特許ウォッチ

公開番号2025170220
公報種別公開特許公報(A)
公開日2025-11-18
出願番号2025076536
出願日2025-05-02
発明の名称物理的サンプルの微視的成分の分類
出願人エフイーアイカンパニ,FEI COMPANY
代理人弁理士法人ITOH
主分類G06T 7/00 20170101AFI20251111BHJP(計算;計数)
要約【課題】従来の分類システムよりもはるかに迅速に、サンプルの微視的成分の正確な分類をするサンプル分析方法を提供する。
【解決手段】物理的サンプルの微視的成分を分類するための方法は、物理的サンプルを表す画像内の関心領域(ROI)のセットを生成することを含む。画像は、第1の分析モードを使用して顕微鏡システムによって生成される。方法はまた、訓練された機械学習モデルを、ROIに関連付けられた画像の少なくとも一部分に適用することによって、ROIの初期分類を生成することと、初期分類に関連付けられた信頼度スコアを生成することと、ROIの初期分類についての信頼度スコアが信頼基準のセットを満たさないとき、顕微鏡システムに、第1の分析モードとは異なる第2の分析モードを使用して、ROIに関連付けられたサンプルの少なくとも一部分を再分析させることと、を含む。
【選択図】図4
特許請求の範囲【請求項１】
物理的サンプルの微視的成分を分類するための方法であって、
前記物理的サンプルを表す画像内の関心領域（ＲＯＩ）のセットを生成することであって、前記画像は、第１の分析モードを使用して顕微鏡システムによって生成される、生成することと、
訓練された機械学習モデルを、ＲＯＩに関連付けられた前記画像の少なくとも一部分に適用することによって、前記ＲＯＩの初期分類を生成することと、
前記初期分類に関連付けられた信頼度スコアを生成することと、
ＲＯＩの初期分類についての前記信頼度スコアが信頼基準のセットを満たさないとき、前記顕微鏡システムに、前記第１の分析モードとは異なる第２の分析モードを使用して、前記ＲＯＩに関連付けられた前記物理的サンプルの少なくとも一部分を再分析させることと、を含む、
方法。
続きを表示（約 1,100 文字）【請求項２】
前記顕微鏡システムは、前記第２の分析モードを使用するよりも、前記第１の分析モードを使用して、前記ＲＯＩに関連付けられた前記物理的サンプルの前記一部分を撮像するためにより少ない時間を要する、請求項１に記載の方法。
【請求項３】
前記第１の分析モードは、後方散乱電子検出（ＢＳＥＤ）を含む、請求項１に記載の方法。
【請求項４】
前記第２の分析モードは、エネルギー分散分光法（ＥＤＳ）を含む、請求項３に記載の方法。
【請求項５】
前記ＲＯＩの全てではなく一部が、前記第２の分析モードを使用して再分析される、請求項１に記載の方法。
【請求項６】
前記画像内の個々のＲＯＩは、前記物理的サンプル内の個々の粒子に対応する、請求項１に記載の方法。
【請求項７】
ＲＯＩの初期分類についての前記信頼度スコアが前記信頼基準のセットを満たさないとき、前記ＲＯＩの最終分類を生成するために、前記再分析することによって生成されたデータを使用することを更に含む、請求項１に記載の方法。
【請求項８】
ＲＯＩの初期分類についての前記信頼度スコアが信頼基準のセットを満たすとき、前記ＲＯＩの前記初期分類を前記ＲＯＩの最終分類として使用することを更に含む、請求項７に記載の方法。
【請求項９】
前記ＲＯＩのセット内の個々のＲＯＩの前記最終分類を含む分類レポートを出力することを更に含む、請求項８に記載の方法。
【請求項１０】
物理的サンプルの微視的成分を分類するための機械学習モデルを生成するための方法であって、
前記物理的サンプルを表す第１のデータを受信することであって、前記第１のデータは、第１の分析モードを使用して顕微鏡システムによって生成される、受信することと、
前記第１のデータにおける関心領域（ＲＯＩ）の分類を表す分類データを受信することであって、前記分類データは、前記物理的サンプルの、前記第１のデータとは異なる第２のデータに少なくとも部分的に基づいて生成されたものであり、前記第２のデータは、前記第１の分析モードとは異なる第２の分析モードを使用して前記顕微鏡システムによって生成されたものである、受信することと、
前記第１の分析モードを使用して前記顕微鏡システムによって生成されたデータ内のＲＯＩの分類を生成するために、前記第１のデータを表すデータ及び前記分類データを使用し、前記第２のデータを使用せずに、機械学習モデルを訓練することと、を含む、
方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
サンプルの微視的特徴に関するデータを生成することができる多くのタイプの分析機器が存在している。異なるタイプのかかる機器は、サンプルについてのデータを生成するために異なる物理的原理を使用することができる。
続きを表示（約 3,600 文字）【図面の簡単な説明】
【０００２】
実施形態は、添付の図面と併せて以下の詳細な説明によって容易に理解されるであろう。この説明を容易にするために、同様の参照番号は同様の構造要素を指している。実施形態は、限定としてではなく例として、添付の図面の図に例解されている。
様々な実施形態による、サンプル分析動作を行うための例示的なサンプル分析モジュールのブロック図である。
様々な実施形態による、複数の関心領域（regions-of-interest、ＲＯＩ）が識別された画像の例を示す。
様々な実施形態による、特定のＲＯＩに関連付けられたサンプルの一部分に対するエネルギー分散分光法（energy dispersive spectroscopy、ＥＤＳ）分析の例示的な結果を図示する。
様々な実施形態による、サンプル分析動作を行う例示的な方法のフロー図である。
様々な実施形態による、物理的サンプルの微視的成分を分類するための機械学習モデルを生成する例示的な方法のフロー図である。
様々な実施形態による、以前に分類されていないＲＯＩのための新しい分類を作成する方法のフロー図である。
様々な実施形態による、本明細書に開示されるサンプル分析方法のうちのいくつか又は全てを実施する際に使用され得るグラフィカルユーザインターフェース（graphical user interface、ＧＵＩ）の一例である。
様々な実施形態による、本明細書に開示されるサンプル分析方法のいくつか又は全てを実施し得る例示的なコンピューティングデバイスのブロック図である。
様々な実施形態による、本明細書に開示されるサンプル分析方法のうちのいくつか又は全てが実施され得る例示的なサンプル分析システムのブロック図である。
【発明を実施するための形態】
【０００３】
本明細書では、物理的サンプルの微視的成分を分類するためのシステム、並びに関連する方法、コンピューティングデバイス、及びコンピュータ可読媒体が開示される。例えば、いくつかの実施形態では、物理的サンプルの微視的成分を分類するための方法は、物理的サンプルを表す画像内の関心領域（ＲＯＩ）のセットを生成することであって、画像は、第１の分析モードを使用して顕微鏡システムによって生成される、生成することと、訓練された機械学習（machine-learning、ＭＬ）モデルを、ＲＯＩに関連付けられた画像の少なくとも一部分に適用することによって、ＲＯＩの初期分類を生成することと、初期分類に関連付けられた信頼度スコアを生成することと、ＲＯＩの初期分類についての信頼度スコアが信頼基準のセットを満たさないとき、顕微鏡システムに、第１の分析モードとは異なる第２の分析モードを使用して、ＲＯＩに関連付けられたサンプルの少なくとも一部分を再分析させることと、を含み得る。
【０００４】
以下で更に詳細に論じられるように、多くの科学及び産業用途は、サンプルの微視的成分の正確な分類から利益を享受することができる（例えば、アセンブリプロセスにおいて「汚い」構成要素を使用することを回避するため、更なる処理の前に材料が適切な品質を有することを確実にするため、犯罪現場サンプルの高速分析によって効果的な治安執行を促進するためなど）。多くのかかる用途では、可能な限り迅速に正確な分類を生成することが、この情報の適時的な使用を可能にするために重要である。速度の必要性は、分析を必要とする多くのサンプルが存在し（例えば、いくつかの自動車製造プロセスでは１０番目の部品ごと）、より長い処理時間が望ましくないバックログをもたらし得る、大量分析用途において特に重要である。いくつかの用途では、分析は、サンプルに対して非破壊的でなければならず、高度に反復可能でなければならず（例えば、９３～９９％の粒子が検出され、一致する）、及び／又は異なる顕微鏡システムが使用されるときに再現可能でなければならない（例えば、その結果、１つの顕微鏡を使用してサンプルを撮像する分類結果は、異なる顕微鏡を使用してサンプルを撮像する分類結果と一致し、いくつかの用途は、現場承認試験の一部として、誤差に対して＋／－８％以下の公差のみを規定する）。
【０００５】
本明細書に開示されるのは、従来の分類システムよりもはるかに迅速に、サンプルの微視的成分の正確な分類を可能にし得る、サンプル分析技術及びシステムである。本明細書で開示される技術及びシステムは、機械学習技術を利用することができ、（ＭＬツールに通常必要とされるように）訓練データのセットを入念に作成するために追加の時間を確保することを人間のユーザに要求することなく実装され得る。更に、本明細書に開示される技術及びシステムの様々な実施形態は、ＭＬベースの分類器の開発のための自律的又は半自律的プロセスを提供し、人間の努力をほとんど又は全く伴わずに、モデル訓練及び分配を可能にする。いったん導入されると、本明細書に開示されるＭＬベースの技術及びシステムは、サンプルの評価時間における桁違いの改善の可能性を伴って、従来の分類システムよりもはるかに高速なサンプルの成分の分類を可能にし得る。
【０００６】
したがって、本明細書に開示されるサンプル分析実施形態は、従来のアプローチと比較して、改善された性能を達成することができる。特に、それゆえ、本明細書で開示される実施形態は、科学機器技術の改善（例えば、他の改善の中でも、かかる科学機器をサポートするコンピュータ技術の改善）を提供する。本明細書で開示される実施形態のうちの様々な実施形態は、時間のかかる従来の分析技術を少なくとも部分的に置き換え、より高いスループットを達成するために、ＭＬモデルの自律的又は半自律的な訓練及び展開によって物理的サンプルの微視的成分のより高速な分類の技術的利点を達成するように、従来のアプローチを改善することができる。かかる技術的利点は、ルーチン及び従来のアプローチによって達成可能ではなく、かかる実施形態を含むシステムの全てのユーザは、これらの利点から利益を享受し得る。したがって、本明細書に開示される実施形態の技術的特徴は、本明細書に開示される実施形態の特徴の組み合わせと同様に、サンプル分析の分野において明らかに非従来的である。本明細書で更に論じられるように、本明細書で開示される実施形態の様々な態様は、コンピュータ自体の機能、例えば、サンプル分析データを分析するコンピューティングシステムを改善し得る。本明細書に開示される計算及びユーザインターフェース特徴は、情報の収集及び比較を伴うだけでなく、新しい分析及び技術的技術を適用し、科学又は産業プロセスの一部として微視的特徴分類を採用するシステムの動作を変更する。したがって、本開示は、従来のコンピューティングデバイスも人間も実施することができなかった機能を導入する。
【０００７】
それゆえ、本開示の実施形態は、特定の技術システム、又はプロセスを制御すること、測定（例えば、サンプルの微視的成分の分類）から、機械又はプロセスをどのように制御するかを判定すること、デジタル画像強調又は分析、及び分析機器データのより高速な処理を提供することなど、いくつかの技術的目的のいずれかを果たすことができる。
【０００８】
したがって、本明細書に開示される実施形態は、分析機器及びサンプル分析技術の改善（例えば、他の改善の中でも、サンプル分析をサポートするコンピュータ技術の改善）を提供する。
【０００９】
以下の詳細な説明では、本明細書の一部を形成する添付の図面が参照され、同様の数字は全体を通して同様の部分を示し、例解として、実施され得る実施形態が示される。本開示の範囲から逸脱することなく、他の実施形態が利用され得、構造的又は論理的な変更が行われ得ることを理解されたい。したがって、以下の詳細な説明は、限定的な意味で解釈されるべきではない。
【００１０】
様々な動作は、本明細書に開示される主題を理解するのに最も役立つように、複数の別個のアクション又は動作として順に説明され得る。しかしながら、説明の順序は、これらの動作が必然的に順序に依存することを示唆するものとして解釈されるべきではない。具体的には、これらの動作は、提示の順序で実施されない場合がある。説明される動作は、説明される実施形態とは異なる順序で実施され得る。様々な追加の動作が実施され得、かつ／又は説明された動作が追加の実施形態において省略され得る。
（【００１１】以降は省略されています）

関連特許