基于深度学习的高通量检测体外发芽,以从显微镜图像中评估花粉活力
Mengwei Zhang1, Jianxiang Zhao1, Yoichiro Hoshino1,2
1Division of Biosphere Science, Graduate School of Environmental Science, Hokkaido University, Kita 11, Nishi 10, Kita-ku, Sapporo 060-0811, Japan.
Journal of experimental botany
|August 16, 2023
概括
这项研究引入了Mask R-CNN模型,用于自动化花粉生存能力评估. 人工智能模型准确地测量了花粉发芽和管长,提高了植物科学研究的效率.
科学领域:
- 植物生殖生物学 植物生殖生物学
- 计算生物学是一种计算生物学.
- 农业科学 农业科学
背景情况:
- 在体外花粉发芽对于评估植物生殖潜力至关重要.
- 精确测量花粉发芽频率和花粉管长度对于生存能力评估至关重要.
- 当前的方法可能是劳动密集型的,需要精确的手动分析.
研究的目的:
- 开发一种自动化方法,以快速准确地评估花粉的生存能力.
- 使用Mask R-CNN模型检测花粉发芽率和花粉管长度.
- 通过结合合成交叉花粉管图像来增强模型性能.
主要方法:
- 一个Mask R-CNN模型在微观图像上训练了树 (Paeonia suffruticosa) 花粉.
- 合成的交叉花粉管图像被添加到训练数据集中以改善识别.
- 模型的性能是使用交叉在欧盟 (IoU) 和平均平均精度 (mAP) 进行评估的.
- 线性回归分析被用来比较模型预测与地面真相数据.
主要成果:
- 面具R-CNN模型在50%的IOU值下实现了0.949的平均精度.
- 该模型在预测花粉发芽频率 (R2=0.909) 和花粉管长度 (R2=0.958) 中表现出高准确度.
- 该模型显示出良好的通用性,成功应用于另外两种植物物种.
结论:
- 拟议的Mask R-CNN模型为自动化花粉生存能力评估提供了一个高效和准确的工具.
- 综合数据的整合显著提高了模型识别复杂结构的能力,例如交叉的花粉管.
- 这种人工智能驱动的方法在植物育种,保护和基础研究中具有广泛的潜在应用.
更多相关视频
06:45Live Imaging of Arabidopsis Pollen Tube Reception and Double Fertilization Using the Semi-In Vitro Cum Septum Method
Published on: February 24, 2023
4.2K
07:07Author Spotlight: A High-Resolution, Single-Grain, In Vivo Pollen Hydration Bioassay for Arabidopsis thaliana
Published on: June 30, 2023
2.6K
