01.05.2021
Grafik: Neuronales Netz

Schematische Darstellung eines neuronalen Netzes. Die Eingabe sind EM-Aufnahmen, die Ausgabe sind verschiedene Kenngrößen der automatischen Partikelanalyse.

Quelle: BAM, Fachbereich Biophotonik

Obwohl es für einen Menschen trivial erscheinen mag, ist die genaue Erkennung einzelner Objekte vor einem uneinheitlichen, wechselnden Hintergrund für einen Computer eine Herausforderung. Bisher müssen wissenschaftliche Bilder wie z.B. Elektronenmikroskopieaufnahmen von Nanopartikeln in der Regel mühsam von Hand ausgewertet werden. Hierbei ist eine Person mehrere Stunden damit beschäftigt, die Umrisse hunderter oder sogar tausender einzelner, kleiner Objekte auf dem Bild von Hand zu markieren und zu vermessen. Dieser Prozess ist nicht nur langwierig und ermüdend, sondern hängt auch von der subjektiven Wahrnehmung der Person ab, die die Auswertung durchführt, so dass das Endergebnis verfälscht werden kann. Künstliche Neuronale Netze, eine besondere Form des maschinellen Lernens bzw. der künstlichen Intelligenz, die z.B. auch im Bereich der “Computer Vision“ für autonomes Fahren eingesetzt wird, können diese Arbeitsschritte jedoch ebenfalls relativ effizient und genau lernen und durchführen. Sobald solch ein neuronales Netz trainiert ist, kann es die Auswertung hunderter oder tausender Partikel in wenigen Minuten vollautomatisiert, unvoreingenommen, und (aus metrologischer Sicht entscheidend) reproduzierbar vornehmen. Allerdings werden für das Trainieren des Netzwerks in der Regel ebenfalls eine sehr große Anzahl an bereits ausgewerteten Bildern benötigt, die zuerst wieder von Menschen manuell erzeugt werden müssen. In dieser Publikation beschreiben wir einen Arbeitsablauf, den wir entwickelt haben, um das Training des Netzwerks und die anschließende Bildanalyse mit möglichst wenig menschlichem Zeitaufwand zu erreichen (ca. 10-15 Minuten). Zur Validierung vergleichen wir die Performance des trainierten Netzwerkes mit Daten, die Menschen auf herkömmliche, manuelle Art und Weise aus denselben Aufnahmen erhalten haben. Die hier vorgestellten Methoden sollten sich in Zukunft auch auf die automatische Analyse weiterer bildgebender Verfahren übertragen lassen.

Workflow towards automated segmentation of agglomerated, non‑spherical particles from electron microscopy images using artificial neural networks
Bastian Rühle, Julian Frederic Krumrey, Vasile-Dan Hodoroaba
erschienen in Scientific Reports, Band 11, Heft 1, Seiten 4942, 2021
BAM Fachbereich Biophotonik, Fachbereich Oberflächenanalytik und Grenzflächenchemie