3D skeletonization and phenotyping for soybean root system architecture using a bio-inspired algorithm
Notice bibliographique
Résumé
Characterizing root system architecture (RSA) is essential for understanding plant acclimatization and guiding breeding strategies to enhance stress tolerance and optimize resource uptake. Although 3D root analysis provides significantly more detailed and structurally informative insights than conventional 2D methods, the development of robust and quantitative tools for 3D root phenotyping has been hindered by challenges such as data complexity, noise, and root overlap. In this study, we present a biologically inspired skeletonization framework that segments root architectures by tracing root growth trajectories. The primary objective is to enable anatomically accurate extraction of RSA traits from 3D point clouds. Our method begins by segmenting the primary root through shortest-path extraction and tangent-plane-based clustering. Lateral root initiation points are then detected, and candidate paths are grown using a bionic pathfinding strategy with adaptive parameters; an optimal, non-overlapping skeleton is selected through clustering and combination sorting, and finally refined via an inward back-tracing procedure to improve junction connectivity. To support downstream phenotyping, we compute root length and angle from the segmented skeletons, and reconstruct anatomically faithful tubular meshes for each lateral root to analytically estimate surface area and volume. Our method achieved high accuracy across multiple traits, including an F 1 score of 0.88 for lateral root numeration, R 2 values of 0.992 and 0.987 for primary and lateral root length estimation, respectively, and strong agreement in surface area ( R 2 = 0 . 953 ) and volume ( R 2 = 0 . 912 ) validation against reference methods. Overall, our method offers a robust and biologically meaningful solution for 3D root phenotyping. The extracted traits provide plant breeders with critical insights for genotype selection and offer plant scientists a powerful tool to evaluate the effects of agronomic treatments and environmental interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».