鱼类形态表型是人工育种、功能基因定位以及水产养殖和生态学中基于种群的研究的重要资源。为了避免传统表型形态测量方法带来的损伤鱼体、依赖经验、主观意识等，因此开发了一种高效、准确且可定制的工具 —3DPhenoFish 软件。在无损鱼儿的状态下进行鱼类表型测量数据采集，此软件可用于鱼类形态表型研究，包括功能基因定位、人工选择和保护研究。
材料和方法：
3DPhenoFish从3D点云数据中提取鱼的形态表型。以下几点描述了以3Dphenofish集成的主要数据分析管道步骤：
1. 数据采集：此步骤使用工业3D扫描仪来获取OBJ或PCD文件作为3Dphenofish的输入。
2. 数据预处理：此步骤删除背景和离群值。
3. 语义分割：这一步处理鱼头、鱼身和鱼鳍的分割。
4. 形态表型提取：此步骤识别关键点并提取形态表型。
5. 表型管理：此步骤涉及定义自定义表型和关键点，然后将其存储在数据库中。
图1 3DPhenoFish 中用于点云分析和形态表型提取的工作流程方案(整个流程包括数据采集、数据预处理、语义分割、表型提取和数据管理。)
数据预处理：
点云过滤是3D点云预处理的第一步，影响后续的语义分割和形态表型提取。此步骤涉及点云下采样、平面背景去除和异常值消除（图 2）。
图2 鱼的点云过滤过程包括点云下采样（A）、背景过滤（B）、异常值过滤（C）和最终鱼点云（D）。
经过背景和噪声点过滤后，目标鱼的点云坐标被归一化。归一化坐标定义如下：鱼点云的几何中心为坐标原点； X轴、Y轴、Z轴符合右手定则，分别与体长、体高、体宽方向一致。
图3 鱼点云坐标归一化过程包括两个步骤：将鱼头点云从正X轴（a和b）转移到负X轴（c和d），然后转移鱼背鳍点云到正 Y 轴 (d)。
语义分割：
数据预处理后，在点云中识别出鱼头。然后将模板匹配方法 (Bär et al., 2012) 应用于鱼头分割。基于鱼头分割计算得到鱼头区域曲率值最高的200个点。考虑到鱼眼的圆形，应用RANSAC将鱼的圆形部分分割为眼睛。
基于超体素区域生长的鱼鳍分割：使用基于超体素的区域生长分割方法来分离鱼鳍的点云。
图4 鱼点云的语义分割 A：使用超级体素方法的预分割点云。B：使用自适应加权区域增长分割进行鳍分割。C：从点云中分割出头、眼、体、鳍，然后用于后续的关键点识别和形态表型提取。
形态表型提取：
基于语义分割结果，根据鱼体点云上的相对位置识别鱼体上的关键点。在鱼点云上获得了 18 个关键点（图 5A）。
图 5 关键点识别和表型提取 A：根据直接在鱼点云背景平面上估计的关键点之间的距离确定的主要 2D 表型。 B：从鱼的点云构象估计的主要 3D 表型，包括弧长、表面和体积。 C：头部的 3D 表型。点云中识别的关键点包括吻点（A）、眼前点（B）、眼后点（C）、鳃外点（D）、胸鳍起点（E）、胸鳍终点鳍基(F), 腹鳍最低点 (G), 腹鳍起点 (H), 腹鳍基终点 (I), 臀鳍起点 (J), 臀鳍终点(K ), 尾柄下点 (L), 尾骨终点 (M), 尾鳍终点 (N), 尾柄上点 (O), 背鳍终点(P), 背鳍起点鳍（Q）和背缘最高点（R）。
关键点和表型定制
尽管系统默认的关键点和表型会在 3DPhenoFish 中自动识别和提取，但添加了自定义关键点和表型的功能，可获得更大的灵活性。3DPhenoFish 还可以通过在组合框中分配系统默认和用户定义的关键点名称来定义新的表型。两点之间的长度、三点之间的角度和三点之间的面积可以定义为 3DPheoFish 中的新表型。
图 6 3DPhenoFish 主界面 A：主点云图像查看器。 B：需要处理的点云列表。 C：当前点云的属性。 D：鱼点云的关键点列表。 E：鱼点云的形态表型列表。 F：操作记录列表。 G：工具栏，用于打开和保存文件，调整点云的可视化界面，自动分割鱼点云。
结果展示：
根据图 1 中的流程图，作者收集了裂腹鱼科 4 个主要属的 119 条鱼的点云并提取了形态表型。使用 GScan 获得相同鱼类样本的 3D 点云。结果，每条鱼获得的数据由约70万个顶点和140万个面组成，用于验证3D数据模型构建和形态表型自动提取的可行性。
下图为3DPhenoFish 和手动测量的形态表型的线性相关分析结果：
图7 3DPhenoFish 和手动测量的形态表型的线性相关分析
来自 Schizopygopsis younghusbandi、Oxygymnocypris Stewartii、Ptychobarbus dipogon 和 Schizothorax oconnori的样品用于分析。使用传统的 2D 形态表型 (a) 和 2D 和 3D 形态表型 (b) 对样本进行聚类。使用传统的 2D 形态表型 (c) 和 2D 和 3D 形态表型 (d) 对 S. younghusbandi 样品进行聚类。
图 8 使用线性判别分析对物种和种群的样本分类进行基于表型的聚类
Schizothoracinae 物种的头高/头长（a）和背吻距离/体长（b）和背弧宽度/尾弧宽度（c）和头体积分布/ 头长 (d) 对于 S. younghusbandi 种群。条形上方的标签表示差异显着，没有标签字母的样本表示两组之间存在显着差异（P≤0.05）。
图 9 形态表型在物种和 Schizopygopsis younghusbandi 种群之间表现出显著差异 。
结论
在本文中，提出了一种从 3D 点云数据中提取形态 2D 和3D 表型的新策略。实现了智能表型数据的提取，开发了点云预处理、语义分割、关键点识别、形态表型提取等算法。作为一种易于使用的鱼类表型分析可视化工具，3DPhenoFish 适合各种用户，不需具备编程或生物学知识。其中用于微调关键点和定义新表型的高级功能可供专家用户使用。
此次通过实验，将软件测试的结果与手动测量进行比较，3DPhenoFish 对传统形态表型表现出很高的准确性，可用于获取鱼类的 2D 和 3D 表型。同时我们证明了 2D 和3D 表型能够很好地区分物种，甚至是同一物种但来自不同种群的样本。测试中点云扫描简单快捷，减少鱼在操作过程中的压力。更重要的是，该策略不需要编程或生物学知识；因此，它可以应用于水产养殖和保护研究中的大规模鱼类表型调查。
联系客服
