Forskare från RIKEN vid Japans synkrotronstrålningsanläggning SPring-8 och deras medarbetare har utvecklat ett snabbare och enklare sätt att utföra segmenteringsanalys, en viktig process inom materialvetenskap. Den nya metoden publicerades i tidskriften Science and Technology of Advanced Materials:Methods .

Segmenteringsanalys används för att förstå den finskaliga sammansättningen av ett material. Den identifierar distinkta regioner (eller "segment") med specifika sammansättningar, strukturella egenskaper eller egenskaper. Detta hjälper till att utvärdera ett materials lämplighet för specifika funktioner, såväl som dess möjliga begränsningar. Den kan också användas för kvalitetskontroll vid materialtillverkning och för att identifiera svagheter vid analys av material som har misslyckats.

Segmentationsanalys är mycket viktig för synkrotronstrålning röntgentomografi (SR-CT), som liknar konventionell medicinsk CT-skanning men använder intensivt fokuserade röntgenstrålar producerade av elektroner som cirkulerar i en lagringsring med nästan ljusets hastighet.

Teamet har visat att maskininlärning är kapabel att utföra segmenteringsanalysen för refraktionskontrast-CT, vilket är särskilt användbart för att visualisera den tredimensionella strukturen i prover med små densitetsskillnader mellan områden av intresse, såsom epoxihartser.

"Hittills har ingen generell segmenteringsanalysmetod för synkrotronstrålningsrefraktionskontrast-CT rapporterats", säger första författaren Satoru Hamamoto. "Forskare har i allmänhet varit tvungna att göra segmenteringsanalyser genom försök och misstag, vilket har gjort det svårt för dem som inte är experter."

Teamets lösning var att använda maskininlärningsmetoder etablerade inom biomedicinska områden i kombination med en överföringsinlärningsteknik för att finjustera till segmenteringsanalysen av SR-CT. Att bygga vidare på den befintliga maskininlärningsmodellen minskade avsevärt mängden träningsdata som behövs för att få resultat.

"Vi har visat att snabb och exakt segmenteringsanalys är möjlig med hjälp av maskininlärningsmetoder, till en rimlig beräkningskostnad, och på ett sätt som borde tillåta icke-experter att uppnå nivåer av noggrannhet som liknar experter", säger Takaki Hatsui, som ledde forskargruppen.

Forskarna genomförde en proof-of-concept-analys där de framgångsrikt upptäckte regioner skapade av vatten i ett epoxiharts. Deras framgång tyder på att tekniken kommer att vara användbar för att analysera ett brett utbud av material.

För att göra denna analysmetod tillgänglig så brett och snabbt som möjligt planerar teamet att etablera segmenteringsanalys som en tjänst som erbjuds externa forskare av SPring-8 datacenter, som nyligen har startat sin verksamhet.

Mer information: Satoru Hamamoto et al, Demonstration av effektiv överföringsinlärning i segmenteringsproblem i synkrotronstrålningsröntgen-CT-data för epoxiharts, Science and Technology of Advanced Materials:Methods (2023). DOI:10.1080/27660400.2023.2270529

Tillhandahålls av National Institute for Materials Science