Pokročilá detekce a charakterizace mikroplastů pomocí MikroCT

Abstract

Se zvyšující se roční produkcí plastů se celosvětově zhoršuje plastové znečištění. Přírodní síly a environmentální faktory způsobují fragmentaci plastů, čímž vznikají mikroplasty, jejichž velikost a povrchové vlastnosti umožňují adsorpci toxických látek a následný přenos do organismů při jejich požití. Analýza těchto částic je klíčová pro pochopení účinků mikroplastů v živých organismech. Stávající detekční metody vyžadují extrakční kroky, které vedou ke ztrátě informací o prostorovém rozložení, což vede ke snaze využít nedestruktivní přístupy zachovávající prostorový kontext. Rentgenová mikrotomografie umožňuje zachování prostorového rozložení mikroplastů. Tento přístup však představuje výzvy v podobě zašuměných dat a nízkého kontrastu způsobeného nízkou hustotou materiálu. Cílem této práce bylo implementovat postup pro detekci a segmentaci mikroplastů. Implementovaný postup použil non-local means metodu pro potlačení šumu. Oblast zájmu obsahující částice byla extrahována pro snížení výpočetní zátěže spojené s 3D daty. Pro detekci částic bylo použito k-means shlukování založené na nalezení shluků s podobnou intenzitou. Segmentovaná maska prošla ve formě filtrace částic podle velikosti a byla vyhodnocena prostřednictvím porovnání s ručně segmentovanými maskami.

With increasing annual plastics production, plastic pollution continues to rise globally. Natural forces and environmental factors cause plastic fragmentation, forming microplastics whose size and surface properties enable toxic substance adsorption and subsequent transfer into organisms upon ingestion. Particle analysis is crucial for understanding microplastics effects in living organisms. Existing detection methods require extraction steps that result in loss of spatial distribution information, necessitating non-destructive approaches that preserve spatial context. Micro-computed tomography allows for the spatial distribution of microplastics to be preserved. However, this approach presents challenges in the form of noisy data and low contrast due to low material density. The aim of this thesis was to implement a microplastics detection and segmentation framework. The implemented framework used non-local means denoising for noise suppression. The region of interest containing the particles was extracted to reduce the computational load associated with 3D data. For particle detection, k-means clustering based on finding clusters with similar intensity was employed. The segmented mask underwent refinement by size filtration and was evaluated through comparison with manually segmented masks.