自动化、高精度，告别人工测量！Meta SAM模型高效解析复杂纳米颗粒

编辑 | 2049

在材料科学领域，纳米颗粒的形态特征直接决定了其物理化学性质与应用潜力。

然而，面对电子显微镜图像中数以千计的颗粒，传统的人工测量方法需要耗费数十小时，且易受主观偏差影响；而基于分水岭算法等半自动工具，则难以准确分割高度重叠的复杂颗粒结构。

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种创新解决方案：利用预训练人工智能模型（Segment Anything Model， SAM）实现纳米颗粒的自动化分割与形态分析。

该研究以「Pre-trained artificial intelligence-aided analysis of nanoparticles using the segment anything model」为题，发表于 2025 年 2 月 17 日的《Scientific Reports》。

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是胶体化学、材料科学和生物医学等领域的核心课题。以哑铃形（双瓣）和三聚体（三瓣）颗粒为例，其自组装行为与流体力学特性高度依赖于各子结构的尺寸、间距和空间构型。

传统方法依赖人工标注或分水岭算法，前者效率低下且易引入主观误差，后者对重叠区域的识别能力有限。例如，在分析三聚体时，分水岭算法常因瓣状结构投影重叠而无法区分中间瓣（T2）与相邻瓣（T3），导致后续的几何参数计算失真。

近年来，尽管深度学习在图像分割领域取得进展，但针对纳米颗粒的专用模型仍需大量标注数据训练，限制了其通用性。

研究团队注意到，Meta 于 2023 年提出的 SAM 模型通过海量通用分割任务预训练，具备零样本（zero-shot）迁移能力，为复杂颗粒分析提供了新思路。

核心理念：零样本迁移的智能分割

SAM 模型的核心优势在于其通用性：无需针对纳米颗粒进行微调，仅通过单次前向传播即可生成高质量分割掩膜。

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特点，优化了 SAM 的采样点密度和稳定性阈值，并开发后处理算法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）和长宽比（<1.15），有效排除不规则干扰物。

对于多瓣结构，SAM 可独立分割各子结构，但需通过后处理确定其归属关系。研究提出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。

这一方法突破了传统分水岭算法需多次调节敏感度的局限，实现了从单颗粒到多级子结构的一体化分析。

实验验证：精度与效率的双重提升

研究团队选取纳米球（SphPS）、哑铃形（DiPS）和三聚体（TriPS）三类模型颗粒进行验证。对比手动测量（MM）、分水岭参考方法（RM）和 SAM 方法发现：

1. 纳米球（SphPS）分析：SAM 的直径测量均值（134 nm）与手动测量（132 nm）偏差 <2%，且分布更集中（PDI=1.0009 vs 1.0018），证明其分割一致性更优。

图示：三类方法在 SphPS 直径测量中的统计对比。（来源：论文）

1. 哑铃形（DiPS）颗粒：SAM 准确分割双瓣结构，测得大瓣（D1）与小瓣（D2）直径分别为 180 nm 和 164 nm，与 RM 结果高度吻合（偏差 <4%），瓣间距（lD1D2）误差仅 1.6%。

图示：使用 RM 和 SAM 对 DiPS 样品获得的形态数据概览。（来源：论文）

1. 三聚体（TriPS）挑战：SAM 成功区分重叠瓣结构，测得三瓣夹角（θ）均值为 146°，而 RM 因手动标注重叠导致角度偏大（154°）。SAM 还首次实现了非重叠掩膜下的质心定位，显著提升了间距测量的准确性。

图示：使用 RM 和 SAM 获得的 TriPS 样品形态数据概览。（来源：论文）

与传统手动方法（约10小时/图像集）相比，SAM实现了全自动单图像分析，并通过非重叠掩膜技术显著减少了人为偏差。

然而，其仍面临两个挑战：一是对极端尺寸颗粒的敏感性需进一步优化；二是需开发更鲁棒的分配算法以处理高密度颗粒聚集场景。

未来展望

本研究将通用分割模型 SAM 引入纳米颗粒表征领域，实现了复杂结构的自动化、高精度解析。其零样本迁移能力不仅降低了技术门槛，更为跨尺度材料分析（如复杂材料缺陷、生物组织）提供了新范式。

未来研究方向包括：开发基于 SAM 的多组分联合分析框架，拓展其在动态自组装过程监测中的应用，以及探索与物理模型的耦合仿真。