高效解析复杂纳米颗粒：Meta SAM模型助力实现自动化与高精度，告别人工测量！

在材料科学中，纳米颗粒的形态特征对其物理化学性质及应用前景具有决定性影响。

然而，传统的人力测量方法在面对电子显微镜中成千上万的颗粒时，往往需要耗费数十小时，且容易受主观偏见的影响。同时，利用分水岭算法等半自动工具进行粒子分割在处理高度重叠的复杂颗粒结构时效果不甚理想。

德国康斯坦茨大学与巴西米纳斯吉拉斯联邦大学的研究团队提出了一项创新性解决方案：借助于预训练的人工智能模型（Segment Anything Model，SAM）实现纳米颗粒的自动化分割与形态分析。

相关研究以「Pre-trained artificial intelligence-aided analysis of nanoparticles using the segment anything model」为题，于2025年2月17日发表在《Scientific Reports》期刊上。

论文链接：https://www.nature.com/articles/s41598-025-86327-x

数据集：https://kondata.uni-konstanz.de/radar/en/dataset/EsfTYSZxEqPwiVkZ?token=JkMlsbdRVNoyALehTOiy

代码地址：https://github.com/brunoaugustoam/AnalysisOfNanoparticlesUsingSAM

研究背景

纳米颗粒的形态分析在胶体化学、材料科学及生物医学等多个领域中是一个核心课题。以哑铃形（双瓣）颗粒与三聚体（三瓣）颗粒为例，其自组装行为及流体力学性质与各子结构的尺寸、间距以及空间构型密切相关。

传统的分析方法通常依赖人工标注或分水岭算法，前者存在效率低下及主观误差的缺陷，而后者在重叠区域的识别上能力有限。以三聚体颗粒的分析为例，分水岭算法往往因瓣状结构的投影重叠而无法有效区分中间瓣（T2）与邻近瓣（T3），从而导致后续几何参数计算的失真。

虽然近年来深度学习在图像分割领域取得了一定进展，针对纳米颗粒的专用模型仍需大量标注数据进行训练，这限制了其广泛应用的可能性。

研究团队关注到了Meta在2023年提出的SAM模型，该模型通过海量通用分割任务进行预训练，具备零样本（zero-shot）迁移能力，为复杂颗粒分析提供了新的思路。

核心理念：零样本迁移的智能分割

SAM模型的主要优点在于其通用性：无需对纳米颗粒进行微调，仅需通过单次前向传播便可生成高质量的分割掩膜。

图示：分水岭算法与SAM在纳米球分割中的对比。（来源：论文）

研究团队针对电子显微镜图像的特性，对SAM模型的采样点密度和稳定性阈值进行了优化，并研发了后处理算法以过滤背景噪声与非目标区域。例如，通过计算掩膜的圆形度（>0.85）及长宽比（<1.15），有效排除不规则干扰物。

在处理多瓣结构方面，SAM能够独立分割各子结构，但需要通过后处理步骤确定其归属关系。研究提出了一种基于质心距离最小化的分配策略：首先分割完整颗粒，再识别内部子结构，最后通过质心空间关系将子结构归类至母体颗粒。这一方法打破了传统分水岭算法需要反复调整敏感度的局限，实现了从单颗粒到多级子结构的一体化分析。

图示：哑铃状颗粒显微图像分割的比较。（来源：论文）实验验证：精度与效率的双重提升

研究团队选取了纳米球（SphPS）、哑铃形（DiPS）与三聚体（TriPS）三类模型颗粒进行了验证。对比手动测量（MM）、分水岭参考方法（RM）和SAM方法后发现：