Onderzoekers van RIKEN van de Japanse synchrotronstralingsfaciliteit SPring-8 en hun medewerkers hebben een snellere en eenvoudigere manier ontwikkeld om segmentatieanalyses uit te voeren, een essentieel proces in de materiaalkunde. De nieuwe methode is gepubliceerd in het tijdschrift Science and Technology of Advanced Materials:Methods .

Segmentatieanalyse wordt gebruikt om de fijnschalige samenstelling van een materiaal te begrijpen. Het identificeert verschillende regio's (of 'segmenten') met specifieke composities, structurele kenmerken of eigenschappen. Dit helpt bij het evalueren van de geschiktheid van een materiaal voor specifieke functies, evenals de mogelijke beperkingen ervan. Het kan ook worden gebruikt voor kwaliteitscontrole bij de materiaalproductie en voor het identificeren van zwakke punten bij het analyseren van materialen die zijn mislukt.

Segmentatieanalyse is erg belangrijk voor röntgencomputertomografie (SR-CT) met synchrotronstraling, die vergelijkbaar is met conventionele medische CT-scans, maar gebruik maakt van intens gefocuste röntgenstralen die worden geproduceerd door elektronen die met bijna de snelheid van het licht in een opslagring circuleren. /P>

Het team heeft aangetoond dat machine learning in staat is om de segmentatieanalyse uit te voeren voor het brekingscontrast CT, wat vooral nuttig is voor het visualiseren van de driedimensionale structuur in monsters met kleine dichtheidsverschillen tussen interessante gebieden, zoals epoxyharsen.

"Tot nu toe is er geen algemene segmentatieanalysemethode voor synchrotronstralingsbrekingscontrast CT gerapporteerd", zegt eerste auteur Satoru Hamamoto. "Onderzoekers moesten segmentatieanalyses over het algemeen met vallen en opstaan ​​uitvoeren, wat het moeilijk maakte voor degenen die geen experts zijn."

De oplossing van het team was om machine learning-methoden uit de biomedische sector te gebruiken in combinatie met een transfer learning-techniek om zich nauwkeurig aan te passen aan de segmentatieanalyse van SR-CT's. Door voort te bouwen op het bestaande machine learning-model is de hoeveelheid trainingsgegevens die nodig zijn om resultaten te behalen aanzienlijk verminderd.

"We hebben aangetoond dat snelle en nauwkeurige segmentatieanalyse mogelijk is met behulp van machine learning-methoden, tegen redelijke rekenkosten, en op een manier die niet-experts in staat zou moeten stellen een nauwkeurigheidsniveau te bereiken dat vergelijkbaar is met experts", zegt Takaki Hatsui, die leiding gaf aan de onderzoeksgroep.

De onderzoekers voerden een proof-of-concept-analyse uit waarbij ze met succes gebieden ontdekten die door water in een epoxyhars waren gecreëerd. Hun succes suggereert dat de techniek nuttig zal zijn voor het analyseren van een breed scala aan materialen.

Om deze analysemethode zo breed en snel mogelijk beschikbaar te maken, is het team van plan segmentatieanalyse in te voeren als een dienst die aan externe onderzoekers wordt aangeboden door het SPring-8 datacenter, dat onlangs in gebruik is genomen.

Meer informatie: Satoru Hamamoto et al, Demonstratie van efficiënt overdrachtsleren bij segmentatieproblemen bij synchrotronstraling Röntgen-CT-gegevens voor epoxyhars, Wetenschap en technologie van geavanceerde materialen:methoden (2023). DOI:10.1080/27660400.2023.2270529

Aangeboden door het Nationaal Instituut voor Materiaalwetenschappen