.png){kind=icon}
返回
Deep Learning-Enabled Multimodal AFM Image Enhancement: Correlation Analysis between Surface Topography and Multiphysics Fields
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.analchem.5c06947.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在材料科学中，同步关联分析纳米尺度多物理场对材料表征的进展至关重要。原子力显微镜（AFM）是纳米尺度表征的基础技术；然而，多物理场噪声抑制和特征增强仍具挑战性。近期进展展示了深度学习在多尺度特征提取和高维数据可视化方面的卓越能力。因此，本文提出了一种基于多模态数据融合的图像增强模型，以捕捉表面形貌特征并促进表面物理属性的关联分析。构建了深度学习增强框架，并采用卷积神经网络从多尺度AFM数据中提取和增强特征。该方法有助于发现形貌表征与物理属性分析之间的潜在关联。所提出的模型能够精确识别超分辨率（SR）形貌图像中染色体相关区域，促进准确获取表面形貌特征。自研的三探针AFM系统集成了两个导电探针模块，可同步获取染色体表面的形貌信息和物理属性，实现纳米尺度分辨率的多维表征。对SR图像中染色体表面形貌的系统关联分析揭示了染色体结构域（短臂、着丝粒和长臂）的空间位置，并建立了其与相关物理属性的结构对应关系。所提出的方法为探索材料表面形貌、力学性质和表面电位分布之间的关联机制开辟了新途径，为材料科学的突破奠定了基础。
Keyword:
Atomic force microscopy
Electrical properties
Morphology
Nanoscale
Surface potential
期刊
IF:
6.7
论文数:
4.7W
被引数:
15.9W
机构
引用论文
Molecular identification via molecular fingerprint extraction from atomic force microscopy images通过从原子力显微镜图像中提取分子指纹进行分子识别
OAAI
OAAI分享收藏Machine Learning Allows for Distinguishing Precancerous and Cancerous Human Epithelial Cervical Cells Using High-Resolution AFM Imaging of Adhesion Maps.png)
CELLSOAAI
CELLSIF5.2
OAAI分享收藏Machine Learning-Based Reward-Driven Tuning of Scanning Probe Microscopy: Toward Fully Automated Microscopy基于机器学习的奖励驱动的扫描探针显微镜调整: 迈向全自动显微镜ACS NANO
ACS NANOIF16
PREAI
分享收藏
查看更多内容