Spårning av nanopartiklar med iSCAT och maskininlärning

Abstract

Denna studie undersöker spårning av partiklar i storlek 100 nm från iSCAT-mikroskopi i två och tre dimensioner med maskininlärnings- och algoritm-baserade spårningsmetoder. Arbetet jämför noggrannheten av förutsägelser av partikelpositioner i två dimensioner mellan LodeSTAR-metoden och Radial Variance Transform algoritmen (RVT), hur dessa förutsägelser påverkar skapandet av partikelbanor med MAGIK och hur partiklarnas diffusivitet beror på den valda detektionsmetoden. För att möjliggöra förutsägelser i djupled anpassades den tredimensionella LodeSTAR-modellen för att tränas på syntetiserade bilder av partiklar på olika djup. Noggrannheten av LodeSTAR-metoden i tre dimensioner utvärderades genom att jämföra diffusivitet hos förutsagda partikelbanor från experimentell data med deras teoretiska värden, samt genom analys av banor och deras kovarianser i djupled. Resultaten för den tvådimensionella LodeSTAR-modellen visar att RVT, utifrån kovariansanalys, ger fler detektioner som resulterar i Brownsk rörelse för partiklarna, men att LodeSTAR presterar bättre i antal korrekt förutsagda partiklar och spårning över längre tidsförlopp. Däremot ger båda detektionsformer sämre resultat när partiklarna varierar avsevärt i form och storlek. Vidare tyder jämförelser av diffusivitet, kovarians och partikelbanor för tredimensionell detektion på att LodeSTAR-metoden extraherar information om partikeldjup, men att detektionerna saknar noggrannhet. Det föreslås att förbättring av den syntetiserade datan för att närmare efterlikna partiklar i djupare brunnar skulle ge mer precisa resultat. Sammanfattningsvis visar LodeSTAR-metoden lovande framtida potential för att spåra partiklar i tre dimensioner från iSCAT-bilder