拓扑保持的植物细胞壁网络矢量重建方法（TTGS）

《Plant Phenomics》：TTGS: A topology-preserving method for vector reconstruction of plant cell wall networks

　　

植物细胞壁结构影响组织力学和运输，但将显微图像衍生的掩膜转换为有限元几何需要精确的中心线定位和网络拓扑保持。研究人员开发了一种拓扑保持的细化图骨架化方法（Topology-preserving thinning-based graph skeletonization, TTGS），通过骨架提取、节点簇识别、路径追踪和连通性保持线性化，将二元细胞壁掩膜转换为可矢量化的节点-边图。研究人员使用来自甘蔗（Saccharum officinarum L.）薄壁组织、维管束和根的12幅横截面显微图像的相同二元掩膜，评估了七种重建方法。在所有图像中，TTGS的结构完整性（Structure Completeness, SC）为44.04 ± 12.98%，平均几何偏差（Geometric Deviation, GD_Mean）为2.93 ± 1.04像素，有效骨架比例（Valid Skeleton Ratio, SER_Acc）为94.49 ± 3.71%，断裂率（Breakage Rate, BR）为0%。其未匹配内部端点（Unmatched Internal Endpoints, UIE）为5.00 ± 5.38，闭合轮廓F1（Closed-contour F1, CC_F1）和度感知连接点F1（Degree-aware Junction F1, DAJ_F1）分别达到93.73 ± 5.56%和92.75 ± 3.54%。在满足预定短片段标准的方法中，TTGS实现了最高的结构完整性和有效骨架比例，以及最低的几何偏差。将具有代表性的TTGS矢量网络导入有限元软件，重建为三维细胞尺度模型，并成功求解获得连续应力分布。这些结果表明，TTGS在几何保真与拓扑保持之间取得了平衡，并支持从显微图像衍生的掩膜到矢量重建和有限元分析的工作流程。

细胞壁网络是植物组织力学与运输功能的重要结构基础。从显微图像中准确重建细胞壁的几何与拓扑，是将实验观测转化为多尺度力学模型的关键环节。然而，传统方法在中心线定位和网络连通性保持之间往往难以兼顾，预处理依赖性、噪声引起的伪分支以及不规则细胞形态下的适应性不足等问题，制约了重建结果的可靠性和可重复性。为此，研究人员提出了一种拓扑保持的细化图骨架化方法（TTGS），旨在将二元细胞壁掩膜稳定地转换为节点-边图（Graph, G=(V, E)），为后续有限元分析提供可直接矢量化的几何输入。该研究使用甘蔗（Saccharum officinarum L.）薄壁组织、维管束和根部的12幅横截面显微图像，基于相同二元掩膜对七种重建方法进行了系统比较。结果表明，在满足短片段零断裂的标准下，TTGS取得了最高的结构完整性、有效骨架比例以及最低的几何偏差，并在闭合轮廓和连接点拓扑保持方面表现最佳。代表性矢量网络被成功导入有限元软件，重建为三维细胞尺度模型并求解出连续应力分布，验证了从掩膜到矢量重建再到有限元分析的整体工作流的可行性。

研究人员采用的主要关键技术包括：首先对原始RGB显微图像进行灰度化、归一化和对比度受限自适应直方图均衡化（Contrast-limited Adaptive Histogram Equalization, CLAHE）增强；随后使用分块Otsu阈值分割和连通域面积滤波获得二元细胞壁掩膜，作为所有方法的统一输入。TTGS进一步在骨架化后进行短分支去除，基于像素度数识别节点，通过节点簇聚类、质心定位和最近邻合并获得稳定节点集，再经路径分解和最小二乘直线拟合完成连通性保持的线性化，最终导出DXF或SVG矢量格式。基线方法包括质心Voronoi图（CVT）、有限边质心Voronoi图（FECVT）、优化距离加权镶嵌（ODWT）、Zhang-Suen细化、U-Net和U2-Net。样本来自中国湛江的甘蔗品种桂糖49的5株成熟植株，每株不同部位取材制备石蜡切片，每种组织随机选取4个不重叠视野，共12幅图像用于评估。

研究结果部分包括：

**二值化结果及输入几何特征分析**：根组织呈现典型多尺度层级结构，细胞网络密集稀疏交替，节点和短边多；薄壁组织细胞形态较规则、边界平滑，但壁薄且厚度不均；维管束区域则叠加“小细胞高密度簇”和“大腔室”的双尺度结构。这些几何差异与组织的储存、输导和加固功能相一致。

**TTGS的细胞壁提取性能及参数敏感性**：TTGS骨架与壁掩膜空间吻合良好，很少出现跨腔长程短边，网络连续且碎片少。参数敏感性分析显示，短分支阈值L_min主要影响未匹配内部端点和连接点F1，节点合并距离d_min则主要影响连接点拓扑；在测试范围内TTGS整体稳定，最终选取L_min=30像素、d_min=1像素。

**各方法重建特征及定性比较**：基于Voronoi的CVT、FECVT、ODWT通过腔室质心生成网络，连通性好但位置偏差明显；Zhang-Suen直接细化掩膜，像素级对应好但无法修复输入中的断点；U-Net和U2-Net预测中心线精细但缺乏全局连通性约束；TTGS结合直接细化与显式节点-边图重建，在保持壁面跟随性的同时抑制了碎片和位置误差。

**总体定量结果、碎片筛选与拓扑感知比较**：Zhang-Suen、U-Net和U2-Net在结构完整性、有效骨架比例和几何偏差上表现较好，但其断裂率分别高达63.62%、57.59%和44.88%，未匹配内部端点也很多，说明像素级精度不等于网络连通。CVT、FECVT、ODWT和TTGS均达到断裂率为0。在满足断裂率为0的四方法中，TTGS的结构完整性在薄壁组织、根和维管束中分别为31.75%、59.87%和40.50%，显著高于其他三方法的最佳值2.58%、19.83%和10.50%；其几何偏差降至3.74、1.78和3.26像素，而其他方法最低为38.81、5.92和20.64像素；有效骨架比例达到91.98%、94.97%和96.54%。TTGS的闭合轮廓F1和度感知连接点F1在三种组织中均超过90%，而其他方法的最佳值最高仅为69.27%和16.71%。空间偏差图显示误差集中在边界和大/小细胞过渡区，TTGS的偏差明显更小。有限元应用测试中，TTGS生成的矢量网络被导入COMSOL Multiphysics，挤出为三维细胞尺度模型并成功求解，得到连续应力分布，验证了完整工作流的可行性。

讨论部分指出，像素级指标优异并不代表网络可以直接用于建模，必须结合连通性和拓扑指标进行筛选。TTGS在满足零断裂的方法中提供了最佳的综合性能，无需额外的短片段修复步骤。但研究也存在局限：验证仅基于单一品种的12幅图像，需要更多基因型、物种、染色方案和成像平台的测试；直线参数化可能无法充分表征高度弯曲细胞壁的局部力学行为；TTGS的像素级完整性仍低于深度学习方法；参考骨架由细化初始化并人工修正，可能对细化类方法存在一定偏差。因此，未来工作应扩展数据集、建立多标注参考骨架、结合深度学习定位与TTGS拓扑修复、引入样条参数化，并将框架推广至三维显微数据。研究结论可概括为：TTGS通过节点簇识别、路径追踪和连通性保持线性化，实现了从二元壁掩膜到节点-边图和工程矢量几何的稳定构建；在测试条件下，TTGS在满足断裂率为0的方法中达到最佳几何精度和网络完整性组合，并支持从骨架重建到有限元分析的完整工作流。