I ricercatori di RIKEN presso l'impianto di radiazione di sincrotrone giapponese, SPring-8, e i loro collaboratori hanno sviluppato un modo più rapido e semplice per eseguire l'analisi della segmentazione, un processo vitale nella scienza dei materiali. Il nuovo metodo è stato pubblicato sulla rivista Science and Technology of Advanced Materials:Methods .
L'analisi della segmentazione viene utilizzata per comprendere la composizione su scala fine di un materiale. Identifica regioni distinte (o "segmenti") con composizioni, caratteristiche strutturali o proprietà specifiche. Ciò aiuta a valutare l'idoneità di un materiale per funzioni specifiche, nonché le sue possibili limitazioni. Può essere utilizzato anche per il controllo di qualità nella fabbricazione dei materiali e per identificare i punti deboli durante l'analisi dei materiali che non hanno funzionato.
L'analisi della segmentazione è molto importante per la tomografia computerizzata a raggi X con radiazione di sincrotrone (SR-CT), che è simile alla scansione TC medica convenzionale ma utilizza intensi raggi X focalizzati prodotti da elettroni che circolano in un anello di accumulazione quasi alla velocità della luce. /P>
Il team ha dimostrato che l'apprendimento automatico è in grado di condurre l'analisi di segmentazione per la TC a contrasto di rifrazione, che è particolarmente utile per visualizzare la struttura tridimensionale in campioni con piccole differenze di densità tra le regioni di interesse, come le resine epossidiche.
"Fino ad ora, non è stato riportato alcun metodo generale di analisi della segmentazione per la TC con contrasto e rifrazione della radiazione di sincrotrone", afferma il primo autore Satoru Hamamoto. "In genere i ricercatori hanno dovuto eseguire analisi di segmentazione per tentativi ed errori, il che ha reso difficile il compito a coloro che non sono esperti."
La soluzione del team è stata quella di utilizzare metodi di apprendimento automatico consolidati in campi biomedici in combinazione con una tecnica di apprendimento di trasferimento per adattarsi con precisione all'analisi di segmentazione degli SR-CT. Basandosi sul modello di machine learning esistente, la quantità di dati di addestramento necessari per ottenere risultati è stata notevolmente ridotta.
"Abbiamo dimostrato che un'analisi di segmentazione rapida e accurata è possibile utilizzando metodi di apprendimento automatico, a un costo computazionale ragionevole e in un modo che dovrebbe consentire ai non esperti di raggiungere livelli di precisione simili a quelli degli esperti", afferma Takaki Hatsui, che ha guidato il gruppo di ricerca.
I ricercatori hanno effettuato un’analisi di prova in cui sono riusciti a rilevare le regioni create dall’acqua all’interno di una resina epossidica. Il loro successo suggerisce che la tecnica sarà utile per analizzare un'ampia gamma di materiali.
Per rendere questo metodo di analisi disponibile nel modo più ampio e rapido possibile, il team prevede di istituire l'analisi di segmentazione come servizio offerto ai ricercatori esterni dal data center SPring-8, che ha recentemente iniziato a funzionare.
Ulteriori informazioni: Satoru Hamamoto et al, Dimostrazione di un efficiente apprendimento di trasferimento nel problema di segmentazione nei dati CT a raggi X con radiazione di sincrotrone per resina epossidica, Scienza e tecnologia dei materiali avanzati:metodi (2023). DOI:10.1080/27660400.2023.2270529
Fornito dall'Istituto Nazionale per la Scienza dei Materiali
