透视菌丝体：计算机视觉如何揭开真菌秘密

• 研究人员创建了首个用于训练AI分析菌丝生长模式的大规模数据集，包含超过2万张高分辨率的四种真菌图像
• 该技术使得对菌丝网络的精确测量成为可能，这在工业真菌学领域为菌株选择和环境监测开辟了新途径
• 当前的AI模型在处理真菌结构的细腻边缘时遇到困难，边界检测准确率仅为28%;这是现实应用中必须解决的挑战

真菌的研究长期以来依赖于人眼和显微镜。但随着菌丝体材料和药用真菌获得商业关注，研究人员需要更快、更精确的方法来理解这些生物的生长方式。由武汉理工大学和吉林农业大学团队开发的新数据集MyceliumSeg，代表了首次系统性地教计算机观察真菌学家所见的成果。

边缘问题

训练人工智能识别菌丝体并不容易。与在照片中识别猫不同，区分精细的真菌丝状物与其生长介质需要逐像素精确度。菌丝边缘（构成真菌体体的线状结构）半透明特性，使其对传统计算机视觉算法尤为棘手。

研究团队收集了20,176张图像，捕捉包括灵芝（灵芝）和蚝菇（Pleurotus ostreatus）在内的物种的完整生命周期。他们利用带有双光照明的专用成像系统，捕捉了从最初发芽到完全培养皿定殖的生长模式。但采集图像反而更简单：注注这些图像耗费了37人日的专业劳动。

这种人工标注过程揭示了一个根本挑战：即使是受过训练的标注者，也对菌丝体边界的具体划定位置存在分歧。研究人员开发了一种“分歧量化方法”，用于识别特别难处理的样本，随后进行了合作审查。如此严格的质量控制反映了该任务本身的难度。

性能差距

当主流AI模型包括U-Net、DeepLabv3和SegFormer在MyceliumSeg上测试时，结果令人震惊。虽然这些算法整体准确率相当可观，在一般分段中超过84%，但它们在边界检测中的表现却呈现了不同的情况。最佳模型SegFormer在专门评估边缘精度时仅有28.6%的准确率。

这一边界检测间隙对实际应用非常重要。准确测量新菌丝的出现位置，使研究人员能够量化生长速率、评估菌株特性并监测对环境条件的响应。边缘检测中的小误差会在下游分析中引发显著的误差。

工业影响

其应用不仅限于学术好奇心。药用真菌的工业发酵需要对菌丝体健康的实时监测。材料科学公司开发基于菌丝体替代皮革和包装的产品，需要了解不同菌株如何响应生产条件。研究真菌病害的植物病理学家受益于感染模式的自动化分析。

MyceliumSeg 数据集为开发更复杂算法奠定了基础。19,609张未标记图像使研究人员能够探索半监督式学习方法，而精心注释的样本则为衡量进展建立了基准。研究团队已将数据和代码公开，降低了计算生物学家进入该领域的门槛。

然而，当前模型实现的28%边界准确率凸显了该技术在可靠协助真菌学家之前还需取得多大进步。通用识别与精准边缘检测之间的差距对计算机视觉界来说是一个值得挑战的挑战;该项目在蓬勃发展的真菌生物技术领域，既有基础研究也有商业应用的切实益处。