauderna T, Hoffmann R, Stein N, Schreiber F: HTPheno: An image analysis pipeline for high-throughput plant phenotyping. BMC Bioinf. 2011, 12: 148-10.1186/1471-2105-12-148.
Yang W, Xu X, Duan L, Luo Q, Chen S, Zeng S, Liu Q: High-throughput measurement of rice tillers using a conveyor equipped with x-ray computed tomography. Rev Sci Instrum. 2011, 82 (2): 025102-10.1063/1.3531980.
Naeem A, French A, Wells D, Pridmore T: High-throughput feature counting and measurement of roots. Bioinformatics. 2011, 27 (9): 1337-10.1093/bioinformatics/btr126.
Yazdanbakhsh N, Fisahn J: High throughput phenotyping of root growth dynamics, lateral root formation, root architecture and root hair development enabled by PlaRoM. Funct Plant Biol. 2009, 36 (11): 938-10.1071/FP09167.
Iyer-Pascuzzi A, Symonova O, Mileyko Y, Hao Y, Belcher H, Harer J, Weitz J, Benfey P: Imaging and analysis platform for automatic phenotyping and trait ranking of plant root systems. Plant Physiol. 2010, 152 (3): 1148-10.1104/pp.109.150748.
Biskup B, Scharr H, Fischbach A, Wiese-Klinkenberg A, Schurr U, Walter A: Diel growth cycle of isolated leaf discs analyzed with a novel, high-throughput three-dimensional imaging method is identical to that of intact leaves. Plant Physiol. 2009, 149 (3): 1452-10.1104/pp.108.134486.
Clark R, Maccurdy R, Jung J, Shaff J, McCouch S, Aneshansley D, Kochian L: Three-dimensional root phenotyping with a novel imaging and software platform. Plant Physiol. 2011, 156 (10): 455.
Wang H, Zhang W, Zhou G, Yan G, Clinton N: Image-based 3D corn reconstruction for retrieval of geometrical structural parameters. Int J Remote Sensing. 2009, 30 (20): 5505-10.1080/01431160903130952.
Huang Q, Stockman GC: Generalized tube model: recognizing 3Delongated objects from 2D intensity images. In PROCEEDINGS CVPRIEEE; 1993:104–109.
Huang Q, Jain A, Stockman G, Smucker A: Automatic image analysis ofplant root structures. In Pattern Recognition, 1992. Vol.II. Conference B:Pattern Recognition Methodology and Systems, Proceedings., 11th IAPRInternational Conference on; 1992:569–572.
Nathalie W, Jean-Christophe P: High-contrast three-dimensional imaging of the Arabidopsis leaf enables the analysis of cell dimensions in the epidermis and mesophyll. Plant Methods. 2010, 6 (17): 1.
Baumberg A, Lyons A, Taylor R: 3D SOM–A commercial software solution to 3D scanning. Graphical Models. 2005, 67 (6): 476-10.1016/j.gmod.2004.10.002.
Shamir A: A survey on Mesh Segmentation Techniques. Computer Graphics Forum. 2008, 27 (6): 1539-10.1111/j.1467-8659.2007.01103.x.
Golovinskiy A, Funkhouser T: Consistent Segmentation of 3D Models. Comput Graphics (Shape Modeli Int). 2009, 33 (3): 262.
Cornelissen JHC, Lavorel S, Garnier E, Díaz S, Buchmann N, Gurvich DE, Reich PB, Steege HT, Morgan HD, Heijden MGaVD, Pausas JG, Poorter H: A handbook of protocols for standardised and easy measurement of plant functional traits worldwide. Aust J Bot. 2003, 51 (4): 335-10.1071/BT02124.
Niem W, Wingbermuhle J: Automatic reconstruction of 3D objectsusing a mobile monoscopic camera. In 3-D Digital Imaging andModeling, 1997. Proceedings., International Conference on Recent Advancesin IEEE; 1999:173–180.
The PlantScan Webpage. [http://www.plantphenomics.org.au/node/157].
Franco J, Boyer E: Fusion ofmultiview silhouette cues using a spaceoccupancy grid. In Computer Vision, 2005. ICCV 2005. Tenth IEEEInternational Conference on, Volume 2 IEEE; 2005:1747–1753.
Kolev K, Klodt M, Brox T, Cremers D: Continuous global optimization in multiview 3d reconstruction. Int J Comput Vision. 2009, 84: 80-10.1007/s11263-009-0233-1.
Hosoi F, Omasa K: Voxel-Based 3-D modeling of individual trees for estimating leaf area density using high-resolution portable scanning lidar. Geoscience Remote Sensing, IEEE Transact on. 2006, 44 (12): 3610.
Vieira M, Shimada K: Surface mesh segmentation and smooth surface extraction through region growing. Comput Aided Geometric Des. 2005, 22 (8): 771-10.1016/j.cagd.2005.03.006.
Attene M, Falcidieno B, Spagnuolo M: Hierarchical mesh segmentation based on fitting primitives. Visual Comput. 2006, 22 (3): 181-10.1007/s00371-006-0375-x.
Mortara M, Patan´e G, Spagnuolo M, Falcidieno B, Rossignac J: Plumber: a method for a multi-scale decomposition of 3D shapes into tubular primitives and bodies. In Proceedings of the ninth ACM symposium on Solid modeling and applications; 2004:339–344.
Kuhn H: The Hungarian method for the assignment problem. Naval Res Logistics Q. 1955, 2 (1–2): 83.
Rodgers J, Nicewander W: Thirteen ways to look at the correlation coefficient. Am Statistician. 1988, 42 (1): 59.
Koch G: Intraclass correlation coefficient. Encyclopedia Stat Sci. 1983, 4: 212.
Shrout P, Fleiss J: Intraclass correlations: uses in assessing rater reliability. Psychological Bull. 1979, 86 (2): 420.
Bartko J: The intraclass correlation coefficient as a measure of reliability. Psychological R. 1966, 19: 3.
Danjon F, Reubens B: Assessing and analyzing 3D architecture of woody root systems, a review of methods and applications in tree and soil stability, resource acquisition and allocation. Plant Soil. 2008, 303: 1-10.1007/s11104-007-9470-7.
Pradal C, Dufour-Kowalski S, Boudon F, Fournier C, Godin C: OpenAlea: a visual programming and component-based software platform for plant modelling. Funct Plant Biol. 2008, 35 (10): 751-10.1071/FP08084.