Investigadores de RIKEN en la instalación de radiación sincrotrón de Japón, SPring-8 y sus colaboradores han desarrollado una forma más rápida y sencilla de llevar a cabo análisis de segmentación, un proceso vital en la ciencia de materiales. El nuevo método fue publicado en la revista Ciencia y Tecnología de Materiales Avanzados:Métodos .

El análisis de segmentación se utiliza para comprender la composición a escala fina de un material. Identifica distintas regiones (o 'segmentos') con composiciones, características estructurales o propiedades específicas. Esto ayuda a evaluar la idoneidad de un material para funciones específicas, así como sus posibles limitaciones. También se puede utilizar para el control de calidad en la fabricación de materiales y para identificar puntos débiles al analizar materiales que han fallado.

El análisis de segmentación es muy importante para la tomografía computarizada de rayos X con radiación de sincrotrón (SR-CT), que es similar a la tomografía computarizada médica convencional pero utiliza rayos X intensos enfocados producidos por electrones que circulan en un anillo de almacenamiento a casi la velocidad de la luz. /P>

El equipo ha demostrado que el aprendizaje automático es capaz de realizar el análisis de segmentación para la TC de contraste de refracción, lo que es especialmente útil para visualizar la estructura tridimensional en muestras con pequeñas diferencias de densidad entre regiones de interés, como las resinas epoxi.

"Hasta ahora, no se ha informado de ningún método de análisis de segmentación general para la TC de contraste de refracción de radiación de sincrotrón", dice el primer autor, Satoru Hamamoto. "Los investigadores generalmente han tenido que hacer análisis de segmentación mediante prueba y error, lo que ha dificultado las cosas para quienes no son expertos".

La solución del equipo fue utilizar métodos de aprendizaje automático establecidos en campos biomédicos en combinación con una técnica de aprendizaje por transferencia para ajustarse con precisión al análisis de segmentación de SR-CT. Aprovechar el modelo de aprendizaje automático existente redujo en gran medida la cantidad de datos de entrenamiento necesarios para obtener resultados.

"Hemos demostrado que es posible realizar un análisis de segmentación rápido y preciso utilizando métodos de aprendizaje automático, a un costo computacional razonable y de una manera que debería permitir a los no expertos alcanzar niveles de precisión similares a los de los expertos", dice Takaki Hatsui, quien dirigió el grupo de investigación.

Los investigadores llevaron a cabo un análisis de prueba de concepto en el que detectaron con éxito regiones creadas por agua dentro de una resina epoxi. Su éxito sugiere que la técnica será útil para analizar una amplia gama de materiales.

Para que este método de análisis esté disponible de la manera más amplia y rápida posible, el equipo planea establecer el análisis de segmentación como un servicio ofrecido a investigadores externos por el centro de datos SPring-8, que recientemente comenzó a operar.

Más información: Satoru Hamamoto et al, Demostración de aprendizaje por transferencia eficiente en el problema de segmentación en datos de TC de rayos X con radiación sincrotrón para resina epoxi, Ciencia y tecnología de materiales avanzados:métodos (2023). DOI:10.1080/27660400.2023.2270529

Proporcionado por el Instituto Nacional de Ciencia de Materiales