[论文解读] StoManager1: Automated, High-throughput Tool to Measure Leaf Stomata Using Convolutional Neural Networks

Jiaxin Wang, Heidi J. Renninger+1 more|arXiv (Cornell University)|Nov 17, 2023

Plant Water Relations and Carbon Dynamics被引用 4

一句话总结

StoManager1 是一种高通量、自动化的工具，结合卷积神经网络与经验/理论算法，可检测、计数并测量超过30种气孔及副卫细胞指标，mAP@0.5 > 0.993。该工具实现了对与生产力和内在水分利用效率相关的硬木气孔性状的精确、可扩展分析，提升了植物生理建模与气候适应性研究水平。

ABSTRACT

The characteristics of stomata on leaves are crucial for the performance of plants and their impact on global water and carbon cycling. However, manually counting stomata can be time-consuming, prone to bias, and limited to small scales and sample sizes. We have created StoManager1, a high-throughput tool that automates detecting, counting, and measuring stomata to address this issue. StoManager1 uses convolutional neural networks to estimate parameters such as stomatal density, area, orientation, and variance. Our results show that StoManager1 is highly precise and has an excellent recall for the stomatal characterizing leaves from various species. This tool can automate measuring leaf stomata, making it easier to explore how leaf stomata control and regulate plant growth and adaptation to environmental stress and climate change. An online demonstration of StoManager1 is available on GitHub at https://github.com/JiaxinWang123/StoManager.git. We have also developed a standalone, user-friendly Windows application for StoManager1 that does not require any programming or coding experience.

研究动机与目标

• 解决植物生理学与生态学中缺乏自动化、高通量工具以全面测量气孔指标的问题。
• 克服人工与半自动方法耗时、存在偏差且规模受限的局限性。
• 开发一种稳健、精确且可扩展的解决方案，用于跨物种测量多样的气孔与副卫细胞形态特征。
• 实现气孔指标在碳循环与水循环全球模型及生态功能性状研究中的大规模整合。
• 推动气孔对环境胁迫与气候变化适应性的遗传与生理研究。

提出的方法

• 采用双深度学习方法，结合卷积神经网络（CNN）的边界框检测与实例分割。
• 整合经验与理论算法，计算复杂的气孔指标，如面积、长度、宽度、取向与聚集指数。
• 利用鞋带公式（Shoelace formula）从分割输出中精确计算不规则气孔与副卫细胞形状的面积。
• 在17种具有不同气孔形态的硬木物种上进行模型训练与验证，以确保泛化能力。
• 实施多阶段流程：图像预处理、气孔检测、实例分割、指标提取，并与真实数据进行验证。
• 提供命令行Python包与独立的Windows应用程序，以提升可及性与易用性。

实验结果

研究问题

• RQ1 基于深度学习的系统是否能在多种硬木物种中实现对30多项气孔与副卫细胞指标的高精度、高召回率检测与测量？
• RQ2 新推导的气孔指标（如气孔面积与副卫细胞面积之比）与叶片生理性能及树木生长之间存在何种关系？
• RQ3 当气孔性状与叶片功能性状结合时，能否解释生产力与内在水分利用效率（iWUE）变异性的较大比例？
• RQ4 自动化、高通量的气孔表型分析是否能提升生态与生理建模的准确性与可扩展性？
• RQ5 StoManager1在精度、召回率与时间效率方面与人工及半自动方法相比表现如何？

主要发现

• StoManager1 在多种硬木物种中均实现了卓越的精度与召回率，平均精度均值（mAP@0.5）超过0.993。
• 气孔性状与叶片功能性状的整合可解释硬木中78%的生产力变异与93%的内在水分利用效率（iWUE）变异。
• 新推导的指标（如气孔面积与副卫细胞面积之比）与叶片生理及树木生长显著相关。
• 该工具成功测量了30多项气孔与副卫细胞指标，包括面积、长度、宽度、取向、均匀性、发散度与聚集指数。
• StoManager1 在捕捉跨物种形态多样性方面表现出高灵敏度与鲁棒性，支持可靠的大规模表型分析。
• 源代码与用户友好的Windows应用程序已公开发布于GitHub与Zenodo，支持广泛采用与可重复性。