《Information Processing in Agriculture》：Aerenchyma segmentation in stems of rice seedlings based on Res2-TransUNet
编辑推荐：
本研究针对水稻茎秆通气组织（aerenchyma）传统分割方法精度低、成本高、鲁棒性差的难题，利用低成本共聚焦显微平台获取水稻幼苗茎秆横截面图像，开发了基于Res2-TransUNet的深度学习模型，实现了通气组织与茎秆的联合语义分割。该模型在自建数据集上取得了MIOU 95.8%、MPA 97.71%、准确度98.59%的优异性能，并基于分割掩膜定量计算出通气组织面积、茎秆横截面积及腔-茎比（cavity-stem ratio）。与人工测量结果的线性回归R2值均大于0.976，证明该方法可为水稻幼苗内部组织表型分析提供可靠、高效的技术支持。
水稻，作为全球半数以上人口的主粮，其生长健康与产量息息相关。然而，你是否知道，藏在水稻茎秆内部的微小“气道”——通气组织（aerenchyma），竟是影响其抗倒伏、耐涝渍乃至甲烷排放的关键角色？这些充满空气的腔隙网络，负责从地上部向根系输氧，尤其在淹水逆境中，其发育程度直接关系到植株的存亡。长期以来，科研人员渴望精确量化这些通气组织的面积、分布及其与茎秆的比例（腔-茎比），以筛选优良品种、研究抗逆机理。但现实很“骨感”：传统依赖人工标注的方法费时费力、主观性强；而采用高精度CT成像虽好，成本却令人望而却步。如何低成本、高效率、高精度地“看清”并“算清”水稻茎秆内部的这些微观结构，成为了农业表型研究领域一个亟待破解的难题。
为此，安徽农业大学的一支研究团队在《Information Processing in Agriculture》上发表了一项创新研究。他们独辟蹊径，采用了一套低成本的共聚焦显微成像平台来获取水稻幼苗茎秆的横截面图像，巧妙绕过了昂贵的CT设备。面对图像中通气组织形态复杂、大小不一、且与叶鞘间隙等结构极易混淆的挑战，他们没有沿用常见的分割模型，而是匠心独具地改造了TransUNet网络架构。他们将原模型中的特征提取骨干网络ResNet替换为具有更强多尺度特征感知能力的Res2Net，从而构建了全新的Res2-TransUNet模型。这个“升级版”模型仿佛拥有一双能同时捕捉细微和整体特征的“慧眼”，能更精准地从RGB图像中识别出目标。
为了开展这项研究，作者团队运用了几个关键技术方法：首先，在安徽农业科学院智能育秧温室中培育“徽两优6号”杂交稻幼苗，采集苗期至三叶期幼苗的茎段制作切片，构建了包含133张高分辨率图像的自建数据集，并进行了人工精细标注与数据增强。其次，提出了Res2-TransUNet模型，其核心创新是用Res2Net骨干网络替换TransUNet的原始骨干，以增强对复杂多尺度通气组织形态的特征提取能力。最后，基于模型分割得到的掩膜，利用CountNonZero函数计算像素数，并结合共聚焦显微镜的放大倍率（1 mm对应1356像素），建立了通气组织面积、茎秆横截面积及腔-茎比的计算模型，用于表型参数的自动化定量分析。
研究结果
1. 数据增强有效提升模型性能
实验表明，对训练集进行添加噪声、随机调整对比度和亮度等数据增强操作后，模型整体性能显著提升。在TransUNet模型上，增强后数据集的平均交并比（MIOU）和平均像素精度（MPA）分别提升了2.9和1.63个百分点，整体准确度（ACC）从97.38%提高至98.43%。这表明数据扩充有效提升了模型对复杂通气组织形态的泛化识别能力。
2. Res2Net骨干网络展现多尺度特征提取优势
将TransUNet的原始骨干网络ResNet替换为Res2Net后，构建的Res2-TransUNet模型在所有关键指标上均实现了提升。其中，对核心目标——通气组织类别的分割交并比（IOU）和像素精度（PA）分别达到91.53%和95.16%，较原网络提升了2.56和1.6个百分点。模型的整体MIOU、MPA和ACC也分别提升了1.25、0.68和0.42个百分点。这证实了Res2Net的层级残差结构能更有效地提取多尺度特征，对于形态多变、边界复杂的气道组织分割任务至关重要。
3. Res2-TransUNet在多种分割模型中性能最优
在与PSPNet、DeepLabv3+、UNet及原始TransUNet的对比实验中，Res2-TransUNet综合表现最佳，其MIOU（95.8%）、MPA（97.71%）和ACC（98.59%）均领先于其他模型。可视化结果显示，DeepLabv3+和PSPNet错误较多，UNet仍会误将叶鞘间隙判为通气组织，而Res2-TransUNet和TransUNet的分割结果更精准，前者在细节边界处理上更优。
4. 表型参数自动测量结果与人工测量高度一致
利用Res2-TransUNet的分割结果，对10个不同生长期的水稻幼苗样本进行通气组织面积、茎秆横截面积及腔-茎比的自动计算。与人工测量结果进行线性回归分析显示，所有表型参数的决定系数（R2）均大于0.976，其中腔-茎比的R2为0.976。各项参数的均方根误差（RMSE）也处于可接受的误差范围内。这表明本研究提出的自动化测量流程具有很高的准确性和可靠性，能够有效替代繁琐的人工测量。
结论与意义
该研究成功开发了一套融合低成本成像与先进深度学习模型的水稻茎秆内部通气组织自动化表型分析方案。其主要结论在于：第一，验证了基于低成本共聚焦显微平台的RGB成像结合专门设计的Res2-TransUNet模型，能够高效、精准地实现水稻幼苗茎秆横截面中通气组织与茎秆的语义分割。第二，建立了一套从图像分割到面积、比例计算的自动化表型参数提取流程，其结果与人工测量高度吻合，证明了该技术路径的实用性与可靠性。
这项工作的意义深远。在方法论上，它为解决农业内部组织显微图像分析中成本与精度的矛盾提供了新思路，展示了如何通过改进模型架构而非单纯依赖昂贵设备来提升分析能力。在应用层面上，该技术能够高通量、客观地量化与作物抗逆性、生产力密切相关的内部结构性状，为水稻育种中的品种筛选、抗性机理研究以及生长模型构建提供了强有力的工具。尽管当前研究在实验室条件下验证有效，未来若能将其拓展至田间复杂环境并关联全生育期表型，将更能发挥其在智慧农业和作物改良中的潜在价值。
