A Lightweight, Low-Label Framework Towards Autonomous Morphology-Resolved SEM–EDS Analysis in Material Microscopy

Resumo Técnico: Um Framework Leve e de Baixo Volume de Rótulos para Análise de SEM–EDS com Resolução de Morfologia Autônoma

Declaração do Problema
A caracterização de materiais de alto rendimento é um gargalo crítico para laboratórios autônomos, particularmente na extração de relações significativas entre estrutura e propriedade a partir de dados multimodais complexos. Na Microscopia Eletrônica de Varredura (SEM) acoplada à Espectroscopia de Energia Dispersiva de Raios X (EDS), a correlação da morfologia das partículas com a composição elementar local permanece amplamente manual e intensiva em termos de especialização. Fluxos de trabalho convencionais dependem de analistas selecionando campos de visão limitados e interpretando espectros manualmente, o que leva ao viés de amostragem, baixo rendimento e falta de representatividade estatística. Além disso, soluções existentes de aprendizado profundo para segmentação de microestruturas automatizadas tipicamente requerem conjuntos de dados anotados manualmente extensos (frequentemente dezenas de milhares de objetos), que são dispendiosos para produzir e impraticáveis para muitas aplicações de ciência dos materiais. Há uma necessidade específica de um framework que possa realizar a quantificação composicional com resolução de morfologia com o mínimo de anotação humana e sem exigir recursos de computação de alto desempenho.

Metodologia
Os autores apresentam o SEMEX.Lab, um framework leve e eficiente em dados que integra segmentação baseada em aprendizado profundo com análise de EDS guiada por máscara. A metodologia consiste em três estáções primárias:

1. Geração de Dados Sintéticos Baseada em Canvas: Para superar a escassez de dados, os autores desenvolveram uma estratégia para gerar dados de treinamento sintéticos realistas a partir de um conjunto mínimo de imagens reais anotadas.

   • Pool de Morfologia: Instâncias de objetos (Lamelas, Esferas e "Outros" fragmentos irregulares) são extraídas de um pequeno conjunto de imagens reais rotuladas ($D$) para formar um pool específico de classe.
   • Construção de Canvas: Os fundos para imagens sintéticas são criados ao ladrilhar patches aleatórios de 10×10 pixels das regiões de fundo de imagens reais em um mosaico de 1024×1024.
   • Síntese: Instâncias do pool de morfologia são colocadas aleatoriamente sobre esses canvases com densidade e razões de classe controladas. Diferente da técnica de aumento de dados "copy-paste" padrão, este método gera imagens inteiramente sintéticas onde a densidade de objetos e as proporções de classe podem ser ajustadas independentemente, evitando a necessidade de Redes Adversárias Generativas (GANs) ou renderização 3D baseada em física.

2. Modelo de Segmentação Leve: Uma arquitetura U-Net++ com um codificador ResNet-18 (aproximadamente 15 milhões de parâmetros) é treinada na união de dados reais e sintéticos. O modelo realiza segmentação semântica para classificar pixels em quatro classes: Fundo, Lamela, Esfera e Outros. A arquitetura foi selecionada para permitir a implementação em estações de trabalho SEM padrão baseadas em CPU, sem hardware dedicado de GPU.

3. Análise de EDS com Resolução de Morfologia: As máscaras semânticas preditas são aplicadas a mapas elementares EDS co-adquiridos via interseção pixel a pixel. Isso permite a extração de estatísticas elementares (ex: Ti, O, Al, F, Cl, N) específicas para cada classe morfológica, em vez de uma média dos sinais sobre todo o campo de visão.

Resultados Principais
O framework foi validado usando um conjunto de dados de materiais de armazenamento de energia Ti₃C₂Tₓ MXene, que contêm lamelas alvo, fases precursoras residuais e contaminantes.

• Desempenho com Rótulos Mínimos: Treinar com apenas cinco imagens reais anotadas (contendo 577 objetos) aumentadas com 100 imagens sintéticas resultou em uma Intersection-over-Union média (mIoU) de 0,743. Isso representa uma melhoria relativa de 19,8% sobre o treinamento apenas com as cinco imagens reais (mIoU 0,62).
• Eficácia no Regime de Baixos Dados: O benefício do aumento sintético é mais pronunciado quando os dados rotulados são extremamente escassos. Com apenas duas imagens reais (232 objetos), o aumento sintético elevou o mIoU em até 67%.
• Ganhos Específicos por Classe: Os dados sintéticos melhoraram significativamente a segmentação de classes sub-representadas. Enquanto a classe dominante "Lamela" teve ganhos modestos, a classe "Esfera" melhorou 28% em IoU, e a rara classe "Outros" melhorou em 97%.
• Eficiência: O modelo processa imagens em aproximadamente 1,3 segundos em uma CPU padrão e 34 ms em uma GPU, permitindo a implementação direta na instrumentação existente.
• Insights Composicionais: Aplicado a amostras de MXene, o framework distinguiu com sucesso a composição elementar de diferentes morfologias. Revelou que a classe "Lamela" é dominante em Ti (37,8%), enquanto as classes "Esfera" e "Outros" são enriquecidas em Al, O e F, identificando-as como prováveis fases precursoras residuais ou subprodutos de corrosão. Este nível de quantificação de rendimento de partícula e impurezas é inacessível ao EDS convencional de campo médio.

Significância e Alegações
O artigo afirma que o SEMEX.Lab estabelece uma rota acessível para a microscopia eletrônica autônoma ao abordar os desafios duplos da escassez de anotação e do custo computacional.

• Eficiência de Dados: O framework demonstra que uma estratégia de síntese "baseada em canvas" pode expandir um punhado de imagens rotuladas em um conjunto de treinamento robusto, tornando o aprendizado profundo viável para aplicações de ciência dos materiais onde grandes conjuntos de dados anotados não estão disponíveis.
• Capacidade de Implementação: Ao utilizar um modelo leve que roda em CPUs padrão, o framework remove a barreira de exigir computação de alto desempenho ou servidores de inferência externos, permitindo a integração direta nos fluxos de trabalho de SEM existentes.
• Ligação Morfologia-Composição: O sistema vai além da simples segmentação para fornecer uma análise composicional com resolução de morfologia. Essa capacidade permite que pesquisadores quantifiquem rendimentos de síntese, identifiquem distribuições de impurezas e vinculem características microestruturais específicas à química local sem intervenção manual.
• Generalização: Embora demonstrado em MXenes, os autores afirmam que a abordagem não é específica para este material. O framework depende de um canal de imagem portador de estrutura e mapas de sinal espacialmente co-registrados, sugerindo aplicabilidade a outros materiais heterogêneos e métodos de microscopia multimodais (ex: microscopia de força atômica).

Os autores reconhecem limitações, observando que a validação atual é restrita a um único instrumento e sistema de material, e que a generalização entre instrumentos permanece a ser explorada. No entanto, eles posicionam este trabalho como um passo fundamental para a caracterização escalável de ciclo fechado e controle de qualidade na manufatura avançada de materiais.