【无监督纳米粒子分割】AutoDetect-mNP: An Unsupervised Machine Learning Algorithm

论文简介：

金属纳米颗粒（mNP）的形状属性决定了其许多物理、化学和功能性质，包括等离子体行为、催化效率和生物活性。目前多数重要的研究工作集中在开发形状控制合成的方法上，一个准确和有效的表征方法对于这些研究的成功是必不可少的。

迄今为止，透射电子显微镜（TEM）仍然是表征 NP 形态的最可靠和最广泛使用的方法，其中自动化高通量电子显微镜的快速发展大大提高了 TEM 数据的采集率和质量。TEM 数据采集效率的提高，现在使 NP 形状表征的规模从几十或数百个粒子增加到多个数量级，在信息量更丰富的统计分布的级别上提取信息。来自如此规模的 TEM 数据的信息远远超过了人类分析人员的能力，因此，开发自动化的 TEM 图像分析方法势在必行。

TEM 图像自动分析的理想算法应该能够执行两个任务：粒子检测，其中包括感兴趣粒子的识别和分割，以及信息提取，这通常涉及基于长径比和其他属性等属性来表征粒子的形状。

而目前已经有各种鲁棒算法被开发出来来执行自动粒子检测。然而，许多现有的算法分析了所有检测到的粒子，而没有对其形状和形状属性进行区分或分类。这种方法可能是可接受的，以量化简单的指标，如平均粒大小。然而，同质性的假设是主观的，而且远非普遍适用的。

因为通过采用同质性的假设，可能会有其他潜在的重要信息被遗漏，包括意外的副产物的存在，或不同竞争产物的相对集群。这些产物如果没有详细的粒子形状的自动分类，可能会丢失。

迄今为止，现有的能够根据粒子的形状对粒子进行分类的算法已经采用了有监督的方法，要求用户预先定义预期的粒子类别或形状。虽然现有方法显示了他们所训练的 NP 系统的出色性能，但这些监督算法在应用于