Hortic Res | 可解释性AI和卷积神经网络在高通量植物疾病微观量化抗病育种中的应用

基于图像的高通量表型系统是一个对葡萄白粉病抗性和增强遗传理解很有前景的解决方案，同时这一系统加快了抗白粉病品种的培育。如何在微观层面准确和高效地从图像中提取植物的表型特征仍然是现代高通量表型系统的瓶颈。

近日，Horticulture Research上线了（Advance Access）康奈尔大学Cyber-Agricultural Intelligence and Robotics (CAIR) 实验室题为High throughput saliency-based quantification of grape powdery mildew at the microscopic level for disease resistance breeding 的研究论文。

本研究的目标是开发一个基于显著性算法在显微图像中量化葡萄白粉病感染并综合评估其对遗传分析的帮助。输入图像被分割成子图像，这些子图像被预训练的卷积神经网络分类器分类为感染或健康。每张被分类为感染的子图像通过算法进一步处理生成其对应的显著性图并用于量化葡萄白粉病感染（图1）。实验结果表明卷积神经网络和显著性方法的最佳组合与人工评估取得了强相关性。在子图像疾病量化级别，本文提出的量化算法和人工评估的菌丝感染率的相关性高达0.74和0.75。在全图像疾病量化级别，本文提出的量化算法和人工评估的菌丝感染率的相关性高达0.87和0.88（图2）。基于显著性算法的量化准确性增加了对表型变异和量化性状基因的可靠分析。因此，基于显著性的算法可以作为一种有效且高效的葡萄白粉病分析工具在未来的研究和育种计划，尤其是在需要显微图像分析的农业和生命科学研究领域。

图1 基于显著性的高通量葡萄白粉病微观量化算法的流程图

图2 葡萄白粉病量化可视化和相关性性能分析结果（Gradient-SG和GradCAM是本文中使用的两种显著性算法）

本研究开发并评估了一种基于显著性的微观量化的范例，该范例将显著性方法与卷积神经网络分类器相结合，用于在微观水平上量化葡萄白粉病感染的严重程度。这种基于显著性的微观量化算法的性能明显优于基于分类的微观量化算法，并且可与基于分割的微观量化算法和人工计数相媲美。这种量化准确性的提高还增强了量化性状基因分析的可靠性。此外，生成的显著性图可被研究人员用于理解深度卷积神经网络模型的推理过程，增强了将深度学习模型应用于实际应用的信心。因此，基于显著性的微观量化算法用于对葡萄白粉病感染分析是有效、高效和值得信赖的。

康奈尔大学Cyber-Agricultural Intelligence and Robotics (CAIR) 实验室的丘天博士研究生为本论文的第一作者，姜宇教授为本论文的通讯作者。本研究得到了康奈尔农业科技风险基金（Cornell AgriTech Venture Fund）和美国农业部（USDA NIFA Hatch）的支持。图像数据收集、遗传图谱构建和薪酬由USDA NIFA Specialty Crop Research Initiative资助。

文章链接：

https://doi.org/10.1093/hr/uhac187

转自：“园艺研究”微信公众号

如有侵权，请联系本站删除！