De l’utilisation de l’apprentissage profond pour la segmentation en MET

26 février 2026

Peut-on automatiquement extraire des paramètres quantitatifs et statistiquement significatifs pour étudier la dynamique des dislocations ? Dans cette étude nous réalisons un premier pas important dans la résolution de cette question en démontrant la possibilité, grâce à l’intelligence artificielle, de détecter systématiquement les dislocations dans de nombreuses conditions d’observations en microscopie électronique en transmission (MET).

Les dislocations, défauts linéaires à l’échelle nanométrique, sont cruciales dans l’interprétation des propriétés mécaniques des matériaux, mais l’étude quantitative de leur dynamique en MET est consommatrice de temps et possiblement parcellaire. Le premier obstacle à l’automatisation de l’analyse réside dans la difficulté à détecter les dislocations dans l’image.

L’objectif de l’étude publiée dans Ultramicroscopy est de progresser dans cette tâche dite de segmentation en déterminant pour chaque pixel son appartenance ou non à une ligne de dislocation. La difficulté réside ici dans la variété des contrastes de dislocations observées généralement en champ clair/champ sombre, et des bruits de fond inhérents à l’échantillon et à la microstructure.
Pour résoudre ce problème nous avons fait appel à plusieurs approches d’apprentissage profond utilisant des réseaux de neurones. Nous avons d’abord commencé par faire apprendre au réseau la segmentation d’un certain nombre d’images annotées manuellement, une approche dite supervisée. Mais nous disposions également d’une large base de données d’images et de séquences vidéos obtenues ces dernières années dans le groupe PPM du CEMES. Nous avons mis à profit ces données en les injectant en parallèle dans un second réseau dans le but d’améliorer sa compréhension des caractéristiques intrinsèques des images. Cette approche semi-supervisée permet un gain significatif dans les performances du modèle qui se rapprochent alors nettement des performances d’experts « humains ».
Afin de s’affranchir totalement d’images annotées manuellement et d’étendre la variété des conditions d’observations, nous avons réussi en couplant Dynamique des Dislocations et simulations d’images à créer une base d’images de synthèse. Grâce à leur bonne ressemblance, nous montrons que ces nouvelles images, si elles ne permettent pas d’améliorer les performances du modèle sur les images de test, permettent par contre de meilleures prédictions dans les situations plus difficiles qui sortent des conditions usuelles d’observations en MET.

Enfin nous avons appliqué notre modèle au calcul automatique des densités de dislocations dans des images complexes d’alliages d’aluminium. Nos estimations de densité réalisées en quelques secondes sont proches de celles réalisées à la main… en plus de dix minutes !

Contact :
Frédéric Mompiou | frederic.mompiou[chez]cemes.fr

Publication :
Deep learning approaches for dislocation segmentation in TEM
Assya Boughrara, Christine Viala, Laurent Dupuy, and Frédéric Mompiou
Ultramicroscopy 283 (2026) 114334
DOI : https://doi.org/10.1016/j.ultramic.2026.114334