关于《Micrographia》期刊论文《Optimization of FIB–SEM Tomography and Reconstruction for Soft, Porous, and Poorly Conducting Materials》的学术研究报告

一、 研究概况

本研究由 Cecilia Fager（第一作者兼通讯作者）、Magnus Rödling、Anna Olsson、Niklas Lorén、Christian von Corswant、Aila Särkkä 和 Eva Olsson 共同完成。研究团队主要来自瑞典查尔姆斯理工大学物理系、瑞典国家研究院（RISE）农业食品与生物科学部门、阿斯利康研发部门以及查尔姆斯理工大学/哥德堡大学数学科学系。该研究成果于2020年发表在学术期刊 Microscopy and Microanalysis 上。

二、 学术背景

本研究属于材料科学、显微术与三维表征技术的交叉领域，具体聚焦于聚焦离子束-扫描电子显微镜（Focused Ion Beam-Scanning Electron Microscope, FIB-SEM）断层扫描技术。

科学领域与背景知识： FIB-SEM 断层扫描是一种强大的三维微观结构表征技术。它利用聚焦离子束（FIB）对材料进行纳米级精度的逐层切割（切片），同时利用扫描电子束（SEM）对每次切割后暴露出的新鲜截面进行高分辨率成像，最终通过堆叠这些二维图像序列重建出材料的三维结构。该技术已广泛应用于导电性良好的金属和陶瓷等致密材料。然而，对于离子束和电子束敏感、导电性差且质地柔软的软材料（如生物组织、聚合物、多孔材料等），应用FIB-SEM断层扫描面临巨大挑战。这些挑战主要包括：1) 截面伪影：如离子束切割时因材料硬度不均产生的“帘幕效应”（curtaining）；2) 荷电效应：非导电材料在电子束照射下表面积累电荷，导致图像畸变和亮度异常；3) 阴影效应与材料再沉积：周围结构遮挡成像区域，或溅射材料重新沉积在观察表面；4) 图像处理难题：对于多孔材料，截面图像不仅包含当前切割面的信息，还包含来自下方未切割区域的“亚表面”信号，导致固体与孔隙区域的灰度值重叠，使得后续的图像分割与三维重建变得异常困难。

研究动因与目标： 为了获得材料真实、无损的三维微观结构信息，研究者需要尽可能在材料的原始状态下进行观察。因此，针对上述挑战，开发一套适用于多孔、导电性差的软材料的标准化、优化的FIB-SEM断层扫描与重建流程至关重要。本研究旨在提出并验证一个通用性协议，以优化对这类“困难”材料进行FIB-SEM断层扫描的各项参数，目标是最大限度地减少伪影、消除荷电，并解决图像分割中的亚表面信号与灰度重叠问题，从而成功实现高质量的三维重建。

三、 详细工作流程

本研究的工作流程是一个系统性工程，涵盖了样品制备、仪器参数优化、数据采集和图像处理与重建四个主要环节，每个环节都针对软、多孔、导电性差材料的特点进行了精细设计和优化。

1. 样品制备： * 研究对象与样本： 研究选用了一种具有代表性的多孔、导电性差的软材料——用于药物控释包衣的多孔聚合物薄膜。该薄膜由水溶性聚合物羟丙基纤维素（Hydroxypropyl Cellulose, HPC）和水不溶性聚合物乙基纤维素（Ethyl Cellulose, EC）通过相分离法制备。通过将HPC组分浸出，留下多孔的EC基质。研究使用了三种不同HPC含量（重量百分比分别为22%， 30%， 45%）的薄膜，分别标记为HPC22、HPC30和HPC45，以评估方法对不同孔隙率材料的适用性。 * 制备流程： 为了避免传统样品制备方法（如染色、使用可变压力SEM）可能引入的伪影或限制离子束加工，本研究采用了一种简化的方法。样品首先用导电胶固定在铝质样品桩上以确保电接触，然后在样品表面溅射一层薄钯（Pd）层。这层钯膜的主要作用是提高表面导电性，从而在后续SEM成像中减少荷电效应。整个流程无需复杂的化学染色或冷冻处理。

2. FIB-SEM断层扫描参数优化（核心实验部分）： 研究使用Tescan Gaia3型号的FIB-SEM设备，并详细探索了如何通过调整离子束和电子束参数来解决各种挑战。 * a. 减少“帘幕效应”（Curtaining）： * 离子束参数优化： 通过实验方法逐步优化离子束电流。首先使用较高电流（如40 nA）快速铣削出大 trench，然后使用较低的、优化后的电流（本研究最终采用1 nA）进行精密切片，以消除高速铣削可能产生的帘幕伪影。离子束能量固定为30 keV。 * 沉积保护层： 在样品待观察区域表面，利用FIB辅助沉积技术，沉积一层致密、平滑的铂（Pt）保护层（也可使用钨或碳）。这层保护层提供了均匀的铣削表面，显著减少了因材料不均导致的铣削速率差异，从而有效抑制了帘幕效应的产生。研究比较了钯层+碳、钯层+钨和钯层+铂等不同组合，发现铂层效果良好且与基体材料对比度明显，便于后续图像对齐。 * b. 消除阴影效应与再沉积： * 在目标截面周围预先铣削出一个 “U”形槽。这个U形槽由截面两侧的窄槽和前方的一个大槽组成。此结构能有效防止周围材料在成像时对截面造成阴影遮挡，并为溅射出的材料提供逃逸空间，避免其再沉积到待观察的截面上，从而获得干净、清晰的截面图像。 * c. 减少荷电效应（Charging）： * 电子束参数优化： 这是解决软材料成像荷电问题的关键。研究者系统性地测试了不同电子束能量（从0.5 keV到2 keV）和电流。根据“无荷电条件”（入射电子数约等于背散射电子和二次电子发射总数）的原理，他们发现对于所研究的聚合物薄膜，700 eV的电子束能量和最低可用的10 pA束流能在获得足够探测器信号的同时，最大限度地减少荷电积累。能量过高会导致明显荷电，能量过低则信号太弱。 * 电荷中和： 在每次电子束成像前，通过气体注入系统向样品室短暂（5秒）注入碳气。电离的气体分子有助于中和截面表面积累的电荷。研究者优化了气体喷嘴与样品的距离，过近会导致碳沉积并引起新的帘幕效应，过远则中和效果不佳。 * 探测器选择： 对比了二次电子（SE）探测器和背散射电子（BSE）探测器。由于二次电子动能低，更容易受表面电荷影响，图像中出现局部亮斑（荷电伪影）。而背散射电子（特别是中角度BSE探测器）受荷电影响小，能提供更清晰、稳定的图像，尤其能更好地区分孔隙边缘。 * d. 避免电子束损伤： * 实验表明，过高的电子束能量（如30 keV）会对软聚合物材料造成不可逆的损伤，导致孔隙变形和表面倾斜。因此，优化后的低能电子束（700 eV）不仅减少了荷电，也最大限度地降低了辐射损伤，保持了样品的原始形貌。

3. 数据采集： 在优化所有参数后，对HPC22、HPC30、HPC45三个样品进行自动化的“切片-成像”循环。离子束以1 nA电流、30 keV能量进行精确切片（每片厚度未明确给出，但通常在纳米尺度），随后电子束在700 eV、10 pA参数下，使用中角度BSE探测器对新鲜截面进行成像。每个数据集包含约200张连续的二维截面图像。

4. 图像处理与三维重建（创新算法）： 这是解决多孔材料FIB-SEM图像分割难题的核心。 * 数据预处理： 首先使用ImageJ软件及其StackReg插件，采用刚体变换法对获得的200张二维图像序列进行对齐和裁剪（至3000 x 2000像素）。 * 分割挑战： 由于亚表面信号，每张二维图像中固体和孔隙的灰度值存在严重重叠，传统的全局阈值分割或局部阈值分割方法均无法有效区分两相。 * 基于机器学习的创新分割方法： * 人工标注训练集： 在每个数据集中随机选取100个256x256像素的区域，进行耗时约2天的手工分割，标注出孔隙和基体，作为“地面真实”数据。 * 特征提取： 为解决亚表面信息干扰，不仅从待分割的切片本身提取特征，还从其相邻的上下各5张切片（共11张切片）中提取信息。对每一张切片，计算其在不同尺度下的高斯平滑图像（尺度参数σ为0, 1, 2, 4, 8, 16, 32, 64, 128像素），其中σ=0代表原始图像强度。这样，每个待分类的像素点都关联了一个89维的特征向量（11张切片 * 8个尺度 + 1个原始强度）。 * 分类器训练与分割： 使用随机森林（Random Forest）分类器（由101棵决策树构成）在人工标注的数据上进行训练。训练好的分类器能够对整个图像堆栈中的每个像素点，预测其属于“孔隙”或“基体”的概率。通过对这个概率图进行平滑和阈值处理，最终得到高质量的二值分割图像（0代表孔隙，1代表基体）。 * 三维重建： 将分割后的二值图像堆栈导入ORS Visual软件，成功重建出三个不同孔隙率样品的三维多孔网络结构。

四、 主要结果

1. 参数优化结果： 研究确立了一套可重复的优化参数组合：离子束切片参数为1 nA， 30 keV；电子束成像参数为700 eV， 10 pA，并使用中角度BSE探测器。结合表面溅射钯层、沉积铂保护层、铣削U形槽以及在成像间隙注入碳气进行电荷中和，系统性地解决了软、多孔、导电性差材料在FIB-SEM断层扫描中面临的帘幕效应、阴影与再沉积、荷电效应以及电子束损伤等核心难题。实验图像清晰地展示了优化前后效果的对比，例如，使用铂保护层后帘幕效应消失，使用BSE探测器后荷电伪影消除，孔隙边缘更清晰。
2. 图像分割与重建结果： 针对多孔材料图像分割的特殊挑战（亚表面信号与灰度重叠），传统的阈值分割方法完全失败。而本研究提出的基于随机森林的机器学习方法取得了成功。该方法通过利用相邻切片的多尺度特征，使分类器能够有效地区分来自当前切片的真实信号和来自下方切片的亚表面信号。最终，对HPC22、HPC30、HPC45三个样品都实现了全自动、高精度的图像分割。
3. 三维重建结果： 基于上述分割结果，研究成功获得了三个具有不同孔隙率的多孔聚合物薄膜的高质量三维重建模型。这些模型直观地展示了多孔EC基质的内部三维连通网络结构，其空间尺度为宽度（x）30微米，高度（y）20微米，深度（z）10微米。重建结果验证了整个优化协议的有效性。

结果的逻辑关系： 样品制备是基础，为后续成像提供了稳定、导电性改善的样本。参数优化是核心，它确保了在数据采集阶段能够获得高质量、无伪影的原始二维图像序列。这些高质量的二维图像是进行准确三维重建的前提。而创新的机器学习分割算法则是将优质二维数据转化为可靠三维模型的关键工具，它专门攻克了由材料本身特性（多孔、亚表面信号）带来的图像处理瓶颈。每一步的结果都为下一步的成功奠定了基础，环环相扣。

五、 结论与价值

本研究成功开发并验证了一套用于对软质、多孔、导电性差的材料进行FIB-SEM断层扫描与三维重建的通用优化协议。

科学价值： 1. 方法论贡献： 该研究填补了FIB-SEM三维表征技术在该类“困难”材料应用上的方法论空白。它提供了一份详尽的“操作手册”，系统地解决了从样品准备、仪器参数设置到数据后处理的全链条难题。 2. 算法创新： 提出的基于随机森林和跨切片多尺度特征的机器学习分割算法，为处理具有亚表面信号干扰的FIB-SEM图像数据提供了新的、有效的解决方案，具有推广到其他类似成像问题的潜力。

应用价值： 1. 材料研究： 该协议使得研究者能够在不破坏材料原始状态的前提下，无损地获取其真实的三维纳米/微米结构。这对于理解多孔聚合物、生物材料、水凝胶、食品、化妆品等软物质的结构-性能关系至关重要。 2. 药物研发： 本研究以药物控释薄膜为例，展示了该技术的直接应用价值。精确的三维孔隙结构信息是理解和预测药物释放动力学的关键，有助于优化制剂设计。 3. 推广性： 虽然研究以特定聚合物薄膜为模型体系，但协议的设计是通用性的，可广泛应用于其他面临类似挑战的软、多孔、绝缘材料体系。

六、 研究亮点

1. 系统性解决方案： 研究不是孤立地解决某一个技术难点，而是提供了一套完整、系统、可操作的优化流程，涵盖了从物理制样、仪器操作到计算分析的各个环节。
2. 针对核心难题的创新性突破： 针对多孔材料FIB-SEM图像中亚表面信号导致的灰度重叠这一长期困扰图像分割的难题，创新性地引入了基于机器学习的随机森林分类器，并结合跨切片的多尺度高斯特征，成功实现了自动、准确的分割，这是本研究在方法论上的一个显著亮点。
3. 精细化的参数优化策略： 对电子束能量、电流的优化，以及对电荷中和气体使用时机和距离的把握，体现了对FIB-SEM成像物理原理的深刻理解和精细的实验控制能力。
4. 成功的验证案例： 通过对三种不同孔隙率的实际药物控释薄膜材料进行完整的三维重建，有力地证明了该协议的有效性和实用性，而非停留在理论或模型阶段。

七、 其他有价值内容

研究在讨论部分还通过对比实验，直观展示了不当参数（如过高电子束能量）对软材料造成的电子束损伤，强调了低能电子束对于保持样品完整性的重要性。此外，研究比较了不同保护层（碳、钨、铂）的效果，指出铂层在提供良好保护的同时，与基体材料形成了清晰的对比度，这为其他研究者根据自身材料特性选择保护层提供了参考。这些细节都增强了该协议作为实用指南的完整性和参考价值。