使用深度实例细分和基于图形的聚合物分析对水凝进行自动化微结构性表征
Hanieh Khosravi1, Konrad Mulrennan1, Ezequiel Monteagudo2
1Department of Mechtronic & Electronic Engineering, Atlantic Technological University (ATU), Ash Lane, Sligo, F91 YW50, Ireland; Precision Engineering, Materials and Manufacturing Research Center (PEM), Atlantic Technological University (ATU), Sligo, Ireland.
概括
计算机视觉自动化制药水凝分析. 像Mask2Former这样的深度学习模型可以准确地分割粒子并识别聚合物,改善质量评估和配方开发.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
- 制药科学 制药科学
背景情况:
- 制药水凝的性能依赖于微观结构特征,如颗粒大小和聚合.
- 手动显微镜评估对模糊的边界或聚合物来说是主观和具有挑战性的.
- 需要自动化分析来提高水凝表征的客观性和效率.
研究的目的:
- 使用计算机视觉自动化对水凝微图的分析.
- 应用和比较深度实例细分网络 (Mask R-CNN,Mask2Former) 用于粒子细分和聚合物识别.
- 引入新的聚合物识别方法,并推适当的性能指标.
主要方法:
- 应用Mask R-CNN和Mask2 前深度实例细分网络到水凝显微镜.
- 开发了一种粒子扩张和以图为中心的方法用于聚合物识别.
- 在水凝数据库上训练网络,并使用平均精度 (AP) 和平均回忆 (AR) 评估性能.
主要成果:
- 这两个网络均实现了高平均精度 (Mask R-CNN: 92.47%,Mask2Former: 91.86%).
- 与Mask R-CNN (72.32%) 相比,Mask2Former的平均回忆率 (76.6%) 更高.
- 提取的形态特征显示与手工测量有很强的一致性.
结论:
- 计算机视觉,特别是Mask2Former,为水凝微结构分析提供了有效的自动化解决方案.
- 平均回忆是由于注释主观性而为模型选择推的指标.
- 这种自动化工作流可以增强制药配方开发和质量控制.
