NAPPN Annual Conference Abstract: Automated root phenotyping via deep learning- based landmark detection using SLEAP
Notice bibliographique
Résumé
A high-throughput image analysis pipeline was developed to facilitate root phenotyping by reducing time-consuming labeling while maintaining phenotyping accuracy. This pipeline leverages a deep learning-based tool named SLEAP (SLEAP Estimates Animal Poses) which is designed to automate the detection of distinct morphological landmarks. By training SLEAP to detect the root branch points, tips, and midline of each root imaged in a gel cylinder, we were able to robustly and efficiently recover the root system geometry. We trained models to identify these landmarks on primary, lateral, and seminal roots across a range of crop plants, including soybean, rice, canola, and pennycress. We find that our SLEAP models are robust across genotypes and experiments, enabling automated root system quantification at the rate of hundreds of plants per hour. Using predictions of root landmark locations, we developed Python-based pipelines to extract phenotypic traits, including tip depths, root lengths, convex hulls, root angles, measures of curviness, and lateral root distribution (available at https://github.com/talmolab/sleap-roots). In order to extract meaningful patterns from this high-dimensional description of plant phenotypes, we use machine learning-based methods for dimensionality reduction and manifold embedding, allowing us to capture the statistical structure of root phenotypes present in our screens. In future work, we will use these quantitative phenotypic traits as a predictor for root system traits that enhance carbon sequestration capabilities in genome-wide association studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».