An Unsupervised Machine Learning Algorithm for Automated Analysis of Transmission Electron Microscope Images of Metal Nanoparticles
论文简介：
金属纳米颗粒（mNP）的形状属性决定了其许多物理、化学和功能性质，包括等离子体行为、催化效率和生物活性。目前多数重要的研究工作集中在开发形状控制合成的方法上，一个准确和有效的表征方法对于这些研究的成功是必不可少的。
迄今为止，透射电子显微镜（TEM）仍然是表征 NP 形态的最可靠和最广泛使用的方法，其中自动化高通量电子显微镜的快速发展大大提高了 TEM 数据的采集率和质量。TEM 数据采集效率的提高，现在使 NP 形状表征的规模从几十或数百个粒子增加到多个数量级，在信息量更丰富的统计分布的级别上提取信息。来自如此规模的 TEM 数据的信息远远超过了人类分析人员的能力，因此，开发自动化的 TEM 图像分析方法势在必行。
TEM 图像自动分析的理想算法应该能够执行两个任务：粒子检测，其中包括感兴趣粒子的识别和分割，以及信息提取，这通常涉及基于长径比和其他属性等属性来表征粒子的形状。
而目前已经有各种鲁棒算法被开发出来来执行自动粒子检测。然而，许多现有的算法分析了所有检测到的粒子，而没有对其形状和形状属性进行区分或分类。这种方法可能是可接受的，以量化简单的指标，如平均粒大小。然而，同质性的假设是主观的，而