用于透射电子显微镜图像中纳米线形貌分析的半监督机器学习模型

在材料科学领域，显微镜是首要且通常唯一可获取的结构表征方法。人们对开发能够自动分析和解释显微镜图像的机器学习方法日益关注。通常机器学习模型的训练需要大量带有相应结构标签的图像，然而，人工标注图像需要领域知识，且容易出现人为错误和主观性。为克服这些局限，我们提出了一种半监督迁移学习方法，其使用少量带标签的显微镜图像进行训练，并与在显著更大图像数据集上训练的方法同样有效。具体而言，我们使用自监督学习方法以无标签图像训练一个图像编码器，并将该编码器用于不同下游图像任务（分类与分割）的迁移学习，仅使用最少数量的带标签图像进行训练。我们测试了两种自监督学习方法 SimCLR 和 Barlow-Twins 在透射电子显微镜（TEM）图像上的迁移学习能力。我们详细展示了该机器学习工作流程应用于蛋白质纳米线 TEM 图像时，如何实现纳米线形貌（如单根纳米线、纳米线束、相分离）的自动分类，以及可用作纳米线域尺寸量化和形状分析基础的分割任务。我们还将该机器学习工作流程的应用扩展到纳米颗粒形貌分类及 TEM 图像中不同种类病毒的识别。