黄瓜卵菌和真菌病原物体系中可见孢子形成相关结构的多维度定量表征

《Physiological and Molecular Plant Pathology》：Multidimensional quantitative characterization of visible sporulation-associated structures in cucumber oomycete and fungal pathogen systems

　　

摘要

黄瓜霜霉病和黄瓜白粉病是分别代表卵菌和真菌病害的典型病害，它们严重影响黄瓜生产，并且在宿主叶片上表现出不同的产孢相关结构。现有的显微图像研究主要集中于病原菌结构的识别与计数，限制了对病原菌特异性结构组织的定量表征。为了解决这一局限性，本研究提出了一种将实例分割与可见产孢相关结构的多维表征相结合的定量显微表型分析框架。首先，开发了一种实例分割网络MABS-RF-DETR，通过引入形态感知细节适配器（Morphology-Aware Detail Adapter）和边界感知监督（Boundary-Aware Supervision）来准确分割具有复杂形态的病原菌结构。其次，基于预测的实例掩码，建立了一个包含丰度、二维形态和空间描述符的表征系统。最后，应用植物水平的统计分析和Ripley's L空间点模式分析，对两种病原菌系统的定量表型模式和空间组织进行表征。在测试集上，MABS-RF-DETR的mAPbox@0.5和mAPmask@0.5分别为81.4%和77.4%，提取的定量描述符与人工标注具有良好的吻合度。植物水平分析揭示了黄瓜霜霉病和白粉病样本中可见产孢相关结构在丰度组成和形态特征上的显著差异。Ripley's L分析表明，两种病原菌系统均显著偏离完全空间随机分布，揭示了在当前方案下所标注结构的非随机组织模式。这些发现提供了对病原菌特异性结构组织的定量描述，而非对整体生殖能力的直接比较。所提出的框架将显微病原菌图像分析从识别和计数扩展到多维定量表型分析，并为表征多样化的病原菌结构提供了一种标准化方法。

1. 引言

黄瓜是全球最重要的蔬菜作物之一，其稳定生产和供应具有重要意义。然而，由真菌和卵菌病原体引起的病害严重威胁黄瓜的生长和高质量生产[1]、[2]。在这些病害中，霜霉病和白粉病分别是影响黄瓜生产最重要的卵菌和真菌病害[3]。这两类病原菌在细胞组织、生殖形态、传播方式和寄生部位上存在显著差异。因此，对其可观察的显微结构进行定量表征可以为两种病原系统的结构组织提供互补的表型信息。显微成像具有多种优势，包括高灵敏度、精细的形态学量化以及统一分析框架下的图像测量一致性。因此，定量显微分析为表征每种病原菌系统中可见病原菌结构的丰度组成、二维形态和局部空间组织提供了一种实用方法，而不假定不同病原菌特异性结构类别之间存在直接的生物学等价性。

众多研究者利用生物学实验方法研究了霜霉病和白粉病病原菌的侵染行为，包括人工观察、转录组分析、代谢组学分析和蛋白质组学分析。Wang等人[4]分析了黄瓜霜霉病和白粉病病原菌的核糖体DNA（rDNA）内部转录间隔序列，揭示了两种病原菌之间的遗传差异，为其准确鉴定和分子分类提供了理论基础。Nostar等人[5]研究了盐胁迫与黄瓜霜霉病侵染对黄瓜幼苗的复合影响，从生长、生理性状和抗氧化活性等方面评估了黄瓜幼苗对这些复合胁迫的响应。Kim等人[6]通过基因组挖掘和功能表征，评估了链霉菌KRA0514-6用于黄瓜白粉病生物防治的潜力，其研究表明该菌株是一种有前景的生物防治候选菌株，可能为黄瓜白粉病的环保型管理提供有价值的微生物资源。Lebeda和Cohen[7]系统地综述了黄瓜霜霉病病原菌的生物学特性、生态模式、流行病特征、寄主-病原菌互作和管理策略。Elad等人[8]研究了黄瓜营养状况对白粉病发展的影响，其结果表明不同营养水平显著影响病害严重性和病原菌生殖能力，说明适当的营养管理可以调节植物抗性或为白粉病的综合管理提供生理和营养支持。Jee等人[9]研究了使用食用油和蛋黄混合物控制黄瓜白粉病和霜霉病的环境友好型方法，其结果表明该混合物能有效抑制病害的发生和发展。Schouten等人[10]鉴定了与白粉病和霜霉病相关的黄瓜易感基因，并筛选了可能参与寄主易感响应的候选基因，其研究揭示了植物易感性的遗传基础，并为抗病品种育种提供了重要的分子靶点。Shahapurkar等人[11]研究了异麦芽低聚糖种子启动处理对黄瓜白粉病抗性的影响，其结果表明该处理通过激活防御相关酶和基因表达增强了抗病性。Alavilli等人[12]研究了脱落酸生物合成关键调节因子CsABA2在黄瓜对白粉病响应中的作用，其结果表明CsABA2促进脱落酸生物合成并增强黄瓜对白粉病的易感性。上述研究为黄瓜霜霉病和白粉病提供了重要的生物学、生理学和分子学见解。然而，传统的生物学和分子实验通常针对特定的生理或分子问题设计，并不一定针对大量显微病原菌结构的高通量、标准化定量进行优化。特别是人工显微观察在进行大量结构测量时也可能劳动密集。因此，一种能够自动定量大量可见结构的互补图像方法对于不同病原菌系统内显微表型模式的标准化表征将具有重要价值。

近年来，深度学习和计算机视觉的快速进展促进了显微病原菌图像分析向更高通量、更高精度和更精细粒度表征的发展。这些技术已广泛应用于各种病原菌的识别和检测。Lei等人[13]提出了一种轻量级检测模型PPBM-YOLO，以应对小麦多种病害混合侵染条件下极小气传孢子、复杂背景干扰以及多种病原菌类别共存等挑战。该模型实现了对多种病原菌孢子的准确实时识别。Wang等人[14]开发了一种基于互补金属氧化物半导体图像传感器和衍射指纹特征处理的设施作物真菌孢子快速检测方法。Zhang等人[15]提出了YOLOv11-DAFNet，该方法结合了多方向注意力和多尺度残差特征融合，以解决黄瓜霜霉病孢子在显微图像中存在的小尺寸、形态多变和边缘特征不清晰等问题。该模型实现了孢子的快速准确检测，mAP@0.5达到88.2%。Wang等人[16]开发了基于衍射-偏振图像指纹的真菌孢子检测方法，通过提取孢子在衍射和偏振成像下的独特指纹特征，该方法实现了高精度的孢子识别。Zhu等人[17]提出了基于显微图像的GCS-YOLOv8网络用于黄瓜病原菌孢子检测，通过在YOLOv8框架中引入全局上下文感知模块，该网络有效增强了特征提取和自然场景中的小目标识别，实现了对病原菌孢子的高精度检测和分类，为黄瓜病害的自动化监测和智能识别提供了新方法。Li等人[18]开发了基于显微图像和深度学习的黄瓜灰霉病孢子检测方法，该方法从显微图像中捕捉精细的孢子特征，并使用深度学习模型自动识别和分类孢子，从而大幅提高了灰霉病孢子检测的准确性和效率。Qiao等人[19]提出了一种基于改进YOLOv5s模型的黄瓜霜霉病孢子检测方法，通过优化网络架构以增强复杂背景下小目标的检测，该方法实现了孢子的高效准确检测，提高了检测速度和准确性。Shi等人[20]使用改进的YOLOv5模型识别和计数黄瓜霜霉病菌囊，通过优化网络架构和检测策略，该方法有效提高了复杂背景下菌囊的检测准确性和计数性能。Cheng等人[21]提出了一种轻量级YOLO-CG-HS模型用于检测小麦气传真菌孢子，通过引入通道分组和高效空间注意力机制，该方法在提高孢子检测精度和实时性能的同时大幅减少了模型参数量和计算成本。Zhang等人[22]提出了基于YOLOv5-ECA-ASFF架构的小麦镰刀菌穗腐病孢子检测方法，通过引入高效通道注意力机制和自适应空间特征融合模块，该方法增强了特征提取和多尺度目标检测，实现了对孢子的高精度识别和定位。Ren等人[23]开发了一种基于深度学习的玉米病原真菌孢子检测方法，该方法使用深度神经网络从显微图像中提取和分类孢子特征，实现了自动化检测和高精度识别，从而提高了玉米真菌病害检测的效率和智能化水平。Qiao等人[24]构建了一种双轻量级YOLOv8s模型，用于快速准确识别黄瓜灰霉病孢子萌发状态，并进一步揭示了10-35°C范围内孢子萌发的温度响应，所建立的萌发动力学模型为黄瓜灰霉病的早期预测和环境调控提供了依据。上述基于深度学习的显微病原菌图像分析方法实现了对病原菌可见产孢相关结构（特别是孢子）的准确识别和计数。然而，仅依赖病原菌的定性识别难以精确量化其形态和空间特征。这些方法提供了关于单个病原菌结构的详细二维形态和局部空间组织的有限信息。因此，结构丰度、几何形态和局部空间组织之间的定量关系仍未得到充分表征。此外，以往研究通常集中于单一病原菌类型的识别和计数，而较少研究对不同病原菌群体（感染同一宿主时）的丰度、形态和空间组织差异进行定量考察。

为了解决这些局限性，本研究选择黄瓜霜霉病和白粉病病原菌分别作为卵菌和真菌病原菌系统的代表。首先，获取了感染黄瓜叶片的原位染色显微图像，并开发了一种实例分割网络来准确提取可见病原菌结构。然后，使用图像衍生的定量描述符来表征其丰度、二维形态和局部空间组织。最后，进行了植物水平统计分析和空间点模式分析，以定量表征每种病原菌系统内的表型和空间模式。本研究侧重于图像衍生的定量差异，而非直接推断因果关系、生理机制或进化机制。本研究的主要贡献总结如下：

（1）为黄瓜霜霉病和白粉病病原菌系统提出了一种统一的分析框架，该框架由"可见病原菌结构的实例分割—多维定量表征—单个病原菌系统内的表型模式定量分析"组成。

（2）开发了一种用于黄瓜病原菌可见产孢相关结构的实例分割网络，称为形态感知与边界监督RF-DETR（MABS-RF-DETR）。通过整合形态感知细节适配器和边界感知监督策略，所提出的网络实现了对可见产孢相关结构的精确定位和分割，测试集分析结果显示mAPbox@0.5和mAPmask@0.5分别为81.4%和77.4%。

（3）建立了一个包含丰度、二维形态和空间描述符的多维表征系统，用于定量表征其丰度组成、几何形态和局部空间组织。

（4）从丰度组成、二维形态和局部空间组织的角度，分析了黄瓜卵菌和真菌病原菌可见结构的定量特征，包括每种病原菌系统内的植物水平统计比较和Ripley's L空间点模式分析。

2. 材料与方法

2.1. 黄瓜病原菌系统可见产孢相关结构多维定量表征与分析工作流程

本研究考察的黄瓜霜霉病和白粉病病原菌系统分别根据诊断性显微特征在形态学上归类为黄瓜假霜霉（Pseudoperonospora cubensis）和黄单轴球壳菌（Podosphaera xanthii），详见第2.2节；这些分类未经分子确认。两种病原菌系统在病害发展过程中均产生多种显微结构，包括与产孢、传播、穿透和宿主定殖相关的结构[25]、[26]。本研究主要关注染色显微图像中可以可靠识别和分割的可见产孢相关结构。在霜霉病病原菌中，标注为DM_Hypha的结构（对应不分枝的孢子梗/主轴）从叶片下表面气孔伸出，形成支撑孢囊的主要轴向结构，从而作为病原菌繁殖和传播的关键通道。

在感染过程中，霜霉病的产孢相关结构——孢子囊梗的分支——从主干顶端分叉或形成多分支，其末端发育出孢子囊，孢子囊释放出侵染性游动孢子。这些游动孢子在叶片表面的水膜中移动，并利用其两条鞭毛定位新的侵染位点。随后，它们通过气孔侵染宿主，启动新一轮感染循环。相比之下，白粉病病原的产孢结构——分生孢子梗——在叶表面外部生长。其顶端持续产生分生孢子，分生孢子排列成链状，可被气流轻易传播。分生孢子萌发后，从孢子中长出芽管并形成附着胞。随后穿透刺穿透表皮细胞，在其中建立吸器，而真菌的大部分菌丝仍停留在叶表上。这些可见的产孢相关结构在霜霉病和白粉病的感染过程中发挥着关键作用。图1展示了本研究中所定量分析的可见产孢相关结构。

下载：下载高分辨率图像（398KB）
下载：下载全尺寸图像
图1. 本研究中定量分析的可见产孢相关结构。

黄瓜霜霉病和白粉病病原可见产孢相关结构的多维定量表征与分析工作流程如图2所示。该工作流程包括以下步骤。

（1）叶圆片制备。分别采集感染霜霉病和白粉病的黄瓜叶片，用打孔器打成叶圆片，经过固定、脱色和染色处理，获得染色叶圆片样品。

（2）显微图像采集。使用奥林巴斯BX51显微镜拍摄霜霉病和白粉病病原不同可见产孢相关结构的显微图像。

（3）可见产孢相关结构的实例分割。使用所提出的MABS-RF-DETR网络获取霜霉病和白粉病病原不同可见产孢相关结构的分割掩膜。

（4）多维定量表征。计算基于图像的形态学描述子，以量化分割后病原结构的丰度、二维形态特征和局部空间组织特征。

（5）定量表征与统计分析。采用植株水平的统计分析来描述丰度、形态学和空间学描述子，并评估每种病原群体内不同结构类别之间的差异。此外，使用Ripley's L函数分别评估每种病原群体相对于完全空间随机性（CSR）的局部空间点模式。

下载：下载高分辨率图像（773KB）
下载：下载全尺寸图像
图2. 黄瓜病原系统中可见产孢相关结构多维定量表征与分析的工作流程。

**2.2 数据获取与预处理**

实验数据在中国天津市武清区西部天津市农业科学院创新基地（117.00°E，39.43°N）采集。数据获取与预处理包括四个主要步骤：叶圆片制备、叶圆片处理、显微图像采集和数据处理。病原系统的鉴定依据先前研究中描述的显微诊断特征进行形态学赋值，未进行分子鉴定。霜霉病样品在形态上与*Pseudoperonospora cubensis*一致，依据是存在无色透明、树状、反复分支的孢子囊梗，其上着生卵形至椭圆形的孢子囊，与先前描述相符[27]。白粉病样品在形态上与*Podosphaera xanthii*一致，依据是菌丝体在叶表生长、直立的无分枝分生孢子梗以及无色透明的椭圆形至卵形分生孢子链，与先前对葫芦科白粉病的描述相符[26]。因此，本文所使用的物种名称表示基于形态学的赋值，而非经分子确认的物种身份。

本研究使用的黄瓜品种为"长春蜜刺"、"金优406"和"金春5号"。黄瓜植株在自然变动的温室环境条件下栽培。采样时间为2024年12月12日至2025年1月2日。采样期间，每天10:00使用温室环境监测系统记录气温、相对湿度、CO?浓度和光照强度。采样期间10:00的气温范围为7.6至32.1 °C，均值为21.6 ± 7.9 °C；相对湿度范围为71.2%至100%，均值为86.7 ± 10.9%；光照强度范围为4,668至41,019 lx，均值为23,596 ± 10,487 lx。温室环境条件随外部天气自然变化。

分别采集感染霜霉病或白粉病的完整黄瓜叶片并运送至实验室。使用叶圆片打孔器从叶片上随机切取面积约1 cm2的叶圆片。

叶圆片处理包括固定、脱色和染色三个步骤。首先，将叶片样品用冰醋酸与无水乙醇按体积比1:1混合的固定液固定24小时。固定液快速渗透叶片组织，在短时间内稳定细胞形态，从而防止内部结构的变形或崩解，保存样品的原始结构和化学特征。固定后，将叶圆片转移至水合氯醛水溶液中进行1–3小时的脱色处理，以去除叶绿素及其他天然色素，从而改善细胞和组织结构的可视性。此步骤显著增强了显微观察的对比度，使细胞核和细胞壁等结构更易区分，并为后续染色和分析提供了良好基础。随后使用台盼蓝溶液对样品进行1–3小时的染色。染色过程中，台盼蓝渗透到病原可见产孢相关结构中并与其内部成分结合，使可见产孢相关结构呈现明显的蓝色，便于观察和鉴定。

染色后的叶圆片在奥林巴斯BX51光学显微镜下以明场照明400倍放大进行观察。图像使用配备1/2.33英寸互补金属氧化物半导体（CMOS）传感器的DigiRetina 16数码相机采集。图像采集使用TCapture软件完成，图像以JPEG（.jpg）格式保存，分辨率为1280 × 960像素。随后将图像裁剪为分辨率为960 × 960像素的最终样本。

本研究所构建的数据集由两部分组成。（1）模型训练数据集。针对霜霉病和白粉病病原，每种病原各采集400张显微图像。每种病原各采样40株植株，从每株植株上随机选取5片叶片，从每片叶片主脉的两侧各打孔切取1个叶圆片。每个叶圆片采集1张显微图像，共计400张显微图像（40株 × 5片叶 × 2个叶圆片 × 1个视野 = 400张显微图像）。将40株植株获得的400张图像按植株水平以8:1:1的比例划分为训练集、验证集和测试集，从而确保三个数据集中显微图像样本之间的独立性。（2）可见产孢相关结构定量表征数据集。针对霜霉病和白粉病病原，每种病原各采集350张显微图像。每种病原各采样35株植株，从每株植株上随机选取5片叶片，从每片叶片主脉的两侧各打孔切取1个叶圆片。每个叶圆片采集1张显微图像，共计350张显微图像（35株 × 5片叶 × 2个叶圆片 × 1个视野 = 350张显微图像）。模型训练与评估数据集和用于可见产孢相关结构定量表征的数据集来自不同批次的叶片样本，完全独立，两者之间没有重叠。

当前采样设计旨在比较不同感病黄瓜品种间可见产孢相关结构的一般图像表型特征。由于品种特异效应并非本研究重点，品种未被作为单独的实验分组。因此，此处呈现的比较应解释为在采样条件下与病原相关的结构模式，而非品种独立的生物学差异。

模型训练数据集使用LabelMe[28]进行实例分割标注。对于霜霉病，根据显微图像中观察到的形态结构定义了四个标注类别：DM_Hypha表示未分枝的孢子囊梗或分枝孢子囊梗分枝区以下的主干；DM_Forked_structure表示孢子囊梗的分枝部分；DM_Sporangium表示单个孢子囊；DM_Spore表示从孢子囊释放的游动孢子，而非脱离的孢子囊。对于白粉病，PM_Conidiophore和PM_Conidia分别代表分生孢子梗和分生孢子。整个研究中保留了原始类别名称作为数据集标注标签。数据集标注示例如图3所示。为确保数据集标注的质量和一致性，由天津市农业科学院植物保护研究所的两名植物病理学家指导，使用LabelMe 5.5.0创建实例级标注。所有图像均由两名在标注前接受过标准化培训的标注员进行标注。在标注前，基于每种可见产孢相关结构类别的形态特征、边界界定标准和重叠结构的处理规则，建立了统一协议。所有完成的标注随后由两位植物病理学专家逐图指导审核。标注存在分歧或未满足预设质量标准的标签经过修正或排除，以最大限度地减少标注相关的主观性。为进一步评估标注可靠性，从数据集中随机选取40张图像由两位标注员独立重新标注，并使用交并比（IoU）量化标注者间一致性。六个可见产孢相关结构类别的平均标注者间IoU为0.9647，表明标注一致性很高。相对较低的一致性主要出现在包含重叠菌丝体、密集分支孢子囊梗或边界不清晰区域的图像中。对于这些模糊案例，最终标注由两位植物病理学家共同审核和讨论确定。总体而言，该标注和质量控制流程确保了所构建数据集的高度一致性和可靠性。标注数据集按8:1:1的比例划分为训练集、验证集和测试集。通过添加噪声以及应用图像平移和翻转进行数据增强。

下载：下载高分辨率图像（667KB）
下载：下载全尺寸图像
图3. 数据集标注示例。

训练集、验证集和测试集中标注的可见产孢相关结构实例分布总结于表1。数据集中总共包含19,502个标注的可见产孢相关结构实例，其中训练集、验证集和测试集分别包含18,453、532和517个实例。在六个类别中，DM_Hypha最为丰富，共7,271个实例（占总数37.28%），其次是PM_Conidiophore（4,076个实例，20.90%）和PM_Conidia（3,594个实例，18.43%）。相比之下，DM_Spore的标注实例最少，共1,190个实例（占总数6.10%）。总体而言，数据集呈现出中等程度的类别不平衡，数量最多与最少的类别之间相差约6.11倍。

表1. 训练集、验证集和测试集中标注的可见产孢相关结构实例分布

| 类别 | 训练集 | 验证集 | 测试集 | 总计 |
|------|--------|--------|--------|------|
| DM_Hypha | 6,816 | 217 | 238 | 7,271 |
| DM_Forked_structure | 1,380 | 41 | 54 | 1,475 |
| DM_Sporangium | 1,740 | 77 | 79 | 1,896 |
| DM_Spore | 1,168 | 11 | 11 | 1,190 |
| PM_Conidiophore | 3,885 | 111 | 80 | 4,076 |
| PM_Conidia | 3,464 | 75 | 55 | 3,594 |
| **总计** | **18,453** | **532** | **517** | **19,502** |

**2.3 面向可见产孢相关结构实例分割的MABS-RF-DETR模型构建**

**2.3.1 MABS-RF-DETR的整体架构**

基于RF-DETR框架，本研究开发了MABS-RF-DETR——一种面向黄瓜病原可见产孢相关结构的实例分割网络[29]。为应对显微图像中显著的尺度差异、模糊边界、细长菌丝体、密集孢子分布以及相邻实例间的频繁粘连等问题，在原始检测和分割框架中引入了形态感知细节适配器（MADA）和边界感知监督（BAS）策略。这些组件旨在增强细粒度形态特征和实例边界结构的表征能力。如图4所示，MABS-RF-DETR主要由视觉Transformer（ViT）骨干网络、特征投影与多尺度特征融合模块、Transformer解码器、检测头、分割头以及边界感知监督策略组成。

下载：下载高分辨率图像（1022KB）
下载：下载全尺寸图像
图4. MABS-RF-DETR架构。

首先，输入的病原显微图像由ViT骨干网络进行特征提取。骨干网络将每张图像划分为图块并将其映射为视觉令牌，随后通过多个编码器层逐步提取空间与语义特征。窗口化编码器层主要捕获局部纹理、边缘和精细结构信息，而非窗口化编码器层则进一步增强图像不同区域之间的全局建模能力。在黄瓜霜霉病和白粉病的显微图像中，局部纹理反映了可见产孢相关结构之间的细粒度形态差异，而全局上下文信息有助于将相邻接触的实例与复杂背景区域区分开来。

因此，ViT骨干网络为后续的检测和分割任务提供基础特征表示，其中同时融合了局部细节和全局语义信息。骨干网络产生的多尺度特征随后通过投影层进行通道维度的对齐，并应用双线性上采样及相关操作构建适用于解码器和分割头部的多尺度空间特征。该过程在保留高层特征语义可分性的同时，补充了浅层特征中所包含的边界和纹理细节，从而为分割小型病原结构及细长的可见孢子生殖相关结构提供更丰富的空间信息。由于显微图像中的可见孢子生殖相关结构通常尺寸较小、形态不规则且边界对比度低，多尺度特征融合对于提高模型对不同类别和尺寸实例的适应性至关重要。

在解码过程中，采用基于查询的Transformer解码器对候选实例进行建模。首先进行查询选择，从编码特征中识别出具有强物体响应的候选查询。这些查询随后与可学习的查询嵌入相结合，形成初始实例查询。查询特征随后通过多个解码器层进行更新。每个解码器层主要由自注意力模块、可变形交叉注意力模块和前馈网络组成。自注意力模块建模不同实例查询之间的关系，从而减轻相邻孢子、菌丝或孢子囊梗之间粘连所造成的干扰。可变形交叉注意力模块使每个查询能够自适应地聚焦于多尺度空间特征中与目标相关的区域，从而改善小型、细长且边界模糊目标的定位精度。前馈网络进一步执行非线性特征变换和语义增强。通过多个解码器层的迭代优化，模型逐步优化实例查询，并赋予其类别分类、物体定位和掩码预测所需的表示能力。

在输出阶段，MABS-RF-DETR包含检测头和分割头。基于解码器生成的最终实例查询，检测头预测物体类别和边界框，从而识别每个可见孢子生殖相关结构的类别并提供实例级定位信息。分割头将解码器产生的查询特征与多尺度空间特征相结合，生成实例掩码，实现对病原可见孢子生殖相关结构的像素级分割。

总之，MABS-RF-DETR采用ViT骨干网络提取全局语义和局部纹理特征，利用Transformer解码器建模实例查询，并结合检测和分割头对病原可见孢子生殖相关结构进行类别识别、物体定位和实例掩码预测。在此基础上，MADA进一步增强了对病原精细形态特征的感知能力，而BAS则在训练过程中加强了边界一致性约束。通过它们的协同作用，所提出的模型能够更好地处理黄瓜病原显微图像中涉及小型目标、细长结构、弱边界和粘连实例的挑战性分割场景。

### 2.3.2 形态感知细节适配器

为增强模型在黄瓜霜霉病和白粉病实例分割中对形态特征的表示能力（包括小型目标、细长菌丝、模糊边界以及相邻实例之间的粘连），在RF-DETR的分割头中引入了形态感知细节适配器（Morphology-Aware Detail Adapter, MADA）。MADA采用四个并行分支提取局部纹理、方向性延伸结构和高频边界信息。这些特征通过查询特征（$q_f$）进行动态门控，使网络能够根据查询集引导的通道门控自适应地增强关键区域的响应。MADA模块的结构如图5所示。


**图5. MADA的结构**

具体而言，给定输入空间特征 $x \in \mathbb{R}^{B \times C \times H \times W}$ 和当前解码器层对应的查询特征 $q_f \in \mathbb{R}^{B \times N \times C}$，MADA首先构建四个并行分支：

**(1) 局部分支：** 使用3×3深度可分离卷积提取局部纹理信息。

**(2) 水平条带分支：** 使用1×5深度可分离卷积增强水平延伸结构。

**(3) 垂直条带分支：** 使用5×1深度可分离卷积增强垂直延伸结构。

**(4) 边缘分支：** 通过计算输入特征与其平均池化特征之间的差值来提取高频边界响应，随后通过1×1卷积进行特征映射。

四个分支的输出沿通道维度拼接后，依次经过1×1卷积、高斯误差线性单元（GELU）激活和另一个1×1卷积进行处理。同时，为使特征增强过程能够根据当前实例查询进行动态调整，设计了查询引导门控分支。具体而言，首先沿查询维度对查询特征进行平均，然后经过LayerNorm和两个全连接层生成门控向量 $g$。最后，利用门控向量对融合特征进行逐通道重标定，通过1×1卷积投影，并与输入特征通过残差连接结合，得到模块输出。

MADA模块可用公式(1)–(9)表述如下。

**局部分支特征提取：**
$$(1) \quad F_{local} = DWConv_{3 \times 3}(x)$$

**水平和垂直条带分支的特征提取：**
$$(2) \quad F_h = DWConv_{1 \times 5}(x), \quad F_v = DWConv_{5 \times 1}(x)$$

**通过边缘分支中高频响应进行边界信息增强：**
$$(3) \quad F_{edge} = Conv_{1 \times 1}(x - AvgPool(x))$$

**四个分支输出沿通道维度的拼接：**
$$(4) \quad F_{cat} = Concat(F_{local}, F_h, F_v, F_{edge})$$

**使用两个1×1卷积和GELU激活进行特征融合：**
$$(5) \quad F_{fuse} = Conv_{1 \times 1}(GELU(Conv_{1 \times 1}(F_{cat})))$$

**沿查询维度 $N$ 对查询特征进行平均并生成门控输入：**
$$(6) \quad \bar{q} = Mean_N(q_f)$$

**使用LayerNorm、两个全连接层和Sigmoid激活生成查询引导门控：**
$$(7) \quad g = \sigma(W_2 \cdot GELU(W_1 \cdot LN(\bar{q})))$$

**利用门控向量对融合特征进行逐通道重标定，随后进行输出投影：**
$$(8) \quad F_g = Conv_{1 \times 1}(F_{fuse} \odot (1 + g))$$

**通过残差连接生成最终模块输出：**
$$(9) \quad y = F_g + x$$

其中 $\odot$ 表示逐元素乘法，$\sigma(\cdot)$ 表示Sigmoid激活函数，$LN(\cdot)$ 表示LayerNorm，$W_1$ 和 $W_2$ 为可学习参数。

### 2.3.3 边界感知监督策略

为进一步增强模型在黄瓜霜霉病和白粉病实例分割中处理模糊边界和相邻实例粘连的能力，在原始掩码监督之外引入了边界感知监督（Boundary-Aware Supervision, BAS）策略。BAS利用形态学梯度从预测掩码和真实掩码中提取边界响应，并将边界一致性约束作为辅助监督项纳入最终输出层的掩码损失中。与仅依赖区域级掩码损失的监督相比，BAS加强了模型学习实例边缘、轮廓连续性和局部拓扑结构的能力，从而减少相邻病原结构之间的错误粘连和边界溢出。为防止对中间解码器层施加过强的边界约束而干扰整体模型优化，BAS仅应用于最终输出层，而辅助解码器输出和编码器输出保留原始掩码监督。

具体而言，设 $M_p$ 表示预测掩码logits，$M_{gt}$ 表示真实掩码。首先将预测掩码logits转换为概率图，并将真实掩码调整至与预测掩码相同的空间分辨率：
$$(10) \quad P = \sigma(M_p), \quad \hat{M}_{gt} = Resize(M_{gt})$$
其中 $\sigma(\cdot)$ 表示Sigmoid函数，$Resize(\cdot)$ 表示最近邻插值操作。

为提取掩码边界，采用基于形态学梯度的边界算子：
$$(11) \quad \mathcal{B}(X) = MaxPool(X) - [-MaxPool(-X)]$$
其中 $MaxPool(X)$ 近似形态学膨胀操作，$-MaxPool(-X)$ 近似形态学腐蚀操作。相应地，预测边界图和真实边界图表示为：
$$(12) \quad B_p = \mathcal{B}(P), \quad B_{gt} = \mathcal{B}(\hat{M}_{gt})$$

边界监督损失由边界二值交叉熵（BCE）损失和边界Dice损失组成：
$$(13) \quad L_{boundary} = \frac{1}{2}\left[L_{BCE}(B_p, B_{gt}) + \left(1 - \frac{2\sum B_p B_{gt} + \epsilon}{\sum B_p + \sum B_{gt} + \epsilon}\right)\right]$$
其中 $\epsilon$ 为平滑项。为确保混合精度训练期间的数值稳定性，在实现中先将边界概率图通过logit变换转换为logits，随后计算二值交叉熵损失。

最终，BAS掩码损失定义为：
$$(14) \quad L_{BAS}^{mask} = L_{BCE}(M_p^\Omega, M_{gt}^\Omega) + L_{Dice}(M_p^\Omega, M_{gt}^\Omega) + \lambda_b L_{boundary}$$
其中 $\Omega$ 表示通过基于不确定性的点采样获得的采样点集合，$L_{BCE}$ 和 $L_{Dice}$ 表示原始的点采样掩码监督损失，$\lambda_b$ 表示边界监督的权重。

此外，为防止边界监督对模型训练施加过度约束，BAS仅应用于最终输出层，而辅助输出和编码器输出保留原始掩码监督：
$$(15) \quad L_{mask} = \begin{cases} L_{BAS}^{mask}, & \text{最终输出} \\ L_{base}^{mask}, & \text{辅助输出或编码器输出} \end{cases}$$
其中 $L_{base}^{mask}$ 表示原始的点采样BCE和Dice掩码损失。该设计在最终预测层增强了边界学习，同时防止辅助层中过强的边界约束干扰模型优化。

### 2.4 病原可见孢子生殖相关结构的丰度、形态和空间特征的定量分析方法

利用实例分割模型获得的类别标签和多边形掩码，对可见孢子生殖相关结构的丰度、二维形态和局部空间组织进行定量表征。丰度特征描述这些结构的观测数量和组成，形态特征量化其二维几何特性，空间特征描述其在显微视野内的局部空间分布和点模式组织。这些基于图像的定量描述符用于表征两种病原系统内的定量表型模式。

实例分割模型输出每个可见孢子生殖相关结构的类别标签和归一化多边形轮廓坐标。首先将归一化轮廓坐标乘以图像尺寸以恢复相应的像素坐标。然后根据显微图像的空间标定系数（$s = 0.240 \, \mu\text{m/pixel}$）将像素级测量值转换为实际物理测量值。对于包含少于三个轮廓点的实例，不计算形态参数。由于椭圆拟合至少需要五个轮廓点，对于包含少于五个轮廓点的实例，不计算椭圆度。丰度、形态和空间特征的具体计算方法见表2。

**表2. 黄瓜病原可见孢子生殖相关结构定量表征使用的参数**

| 特征类别 | 特征名称 | 公式 |
|---------|---------|------|
| 丰度特征 | 可见孢子生殖相关结构数量 $N_{f,c}$ | $N_{f,c} = \sum_{n_f=1}^{n_f} I(c_i = c)$ (16) |
| | 可见孢子生殖相关结构总数 $N_{f,p}$ | $N_{f,p} = \sum_{c \in C_p} N_{f,c}$ (17) |
| 形态特征 | 周长 $P$ (μm) | $P = P_{px} \cdot s$ (18) |
| | 面积 $A$ (μm2) | $A = A_{px} \cdot s^2$ (19) |
| | 凸度 $C$ | $C = \frac{P_{hull}}{P_{px}}$ (20) |
| | 实体度 $S$ | $S = \frac{A_{px}}{A_{hull}}$ (21) |
| | 椭圆度 $E$ | $E = 1 - \frac{L_{minor}}{L_{major}}$ (22) |
| | 平均曲率 $K$ (μm?1) | $K = \frac{\sum_{i=1}^{n} |\Delta\theta_i|}{P}$ (23) |
| 空间特征 | 可见孢子生殖相关结构总体平均距离 $D_{f,p}$ (μm) | $D_{f,p} = \frac{2}{n_{f,p}(n_{f,p}-1)} \sum_{i=1}^{n_{f,p}-1} \sum_{j=i+1}^{n_{f,p}} d_{ij}$ (24) |
| | 类别特异性平均距离 $D_{f,c}$ (μm) | $D_{f,c} = \frac{2}{n_{f,c}(n_{f,c}-1)} \sum_{i=1}^{n_{f,c}-1} \sum_{j=i+1}^{n_{f,c}} d_{ij}$ (25) |

表中，$f$ 表示显微视野索引，$c$ 表示可见孢子生殖相关结构的类别，$p$ 表示病原类型，$n_f$ 表示第 $f$ 个视野中有效实例的数量，$C_p$ 表示属于病原 $p$ 的可见孢子生殖相关结构类别集合，$I(\cdot)$ 表示指示函数。

周长 $P$ 和面积 $A$ 分别反映可见孢子生殖相关结构在二维显微视野中的边界尺度和空间范围。凸度 $C$ 计算为凸包周长与实际轮廓周长之比。值越接近1表示轮廓越平滑、凹陷越少；值越低表示分支、凹陷或边界复杂度越明显。实体度 $S$ 定义为实际轮廓面积与凸包面积之比。值越接近1表示结构越紧凑规则；值越低表示内部空隙、边界凹陷或分支增多。椭圆度 $E$ 通过对实例轮廓拟合椭圆获得，其中 $L_{minor}$ 和 $L_{major}$ 分别表示拟合椭圆的短轴和长轴长度。椭圆度值接近0表示可见孢子生殖相关结构近似圆形；值越大表示长短轴差异越大，结构越呈细长形。平均曲率在根据弧长对闭合多边形边界进行均匀重采样后计算。重采样后的轮廓进行周期性平滑以减小像素级边界波动，随后计算相邻轮廓线段之间的绝对转角。平均绝对轮廓曲率定义为累计绝对转角除以平滑后的轮廓长度，单位为μm?1。

空间特征基于实例掩码的几何质心计算。对于同一显微视野内的任意两个实例，使用其质心之间的欧氏距离 $d_{ij}$ 表示它们的空间分离程度。在病原层面，将给定视野中属于同一病原的所有可见孢子生殖相关结构纳入计算，对所有成对质心距离取均值，得到病原 $p$ 的总体平均距离 $D_{f,p}$。在类别层面，仅选择同一视野中属于同一类别的可见孢子生殖相关结构，对其成对质心距离取均值，得到类别特异性平均距离 $D_{f,c}$。

为进一步表征黄瓜病原可见孢子生殖相关结构的空间组织特征并减少目标密度、目标数量和观测窗口几何形状对空间分析的影响，采用Ripley的K/L函数进行二阶空间点模式分析 [30]。

每个标注实例的质心被视为代表可见结构组分而非独立生物学个体的空间位置。因此，所得点图案反映的是在当前采样和标注方案下显微图像中捕获的已标注病原结构的时空组织方式。首先，从实例分割多边形计算每个结构实例的几何质心，并根据图像尺寸（960 × 960 像素）和像素比例尺（0.240 μm/像素）将其转换为物理坐标。因此，每个显微视野对应一个230.4 × 230.4 μm的矩形观测窗口。对每个显微视野，使用平移边缘校正计算Ripley's K函数，然后将其转换为居中的Ripley's L函数，即L(r)?r。L(r)?r>0的值表示相对于完全空间随机分布（CSR）存在空间聚集趋势，而L(r)?r<0的值表示空间抑制或更规则的空间模式。

在本研究中，植株被定义为独立生物学重复，而显微视野则作为每株植物内的嵌套子样本处理。对每株植物，首先分别计算其10个显微视野的平移校正配对贡献，然后通过配对计数加权在植物内聚合，获得一条独立的植物级别Ripley's L曲线。随后，将同一病原组内35株植物的植物级别L曲线以等权重平均，获得组级别空间点图案曲线。

为检验观测到的空间模式是否显著偏离完全空间随机分布，针对霜霉病和粉霜病病原分别进行了999次Monte Carlo模拟。模拟过程中，保留每株植物内10个显微视野的层级结构以及每个视野中观测对象的数量，同时在同一230.4 × 230.4 μm观测窗口内随机化对象位置。每次模拟首先生成植物级别L曲线，然后在植株间以等权重平均。这些模拟曲线用于构建95%全局Monte Carlo包络并进行全局显著性检验。

由于某些可见病原结构可能在同一孢子囊梗系统内保持解剖学上的连接，某些已标注实例之间的空间邻近性可能部分源于形态学连接。例如，孢子囊梗的主柄和分叉区域，以及附着在末端分支上的孢子囊，可能代表同一发育结构的连接组分。因此，Ripley's L分析被解释为描述可见病原结构的时空组织方式，而非完全独立生物学单元的聚集行为。

2.5 统计分析方法与生物学重复的定义

植株被定义为独立生物学重复，而叶片、叶片圆盘/显微视野以及单个病原结构被视为植物内的嵌套子样本。对于丰度相关特征，首先计算每个显微视野中每个类别的结构数量，然后将从每株植物采样的10个视野的值平均，获得该类别的植物级别平均丰度。未出现某结构类别的视野贡献计数为零。对于形态特征，周长、面积、凸度、实心度、椭圆率和平均轮廓曲率先在单个实例上计算，然后将同一植株内同一结构类别的所有有效实例平均，获得植物级别的形态学值。未包含某一类别有效实例的植株从相应形态分析中排除，而非赋予零值。

对于类别特异性空间距离特征，首先在每个显微视野内计算同一结构类别实例之间的平均成对质心距离。仅当视野中存在该类别至少两个实例时，才认为类别特异性距离可估计；否则，该视野在相应描述符上视为缺失。然后将属于同一植株的所有有效视野的值平均，获得植物级别的类别特异性平均距离。未包含某一类别任何有效视野的植株从相应距离分析中排除。

植物级别数据按每个病原组内的每个结构类别分别汇总，使用具有独立有效测量的植株数（n）、均值、标准差（SD）、95%置信区间（CI）、偏度和超额峰度进行描述。因此，不同结构类别和描述符的n值可能不同。超额峰度使用Fisher定义计算，正态分布在该定义下值为零。

丰度、形态学和类别特异性空间距离描述符的成对比较仅限于同一病原组内的结构类别，因为两种病原的结构类别不具有直接同源性。测量按植株进行配对，仅纳入在给定比较中两个类别均有有效测量的植株。因此，用于比较的完整植株对数量可能与描述性汇总中报告的任一类别的n值不同。当配对差值近似正态分布时使用配对t检验；否则使用Wilcoxon符号秩检验。使用Holm程序对同一病原组内结构类别之间的多重比较的P值进行校正，并将统计显著性定义为校正后p < 0.05。利用第2.4.3节中描述的L函数分析，分别在每个病原组内评估对完全空间随机分布的偏离。

3 结果

3.1 实验平台与评估指标

所有实验均在运行Windows 11的工作站上完成，并使用PyTorch 2.4.1实现。工作站配备Intel Core i9-13900KF处理器、64 GB系统内存以及NVIDIA GeForce RTX 4090显卡。

本研究基于RF-DETR-Seg Nano开发了MABS-RF-DETR。基础模型采用紧凑的DINOv2视觉Transformer编码器，结合多尺度特征提取和Transformer解码器，用于目标检测和实例分割。模型使用官方提供的COCO预训练RF-DETR-Seg Nano权重进行初始化，而非从随机初始化开始训练。

所有输入图像统一调整为672 × 672像素。模型训练150个epoch，批大小为4，梯度累积步数为4，有效批大小为16。使用AdamW优化器，主网络初始学习率为1 × 10??，骨干网络学习率为1.5 × 10??，权重衰减为1 × 10??。采用阶梯学习率调度，在第100个epoch时将学习率降至初始值的0.1倍。未使用额外的学习率预热。模型性能在验证集上按每个epoch进行评估。

所有实验重复三次，结果报告为均值±标准差。训练期间，使用标准RF-DETR数据增强策略，包括随机缩放、随机裁剪和随机水平翻转等几何增强。对于所提出的BAS策略，边界监督损失的权重设为0.05。选取验证集上mAPmask@0.5最优的模型权重，随后用于独立测试集上的最终性能评估。

推理阶段，测试图像的输入分辨率也设为672 × 672像素，置信度阈值设为0.25。由于RF-DETR采用端到端集预测框架，未额外应用非极大值抑制（NMS）作为后处理步骤。

为确保不同实例分割模型之间的公平比较，表3中的所有比较模型均使用与MABS-RF-DETR相同的训练集、验证集和测试集划分进行重新训练和评估，采用相同的原始显微图像和像素级标注。所有模型使用统一的输入图像尺寸，并在同一独立测试集上按照一致的COCO评估协议进行评估。

表3 MABS-RF-DETR与先进实例分割模型在测试集上的比较性能

| 模型 | mAPbox@0.5 (%) ↑ | mAPbox@0.5:0.95 (%) ↑ | mAPmask@0.5 (%) ↑ | mAPmask@0.5:0.95 (%) ↑ | 参数量 (M) ↓ | FLOPs (G) ↓ |
|------|------------------|------------------------|-------------------|------------------------|-------------|-------------|
| Mask R-CNN | 68.7 ± 0.5 | 46.4 ± 0.4 | 63.4 ± 0.6 | 40.9 ± 0.5 | 63.0 | 173.0 |
| Cascade Mask R-CNN | 71.7 ± 0.4 | 51.8 ± 0.5 | 64.8 ± 0.5 | 43.7 ± 0.4 | 96.0 | 1694.0 |
| Mask Scoring R-CNN | 68.1 ± 0.5 | 47.3 ± 0.4 | 63.0 ± 0.5 | 42.6 ± 0.4 | 78.9 | 213.0 |
| YOLACT | 66.3 ± 0.7 | 39.1 ± 0.6 | 58.8 ± 0.8 | 36.0 ± 0.7 | 53.8 | 112.0 |
| QueryInst | 61.7 ± 0.6 | 42.3 ± 0.5 | 59.2 ± 0.6 | 39.9 ± 0.5 | 172.0 | 94.2 |
| PointRend | 74.1 ± 0.4 | 51.4 ± 0.4 | 71.0 ± 0.5 | 47.9 ± 0.4 | 56.0 | 91.3 |
| MABS-RF-DETR | 81.4 ± 0.3 | 62.1 ± 0.4 | 77.4 ± 0.4 | 46.8 ± 0.4 | 35.6 | 287.0 |

考虑到Mask R-CNN、Cascade Mask R-CNN、YOLACT、QueryInst、PointRend和RF-DETR在网络架构和训练范式上存在显著差异，每个模型的优化器、学习率及相关超参数均根据其官方实现或推荐设置进行配置，而非强制使用相同的优化参数。通过在保持数据集划分、输入尺度、训练数据、测试数据和评估指标一致的同时，允许每种架构使用适当的优化策略，不同模型在可比且公平的实验条件下进行评估。

模型性能使用平均精度均值（mAP）进行评估。具体而言，mAP@0.5在IoU阈值为0.5时计算，而mAP@0.5:0.95则在从0.50到0.95、间隔为0.05的十个IoU阈值上对平均精度（AP）值取平均。这些评估指标的数学定义见公式(26)–(30)：

(26) Precision = TP / (TP + FP)，其中TP表示真正例，FP表示假正例。

(27) Recall = TP / (TP + FN)，其中FN表示假负例。

(28) AP = Σ? (R? ? R???) · P_interP(R?)，其中P_interP(R?)是在每个召回率值R?处取得的最大精确率。

(29) mAP@0.5 = (1/N) Σ???? AP?，其中N为类别数，AP?为IoU阈值为0.5时第i个类别的平均精度。

(30) mAP@0.5:0.95 = (1/10) Σ???? Σ???? AP?,?.????.???，其中N为类别数，j为IoU阈值索引，范围从0到9，对应IoU值从0.50到0.95，间隔为0.05。

为评估从预测实例掩膜中提取下游定量特征的准确性，根据每个定量描述符的特点采用了不同的验证单元。对于丰度和空间距离特征，将源自所有有效预测实例的描述符与源自所有相应真值实例的描述符在显微图像或图像×类别级别上比较，从而使漏检和误检传导至最终测量误差。对于实例级别的形态和定位特征，真值实例和预测实例在每张图像和每个类别内分别进行匹配。构建成对掩膜IoU矩阵，并通过最大化总掩膜IoU使用匈牙利算法确定一对一匹配。仅保留掩膜IoU ≥ 0.50的同类匹配对用于后续形态和质心定位验证。预测一致性使用决定系数（R2）、平均绝对误差（MAE）和归一化平均绝对误差（NMAE）进行评估，计算公式如下：

(31) R2 = 1 ? Σ???? (y? ? ??)2 / Σ???? (y? ? ?)2

(32) MAE = (1/n) Σ???? |y? ? ??|

(33) NMAE = Σ???? |y? ? ??| / Σ???? |y?| × 100%

其中y?和??分别表示手动标注和模型预测导出的定量特征值，?为手动导出值的均值，n为有效配对观测数。R2越大、MAE和NMAE越小，表明模型导出与手动导出的定量特征之间一致性越好。这些评估旨在衡量模型导出与手动导出的定量特征之间的技术测量一致性，而非进行生物学推断。

3.2 MABS-RF-DETR与最先进实例分割模型的性能比较

如表3所示，评估的实例分割模型在测试集上表现出明显的性能差异，在分割黄瓜霜霉病和粉霜病病原的可见孢子形成相关结构方面展现出不同能力。在经典的两阶段实例分割模型中，Mask R-CNN取得了相对稳定的基线性能，mAPbox@0.5和mAPmask@0.5值分别为68.7%和63.4%。然而，其检测与分割精度在高IoU阈值下相对有限，表明对小型病原结构和模糊边界区域的细粒度定位不足[31]。Cascade Mask R-CNN使用级联检测头逐步改进候选区域质量，mAPbox@0.5和mAPmask@0.5值分别为71.7%和64.8%，在二阶段模型中实现了相对较强的性能[32]。然而，其参数量达到96.0 M，计算成本高达1694.0 G浮点运算（FLOPs），导致计算开销大幅增加，限制了其在高通量显微图像分析中的适用性。Mask Scoring R-CNN引入了掩膜质量评分机制，但其mAPmask@0.5仅为63.0%，在本任务中未显示出明显优势。这一结果表明，仅依赖掩膜质量评估不足以应对病原可见孢子形成相关结构中的模糊边界、相邻实例粘连和细长形态问题[33]。

在单阶段和基于查询的实例分割模型中，YOLACT的参数和计算成本相对较低，但其检测和分割精度均有限，mAPmask@0.5仅为58.8%。这表明，尽管基于原型掩膜组合的快速分割策略在计算效率上具有优势，但其掩膜表示能力不足以应对具有复杂形态和模糊边界的显微病原结构[34]。

QueryInst尽管参数量达到172.0 M，但计算成本相对较低，而其mAPbox@0.5和mAPmask@0.5分别仅为61.7%和59.2%，整体性能低于大多数其他模型[35]。这可能是因为黄瓜病原微生物的显微图像中存在大量小目标、细长菌丝以及含有相邻粘连实例的区域。在缺乏针对性形态特征增强的情况下，基于查询的实例建模难以准确捕获局部边界和复杂拓扑结构。相比之下，PointRend在基线模型中表现良好，mAPbox@0.5和mAPmask@0.5分别达到74.1%和71.0%，明显优于Mask R-CNN、YOLACT和QueryInst[36]。特别是，PointRend的mAPmask@0.5:0.95达到了47.9%，略高于所提出模型的46.8%，表明其基于点采样的边界细化机制在高IoU阈值下的掩膜细化方面具有优势。然而，PointRend的整体检测精度仍低于所提出的方法，且其对方向性延展区域和粘连可见孢子相关结构的整体建模能力仍有限。所提出的MABS-RF-DETR在框级别指标和mAPmask@0.5方面均达到最高值，而PointRend的mAPmask@0.5:0.95略高。其mAPbox@0.5和mAPbox@0.5:0.95分别达到81.4%和62.1%，均为所有评估模型中的最高值。与PointRend相比，这些值分别提高了7.3和10.7个百分点，表明MABS-RF-DETR能够更准确地定位不同类别的病原微生物可见孢子相关结构。在掩膜分割方面，MABS-RF-DETR的mAPmask@0.5达到77.4%，较PointRend提高了6.4个百分点。这一结果表明，形态感知细节适配器有效增强了局部纹理、方向性延展结构和高频边界信息的表示。同时，边界感知监督策略进一步加强了模型对模糊轮廓和相邻粘连实例的关注。值得注意的是，MABS-RF-DETR仅包含35.6 M参数，是所有比较模型中参数量最低的，表明其在提高分割精度的同时保持了紧凑的模型规模。尽管其FLOPs高于某些轻量级模型，但显著低于Cascade Mask R-CNN，实现了精度、模型规模和计算复杂度之间的更优平衡。总体而言，MABS-RF-DETR更适合包含小目标、延展结构、模糊边界以及相邻实例粘连的黄瓜霜霉病和白粉病病原微生物显微图像的高精度实例分割。

图6展示了霜霉病病原微生物可见孢子相关结构的代表性分割结果。如图6(b)所示，该图像包含三个未分枝的孢子囊梗/主柄区域、一个分枝结构以及三个孢子囊。Mask R-CNN（图6(c)）和Mask Scoring R-CNN（图6(e)）对分枝结构和孢子囊实现了可接受的分割结果，但未能准确分割延展的未分枝孢子囊梗/主柄区域。特别是，图像中央的长未分枝孢子囊梗/主柄区域出现了碎片化，导致重复检测框。Cascade Mask R-CNN（图6(d)）和PointRend（图6(h)）在分割分枝结构方面表现不佳，产生了不连续的掩膜，未能准确捕获与孢子囊梗延展生长相关的复杂拓扑结构。它们对延展未分枝孢子囊梗/主柄区域的分割也不令人满意，因为位于图像中左侧的未分枝孢子囊梗/主柄区域的基部区域未被完全分割。YOLACT（图6(f)）错误地将右上角的一个叶片毛状体识别为未分枝孢子囊梗/主柄区域，且未能完全分割图像中央的延展未分枝孢子囊梗/主柄区域。QueryInst（图6(g)）无法完全分割延展的未分枝孢子囊梗/主柄区域，其基部区域缺失，且所得掩膜边界不规则。相比之下，MABS-RF-DETR（图6(i)）成功分割了全部七个可见孢子相关结构，无漏检或误检。此外，所得掩膜边界平滑，准确表达了霜霉病病原微生物不同可见孢子相关结构的复杂形态。

下载：下载高分辨率图像（2MB）下载：下载全尺寸图像

图6. 霜霉病病原微生物可见孢子相关结构分割性能比较。

图7展示了白粉病病原微生物可见孢子相关结构的代表性分割结果。如图7(b)所示，该图像包含五个分生孢子梗和一个分生孢子。Mask R-CNN（图7(c)）、Cascade Mask R-CNN（图7(d)）和Mask Scoring R-CNN（图7(e)）产生了类似的分割结果。所有三个模型均错误地将左下角的不完整分生孢子梗分类为分生孢子，表明对两类可见孢子相关结构的特征区分不足。YOLACT（图7(f)）错误地将一个与背景对比度低的叶肉细胞识别为分生孢子，表明对微小目标的感知和识别能力有限。QueryInst（图7(g)）未能检测到左下角的分生孢子梗，表明对复杂背景中微小目标的感知能力不足。PointRend（图7(h)）正确识别了图像中的所有可见孢子相关结构，但边界感知能力有限，导致边界不规则且部分结构缺失。相比之下，MABS-RF-DETR（图7(i)）成功分割了全部六个可见孢子相关结构，无漏检或误检。所得掩膜边界平滑，准确表达了白粉病病原微生物不同可见孢子相关结构的复杂形态。

下载：下载高分辨率图像（3MB）下载：下载全尺寸图像

图7. 白粉病病原微生物可见孢子相关结构分割性能比较。

3.3. 消融实验

如图4所示，消融实验在验证集上进行评估。原始RF-DETR对黄瓜霜霉病和白粉病病原微生物可见孢子相关结构的分割，mAPbox@0.5、mAPbox@0.5:0.95、mAPmask@0.5和mAPmask@0.5:0.95分别为81.6%、59.4%、76.3%和42.5%。当独立引入MADA时，所有检测和分割指标均得到提升。具体而言，mAPbox@0.5增至82.4%，mAPbox@0.5:0.95增至60.4%，mAPmask@0.5和mAPmask@0.5:0.95分别增至77.2%和43.7%。这些结果表明，MADA通过并行分支增强了局部纹理、水平及垂直条带状结构和高频边界信息，从而能够更有效地表示边界较弱且形态差异较大的细长可见孢子相关结构，如菌丝、孢子囊梗和分生孢子梗。因此，模型对复杂显微目标的定位和掩膜预测能力得到了提升。

表4. MABS-RF-DETR在验证集上的消融评估。

RF-DETR | MADA | BAS | mAPbox@0.5 (%) ↑ | mAPbox@0.5:0.95 (%) ↑ | mAPmask@0.5 (%) ↑ | mAPmask@0.5:0.95 (%) ↑ | 参数(M) ↓ | FLOPs(G) ↓
? | | | 81.6 ± 0.2 | 59.4 ± 0.3 | 76.3 ± 0.2 | 42.5 ± 0.3 | 33.6 | 178.6
? | ? | | 82.4 ± 0.2 | 60.4 ± 0.2 | 77.2 ± 0.2 | 43.7 ± 0.3 | 35.6 | 287.0
? | | ? | 82.2 ± 0.3 | 59.9 ± 0.3 | 76.9 ± 0.3 | 42.8 ± 0.3 | 33.6 | 178.6
? | ? | ? | 83.3 ± 0.2 | 60.6 ± 0.2 | 77.4 ± 0.3 | 44.0 ± 0.2 | 35.6 | 287.0

当独立引入BAS时，模型参数量和FLOPs与基线模型相比未发生变化，而mAPbox@0.5、mAPbox@0.5:0.95、mAPmask@0.5和mAPmask@0.5:0.95分别增至82.2%、59.9%、76.9%和42.8%。这表明边界感知监督能够在不增加推理复杂度的情况下改善对模糊边界和包含相邻粘连实例区域的特征学习。然而，由于BAS主要通过损失级约束发挥作用，其对模型整体特征表示能力的提升相对有限。

当同时引入MADA和BAS时，模型达到了最佳性能，四项指标分别达到83.3%、60.6%、77.4%和44.0%。与原始RF-DETR相比，这些值分别提高了1.7、1.2、1.1和1.5个百分点。这些结果表明，MADA主要增强了病原微生物可见孢子相关结构的形态细节表示，而BAS通过显式边界约束改善了掩膜轮廓质量，说明两个组件之间存在很强的互补性。尽管引入MADA使参数量从33.6 M增加到35.6 M，FLOPs从178.6 G增加到287.0 G，但精度方面的整体提升表明，所提出的MADA和BAS有效增强了RF-DETR对黄瓜霜霉病和白粉病病原微生物复杂可见孢子相关结构的实例分割性能，从而验证了所设计模块的有效性。

3.4. 可见孢子相关结构多维度定量特征的精度分析

为了进一步评估MABS-RF-DETR对不同类型可见孢子相关结构的识别和分割能力，表5给出了测试集中六种可见孢子相关结构的逐类AP结果。总体而言，不同类别之间表现出明显的性能差异。其中，PM_Conidia（白粉病分生孢子）的检测和分割性能最高，APbox@0.5、APbox@0.5:0.95、APmask@0.5和APmask@0.5:0.95分别为95.56%、75.97%、96.31%和73.64%，表明模型能够准确地定位和分割白粉病分生孢子。PM_Conidiophore（白粉病分生孢子梗）也表现出较强的识别性能，APbox@0.5和APmask@0.5分别达到90.06%和94.13%。

表5. MABS-RF-DETR在测试集上的分类别检测和分割性能。

结构类别 | APbox@0.5 (%) ↑ | APbox@0.5:0.95 (%) ↑ | APmask@0.5 (%) ↑ | APmask@0.5:0.95 (%) ↑
DM_Hypha | 76.74 | 49.15 | 72.89 | 34.88
DM_Forked_structure | 74.69 | 52.05 | 51.38 | 15.79
DM_Sporangium | 84.85 | 69.49 | 83.52 | 63.42
DM_Spore | 66.44 | 55.63 | 66.24 | 29.84
PM_Conidiophore | 90.06 | 70.41 | 94.13 | 63.30
PM_Conidia | 95.56 | 75.97 | 96.31 | 73.64

在霜霉病可见孢子相关结构中，DM_Sporangium（霜霉病孢子囊）的综合性能最佳，四项指标分别达到84.85%、69.49%、83.52%和63.42%。这表明模型对孢子囊的检测和像素级分割表现良好，孢子囊通常具有相对完整的形态和明确的边界。相比之下，DM_Hypha（霜霉病菌丝）和DM_Forked_structure（霜霉病分枝结构）在更严格的IoU阈值下分割性能较低。DM_Hypha的APmask@0.5:0.95为34.88%，而DM_Forked_structure仅为15.79%。特别是，尽管DM_Forked_structure的APbox@0.5达到了74.69%，但其APmask@0.5仅为51.38%，表明模型能够较好地位于该类结构，但在像素级准确恢复其细长分支、复杂拓扑结构和局部边界方面仍面临较大挑战。

DM_Spore（霜霉病孢子）的APmask@0.5:0.95为29.84%，也显著低于霜霉病孢子囊和两类白粉病结构。这可能与它较小的目标尺寸以及相对较高比例的边界像素有关，即使在更严格的IoU阈值下，轻微的轮廓偏差也会导致精度显著下降。总体而言，MABS-RF-DETR对孢子囊、分生孢子梗和分生孢子等结构实现了较高且稳定的检测和分割性能，而细长、高度分枝和小尺度的可见孢子相关结构仍是限制精细实例分割性能的主要类别。

表6给出了MABS-RF-DETR在量化病原微生物可见孢子相关结构的丰度、形态、定位和空间特征方面的预测精度。对于实例级形态和定位特征，仅评估同类且掩膜IoU≥0.50的一对一匹配的真值-预测对。相比之下，丰度和空间距离特征采用端到端方式，使用所有有效的真值和预测实例进行评估，从而使漏检、误检和定位偏差传播到最终的定量误差中。除了R2和MAE外，还使用NMAE来表征预测误差相对于对应真值测量数值尺度的大小。

表6. 黄瓜病原微生物可见孢子相关结构多维度定量特征的预测精度。

特征类别 | 特征名称 | R2 | MAE | NMAE (%)
丰度特征 | 可见孢子相关结构数量Nf,c | 0.9006 | 0.3958 | 19.4274
| 可见孢子相关结构总数Nf,p | 0.8641 | 1.0375 | 16.9734
形态特征 | 周长P (μm) | 0.9159 | 11.9942 | 9.6677
| 面积A (μm2) | 0.9522 | 42.8933 | 10.7897
| 凸度C | 0.6587 | 0.0498 | 5.2318
| 实心度S | 0.9288 | 0.0431 | 5.3913
| 椭圆率E | 0.9017 | 0.0469 | 8.1971
| 平均曲率K (μm?1) | 0.8388 | 0.0335 | 23.4053
定位特征 | 质心X坐标 (μm) | 0.9982 | 1.0118 | 0.8982
| 质心Y坐标 (μm) | 0.9971 | 1.1927 | 1.0023
空间特征 | 可见孢子相关结构整体平均距离Df,p (μm) | 0.7925 | 7.0701 | 7.2329
| 可见孢子相关结构分类别平均距离Df,c (μm) | 0.6817 | 10.6091 | 11.2429

总体而言，丰度、形态和定位特征在预测与人工标注之间表现出高度一致性。分类别数量和可见孢子相关结构总数的R2值分别为0.9006和0.8641。在实例级形态特征中，面积表现出最高的预测一致性（R2=0.9522，NMAE=10.79%），而周长的R2为0.9159，NMAE为9.67%。实心度和椭圆率的R2值分别为0.9288和0.9017，对应的NMAE值分别为5.39%和8.20%。凸度的R2相对较低，为0.6587，但NMAE仅为5.23%，表明归一化预测误差较小；较低的R2主要与真值凸度值的分布范围较窄有关。平均轮廓曲率达到了R2=0.8388，但NMAE为23.41%，表明尽管该特征在实例间的整体变化得到了较好保留，但这种对边界敏感的特征更容易受到局部轮廓偏差的影响。

质心定位表现出最强的一致性，X坐标和Y坐标的R2值分别为0.9982和0.9971。其对应的MAE仅为1.0118和1.1927 μm，NMAE值约为1%，表明预测掩膜准确保留了可见孢子相关结构的空间位置。相比之下，空间距离特征的预测一致性相对较低。可见孢子相关结构整体平均距离的R2为0.7925，MAE为7.0701 μm，NMAE为7.23%；而分类别平均距离的R2为0.6817，MAE为10.6091 μm，NMAE为11.24%。

空间距离特征的R2值相较于大多数形态学和定位特征较低，这与实例检测完整性、类别分配和质心定位对这些端到端空间测量的累积影响一致。总体而言，MABS-RF-DETR的预测结果可为可见孢子形成相关结构的丰度、二维形态和空间定位的定量表征提供可靠依据。尽管空间距离特征的预测一致性相对较低，且平均轮廓曲率表现出较高的相对误差，但后续的空间组织分析通过植株水平的统计分析和Ripley's L空间点模式分析得到了进一步加强，从而减少了对任何单一距离指标的依赖。

需要指出的是，形态学验证是在成功匹配的预测-真值实例对而非所有标注实例上进行的。在实例匹配之前，仅保留具有成功解析的轮廓和可测量形态特征的有有效标注实例用于验证。针对每个可见孢子形成相关结构类别，使用IoU阈值为≥0.50的一对一匈牙利匹配分别建立实例对应关系。该阈值用于识别预测和标注之间的对应实例，而非用于定义严格的分割质量标准。基于有效真值实例的类别特异性匹配覆盖率汇总于表7。因此，表6中报告的形态学一致性指标应解释为成功匹配实例的一致性，而表7中的覆盖值则表示纳入此验证的有效标注实例比例。

表7. 基于有效标注实例的形态学验证类别特异性实例匹配覆盖率。

结构类别 | 有效真值实例数 | 匹配实例数（IoU ≥ 0.50） | 匹配覆盖率（%）
--- | --- | --- | ---
DM_Hypha | 227 | 195 | 85.90
DM_Forked_structure | 53 | 34 | 64.15
DM_Sporangium | 71 | 63 | 88.73
DM_Spore | 3 | 2 | 66.67
PM_Conidiophore | 80 | 70 | 87.50
PM_Conidia | 55 | 53 | 96.36

4. 讨论

4.1. 病原体可见孢子形成相关结构丰度分布分析

图8和表8以植株为独立生物学重复，总结了可见孢子形成相关结构的丰度分布。由于霜霉病和白粉病的标注结构代表病原体特异性形态类别，不存在严格的一对一生物学对应关系，因此未对总结构数进行跨病原体比较。取而代之的是，在每种病原体体系内分析丰度模式，以表征当前抽样条件下其可见结构的组成。

图8. 黄瓜霜霉病和白粉病样本中可见孢子形成相关结构的植株水平丰度分布。

表8. 黄瓜霜霉病和白粉病样本中可见孢子形成相关结构丰度分布的植株水平统计摘要。

结构类别 | n（植株数） | 均值 | 标准差 | 95% CI | 偏度 | 超额峰度
--- | --- | --- | --- | --- | --- | ---
DM_Hypha | 35 | 4.4314 | 1.2813 | 3.9913–4.8716 | 0.9422 | 0.6941
DM_Forked_structure | 35 | 1.2600 | 0.5386 | 1.0750–1.4450 | 0.3286 | ?0.5642
DM_Sporangium | 35 | 1.6486 | 1.3763 | 1.1758–2.1214 | 1.3536 | 2.0480
DM_Spore | 35 | 0.4486 | 0.0769 | 0.8203–2.7823 | 6.8444 | —
PM_Conidiophore | 35 | 2.9657 | 0.7162 | 2.7197–3.2117 | 0.3527 | ?0.3177
PM_Conidia | 35 | 2.7686 | 1.1414 | 2.3765–3.1607 | 0.6021 | 0.1762

在霜霉病样本中，由DM_Hypha数据集标签所代表的结构——即分叉区域以下的未分枝孢子囊柄或主轴——具有最高的平均丰度（每个视野4.4314）。孢子囊柄分叉部分、孢子囊和游动孢子的平均丰度分别为1.2600、1.6486和0.4486。病原体内部的配对比较表明，未分枝孢子囊柄/主轴类别与其他霜霉病类别存在显著差异，而分叉结构和孢子囊之间无显著差异。游动孢子表现出最低的丰度。值得注意的是，游动孢子丰度在植株水平上仍呈现强右偏（偏度 = 2.7823；超额峰度 = 6.8444），表明该结构的观测丰度存在明显的植株间异质性。

对于白粉病，分生孢子和分生孢子梗的植株水平平均丰度分别为每个视野2.9657和2.7686，多重比较校正后两类之间未检测到显著差异。这种相似的丰度表明在抽样的白粉病群体中，这两种可见孢子形成相关结构具有相对均衡的代表性。

总体而言，丰度分析揭示了两种病原体体系内可见孢子形成相关结构的不同组成模式。霜霉病样本中未分枝孢子囊柄/主轴类别在标注结构中贡献较高，而白粉病样本中分生孢子梗和分生孢子之间呈现相对均衡的分布。这些观察结果与两种病原体的繁殖形态一致：霜霉病原体形成分枝孢子囊柄并承载孢子囊，而白粉病病原体从外生分生孢子梗上依次产生分生孢子[25, 26]。因此，观测到的丰度分布提供了病原体特异性可见结构组织的定量描述，而非对整体繁殖能力的直接比较。然而，由于本数据为横断面数据且基于病原体特异性标注类别，它们并不直接说明孢子形成速率、环境响应性、繁殖同步性或进化繁殖策略的差异。

4.2. 病原体可见孢子形成相关结构形态分布分析

图9和表9以植株为独立生物学重复，展示了成功量化的可见孢子形成相关结构二维形态的明显类别依赖性差异。在霜霉病样本中，由DM_Hypha数据集标签所代表的结构——即分叉区域以下的未分枝孢子囊柄或主轴——平均周长为117.5269 μm，面积为258.5285 μm2。孢子囊柄的分叉部分表现出最大的平均周长（211.3157 μm）和面积（437.4182 μm2），同时具有最低的凸度（0.6940）和实心度（0.4130）。这些数值定量描述了其不规则且高度凹陷的二维轮廓。相比之下，未分枝孢子囊柄/主轴类别表现出更规则的轮廓，反映在其较高的凸度（0.9386）和实心度（0.7476）上。

图9. 黄瓜霜霉病和白粉病样本中可见孢子形成相关结构的植株水平形态表征。

表9. 黄瓜霜霉病和白粉病样本中可见孢子形成相关结构形态特征的植株水平统计摘要。

指标 | 结构类别 | n（植株数） | 均值 | 标准差 | 95% CI | 偏度 | 超额峰度
--- | --- | --- | --- | --- | --- | --- | ---
周长（μm） | DM_Hypha | 35 | 117.5269 | 22.6938 | 109.7313–125.3225 | 0.4336 | ?0.2535
| DM_Forked_structure | 35 | 211.3157 | 51.1617 | 193.7410–228.8903 | 0.9565 | 1.3762
| DM_Sporangium | 34 | 58.5448 | 7.1817 | 56.0390–61.0506 | ?0.5929 | 0.3807
| DM_Spore | 13 | 14.5430 | 5.0514 | 11.4905–17.5956 | 1.7107 | 4.0148
| PM_Conidiophore | 35 | 230.8039 | 20.3697 | 223.8066–237.8011 | 0.1665 | ?0.2865
| PM_Conidia | 35 | 71.6332 | 2.0925 | 70.9144–72.3521 | 0.0056 | ?0.7981
面积（μm2） | DM_Hypha | 35 | 258.5285 | 59.3409 | 238.1442–278.9128 | 0.2101 | ?0.6874
| DM_Forked_structure | 35 | 437.4182 | 168.0172 | 379.7023–495.1342 | 1.3380 | 2.3113
| DM_Sporangium | 34 | 220.2754 | 47.7205 | 203.6249–236.9258 | ?0.0505 | ?0.1857
| DM_Spore | 13 | 14.8662 | 12.1464 | 7.5262–22.2062 | 2.3135 | 6.0055
| PM_Conidiophore | 35 | 1141.6549 | 113.3575 | 1102.7153–1180.5946 | 0.0528 | ?0.3768
| PM_Conidia | 35 | 303.2242 | 18.4198 | 296.8968–309.5516 | 0.2452 | ?0.4197
凸度 | DM_Hypha | 35 | 0.9386 | 0.0093 | 0.9354–0.9418 | 0.2533 | ?0.7484
| DM_Forked_structure | 35 | 0.6940 | 0.0442 | 0.6789–0.7092 | ?0.4485 | 0.3683
| DM_Sporangium | 34 | 0.9289 | 0.0056 | 0.9269–0.9309 | 0.9879 | 2.8361
| DM_Spore | 13 | 0.9515 | 0.0140 | 0.9430–0.9600 | 1.1959 | 1.2092
| PM_Conidiophore | 35 | 0.9728 | 0.0083 | 0.9700–0.9757 | ?1.7962 | 5.6224
| PM_Conidia | 35 | 0.9324 | 0.0037 | 0.9311–0.9336 | ?0.1743 | 0.5590
实心度 | DM_Hypha | 35 | 0.7476 | 0.0371 | 0.7349–0.7604 | ?0.8758 | 0.8437
| DM_Forked_structure | 35 | 0.4130 | 0.0539 | 0.3945–0.4315 | 0.1380 | ?0.2726
| DM_Sporangium | 34 | 0.9692 | 0.0065 | 0.9669–0.9715 | ?0.3165 | ?0.8266
| DM_Spore | 13 | 0.9296 | 0.0344 | 0.9088–0.9504 | ?0.1342 | ?0.9839
| PM_Conidiophore | 35 | 0.7967 | 0.0304 | 0.7862–0.8071 | 0.1825 | ?0.0125
| PM_Conidia | 35 | 0.9722 | 0.0032 | 0.9711–0.9733 | ?1.8548 | 4.7981
椭圆度 | DM_Hypha | 35 | 0.6896 | 0.0566 | 0.6702–0.7091 | ?0.0483 | ?0.6852
| DM_Forked_structure | 35 | 0.4297 | 0.0738 | 0.4043–0.4550 | 0.1738 | 0.1725
| DM_Sporangium | 34 | 0.3053 | 0.0634 | 0.2832–0.3274 | ?0.2000 | 3.1235
| DM_Spore | 13 | 0.2419 | 0.0856 | 0.1902–0.2936 | ?0.8367 | 1.1059
| PM_Conidiophore | 35 | 0.8084 | 0.0292 | 0.7984–0.8184 | ?0.9591 | 1.3718
| PM_Conidia | 35 | 0.4194 | 0.0254 | 0.4107–0.4281 | ?0.3041 | ?1.0106
平均曲率（μm?1） | DM_Hypha | 35 | 0.2076 | 0.0560 | 0.1883–0.2268 | 1.2910 | 2.2495
| DM_Forked_structure | 35 | 0.2337 | 0.0338 | 0.2221–0.2453 | 0.0764 | ?0.5200
| DM_Sporangium | 34 | 0.1672 | 0.0378 | 0.1541–0.1804 | 1.5632 | 2.8526
| DM_Spore | 13 | 1.1692 | 1.1858 | 0.4527–1.8858 | 1.3738 | 0.0475
| PM_Conidiophore | 35 | 0.0752 | 0.0080 | 0.0724–0.0779 | 0.1744 | ?0.3972
| PM_Conidia | 35 | 0.1347 | 0.0065 | 0.1324–0.1369 | 0.8368 | 0.8200

孢子囊表现出相对紧凑的形态，平均周长为58.5448 μm，面积为220.2754 μm2，凸度为0.9289，实心度为0.9692。游动孢子是观测到的最小的霜霉病结构，平均周长为14.5430 μm，面积为14.8662 μm2，并且在成功量化的霜霉病结构类别中表现出最高的平均绝对轮廓曲率（1.1692 μm?1）。未分枝孢子囊柄/主轴类别、分叉孢子囊柄部分和孢子囊的平均绝对轮廓曲率分别为0.2076、0.2337和0.1672 μm?1。植株水平的配对比较表明，在所分析的六个形态描述符上，霜霉病的四个结构类别之间均存在显著差异。然而，由于游动孢子形态仅能估计13株独立植株，且其曲率表现出较大的植株间变异性，因此相关估计值应谨慎解读。

对于白粉病样本，分生孢子梗的特征是面积（1141.6549 μm2）、周长（230.8039 μm）和椭圆度（0.8084）显著较大，同时具有较低的平均绝对轮廓曲率（0.0752 μm?1）。相比之下，分生孢子较小（面积和周长分别为303.2242 μm2和71.6332 μm），伸展程度较低（椭圆度 = 0.4194），且更为紧凑，如高实心度（0.9722）所示。其平均绝对轮廓曲率为0.1347 μm?1，显著高于分生孢子梗。在当前抽样条件下，白粉病的两个结构类别在六个评估指标上均表现出显著差异。

综合来看，形态分析揭示了两种病原体体系可见孢子形成相关结构的不同几何组织方式。在霜霉病中，分叉孢子囊柄部分表现出不规则且低实心度的轮廓，而孢子囊和游动孢子则表现出更紧凑的形态。这种模式与已建立的霜霉病原体架构一致，即分枝孢子囊柄为末端孢子囊提供结构框架[25]。在白粉病中，分生孢子梗显著大于分生孢子且更为伸长，这与已描述的白粉病原体直立分生孢子梗-分生孢子组织一致[26]。因此，从成功分割实例中获得的定量描述符提供了此前主要通过定性观察描述的形态分化基于图像测量的证据。然而，在解释形态相关结果时，应考虑类别特异性的分割难度。特别是，DM_Forked_structure和DM_Spore表现出较低的严格分割性能和较低的匹配覆盖率。因此，其定量形态特征应解释为成功检测和匹配的结构特征，而非整个生物群体。

4.3. 病原体可见孢子形成相关结构空间分布分析

图10和表10以植株为独立生物学重复，总结了可见孢子形成相关结构的植株水平空间分离特征。由于霜霉病和白粉病的标注结构代表病原体特异性形态类别而非严格的生物学对应物，因此未进行跨病原体基于混合结构的空间距离比较。取而代之的是，在每种病原体体系内评估类别特异性的空间分离，以表征当前抽样条件下可见结构的局部组织。

图10. 黄瓜霜霉病和白粉病样本中可见孢子形成相关结构的植株水平空间分离特征。

表10. 黄瓜霜霉病和白粉病样本中可见孢子形成相关结构空间距离特征的植株水平统计摘要。

结构类别 | n（植株数） | 均值（μm） | 标准差（μm） | 95% CI（μm） | 偏度 | 超额峰度
--- | --- | --- | --- | --- | --- | ---
DM_Hypha | 35 | 91.4464 | 14.0914 | 86.6058–96.2869 | ?0.5628 | ?0.3034
DM_Forked_structure | 33 | 93.1235 | 27.8618 | 83.2442–103.0029 | 0.5575 | 0.4727
DM_Sporangium | 33 | 74.6632 | 27.4719 | 64.9220–84.4043 | ?0.8525 | 0.0746
DM_Spore | 9 | 74.3717 | 38.6803 | 44.6394–104.1040 | 0.5882 | ?1.5491
PM_Conidiophore | 35 | 103.0414 | 14.3238 | 98.1210–107.9618 | ?0.1302 | ?1.0069
PM_Conidia | 35 | 102.6637 | 13.6446 | 97.9766–107.3507 | 0.1857 | ?0.5227

在霜霉病样本中，植株水平的类别特异性平均距离分别为：未分枝孢子囊柄/主轴类别91.4464 μm，孢子囊柄分叉部分93.1235 μm，孢子囊74.6632 μm，游动孢子74.3717 μm。配对统计比较表明，这些结构类别在所分析的霜霉病数据集中部分类别间空间分离存在显著差异，而若干比较共享重叠的显著性组。特别是，游动孢子估计仅基于9株独立植株且表现出较宽的95%置信区间，因此应避免对其类别特异性空间模式得出强结论。对于白粉病，分生孢子梗和分生孢子的平均距离分别为103.0414 μm和102.6637 μm，多重比较校正后两类之间未检测到显著差异。这些结果描述了局部空间分离的差异，但本身并未确定潜在的点模式是聚集还是规则的。

为了更严格地表征空间组织，进一步使用植株为独立生物学重复分析了Ripley's L函数（图11）。对于霜霉病，观测到的中心L曲线L(r)?r在大多数研究空间范围内高于CSR期望值及其95%全局蒙特卡洛包络线。植株水平全局检验显示与CSR存在显著偏离（全局p = 0.001），且所分析尺度上L(r)?r的平均符号偏离为15.269 μm。这些结果为标注的可见结构在当前抽样和标注方案下表现出非随机空间组织提供了统计证据。

图11. 黄瓜霜霉病和白粉病样本中可见孢子形成相关结构的植株水平Ripley's L分析。

白粉病结构也显示出与CSR的显著偏离（全局p = 0.001）。其观测到的L(r)?r曲线主要呈正值，平均符号偏离为7.888 μm。因此，白粉病样本中的可见结构在当前抽样和标注方案下也表现出非随机空间组织，而非与完全空间随机性一致的模式。然而，CSR偏离的幅度和尺度在两种病原体体系之间存在差异，这些差异应谨慎解读，因为所分析的结构代表病原体特异性标注类别。

这些病原体特异性的空间模式与其孢子形成相关结构的已知形态组织一致。在霜霉病原体中，孢子囊柄通过离散的通气孔口萌出，随后分枝承载孢子囊，为解释观测到的空间组织提供了形态学背景。相比之下，白粉病原体主要在叶外部表面发育，产生直立的分生孢子梗承载分生孢子[2, 3, 25, 26]。因此，观测到的空间模式应解释为每种病原体体系内可见结构组织的定量描述，而非生态策略或繁殖适应差异的直接证据。

需要指出的是，Ripley's L检测到的空间组织可能反映多种空间依赖性来源，包括独立病原体结构的排列和同一病原体架构各组成部分之间的形态学连通性。特别是，某些霜霉病结构，如主轴孢子囊柄、分叉区域和附着的孢子囊，可能起源于同一连通的孢子囊柄系统。因此，观测到的与CSR的偏离应解释为可见结构组织模式，而非独立繁殖单元聚集的直接证据。

4.4. 研究局限性和未来研究方向

在解释本研究中观测到的定量差异时，应考虑以下几项局限性。

首先，实验包含三个易感黄瓜品种，包括'长春密刺'、'金优406'和'金春5号'，以从易感宿主材料中获取显微样本。然而，品种特异性效应未分别分析，因为本研究未设计用于评估寄主基因型依赖性响应。因此，观测到的差异应解释为当前抽样条件下检测到的结构模式，而非独立于宿主背景的通用病原体特异性特征。

未来的研究应纳入更广泛的黄瓜基因型，包括具有不同抗性背景的品种，以系统评估寄主遗传变异如何影响可见病原结构的发生、形态和空间组织。此外，本研究未对侵染阶段、病害严重度、病原小种/生理小种以及环境变异进行实验标准化，因为数据集是从温室生产条件下自然发生的病害发展过程中收集的，而非来自旨在隔离单一生物学因子的受控接种实验。这些因素可能影响病原发育和可见产孢结构的发生。因此，尽管所提出的框架提供了对丰度组成、形态和空间组织的可重复测量，但观察到的模式不应被解释为病原身份单独决定这些特征的直接证据。未来基于定义明确的病原小种、侵染阶段和环境条件的受控接种实验，将有助于解耦各单一生物学因子对所观察结构表型的贡献。

此外，本研究中的病原身份是基于诊断性显微形态而非分子确证进行鉴定的。尽管观察到的形态特征与*Pseudoperonospora cubensis*和*Podosphaera xanthii*此前描述一致[26][27]，但未进行分子鉴定。因此，病原身份应被解释为基于形态的归类，而非物种水平的确定性鉴定。相应地，本文报道的定量表型主要在霜霉病菌系和粉霉病菌系层面进行解读，未从现有数据中得出物种特异性的生物学结论。在解读两个病原菌系之间观察到的差异时应考虑这一局限性，因为物种水平的生物学差异无法完全与病原身份及其他未控制的生物学因子的潜在效应区分开来。未来将显微表型分析与分子鉴定、基因组表征或病原群体分析相结合的研究，将为定量结构模式与病原特异性生物学变异之间的联系提供更强的证据。

此外，空间点模式分析应在考虑解剖学相连的病原结构间潜在空间依赖性的前提下进行解读。在本研究中，Ripley's L分析是基于从二维显微图像中提取的实例级标注质心进行的。尽管这些标注实例提供了对可见病原结构的定量描述，但某些实例可能代表同一病原发育系统内相连的组成部分，而非完全独立的生物学单元。例如，在霜霉病中，无分支产孢柄/主轴区域、分叉产孢柄区域和附着孢囊在观察阶段可能仍保持物理连接。因此，其质心间部分空间邻近性可能受基础形态结构约束。因此，观察到的偏离完全空间随机性的结果应被解释为在当前采样和标注方案下所标注可见结构的空间组织，而非独立繁殖单元间聚集的直接证据。未来结合三维重建、时序显微成像和结构级追踪的研究，可进一步区分由形态连通性造成的空间组织与独立生物学单元间的空间聚集。

总体而言，本研究建立了一个基于图像的定量框架，从丰度、形态和空间组织等多个维度表征可见病原结构。未来整合受控生物学实验、分子方法和先进成像技术，将有助于更深入地理解病原发育、结构组织和寄主-病原互作背后的生物学过程。

**5. 结论**

本研究开发了一个基于MABS-RF-DETR的框架，用于黄瓜霜霉病菌和粉霉病菌可见产孢相关结构的多维定量表征。通过整合形态感知细节适配器和边界感知监督，所提出的模型实现了对待小尺寸、细长形态、复杂分支、边界模糊及相邻实例间粘连的病原结构进行精确的实例分割。基于预测的实例掩码，建立了涵盖丰度、二维形态和空间描述子的定量表征系统，并针对人工标注进一步评估了这些下游测量的可靠性。以植株作为独立生物学重复，植株水平的统计分析揭示了两个病原菌系可见产孢相关结构之间在丰度组成和形态特征上的显著差异。Ripley's L空间点模式分析进一步表明，在当前采样和标注方案下，两个病原菌系中所标注可见结构均表现出显著的非随机空间组织。这些结果为显微图像中观察到的结构组织提供了定量测量，并突出了基于图像的表型分析在表征多样病原结构方面的潜力。总体而言，所提出的框架将显微病原图像分析从识别和计数拓展至多维定量表型分析，并为各病原菌系内可见结构的标准化作征提供了一种实用方法。该框架在不将不同病原结构视为直接等价的生物学单元的前提下，实现了在各病原菌系内进行定量分析的同时保持了统一的计算方法论。

本研究的多方面内容也为进一步调查提供了方向。当前分析聚焦于源于二维显微观测的定量形态和空间特征，为表征与黄瓜霜霉病菌和粉霉病菌相关的可见结构模式提供了基础。未来研究可通过纳入时序显微成像和三维重建，将该框架拓展至更动态和更机制性的分析，追踪可见产孢相关结构在病害发展过程中的形成、生长、空间重组和扩散。此外，扩展至不同黄瓜品种、病原菌株、侵染阶段和环境条件的观察，将有助于更全面地表征病原结构表型及其对寄主和环境变异的响应。受控环境实验、寄主生理测量和多组学方法可进一步与定量成像相结合，以研究观察到的形态和空间模式背后的生物学过程，包括病原发育、产孢、扩散和寄主-病原互作。此类跨学科分析将有助于从定量表型表征迈向对病原侵染和发育机制的更深入理解。

**CRediT作者贡献声明**

Zonghuan Han：原创性撰写、验证、方法论、调查、形式化分析、概念化。Yuanze Qin：软件、数据整理。Yibin Li：数据整理。Yiding Zhang：撰写-审阅与编辑、指导、项目管理、方法论、经费获取、概念化。Lingxian Zhang：撰写-审阅与编辑、指导、项目管理、方法论、经费获取、概念化。

Zonghuan Han | Yuanze Qin | Yibin Li | Yiding Zhang | Lingxian Zhang

中国农业大学信息与控制工程学院，北京，100083，中国