少样本学习改变了生物能源作物毛果杨的叶片性状分析

基于图像的植物表型分析对于理解植物生物学和农业至关重要。然而，从背景中区分相关生物结构仍然是一个挑战，特别是在低对比度情况下。虽然深度学习增强了计算机视觉中的特征提取，但其在植物表型分析中的应用因需要大量图像注释而受到阻碍。

为了解决这个问题，当前的研究探索了小样本学习，这是机器学习的一个子集，需要更少的标记样本。杨树，特别是毛果杨，因其遗传多样性和生物能源潜力而具有重要意义。

表型分析中叶和静脉分割的传统方法具有局限性，包括耗时的过程和需要大型注释数据集。因此，利用少样本学习以最少的训练数据有效分割叶子图像将是推进植物表型研究的关键一步。

在本研究中，采用少样本学习与卷积神经网络(CNN)相结合的方式对2,906张毛果松树叶图像的叶体和脉络进行分割。分割精度非常显着，叶子追踪CNN和基线U-Net模型显示出很高的Jaccard分数，表明与地面实况分割非常匹配。

由于静脉结构的复杂性和手动注释中的微小人为错误，静脉分割提出了额外的挑战;然而，静脉生长框架仍然取得了很高的召回率。这强调了其准确捕捉复杂静脉结构的有效性。

每个静脉分割中连接组件的数量可以作为生物准确性的代表，静脉生长CNN在生成生物学真实的静脉分割方面优于U-Net。

真实世界的厚度测量验证了叶子性状的数字测量。基因组分析进一步利用分割和特征提取方法，揭示了遗传对静脉密度的显着影响。已鉴定的基因及其拟南芥直向同源物为叶子发育过程提供了更深入的见解。

总之，本研究提出了从图像采集到表型提取的稳健且高效的工作流程，极大地增强了对植物遗传学的理解。这进一步使研究人员能够评估叶脉特征如何与其他生理过程相关，例如气孔导度、气体交换和植物整体生产力，这对于将杨树开发为生物能源作物具有重要意义。

从定量遗传分析中检测到的基因可用于未来的生物技术实验，以优化针对气候适应能力、生物质生产以及农业和生物燃料生产加速驯化的性状。