深層学習を用いた果実の形態学的・形態計測学的解析のためのオープンRGBイメージングワークフロー：アーモンドのケーススタディ

科学分野:

• 植物科学
• 農業技術
• バイオインフォマティクス

背景:

• ハイスループットフェノタイピングは、植物育種におけるボトルネックを克服するために不可欠です。
• イメージングツールと人工知能（AI）は、フェノタイピングの効率とゲノム選抜のためのデータ生成に革命をもたらしています。
• 現在の方法では、より広範な育種プログラムの採用のために、アクセス可能でAIで強化されたイメージングソリューションが必要です。

研究 の 目的:

• AIを活用したオープンなPythonワークフローを開発し、植物器官の形態、色、形態計測形質を解析する。
• 長期間の育種サイクルを持つ種であるアーモンド（Prunus dulcis）の育種に応用し、検証する。
• 実世界のフェノタイピングアプリケーションにおけるワークフローのパフォーマンス、精度、およびスケーラビリティを評価する。

主な方法:

• AIを統合したオープンなPythonワークフローを開発し、画像解析に利用しました。
• フェノタイピングされたアーモンドカーネル、ナッツ、および個体（25,000以上のカーネル、20,000のナッツ、600の個体）にワークフローを適用しました。
• セグメンテーションと再構築の精度を評価し、重量と面積の変数を使用してカーネルの厚さなどの形質を推定しました。

主要な成果:

• セグメンテーションと再構築のエラー率は1%未満で、ワークフローは高い精度を達成しました。
• カーネルの厚さの正確な推定（二乗平均平方根誤差（RMSE）は0.47）。
• 育種プログラムに適した、アーモンドの55の遺伝可能な形態学的、形態計測学的、および色彩形質の同定。

結論:

• AI駆動型ワークフローは、限られたトレーニングデータであっても、多様なデータセット全体で堅牢なパフォーマンスを示します。
• AIベースのラベリングツールとの互換性により、手作業が削減され、データセットの準備が加速されます。
• このワークフローは、育種プログラムのスケーラビリティと実用性を向上させ、セグメンテーションモデルのファインチューニングを合理化します。