引言
微塑料（MPs）一般定义为粒径小于5 毫米的塑料颗粒[1]，日益被视为一类全球关注的新型污染物[2], [3]。更广泛地说，新兴和持久性环境污染物因其广泛的存在性、多样的迁移路径以及潜在的生态和健康影响而受到越来越多的关注[4], [5]。微塑料可通过生物和物理化学过程在不同生态系统间迁移，并沿食物链富集，对生态系统和人类健康构成潜在风险[6], [7], [8]。因此，对环境样品中此前被鉴定为微塑料的颗粒进行可靠的边界划定和形态计量量化，对于确定颗粒粒径和形态至关重要，从而为环境监测、污染评估和生态风险评估提供基础信息。
微塑料已在水圈、岩石圈、大气圈和生物圈中被广泛报道，包括海水[9], [10]、淡水[11], [12]、垃圾填埋场渗滤液[13], [14]、沉积物[15], [16]、土壤[17], [18]、环境空气[19], [20]以及生物体[21], [22]等。然而，从这些环境介质中提取的微塑料往往与矿物颗粒、有机碎屑及其他非塑料残留物共存，即使经过过滤、密度分离和化学消解等预处理步骤后亦如此[23]。在本研究中，光学显微镜图像中非微塑料颗粒及其周围图像背景统称为异质性背景。此类异质性背景与跨研究的成像条件差异共同增加了多源光学显微镜图像中颗粒分割和形态计量量化的复杂性[24]。因此，仍需要稳健的图像分析方法，以在具有异质性背景的光学显微镜图像中对报告为微塑料的颗粒进行分割并支持形态计量量化。
目前微塑料表征方法主要包括视觉方法、光谱技术和热分析[25]。虽然光谱和热分析方法能够提供可靠的聚合物鉴定信息，但它们在粒径和形态方面的直接信息有限，而这些参数是暴露评估的关键指标[26], [27]。因此，基于光学显微镜的图像分析仍被广泛用于微塑料的视觉和形态计量评估，包括颗粒粒径和形状测量[28]。
光学显微镜图像分析大致可分为人工分析、半自动化软件分析以及近期开发的全自动方法[29]。人工计数依赖于操作者的观察和记录，包括颗粒数量、粒径和形态，因此劳动密集型、耗时且受操作者差异影响[29], [30]。半自动工具如ImageJ支持基于阈值的分割、计数和形态测量[31], [32]，但需要手动调整参数，且对光照变化、图像噪声和背景干扰高度敏感。这些局限性往往导致在具有异质性背景的光学显微镜图像中性能不佳，限制了可重复性和可扩展性[33]。
近年来，深度学习特别是卷积神经网络（CNN）的进展彻底改变了图像识别和语义分割领域[34]。在这些模型中，U-Net通过其带有跳跃连接的编码器-解码器架构，在勾勒复杂物体边界方面展现出强大能力[35]。U-Net最初为生物医学成像而开发，现已被越来越多地应用于微塑料显微镜图像分析[20], [36], [37]。先前的研究已证明了在受控或特定应用成像条件下，基于深度学习的微塑料分割的可行性[38], [39], [40]。
然而，在异质性光学显微镜图像中实现可靠的微塑料分割及后续形态计量量化仍然充满挑战。多源微塑料显微镜图像在形态、粒径分布、背景复杂度和成像条件方面存在显著差异，导致数据集高度异质[41], [42]。此外，由于样品制备困难和像素级标注成本高昂，可用数据集通常规模有限，形成小样本学习场景[43], [44]。在此条件下，随机初始化的分割模型可能需要更广泛的优化，并且对有限标注数据和不同成像域的差异敏感[36], [45]。这些因素共同增加了为异质性微塑料显微镜图像开发稳健分割模型的难度。
迁移学习（TL）已广泛应用于计算机视觉领域以应对小样本挑战[46], [47], [48]。通过利用大规模预训练模型的知识，迁移学习能够提高训练稳定性，并在有限数据条件下增强特征表示能力。迁移学习在生物医学图像分割中已取得显著成功[47], [49]；然而，将其与U-Net结合用于多源、异质性背景场景下的微塑料分割仍有待充分探索。此外，现有研究通常聚焦于像素级分割性能，而对基于预测掩膜推导的下游形态计量测量的可靠性关注不足[37], [40]。当分割输出用于推导颗粒面积和粒径时，空间校准和测量一致性也成为定量可靠性的重要组成部分。分割与下游形态计量量化之间的这一脱节限制了当前深度学习方法在环境和岩土工程领域的应用。
为解决上述挑战，本研究开发了MP-TLResUNet，这是一种基于迁移学习的方法，用于对具有异质性背景的制备单颗粒微塑料光学显微镜图像进行语义分割及后续形态计量量化，包括投影面积和等效圆直径（ECD）的测量。除提升分割性能外，所提出的方法还将按出版物分组的评估与语义分割及下游形态计量量化相结合。具体而言，构建了一个来自117篇出版物的378张单颗粒光学显微镜图像的文献数据集，并采用源出版物级分组，以防止同一出版物的图像被分配到训练集、验证集和测试集中。随后，MP-TLResUNet将采用ImageNet预训练权重初始化的ResNet34编码器集成到U-Net架构中，并与从头训练的相同架构进行了三次独立运行的对比。分割性能还进一步在不同颗粒形态和环境基质中进行了评估。最后，利用预测掩膜对具有可靠标尺信息的颗粒进行空间校准的投影面积和ECD测量，同时在整个测试集上将像素空间的投影面积测量结果与人工ImageJ参考测量值进行了比较。
