康斯坦茨/米纳斯吉拉斯，2025年2月18日 – 在材料科学领域，纳米颗粒的形态特征是决定其物理化学性质和应用潜力的关键因素。然而，传统的人工测量方法在处理电子显微镜图像中数量庞大的颗粒时，不仅耗时费力，还容易受到主观偏差的影响。分水岭算法等半自动工具虽然有所改进，但在准确分割高度重叠的复杂颗粒结构方面仍存在局限性。
近日，德国康斯坦茨大学与巴西米纳斯吉拉斯联邦大学的研究团队联合发表了一项突破性研究，为解决这一难题带来了曙光。他们创新性地利用Meta公司开发的预训练人工智能模型（Segment Anything Model，SAM），实现了纳米颗粒的自动化分割与形态分析，极大地提高了效率和精度。该研究成果以“Pre-trained artificial intelligence-aided analysis of nanoparticles using the segment anything model”为题，发表于2025年2月17日的《Scientific Reports》杂志上。
传统方法的瓶颈与SAM模型的优势
纳米颗粒的形态分析在胶体化学、材料科学和生物医学等领域至关重要。例如，哑铃形和三聚体颗粒的自组装行为和流体力学特性，都高度依赖于其子结构的尺寸、间距和空间构型。传统的分析方法，如人工标注，不仅效率低下，还容易引入主观误差。而分水岭算法等半自动工具，在识别重叠区域时往往力不从心。
研究人员指出，在分析三聚体时，分水岭算法常常因为瓣状结构投影重叠而无法区分中间瓣与相邻瓣，导致后续的几何参数计算失真。虽然近年来深度学习在图像分割领域取得了显著进展，但针对纳米颗粒的专用模型往往需要大量的标注数据进行训练，限制了其通用性。
Meta公司于2023年推出的SAM模型，通过海量通用分割任务的预训练，具备了强大的零样本（zero-shot）迁移能力，为复杂颗粒分析提供了一种全新的思路。SAM模型的核心优势在于其通用性：无需针对纳米颗粒进行微调，仅通过单次前向传播即可生成高质量的分割掩膜。
SAM模型的核心理念与优化策略
研究团队针对电子显微镜图像的特点，对SAM模型的采样点密度和稳定性阈值进行了优化，并开发了后处理算法来过滤背景噪声和非目标区域。例如，通过计算掩膜的圆形度（>0.85）和长宽比（<1.15），可以有效地排除不规则的干扰物。
对于多瓣结构，SAM模型可以独立分割各个子结构，但需要通过后处理来确定其归属关系。研究团队提出了一种基于质心距离最小化的分配策略：首先分割完整的颗粒，再识别内部的子结构，最后通过质心空间关系将子结构归类至母体。这一方法突破了传统分水岭算法需要多次调节敏感度的局限，实现了从单颗粒到多级子结构的一体化分析。
实验验证：精度与效率的双重提升
为了验证SAM模型的性能，研究团队选择了纳米球（SphPS）、哑铃形（DiPS）和三聚体（TriPS）三类模型颗粒进行实验。他们将SAM方法的分析结果与手动测量（MM）和分水岭参考方法（RM）进行了对比，结果显示：
- 纳米球（SphPS）分析： SAM模型的直径测量均值（134 nm）与手动测量（132 nm）偏差小于2%，且分布更加集中（PDI=1.0009 vs 1.0018），证明其分割一致性更优。
- 哑铃形（DiPS）颗粒： SAM模型能够准确分割双瓣结构，测得大瓣（D1）与小瓣（D2）的直径分别为180 nm和164 nm，与RM结果高度吻合（偏差小于4%），瓣间距（lD1D2）误差仅为1.6%。
- 三聚体（TriPS）挑战： SAM模型成功区分了重叠的瓣结构，测得三瓣夹角（θ）均值为146°，而RM方法因手动标注重叠导致角度偏大（154°）。此外，SAM模型还首次实现了非重叠掩膜下的质心定位，显著提升了间距测量的准确性。
与传统的手动测量方法（约10小时/图像集）相比，SAM模型实现了全自动的单图像分析，并通过非重叠掩膜技术显著减少了人为偏差。
挑战与未来展望
尽管SAM模型在纳米颗粒分析方面表现出色，但研究团队也指出了其面临的挑战：一是对极端尺寸颗粒的敏感性需要进一步优化；二是需要开发更鲁棒的分配算法来处理高密度颗粒聚集的场景。
研究人员表示，这项研究将通用分割模型SAM引入纳米颗粒表征领域，实现了复杂结构的自动化、高精度解析。其零样本迁移能力不仅降低了技术门槛，更为跨尺度材料分析（如复杂材料缺陷、生物组织）提供了新的范式。
未来，研究团队计划开发基于SAM的多组分联合分析框架，拓展其在动态自组装过程监测中的应用，并探索与物理模型的耦合仿真。
参考文献：
- Pre-trained artificial intelligence-aided analysis of nanoparticles using the segment anything model. Scientific Reports, 2025, 15(1), 1-12. https://www.nature.com/articles/s41598-025-86327-x
相关链接：
- 数据集：https://kondata.uni-konstanz.de/radar/en/dataset/EsfTYSZxEqPwiVkZ?token=JkMlsbdRVNoyALehTOiy
- 代码地址：https://github.com/brunoaugustoam/AnalysisOfNanoparticlesUsingSAM
Views: 0