利用micro-CT图像分析和深度学习定量分析水稻抗倒伏相关性状

来源: 时间:2021-02-03 09:44:10 浏览次数:

华中农业大学杨万能老师团队基于高通量micro-CT-RGB成像系统和深度学习方法,开发了一套可提取24个水稻茎秆形态性状和抗倒伏相关性状的高通量micro-CT图像分析流程,可以精确地量化水稻茎秆的表型性状,测量效率约为4.6分钟/株。

倒伏是水稻生产中普遍存在的问题,它会导致水稻减产和机械收割效率下降。水稻株型结构是水稻驯化的主要目标,也是限制水稻高产的关键因素。稻秆结构可以通过茎秆长轴长(major_axis_culm)、茎秆短轴长(minor_axis_culm)和茎秆壁厚(wall_thickness_culm)三个指标来定义,增加这3个数值是增加稻秆强度,提高水稻抗倒性的关键。然而,传统的水稻茎秆测量方法具有破坏性、费时费力的特点。

华中农业大学杨万能老师团队基于高通量micro-CT-RGB成像系统和SegNet深度学习方法,开发了一套可提取24个水稻茎秆形态性状和抗倒伏相关性状的高通量micro-CT图像分析流程,可以精确地量化水稻茎秆的表型性状,测量效率约为4.6分钟/株。

研究人员在水稻成熟期对104份水稻茎秆的人工测量和自动测量方式进行了比较,发现茎秆长轴、茎秆短轴和茎秆壁厚的平均绝对百分比误差分别为6.03%、5.60%和9.85%,R2分别为0.799、0.818和0.623。利用成熟期和分蘖期茎秆性状建立了弯曲应力模型,R2分别为0.722和0.544。建模结果表明,即使在早期生长阶段,该方法也能无损地量化抗倒性。此外,研究人员还分析了弯曲胁迫与地上部干重、茎秆密度和干旱相关性状的关系,发现在104份籼稻材料中,抗弯曲胁迫能力较强的植株生物量略高,茎秆密度和茎秆面积较大,但抗旱性较差。该方法有助于未来对大量水稻群体进行高通量抗倒伏筛选。

 


来源Plant Communications.A deep learning-integrated micro-CT image analysis pipeline for quantifying rice lodging resistance-related traits. Di Wu, Dan Wu, Hui Feng, Lingfeng Duan, Guoxing Dai, Xiao Liu, Kang Wang, PengYang, Guoxing Chen, Alan P. Gay, John H. Doonan, Zhiyou Niu, Lizhong Xiong,Wanneng Yang. 

https://doi.org/10.1016/j.xplc.2021.100165


长按关注

谷丰光电                    

微信号:whgfgdkj

您身边的植物表型专家!