3D U-Net 分段改进了自动化和手动虚拟现实工作流中的3D MRI图像的根系统重建
Tobias Selzner1, Jannis Horn2, Magdalena Landl1
1Forschungszentrum Juelich GmbH, Agrosphere (IBG-3), Juelich, Germany.
Plant phenomics (Washington, D.C.)
|July 31, 2023
概括
使用3D U-Net细分的新的2步工作流显著改善了磁共振成像 (MRI) 对根系统架构 (RSA) 的分析. 这增强了手动和自动根从土壤图像的重建.
科学领域:
- 植物科学 植物科学
- 图像技术技术的成像技术
- 计算生物学 计算生物学
背景情况:
- 磁共振成像 (MRI) 对于在不透明的土壤中可视化根系至关重要.
- 从3DMRI数据中自动重建根系统架构 (RSA) 具有挑战性,因为其分辨率低,对比度差.
- 手工重建仍然是流行的方法,尽管它的劳动密集型性质.
研究的目的:
- 评估一种新的两步工作流程,用于从3DMRI数据中自动化RSA重建.
- 评估3D U-Net细分对手动和自动RSA重建的效率和准确性的影响.
- 用虚拟现实系统将自动重建与手动重建进行比较.
主要方法:
- 使用3D U-Net模型对MRI图像进行超分辨率细分,将根与土壤区分开来.
- 使用自动追踪算法,从细分图像中重建根系统.
- 在原始和细分的MRI图像上进行手动重建以进行比较.
主要成果:
- 通过U-Net的细分,手动重建速度在低CNR图像中大大提高了97%,在高CNR图像中提高了27%.
- 在低CNR和高CNR图像的细分后,重建的根长度分别增加了20%和3%.
- 虽然自动化追踪产生了更短的根长度,但细分能够处理以前无法使用的MRI数据,功能根特征在各种方法中显示出类似的液压行为.
结论:
- 建议3D U-Net细分作为一个关键的预处理步骤,以增强手动RSA重建工作流程.
- 开发的自动化工作流,尽管根长度准确性的局限性,允许对具有挑战性的MRI数据集进行分析.
- 未来的研究将专注于混合工作流,将自动化支架与手动校正相结合,以改进RSA分析.
