ترجمه فارسی مقاله تسریع تحلیل میکروسکوپ الکترونی آگاه از دامنه با استفاده از مدل‌های یادگیری عمیق با داده‌های مصنوعی و امتیازدهی اطمینان در سطح تصویر

چکیده

The integration of machine learning (ML) models enhances the efficiency, affordability, and reliability of feature detection in microscopy, yet their development and applicability are hindered by the dependency on scarce and often flawed manually labeled datasets and a lack of domain awareness. We addressed these challenges by creating a physics-based synthetic image and data generator, resulting in a machine learning model that achieves comparable precision (0.86), recall (0.63), F1 scores (0.71), and engineering property predictions (R2=0.82) to a model trained on human-labeled data. We enhanced both models by using feature prediction confidence scores to derive an image-wide confidence metric, enabling simple thresholding to eliminate ambiguous and out-of-domain images resulting in performance boosts of 5-30% with a filtering-out rate of 25%. Our study demonstrates that synthetic data can eliminate human reliance in ML and provides a means for domain awareness in cases where many feature detections per image are needed.

چکیده به فارسی (ترجمه ماشینی)

ادغام مدل های یادگیری ماشین (ML) باعث افزایش کارایی ، قیمت مناسب و قابلیت اطمینان تشخیص ویژگی در میکروسکوپ می شود ، اما توسعه و کاربرد آنها با وابستگی به مجموعه داده های کمیاب و اغلب ناقص با برچسب دستی و عدم آگاهی دامنه مانع می شود.ما با ایجاد یک تصویر مصنوعی مبتنی بر فیزیک و ژنراتور داده ، به این چالش ها پرداختیم ، و در نتیجه یک مدل یادگیری ماشین که به دقت قابل مقایسه (0.86) ، فراخوان (0.63) ، نمرات F1 (0.71) و پیش بینی های مهندسی (R2 = 0.82) دست پیدا می کند.به مدلی که بر روی داده های دارای برچسب انسانی آموزش داده شده است.ما هر دو مدل را با استفاده از نمرات اعتماد به نفس پیش بینی ویژگی برای به دست آوردن یک متریک اعتماد به نفس در سطح تصویر افزایش دادیم ، و این امکان را برای آستانه ساده فراهم می کند تا تصاویر مبهم و خارج از دامنه را از بین ببرد که منجر به افزایش عملکرد 5-30 ٪ با نرخ فیلتر 25 ٪ می شودبشرمطالعه ما نشان می دهد که داده های مصنوعی می توانند اعتماد به نفس انسان به ML را از بین ببرند و وسیله ای برای آگاهی از دامنه در مواردی که بسیاری از تشخیص های ویژگی در هر تصویر مورد نیاز است فراهم می کند.