Les chercheurs du RIKEN de l'installation japonaise de rayonnement synchrotron SPring-8 et leurs collaborateurs ont développé un moyen plus rapide et plus simple d'effectuer une analyse de segmentation, un processus essentiel en science des matériaux. La nouvelle méthode a été publiée dans la revue Science and Technology of Advanced Materials :Methods .
L'analyse de segmentation est utilisée pour comprendre la composition à échelle fine d'un matériau. Il identifie des régions distinctes (ou « segments ») avec des compositions, des caractéristiques structurelles ou des propriétés spécifiques. Cela permet d'évaluer l'adéquation d'un matériau à des fonctions spécifiques, ainsi que ses éventuelles limites. Il peut également être utilisé pour le contrôle qualité dans la fabrication des matériaux et pour identifier les points faibles lors de l'analyse des matériaux défaillants.
L'analyse de segmentation est très importante pour la tomodensitométrie à rayons X par rayonnement synchrotron (SR-CT), qui est similaire à la tomodensitométrie médicale conventionnelle, mais utilise des rayons X focalisés intenses produits par des électrons circulant dans un anneau de stockage à une vitesse proche de la vitesse de la lumière. /P>
L'équipe a démontré que l'apprentissage automatique est capable de réaliser l'analyse de segmentation pour le scanner à contraste de réfraction, ce qui est particulièrement utile pour visualiser la structure tridimensionnelle d'échantillons présentant de petites différences de densité entre les régions d'intérêt, telles que les résines époxy.
"Jusqu'à présent, aucune méthode générale d'analyse de segmentation pour la tomodensitométrie par contraste de réfraction du rayonnement synchrotron n'a été rapportée", explique le premier auteur, Satoru Hamamoto. "Les chercheurs ont généralement dû procéder à des analyses de segmentation par essais et erreurs, ce qui a rendu la tâche difficile à ceux qui ne sont pas des experts."
La solution de l'équipe consistait à utiliser des méthodes d'apprentissage automatique établies dans les domaines biomédicaux en combinaison avec une technique d'apprentissage par transfert pour s'adapter finement à l'analyse de segmentation des SR-CT. S'appuyer sur le modèle d'apprentissage automatique existant a considérablement réduit la quantité de données d'entraînement nécessaires pour obtenir des résultats.
"Nous avons démontré qu'une analyse de segmentation rapide et précise est possible à l'aide de méthodes d'apprentissage automatique, à un coût de calcul raisonnable et d'une manière qui devrait permettre aux non-experts d'atteindre des niveaux de précision similaires à ceux des experts", déclare Takaki Hatsui, qui a dirigé le groupe de recherche.
Les chercheurs ont effectué une analyse de validation de principe dans laquelle ils ont réussi à détecter des régions créées par l'eau dans une résine époxy. Leur succès suggère que la technique sera utile pour analyser un large éventail de matériaux.
Pour rendre cette méthode d'analyse disponible le plus largement et le plus rapidement possible, l'équipe envisage de mettre en place l'analyse de segmentation en tant que service proposé aux chercheurs externes par le centre de données SPring-8, qui a récemment commencé son exploitation.
Plus d'informations : Satoru Hamamoto et al, Démonstration d'un apprentissage par transfert efficace dans un problème de segmentation dans des données de tomodensitométrie à rayons X à rayonnement synchrotron pour la résine époxy, Science et technologie des matériaux avancés :méthodes (2023). DOI :10.1080/27660400.2023.2270529
Fourni par l'Institut national pour la science des matériaux
