基于CT成像的通用植物果实分割模型XFruitSeg：提升表型分析精度的深度学习新方法

针对植物果实CT图像组织分割精度不足的难题，中国研究团队开发了基于大卷积核网络RepLKNet的XFruitSeg模型。该模型通过多尺度跳跃连接、轮廓特征学习分支(CFL)和优化复合损失函数，在自建XrayFruitData数据集上实现柑橘/山竹/榴莲的精准分割（平均Dice系数达94.70%），为植物表型研究提供了通用分析工具。

　　

在植物科学研究领域，准确解析果实内部结构对理解遗传性状和发育机制至关重要。传统光学技术仅能获取果实表面信息，而破坏性检测方法又无法实现连续观测。X射线计算机断层扫描(CT)技术虽能无损获取三维图像，但现有分割方法面临组织对比度低、类别尺寸失衡、多层结构复杂等挑战，特别是对于山竹等低对比度或榴莲等复杂结构的果实，传统阈值分割和通用深度学习模型均难以获得理想效果。

针对这一技术瓶颈，三亚某研究团队开发了基于CT成像的通用植物果实分割模型XFruitSeg。该研究首先建立了包含12种果实的XrayFruitData数据集，采用微焦点X射线系统（Y.FXE-225.48）以100kV管电压采集高分辨率图像（0.1mm/像素），并对柑橘、山竹和榴莲进行四类组织的手动标注。核心模型采用U型编解码架构，创新性地整合了三大关键技术：使用RepLKNet作为编码器（最大卷积核31×31）扩大感受野；设计多尺度跳跃连接融合L²
_EN
至L⁸
_EN
特征；增设轮廓特征学习分支(CFL)强化组织边界识别。训练过程采用包含L_WBCE
、L_GD
和L_MS-SSIM
的复合损失函数，通过五层深度监督解决类别失衡问题。

研究结果显示，在柑橘数据集上，XFruitSeg以95.21%的mDice系数显著优于UNet（94.35%）和SegFormer（94.75%），其中外果皮分割IoU提升4.59%。对于组织对比度更低的山竹，模型在仅占图像2%的外果皮区域仍实现84.15%的Dice值，较DeepLabv3+提高3.17%。最具挑战性的榴莲空腔分割中，CFL模块与复合损失函数的协同作用使IoU提升6.96%。可视化分析表明，模型对山竹外果皮内外轮廓的注意力强度比基线模型高40%，有效解决了薄层组织识别难题。

通过系统性的消融实验，研究人员验证了各模块的贡献：单独使用CFL会使榴莲果肉分割Dice降低0.32%，但与L_GD
组合后整体性能提升1.56%。这揭示了大卷积核编码器对空间特征的捕获能力是关键基础，而多组件协同才能实现最优效果。

该研究的创新价值体现在三方面：技术上首次将RepLKNet应用于植物图像分析，通过31×31超大卷积核捕捉果实全局分布特征；方法学上提出的CFL分支为生物组织边界检测提供了新思路；应用层面构建的XrayFruitData数据集填补了植物CT影像资源的空白。未来研究可探索三维空间信息融合策略，如通过相邻切片引导分割或开发两阶段定位-分割流程，进一步提升对小尺寸孔隙结构的分析精度。尽管模型在低剂量成像下的鲁棒性仍需验证，但XFruitSeg已为植物表型研究提供了高精度分析工具，对果实品质育种和发育机制研究具有重要推动作用。