基于机器学习分割与形态学细化的纤维素纳米纤维图像分析半自动化方法
生物物理
2025-09-09 v1
摘要
可靠且快速测量具有高度分支和交织结构的纤维素纳米纤维（CNF）的形态学，对质量控制、等级定义以及探究形态-性能关系至关重要。我们开发了一种图像分析框架——Cellulose Technology 中的 Fibril Analysis（FACT），其利用机器学习（ML）分割和形态学细化技术，测量来自负对比扫描电子显微镜（NegC-SEM）图像中纤维素纳米纤维（CNF）的宽度分布。NegC-SEM 成像具有高对比度和宽广的放大范围，能够捕获 CNF 的微米级和纳米级层次分支结构。我们采用两种 ML 方法 [Weka 和 U-Net] 对灰度 NegC-SEM 图像进行详细的二值分割，这对于宽度分析至关重要。随后，对二值图像应用形态学细化，以生成 CNF 纤维结构的 1 像素宽骨架。随后，利用骨架与原始纤维边缘之间的距离来计算纤维宽度。我们对 FACT 框架进行了针对理想几何图形和层次分支结构的优化与验证。FACT 能够有效地完成上述 CNF 形态学的分割、骨架化和宽度测量。FACT 的宽度结果与人工测量结果相当。人工方法仅对单个纤维进行一次测量，而 FACT 则能在整个 CNF 分支网络结构中，对每根纤维沿其 entire length 同时进行多次测量。FACT 的优势在于，复杂的分支和网络 CNF 结构无需引入任何分析师对纤维选择和测量的偏见即可进行测量。此外，一旦训练了 ML 模型，即可在 5 分钟内完成对每个图像的分析。
引用
@article{arxiv.2509.06618,
title = {Semi-automated image analysis of Cellulose Nanofibrils using Machine learning segmentation and Morphological thinning},
author = {Carlos Baez and Udita Ringania and Saad Bhamla and Robert J. Moon},
journal= {arXiv preprint arXiv:2509.06618},
year = {2025}
}