Phase-separated polymer films are commonly used as coatings around pharmaceutical oral dosage forms (tablets or pellets) to facilitate controlled drug release. A typical choice is to use ethyl cellulose and hydroxypropyl cellulose (EC/HPC) polymer blends. When an EC/HPC film is in contact with water, the leaching out of the water-soluble HPC phase produces an EC film with a porous network through which the drug is transported. The drug release can be tailored by controlling the structure of this porous network. Imaging and characterization of such EC porous films facilitates understanding of how to control and tailor film formation and ultimately drug release. Combined focused ion beam and scanning electron microscope (FIB-SEM) tomography is a well-established technique for high-resolution imaging, and suitable for this application. However, for segmenting image data, in this case to correctly identify the porous network, FIB-SEM is a challenging technique to work with. In this work, we implement convolutional neural networks for segmentation of FIB-SEM image data. The data are acquired from three EC porous films where the HPC phases have been leached out. The three data sets have varying porosities in a range of interest for controlled drug release applications. We demonstrate very good agreement with manual segmentations. In particular, we demonstrate an improvement in comparison to previous work on the same data sets that utilized a random forest classifier trained on Gaussian scale-space features. Finally, we facilitate further development of FIB-SEM segmentation methods by making the data and software used open access.

中文翻译：

---

卷积神经网络用于分割来自多孔聚合物薄膜的 FIB-SEM 纳米断层扫描数据以控制药物释放

相分离聚合物薄膜通常用作药物口服剂型（片剂或丸剂）周围的包衣，以促进药物控制释放。典型的选择是使用乙基纤维素和羟丙基纤维素 (EC/HPC) 聚合物混合物。当 EC/HPC 薄膜与水接触时，水溶性 HPC 相的浸出会产生具有多孔网络的 EC 薄膜，药物通过该网络传输。可以通过控制这种多孔网络的结构来调整药物释放。这种 EC 多孔薄膜的成像和表征有助于理解如何控制和定制薄膜形成以及最终的药物释放。组合聚焦离子束和扫描电子显微镜 (FIB-SEM) 断层扫描是一种成熟的高分辨率成像技术，适用于该应用。然而，对于分割图像数据，在这种情况下，为了正确识别多孔网络，FIB-SEM 是一项具有挑战性的技术。在这项工作中，我们实现了用于分割 FIB-SEM 图像数据的卷积神经网络。数据来自三个 EC 多孔膜，其中 HPC 相已被浸出。这三个数据集在受控药物释放应用的一系列感兴趣的范围内具有不同的孔隙率。我们证明了与手动分割的非常好的一致性。特别是，与之前在相同数据集上使用高斯尺度空间特征训练的随机森林分类器的工作相比，我们展示了改进。最后，我们通过使数据和软件开放访问来促进 FIB-SEM 分割方法的进一步发展。在这种情况下，为了正确识别多孔网络，FIB-SEM 是一项具有挑战性的技术。在这项工作中，我们实现了用于分割 FIB-SEM 图像数据的卷积神经网络。数据来自三个 EC 多孔膜，其中 HPC 相已被浸出。这三个数据集在受控药物释放应用的一系列感兴趣的范围内具有不同的孔隙率。我们证明了与手动分割的非常好的一致性。特别是，与之前在相同数据集上使用高斯尺度空间特征训练的随机森林分类器的工作相比，我们展示了改进。最后，我们通过使数据和软件开放访问来促进 FIB-SEM 分割方法的进一步发展。在这种情况下，为了正确识别多孔网络，FIB-SEM 是一项具有挑战性的技术。在这项工作中，我们实现了用于分割 FIB-SEM 图像数据的卷积神经网络。数据来自三个 EC 多孔膜，其中 HPC 相已被浸出。这三个数据集在受控药物释放应用的一系列感兴趣的范围内具有不同的孔隙率。我们证明了与手动分割的非常好的一致性。特别是，与之前在相同数据集上使用高斯尺度空间特征训练的随机森林分类器的工作相比，我们展示了改进。最后，我们通过使数据和软件开放访问来促进 FIB-SEM 分割方法的进一步发展。我们实现了用于分割 FIB-SEM 图像数据的卷积神经网络。数据来自三个 EC 多孔膜，其中 HPC 相已被浸出。这三个数据集在受控药物释放应用的一系列感兴趣的范围内具有不同的孔隙率。我们证明了与手动分割的非常好的一致性。特别是，与之前在相同数据集上使用高斯尺度空间特征训练的随机森林分类器的工作相比，我们展示了改进。最后，我们通过使数据和软件开放访问来促进 FIB-SEM 分割方法的进一步发展。我们实现了用于分割 FIB-SEM 图像数据的卷积神经网络。数据来自三个 EC 多孔膜，其中 HPC 相已被浸出。这三个数据集在受控药物释放应用的一系列感兴趣的范围内具有不同的孔隙率。我们证明了与手动分割的非常好的一致性。特别是，与之前在相同数据集上使用高斯尺度空间特征训练的随机森林分类器的工作相比，我们展示了改进。最后，我们通过使数据和软件开放访问来促进 FIB-SEM 分割方法的进一步发展。这三个数据集在受控药物释放应用的一系列感兴趣的范围内具有不同的孔隙率。我们证明了与手动分割的非常好的一致性。特别是，与之前在相同数据集上使用高斯尺度空间特征训练的随机森林分类器的工作相比，我们展示了改进。最后，我们通过使数据和软件开放访问来促进 FIB-SEM 分割方法的进一步发展。这三个数据集在受控药物释放应用的一系列感兴趣的范围内具有不同的孔隙率。我们证明了与手动分割的非常好的一致性。特别是，与之前在相同数据集上使用高斯尺度空间特征训练的随机森林分类器的工作相比，我们展示了改进。最后，我们通过使数据和软件开放访问来促进 FIB-SEM 分割方法的进一步发展。