《Plant Phenomics》：Revealing Hierarchical Structure of Leaf Venations via Diffusion-Refined Label-Efficient Segmentation: Dataset and Method
编辑推荐：
本研究针对植物叶片脉序层次结构分析缺乏专用数据集的瓶颈，首次发布了包含5,057张高清扫描图像和三级脉序标注的HALVS数据集。团队创新性地提出融合部分监督语义分割(PSSS)与去噪扩散标签细化(DDLR)的标签高效分层分割框架，通过PSSS生成高置信度伪标签，DDLR利用扩散模型优化三级脉序的拓扑结构完整性。该方法在低标注成本下显著提升三级脉序分割性能，并开创性地探索了跨物种学习范式，为复杂层次模式分割提供了创新解决方案。
在植物科学研究中，叶片脉序的层次结构蕴含着重要的生理、进化和生态信息。然而，传统研究方法主要聚焦于将叶脉与背景分离的二元分割任务，未能进一步区分不同级别的脉序。这种局限性主要源于两个关键问题：一是缺乏专门针对层次化叶脉分析的高质量标注数据集，现有数据集多采用化学透明染色等破坏性方法，且仅标注单一脉序类别；二是三级脉序(3° vein)结构复杂、标注成本极高，完全监督的深度学习方法难以适用。
为解决这些挑战，武汉理工大学研究团队在《Plant Phenomics》发表了题为"Revealing Hierarchical Structure of Leaf Venations via Diffusion-Refined Label-Efficient Segmentation: Dataset and Method"的研究论文。该研究首次发布了专门用于层次化叶脉分割的公开数据集HALVS，并提出了创新的标签高效分割框架。
研究人员采用透射式平板扫描技术，从大豆、甜樱桃和英国梧桐三种代表性物种中采集了5,057张高清叶片图像。通过83.8人天的精细标注，构建了包含三级脉序的像素级标注数据集。与传统方法相比，这种扫描技术无需化学处理即可获得高对比度脉序图像，且能保持叶片完整性。
针对标注成本不平衡的问题（三级脉序标注时间是初级脉序的3.7倍），研究团队提出了融合部分监督语义分割(PSSS)和去噪扩散标签细化(DDLR)的创新框架。PSSS模块利用初级(1°)和次级(2°)脉序的标注进行强监督，为背景和三级脉序生成高置信度伪标签；DDLR模块则通过扩散去噪过程，从稀疏的初级和次级脉序传播结构先验，优化三级脉序的拓扑结构。
关键技术方法包括：基于透射扫描的图像采集技术、部分监督学习框架设计、去噪扩散概率模型的应用，以及跨物种迁移学习策略。研究采用DeepLabv3+架构，在ResNet-101等不同骨干网络上进行验证，使用mIoU和clDice等指标评估分割性能。
4.2. PSSS模块效率
实验结果表明，PSSS模块显著提升了三级脉序的分割性能。在FixMatch、U2PL、UniMatch、CorrMatch和BeyondPixels等半监督学习方法中，加入PSSS后三级脉序的IoU分别提升14.37%、3.89%、11%、11.67%和9.75%。消融研究证实，排除损失函数(Lexcl)对提升三级脉序分割效果尤为关键。
4.3. DDLR模块效率
DDLR模块进一步优化了脉序的连通性和完整性。与仅使用PSSS相比，加入DDLR后三级脉序的clDice指标在UniMatch中提升7.17%，在CorrMatch和BeyondPixels中分别提升6.65%和6.37%。可视化结果显示，DDLR能有效修复脉序断裂，恢复拓扑连续性。
4.4. 消融研究
参数敏感性分析表明，当置信度阈值τ设为0.95、损失权重λexcl设为0.1时性能最优。不同骨干网络的实验验证了方法的普适性，其中ResNet-101结合PSSS+DDLR获得最佳mIoU(55.58%)。数据规模实验显示，PSSS仅需三分之一全量数据即可达到接近上限的性能。
4.6. 跨物种学习分析
研究首次探索了叶脉分割的跨物种学习。以标注成本较低的大豆作为源物种，迁移到甜樱桃和英国梧桐。在极端标注稀缺情况下，PSSS+DDLR在伦敦梧桐上的mIoU超越Oracle模型9.94%，证明了方法在跨域知识迁移中的有效性。
该研究通过HALVS数据集和创新的标签高效分割框架，为植物脉序层次结构分析建立了新基准。PSSS和DDLR的协同作用有效解决了标注成本不平衡和拓扑结构优化难题，为复杂生物结构的分割提供了可扩展的解决方案。跨物种学习的成功探索进一步拓展了方法在农业表型组学中的应用前景，为作物育种和植物生理研究提供了重要技术支撑。未来工作可进一步探索更多植物物种的脉序特征，以及方法在其他层次化生物结构分割中的适用性。
