基于深度学习的乳种子中的elaiosome检测用于高效的高通量表型化
Younguk Kim1, Alebel Mekuriaw Abebe1, Jaeyoung Kim1
1Gene Engineering Division, National Institute of Agricultural Sciences, Rural Development Administration, Jeonju, Republic of Korea.
Frontiers in plant science
|August 12, 2024
概括
这项研究引入了使用Detectron2的深度学习方法,用于半自动检测乳种子的elaiosome. 这种方法可以实现高通量表型化,用于培育改进的乳品种.
科学领域:
- 植物科学 植物科学
- 生物技术是生物技术.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 乳 (Silybum marianum) 的价值是因为在种子elaiosomes中缩的西里马林.
- 量化elaiosome表型是具有挑战性的,因为基于图像的细分存在困难.
- 埃莱索姆特征对于培育具有增强药用性质的乳品种至关重要.
研究的目的:
- 开发一种半自动化方法来检测和细分乳种子的elaiosomes.
- 为了利用深度学习来准确地识别和量化elaiosome.
- 为了便于高通量表型化elaiosome和其他种子形态特征.
主要方法:
- 利用Detectron2深度学习算法进行elaiosome检测和细分.
- 采用半自动图像标签策略,反复训练模型并预测结果.
- 在6000个标记图像上训练最终模型,以获得强大的性能.
主要成果:
- 通过使用Detectron2.2,在检测乳种子elaiosomes方面取得了99.9%的准确性.
- 成功生成了对elaiosomes的精确细分面具.
- 证明了elaiosome面积分析对于种子表型化的有用性.
结论:
- 拟议的基于Detectron2的方法在乳伊基因组检测和细分方面非常有效.
- 半自动标记有助于产生足够的培训数据.
- 这种方法支持高通量表型化,这对于培育优秀的乳品种至关重要.
