Controlling the Scanning Electron Microscope with Deep Learning for Automated Acquisition and Image Quality Improvement
Notice bibliographique
Résumé
Controlling image acquisition hardware with image processing software is the future of microscopy.The efficiency of microscopy techniques is currently limited by manual intervention and the need for microscopist supervision during acquisitions.More importantly, proper interpretation of image data requires quantitative analysis with computational methods.Automating simple and complex tasks on the scanning electron microscope (SEM) specifically, is feasible by replacing microscopist involvement with appropriate software algorithms and deep learning.Guided acquisitions on the SEM with hybrid methods is the solution to higher throughput and to generating better data, faster.In this work, computational approaches to microscopy are presented.Foremost, two workflows for automated acquisitions are described, for imaging and image processing in Dragonfly, an image processing software.First, a feedforward workflow sequentially positions the beam in a predetermined grid layout, stitches the images, segments the feature of interest and computes measurements for quantitative analysis.Second, a workflow with a feedback loop between imaging and analysis is developed to enable dynamic imaging with feature segmentation and feature tracking.Guiding the hardware to image areas of interest with smart beam positioning is an optimized solution for acquiring only relevant data and minimizing acquisition duration.Then, microscope routines, prior to acquisitions, are enhanced by integrating computational methods, focused on artificial intelligence.Microscopists spend a considerable amount of time tuning microscope parameters and aligning the beam until a desired image quality is observed.To assist with interpretation of image quality, a regression model is trained to optimize SEM v
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».