Un nouvel outil d'analyse automatique pour la détermination de la taille des particules primaires à partir d'images de microscopie électronique : application du logiciel Cellpose

Pour déterminer si un matériau aggloméré ou agrégé peut être considéré comme un nanomatériau, la distribution en taille de ses particules constituantes ainsi que la médiane doivent être mesurées. Pour cela, la méthode de référence se base sur l’imagerie en microscopie électronique à transmission ou à balayage. La taille d’un nombre significatif de particules primaires, généralement quelques centaines, est mesurée à la main. Cette tâche prend beaucoup de temps et est sensible au biais opérateur. Des tentatives ont été menées pour automatiser les mesures de tailles. Les algorithmes et logiciels disponibles sont généralement capables de segmenter des images d’objets sphériques avec peu ou pas de recouvrement mais échouent à segmenter correctement des images d’objets irréguliers avec de forts recouvrements. Les avancées dans le domaine du deep learning sont prometteuses pour résoudre les problèmes de segmentation sur des échantillons complexes. Dans ce papier, nous avons testé le logiciel de deep learning Cellpose sur des images de microscopie électronique à transmission et à balayage de différents échantillons pour obtenir les diamètres des particules et les comparer avec les résultats obtenus manuellement et aux valeurs théoriques. Ce logiciel a été choisi pour sa facilité d’utilisation, sa gratuité ainsi que le fait qu’il soit pré-entraîné, permettant l’utilisation d’un nombre limité d’images d’entraînement. Pour les échantillons utilisés dans cette étude, la qualité de la segmentation était très dépendante du nombre d’objets sur lesquels le logiciel a été entraîné, mais un nombre de 500 à 1000 objets a été suffisant pour obtenir de bonnes performances. Les diamètres mesurés avec Cellpose sont généralement cohérents avec les valeurs manuelles avec des écarts inférieurs à 10%. Pour les images en microscopie à balayage, les résultats obtenus avec Cellpose sont plus proches des valeurs théoriques que les mesures manuelles, impliquant un biais opérateur plus faible. Si les incertitudes sur les diamètres obtenus en utilisant Cellpose doivent encore être déterminées, cette première tentative d’utilisation de ce logiciel pour segmenter des images de microscopie électronique de divers échantillons est très prometteuse et ouvre la voie vers une automatisation totale de l’identification de matériaux nanostructurés.