X射线计算机断层扫描技术能够无损地表征材料微观结构，微CT成像的进步加速了体积数据的获取与重建。然而，快速解释仍然受到图像分割的限制，通常需要手动阈值设定、用户提示或特定材料的模型训练。
我们提出了一种无设置框架，用于同步辐射X射线计算机断层扫描数据的多相分割，能够在没有用户输入或重训练的情况下为前所未见的数据集生成可解释的掩模。该框架结合了材料无关的掩模准备策略和预训练的语义分割网络，能够将常见的结构区域表示为背景、样本、亮区、深灰、浅灰和孔隙掩模。
与传统深度学习流程需要特定数据集注释和重训练不同，所提出的框架可以直接应用于新的扫描，并在重建后的几分钟内生成诊断级别的分割。这使得在进行束线实验时能够快速评估扫描质量、样本形态、孔隙率和衰减变化。生成的掩模可以在需要更高精度或特定材料标记时进行手动细化或用于微调应用特定模型。
在保留的同步辐射微CT图像上的评估以及对其他数据集的定性测试显示，在不同样本和成像条件下，分割结果一致且具有物理意义。该框架显著优于传统的基于强度的阈值处理。通过将高速重建与即时解释相结合，该方法支持近乎实时的束线反馈和可扩展的AI辅助科学成像工作流程。
博主点评： 此框架的优势在于其无需用户干预即可实现高效的多相分割，极大地提高了X射线成像的实用性，尤其适合于快速实验反馈。这种创新方法为材料科学研究提供了新的可能性，值得进一步关注与应用。