极端天气事件日益频繁和全球人口增长给粮食安全带来了挑战，凸显了对抗灾高产作物的需求。这一挑战的核心是了解受土壤条件影响的根系统架构(RSA)。

先进的3D成像技术促进对根系统的了解促进粮食安全

正在进行的研究致力于克服根表型分析的障碍，特别关注利用磁共振成像(MRI)对土壤生长的根进行三维(3D)成像。

尽管取得了显着的进展，但挑战仍然存在，包括MRI图像对比度低和分割复杂性等问题，这些问题阻碍了RSA分析的准确性。深度学习的最新进展(例如3DU-Net)显示了增强图像分割和分析的潜力，这对于在不同土壤条件下进行有效的RSA研究至关重要。

这项研究引入了一种创新的两步自动化工作流程，用于重建基于MRI的根系统，旨在克服该领域之前的挑战。第一步涉及应用由赵和研究团队开发的3DU-Net，通过根和土壤的超分辨率分割来增强MRI图像的对比度和噪声比(CNR)和分辨率。

尽管存在微小的间隙和噪音，这种分割提高了根的可见性。第二步利用Horn等人针对不完美数据设计的自动根重建算法，从这些分割图像中追踪根。

通过比较三种重建方法来评估该工作流程的有效性：专家对原始MRI图像进行手动重建(M)、对来自3DU-Net的分段图像进行手动重建(M+)以及全自动重建(A)。

使用在两种不同土壤基质中生长的羽扇豆植物的MRI扫描来评估这些方法，重点是重建根系的视觉比较和特征根测量的计算。该研究旨在确定3DU-Net分割是否可以在手动重建中恢复更多的根长度，以及自动化工作流程是否可以产生质量相当的追踪。

结果表明，与M相比，M+重建通常包括更多的根和稍长的根长度，特别是在一级根中。两种手动方法中识别的根之间的相似性很高，表明处理分割图像不会显着影响人类决策。然而，M+重建中的平均根半径通常较大。

与M和M+相比，A方法显示出较低的总根长度，并且显示出根轨迹中更频繁的方向变化，这表明在弥合U-Net分割中的大间隙方面存在困难。有时根连通性和拓扑精度会有所不同。从数量上讲，根测量支持了这些观察结果，不同方法之间的根长度恢复率和根半径存在差异。

U-Net分割显着提高了低CNR数据的重建率和根恢复率。自动重建提供了与手动方法类似的根度量，特别是在高CNR场景中，尽管它们在拓扑决策和差距缩小方面仍然面临挑战。

总之，该研究表明，3DU-Net分割通过提高根可见性和减少重建时间，显着增强了手动重建工作流程，特别是在低CNR条件下。虽然自动重建方法显示出希望，但它需要在处理拓扑复杂性和间隙闭合方面进一步完善。

这项研究有助于推进自动化根系统重建方法，特别是在具有挑战性的MRI环境中。