راهنمای عملی برای تجزیه و تحلیل خودکار تصویر TEM برای افزایش دقت و صحت در اندازه‌گیری اندازه و مورفولوژی ذرات

چکیده

یکی از تمایلات رایج در علوم نانو، توصیف اندازه و مورفولوژی نانوذرات همانطور که از تصاویر TEM مشاهده می‌شود، است. بسیاری از اوقات، این تجزیه و تحلیل به صورت دستی انجام می‌شود، فرآیندی طولانی که مستعد خطا و ابهام در اندازه‌گیری‌ها است. در حالی که چندین گروه تحقیقاتی پیشرفت‌های بسیار خوبی را در رویکردهای یادگیری ماشینی برای پردازش خودکار تصویر TEM گزارش کرده‌اند، ابزارهایی که آنها توسعه داده‌اند اغلب به نرم‌افزارهای تخصصی یا دانش قابل توجهی از کدنویسی نیاز دارند. این وضعیت به این معنی است که اکثر محققان در حوزه علوم نانو به خوبی مجهز نیستند تا این پیشرفت‌ها را در گردش کار عادی خود بگنجانند. در این آموزش، ما نحوه استفاده از تقسیم‌بندی Weka را در برنامه رایگان و متن‌باز FIJI برای شناسایی و توصیف خودکار نانوذرات از تصاویر TEM شرح می‌دهیم. رویکردی که ما شرح می‌دهیم به معنای نادیده گرفتن نتایج عالی گروه‌هایی نیست که در خط مقدم تجزیه و تحلیل تصویر یادگیری ماشینی کار می‌کنند؛ بلکه هدف آن ارائه ابزارهای مشابه به مخاطبان گسترده‌تر با نشان دادن چگونگی انجام چنین پردازشی در رابط کاربری گرافیکی FIJI است – برنامه‌ای که قبلاً معمولاً در تحقیقات علوم نانو استفاده می‌شود. ما همچنین مزایای ناشی از پردازش خودکار تصاویر TEM، از جمله تکرارپذیری، صرفه‌جویی در زمان، توانایی پردازش تصاویر با کنتراست پایین و انواع اضافی توصیفاتی که می‌توان پس از شناسایی ذرات انجام داد را مورد بحث قرار می‌دهیم. هدف کلی ارائه ابزاری در دسترس است که امکان تجزیه و تحلیل و توصیف قوی‌تر و تکرارپذیرتر نانوذرات را فراهم می‌کند.

این نشریه دارای مجوز است

CC-BY 4.0 .

حق نشر © ۲۰۲۵ نویسندگان. منتشر شده توسط انجمن شیمی آمریکا

موضوعات

سوژه‌ها چه هستند؟

• شیمی محاسباتی
• روش‌های ریاضی
• ریخت‌شناسی
• نانوذرات
• میکروسکوپ الکترونی عبوری

کلمات کلیدی

کلمات کلیدی چیستند

• نانوذرات
• میکروسکوپ الکترونی عبوری
• فیجی
• تصویربرداری
• هوش مصنوعی
• تحلیل تصویر
• آمار
• تجسم داده‌ها

۱. مقدمه

---

یکی از ویژگی‌های بارز تحقیقات نانوذرات این است که اندازه و مورفولوژی، رفتار آنها را کنترل می‌کنند. این موضوع در حوزه‌های مختلف مطالعه و کاربرد، از جمله ساختار الکترونیکی، صادق است.

(۱-۷)جذب،

(8،9)انتشار،

(8،10)پراکندگی،

(9)کاتالیز،

(11،12)و پاکسازی در سیستم‌های بیولوژیکی.

(9،13)به همین دلیل، تعیین اندازه و مورفولوژی نانوذرات، جنبه جدایی‌ناپذیری از تحقیقات مربوط به آنهاست.اگرچه روش‌های بی‌شماری برای تعیین اندازه و مورفولوژی ذرات وجود دارد، اما در حال حاضر، تجزیه و تحلیل تصاویر میکروسکوپ الکترونی عبوری (TEM) بر این حوزه غالب است.

(14،15) شکل ۱شکل‌های A و B دو نمونه از تصاویر میکروسکوپ الکترونی عبوری (TEM) را نشان می‌دهند که ممکن است در طول تحقیقات علوم نانو به طور منطقی با آنها مواجه شویم. یکی از مزایای استفاده از تصویربرداری این است که شکل ذره – هرچند به صورت دوبعدی – نشان داده می‌شود، بنابراین اندازه و مورفولوژی آن مستقیماً قابل دسترسی هستند. با این حال، این رویکرد حداقل سه عیب در مورد اندازه‌گیری، تکرارپذیری و توان عملیاتی نیز دارد. این آموزش، بر اساس پردازش خودکار تصاویر با استفاده از تقسیم‌بندی Weka مبتنی بر یادگیری ماشین، به بررسی و ارائه راه‌حل‌هایی برای این چالش‌ها می‌پردازد.

(16،17)در برنامه متن‌باز و رایگان FIJI پیاده‌سازی شده است.

(18)

قبل از ادامه، شایسته است صریحاً اذعان کنیم که پرداختن به این مشکل، حوزه‌ای از تحقیقات فعال است. به طور خاص، بسیاری از گروه‌های تحقیقاتی در حوزه یادگیری ماشین و پردازش خودکار تصویر، نتایج بسیار خوبی را ارائه می‌دهند.

(۱۹-۲۴)راه حل پیشنهادی زیر به معنای کم‌اهمیت جلوه دادن این تلاش‌ها یا راه‌حل‌ها نیست. با این حال، ما همچنین اذعان داریم که ابزارهای پیشرفته اغلب برای استفاده به نرم‌افزارهای تخصصی یا تخصص برنامه‌نویسی قابل توجهی نیاز دارند. رویکردی که در زیر شرح داده شده است به این دلیل انتخاب شده است که در دسترس، قابل دسترس، رایگان و در نرم‌افزاری پیاده‌سازی شده است که در حال حاضر به طور گسترده توسط جامعه تحقیقاتی علوم نانو استفاده می‌شود. در حالی که ابزارهای نوظهور ممکن است کارایی، دقت یا قابلیت‌های بیشتری ارائه دهند، رویکردی که در زیر شرح می‌دهیم می‌تواند گامی مهم در جهت بهبود اثرات سه مشکل معرفی شده در بالا باشد که اکنون به بسط آنها می‌پردازیم.

۱.۱ ابهام در اندازه‌گیری

برای شروع، راهنمایی‌های کمی در مورد چگونگی اندازه‌گیری جنبه‌های مورد نظر ذرات وجود دارد.

(۲۵-۲۷)برای مثال، ذرات نشان داده شده در را در نظر بگیرید.

شکل ۱و ابهامی که حتی با «اندازه» ذرات که همه جا گزارش می‌شود، مرتبط است. آیا اندازه، طولانی‌ترین وتر در سراسر یک ذره است؟ وتر میانگین؟ وتر میانه؟ آیا مساحت، معیار بهتری برای اندازه است؟ در حالی که بسیاری از مقالات «اندازه» را گزارش می‌دهند، این کمیت برای همه ذرات به جز منظم‌ترین آنها، به خوبی تعریف نشده است. این مشکل زمانی پیچیده‌تر می‌شود که بخواهیم ویژگی‌های دیگری مانند نسبت ابعاد (که نیاز به اندازه‌گیری حداقل دو «اندازه» دارد) یا شکل (که می‌تواند نیاز به اندازه‌گیری بسیاری از «اندازه‌ها» داشته باشد) را مورد بحث قرار دهیم.

۱.۲ مسائل مربوط به تکرارپذیری

در اینجا، تکرارپذیری را به عنوان توانایی تکرار نتایج هنگام انجام همان گردش کار روی همان مواد توسط یک محقق دیگر تعریف می‌کنیم. مسئله تکرارپذیری تا حدی ناشی از ابهام در اندازه‌گیری مورد بحث در بالا است. دو دانشمند که “اندازه” ذرات را با دست اندازه‌گیری می‌کنند، تقریباً مطمئناً نتایج متفاوتی به دست خواهند آورد، که می‌تواند به راحتی ناشی از تفاوت‌های سیستماتیک بین روش‌های دانشمندان باشد. حتی تکرارپذیری (که ما آن را به عنوان توانایی یک محقق واحد برای تکرار نتایج خود تعریف می‌کنیم) یک چالش است، زیرا یک محقق واحد می‌تواند به راحتی با تجزیه و تحلیل دو بار یک تصویر، نتایج متفاوتی به دست آورد. به عنوان مثال، تغییر در خستگی ممکن است منجر به تغییرات در طول تجزیه و تحلیل شود. نادیده گرفتن ابهام در اندازه‌گیری و تغییر در توجه، می‌تواند چالش‌هایی در شناسایی ذرات مورد نظر یا مرزهای این ذرات وجود داشته باشد. در حالی که شناسایی ذرات ممکن است برای تصاویر با کنتراست بالا، مانند آنچه در … دیده می‌شود، ساده باشد.

شکل ۱ب، مواجهه با تصاویر TEM با کنتراست پایین امری عادی است (مثلاً،

شکل ۱الف) جایی که باید در مورد چیستی ذره و مرزهای این ذرات قضاوت شود. حتی زمانی که کنتراست قوی وجود دارد، شناسایی مداوم لبه‌های ذرات می‌تواند چالش برانگیز باشد.

۱.۳. توان عملیاتی بسیار پایین

ابهامات موجود در پردازش دستی تصاویر TEM ما را به مشکل نهایی که در اینجا مورد بررسی قرار می‌گیرد، می‌رساند: نیاز به قضاوت‌های مکرر در تجزیه و تحلیل یک تصویر، همراه با این واقعیت که دستیابی به داده‌های آماری معنادار نیازمند صدها اندازه‌گیری از این دست است، منجر به تنگنای شدیدی در پردازش تصویر می‌شود که به شدت توان تحقیقاتی را محدود می‌کند. یک قاعده کلی استاندارد در این زمینه این است که دستیابی به تخمین‌های آماری معنادار از خواص ذرات اغلب نیازمند اندازه‌گیری حداقل ۲۰۰ ذره است.

(28)در آزمایشگاه ما، محققان باتجربه ممکن است بتوانند اندازه این تعداد ذرات را با کنتراست خوب تعیین کنند (یعنی،

شکل ۱ب) در یک ساعت. این نشان می‌دهد که اگر کل یک هفته کاری معمولی به تجزیه و تحلیل تصاویر TEM اختصاص داده شود، حداکثر 40 نمونه را می‌توان در آن هفته توصیف کرد. با کاهش کنتراست تصویر، معرفی جنبه‌های جدید ذرات و افزایش تعداد فعالیت‌های دیگر انجام شده توسط محقق (نوشتن، ترکیب، جلسات گروهی و غیره) تعداد نمونه‌هایی که می‌توانند پردازش شوند کاهش می‌یابد. علاوه بر این، توجه داریم که انتظار می‌رود تجزیه و تحلیل ذرات با افزایش تعداد ذرات بهبود یابد. این موضوع در شکل نشان داده شده است.

شکل S9بنابراین، پیشنهاد استاندارد شمارش ۲۰۰ ذره، نتیجه‌ی مصالحه‌ای بین تمایل به تجزیه و تحلیل دقیق و زمان صرف شده برای اندازه‌گیری ذرات است. به عبارت دیگر، توان عملیاتی پایین نیز محدودیتی بر دقت تجزیه و تحلیل در یک نمونه‌ی واحد ایجاد می‌کند.

۲. یک راه حل

---

تمام ملاحظات فوق را می‌توان با پردازش خودکار تصاویر TEM توسط نرم‌افزار کامپیوتری برطرف کرد. اتوماسیون بدیهی است که مسئله‌ی توان عملیاتی را برطرف می‌کند، اما همچنین پتانسیل آن را دارد که هم به تکرارپذیری و هم به ابهامات اندازه‌گیری بپردازد. با پردازش الگوریتمی تصاویر، می‌توان نوسانات بین کاربران را کاهش داد و همچنین موقعیتی ایجاد کرد که تجزیه و تحلیل به طور مؤثر و کاملاً قابل تکرار برای یک کاربر واحد باشد. علاوه بر این، پردازش تصویر می‌تواند مرزهای ذرات را شناسایی کند، در نتیجه امکان شناسایی مداوم ذرات و وسیله‌ای برای تعریف واضح ویژگی‌هایی مانند اندازه و مورفولوژی را فراهم می‌کند.در زیر، یک رویکرد برای پردازش خودکار تصاویر TEM را نشان می‌دهیم. راهکاری که ما شرح می‌دهیم از یک افزونه رایگان برای برنامه رایگان FIJI استفاده می‌کند. بنابراین، تنها به یک رابط کاربری گرافیکی در برنامه‌ای متکی است که برای بسیاری در این زمینه آشنا است. در زیر، نشان می‌دهیم که چگونه می‌توان از این برنامه برای (1) شناسایی خودکار ذرات و (2) انجام اندازه‌گیری‌های سازگار و معنادار روی ذرات شناسایی شده استفاده کرد. سپس بررسی می‌کنیم که چگونه می‌توان نتایج این اندازه‌گیری‌ها را گزارش کرد و سپس از این گزارش‌ها برای نشان دادن مزایای این رویکرد در بین پنج محقق استفاده کنیم. امید ما این است که معرفی این ابزار، چالش‌های ذکر شده در بالا را برای بسیاری از محققان کاهش دهد و منجر به گزارش‌دهی سازگارتر و معنادارتر از اندازه و مورفولوژی نانوذرات شود.

۲.۱ چالش‌های مرتبط با آستانه‌گذاری ساده

شناسایی ذرات در تصاویر به کنتراست بین ذره و پس‌زمینه بستگی دارد.

(19،20،27)بنابراین، تمام رویکردهای خودکارسازی شناسایی ذرات به نحوی به دنبال بهره‌برداری از این تفاوت‌های کنتراست هستند. توجه داشته باشید که بحث بعدی بر روی TEM متمرکز است، که در آن ذرات معمولاً به صورت تیره در برابر پس‌زمینه روشن‌تر نمایش داده می‌شوند، اگرچه همین رویکرد کلی در مورد سایر اندازه‌گیری‌های ذرات مانند میکروسکوپ الکترونی روبشی خاکستری (معمولاً ذرات سفید در برابر پس‌زمینه تیره) یا حتی تصاویر میکروسکوپ نوری تمام رنگی نیز صادق است.ساده‌ترین رویکرد برای تشخیص ذرات از پس‌زمینه، آستانه‌گذاری است. برای آستانه‌گذاری، تصاویر TEM نشان داده شده در

شکل ۱A، B، یک مقدار خاکستری انتخاب می‌شود که بین ذرات تیره‌تر و پس‌زمینه روشن‌تر است. خاکستری‌هایی که تیره‌تر از این مقدار آستانه هستند به عنوان ذرات تعیین می‌شوند، در حالی که خاکستری‌های روشن‌تر به عنوان پس‌زمینه در نظر گرفته می‌شوند. اغلب، تصویر بر اساس این آستانه دوباره رنگ‌آمیزی می‌شود: یک طرف به رنگ سفید و یک طرف به رنگ سیاه. FIJI قابلیت‌های لازم برای انجام این کار را ارائه می‌دهد و می‌توان آموزش‌های متعددی در مورد این رویکرد پیدا کرد، اگرچه (همانطور که در ادامه بحث خواهد شد) استفاده از آستانه‌گذاری ساده را توصیه نمی‌کنیم.

شکل ۱شکل‌های C و D نتایج چنین آستانه‌گذاری اعمال‌شده بر تصاویر اصلی را نشان می‌دهند. با بررسی تصاویر حاصل، فوراً مشخص می‌شود که آستانه‌گذاری وقتی با تصویری با کنتراست بالا کار می‌کنیم، بسیار مؤثرتر است. مشخص نیست که آیا کار شناسایی ذرات برای تصویر با کنتراست پایین بهبود یافته است یا خیر – و ممکن است پیچیده بوده باشد، زیرا مکان‌های متعددی وجود دارد که در حال حاضر مناطق سفید بسیار کوچکی در آنها وجود دارد. اگر این تصویر توسط رایانه‌ای با استفاده از آستانه به عنوان مشخص‌کننده ذرات بیشتر پردازش شود، نتایج حاوی ذرات جعلی زیادی خواهد بود. بنابراین، واضح است که آستانه‌گذاری برای تصاویر با کنتراست پایین فرآیندی پر زحمت است. با این حال، حتی برای تصاویر با کنتراست بالا، آستانه‌گذاری کامل نیست. با نگاه به مناطقی که با رنگ نارنجی در … مشخص شده‌اند

شکل ۱د، می‌توان دید که ذراتی از قلم افتاده‌اند یا بخش‌هایی از ذرات از قلم افتاده‌اند. لزوم پرداختن به این حوزه‌ها، ابهام و مسائل تکرارپذیری را دوباره مطرح می‌کند و در عین حال، توان عملیاتی را کاهش می‌دهد.

۲.۲. شناسایی خودکار و سازگار نانوذرات با استفاده از یادگیری ماشین: قطعه‌بندی قابل آموزش Weka

ابزارهای یادگیری ماشین می‌توانند بر مشکلات شناسایی ذرات برای تصاویر با کنتراست پایین و بالا غلبه کنند. این ابزارها از آستانه‌گذاری دقیق استفاده نمی‌کنند، بلکه در عوض قادر به «یادگیری» 

الگوهای خاکستری مرتبط با ذرات یا پس‌زمینه هستند.در FIJI، افزونه Trainable Weka Segmentation برای FIJI یک راه حل آماده ارائه می‌دهد. برای رفتن به این افزونه، 

Plugins > 

Segmentation > 

Trainable Weka Segmentation را انتخاب کنید . یک گردش کار عمومی به شش مرحله کلی نیاز دارد، همانطور که در

شکل ۲یک راهنمای گام به گام و دقیق برای طی کردن هر یک از این مراحل را می‌توانید در [لینک] بیابید.

اطلاعات تکمیلی(SI) این آموزش، و داده‌های مورد نیاز برای بازتولید نتایج ارائه شده در این آموزش در [لینک] قرار دارند.

وهنگام استفاده از این افزونه، ابتدا «کلاس‌ها» (مثلاً مش و ذره) ایجاد می‌شوند و سپس یک یا چند ناحیه در تصویر که مربوط به هر کلاس است، شناسایی می‌شود. ابزار انتخاب آزاد برای شناسایی نواحی بزرگ مفید است. هنگامی که یک ناحیه انتخاب می‌شود، می‌توان آن را به کلاس مناسب اختصاص داد ( 

افزودن به کلاس ). پس از شناسایی نمونه‌های کافی برای کلاس‌ها، مدل را می‌توان روی این نمونه‌ها آموزش داد ( 

طبقه‌بندی‌کننده آموزش ). اگر آموزش، تقسیم‌بندی مورد نظر را ارائه ندهد، می‌توان نواحی بیشتری را به هر کلاس اختصاص داد و مدل را دوباره آموزش داد، اگرچه با افزودن مناطق بیشتر، زمان لازم برای انجام آموزش افزایش می‌یابد. بنابراین، بین دستیابی به نتایج مطلوب و زمان لازم برای انجام این کار، تنش وجود دارد. در تجربه ما، شروع با تعداد کمی از مناطق و سپس اضافه کردن تعداد بیشتر، در صورت نیاز، کارآمدتر از شروع با تعداد زیادی از مناطق است.

پس از تأیید اینکه طبقه‌بندی‌کننده رفتار مورد نظر را ارائه می‌دهد (به بخش

و)، می‌توان آن را ذخیره کرد. برای تصاویری با کنتراست مشابه، طبقه‌بندی‌کننده را می‌توان مستقیماً با انتخاب تصویر و انتخاب 

«اعمال طبقه‌بندی‌کننده» اعمال کرد . این کار به طور خودکار تصویر را با استفاده از یک طرح دودویی سبز و قرمز، قطعه‌بندی و در FIJI باز می‌کند، که می‌تواند برای تجزیه و تحلیل بیشتر به آستانه دودویی تبدیل شود، مشابه کاری که می‌توان پس از آستانه‌گذاری اولیه انجام داد. برای استفاده از این عملکرد، تصویر نباید از نوع فایل 

.ser یا 

.emi باشد .

شکل ۱E و F نتایج اعمال قطعه‌بندی آموزش‌دیده Weka بر روی تصاویر TEM اصلی را نشان می‌دهند (

شکل ۱الف، ب). با بررسی این تصاویر، فوراً مشخص می‌شود که قطعه‌بندی Weka شناسایی بهتری از ذرات را برای تصاویر با کنتراست پایین و بالا فراهم کرده است.بررسی دقیق تصاویر قطعه‌بندی شده ممکن است هنوز مناطقی را نشان دهد که در آنها خوشه‌هایی از ذرات جدا نشده‌اند یا اشیاء بسیار کوچک (که احتمالاً ذره نیستند) به عنوان ذره شناسایی شده‌اند. وجود این اشیاء را می‌توان به یکی از سه روش زیر مدیریت کرد. اول، می‌توان مناطق خطا را به آموزش اضافه کرد تا مدل نهایی آنها را بهتر مدیریت کند. دوم، می‌توان محدودیت‌های پایین و بالایی را برای اندازه ذرات در FIJI تعیین کرد، که منجر به حذف خودکار ویژگی‌هایی می‌شود که خیلی بزرگ یا خیلی کوچک هستند. در نهایت، به هر ویژگی شناسایی شده یک شناسه اختصاص داده می‌شود (به بخش … مراجعه کنید).

و) و می‌توان خطاها را به صورت دستی بر اساس شناسه حذف کرد. در تجربه ما، ترکیبی از رویکردهای اول و دوم نتایج بسیار خوبی را به همراه دارد و در عین حال از پردازش دستی جلوگیری می‌کند.زمان‌برترین بخش برای این قطعه‌بندی، آموزش اولیه مدل است و زمان آموزش به کاربرد دقیق پردازش (فیلترها، تار کردن‌ها و غیره) و اندازه فایل تصویر بستگی دارد. با این حال، برای بسیاری از تصاویر TEM، آموزش را می‌توان در ده‌ها دقیقه روی یک لپ‌تاپ استاندارد انجام داد. برای تصویر TEM با کنتراست پایین (

شکل ۱الف) آموزش مدل روی یک مایکروسافت سرفیس مدل ۲۰۲۲، ۲۰ دقیقه طول کشید، در حالی که آموزش تصویر با کنتراست بالا ۷ دقیقه طول کشید. پس از آموزش مدل، اعمال آن روی تصاویر بیشتر نیز به همین سرعت انجام می‌شود – فقط چند دقیقه روی همین مایکروسافت سرفیس. بنابراین، هنگامی که قرار است چندین تصویر پردازش شوند، استفاده از قطعه‌بندی وکا صرفه‌جویی 

قابل توجهی در زمان نسبت به شناسایی دستی ذرات ارائه می‌دهد – که این صرفه‌جویی تنها با افزایش تعداد تصاویر پردازش شده افزایش می‌یابد. در نهایت، در حالی که آموزش مدل به ورودی انسان نیاز دارد، کاربرد این مدل آموزش دیده نیازی به این کار ندارد. بنابراین، حداقل در سطح شناسایی ذرات منفرد، سوگیری و کاستی‌های انسانی برطرف می‌شود.

۲.۳ اندازه‌گیری خواص ذرات

یک مزیت خاص استفاده از شناسایی خودکار نانوذرات این است که می‌توان از تصویر قطعه‌بندی شده برای دستیابی به خطوط کلی ذرات استفاده کرد (

شکل ۳الف) این به نوبه خود فرصتی برای انجام تجزیه و تحلیل برنامه‌ریزی‌شده روی ذرات فراهم می‌کند – که باعث حذف بیشتر سوگیری و خطای انسانی از استخراج اطلاعات اندازه و مورفولوژی روی ذرات می‌شود.

برای درک چگونگی این موضوع، اجازه دهید به ایده «اندازه» برگردیم. اگر با تصویر خام کار کنیم، اندازه‌گیری اغلب شامل ترسیم یک خط در سراسر وجه فرضی ذره یا ترسیم یک بیضی در اطراف ذره است (

شکل ۳ب) با این حال، هر دوی این‌ها شامل حدس زدن در مورد محل قرارگیری لبه‌های ذره هستند و همچنان این سوال را مطرح می‌کنند که کدام خط باید رسم شود یا کدام مؤلفه از بیضی باید اندازه‌گیری شود.از سوی دیگر، با طرح کلی ذره که پس از تقسیم‌بندی به دست آمده است (

شکل ۳ب)، اندازه‌گیری‌های دقیق و تعریف‌شده به راحتی قابل انجام هستند. برای مثال، اگر کسی معتقد باشد که ذرات مورد اندازه‌گیری ماهیت دایره‌ای دارند، می‌تواند به سادگی قطر «مؤثر» ( 

d ) ذره را که از مساحت ( 

A ) به دست آمده است، محاسبه کند:

𝑑 =𝐴 / 𝜋⎯⎯⎯⎯⎯⎯√د=الف/صبه همین ترتیب، اگر کسی معتقد باشد که ذرات مربع هستند، آنگاه یک مقدار معقول برای اندازه می‌تواند ساده باشد:

𝑑 =𝐴⎯⎯⎯√د=الفمقادیر مشابهی را می‌توان برای اشکال دیگر نیز به دست آورد، یا می‌توان آنها را بر اساس مقدار طول خطوط خارجی محاسبه کرد. در این حالت، قطر ذرات دایره‌ای را می‌توان از محیط ( 

c ) تخمین زد: 

d = 

c /π.مقادیر فوق به این دلیل مناسب هستند که مساحت اندازه‌گیری شده مستقیم ذرات را به کار می‌گیرند. علاوه بر این، آنها نوعی «میانگین‌گیری» در بین بی‌نظمی‌های موجود در ذرات واقعی ارائه می‌دهند. با این حال، یک مشکل این است که باید در مورد شکل زیرین فرضیاتی انجام شود و دقت مقادیر استخراج شده مستقیماً به این بستگی دارد که ذره واقعی چقدر خوب این شکل فرضی را تقریب می‌زند. علاوه بر این، تفسیر مقدار متفاوت است. در بالا، تعریف برای سیستم‌های دایره‌ای با طولانی‌ترین وتر مرتبط است، در حالی که برای مربع، طول یک ضلع است و نه طولانی‌ترین خط از طریق جسم (یعنی خط مورب).اندازه‌گیری اندازه‌ای که از هر دوی این پیچیدگی‌ها اجتناب می‌کند، قطر فرت (Feret diameter) نام دارد. این قطر به صورت فاصله بین دو خط موازی که مماس بر ذره هستند تعریف می‌شود و حداکثر مقدار برای سه شکل اولیه ذره با خطوط چین در شکل نشان داده شده است.

شکل ۴این اندازه‌گیری، اندازه‌گیری آشناتر اشیاء با استفاده از کولیس را شبیه‌سازی می‌کند، بنابراین قطر فرت به عنوان “قطر کولیس” نیز شناخته می‌شود. برای هر طرح کلی مشخص، قطر فرت حداقل و حداکثر وجود خواهد داشت که می‌توانند به طور منحصر به فرد به شیوه‌ای سازگار و الگوریتمی شناسایی شوند. نکته مهم این است که هر دو مقدار وجود دارند (اگرچه ممکن است یکسان باشند) و صرف نظر از شکل ذره، به یک اندازه معتبر هستند. بنابراین، هنگام بحث در مورد اندازه، گزارش هر یک (یا هر دو) از این مقادیر، ابزاری تکرارپذیر و بدون ابهام برای بحث در مورد اندازه آنها فراهم می‌کند – اگرچه شایان ذکر است که این روش، اثرات “میانگین‌گیری” را که برای مقادیر حاصل از ملاحظات مساحت ایجاد می‌شود، ندارد.

فراتر از اندازه، اندازه‌گیری‌های بسیار دیگری نیز وجود دارند که می‌توانند مورد توجه باشند و در مورد مورفولوژی صحبت می‌کنند. شاید پرکاربردترین آنها نسبت ابعاد (AR) باشد. به نظر می‌رسد رایج‌ترین رویکرد در ادبیات با رسم خطوط در امتداد آنچه به عنوان محورهای بلند و کوتاه ذرات درک می‌شوند، انجام می‌شود. با این حال، این رویکرد دوباره تمام ابهامات مرتبط با اندازه‌گیری‌های انجام شده با دست را به همراه دارد. به عنوان یک روش جایگزین، می‌توان از FIJI برای برازش یک بیضی بر روی طرح کلی ذره استفاده کرد و سپس از نسبت محور اصلی بیضی به محورهای فرعی آن به عنوان معیار AR استفاده کرد:

با =سرگردمحورصغیرمحوربا=سرگردمحورصغیرمحور

(1)این رویکرد دوباره خطای انسانی را حذف می‌کند و منجر به تکرارپذیری بیشتر در اندازه‌گیری می‌شود. همچنین معیارهای دیگری برای AR وجود دارد (برای مثال، محاسبه گشتاورهای اینرسی برای مساحت ذره)، اما این معیارها به راحتی در FIJI در دسترس نیستند، بنابراین ما آنها را بیشتر بررسی نمی‌کنیم.اگرچه AR به طور گسترده برای توصیف مورفولوژی ذرات استفاده می‌شود، اما اندازه‌گیری‌های دیگری نیز وجود دارند که ممکن است مفید باشند. به عنوان مثال، اگرچه یک انسان می‌تواند به راحتی بین دایره و مربع رسم شده در … تمایز قائل شود.

شکل ۴هر دوی این شکل‌ها حداکثر قطر فرت و AR یکسانی دارند.یک گزینه برای تمایز بین این اشکال، گزارش حداکثر و حداقل قطر فرت است. روش دیگر استفاده از معیار دایره‌ای بودن است. لازم به ذکر است که اصطلاحات «دایره‌ای بودن» و «گرد بودن» اغلب به جای یکدیگر استفاده می‌شوند. از دیدگاه استاندارد ASTM F1877-16،

(25)منحصراً از گردی استفاده می‌شود، اما تعریف آن با تعریف دایره‌ای بودن مورد استفاده در FIJI مطابقت دارد. در FIJI، دایره‌ای بودن (گرد بودن ASTM) به صورت نسبت مساحت به مربع محیط یک ذره تعریف می‌شود که همه با 4π مقیاس‌بندی شده‌اند:

دایره‌ای بودن =مساحتمحیط۲· ۴ روزدایره‌ای بودن=مساحتمحیط۲·۴ص

(2)در این تعریف، مقدار دایره‌ای بودن از ۱ (یک دایره) تا ۰ متغیر است.

(29)استفاده از دایره امکان تمایز بین هر سه شیء را فراهم می‌کند.

شکل ۴ضمن اینکه این مزیت را نیز دارد که می‌توان آن را به صورت برنامه‌نویسی شده از روی خطوط بیرونی ذرات به دست آمده از تقسیم‌بندی محاسبه کرد. دایره‌ای بودن (گرد بودن ASTM) همچنین این مزیت را دارد که اشکال آشنا دارای مقادیر مشخصی هستند: گرد بودن یک دایره همیشه ۱ است، گرد بودن یک مربع همیشه

۱ /۲⎯⎯√۱/۲و غیره. البته، برخی از اشکال، مانند مثلث‌های چندضلعی، ممکن است طیف وسیعی از مقادیر ممکن برای دایره‌ای بودن داشته باشند. هدف این بحث ارائه یک منبع جامع در مورد چگونگی پارامتری کردن و تمایز مورفولوژی نیست، بلکه اشاره به این است که FIJI دسترسی به ابزارهایی را فراهم می‌کند که در این زمینه کاربرد دارند – ابزارهایی که بدون دسترسی به خطوط کلی ذرات، همانطور که تقسیم‌بندی Weka ارائه می‌دهد، اعمال آنها دشوار خواهد بود.این بخش را با ذکر این نکته به پایان می‌رسانیم که می‌توان طرح کلی ذرات درون FIJI را برای استفاده در برنامه‌های خارجی صادر کرد تا امکان تجزیه و تحلیل پیچیده‌تری فراهم شود. به عنوان مثال، FIJI عدم قطعیت‌های مرتبط با محورهای اصلی و فرعی حاصل از برازش بیضی به ذرات را گزارش نمی‌کند، اما دانستن چنین عدم قطعیت‌هایی می‌تواند ارزشمند باشد. می‌توان به راحتی یک اسکریپت پایتون برای یافتن و گزارش این مقادیر ایجاد کرد. از طرف دیگر، پردازش بیشتر طرح‌های کلی می‌تواند برای کاهش مرز پیکسلی برای آنچه که فرض می‌شود یک ذره دایره‌ای یا کروی است، دنبال شود. این کار ممکن است از طریق توابع هموارسازی انجام شود، اما می‌تواند به دلیل دستکاری تصویر، نمایش نادرستی از داده‌ها باشد. بنابراین، هموارسازی باید فقط در صورتی انجام شود که با استدلال علمی پشتیبانی شود. با این وجود، حتی کار کردن کامل در FIJI، بیانی تکرارپذیرتر و جامع‌تر از شکل واقعی ذره را ارائه می‌دهد و امکان تمایز مورفولوژی ذرات بیشتری را نسبت به آنچه که صرفاً از طریق پردازش دستی حاصل می‌شود، فراهم می‌کند.

۳. گزارش خواص نانوذرات

---

فراتر از قابلیت تنظیم، یکی دیگر از ویژگی‌های بارز نانوذرات، ناهمگنی آنهاست. به جز زیرمجموعه بسیار کوچکی از خوشه‌ها/ذرات با دقت اتمی،

(30)همه نانوذرات حاوی مقداری ناهمگنی ساختاری هستند. این بدان معناست که هنگام گزارش اندازه یا مورفولوژی نانوذرات، در واقع در مورد 

جمعیتی از این خواص گزارش می‌دهیم و شایسته است که به بهترین نحو، توزیع ذرات در این جمعیت‌ها را گزارش دهیم.هیستوگرام مدت‌هاست که به عنوان یک ابزار اصلی برای گزارش توزیع‌ها عمل می‌کند و برای گزارش توزیع نانوذرات به خوبی عمل می‌کند.

شکل ۵نمونه‌هایی از هیستوگرام‌ها را برای حداکثر قطر فرت، AR و دایره‌ای بودن ذرات نشان داده شده در نشان می‌دهد.

شکل ۱یک هیستوگرام زمانی تولید می‌شود که یک متغیر 

پیوسته به نواحی گسسته تقسیم شود؛ در این حالت، محور 

x متغیر پیوسته است. به همین دلیل، میله‌ها در امتداد این محور باید به هم متصل باشند، زیرا شکاف بین میله‌ها نشان‌دهنده مناطقی است که داده‌ها تقسیم نشده‌اند یا هیچ مشاهده‌ای انجام نشده است.

وبرای کسانی که با تولید هیستوگرام آشنا نیستند، بحثی در مورد چگونگی انجام آن دارد.

در حالی که هیستوگرام‌های نشان داده شده در

شکل ۵از آنجایی که این اعداد شکل کلی توزیع را نشان می‌دهند، آماره‌های خلاصه اغلب مورد توجه هستند و میانگین (μ) و انحراف معیار (σ) اندازه‌گیری اغلب ارائه می‌شوند. گزارش میانگین حسابی و انحراف معیار برای ذرات می‌تواند وسوسه‌انگیز باشد؛ با این حال، شایان ذکر است که این اعداد می‌توانند به راحتی گمراه‌کننده باشند.برای مثال، هیستوگرام اندازه ذرات کوچک‌تر یا هیستوگرام دایره‌ای بودن ذرات بزرگ‌تر را در نظر بگیرید. هر دوی این‌ها یک انحراف واضح در توزیع خود نشان می‌دهند. بنابراین، میانگین حسابی مرکز توزیع را نشان نمی‌دهد، در حالی که انحراف معیار احتمالاً به دلیل مقادیر یافت شده در یک انتهای توزیع، بیش از حد تخمین زده می‌شود.یک رویکرد بهتر برای یافتن میانگین‌ها و انحرافات معیار، شناسایی توزیعی است که با جمعیت مرتبط است. برای اندازه نانوذرات، به خوبی شناخته شده است که جمعیت از توزیع لگاریتمی نرمال پیروی می‌کند:

(31،32)

𝑓( اسم )​​​) =۱🔥 🔥۲ عدد⎯⎯⎯⎯√تاریخ انقضا [ −]( لن(به صورت − − )۲۲𝜎۲]ف(ایکس;متر،ها)=۱ایکسها۲ص⁡تاریخ انقضا[−(ل.ن.⁡ایکس−متر)۲۲ها۲]

(3)که در آن 

x اندازه اندازه‌گیری شده، μ اندازه متوسط ​​ذرات برای توزیع و σ انحراف معیار این توزیع است. بنابراین، می‌توانیم این توزیع را با داده‌های موجود در هیستوگرام برازش دهیم و سپس میانگین و انحراف معیار را از برازش استخراج کنیم. شایان ذکر است که اینها میانگین و انحراف معیار مرتبط با توزیع لگاریتمی نرمال هستند و پارامترهای «فضای واقعی» (یعنی نانومتر) نیستند. با این حال، پارامترهای «فضای واقعی» را می‌توان از پارامترهای لگاریتمی نرمال، همانطور که در شکل 1 نشان داده شده است، بدست آورد.

وهمچنین لازم به ذکر است که میانگین و انحراف معیار به‌دست‌آمده از این روش، متفاوت و معنادارتر از میانگین و انحراف معیار به‌دست‌آمده از محاسبات حسابی هستند.می‌توان از روش‌های مشابهی برای AR و دایره‌ای بودن استفاده کرد. از آنجایی که AR را به گونه‌ای تعریف می‌کنیم که به ۱ محدود شده و تا بی‌نهایت امتداد می‌یابد، استفاده از توزیع نرمال دوباره نادرست است. در عوض، می‌توان از توزیع گاما استفاده کرد. از آنجایی که مقادیر دایره‌ای بودن هم به ۰ و هم به ۱ محدود می‌شوند، برای آن معیار از توزیع بتا استفاده می‌کنیم.

شکل ۵برازش‌های اندازه، AR و دایره‌ای بودن را به ترتیب برای توزیع‌های لگاریتمی نرمال، گاما و بتا، و همچنین میانگین‌ها و انحرافات معیار مرتبط با توزیع‌های برازش را نشان می‌دهد. کد مورد استفاده برای برازش این توزیع‌ها در لینک زیر آمده است.

وعلاوه بر این، ما ابزاری را برای برازش این توزیع‌ها به داده‌ها میزبانی کرده‌ایم (

https://thelearlab.com/tools/lognormalfitter/). بحث در مورد همه این توزیع‌ها و کاربرد آنها در جمعیت‌ها در … آمده است.

و.

جدول ۱ مقادیر استخراج‌شده از برازش را جمع‌آوری می‌کند. برای تأکید بر تفاوت‌های بین به دست آوردن تخمین پارامترها از برازش و محاسبات حسابی، مقادیر حسابی میانگین‌ها و انحرافات معیار را نیز ارائه می‌دهیم. واضح است که رویکرد حسابی می‌تواند مقادیری را به دست دهد که با مقادیر به‌دست‌آمده از برازش مدل‌های آماری به داده‌ها متفاوت باشد. این امر این سؤال را مطرح می‌کند که کدام رویکرد ترجیح داده می‌شود.جدول 1. مقادیر میانگین و انحراف معیار (SD) برای حداکثر قطر فرت، نسبت ابعاد (AR) و دایره‌ای بودن 

a

	تصویر با کنتراست پایین		تصویر با کنتراست بالا
کمیت	ارزش از تناسب	مقدار حسابی	ارزش از تناسب	مقدار حسابی
حداکثر به این معنی خواهد بود	۲.۳۰ ± ۰.۰۲۶ نانومتر	۲.۴۰۵۲	۱۴.۲۲ ± ۰.۰۹۲ نانومتر	۱۶.۰۰۳۹
حداکثر انحراف معیار خواهد بود	۰.۸۰ ± ۰.۰۳۶ نانومتر	۰.۷۸۲۸	۰.۹۰۰ ± ۰.۰۹۵ نانومتر	۴.۵۰۷۳۳
میانگین AR	۱.۲۸۰ ± ۰.۰۷۵	۱.۳۷۶۱	۱.۱۲۹ ± ۰.۰۸۰	۱.۲۱۹۴
AR SD	۰.۰۳۴۹۶ ± ۰.۰۰۲۶۴	۰.۳۷۴۶	۰.۰۰۶۱۶ ± ۰.۰۰۰۵۶	۰.۳۱۹۹
میانگین دایره‌ای بودن	۰.۶۹۷۷ ± ۰.۰۱۵۴	۰.۶۸۹۹	۰.۸۵۶۵ ± ۰.۰۵۸۴	۰.۸۶۳۶
دایره‌ای بودن SD	۰.۱۰۵۷ ± ۰.۰۱۵۰	۰.۱۱۱۰	۰.۰۹۰۸ ± ۰.۰۵۶۴	۰.۱۲۰۵

^الف

مقادیر به‌دست‌آمده از برازش توزیع‌ها به داده‌ها ارائه شده‌اند (شکل ۵) و گرفتن مقادیر حسابی از جمعیت. نکته مهم این است که فقط برازش توزیع‌ها به داده‌ها، تخمین قابل اعتمادی از عدم قطعیت در این مقادیر ارائه می‌دهد (همانطور که با عدد بعد از نماد ± نشان داده شده است). این عدم قطعیت‌ها در محاسبه حسابی وجود ندارند. مهمتر از آن، مقدار انحراف معیار، عدم قطعیت در مقدار میانگین نیست.برای شروع، تخمین حسابی میانگین، توزیع متقارن را فرض می‌کند و تخمین حسابی انحراف معیار از فرض توزیع گاوسی مشتق می‌شود. در عمل، این مقادیر تقریباً همیشه به شیوه‌ای تفسیر می‌شوند که توزیع گاوسی را فرض می‌کند. بنابراین، هرچه توزیع جمعیت به گاوسی نزدیک‌تر باشد، تخمین حسابی میانگین و انحراف معیار دقیق‌تر خواهد بود.برای حالتی که جمعیت به بهترین شکل با برازش لگاریتمی نرمال توصیف می‌شود، توزیع با نزدیک شدن مقدار σ/μ به صفر به توزیع گاوسی نزدیک می‌شود. به عبارت دیگر، وقتی میانگین به طور قابل توجهی بزرگتر از انحراف معیار باشد، مقادیر کمی وجود خواهند داشت که به مرز صفر نزدیک شوند، بنابراین اثرات این مرز به شدت احساس نمی‌شود و توزیع حاصل را می‌توان به طور منطقی به عنوان یک توزیع گاوسی تقریب زد. این واقعیت در … نشان داده شده است.

شکل S8.البته، استدلال فوق دلالت بر این دارد که نحوه‌ی برخورد با توزیع 

همیشه تقریبی است. بنابراین، تخمین‌ها 

همیشه با خطا همراه خواهند بود و سوال این است که چه مقدار خطا را می‌توان پذیرفت. باز هم، به … مراجعه کنید.

شکل S8و متنی که همراه با آن شکل است. توجه داشته باشید که برازش توزیع‌های لگاریتمی نرمال به این توزیع‌ها چالش چندانی ندارد. آموزش‌های متعددی وجود دارد (

https://real-statistics.com/normal-distribution/log-normal-distribution/). علاوه بر این، گروه ما ابزاری را میزبانی می‌کند که می‌تواند توسط هر کسی برای برازش توزیع لگاریتمی نرمال به داده‌ها استفاده شود (

https://thelearlab.com/tools/lognormalfitter/) و این ابزار در بایگانی داده‌های موجود که در لینک قرار دارد، گنجانده شده است.

وبنابراین، ما عموماً برازش توزیع‌ها را به داده‌ها توصیه می‌کنیم. تا زمانی که مدل آماری زیربنایی به درستی انتخاب شود، مقادیر به‌دست‌آمده از برازش از نظر فیزیکی معنادارتر هستند.یکی دیگر از مزایای برازش توزیع‌ها به داده‌های ما این است که نتایج برازش را می‌توان برای به دست آوردن عدم قطعیت‌ها در تخمین پارامترها (یعنی خطای استاندارد در مقادیر پارامتر) استفاده کرد. سوءتفاهمی که در ادبیات مربوط به نانوذرات وجود دارد، تلفیق انحراف معیار با عدم قطعیت یا “خطا” در میانگین است. با این حال، به سادگی اینطور نیست که اینها معادل باشند. به عنوان مثال، عبارت تحلیلی برای توزیع نرمال دارای میانگین 0 و انحراف معیار 1 است. با این حال، انحراف معیار 1 به هیچ وجه نشان نمی‌دهد که میانگین نامشخص است – در واقع، طبق تعریف دقیقاً 0 است. بنابراین، انحراف معیار معیاری از پراکندگی مقادیر است اما عدم قطعیت در میانگین را 

نشان نمی‌دهد . راه دیگر برای در نظر گرفتن این موضوع این است که تصویربرداری با وضوح بالا اغلب از این واقعیت استفاده می‌کند که می‌توانیم مرکز یک ویژگی تار گاوسی را با دقت بسیار بیشتری نسبت به انحراف معیار آن بدانیم.برای به دست آوردن عدم قطعیت‌های معنادار برای میانگین و انحراف معیار، می‌توان دوباره به برازش توزیع‌ها به داده‌ها روی آورد، که طبیعتاً می‌تواند عدم قطعیت‌هایی را در پارامترهای استخراج شده ایجاد کند، و این موارد نیز در هیستوگرام‌های نشان داده شده در [1] گزارش شده‌اند.

شکل ۵.فایده‌ی داشتن این عدم قطعیت‌ها باید هنگام مقایسه‌ی مقادیر دایره‌ای دو نمونه‌ی ما، بلافاصله آشکار شود. یک سوال طبیعی که ممکن است پرسیده شود این است که آیا دو نمونه دایره‌ای‌های متفاوتی دارند یا خیر. اگرچه هر دو کروی به نظر می‌رسند، اما تفاوت در دایره‌ای بودن آن‌ها می‌تواند نشان دهنده‌ی میزان نامنظم بودن آن‌ها باشد. برای پاسخ به این سوال، می‌توانیم با استفاده از خطاهای ارائه شده از برازش، آزمون 

t استیودنت را روی میانگین دایره‌ای بودن انجام دهیم. انجام این کار مقدار 

p برابر با 0.0086 را ارائه می‌دهد، به این معنی که تفاوت در میانگین‌ها از نظر آماری معنی‌دار است. به عبارت دیگر، ذرات کوچکتر به طور معناداری ناهموارتر از ذرات بزرگتر هستند. البته، اگر این نتیجه‌ی سهم نسبی بیشتر خطای پیکسل (یعنی این واقعیت که پیکسل‌ها گرد نیستند) در ذرات کوچکتر باشد، یک سوال باقی می‌ماند.شایان ذکر است که نکته فوق را تأکید کنیم: بدون مقادیر حاصل از برازش، تحلیل فوق قابل انجام نیست. در بهترین حالت، هیچ اظهار نظری نمی‌توان کرد، زیرا عدم قطعیت در مقدار میانگین ناشناخته است. البته می‌توان با استفاده از تعداد اندازه‌گیری‌ها و انحراف معیار، عدم قطعیت را تخمین زد، اما این رویکرد فرض می‌کند که توزیع‌های اساسی گاوسی هستند – که به وضوح اینطور نیست. بنابراین، این رویکرد نادرست خواهد بود، اگرچه میزان اشتباه بودن آن به میزان انحراف توزیع اساسی از رفتار گاوسی، همانطور که در بالا بحث شد، بستگی دارد. در بدترین حالت، ممکن است هنگام انجام آزمون 

t به اشتباه از انحراف معیار حسابی به جای عدم قطعیت استفاده شود . این روش منجر به این نتیجه می‌شود که دایره‌ها متفاوت نیستند ( مقدار 

p برابر با 0.289) در حالی که در واقع متفاوت هستند. اگرچه در این مورد خاص، ما معنی‌دار بودن را از دست می‌دهیم، اما توجه به این نکته مهم است که می‌توان حالت مخالف را نیز تجربه کرد: نتیجه‌گیری اینکه دو مقدار به طور قابل توجهی متفاوت هستند در حالی که در واقع اینطور نیستند. واضح است که روش و گزارش صحیح ویژگی‌های اندازه‌گیری شده برای تحلیل علمی صحیح بسیار مهم است.

۴. مقایسه رویکردهای مختلف

---

با کنار رفتن بحث گزارش‌دهی، می‌توانیم به مقایسه روش‌های مختلف موجود برای پردازش تصاویر ذرات برگردیم. از آنجا که اندازه، بحث غالب در مقالات مربوط به ذرات است، این مقایسه را با استفاده از اندازه‌گیری‌های اندازه انجام خواهیم داد. علاوه بر این، این بحث را با استفاده از تصویر با کنتراست بالا که در … نشان داده شده است، انجام می‌دهیم.

شکل ۱ب. ما از این تصویر استفاده می‌کنیم زیرا پردازش دستی و آستانه‌گذاری برای آن بهترین عملکرد را خواهد داشت؛ بنابراین، هر مزیتی که برای قطعه‌بندی Weka مشاهده می‌شود، فقط برای تصاویر با کنتراست پایین‌تر بهبود می‌یابد. علاوه بر این، توجه داریم که در این تصویر ۲۰۰ ذره وجود ندارد. بنابراین، برازش مورد بحث در اینجا به معنای نمایش دقیق ذرات نیست، بلکه برای امکان مقایسه آسان بین تکنیک‌ها است.

۴.۱. قطعه‌بندی وکا در مقابل آستانه‌گذاری برای شناسایی ذرات

هر دو آستانه گذاری (

شکل ۱C، D) و قطعه‌بندی Weka (

شکل ۱E، F) امکان شناسایی خودکار ذرات را فراهم می‌کنند. با این حال، قطعه‌بندی Weka هم از نظر آموزش اولیه و هم از نظر کاربرد آن در تصاویر، به زمان بیشتری برای پیاده‌سازی نیاز دارد. در بالا، نشان دادیم که آستانه‌گذاری برای تصاویر با کنتراست پایین نتیجه‌ای نامرتب ایجاد می‌کند، بنابراین Weka به وضوح برای چنین تصاویری ترجیح داده می‌شود. با این حال، بررسی این نکته که آیا آستانه‌گذاری جایگزین معقولی برای تصاویر با کنتراست بالا است یا خیر، ارزشمند است. برای این منظور، ما هم قطعه‌بندی Weka و هم آستانه‌گذاری را در تصویر زیر اعمال کردیم.

شکل ۱ب. از طرح‌های کلی به‌دست‌آمده، هیستوگرام‌های نشان داده‌شده در

شکل ۶این هیستوگرام‌ها، اندازه ذرات حاصل از حداکثر قطر فرت و مشتق شده از مساحت (با فرض شکل دایره‌ای) را برای هر دو تصویر قطعه‌بندی شده توسط Weka و آستانه‌گذاری شده نشان می‌دهند. این هیستوگرام‌ها همچنین شامل برازش توزیع لگاریتمی نرمال با داده‌ها هستند و میانگین‌های استخراج شده (که “میانگین هندسی” نامیده می‌شوند) و انحرافات استاندارد با عدم قطعیت‌های مربوطه نشان داده شده‌اند. ما همچنین میانگین‌های حسابی و انحرافات استاندارد را محاسبه می‌کنیم. همه این مقادیر در نمودارهای میله‌ای برای میانگین () نشان داده شده‌اند.

شکل ۶ه) و انحراف معیار (

شکل ۶و) در این نمودارهای میله‌ای، میله‌های خطا نشان‌دهنده خطاهای استاندارد هستند.

مهمترین نتیجه این کار این است که هر جفت تصویر قطعه‌بندی شده و آستانه‌گذاری شده توسط Weka، میانگین‌هایی تولید می‌کنند که بر اساس آزمون 

t ولچ ، با آستانه معناداری (α) 0.05، از نظر آماری تفاوت معناداری دارند. دلیل اهمیت این نتیجه این است که نشان می‌دهد نباید از رویکردهای مختلف برای پردازش تصویر روی تصاویری که می‌خواهیم مقایسه کنیم استفاده کنیم، زیرا این امر به احتمال زیاد نتایجی متفاوت ایجاد خواهد کرد – صرف نظر از اینکه آیا تفاوت واقعی وجود دارد یا خیر. با این حال، جالب است که توجه داشته باشید که برای هر دو پارامتر، مقادیر پارامترهای هندسی (یعنی به دست آمده از برازش) و حسابی از نظر آماری تفاوت معناداری با یکدیگر دارند – که نشان می‌دهد این توزیع‌های خاص به اندازه کافی به توزیع گاوسی نزدیک نیستند تا از محاسبات حسابی این پارامترها استفاده شود. در نهایت، توجه داریم که در همه موارد، مقادیر هندسی کوچکتر از مقادیر حسابی هستند که دوباره خطاهای سیستماتیکی را که می‌توانند از استفاده از محاسبات حسابی این مقادیر ناشی شوند، نشان می‌دهد.با توجه به این نتایج، پیشنهاد می‌کنیم که قطعه‌بندی Weka عموماً بر آستانه‌گذاری ترجیح داده می‌شود. دلیل آن همان نکته اول در پاراگراف بالا است: نباید رویکردها را بین تصاویر تغییر داد. با توجه به اینکه آستانه‌گذاری برای تصاویر با کنتراست پایین مشکل‌ساز خواهد بود، استفاده از قطعه‌بندی Weka حتی برای تصاویر با کنتراست بالا نیز امکان مقایسه بین تصاویر با کنتراست پایین و بالا را فراهم می‌کند. همچنین خوشبختانه زمان مورد نیاز برای آموزش و اعمال قطعه‌بندی Weka برای تصاویر با کنتراست بالا کوتاه‌ترین است و تا حدودی عیب قطعه‌بندی Weka را برای این تصاویر برطرف می‌کند.

۴.۲ مقایسه نتایج حاصل از قطعه‌بندی Weka و اندازه‌گیری دستی

یکی دیگر از مزایای پیشنهادی استفاده از قطعه‌بندی Weka این است که می‌تواند تکرارپذیری و تکرارپذیری بیشتری را فراهم کند – به خصوص در مقایسه با پردازش دستی. در اینجا ما از تکرارپذیری برای نشان دادن توانایی یک محقق واحد در بازتولید تحلیل خود بر روی یک تصویر و از تکرارپذیری برای نشان دادن توانایی محققان مختلف در رسیدن به نتیجه یکسان استفاده می‌کنیم.در مورد تکرارپذیری، وقتی یک مدل Weka آموزش داده می‌شود، می‌توان آن را بدون هیچ تغییری در نتایج، روی همان تصویر اعمال کرد. بنابراین، تکرارپذیری در نقطه‌ی کاربرد بسیار بالاست. از نظر آموزش، سوالی در مورد تکرارپذیری وجود دارد، اما طبق تجربه‌ی ما، تغییرات آنقدر کوچک هستند که هیچ تفاوت آماری معنی‌داری در نتیجه ایجاد نمی‌کنند.برای آزمایش تکرارپذیری، از پنج محقق از گروهمان خواستیم تصویر با کنتراست بالا را تجزیه و تحلیل کنند (

شکل ۱ب) هم با استفاده از قطعه‌بندی Weka و هم به صورت دستی. این محققان سطوح تجربه‌ای از یکی از نویسندگان این مقاله تا یک دانشجوی سال اول کارشناسی که ۶ هفته قبل به گروه پیوسته بود را در بر می‌گرفتند.به هر محقق دستورالعمل‌هایی در مورد نحوه‌ی اندازه‌گیری ارائه شد. برای اندازه‌گیری دستی، نمایشی از نحوه‌ی استفاده از ابزار خط FIJI ارائه شد. سپس به محققان توضیحات شفاهی داده شد تا آنچه را که به عنوان طولانی‌ترین وتر هر ذره درک می‌کردند، اندازه‌گیری کنند و ذرات سنگدانه را حذف کنند. ذرات سنگدانه به صلاحدید هر محقق تعیین شدند. به طور مشابه، نمایشی در مورد نحوه‌ی استفاده از Trainable Weka Segmentation ارائه شد و راهنمای ارائه شده در … به آنها داده شد.

وتنظیمات مربوط به قطعه‌بندی Weka در مقادیر پیش‌فرض حفظ شد و تنها اندکی گزینه 

Balance classes بررسی شد . پس از به دست آمدن نتایج، به آنها اجازه داده شد تا اندازه‌گیری‌های تجمعی و تک پیکسلی را از مجموعه داده‌های خود حذف کنند. برای تجزیه و تحلیل پس از قطعه‌بندی Weka، همه محققان گزینه‌های 

Set Measurements را طوری تنظیم کردند که شامل 

Area ، 

Min & max gray value ، 

Shape descriptors ، 

Mean gray value ، 

Centroid و 

Feret’s diameter باشد و تعداد 

ارقام اعشار (0 تا 9) به 5 (در ابتدا 3) افزایش یابد.برای اندازه‌گیری‌های دستی و قطعه‌بندی‌شده با Weka، برازش و تحلیل آماری داده‌ها توسط نویسندگان این مقاله با استفاده از ابزاری که توسط گروه ما میزبانی می‌شود، انجام شد (

https://thelearlab.com/tools/lognormalfitter/). نتایج برازش توزیع‌های لگاریتمی نرمال، پارامترهای استخراج‌شده از این برازش‌ها و تعداد ذرات اندازه‌گیری‌شده ( 

n ) در

شکل ۷ستون سمت چپ (

شکل ۷الف تا ه) شامل نتایج اندازه‌گیری‌های دستی است، در حالی که ستون سمت راست (

شکل ۷F-J) شامل نتایج حاصل از قطعه‌بندی Weka است.

چندین جنبه از این نتایج وجود دارد که ارزش بررسی دارند:

• برای هر محقق، تعداد ذرات (n) شناسایی‌شده در تصویر برای قطعه‌بندی Weka همیشه کمتر از اندازه‌گیری‌های دستی است. علاوه بر این، اگر میانگین ذرات شمارش‌شده (⟨ n ⟩) را مقایسه کنیم، میانگین‌ها از نظر آماری متفاوت هستند ( p = 0.008). این نشان می‌دهد که یا قطعه‌بندی Weka ذراتی را که محققان به صورت دستی وارد کرده‌اند، از دست داده است یا اینکه حذف ذرات پس از قطعه‌بندی Weka دقیق‌تر از حذف ذرات اندازه‌گیری‌شده دستی است. ما فکر می‌کنیم که مورد دوم محتمل‌تر است، اگرچه این موضوع را به طور دقیق بررسی نکردیم.
• برای هر محقق، میانگین اندازه (μ) به‌دست‌آمده از اندازه‌گیری‌های دستی همیشه کوچک‌تر از میانگین اندازه به‌دست‌آمده از تقسیم‌بندی Weka است. با این حال، این تفاوت همیشه در مقدار p برابر با 0.05 معنی‌دار نیست . علاوه بر این، اگر میانگین میانگین‌ها (⟨μ⟩) را برای روش‌های دستی و Weka مقایسه کنیم، تفاوت آماری معنی‌داری ( p = 0.00088) مشاهده می‌کنیم. این روند ممکن است به دلیل سوگیری در تعیین مرزهای نانوذرات باشد، با رویکردی محافظه‌کارانه‌تر که توسط انسان‌ها اتخاذ می‌شود تا اطمینان حاصل شود که پس‌زمینه لحاظ نشده است.
• برای هر محقق، انحراف معیار توزیع (σ) حاصل از تقسیم‌بندی Weka همیشه کوچکتر از انحراف معیار حاصل از اندازه‌گیری دستی است. مشابه میانگین، این تفاوت‌ها همیشه معنی‌دار نیستند. مجدداً، وقتی مقدار میانگین انحراف معیار (⟨σ⟩) را برای هر گروه مقایسه می‌کنیم، به نتیجه آماری معناداری می‌رسیم ( p = 0.0012)، به این معنی که تقسیم‌بندی Weka در مقایسه با اندازه‌گیری دستی، مجموعه توزیع‌های به طور معناداری باریک‌تری را نیز تولید می‌کند. برای این نتیجه، پیشنهاد می‌کنیم که محققان دوباره در ارائه شناسایی سازگار لبه‌های ذرات کمی بدتر عمل می‌کنند و منجر به توزیع وسیع‌تری از اندازه‌های شناسایی شده می‌شوند. با این حال، این می‌تواند به دلیل گنجاندن داده‌های پرت بیشتر در توزیع دستی باشد که با نتایج حاصل از نقطه اول سازگار است.
• انحراف معیار ذرات شمارش‌شده (σn ₎ برای تقسیم‌بندی Weka بزرگتر از پردازش دستی است. توجه داریم که این انحرافات معیار از نظر آماری تفاوت معنی‌داری ندارند ( p = 0.151). ما گمان می‌کنیم که توزیع بزرگتر برای تقسیم‌بندی Weka نتیجه کیفیت آموزش است. از آنجایی که پردازش مورد استفاده ذرات بزرگ را رد می‌کند، معتقدیم که تعداد کمتر ذرات شمارش‌شده برای R3 و R5 احتمالاً به دلیل آموزشی است که تفکیک خوبی از خوشه‌ها را فراهم نکرده است، در نتیجه منجر به رد این خوشه‌ها و تعداد نسبتاً زیادی از ذرات می‌شود. توجه داریم که اندازه ذرات به‌دست‌آمده به شدت تحت تأثیر مقادیر کوچکتر قرار نمی‌گیرند، که نشان می‌دهد حذف ذرات سیستماتیک نبوده است – به عبارت دیگر، خوشه‌ها از ذرات تصادفی انتخاب‌شده از نمونه تشکیل شده‌اند.
• انحراف معیار میانگین‌ها ( σμ ) و انحراف معیار انحرافات معیار ( σσ ) برای اندازه‌گیری‌های مبتنی بر Weka کمتر از اندازه‌گیری‌های دستی است. با این حال، هیچ‌کدام _از نظر آماری تفاوت معنی‌داری ندارند ( به ترتیب p = 0.0504 و p = 0.997). در اینجا می‌خواهیم بر کوچک بودن اندازه این مطالعه (پنج محقق) تأکید کنیم. کاملاً ممکن است که بررسی مجموعه بزرگتری از محققان (مثلاً در یک حوزه مطالعاتی) منجر به تفاوت‌های قابل توجهی شود، اگرچه انجام چنین مطالعه بزرگی فراتر از محدوده این آموزش است. با این وجود، حداقل می‌توان گفت که تقسیم‌بندی Weka با توان عملیاتی بالاتر می‌تواند بدون افزایش واریانس در اندازه‌گیری‌ها بین محققان مورد استفاده قرار گیرد و به طور بالقوه می‌تواند این واریانس را در مقیاس‌های بزرگتر کاهش دهد. همچنین جالب است بدانید که حتی اگر σn برای Weka بزرگتر از دستی بود _، σμ _و σσ _بزرگتر نبودند. این موضوع دوباره نشان می‌دهد که این امر به دلیل حذف کل‌های متشکل از ذرات نماینده بوده است، نه سوگیری سیستماتیک در اندازه ذراتی که حذف شده‌اند.

در مجموع، ما دریافتیم که پردازش دستی و پردازش مبتنی بر قطعه‌بندی Weka نتایجی تولید می‌کنند که از نظر آماری با یکدیگر متفاوت هستند. مشابه بحث بالا در مورد آستانه‌گذاری، این نشان می‌دهد که بهترین روش هنگام تلاش برای مقایسه دو گروه از ذرات، استفاده از رویکرد یکسانی در پردازش تصویر است.علاوه بر این، توجه داریم که تمام بحث فوق بر اساس تجزیه و تحلیل یک تصویر 

واحد است . در واقعیت، توصیف ذرات احتمالاً بر روی تعدادی تصویر انجام می‌شود، هم به منظور اطمینان از اینکه تعداد بیشتری از ذرات قابل شمارش هستند و هم برای اطمینان از اینکه توصیف به یک زیرجمعیت واحد وابسته نیست. مورد دوم یک ملاحظه حیاتی است، زیرا ذرات می‌توانند در یک شبکه TEM به زیرجمعیت‌هایی تفکیک شوند. پیش‌بینی می‌کنیم که مزیت نسبی تقسیم‌بندی Weka تنها با تعداد تصاویر پردازش شده افزایش می‌یابد. مطمئناً، زمان پردازش کاهش می‌یابد، اما این همچنین به این معنی است که تعداد بیشتری از ذرات را می‌توان شمارش کرد که تخمین‌های بهتری از میانگین () ایجاد می‌کند.

شکل S9بنابراین، به طور کلی، ما معتقدیم که قطعه‌بندی Weka مزایای متعددی را ارائه می‌دهد و احتمالاً برای اکثر گروه‌های تحقیقاتی که در حال حاضر ذرات را به صورت دستی اندازه‌گیری می‌کنند، مفید خواهد بود. با این حال، چند نکته وجود دارد که ارزش بررسی دارند و اکنون به آنها می‌پردازیم.

۵. هشدارهایی در مورد بخش‌بندی Weka

---

مانند بسیاری از ابزارهای علمی، از قطعه‌بندی Weka برای کمک به محققان در دستیابی به تحلیل‌های سریع‌تر، کم‌طرفانه‌تر و/یا تکرارپذیرتر استفاده می‌شود. با این حال، توجه به نقاط ضعف چنین ابزار یادگیری ماشینی مهم است. اگرچه ممکن است نکات احتیاطی زیادی وجود داشته باشد، ما بحث خود را به دو موضوع مهم محدود می‌کنیم: مسئله شناسایی ذرات و محدودیت‌های نرم‌افزاری. البته، قطعه‌بندی هیچ کاری برای کاهش خطاها در اخذ TEM انجام نمی‌دهد، بنابراین باید از نمونه‌برداری مناسب از مش TEM، استفاده از بزرگنمایی مناسب و غیره نیز اطمینان حاصل کرد. اگرچه بحث در مورد نمونه‌برداری مناسب فراتر از محدوده این آموزش است، اما توجه به آن همچنان ضروری است.شناسایی خودکار ذرات، کاربرد اصلی است که در این آموزش به آن می‌پردازیم. با این حال، همانطور که در شکل زیر مشاهده می‌شود، تقسیم‌بندی بدون تمایز ذرات همپوشانی، بیش از حد آشکار است.

شکل ۸در مواردی که مرزهای ذره بسیار نزدیک به هم هستند (مرز ۱ تا ۲ پیکسل)، آموزش طبقه‌بندی‌کننده و تغییر تنظیمات ممکن است امکان تمایز این دو را فراهم کند. در موارد شدیدتر همپوشانی، ساده‌ترین راه برای کاهش اندازه‌گیری‌های اشتباه ذرات همپوشانی، هنگام تجزیه و تحلیل تصویر آستانه‌گذاری شده در FIJI است. پس از انتخاب 

Analyze Particles ، یک کادر گفتگو باز می‌شود . در این کادر، گزینه‌ای با عنوان 

Size (nm ^∧ ۲) وجود دارد . با فرض اینکه ذرات همپوشانی بسیار بزرگتر از ذرات منفرد هستند، می‌توان یک حد بالای اندازه تعیین کرد. این امر تضمین می‌کند که وقتی FIJI تصویر را تجزیه و تحلیل می‌کند، هر اندازه‌گیری بزرگتر از حد بالا را حذف می‌کند. با این حال، به دلیل ماهیت نانوذرات، اندازه نانوذرات اغلب توزیع کمی ناهمگن دارد. بنابراین، محدود کردن اندازه فقط باید در صورت لزوم و به گونه‌ای انجام شود که اندازه‌گیری‌های ارزشمند و واقعی که بر توزیع تأثیر می‌گذارند را حذف نکند. یک رویکرد عاقلانه‌تر، حذف دستی چنین نقاط داده‌ای است. در صورت انتخاب 

گزینه Show: Outlines هنگام تجزیه و تحلیل تصویر ، به هر اندازه‌گیری یک طرح کلی و یک عدد در داخل طرح کلی داده می‌شود . این عدد با عدد اندازه‌گیری در خروجی نتیجه همسو می‌شود. سپس می‌توان اندازه‌گیری مربوط به ذرات همپوشانی را به راحتی شناسایی و به صورت دستی حذف کرد. این رویکردی بود که در مقایسه‌های شرح داده شده در بالا استفاده شد. اگرچه این روش به زمان بیشتری نیاز دارد، اما پردازش دقیق‌تر داده‌ها را تضمین می‌کند.

فراتر از شناسایی ذرات، این نرم‌افزار محدودیت‌هایی نیز دارد. این محدودیت‌ها به ویژه هنگام کار بر روی تصاویر بزرگ (>16 مگابایت) یا تصاویر با کنتراست بسیار پایین مشهود است. در رایانه‌های میان‌رده (16 گیگابایت رم)، Weka می‌تواند به خوبی کار کند اگر اندازه تصویر 16 مگابایت (2048 × 2048 پیکسل) یا کمتر باشد و حافظه اختصاص داده شده به FIJI افزایش یافته باشد. فرآیند قطعه‌بندی را می‌توان در یک تصویر با کیفیت بالا در عرض چند ثانیه تا چند دقیقه تکمیل کرد. با این حال، همان تصویر اما در اندازه بزرگتر، 64 مگابایت (4096 × 4096 پیکسل)، ممکن است با خطاهای حافظه مواجه شود. خطاهای مشابهی ممکن است با تصاویر با کنتراست فوق‌العاده پایین (16 مگابایت) رخ دهد. در تصویر با کنتراست پایین، خطا را می‌توان از طریق نمونه‌برداری اضافی از هر کلاس مربوطه کاهش داد. علاوه بر این، نمونه‌برداری یک تعادل است. در حالی که نمونه‌برداری بیشتر، مجموعه داده بزرگتری را برای آموزش و یادگیری ابزار فراهم می‌کند، اما زمان آموزش طولانی‌تری را می‌طلبد. نمونه‌برداری کوچکتر اغلب منجر به آموزش ناکافی می‌شود اما بسیار سریع‌تر اتفاق می‌افتد. با این حال، ممکن است لازم باشد داده‌های بیشتری به کلاس‌ها اضافه شود و آموزش بیشتری مورد نیاز باشد. این تعادل به طور خاص با محقق R5 (به بالا مراجعه کنید) نشان داده شد، که در آن اولین آموزش به دلیل نمونه‌گیری زیاد برای هر دو کلاس بیش از یک ساعت طول کشید.

۶. نتیجه‌گیری

---

در این آموزش، برخی از چالش‌های مرتبط با تجزیه و تحلیل دستی تصاویر TEM نانوذرات و همچنین راه‌حلی برای این چالش‌ها با استفاده از افزونه رایگان تقسیم‌بندی Weka از نرم‌افزار محبوب تجزیه و تحلیل تصویر FIJI را شرح داده‌ایم. ما نشان داده‌ایم که چگونه تقسیم‌بندی با استفاده از این افزونه، شناسایی قوی‌تر و سازگارتری از ذرات را فراهم می‌کند و همچنین تعیین سریع اندازه‌گیری‌های اندازه و مورفولوژی را امکان‌پذیر می‌سازد. همچنین پیشنهاد کرده‌ایم که قطر فرت می‌تواند به عنوان یک اندازه‌گیری قوی از اندازه استفاده شود، برازش بیضی به شکل ذرات می‌تواند به عنوان یک اندازه‌گیری قوی از نسبت ابعاد استفاده شود و دایره‌ای بودن معیار دیگری است که می‌تواند برای بحث در مورد مورفولوژی ذرات استفاده شود. هر سه مورد را می‌توان در FIJI پس از تقسیم‌بندی Weka تعیین کرد. در نهایت، ما برخی از بهترین شیوه‌ها را برای گزارش این اندازه‌گیری‌ها، با تمرکز ویژه بر درک چگونگی به دست آوردن مقادیر معنی‌دار برای میانگین و انحراف معیار اندازه‌گیری‌ها و همچنین خطرات مرتبط با تلفیق انحراف معیار با عدم قطعیت در مقدار میانگین، مورد بحث قرار داده‌ایم. در مجموع، امیدواریم که این آموزش محققان را قادر سازد تا توان عملیاتی آزمایش‌های خود را افزایش دهند و همزمان دقت و قدرت اندازه‌گیری‌های خود را افزایش دهند.

دسترسی به داده‌ها

---

آرشیوی از تمام داده‌ها و کدهای پایتون را می‌توان بنا به درخواست دریافت کرد و در آدرس زیر یافت:https://doi.org/10.26208/6PEX-RH37

اطلاعات تکمیلی

---

اطلاعات تکمیلی به صورت رایگان در آدرس زیر موجود است.https://pubs.acs.org/doi/10.1021/acsnanoscienceau.4c00076.

• شرح گام به گام نحوه استفاده از قطعه‌بندی Weka در FIJI، رویه‌های تولید هیستوگرام‌ها و برازش توزیع، شرح توزیع‌های لگاریتمی نرمال در مقابل توزیع‌های گاوسی، و بحث در مورد وابستگی به تعداد نمونه‌ها (پی دی اف)

شرایط و ضوابط

اکثر فایل‌های اطلاعات پشتیبان الکترونیکی بدون نیاز به اشتراک در نسخه‌های وب ACS در دسترس هستند. چنین فایل‌هایی را می‌توان برای استفاده تحقیقاتی به صورت مقاله‌ای دانلود کرد (اگر مجوز استفاده عمومی مرتبط با مقاله مربوطه وجود داشته باشد، آن مجوز ممکن است استفاده‌های دیگری را نیز مجاز کند). اجازه ACS برای سایر استفاده‌ها را می‌توان از طریق درخواست از طریق سیستم مجوز RightsLink دریافت کرد:http://pubs.acs.org/page/copyright/permissions.html.

اطلاعات نویسنده

---

• نویسنده مسئول
  • بنجامین جی. لیر – دانشکده شیمی، دانشگاه ایالتی پنسیلوانیا، دانشگاه پارک، پنسیلوانیا ۱۶۸۰۲، ایالات متحده ؛  https://orcid.org/0000-0001-5624-7991 ; ایمیل: bul14@psu.edu
• نویسنده
  • کریستن ام. آویلس – دانشکده شیمی، دانشگاه ایالتی پنسیلوانیا، دانشگاه پارک، پنسیلوانیا ۱۶۸۰۲، ایالات متحده
• یادداشت‌هانویسندگان هیچ گونه رقابت مالی را اعلام نمی‌کنند.

منابع

---

این مقاله به ۳۲ نشریه دیگر ارجاع می‌دهد.

1. ۱وایس، ای.ای ؛ چیچی، آر.سی ؛ کافمن، جی.کی ؛ کریبل، جی.کی ؛ لی، زی .؛ دواتی، ام.ای ؛ رامپی ، ام.ای ؛ وایتسایدز، جی.ام. تأثیرنقص‌ها بر ویژگی‌های الکتریکی اتصالات قطره-جیوه: تک‌لایه‌های خودآرا از n-آلکانتیولات‌ها روی نقره زبر و صاف .مجله انجمن شیمی آمریکا، ۲۰۰۷ ، ۱۲۹ ، ۴۳۳۶-۴۳۴۹  DOI: 10.1021/ja0677261Viewگوگل اسکالر
2. ۲کاس، ال سی ؛ سونسون، ان کی ؛ وایس، ای ای. ساختار الکترونی و ارتعاشی کمپلکس‌های تتراسیانوکینودی‌متان با نقاط کوانتومی کادمیوم کالکوژنید . مجله فیزیک شیمی C ، ۲۰۱۴ ، ۱۱۸ ، ۱۸۲۶۳ – ۱۸۲۷۰  DOI: 10.1021/jp505986cViewگوگل اسکالر
3. ۳سیری، آ .؛ سیلاکوف، آ .؛ لیر، بی.جی. کنترل لیگاند بر خواص الکترونیکی درون هسته فلزی نانوذرات طلا . آنجیو. شیمی. ۲۰۱۵ ، ۱۲۷ ، ۱۱۹۱۶ – ۱۱۹۱۹ ،  DOI: 10.1002/ange.201505933Viewگوگل اسکالر
4. ۴سیری، آ .؛ سیلاکوف، آ .؛ جنسن، ل .؛ لیر، بی.جی. کنترل طول زنجیره و حلال بر خواص الکترونیکی نانوذرات طلای محافظت‌شده با آلکانتیولات در گذار مولکول به فلز . مجله انجمن شیمی آمریکا، ۲۰۱۶ ، ۱۳۸ ، ۱۵۹۸۷ – ۱۵۹۹۳  DOI: 10.1021/jacs.6b09586Viewگوگل اسکالر
5. ۵سیری، آ .؛ سیلاکوف، آ .؛ جنسن، ل .؛ لیر، بی.جی. بررسی مدولاسیون القا شده توسط لیگاند در حالت‌های فلزی در نانوذرات طلای کوچک با استفاده از رزونانس اسپین الکترون هدایتی . فیزیک شیمی. شیمی. فیزیک. ۲۰۱۶ ، ۱۸ ، ۲۵۴۴۳ – ۲۵۴۵۱  DOI: 10.1039/C6CP02205GViewگوگل اسکالر
6. ۶هریس، آر دی ؛ بتیس هومن، اس .؛ کودایماتی، ام .؛ هی، سی .؛ نپومنیاشچی، ای. بی .؛ سونسون، ان. کی .؛ لیان، اس .؛ کالزادا، آر .؛ وایس، ای. ای. فرآیندهای الکترونیکی در کمپلکس‌های نقطه کوانتومی-مولکول . شیمی. ویرایش ۲۰۱۶ ، ۱۱۶ ، ۱۲۸۶۵ – ۱۲۹۱۹ ،  DOI: 10.1021/acs.chemrev.6b00102Viewگوگل اسکالر
7. ۷کروز، اس. اس ؛ تانیگین، وی .؛ لیر، بی. جی. عدم تقارن در خواص الکترونیکی نانوذرات فلزی کروی، آشکار شده توسط رزونانس اسپین الکترون هدایتی و رزونانس پلاسمون سطحی . ACS Nano 2021 ، 15 ، 4490 – 4503 ،  DOI: 10.1021/acsnano.0c08515Viewگوگل اسکالر
8. ۸کلی، کی‌ال ؛ کورونادو، ای .؛ ژائو، ال‌ال ؛ شاتز، جی‌سی. خواص: تأثیر اندازه، شکل و محیط دی‌الکتریک . مجله فیزیک شیمی B ، ۲۰۰۳ ، ۱۰۷ ، ۶۶۸-۶۷۷ .  DOI: 10.1021/jp026731yViewگوگل اسکالر
9. ۹جین، پی. کی .؛ لی، کی. اس .؛ السید، آی. اچ .؛ السید، ام. ای.، خواص جذب و پراکندگی محاسبه‌شده نانوذرات طلا با اندازه، شکل و ترکیب مختلف: کاربردها در تصویربرداری بیولوژیکی و زیست‌پزشکی . مجله فیزیک شیمی. بی. ۲۰۰۶ ، ۱۱۰ ، ۷۲۳۸ – ۷۲۴۸ ،  DOI: 10.1021/jp057170oViewگوگل اسکالر
10. ۱۰رینگلر، ام . شومر، آ . واندرلیچ، ام . Nichtl، A. کورزینگر، ک . Klar، TA فلدمن، جی. شکل‌دهی طیف‌های نشری مولکول‌های فلورسنت با نانو تشدیدکننده‌های پلاسمونیک منفرد . فیزیک کشیش لِت. 2008 ، 100 ، 203002  DOI: 10.1103/PhysRevLett.100.203002Viewگوگل اسکالر
11. ۱۱آن، ک .؛ سومورجای ، گ.آ. کنترل اندازه و شکل نانوذرات فلزی برای گزینش‌پذیری واکنش در کاتالیز . ChemCatChem. 2012 ، 4 ، 1512-1524 ،  DOI: 10.1002/cctc.201200229Viewگوگل اسکالر
12. ۱۲کائو، س .؛ تائو، ف.ف .؛ تانگ، ی .؛ لی، ی .؛ یو، ج.. عملکردهای کاتالیزوری وابسته به اندازه و شکل واکنش‌های اکسیداسیون و احیا روی نانوکاتالیست‌ها .Chem . Soc. Rev. 2016 , 45 , 4747-4765 ,  DOI: 10.1039/C6CS00094KViewگوگل اسکالر
13. ۱۳آلبانیز، آ .؛ تانگ، پی. اس .؛ چان، دبلیو. سی. تأثیر اندازه ، شکل و شیمی سطح نانوذرات بر سیستم‌های بیولوژیکی . سالنامه مهندسی پزشکی زیستی. ۲۰۱۲ ، ۱۴ ، ۱-۱۶ ،  DOI: 10.1146/annurev-bioeng-071811-150124Viewگوگل اسکالر
14. ۱۴موردیکودیس، س .؛ پالارس، آر. ام ؛ تان، ان. تی. تکنیک‌های تعیین مشخصات نانوذرات: مقایسه و مکمل بودن بر اساس مطالعه خواص نانوذرات . نانومقیاس ۲۰۱۸ ، ۱۰ ، ۱۲۸۷۱ – ۱۲۹۳۴ ،  DOI: 10.1039/C8NR02278JViewگوگل اسکالر
15. ۱۵ژانگ، س .؛ وانگ، س. تحلیل دقیق توزیع اندازه نانوذرات در تصویر TEM . پروتکل روش‌ها. 2023 ، 6 ، 63  DOI: 10.3390/mps6040063Viewگوگل اسکالر
16. ۱۶Arganda-Carreras، I. Kaynig، V. رودن، سی . شیندلین، جی . کاردونا، آ . Seung, H. S. Trainable_Segmentation: Release v3.1.2 . https://zenodo.org/records/59290 .گوگل اسکالر
17. ۱۷آرگاندا-کارراس، آی .؛ کاینیگ، وی .؛ روئدن، سی .؛ الیسیری، کی . دبلیو.؛ شیندلین، جی .؛ کاردونا، ای .؛ سباستین سونگ، اچ. قطعه‌بندی قابل آموزش وکا: ابزاری برای یادگیری ماشین برای طبقه‌بندی پیکسل‌های میکروسکوپی . بیوانفورماتیک ۲۰۱۷ ، ۳۳ ، ۲۴۲۴ – ۲۴۲۶ ،  DOI: 10.1093/bioinformatics/btx180Viewگوگل اسکالر
18. ۱۸شیندلین، جی.فیجی : یک پلتفرم متن‌باز برای تحلیل تصاویر بیولوژیکی . Nat. Methods 2012 , 9 , 676-682 , DOI: 10.1038/nmeth.2019Viewگوگل اسکالر
19. ۱۹ورلیسن، ای .؛ واگنر، تی .؛ لیپینسکی، اچ. جی .؛ کاگی، آر .؛ کوبر، آر .؛ بویکس-سانفلیو، ای .؛ دی تمرمن، پی. جی .؛ ماست، جی. ارزیابی یک رویکرد مبتنی بر TEM برای اندازه‌گیری اندازه ذرات (نانو) مواد . مواد ۲۰۱۹ ، ۱۲ ، ۲۲۷۴  DOI: 10.3390/ma12142274Viewگوگل اسکالر
20. ۲۰راس، جی سی ؛ نیل، اف بی، کتابچه راهنمای پردازش تصویر ؛ انتشارات سی آر سی ، ۲۰۱۶ .Viewگوگل اسکالر
21. ۲۱سعیم، ک.م .؛ آفریدی، س.ک .؛ نثار، م .؛ اسلام، س. در جستجوی بهترین مدل خودکار: توضیح تقسیم‌بندی تصویر TEM نانوذرات . اولترا میکروسکوپی ۲۰۲۲ ، ۲۳۳ ، ۱۱۳۴۳۷ ،  DOI: 10.1016/j.ultramic.2021.113437Viewگوگل اسکالر
22. ۲۲یائو، ل .؛ چن، کیو. یادگیری ماشین در تحلیل داده‌های میکروسکوپ الکترونی نانومواد . در نانوفناوری هوشمند: ادغام علوم نانو و هوش مصنوعی ؛ ژنگ، ی .، وو، ز .، ویراستاران ؛ الزویر ؛ فصل 10، صفحات 279-305 .گوگل اسکالر
23. ۲۳ون، اچ .؛ شو، ایکس .؛ چئونگ، اس .؛ لو، اس.-سی .؛ چن، جی.-اچ .؛ چانگ، اس.وای .؛ دوایر، سی. مترولوژی نانوذرات محدب شکل از طریق یادگیری ماشینی طبقه‌بندی نرم تصاویر TEM . Nanoscale Adv. 2021 , 3 , 6956 – 6964 ,  DOI: 10.1039/D1NA00524CViewگوگل اسکالر
24. ۲۴گامبیوفسکی، ن .؛ لوزا، ک .؛ هگن، م .؛ اپل، م.. تجزیه و تحلیل خودکار تصاویر میکروسکوپ الکترونی عبوری از نانوذرات فلزی با استفاده از یادگیری ماشین . Nanoscale Adv. 2023 , 5 , 2318 – 2326 ,  DOI: 10.1039/D2NA00781AViewگوگل اسکالر
25. ۲۵ ASTM F1877-16: روش استاندارد برای توصیف ذرات ؛ ASTM International : West Conshohocken، پنسیلوانیا ، 2016 . DOI: 10.1520/F1877-16.Viewگوگل اسکالر
26. ۲۶پادچک، اف .؛ رحمان، اس. آر .؛ نیوتن، جی. ام. ارزیابییک روش استاندارد برای ارزیابی شکل گلوله‌ها با استفاده از آنالیز تصویر . مجله بین‌المللی داروسازی. ۱۹۹۹ ، ۱۹۲ ، ۱۲۳-۱۳۸ ،  DOI: 10.1016/S0378-5173(99)00302-6Viewگوگل اسکالر
27. ۲۷ویپولا، ام . والکونن، ام . سارلین، ای . هونکانن، ام . Huttunen، H. بینش در تجزیه و تحلیل اندازه نانوذرات – روش جدید و مناسب آنالیز تصویر در مقابل تکنیک‌های مرسوم . مقیاس نانو Res. Lett. 2016 ، 11 ، 169  DOI: 10.1186/s11671-016-1391-zViewگوگل اسکالر
28. ۲۸Bonevich، JE ؛ Haller، WK پروتکل سنجش مشترک NIST-NCL، PCC-7: اندازه‌گیری اندازه نانوذرات با استفاده از میکروسکوپ الکترونی عبوری (TEM) ؛ موسسه ملی استانداردها و فناوری و آزمایشگاه مشخصه‌یابی نانوفناوری ، ۲۰۱۰ ؛ https://www.cancer.gov/nano/research/ncl/protocols-capabilities/ncl-method-pcc-7.pdf (دسترسی در ۲۰۲۵-۰۳-۰۱).گوگل اسکالر
29. ۲۹فریرا، ت .؛ راسبند، دبلیو. راهنمای کاربر ImageJ ، نسخه ۱.۴۶r، ۲۰۱۲. http://fiji.sc/guide.git (دسترسی در ۲۰۲۵-۰۳-۰۱).گوگل اسکالر
30. ۳۰جین، ر .؛ زنگ، سی .؛ ژو، م .؛ چن، ی. نانوخوشه‌ها و نانوذرات فلزی کلوئیدی با دقت اتمی: مبانی و فرصت‌ها .شیمی . ویرایش ۲۰۱۶ ، ۱۱۶ ، ۱۰۳۴۶-۱۰۴۱۳ ،  DOI: 10.1021/acs.chemrev.5b00703Viewگوگل اسکالر
31. ۳۱کیس، ال‌بی ؛ سودرلاند، جی .؛ نیکلاسون، جی.ای ؛گرانکویست ، سی.جی. منشأ واقعی توزیع اندازه لگاریتمی نرمال نانوذرات در فرآیندهای رشد بخار . نانوساختار. ماتر. ۱۹۹۹ ، ۱۲ ، ۳۲۷-۳۳۲ ،  DOI: 10.1016/S0965-9773(99)00128-2Viewگوگل اسکالر
32. ۳۲اسپیو د لامایست، ر .؛ برناس، ه. اهمیت توزیع اندازه نانوبلور لگاریتمی نرمال . Phys. Rev. B 2006 ، 73 ، 125317 ،  DOI: 10.1103/PhysRevB.73.125317Viewگوگل اسکالر

نقل قول توسط

بیانیه‌های استنادی

بتا

• حمایت کردن0
• ذکر کردن۱
• متضاد0

عبارات استنادی این مقاله را در  scite.ai بررسی کنید

ارائه شده توسط  

این مقاله توسط ۳ نشریه مورد استناد قرار گرفته است.

1. ساکتی رنجان روت، فیاض علم، سواپنیل ساهو، کاوستوب پراکاش، گرگی دی، عبدالرحمان . خودآرایی قبل از جذب غشای هدف پروتئین مرتبط با دینامین هسته ای است. Biochemistry 2025 ، 64 (19)، 4142-4154. https://doi.org/10.1021/acs.biochem.5c00487View
2. درو گامدا ، رایان فیر ، آدارش کریشنامورتی ، انریکه دی. گومز ، باسکار گاناپاتیسوبرامانیان . GRATEv2: ابزارهای محاسباتی برای تجزیه و تحلیل بلادرنگ تصاویر TEM با وضوح بالا (HRTEM) با توان عملیاتی بالا از پلیمرهای مزدوج. Materials Advances 2025 ، 6 (19)، 6820-6842. https://doi.org/10.1039/D5MA00409HView
3. فوزیه خان ، برید باران لاهیری ، راداکریشنان ویدیا ، آروپ داسگوپتا ، آنیش کومار . راندمان گرمایش القایی نانوذرات فریت کبالت پوشش داده شده با پلی اتیلن گلیکول قابل پخش در آب تهیه شده با استفاده از تکنیک هم رسوبی به کمک مایکروویو. فیزیکا استاتوس سولیدی (a) 2025 ، 35 https://doi.org/10.1002/pssa.202500384View

https://pubs.acs.org/doi/full/10.1021/acsnanoscienceau.4c00076?ref=vi_au-tutorials