Hoogwaardige en efficiënte deeltjesmicroscopie via regionale focuszoektocht en adaptieve focusstapelvorming

Waarom scherpere kleine deeltjes ertoe doen

Van nanodeeltjes voor medicijnafgifte tot industriële poeders: veel moderne technologieën hangen af van zeer kleine deeltjes waarvan grootte en vorm met grote precisie moeten worden gemeten. Toch hebben zelfs de beste microscopen een ingebouwd nadeel: ze houden telkens maar een dunne scherptediepte scherp in beeld. Wanneer deeltjes zich op verschillende hoogtes in een druppel of op een objectglaasje bevinden, zien sommige er scherp uit terwijl andere vervagen, en die vervaging kan de metingen flink vertekenen. Dit artikel beschrijft een praktische manier om een stapel onvolmaakte microscoopbeelden om te zetten in één duidelijke, geheel-in-scherpte afbeelding die de deeltjesgrootte en -vorm veel nauwkeuriger vastlegt.

Wazige beelden, misleidende metingen

Onder de microskoop liggen micro- en nanodeeltjes zelden keurig op één vlak. Ze zijn eerder verspreid op licht verschillende dieptes. Omdat een lens telkens maar een smalle laag scherp kan weergeven, zijn delen van het beeld wel scherp en andere delen niet. Wanneer beeldanalysesoftware probeert de deeltjesgrootte en rondheid uit zulke beelden van wisselende kwaliteit te bepalen, leidt dat vaak tot overschatting van de afmetingen en onderschatting van de circulariteit. Deze fouten zijn niet louter cosmetisch; ze kunnen beïnvloeden hoe een medicijn in het lichaam wordt afgegeven, hoe een katalysator werkt of hoe een materiaal in de tijd slijt. De auteurs richten zich op standaard polystyreenbolletjes van enkele micrometers, maar het probleem en de oplossing zijn breed relevant voor veel vakgebieden.

Een helderder samengesteld beeld opbouwen

Om de beperking van de scherptediepte te omzeilen combineren de onderzoekers twee ideeën: een slimmere manier om de beste focus te vinden en een beeldfusiestap die focusstapeling heet. Eerst beoordelen ze hoe scherp een beeld is met een eenvoudige statistische maat voor grijswaardevariatie (de variantie), die betrouwbaar volgt hoe scherp de randen van de deeltjes verschijnen. Vervolgens scannen ze het monster in op- en neerwaartse richting en nemen een stapel beelden op bij verschillende focusposities. In plaats van iedere pixel gelijk te behandelen, lokaliseren ze automatisch gebieden die waarschijnlijk deeltjes bevatten en concentreren daar hun analyse, terwijl achtergrondgebieden die alleen ruis en rekentijd toevoegen worden genegeerd. Voor elk van deze regio’s zoekt de methode langs de focusas naar de positie waarop de deeltjes het scherpst lijken, en plakt die best-gefocuste stukjes samen tot één geheel-in-scherpte afbeelding.

Slimmere focus en betere groottespecificaties

Het team verfijnt ook hoe de deeltjesgrootte wordt gedefinieerd, zodat metingen stabiel blijven zelfs wanneer microscoopinstellingen zoals helderheid of contrast veranderen. Ze vergelijken meerdere gangbare groottematen en vinden dat twee bijzonder robuust zijn: één gebaseerd op de kortste afstand door een deeltje heen, en één gebaseerd op het oppervlak van de omtrek. Hun vuistregel is intuïtief: wanneer een deeltje bijna rond is, gebruiken ze de kortste as als maat; wanneer het onregelmatig is, schakelen ze over op de op oppervlakte gebaseerde diameter. Deze adaptieve standaard weerspiegelt beter de werkelijke geometrie van zowel geïsoleerde als samengeklonterde deeltjes. Tegelijkertijd versnellen ze het scherpstellen door een snelle, grove zoekactie over het volledige dieptebereik te combineren met een langzamere, fijnmazige zoektocht alleen binnen de deeltjesregio’s, waardoor de zoektijd voor de focus met meer dan een factor vier wordt verkort zonder nauwkeurigheid te verliezen.

Scherpere beelden, kleinere fouten

De onderzoekers testten hun aanpak op mengsels van polystyreenbolletjes met bekende diameters. Ze namen tientallen beelden op bij verschillende focusniveaus en vergeleken drie gevallen: één frame dat met het blote oog het beste leek, een slecht gefocust frame en hun gereconstrueerde geheel-in-scherpte afbeelding. Bij het meten van de deeltjesgrootte uit deze beelden leverde de gereconstrueerde versie fouten van slechts ongeveer 1–2% gemiddeld, ver onder de ruwweg 5–14% fouten van enkele frames. Voor samengeklonterde deeltjes, waarbij omtrekken moeilijker te zien zijn, verminderde de methode ook de foutrapportage van de vorm met meer dan twee derde. Belangwekkend is dat de techniek niet alleen werkte voor één bolletjesmaat maar ook voor mengsels van verschillende groottes, waardoor het team afzonderlijke pieken in de maatverdeling kon onderscheiden die anders door elkaar zouden vervagen.

Wat dit betekent voor laboratoria in de praktijk

In praktische termen laat dit werk zien dat laboratoria de betrouwbaarheid van de deeltjesmetingen drastisch kunnen verbeteren zonder exotische nieuwe microscopen te kopen of grote deep-learningmodellen te trainen. Met een eenvoudige scherptemaat, een gerichte focuszoektocht en een zorgvuldige definitie van de deeltjesgrootte zet de methode een stapel gewone microscoopbeelden om in een hoogwaardige, geheel-in-scherpte weergave. Voor wetenschappers en ingenieurs betekent dit betrouwbaardere gegevens over deeltjesgrootte en -vorm, duidelijkere scheiding tussen verschillende maatgroepen in mengsels, en betere verbindingen tussen microscopische structuur en de prestaties van materialen, geneesmiddelen en apparaten in de praktijk.

Bronvermelding: Xu, C., Tao, Y., Guo, X. et al. High-fidelity and efficient particle microscopy via regional focus search and adaptive focus stacking. Sci Rep 16, 5755 (2026). https://doi.org/10.1038/s41598-026-36757-y

Trefwoorden: deeltjesmicroscopie, focusstapeling, beeldscherpte, deeltjesgrootte-analyse, micro-nano deeltjes