La hinchazón de los materiales se revela mediante la segmentación semántica automatizada de cavidades en imágenes de microscopía electrónica

Scientific Reports volumen 13, número de artículo: 5178 (2023) Citar este artículo

848 Accesos

1 Citas

Detalles de métricas

Cuantificar con precisión el hinchamiento de las aleaciones que han sido sometidas a irradiación es esencial para comprender el rendimiento de las aleaciones en un reactor nuclear y es fundamental para el funcionamiento seguro y confiable de las instalaciones del reactor. Sin embargo, la práctica habitual es que investigadores expertos en el campo cuantifiquen manualmente los defectos inducidos por la radiación en imágenes de microscopía electrónica de aleaciones. Aquí, empleamos un enfoque de aprendizaje profundo de un extremo a otro utilizando el modelo Mask Regional Convolutional Neural Network (Mask R-CNN) para detectar y cuantificar cavidades a nanoescala en aleaciones irradiadas. Hemos reunido una base de datos de imágenes de cavidades etiquetadas que incluye 400 imágenes, > 34 k cavidades discretas y numerosas composiciones de aleaciones y condiciones de irradiación. Hemos evaluado métricas de rendimiento del modelo tanto estadísticas (precisión, recuperación y puntuaciones F1) como centradas en las propiedades de los materiales (tamaño de la cavidad, densidad e hinchazón), y hemos realizado análisis específicos de las evaluaciones de hinchazón de los materiales. Descubrimos que nuestro modelo proporciona evaluaciones del hinchamiento del material con un error absoluto medio de hinchamiento promedio (desviación estándar) basado en una validación cruzada de omisión aleatoria de un 0,30 (0,03) por ciento de hinchamiento. Este resultado demuestra que nuestro enfoque puede proporcionar con precisión métricas de hinchamiento por imagen y por condición, lo que puede proporcionar información útil sobre el diseño del material (p. ej., refinamiento de la aleación) y el impacto de las condiciones de servicio (p. ej., temperatura, dosis de irradiación) en el hinchamiento. . Finalmente, encontramos que hay casos de imágenes de prueba con métricas estadísticas deficientes, pero pequeños errores en el aumento, lo que apunta a la necesidad de ir más allá de las métricas tradicionales basadas en clasificación para evaluar modelos de detección de objetos en el contexto de aplicaciones en el dominio de materiales.

Las aleaciones metálicas utilizadas en los núcleos de los reactores nucleares y las estructuras circundantes se someten a irradiación, lo que provoca daños en el material que pueden provocar la producción de defectos extendidos, como bucles de dislocación, precipitados y cavidades (a veces llamadas huecos cuando no contienen gas o burbujas cuando no contienen gas). contienen gas) que, a su vez, tienen un impacto perjudicial sobre las propiedades mecánicas mediante endurecimiento, fragilización e hinchazón1,2,3,4,5. El crecimiento de las cavidades impulsado por el sesgo que conduce a una hinchazón sin restricciones bajo la irradiación de neutrones generalmente ocurre a través de la presencia de helio (producido a partir de la transmutación nuclear) que estabiliza las cavidades3,6. Una hinchazón significativa puede resultar en degradación y falla del material, por lo tanto, comprender la interacción de la composición de la aleación, la microestructura y las condiciones del reactor, como la temperatura de operación y la dosis de irradiación, es importante para informar la operación segura y confiable del reactor7. Los métodos de medición en masa de los componentes del reactor, como el método de Arquímedes, suelen ser los más fáciles de realizar para obtener información sobre la respuesta de hinchamiento volumétrico total de un material8. Sin embargo, los métodos de microscopía electrónica de transmisión y barrido (S/TEM) también se emplean comúnmente en evaluaciones de investigación y desarrollo de materiales para la caracterización ex situ de la microestructura de la aleación y la cuantificación del hinchamiento. Los métodos TEM tienen una ventaja sobre los métodos de medición en masa, ya que permiten obtener una respuesta de hinchamiento estricta a partir de la presencia de cavidades, eliminando las contribuciones de hinchamiento de otros factores como la fluencia, la formación de fases secundarias y la densificación de fases a alta temperatura.

El análisis TEM también se puede utilizar para identificar respuestas de hinchazón localmente, por ejemplo, como se observa durante las irradiaciones de iones o en microestructuras complejas debido a efectos microestructurales localizados sobre el helio y la energía y cinética de formación de defectos. Finalmente, el análisis TEM se puede utilizar para ayudar a comprender la respuesta a la irradiación en las primeras etapas, por ejemplo, el proceso de nucleación y crecimiento de las cavidades, que se inicia antes de que se produzca una inflamación macroscópica significativa. Por lo tanto, dicha caracterización a microescala permite una comprensión mecanística detallada, importante para el diseño de aleaciones resistentes al hinchamiento, y permite a los investigadores comprender los vínculos entre la microestructura del material, la composición y la respuesta al hinchamiento en función de variables operativas clave como la temperatura, el tipo de irradiación (p. ej., neutrón vs. . ion), tasa de dosis y dosis total9. Esta información, a su vez, es útil para fundamentar el modelado de hinchamiento de materiales en diferentes regímenes (es decir, hinchamiento de incubación, transitorio y en estado estacionario) y puede ayudar a informar los límites operativos de un material en un reactor nuclear5.

Es importante señalar que la cuantificación del hinchamiento a partir del análisis S/TEM revela el hinchamiento percibido del material, que puede diferir de su hinchamiento real, por ejemplo, debido a los efectos que surgen de las condiciones de las imágenes TEM y de las propias muestras10,11. Por ejemplo, los resultados de la simulación de cortes múltiples han mostrado un cambio dramático en el tamaño percibido de una cavidad con un aumento del subenfoque utilizando imágenes de contraste de Fresnel y la franja de imágenes utilizada como referencia de tamaño11. Esto ocurre debido al cambio de fase causado por la diferencia del potencial interno medio entre la cavidad y el cristal encapsulante12. Los cambios en la configuración del microscopio, como el voltaje de aceleración y el enfoque de la lente del objeto, así como factores materiales como la composición, alterarán el grado de cambio de fase y, por lo tanto, el contraste localizado en y cerca de una cavidad capturado por las simulaciones de cortes múltiples.

El enfoque actual para la determinación de la hinchazón mediante análisis TEM es explotar la física de la formación de contraste mediante imágenes de contraste de Fresnel en condiciones de enfoque pequeñas (< − 1 μm) y, al conocer la condición de enfoque, se puede hacer una inferencia sobre el tamaño real y por lo tanto, la hinchazón real de las características de la cavidad en los materiales. Al restringir el enfoque a un enfoque relativamente pequeño, se puede observar el contraste característico del centroide blanco y la franja oscura de las cavidades debido al cambio de fase, mientras que el grado de desplazamiento de la franja negra se mantiene lo suficientemente bajo como para que se pueda desarrollar una medición sólida del tamaño de la cavidad. . Teniendo esto en cuenta, se conoce un desplazamiento pequeño y más significativo para cavidades con diámetros inferiores a 10 nm10. Los errores que surgen de factores de imagen complejos debidos a la imagen de contraste de Fresnel se combinan con otros factores como la resolución de la imagen y la precisión humana al colocar el dispositivo de medición físico o digital. Esto se ve agravado aún más por otros factores, como la inclinación de la muestra, donde el contraste del fondo puede variar según la inclinación utilizada y los aumentos utilizados. El resultado es una cuantificación de alta calidad de la hinchazón percibida por TEM requiere una consideración detallada de los factores de imagen y material, y las correlaciones con la hinchazón real están fuertemente correlacionadas, con variaciones que se reducen al aumentar el tamaño de la cavidad (p. ej., hinchazón en el material), pero desconvolucionar la correlación requiere conocimiento. de las variaciones y las condiciones de imagen que forman la cuantificación de la hinchazón percibida y es esencial para comprender la verdadera respuesta de hinchazón de un material.

En la actualidad, la cuantificación de la hinchazón de muestras TEM generalmente se realiza considerando un puñado de imágenes TEM y contando y midiendo manualmente las cavidades individuales en cada imagen, por ejemplo, usando programas de análisis de imágenes como ImageJ13. Este enfoque generalmente trata tamaños de muestra relativamente pequeños debido a (1) la naturaleza intensiva en tiempo y recursos de la preparación de muestras TEM y (2) el etiquetado de cavidades y el análisis de conteo. Con respecto al primer tema, los avances recientes en la preparación de muestras TEM, incluidos los métodos de haz de iones enfocados (FIB) de alto rendimiento (p. ej., FIB de plasma) y el pulido instantáneo, se pueden utilizar para generar una extensa biblioteca de muestras TEM14,15. Por lo tanto, las limitaciones en la preparación de muestras se están superando rápidamente. También observamos que los instrumentos TEM modernos han experimentado un crecimiento exponencial en las tasas de adquisición de datos con el desarrollo de nuevas tecnologías de detectores, lo que ha resultado en imágenes de mayor resolución y tamaños generales de datos más grandes16,17,18,19. Por lo tanto, está claro que el etiquetado y la medición manual de las cavidades no podrán seguir el ritmo de la ampliación de los tamaños de los conjuntos de datos TEM. Por lo tanto, el segundo problema mencionado anteriormente se está convirtiendo rápidamente en el cuello de botella a la hora de ampliar las capacidades de análisis basado en imágenes. Un método automatizado que pueda analizar rápidamente grandes conjuntos de datos TEM, detectar y cuantificar automáticamente las cavidades y luego evaluar la hinchazón del material permitiría a los investigadores evaluar muchas más áreas de interés en una muestra determinada, proporcionando estadísticas más sólidas, cuantificación de los efectos de la heterogeneidad y en -evaluaciones en profundidad de las propiedades de la cavidad y el hinchamiento del material.

En la última década, los métodos de aprendizaje profundo han sido testigos de avances significativos. Han dado lugar a cambios revolucionarios en el campo de la visión por computadora. Específicamente, en el contexto de la detección de objetos, las redes neuronales convolucionales profundas (CNN) como ResNet50, ResNet101 y VGG16 se utilizan para extraer conjuntos de características subyacentes detallados de decenas de miles de imágenes en bases de datos canónicas como ImageNet20 y Common Objects in Context (CoCo). )21. Estas redes denominadas “troncales” se implementan en marcos de detección de objetos basados ​​en CNN, como los modelos Faster Regional Convolutional Neural Network22 (R-CNN) y Mask R-CNN23, que contienen redes neuronales adicionales que sugieren regiones de interés en la imagen. y clasificar y segmentar objetos individuales dentro de cada región de interés24,25. Ha habido un creciente trabajo que aplica métodos de detección de objetos a imágenes de microscopía electrónica en ciencia de materiales26, con aplicaciones que van desde la detección de diversos defectos (p. ej., dislocaciones, precipitados, defectos de puntos negros) en aleaciones metálicas irradiadas27,28,29 hasta la cuantificación de micro y nanopartículas30,31 y búsqueda de átomos individuales en imágenes STEM de alta resolución32,33. Lo más relevante para el presente trabajo es que Anderson et al. utilizaron el modelo Faster R-CNN para detectar cavidades en aleaciones X-750 basadas en Ni34. Su modelo Faster R-CNN encontró efectivamente caries, con puntuaciones F1 reportadas en el rango de 0,7 a 0,8. Debido a que el modelo Faster R-CNN no proporciona información de segmentación a nivel de píxeles, se utilizaron métodos de posprocesamiento adicionales separados del modelo de aprendizaje profundo para extraer la información del tamaño de la cavidad de los cuadros delimitadores previstos. El presente trabajo emplea el modelo Mask R-CNN para realizar un detector de cavidades de aprendizaje profundo completamente de extremo a extremo. Incluimos los datos disponibles públicamente utilizados en el trabajo de Anderson et al. del Laboratorio Nuclear Canadiense (CNL), al que nos referimos como el conjunto de datos CNL en este trabajo, y ampliar significativamente la base de datos de imágenes de cavidades previamente disponible para incluir imágenes que comprenden una mayor gama de composiciones de aleaciones y condiciones de irradiación al incluir nuevas imágenes del Laboratorio Nuclear Canadiense. Laboratorio de Examen y Materiales Orientados (NOME) de la Universidad de Michigan, al que nos referimos como el conjunto de datos NOME en este trabajo (consulte la sección "Datos y métodos" para obtener más información). La inclusión de la base de datos NOME, que amplía significativamente los datos de entrenamiento para incluir una amplia gama de materiales y condiciones de imágenes, luego permite la evaluación de CNN para realizar la automatización de la cuantificación de imágenes en un amplio dominio de características dentro de una única clase de característica (cavidades) en comparación con la trabajos anteriores que realizaron evaluaciones en un solo dominio de características. En la Fig. 1 se muestran dos ejemplos de imágenes de cada uno de los conjuntos de datos CNL y NOME. Estas imágenes particulares se eligieron porque muestran cualitativamente las grandes diferencias en los tamaños de las cavidades, las densidades y la apariencia física entre las imágenes subenfocadas y sobreenfocadas en estas bases de datos. En la Fig. 1, la "verdad fundamental" denota las anotaciones de cavidades de los expertos en el dominio utilizadas para entrenar y evaluar el rendimiento de nuestro modelo. Puede encontrar más información sobre las bases de datos de imágenes y su etiquetado en la sección "Datos y métodos". Tenga en cuenta que las imágenes de la Fig. 1 representan imágenes tomadas dentro de experimentos individuales de cavidades de imágenes, y condiciones de imágenes adicionales, como aumentar/disminuir el aumento y el enfoque de la imagen, podrían mejorar la capacidad general para visualizar cavidades durante estos experimentos, pero no se presentan ni se consideran aquí. "

Ejemplos de imágenes sin procesar (columna izquierda) con cavidades reales etiquetadas (columna central) y las predicciones del modelo Mask R-CNN correspondientes (columna derecha). (A) Imagen sobreenfocada de CNL con F1 = 0,82. (B) Imagen desenfocada CNL con F1 = 0,63. (C) Imagen sobreenfocada de NOME con F1 = 0,81. (D) Imagen desenfocada de NOME con F1 = 0,83. El ancho de las imágenes que se muestran en (A), (B), (C) y (D) es de aproximadamente 195 nm, 768 nm, 315 nm y 168 nm, respectivamente.

Hay muchas formas posibles de evaluar defectos en un modelo de aprendizaje automático de segmentación. Un nivel es cómo funciona el modelo como algoritmo de clasificación, que se puede realizar para cualquier objeto clasificado por el modelo. Un modelo típico proporciona clasificación por píxeles (dentro o fuera del defecto), defectos (encontrados o no encontrados) y tipos de defectos (para casos con múltiples tipos de defectos). Este rendimiento de clasificación generalmente se caracteriza por métricas como precisión (P), recuperación (R), exactitud y puntuaciones F1 (media armónica de precisión y recuperación). Un segundo nivel de evaluación es cómo funciona el modelo para las propiedades de los defectos, que podrían incluir propiedades básicas (p. ej., distribución de tamaño, tamaño medio, densidad, forma, posición, etc.) y evoluciones o correlaciones asociadas con esas propiedades básicas (p. ej., crecimiento). velocidad, difusividad, función de distribución de pares, etc.). Un tercer nivel de evaluación son las propiedades de los materiales, que para las aleaciones irradiadas generalmente son predicciones de hinchamiento o endurecimiento basadas en modelos físicos y propiedades de los defectos observados. Evaluaciones como las que acabamos de enumerar generalmente se pueden realizar con diferentes agrupaciones de datos, por ejemplo, para un área fija, por imagen o para un conjunto específico de imágenes. Además, dado que las evaluaciones generalmente se realizan sobre datos de prueba omitidos, esos conjuntos de datos de prueba se pueden generar mediante diferentes métodos, siendo el más común elegirlos al azar (por ejemplo, validación cruzada k veces) o eliminar grupos específicos de datos con seleccione propiedades para representar casos de uso probables para el modelo. En este trabajo, centramos la evaluación en las puntuaciones de clasificación para encontrar defectos, la distribución y densidad del tamaño de los defectos y el hinchamiento del material. Hacemos esto por imagen y promediando varias imágenes. En conjunto, estas evaluaciones exploran la precisión del modelo para la información que normalmente utiliza la comunidad sobre los efectos de la radiación.

A lo largo de este trabajo, centramos la evaluación de nuestro modelo en su capacidad para evaluar el hinchamiento del material e investigar las principales fuentes de error en el hinchamiento del material. Aquí, primero comparamos el rendimiento de los modelos Mask R-CNN entrenados y probados en diferentes subconjuntos aleatorios de nuestra base de datos de cavidades CNL + NOME completa (consulte la sección "Datos y métodos"). La evaluación con validación cruzada aleatoria forma una base de referencia sobre qué tan bien se espera que funcione el modelo en imágenes de prueba que, al menos cualitativamente, se extraen del mismo dominio que el conjunto de entrenamiento. La Figura 2 contiene un gráfico de paridad que compara los valores predichos del modelo con los reales de la hinchazón promedio del material por imagen para cinco divisiones diferentes de tren/prueba de la base de datos CNL + NOME. Estadísticas de ajuste clave del coeficiente de determinación (R2), error absoluto medio (MAE), error porcentual absoluto medio (MAPE), error cuadrático medio (RMSE) y RMSE dividido por la desviación estándar real del conjunto de datos (RMSE reducido, RMSE/σ ) están incluidos. En la Nota 1 del SI se puede encontrar un resumen de las métricas de clasificación clave y las métricas de propiedades de los materiales para cada división, junto con el promedio y la desviación estándar de las cinco divisiones. Con respecto al hinchamiento del material en la Fig. 2, en las cinco divisiones examinadas, el El MAE promedio es de 0,30 por ciento de hinchamiento con una desviación estándar de 0,03 por ciento de hinchamiento. La mejor división fue la división inicial CNL + NOME con un MAE = 0,26 por ciento de aumento, mientras que la peor división fue la división CV 1 con un MAE = 0,35 por ciento de aumento. Además de las evaluaciones del hinchamiento del material, también proporcionamos un examen detallado de las evaluaciones del modelo del tamaño promedio de la cavidad por imagen y la densidad del área de la cavidad, que se proporciona en la Figura S1 de la Nota 1 del SI. El modelo puede evaluar el promedio por imagen. tamaño de la cavidad con alta precisión, con un MAE promedio (desviación estándar) de solo 1,02 (0,14) nm, que corresponde a un valor MAPE promedio (desviación estándar) del 8,94 % (0,84 %) de error en el tamaño de la cavidad, que es un error similar. nivel que nuestro trabajo anterior28. Nuestro modelo tiene los errores más altos al evaluar la densidad de la cavidad, particularmente para imágenes con densidades de cavidad altas (> 20 × 10−4 nm−2), donde el modelo tiene un claro sesgo hacia valores más bajos. La interacción del tamaño y la densidad de la cavidad con respecto a las evaluaciones de hinchazón se analiza en la sección "Comprensión de los errores del modelo de evaluación de la hinchazón". En general, el modelo Mask R-CNN puede evaluar bien el hinchamiento del material con un error absoluto medio típico de aproximadamente 0,30 por ciento de hinchamiento, que es un error lo suficientemente pequeño como para que el modelo discierna cambios en las respuestas de hinchamiento según el diseño del material (p. ej., refinamiento de la aleación). ) y las condiciones de servicio (p. ej., temperatura, dpa) y, por lo tanto, proporciona fácilmente un medio acelerado para evaluar estos factores en flujos de trabajo de cuantificación de hinchazón basados ​​en TEM.

Gráfico de paridad del hinchamiento del material verdadero y previsto. Los diferentes símbolos corresponden a diferentes divisiones de tren/prueba de validación cruzada. Las estadísticas de ajuste en texto negro indican el promedio +/− desviación estándar en las cinco divisiones para cada métrica.

A partir de la discusión anterior, el modelo entrenado en nuestro conjunto de datos completo CNL + NOME produjo evaluaciones precisas del hinchamiento del material para imágenes de prueba omitidas aleatoriamente, lo que constituye una prueba del rendimiento del modelo en imágenes extraídas cualitativamente del mismo dominio que el conjunto de entrenamiento. Una prueba más exigente de la capacidad de nuestros modelos Mask R-CNN para evaluar la hinchazón del material implica probar el modelo en imágenes bastante distintas de las encontradas en el entrenamiento mediante el uso de validación cruzada de grupos excluidos. Si bien hay muchas formas de omitir grupos de datos motivados físicamente, aquí nos centramos en el escenario práctico de aplicar nuestra Mask R-CNN entrenada a imágenes de cavidades que pertenecen a un conjunto de datos distinto del utilizado en el entrenamiento. Para hacer esto, entrenamos un modelo únicamente con los datos de CNL, lo usamos para predecir los datos de prueba de CNL y NOME y lo comparamos con el modelo entrenado con el conjunto de datos combinado de CNL + NOME de la sección "Evaluación comparativa del rendimiento del modelo para evaluar la hinchazón del material". Del mismo modo, también entrenamos un modelo solo con los datos de NOME y lo utilizamos para predecir los datos de prueba de CNL y NOME.

La Figura 3 contiene gráficos de paridad de la evaluación del hinchamiento del material para nuestra prueba de validación cruzada del grupo de exclusión. En la Nota 2 del SI se puede encontrar un resumen detallado de las estadísticas de propiedades de los materiales (tamaño de la cavidad, densidad y valores de hinchazón) para las pruebas que se muestran en la Fig. 3. En la Fig. 3A, el modelo se entrena solo con datos CNL y se utiliza. para predecir la hinchazón en las imágenes de prueba CNL (puntos azules) y en las imágenes de prueba NOME (puntos rojos). Los puntos de prueba CNL y NOME se separan según si las imágenes de prueba corresponden a condiciones de imagen sobreenfocadas (símbolos de círculo) o subenfocadas (símbolos de triángulo), donde las diferentes condiciones invierten la modulación de contraste de las cavidades presentes en el material. En la Fig. 3A, vemos que el modelo entrenado en imágenes CNL demuestra una buena evaluación del hinchamiento del material en el conjunto de prueba de imágenes CNL con un MAE de 0,40 por ciento de hinchamiento. El modelo funciona mejor en imágenes subenfocadas en comparación con imágenes sobreenfocadas desde el punto de vista de MAE, donde los valores de MAE de hinchamiento en imágenes subenfocadas (sobreenfocadas) son 0,33 (0,53) por ciento de hinchamiento, respectivamente (consulte SI Nota 2). El rendimiento mejorado en imágenes subenfocadas probablemente se deba a que en la base de datos CNL hay más cavidades subenfocadas que sobreenfocadas. Se observó una respuesta similar en nuestro trabajo anterior utilizando Mask R-CNN para detectar bucles de dislocación en aleaciones de FeCrAl, donde nuestras curvas de aprendizaje mostraron el mejor rendimiento del modelo en los tipos de defectos presentes en mayor cantidad en los datos de entrenamiento28. En la Fig. 3A, también podemos ver que el modelo entrenado con datos CNL tiene un rendimiento deficiente en el conjunto de pruebas NOME. Si bien a primera vista el valor MAE de 0,66 por ciento de hinchamiento en el conjunto de pruebas NOME no parece mucho peor que el MAE de 0,40 por ciento de hinchamiento en el conjunto de pruebas CNL, el rango de valores de hinchamiento para los datos NOME es mucho menor, y cuanto más alto El error, en este caso, se ejemplifica mejor inspeccionando el valor MAPE de aproximadamente 215% para pruebas en NOME frente a poco menos del 20% para pruebas en CNL, así como el valor RMSE reducido que es mucho mayor (inferior) que la unidad para el conjunto de pruebas NOME (CNL).

Gráficos de paridad que evalúan el rendimiento por imagen de Mask R-CNN para predecir la hinchazón de materiales. (A) División inicial de CNL, con modelo entrenado en CNL y probado en CNL (datos azules) y entrenado en CNL y probado en NOME (datos rojos). (B) División inicial de NOME, con modelo entrenado en NOME y probado en CNL (datos azules), y entrenado en NOME y probado en NOME (datos rojos). En ambos gráficos, los puntos del círculo y del triángulo denotan imágenes sobreenfocadas y subenfocadas, respectivamente, y las estadísticas de ajuste codificadas por colores coinciden con el conjunto correspondiente de puntos del mismo color.

En la Fig. 3B, realizamos el caso de prueba en el que el modelo se entrena solo con los datos de NOME y se prueba por separado en los conjuntos de prueba CNL y NOME. El modelo entrenado y probado con datos de NOME muestra una excelente capacidad general para evaluar la hinchazón, con un MAE de solo 0,15 por ciento de hinchazón (MAPE = 37,97%). Por el contrario, el modelo funciona mal en las evaluaciones del conjunto de pruebas CNL, con grandes valores de hinchamiento MAE (MAPE) del 1,98 por ciento de hinchamiento (76,25%), respectivamente, y esencialmente sin capacidad para evaluar el hinchamiento de muestras con valores de hinchamiento verdadero superiores a aproximadamente 1,5 por ciento de hinchazón. Este resultado tiene sentido desde la perspectiva del dominio de aplicabilidad del modelo. Si bien el conjunto de datos de NOME constituye un conjunto más diverso de composiciones de aleaciones y condiciones de irradiación, el hinchamiento presente en las imágenes de NOME tiene un máximo de alrededor del 2,5 por ciento (con todas las imágenes de prueba excepto una teniendo menos del 1,5 por ciento de hinchamiento), en contraste con el grandes inflamaciones de algunas imágenes CNL de hasta casi el 7 por ciento de hinchazón.

Reiteramos que al entrenar un modelo que utiliza datos CNL y NOME (Fig. 2 y Figura S2 en SI Nota 2), el modelo proporciona una evaluación precisa del hinchamiento del material tanto en el CNL separado (MAE = 0,44 por ciento de hinchamiento) como en el Conjuntos de pruebas NOME (MAE = 0,15 por ciento de hinchazón) y en conjunto muestran un MAE de 0,26 por ciento de hinchazón. El modelo entrenado con datos CNL y NOME muestra un rendimiento prácticamente sin cambios en cada subconjunto de prueba en comparación con los modelos entrenados individualmente que se muestran en la Fig. 3 y la Figura S2, lo que indica que el modelo combinado tiene un dominio de aplicabilidad más amplio. El modelo combinado CNL + NOME muestra un rendimiento aproximadamente idéntico al predecir el aumento de imágenes sobreenfocadas (0,26 por ciento de aumento) frente a las desenfocadas (0,27 por ciento de aumento), aunque desde el punto de vista de MAPE, el modelo funciona mejor en imágenes poco enfocadas (29,03%) en comparación con imágenes sobreenfocadas. (39,13%) (ver Tabla S2 en SI Nota 2). Además de las estadísticas de propiedades de los materiales resumidas aquí, hemos recopilado las estadísticas de clasificación de las puntuaciones generales de P, R y F1 y las puntuaciones promedio de P, R y F1 por imagen para las pruebas analizadas anteriormente. Descubrimos que las conclusiones sobre el rendimiento del modelo en el contexto del hinchamiento del material generalmente persisten al considerar las puntuaciones F1 generales y promedio por imagen. Se puede encontrar una discusión adicional sobre las métricas de clasificación y una tabla de sus valores en la Nota 2 de SI. En general, nuestros resultados demuestran que es preferible simplemente entrenar un modelo con imágenes de entrenamiento de ambos conjuntos de datos, ya que el dominio del modelo se amplía sin pérdida de datos. Clasificación o rendimiento métrico de propiedades de materiales dentro de cualquier conjunto de datos único.

Aquí buscamos comprender mejor la fuente de error en las evaluaciones de hinchamiento del modelo. Con base en la ecuación para calcular el hinchamiento del material (Ec. 1, ver sección "Datos y métodos"), es intuitivo que el tamaño de la cavidad (escalamiento cúbico) tiene un impacto mayor que la densidad de la cavidad (escalamiento lineal) para determinar el hinchamiento (ver SI Nota 3 para una visualización de este hecho utilizando nuestra base de datos actual). Dados los datos detallados obtenidos del resultado del modelo Mask R-CNN, mostramos este efecto en la práctica y cuantificamos áreas potencialmente problemáticas del uso del modelo con mayor precisión. La Figura 4A muestra la relación entre el tamaño real de la cavidad por imagen y el error del modelo en la densidad de la cavidad. En la Fig. 4A, los tamaños de los puntos de datos se escalan con el error del modelo en la hinchazón. Lo que aprendemos de la Fig. 4A es que las imágenes con los errores de densidad más altos son aquellas con cavidades pequeñas, al menos en promedio. Los pequeños tamaños de los puntos con errores de alta densidad indican que estas imágenes con evaluaciones de densidad deficientes también tienen errores menores de hinchazón. Desde el punto de vista de desear un modelo que produzca evaluaciones precisas de la hinchazón, el hecho de que en ocasiones el modelo muestre evaluaciones deficientes de la densidad de la cavidad no es necesariamente preocupante, ya que las evaluaciones deficientes de la densidad coinciden con pequeños errores de hinchazón, al menos para las imágenes analizadas en nuestro estudio. base de datos actual. Vale la pena señalar que nuestro modelo es en gran medida imparcial con respecto a las predicciones del tamaño de la cavidad (consulte la Figura S1A en la Nota 1 del SI), y está sesgado para subestimar las densidades de las cavidades (consulte la Figura S1B en la Nota 1 del SI), lo que resulta esencialmente en ningún sesgo en los errores de hinchazón. (ver Fig. 2), lo cual se debe al hecho de que las cavidades pequeñas (en unidades absolutas) tienen un pequeño impacto en los valores de hinchazón y tienden a ser las cavidades que se subestiman en las predicciones de densidad. En la Fig. 4B, trazamos el error de hinchazón absoluto promedio en función del tamaño real de la cavidad por imagen, agrupado en función de rangos de tamaños de cavidad. Los tamaños de los puntos en la Fig. 4B corresponden al número de imágenes de prueba contenidas en cada contenedor de tamaño de cavidad. Las barras de error indican el error estándar en la media del error de hinchamiento absoluto promedio en cada contenedor de tamaño de cavidad. Como ejemplo, para obtener el primer punto de datos de los datos NOME agrupados de 0 a 5 nm, se promedian los tamaños de los puntos del cuadrado rojo en la Fig. 4A que están entre 0 y 5 nm en el eje y para obtener el promedio absoluto. error de hinchazón en la Fig. 4B, la barra de error es el error estándar en la media de esos mismos puntos, y el tamaño del punto en la Fig. 4B se escala con el número de puntos de datos en el contenedor de tamaño de 0 a 5 nm (tenga en cuenta esto (es por eso que los puntos más grandes tienden a tener barras de error más pequeñas). En la Fig. 4B, podemos ver que las imágenes CNL (NOME) con tamaños de cavidad promedio superiores a 10 nm (15 nm) tienen errores de hinchazón promedio más altos que el MAE general de 0,3 por ciento de hinchazón de la validación cruzada aleatoria. En conjunto, el análisis que se muestra en la Fig. 4 apunta a que las imágenes con cavidades grandes son las más susceptibles a errores de hinchazón elevados, con errores potencialmente dos veces más altos que los obtenidos con nuestra prueba de validación cruzada aleatoria. Como análisis adicional, en la Figura S4 en SI Nota 3 tenemos gráficos adicionales como el que se muestra en la Fig. 4B, excepto que trazamos el error de hinchamiento absoluto promedio en función del hinchamiento verdadero (agrupado), para los casos de todos Pruebe las imágenes juntas y divididas en subconjuntos CNL y NOME. Este análisis indica que tenemos errores de hinchazón absolutos (errores porcentuales de hinchazón) más pequeños (grandes) cuando la hinchazón real es pequeña (p. ej., error de hinchazón promedio del 0,13 % y error porcentual del 33,0 % para una hinchazón verdadera < 1 %) y mayores (menores) errores de hinchazón absolutos (errores de hinchazón porcentuales) cuando la hinchazón verdadera es grande (p. ej., error de hinchazón promedio del 0,60 % y error porcentual del 16,0 % para una hinchazón verdadera > 2 %). En general, en todas las imágenes de prueba de nuestra base de datos, nuestro modelo muestra errores de hinchazón absolutos promedio (errores de hinchazón porcentuales) de aproximadamente el 0,3 % (25 %).

(A) Relación entre el tamaño real de la cavidad por imagen y el error del modelo al evaluar la densidad de la cavidad correspondiente. Cada punto de datos representa una imagen de prueba, donde los círculos azules y los cuadrados rojos indican imágenes de prueba CNL y NOME, respectivamente. El tamaño de los puntos de datos aumenta con el error del modelo del porcentaje de aumento. (B) La tendencia del modelo predijo el error absoluto en la hinchazón del material en función del tamaño promedio real de la cavidad. Aquí, el eje x representa valores agrupados del tamaño de cavidad real (es decir, grupos de imágenes de prueba según su rango en tamaños de cavidad real del eje y del gráfico (A). Los círculos azules y los cuadrados rojos indican grupos de CNL e imágenes de prueba NOME, respectivamente. El tamaño de los puntos se escala con el número de imágenes de prueba que componen el contenedor de tamaño de cavidad promedio real. Las leyendas de tamaño indican el mínimo, el promedio y el máximo para el seguimiento de datos respectivo. Las barras de error son el estándar error en la media del error de hinchamiento absoluto.

A lo largo de este trabajo, gran parte de nuestra discusión sobre la calidad predictiva del modelo se ha centrado en evaluaciones a nivel por imagen. Sin embargo, también es importante evaluar qué tan bien el modelo predice la distribución de los tamaños de las cavidades en todas las imágenes, que es representativa de las distribuciones promedio que los investigadores normalmente podrían extraer de una serie de imágenes para un experimento o una serie de experimentos determinados. La Figura 5A muestra las distribuciones de tamaño verdaderas (en azul) y predichas por el modelo (en verde) de todas las cavidades en nuestro conjunto de imágenes de prueba. El número de caries verdaderas es 20.597 y el número de caries previstas es 18.169. El modelo reproduce correctamente la forma cualitativa de la distribución, incluido el comportamiento bimodal y el tamaño crítico de la burbuja (por ejemplo, el valle entre los dos picos en la Fig. 5A), que son indicadores clave de la física subyacente del crecimiento de la cavidad impulsado por el sesgo35. El modelo predice muy bien las métricas de distribución cuantitativa como la media, la mediana, la desviación estándar, la asimetría y la curtosis. Este resultado muestra que la distribución general del tamaño de la cavidad es lo suficientemente precisa no solo para las predicciones cuantitativas de hinchazón percibida, sino también para la comprensión cualitativa de los mecanismos físicos subyacentes e incluso las restricciones cuantitativas de los modelos de evolución de la cavidad basados ​​en la física.

Gráficos de la distribución completa del tamaño de la cavidad que muestran la distribución real del tamaño de la cavidad (azul) y la distribución del tamaño de la cavidad prevista (verde) en todas las imágenes de prueba omitidas. (A) Distribuciones de tamaños de cavidades utilizando unidades físicas de nm. (B) Distribuciones de tamaños de cavidad utilizando unidades reducidas correspondientes a la fracción del tamaño de la imagen.

En la Fig. 5A, vemos que las regiones donde el modelo subestima más los tamaños de las cavidades se encuentran en los rangos de 2,5 a 5 nm y de 10 a 15 nm. Para comprender mejor la naturaleza de estos errores, trazamos la distribución del tamaño de la cavidad en unidades de fracción del tamaño de la imagen en la Fig. 5B. Como se esperaba, la Fig. 5B ya no muestra la distribución de tamaño bimodal, porque los tamaños de las cavidades ya no tienen unidades físicas y la base de datos tiene una gran colección de aumentos. Lo que podemos ver en la Fig. 5B es esencialmente que todas las cavidades omitidas por el modelo ocurren en casos en los que la cavidad abarca aproximadamente el 3% o menos de la imagen. Creemos que la fuente de este error es doble. En primer lugar, las cavidades que abarcan sólo el 3% o menos de la imagen tienden a estar compuestas por un número limitado de píxeles, por ejemplo, aproximadamente 30 píxeles de ancho o menos, y por lo tanto son difíciles de discernir positivamente para el modelo del fondo de la imagen. En segundo lugar, hemos descubierto a partir de nuestros propios ejercicios de etiquetado de datos que es difícil, incluso para los etiquetadores humanos expertos en el dominio, discernir si características de este tamaño son en realidad cavidades o no. Creemos que esta segunda fuente de error es particularmente interesante ya que introduce una incertidumbre o un sesgo en las etiquetas de verdad del terreno que luego pueden propagarse a través del entrenamiento del modelo y las predicciones resultantes. Una mejor comprensión de la incertidumbre en las etiquetas de verdad sobre el terreno y su impacto en el rendimiento del modelo está fuera del alcance de este trabajo, pero merece un estudio adicional.

La discusión anterior se centró en correlacionar los valores promedio del tamaño de la cavidad con errores en la densidad y la hinchazón de la cavidad, y en evaluar la capacidad de nuestro modelo para predecir la distribución completa de los tamaños de la cavidad. Hemos demostrado que nuestro modelo puede reproducir bien la naturaleza bimodal de la distribución del tamaño de la cavidad percibida en unidades de tamaño real junto con métricas clave como el promedio de distribución, la mediana, la desviación estándar, etc., y proporcionar tamaños de cavidad promedio precisos por imagen. Como pieza final de análisis, examinamos dos imágenes específicas con mayor detalle para comprender mejor el impacto de toda la distribución del tamaño de la cavidad en el error de hinchazón. Estos casos particulares fueron imágenes de prueba del caso dividido inicial CNL + NOME. Examinamos dos casos extremos para este análisis: una imagen de prueba NOME subenfocada llamada “10 59 K.png” que mostró el error de hinchazón más pequeño de solo 0,004 por ciento de hinchazón, y una imagen de prueba CNL subenfocada llamada “02.jpg” que mostró el error más grande. error de hinchazón del 1,46 por ciento de hinchazón. La verdad sobre el terreno y las etiquetas de cavidad predichas por el modelo se muestran en la Fig. 6. Como primera observación, la imagen NOME con la mejor evaluación de hinchazón mostró una puntuación F1 baja de solo 0,50, mientras que la imagen CNL con la peor evaluación de hinchazón mostró una puntuación F1 alta. puntuación de 0,90. Este hallazgo apunta a la importancia de evaluar métricas centradas en las propiedades de los materiales además de, o como sustituto de, las métricas convencionales basadas en clasificación para los casos en los que el modelo se está evaluando para su uso en una aplicación de dominio de materiales específica. A continuación, las distribuciones del tamaño de las cavidades (representadas aquí como una fracción del tamaño de la imagen) que se muestran en la Fig. 6 resaltan que la mala F1 de la imagen NOME es el resultado de que al modelo le faltan muchas cavidades pequeñas que abarcan aproximadamente el 2% o menos del tamaño de la imagen. (para esta imagen en particular, esto equivale a cavidades de aproximadamente 5 nm de tamaño), mientras que para la imagen CNL faltan un puñado de cavidades grandes o se predijo que las cavidades encontradas tenían tamaños subestimados. Para la imagen NOME en la Fig. 6A, el pequeño error de hinchazón es el resultado de una ligera sobreestimación del tamaño promedio de la cavidad, impulsada principalmente por la predicción de una única cavidad grande con un tamaño de aproximadamente el 5% de la imagen, como se muestra en las contribuciones de hinchazón acumuladas se superponen con el histograma de tamaño. En la Fig. 6B, las evaluaciones deficientes de la hinchazón se deben a que al modelo le faltan las cavidades más grandes en la imagen, y la representación excesiva de las cavidades pequeñas previstas no compensa la hinchazón subestimada. En general, los ejemplos extremos presentados en la Fig. 6 muestran que, en ocasiones, nuestro modelo puede mostrar una buena evaluación de la hinchazón que es el resultado de la cancelación de errores (Fig. 6A: omite muchas cavidades pequeñas pero tiene una gran cavidad falsa positiva) y nuestro El modelo puede tener una evaluación deficiente de la hinchazón que es el resultado de una combinación de errores (Fig. 6B: predice demasiadas cavidades pequeñas y pasa por alto algunas cavidades grandes). Sin embargo, reiteramos que al evaluar las numerosas imágenes que componen nuestro conjunto de prueba completo, nuestro modelo muestra buenas evaluaciones del hinchamiento del material en promedio.

Gráficos de la distribución del histograma del tamaño de la cavidad (dado aquí como fracción del tamaño total de la imagen) y las contribuciones de hinchazón acumuladas para dos casos: (A) Imagen NOME denominada “10 59 K.png”, que es una imagen subenfocada donde el modelo predijo una baja Puntuación F1 de 0,50 y un error de hinchamiento de sólo el 0,004 por ciento de hinchamiento. (B) Imagen CNL denominada “02.jpg”, que es una imagen poco enfocada donde el modelo predijo una puntuación F1 alta de 0,90 y un gran error de hinchazón del 1,46 por ciento. Para los histogramas de cada panel, las barras azul y verde indican el número de casos de caries verdaderas y previstas en cada contenedor de tamaño, respectivamente, y las líneas discontinuas azul y verde denotan la fracción de hinchazón (normalizada al valor total de hinchazón real). se obtendría calculando el hinchamiento utilizando las respectivas distribuciones de tamaño de cavidad. El error porcentual en la hinchazón prevista para (A) y (B) corresponde al 5,4% y al 27,0%, respectivamente. El ancho de las imágenes que se muestran en (A) y (B) es de aproximadamente 377 nm y 195 nm, respectivamente.

En este trabajo, utilizamos un enfoque de aprendizaje profundo de un extremo a otro basado en el modelo Mask R-CNN para detectar y caracterizar cavidades a nanoescala en micrografías TEM de aleaciones metálicas irradiadas. Hemos reunido una base de datos de imágenes de cavidades etiquetadas que incluye 400 imágenes y > 34 k cavidades, con un dominio que abarca una variedad de composiciones de aleaciones y condiciones de irradiación. Evaluamos el rendimiento de nuestros modelos Mask R-CNN utilizando un conjunto de métricas canónicas basadas en clasificación (precisión general y por imagen, recuperación y puntuaciones F1) y métricas específicas del dominio de materiales para el tamaño de la cavidad, la densidad de la cavidad y las evaluaciones de hinchazón. . Dada la importancia de caracterizar con precisión el hinchamiento en aleaciones irradiadas para su uso como materiales en componentes de reactores nucleares, enfatizamos particularmente las evaluaciones del hinchamiento del material. Nuestro modelo proporciona evaluaciones de hinchamiento del material con un error absoluto medio de hinchamiento promedio (desviación estándar) basado en una validación cruzada aleatoria de 0,30 (0,03) por ciento de hinchamiento, lo que demuestra una buena capacidad de evaluación del hinchamiento con un error suficientemente pequeño para proporcionar información útil para nuevas aleaciones. diseño. Investigamos la fuente de nuestros errores de hinchazón con mayor detalle, con tres hallazgos de interés relacionados:

En ocasiones, el modelo puede tener evaluaciones deficientes de la densidad de las cavidades, pero estas evaluaciones de densidad deficientes siempre coincidieron (al menos para las imágenes evaluadas aquí) con pequeños errores de hinchazón, ya que las cavidades omitidas eran todas pequeñas (p. ej., cavidades que abarcan alrededor del 3% o menos de el tamaño de la imagen), lo que indica que las evaluaciones deficientes de la densidad de la cavidad no son necesariamente un signo preocupante para el rendimiento del modelo.

Las métricas canónicas basadas en clasificaciones a veces pueden ofrecer una imagen engañosa de qué tan bien puede funcionar un modelo para una aplicación específica en el dominio de materiales. Por ejemplo, analizamos dos casos extremos de imágenes de prueba con puntuaciones F1 bajas (altas) que, a su vez, terminaron mostrando errores de hinchazón muy bajos (altos), lo que indica que, al igual que en el punto (1) anterior, no es necesario omitir muchas cavidades. necesariamente un problema, suponiendo que sean pequeños.

Directamente relacionado con los puntos anteriores, dado que el hinchamiento escala con el cubo de tamaños de cavidades, es fundamental capturar con precisión los tamaños de las cavidades grandes. Si bien esto es obvio a partir de la inspección de la Ec. 1, mostramos cómo este efecto puede manifestarse en la práctica, donde incluso las imágenes de prueba con pequeños errores promedio en el tamaño de la cavidad pueden mostrar errores de hinchazón mayores de lo deseado, donde en algunos casos errores en la distribución completa del tamaño de la cavidad, al menos en lo que se refiere para evaluar con precisión la hinchazón, son principalmente el resultado de errores en el tamaño de las cavidades de aproximadamente 15 nm o más.

Teniendo en cuenta los hallazgos clave enumerados anteriormente, para obtener los resultados del modelo más confiables, recomendamos a los usuarios potenciales que evalúen nuestro modelo en nuevas imágenes TEM obtenidas en condiciones de subenfoque, y para las cuales las cavidades se toman imágenes con un aumento tal que abarquen al menos 3 % del ancho o alto de la imagen, para maximizar la probabilidad de que sean detectados y cuantificados correctamente. Aunque los resultados actuales son muy prometedores, la incapacidad de evaluar de manera confiable nuevos tipos de datos de cavidades, los errores en la detección de cavidades pequeñas y los errores de hinchazón introducidos para algunas cavidades grandes siguen siendo motivo de preocupación. Algunos o todos estos problemas pueden superarse con más datos y una verificación cruzada más cuidadosa de las etiquetas de verdad sobre el terreno. Por ejemplo, se está realizando un trabajo actual para cuantificar y mitigar el sesgo humano en el etiquetado de verdad sobre el terreno, donde el problema de que al modelo ML le faltan cavidades pequeñas es, al menos en parte, una consecuencia de un etiquetado de verdad sobre el terreno inconsistente de estas pequeñas cavidades y puede ser potencialmente se reduce al agregar los resultados de las etiquetas obtenidas de un gran número de etiquetadores. Sin embargo, obtener y anotar nuevas imágenes TEM de muestras irradiadas requiere mucho tiempo, especialmente si también es necesario realizar experimentos de irradiación antes de obtener imágenes. Creemos que un área potencialmente fructífera de investigación futura es incluir datos de entrenamiento sintéticos, que pueden aumentar las bases de datos experimentales existentes para expandir el dominio de entrenamiento del modelo para incluir diferentes distribuciones de tamaño, condiciones de enfoque y de imagen, y niveles de ruido para mejorar el entrenamiento del modelo. Una vía para crear datos sintéticos es utilizar modelos generativos como las Redes Generativas Adversarias (GAN). Sin embargo, la principal desventaja del uso de GAN es que dependen de un conjunto inicial de imágenes de entrenamiento de cavidades. Un método diferente que no se basa en una semilla inicial de datos de entrenamiento es una simulación de cavidades basada en la física. Nuestro trabajo inicial en este espacio combinó cavidades simuladas en imágenes experimentales que contienen cavidades reales para mejorar el entrenamiento del modelo de detección de objetos36, y se está trabajando para abordar los desafíos de cómo integrar mejor las cavidades sintéticas con imágenes TEM de fondo y evaluar integralmente el rendimiento del modelo de detección de objetos con la adición de datos de cavidades sintéticas.

Para fomentar futuros estudios de detección y cuantificación de objetos en este espacio, hemos puesto a disposición del público nuestra base de datos completa de imágenes y sus anotaciones de verdad sobre el terreno asociadas (consulte la sección “Disponibilidad de datos y códigos”). Además, proporcionamos un cuaderno de Python diseñado para ejecutarse en los recursos de GPU gratuitos proporcionados en Google Colab, para proporcionar fácilmente inferencias y análisis básicos de la hinchazón del material en imágenes de prueba proporcionadas por el usuario. Finalmente, nuestro modelo también está alojado en DLHub37, que forma parte de Foundry para datos, modelos y ciencia38. Esta infraestructura permite la inferencia sobre nuevas imágenes utilizando solo dos líneas de código Python. También hemos incluido un cuaderno que se puede utilizar para llamar a nuestro modelo desde Foundry (consulte la sección Disponibilidad de datos y códigos). El modelo Mask R-CNN utilizado para esta herramienta se entrenó en la base de datos completa CNL + NOME de 400 imágenes para crear el modelo actual más preciso para detectar caries en nuevas imágenes. Al proporcionar una nueva imagen de prueba, el cuaderno guarda la imagen con las segmentaciones de cavidades especificadas por el modelo superpuestas, junto con una hoja de cálculo que contiene el cuadro delimitador, la segmentación y el tamaño calculado de cada cavidad en la imagen, junto con la densidad y la hinchazón de la cavidad calculadas. Esperamos que herramientas como estas ayuden tanto a los investigadores como a los nuevos usuarios en el corto plazo al crear una barrera reducida para el uso de herramientas de detección de objetos. A largo plazo, esperamos facilitar la generación de una base comunitaria más amplia de datos de imágenes estandarizados (experimentales y sintéticos) y modelos de detección de objetos asociados con el objetivo de crear modelos de última generación capaces de detectar cavidades con precisión y cuantificar. Propiedades vitales de los materiales, como el hinchamiento, para una variedad de composiciones de aleaciones, dosis de irradiación y condiciones de imagen.

En este trabajo, se utilizaron dos conjuntos de datos para entrenar y probar el rendimiento de nuestro modelo de detección de objetos Mask R-CNN. Ambos conjuntos de datos consisten en imágenes TEM de aleaciones metálicas irradiadas. Los objetos de interés para la detección y cuantificación son las cavidades, que generalmente aparecen como formas esféricas y facetadas en la microestructura con un contraste consistente con una región desprovista de material de matriz. Ambos conjuntos de datos consisten en imágenes de caries subenfocadas y demasiado enfocadas. Cuando la imagen está demasiado enfocada, la cavidad aparece como un disco rodeado por un anillo brillante, mientras que cuando la imagen está subenfocada, la cavidad aparece como un disco rodeado por un anillo oscuro. En general, las etiquetas de verdad fundamental de ambos conjuntos de datos incluyen tanto el disco como el contraste marginal de las cavidades en las cavidades sobreenfocadas y subenfocadas, respectivamente. En el caso de un dimensionamiento preciso, se pretende aplicar un mayor refinamiento utilizando algoritmos de posanálisis, como el esquema de identificación de picos de contraste, para dimensionar con precisión las cavidades basándose en el contraste marginal como se recomienda11,39, pero dicho esfuerzo no estaba dentro de los límites. alcance de la recopilación y generación de datos. El resultado es que la base de datos y la información sobre el tamaño permiten una hinchazón relativa o percibida precisa mediante la determinación del tamaño localizado de la cavidad, pero hay algún error inherente en el tamaño presentado y en los datos de hinchazón posteriores y, por lo tanto, se adopta la terminología de hinchazón percibida. Tenga en cuenta que las comparaciones entre la verdad fundamental y el tamaño del etiquetado del modelado siguen siendo precisas en términos relativos, ya que el modelo predice el tamaño de la misma manera que la base de datos desarrollada por humanos. Vale la pena señalar que todas las evaluaciones del modelo ML en este trabajo incluyen instancias en la base de datos de cavidades superpuestas en la imagen que pueden contarse como una sola cavidad. En el presente trabajo, no nos esforzamos en cuantificar las estadísticas de cavidades superpuestas. Sin embargo, según nuestro conocimiento de los conjuntos de datos, los casos de cavidades superpuestas son generalmente poco comunes; estimamos que menos del 5 % del total de cavidades en la base de datos se superponen. Dados datos adicionales de instancias de cavidades superpuestas, el presente modelo puede mejorarse aún más.

El primer conjunto de datos consta de micrografías TEM de campo brillante obtenidas y etiquetadas por el Laboratorio Nuclear Canadiense (CNL), al que nos referimos como conjunto de datos CNL a lo largo de este trabajo. Las imágenes se obtuvieron de resortes espaciadores de reactores nucleares comerciales de la flota de reactores de deuterio y uranio de Canadá (CANDU)40 y consisten en imágenes sobreenfocadas y subenfocadas de cavidades en aleaciones de Ni Inconel X-750 que han sido sometidas a irradiación de neutrones. Los resortes espaciadores del reactor utilizados para obtener las imágenes CNL estuvieron en servicio durante 14 años, con una dosis de daño de 30 desplazamientos por átomo (dpa). En el trabajo de Anderson et al.34 se describen detalles adicionales de la preparación de la muestra, las imágenes TEM y la anotación de la cavidad. en SI Nota 4. Observamos aquí que en el trabajo de Anderson et al., se afirma que un total de 253 imágenes componen la base de datos, donde 230 imágenes se usaron para entrenamiento y 23 se reservaron para probar su modelo Faster R-CNN. . Sin embargo, a partir de los datos disponibles públicamente vinculados en su artículo, el conjunto de entrenamiento disponible consta de 224 imágenes y el conjunto de prueba contiene 19 imágenes (243 imágenes en total). Además, al inspeccionar las anotaciones proporcionadas para todas las imágenes, se encontró que en 5 imágenes, las anotaciones no coincidían con las cavidades presentes en la imagen. En lugar de volver a anotar estas imágenes, simplemente las eliminamos de nuestra base de datos CNL actual utilizada en este trabajo, lo que generó un total de 238 imágenes. (Tenga en cuenta que los nombres de las 5 imágenes eliminadas son: 59_01.jpg, 59_02.jpg, 59_03.jpg, 59_04.jpg, 63_01.jpg). Si bien el 68% de la base de datos CNL actual consta de imágenes subenfocadas, una gran mayoría (alrededor del 83%) de las cavidades están subenfocadas, lo que resulta en un desequilibrio de clases en el que la base de datos está significativamente sesgada hacia las cavidades subenfocadas.

El segundo conjunto de datos consta de micrografías TEM obtenidas y etiquetadas por nosotros como parte del Laboratorio de Examen y Materiales Orientados Nucleares (NOME) de la Universidad de Michigan, al que nos referimos como conjunto de datos NOME a lo largo de este trabajo. Estas imágenes se obtuvieron a través de una amplia variedad de colaboraciones y contactos profesionales dentro del campo. Consisten en imágenes tanto sobreenfocadas como subenfocadas. Las composiciones de materiales cubiertas por estas imágenes son muy variadas e incluyen muestras compuestas por aleaciones de acero CW-316, T91, HT9 y 800H. La irradiación sufrida por cada muestra también fue muy diversa e incluye tanto el daño recibido por iones ligeros y pesados ​​como el bombardeo de neutrones, con dosis totales de hasta 100 dpa. Para anotar estas imágenes, un experto en el dominio capacitó primero a un equipo de estudiantes universitarios de investigación para etiquetar imágenes practicando con varias imágenes preetiquetadas que no forman parte de la base de datos NOME. Como se mencionó anteriormente, las etiquetas de verdad fundamental incluyen los anillos exteriores brillantes y oscuros para las cavidades sobreenfocadas y subenfocadas, respectivamente. Se proporcionó retroalimentación sobre su etiquetado hasta que los resultados se aproximaron a los obtenidos por investigadores expertos. Una vez capacitado, el equipo universitario etiquetó toda la base de datos NOME. Las etiquetas de cada base de datos NOME fueron corregidas por un estudiante investigador graduado (Matthew Lynch) y verificadas por un investigador postdoctoral (Priyam Patki) para formar el conjunto final de anotaciones. Todo el etiquetado se realizó utilizando la herramienta web VGG Image Annotator (VIA)41. La base de datos NOME etiquetada comprende 162 imágenes, como se detalla en SI Nota 4. Al igual que la base de datos CNL, la base de datos NOME está significativamente sesgada hacia las cavidades subenfocadas, con aproximadamente el 75% del total de cavidades provenientes de imágenes subenfocadas. Para evaluar diferentes aspectos del modelo, se utilizaron 7 divisiones diferentes de nuestro conjunto de datos combinado CNL + NOME para entrenar y probar la capacidad de nuestros modelos Mask R-CNN para detectar y cuantificar caries, como se detalla en la Nota 4 de SI. aquí que todas las imágenes y anotaciones para los conjuntos de datos CNL y NOME se han puesto a disposición del público en Figshare (consulte la sección Disponibilidad de datos y códigos).

Utilizamos el modelo de detección de objetos Mask R-CNN para detectar y cuantificar cavidades en este trabajo, tal como se implementa en el paquete Detectron2 (backend de PyTorch). El paquete Detectron2 fue desarrollado por el equipo de Facebook AI Research (FAIR)42. Detectron2 está disponible gratuitamente y permite la implementación de muchos modelos de detección de objetos, como Faster R-CNN22, Mask R-CNN23 y Cascade R-CNN43. Estos modelos de detección de objetos han sido entrenados previamente en las bases de datos de imágenes ImageNet20 o Microsoft COCO21 (Objetos comunes en contexto), lo que permite el uso de la técnica de aprendizaje por transferencia. Cuando se utiliza el aprendizaje por transferencia, los pesos de la red troncal del modelo se congelan en los obtenidos del entrenamiento de imágenes anterior de ImageNet o Microsoft COCO, salvo una pequeña cantidad de capas terminales (2 a lo largo de este trabajo). La configuración de entrada de Mask R-CNN fue la misma que la utilizada en nuestro trabajo anterior para detectar y cuantificar bucles de dislocación y defectos de puntos negros en aleaciones de FeCrAl28, excepto que aquí ajustamos los tamaños de caja de anclaje candidatos para que sean 4, 8, 16, 32, 64, 128 y 256 píxeles para permitir que el modelo detecte mejor las cavidades pequeñas. Observamos aquí que los archivos de entrada en el paquete Detectron2 generalmente usan tamaños de cuadros de anclaje candidatos que son potencias de 2, por lo que seguimos esa práctica y también incluimos los tamaños de cuadros de anclaje pequeños de 4 y 8 píxeles en un esfuerzo por detectar mejor las cavidades pequeñas, como Algunas de las imágenes examinadas en este trabajo contienen cavidades que se encuentran en esta escala de longitud.

Este trabajo evalúa nuestro modelo utilizando métricas centradas en la clasificación y en las propiedades de los materiales. Para nuestras métricas de clasificación, nos centramos en las puntuaciones del modelo P, R y F1. Dado que solo tenemos una categoría de predicción (es decir, caries), la precisión se calcula dividiendo el número de defectos encontrados por el número de defectos previstos, y el retiro se calcula dividiendo el número de defectos encontrados por el número de defectos verdaderos. . Evaluamos las puntuaciones P, R y F1 por imagen, a partir de las cuales podemos obtener puntuaciones P, R y F1 promedio por imagen, y evaluamos las denominadas puntuaciones generales P, R y F1, que es una cálculo único utilizando el número total de cavidades verdaderas, predichas y encontradas para todo el conjunto de pruebas. Para las métricas de propiedades de los materiales, calculamos las distribuciones de tamaño de las cavidades previstas para cada imagen de prueba, pero centramos nuestra evaluación en comparar el tamaño de cavidad promedio por imagen real versus el previsto, la densidad de cavidad por imagen verdadera versus la prevista (obtenida contando el número de cavidades verdaderas y previstas en una imagen y dividiéndolas por el área de la imagen), e hinchazón por imagen verdadera versus prevista. El hinchamiento \(\frac{\Delta V}{V}\) de una imagen (expresado como porcentaje de hinchamiento) se calcula siguiendo el trabajo de Jiao et al.9:

donde A es el área de la imagen, δ es el espesor de la muestra, di es el diámetro de la cavidad y N es el número de cavidades en la imagen. Debido a la falta de datos de espesor de muestra por imagen, hemos asumido que cada imagen tiene un espesor de 100 nm. El diámetro de la cavidad se calcula como el doble de su radio, donde el radio de la cavidad se define como la raíz cuadrada del producto de las distancias mínima y máxima desde el centro de la máscara de la cavidad.

Al evaluar el rendimiento de modelos de detección de objetos como Mask R-CNN, hay dos hiperparámetros clave para elegir, a saber, el valor umbral de intersección sobre unión (IoU) y la puntuación de objetividad. El umbral de IoU determina el límite entre la verdad fundamental y los cuadros delimitadores pronosticados para determinar cuándo se puede considerar que una cavidad se encuentra en la posición correcta, y la puntuación de objetividad es una medida de la confianza del modelo de que una región predicha corresponde a una cavidad y, por lo tanto, impacta. el número total de caries previstas. El método para hacer coincidir las cavidades verdaderas y predichas basadas en IoU es el mismo que el empleado en nuestro trabajo anterior28. Proporcionamos un breve resumen de este enfoque aquí. Al evaluar una imagen, hay una lista de máscaras de defectos reales y máscaras de defectos previstas. Para decidir si se ha encontrado un defecto en la ubicación correcta, se calcula el IoU de cada defecto previsto para cada defecto real, y el defecto con la puntuación IoU más alta se considera la mejor coincidencia posible. Los valores de IoU se calculan utilizando los cuadros delimitadores obtenidos de la red de propuesta de región. Si esta puntuación de IoU calculada está por encima del umbral designado, se considera que se ha encontrado este defecto previsto. Cada defecto verdadero solo se puede encontrar una vez, por lo que si se encuentran múltiples defectos predichos que superan el umbral de IoU con un defecto verdadero en particular, el defecto predicho con la puntuación de IoU más alta se considera el defecto encontrado, y los otros defectos se entonces se considerarán falsos positivos. Los hiperparámetros se determinarán utilizando la división inicial CNL + NOME evaluando la puntuación F1 general en función del umbral de IoU y la puntuación de objetividad, y evaluando el error en la hinchazón prevista en función de la puntuación de objetividad (consulte la Figura S5 en SI Nota 5 ). Esta división de datos se eligió para la optimización de hiperparámetros, ya que contiene un subconjunto representativo y aleatorio del conjunto de datos de imágenes CNL + NOME completo examinado en este trabajo.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles en Figshare (https://doi.org/10.6084/m9.figshare.20063117). El modelo entrenado en la base de datos completa de todas las imágenes CNL y NOME, un cuaderno de Google Colab y scripts de Python asociados para hacer predicciones sobre nuevas imágenes y guardar los datos asociados también están disponibles en Figshare (https://doi.org/10.6084/m9 .figshare.20063117). Además, hemos alojado el modelo entrenado final en DLHub, que forma parte de Foundry para datos, modelos y ciencia. En el repositorio de Figshare anterior también se proporciona un cuaderno para usar el modelo alojado en Foundry. Un pequeño subconjunto de las imágenes (≈3%) se omite de la base de datos pública debido a los derechos protegidos de estas imágenes. El acceso a las imágenes omitidas y a las etiquetas correspondientes se puede obtener mediante solicitud al autor correspondiente.

Seeger, A., Diehl, J., Mader, S. & Rebstock, H. Endurecimiento y ablandamiento por trabajo de cristales metálicos cúbicos centrados en la cara. Filos. revista 2, 323–350 (1957).

Artículo ADS CAS Google Scholar

Zheng, C. y col. Respuesta de la microestructura del acero ferrítico/martensítico HT9 después de la irradiación de neutrones: efecto de la dosis. J. Nucl. Madre. 523, 421–433 (2019).

Artículo ADS CAS Google Scholar

Zhang, HK, Yao, Z., Judge, C. y Griffiths, M. Evolución microestructural del material espaciador CANDU Inconel X-750 bajo irradiación de iones in situ. J. Nucl. Madre. 443, 49–58 (2013).

Artículo ADS CAS Google Scholar

Porter, DL y Garner, FA Comportamiento de fluencia por irradiación y fragilización del acero inoxidable AISI 316 con fluencias de neutrones muy altas. J. Nucl. Madre. 159, 114-121 (1988).

Artículo ADS CAS Google Scholar

Garner, FA Conocimientos recientes sobre el hinchamiento y la fluencia de aleaciones austeníticas irradiadas. J. Nucl. Madre. 122, 459–471 (1984).

Artículo ADS CAS Google Scholar

Snoeck, E., Majimel, J., Ruault, MO y Hÿtch, MJ Caracterización del tamaño de las burbujas de helio y facetado mediante holografía electrónica. J. Aplica. Física. 100, 66 (2006).

Artículo de Google Scholar

Morgan, D. y col. Aprendizaje automático en la investigación de materiales nucleares. actual. Opinión. Materia de estado sólido. Ciencia. 26, 100975 (2022).

Artículo ADS CAS Google Scholar

Cockeram, BV, Smith, RW, Hashimoto, N. y Snead, LL La hinchazón, la microestructura y el endurecimiento del molibdeno forjado LCAC, TZM y ODS después de la irradiación de neutrones. J. Nucl. Madre. 418, 121-136 (2011).

Artículo ADS CAS Google Scholar

Jiao, Z. y col. Evolución de la microestructura de T91 irradiado en el reactor rápido BOR60. J. Nucl. Madre. 504, 122-134 (2018).

Artículo ADS CAS Google Scholar

Foreman, AJE, von Harrach, HS & Saldin, DK El contraste TEM de vacíos facetados. Filos. revista A 45, 625–645 (1981).

ADS del artículo Google Scholar

Yao, B., Edwards, DJ, Kurtz, RJ, Odette, GR y Yamamoto, T. Simulación multicorte de imágenes de microscopía electrónica de transmisión de burbujas de helio en Fe. J. Microscopía electrónica. 61, 393–400 (2012).

Artículo CAS Google Scholar

Ruhle, Microscopía electrónica de transmisión por resonancia magnética de defectos inducidos por radiación (1971). https://doi.org/10.2172/4027809.

Schneider, CA, Rasband, WS & Eliceiri, KW NIH Image to ImageJ: 25 años de análisis de imágenes. Nat. Métodos 9, 671–675 (2012).

Artículo CAS PubMed PubMed Central Google Scholar

Giannuzzi, LA, Drown, JL, Brown, SR, Irwin, RB y Stevie, FA Aplicaciones de la técnica de elevación FIB para la preparación de muestras TEM. Microscopía. Res. Tecnología. 41, 285–290 (1998).

3.0.CO;2-Q" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0029%2819980515%2941%3A4%3C285%3A%3AAID-JEMT1%3E3.0.CO%3B2-Q" aria-label="Article reference 14" data-doi="10.1002/(SICI)1097-0029(19980515)41:43.0.CO;2-Q">Artículo CAS Google Scholar

Schemer-Kohrn, A., Toloczko, MB, Zhu, Y., Wang, J. y Edwards, DJ Eliminación de daños en FIB mediante electropulido instantáneo para láminas TEM sin artefactos. Microscopía. Microanal. 25, 1606-1607 (2019).

ADS del artículo Google Scholar

Spurgeon, SR y cols. Hacia la microscopía electrónica de transmisión de próxima generación basada en datos. Nat. Madre. 20, 274–279 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Jiang, Y. et al. Pticografía electrónica de materiales 2D con resolución sub-ångström profunda. Naturaleza 559, 343–349 (2018).

Artículo ADS CAS PubMed Google Scholar

Chatterjee, D. y col. Una cámara electrónica directa ultrarrápida para 4D STEM. Microscopía. Microanal. 27, 1004–1006 (2021).

Artículo de Google Scholar

Ophus, C. Microscopía electrónica de transmisión de barrido tridimensional (4D-STEM): desde la nanodifracción de barrido hasta la pticografía y más allá. Microscopía. Microanal. 66, 563–582. https://doi.org/10.1017/S1431927619000497 (2019).

Artículo ADS CAS Google Scholar

Deng, J. y col. ImageNet: una base de datos de imágenes jerárquica a gran escala. En: Conferencia IEEE de 2009 sobre visión por computadora y reconocimiento de patrones (CVPR) (2009).

Lin, T.-Y. et al. Microsoft COCO: objetos comunes en contexto. En: Conferencia europea sobre visión por computadora (ECCV) 740–755 (2014).

Ren, S., He, K., Girshick, R. & Sun, J. R-CNN más rápido: hacia la detección de objetos en tiempo real con redes de propuesta de región. Traducción IEEE. Patrón Anal. Mach. Intel. 39, 1137-1149 (2017).

Artículo PubMed Google Scholar

Él, K., Gkioxari, G., Dollar, P. y Girshick, R. Mask R-CNN. En: Conferencia Internacional sobre Visión por Computador (ICCV) (2017).

Liu, L. y col. Aprendizaje profundo para la detección de objetos genéricos: una encuesta. En t. J. Computación. Vis. 128, 261–318 (2020).

Artículo MATEMÁTICAS Google Scholar

Zhao, ZQ, Zheng, P., Xu, ST y Wu, X. Detección de objetos con aprendizaje profundo: una revisión. Traducción IEEE. Red neuronal. Aprender. Sistema. 30, 3212–3232 (2019).

Artículo PubMed Google Scholar

Jacobs, R. Detección de objetos de aprendizaje profundo en la ciencia de materiales: estado actual y direcciones futuras. Computadora. Madre. Ciencia. 211, 111527. https://doi.org/10.1016/j.commatsci.2022.111527 (2022).

Artículo CAS Google Scholar

Roberts, G. y col. Aprendizaje profundo para la segmentación semántica de defectos en imágenes STEM avanzadas de aceros. Ciencia. Rep. 9, 66 (2019).

Artículo de Google Scholar

Jacobs, R. y col. Rendimiento y limitaciones de la segmentación semántica de aprendizaje profundo de múltiples defectos en micrografías electrónicas de transmisión. Representante celular Phys. Ciencia. 66, 100876. https://doi.org/10.1016/j.xcrp.2022.100876 (2022).

Artículo CAS Google Scholar

Shen, M. y col. Detección de múltiples defectos y análisis de imágenes de microscopía electrónica con aprendizaje profundo. Computadora. Madre. Ciencia. 199, 110576 (2021).

Artículo CAS Google Scholar

Cohn, R. y col. Segmentación de instancias para mediciones directas de satélites en polvos metálicos y caracterización microestructural automatizada a partir de datos de imágenes. JOM 73, 2159–2172 (2021).

ADS del artículo Google Scholar

Groschner, CK, Choi, C. y Scott, MC Canal de aprendizaje automático para segmentación e identificación de defectos a partir de datos de microscopía electrónica de transmisión de alta resolución. Microscopía. Microanal. 27, 549–556 (2021).

Artículo ADS CAS Google Scholar

Ziatdinov, M. et al. Aprendizaje profundo de imágenes de microscopía electrónica de transmisión de barrido resueltas atómicamente: identificación química y seguimiento de transformaciones locales. ACS Nano 11, 12742–12752 (2017).

Artículo CAS PubMed Google Scholar

Ge, M. & Xin, HL Segmentación de átomos basada en aprendizaje profundo y reducción de ruido y cuña faltante para tomografía electrónica. Microscopía. Microanal. 24, 504–505 (2018).

ADS del artículo Google Scholar

Anderson, CM, Klein, J., Rajakumar, H., Judge, CD y Béland, LK Detección automatizada de burbujas de helio en X-750 irradiado. Ultramicroscopía 217, 113068 (2020).

Artículo CAS PubMed Google Scholar

Mansur, LK & Coghlan, WA Mecanismos de interacción del helio con los efectos de la radiación en metales y aleaciones: una revisión. J. Nucl. Madre. 119, 1–25 (1983).

Artículo ADS CAS Google Scholar

Campo, KG et al. Desarrollo e implementación de detección automatizada de aprendizaje automático en experimentos de microcopia electrónica. Microscopía. Microanal. 27, 2136–2137 (2021).

Artículo de Google Scholar

Chard, R. y col. DLHub: modelo y datos al servicio de la ciencia. En: Actas: 33.º Simposio internacional de procesamiento distribuido y paralelo del IEEE de 2019, IPDPS 2019 283–292 (2019). https://doi.org/10.1109/IPDPS.2019.00038.

Chicago, U. de y Wisconsin-Madison, U. de. Entorno Informático de Materiales de Fundición. https://ai-materials-and-chemistry.gitbook.io/foundry/v/docs/ (2021).

Jenkins, ML y Kirk, MA Caracterización del daño por radiación mediante microscopía electrónica de transmisión (Taylor & Francis Group, 2000). https://doi.org/10.1201/9781420034646.

Zhang, HK, Yao, Z., Morin, G. & Griffiths, M. Caracterización TEM del material espaciador CANDU irradiado con neutrones en el reactor Inconel X-750. J. Nucl. Madre. 451, 88–96 (2014).

Artículo ADS CAS Google Scholar

Dutta, A., Gupta, A. y Zisserman, A. Anotador de imágenes VGG (VIA). https://www.robots.ox.ac.uk/~vgg/software/via/ (2020).

Wu, Y., Kirillov, A., Massa, F., Lo, W.-Y. y Girshick, R. Detectron2. https://github.com/facebookresearch/detectron2 (2019).

Cai, Z. & Vasconcelos, N. Cascade R-CNN: Profundizando en la detección de objetos de alta calidad. En: Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de patrones (CVPR) 6154–6162 (2018).

Ciudades, J. et al. XSEDE: Acelerando el descubrimiento científico. Computadora. Ciencia. Ing. 120, 4-5 (2014).

Google Académico

Descargar referencias

Este trabajo fue financiado por el Instituto de Investigación de Energía Eléctrica (EPRI) con el número de premio 10012138. Este trabajo utilizó el entorno de descubrimiento de ingeniería y ciencia extrema (XSEDE), que cuenta con el apoyo de la subvención número ACI-1548562 de la Fundación Nacional de Ciencias. Específicamente, utilizó el sistema Bridges-2 a través de la asignación TG-DMR090023, que cuenta con el respaldo del premio NSF número ACI-1928147, en el Pittsburgh Supercomputing Center (PSC) [52].

Departamento de Ciencia e Ingeniería de Materiales, Universidad de Wisconsin-Madison, Madison, WI, 53706, EE. UU.

Ryan Jacobs y Dane Morgan

Ingeniería Nuclear y Ciencias Radiológicas, Universidad de Michigan - Ann Arbor, Ann Arbor, MI, 48109, EE. UU.

Priyam Patki, Matthew J. Lynch, Steven Chen y Kevin G. Field

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

KGF y DM idearon y gestionaron el proyecto. RJ realizó todos los análisis, escribió la primera versión del manuscrito y lo revisó. PP, ML y SC prepararon el conjunto de datos y realizaron análisis adicionales. Todos los autores revisaron el manuscrito.

Correspondencia a Ryan Jacobs.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Jacobs, R., Patki, P., Lynch, MJ et al. La hinchazón de los materiales se revela mediante la segmentación semántica automatizada de cavidades en imágenes de microscopía electrónica. Representante científico 13, 5178 (2023). https://doi.org/10.1038/s41598-023-32454-2

Descargar cita

Recibido: 14 de noviembre de 2022

Aceptado: 28 de marzo de 2023

Publicado: 30 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-32454-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.