We present a trainable segmentation method implemented within the python package ParticleSpy. The method takes user labelled pixels, which are used to train a classifier and segment images of inorganic nanoparticles from transmission electron microscope images. This implementation is based on the trainable Waikato Environment for Knowledge Analysis (WEKA) segmentation, but is written in python, allowing a large degree of flexibility and meaning it can be easily expanded using other python packages. We find that trainable segmentation offers better accuracy than global or local thresholding methods and requires as few as 100 user-labelled pixels to produce an accurate segmentation. Trainable segmentation presents a balance of accuracy and training time between global/local thresholding and neural networks, when used on transmission electron microscope images of nanoparticles. We also quantitatively investigate the effectiveness of the components of trainable segmentation, its filter kernels and classifiers, in order to demonstrate the use cases for the different filter kernels in ParticleSpy and the most accurate classifiers for different data types. A set of filter kernels is identified that are effective in distinguishing particles from background but that retain dissimilar features. In terms of classifiers, we find that different classifiers perform optimally for different image contrast; specifically, a random forest classifier performs best for high-contrast ADF images, but that QDA and Gaussian Naïve Bayes classifiers perform better for low-contrast TEM images.

中文翻译：

---

无机纳米粒子透射电子显微镜图像的可训练分割

我们提出了一种在 python 包 ParticleSpy 中实现的可训练分割方法。该方法采用用户标记的像素，这些像素用于训练分类器并从透射电子显微镜图像中分割无机纳米粒子的图像。此实现基于可训练的 Waikato 知识分析环境 (WEKA) 分段，但使用 Python 编写，具有很大程度的灵活性，这意味着它可以使用其他 Python 包轻松扩展。我们发现可训练分割比全局或局部阈值方法提供更好的准确性，并且需要少至 100 个用户标记的像素来产生准确的分割。可训练分割在全局/局部阈值和神经网络之间呈现准确性和训练时间的平衡，当用于纳米粒子的透射电子显微镜图像时。我们还定量研究了可训练分割组件、其过滤器内核和分类器的有效性，以展示 ParticleSpy 中不同过滤器内核的用例以及针对不同数据类型的最准确分类器。确定了一组过滤器内核，这些内核可有效区分粒子与背景，但保留不同的特征。在分类器方面，我们发现不同的分类器对不同的图像对比度表现最佳；具体来说，随机森林分类器对高对比度 ADF 图像表现最佳，但 QDA 和高斯朴素贝叶斯分类器对低对比度 TEM 图像表现更好。我们还定量研究了可训练分割组件、其过滤器内核和分类器的有效性，以展示 ParticleSpy 中不同过滤器内核的用例以及针对不同数据类型的最准确分类器。确定了一组过滤器内核，这些内核可有效区分粒子与背景，但保留不同的特征。在分类器方面，我们发现不同的分类器对不同的图像对比度表现最佳；具体来说，随机森林分类器对高对比度 ADF 图像表现最佳，但 QDA 和高斯朴素贝叶斯分类器对低对比度 TEM 图像表现更好。我们还定量研究了可训练分割组件、其过滤器内核和分类器的有效性，以展示 ParticleSpy 中不同过滤器内核的用例以及针对不同数据类型的最准确分类器。确定了一组过滤器内核，这些内核可有效区分粒子与背景，但保留不同的特征。在分类器方面，我们发现不同的分类器对不同的图像对比度表现最佳；具体来说，随机森林分类器对高对比度 ADF 图像表现最佳，但 QDA 和高斯朴素贝叶斯分类器对低对比度 TEM 图像表现更好。为了演示 ParticleSpy 中不同过滤器内核的用例以及针对不同数据类型的最准确分类器。确定了一组过滤器内核，这些内核可有效区分粒子与背景，但保留不同的特征。在分类器方面，我们发现不同的分类器对不同的图像对比度表现最佳；具体来说，随机森林分类器对高对比度 ADF 图像表现最佳，但 QDA 和高斯朴素贝叶斯分类器对低对比度 TEM 图像表现更好。为了演示 ParticleSpy 中不同过滤器内核的用例以及针对不同数据类型的最准确分类器。确定了一组过滤器内核，这些内核可有效区分粒子与背景，但保留不同的特征。在分类器方面，我们发现不同的分类器对不同的图像对比度表现最佳；具体来说，随机森林分类器对高对比度 ADF 图像表现最佳，但 QDA 和高斯朴素贝叶斯分类器对低对比度 TEM 图像表现更好。我们发现不同的分类器针对不同的图像对比度表现最佳；具体来说，随机森林分类器对高对比度 ADF 图像表现最佳，但 QDA 和高斯朴素贝叶斯分类器对低对比度 TEM 图像表现更好。我们发现不同的分类器针对不同的图像对比度表现最佳；具体来说，随机森林分类器对高对比度 ADF 图像表现最佳，但 QDA 和高斯朴素贝叶斯分类器对低对比度 TEM 图像表现更好。