植物气孔是植物与外界环境进行CO2和水交换的重要通道。气孔数量的变化直接影响植物的光合作用、蒸腾作用、水分利用以及耐旱性。气孔及其周围表皮细胞的大小形态和数量等特征是植物研究的重要表型，对相关功能与调控通路的研究具有重要意义。然而，传统的气孔表型鉴定依赖于大量繁琐且耗时的人工标定。近年来，研究人员开发了一些可以识别气孔或划分表皮细胞的软件，它们对由荧光显微镜生成的边界清晰的叶片发育早期表皮细胞进行识别时表现尚可，但对于常见的由光学显微镜生成的叶片表皮明场图像，识别精度都十分有限。这些软件的使用者不得不辅以大量的人工校正工作。
2022年1月26日，武汉大学周宇教授研究组和朱玉贤教授团队合作在知名学术期刊《植物细胞》(The Plant Cell)在线发表了题为“LeafNet：分割与定量气孔和表皮细胞的工具”(LeafNet: A Tool for Segmenting and Quantifying Stomata and Pavement Cells)的研究论文。该研究开发了基于深度学习的，可在光镜明场图像中准确地同时识别气孔与表皮细胞，并对其形态特征进行定量分析的自动化工具。Plant Cell杂志对此工作发表了题为“No more manual counting: LeafNet quantifies the leaf surface”的Brief Highlight文章。
此论文开发的LeafNet工具可自动化地定位气孔并分割表皮细胞，同时可以自动输出多种形态学分析数据，并且适用于以往大部分工具不适用的光镜明场下拍摄的剥制标本。此工具采用了层次分析的策略：首先使用深度卷积神经网络模型识别气孔（StomaNet模块）；之后将识别的气孔遮罩，进而在遮罩后的图像上对表皮细胞进行分割（LeafSeg模块），然后进行不同特征的定量和统计（图1）。
图1. LeafNet的设计策略
LeafNet在气孔识别与细胞分割上均具有较好的精度。与现有的其它六个分析工具相比，LeafNet在测试样本集（光镜明场下拍摄的拟南芥叶片剥制标本）上的表型分析精度显著提高。在对图像进行人工检查后，作者认为该工具的精度优势主要源于对明场图像中噪声与污迹的耐受能力，以及结合了气孔识别与细胞分割的特性。
为提高LeafNet在植物叶片气孔表型分析中的普适性，作者采用机器学习中的迁移学习进一步将其应用场景进行扩展，以适配多种不同显微拍摄模式与不同植物物种的叶片下表皮图像。对于与输入样本接近的图像（例如光镜明场下的烟草叶片剥制标本），LeafNet无需任何修改即可适配。对于与输入样本形态差异较大的图像，LeafNet仅需要少量样本进行迁移学习（例如共聚焦显微镜拍摄的拟南芥叶片），即可获得较好的精度。LeafNet的结果在不进行人工修正的前提下，可以正确地发现两种不同基因型之间实际存在的表型差异，并与人工结果产生的统计学结论一致。同时，LeafNet支持通过少量的人工修正进一步提高精度。
为方便用户使用，LeafNet同时提供了本地部署的图形界面与命令行界面，以及网页使用三种方式。本地部署的安装指南与网页使用的说明均可在项目网站https://leafnet.whu.edu.cn/查看，项目源码发布于https://github.com/zhouyulab/leafnet。
武汉大学生命科学学院周宇研究组李少鹏博士和朱玉贤研究组李林懋博士后为该论文的共同第一作者，樊伟良、马素平等研究生参与了研究；该研究工作得到了武汉大学生科院王坤教授、比利时根特大学张成博士和Eugenia Russinova教授的帮助和支持。周宇教授和朱玉贤教授为该研究论文的共同通讯作者。
原文链接：https://doi.org/10.1093/plcell/koac021
