SAM-EM：用于自动液相透射电子显微镜的实时分割
计算机视觉与模式识别
2025-11-06 v2 数据分析、统计与概率
摘要
缺乏针对噪声液相透射电子显微镜（LPTEM）视频的稳健分割框架，阻碍了可靠的粒子轨迹提取，制造了量化分析和将观察到的动力学与材料表征和设计相连接的主要障碍。为此，我们提出了基于电子显微镜的Segment Anything Model（SAM-EM），这是一种为LPTEM数据统一分割、跟踪和统计分析的数据驱动基础模型。基于Segment Anything Model 2（SAM~2）构建，SAM-EM通过对46,600个精选LPTEM合成视频帧进行完全模型微调，显著改善了掩码质量和时序身份稳定性，相较于零射ime SAM~2和现有基线方法。除了分割之外，SAM-EM集成了粒子跟踪与统计工具，包括均方位移和粒子位移分布分析，为从 nanoscale 动力学中提取和解释数据提供了一个端到端框架。关键的是，完全微调使SAM-EM在低信噪比条件下仍能保持稳健性，这类条件常由LPTEM实验中液体样品厚度增加引起。通过建立可靠的分析管道，SAM-EM将LPTEM转化为量化的单粒子跟踪平台，并加速了其在数据驱动的材料发现和设计中的集成。项目页面：https://github.com/JamaliLab/SAM-EM。
引用
@article{arxiv.2501.03153,
title = {SAM-EM: Real-Time Segmentation for Automated Liquid Phase Transmission Electron Microscopy},
author = {Alexander Wang and Max Xu and Risha Goel and Zain Shabeeb and Isabel Panicker and Vida Jamali},
journal= {arXiv preprint arXiv:2501.03153},
year = {2025}
}