WO2010083984A2

WO2010083984A2 - Vorrichtung und verfahren zur abbildung der oberfläche einer probe

Info

Publication number: WO2010083984A2
Application number: PCT/EP2010/000294
Authority: WO
Inventors: Wolfram Ibach; Henning Dampel; Joachim Koenen
Original assignee: Witec Gmbh
Priority date: 2009-01-26
Filing date: 2010-01-19
Publication date: 2010-07-29
Also published as: WO2010083984A3; DE102009015945A1

Abstract

Die Erfindung betrifft eine Vorrichtung zur Abbildung der Oberfläche einer Probe mit einer Einrichtung zur Aufnahme einer Vielzahl von Signalen an einer Vielzahl von Punkten der Oberfläche, wobei jedes Signal zu jedem Punkt eine Vielzahl von einzelnen Messkanälen zugeordneten Signalwerten umfasst. Die Erfindung ist dadurch gekennzeichnet, dass die Vorrichtung eine Analysevorrichtung umfasst, die derart ausgestaltet ist, dass durch eine gesamte oder teilweise Analyse von mehreren Signalen, die jeweils an unterschiedlichen Punkten der Probeoberfläche zugeordnet sind, ein Punkt der Probeoberfläche charakterisiert wird.

Description

Vorrichtung und Verfahren zur Abbildung der Oberfläche einer Probe

Aus dem Stand der Technik ist eine Vielzahl von Verfahren bekannt geworden, bei denen in zwei Dimensionen für Flächen, insbesondere Probenoberflächen Größen, beispielsweise physikalische Größen, ermittelt werden. Nur beispielhaft sind hier Kraft-Zeit-Kurven oder Strom-Spannungskurven genannt. Kraft-Zeit- Kurven können, wie in der EP-A-1342049 beschrieben, dazu dienen, Probenoberflächen abzubilden. Auch Strom-Spannungskurven können der Abbildung von Probenoberflächen dienen. Die Abbildung von Probenoberflächen erfolgt in der Regel mit Hilfe von Rastertechniken. Bei diesen Rastertechniken werden bevorzugt Rastersonden eingesetzt, mit deren Hilfe eine Probe abgerastert werden kann. Die Sonde dient des Weiteren dazu, unterschiedlich ortsaufgelöste Signale der Probe aufzunehmen. Dies können beispielsweise Signale sein, die dadurch entstehen, dass eine Rastersonde in Kontakt mit einer Probenoberfläche gebracht wird, oder dass eine Rastersonde an eine

Probenoberfläche angenähert wird und von dieser wieder entfernt wird und die dabei auftretenden Kräfte aufgenommen werden. Diesbezügliche Rastersondenmikroskope sind beispielsweise Kraftrastersondenmikroskopen, wie in der EP 1 342 049 B1 beschrieben.

Alternativ zu einer Abtastung der Probenoberfläche und Aufnahme von Kraftsignalen, wie in der EP 1 342 049 B1 beschrieben, ist es auch möglich, optische Signale aufzunehmen. Mit Hilfe der optischen Signale oder der Kraftsignale kann nach Abtastung der zu untersuchenden Probe Punkt für Punkt aus diesen Signalen ein Bild zusammengesetzt werden.

Als optische Signale können beispielsweise von der Probe emittiertes Fluoreszenzlicht nach Anregung durch einen Laser oder von einer Probe emittiertes Raman-Licht detektiert werden.

Bei Raman-Licht handelt es sich um Licht, das bei Anregung einer Probe mit monochromatischem Licht im Spektrum des an der Probe gestreuten Lichtes neben der eingestrahlten Frequenz (Rayleigh-Streuung) noch beobachtet wird. Die Frequenzen des Raman-Lichtes, die unterschiedlich zu der Frequenz des eingestrahlten Lichtes sind, entsprechen den für das zu untersuchende Material charakteristischen Energien von Rotations-, Schwingungs-, Photonen- oder Spinflip-Prozessen. Aus dem Raman-Spektrum lassen sich aufgrund dieser charakteristischen Energien dann Rückschlüsse auf die untersuchten Substanzen ziehen. Die Raman-Verschiebung gegenüber der Wellenlänge des eingestrahlten Lichtes kommt durch eine Wechselwirkung des eingestrahlten Lichtes mit der Materie zustande und beruht auf einer Wechselwirkung des Lichts mit der Materie, bei der Energie vom eingestrahlten Licht auf die Materie übertragen wird beziehungsweise Energie von der Materie auf das Licht übertragen wird.

Zur Auskoppelung wird das Raman-Licht in eine Lichtfaser ausgekoppelt und einem Gitterspektrometer zugeführt. Im Gitterspektrometer wird das aufgenommene Lichtsignal spektral zerlegt. Das spektral zerlegte Lichtsignal wird in unterschiedliche Kanäle aufgeteilt. Die spektrale Zerlegung des Lichtes kann auch mit Hilfe eines Prismas, eines Fabry-Perot-Interferometers oder einer Fouriertransformation erfolgen. Anstelle einer Auskoppelung des Lichtes mit Hilfe einer Lichtleitfaser wäre auch eine direkte Auskoppelung z. B. über einen Spiegel möglich.

Die konfokale Raman-Messung eignet sich insbesondere dazu, chemisch unterschiedliche Materialien mit einem hohen Kontrastverhältnis abzubilden. Da die Entstehung des Raman-Lichtes jedoch ein Effekt zweiter Ordnung ist und die Intensität des Raman-Lichtes gegenüber dem Rayleigh-Licht sehr viel geringer ist, ergibt sich das Problem, dass das Raman-Signal eine sehr geringe Intensität aufweist, insbesondere nach der spektralen Zerlegung im Gitterspekrometer. Beispielsweise hat eine Probe bei einer zweidimensionalen konfokalen Raman- Messung eine Größe von beispielsweise 10.000 bis 500.000 Punkten. Zu jedem der Punkte wird Licht aufgenommen und das Licht wie oben beschrieben mit Hilfe eines Gitterspektrometers in seine spektralen Bestandteile zerlegt. Insbesondere wird das von der Probe emittierte Raman-Licht in seine Bestandteile spektral zerlegt. Das spektral zerlegte Raman-Licht, ergebend das Raman-Spektrum, wird beispielsweise in bis zu 2.000 Kanäle sortiert. Jeder Kanal entspricht dann einem Wellenlängen- oder einem Frequenzbereich.

Bei den Systemen gemäß dem Stand der Technik war ein hoher Zeitaufwand erforderlich, um an der Vielzahl von Rasterpunkten der Probenoberfläche die jeweiligen Einzelspektren, insbesondere aufgrund der geringen Lichtintensität und der breiten spektralen Verteilung, aufzunehmen.

Aufgabe der Erfindung ist es somit, insbesondere bei Systemen, die eine sehr zeitintensive Signaldetektion an den Probenpunkten erfordern, eine Vorrichtung beziehungsweise ein Verfahren anzugeben, mit denen diese Nachteile überwunden werden können und insbesondere eine effiziente Messung ermöglicht wird. Insbesondere sollen Effekte zweiter Ordnung, wie beispielsweise Raman- Messungen, möglichst effizient durchgeführt werden können, insbesondere in Bezug auf die Messzeit.

Erfindungsgemäß wird diese Aufgabe dadurch gelöst, dass eine Vorrichtung zur Darstellung von Daten in wenigstens zwei Dimensonen, insbesondere eine Vorrichtung zur Abbildung einer der Oberfläche einer Probe, mit einer Einrichtung zur Aufnahme einer Vielzahl von Signalen an einer Vielzahl von Punkten in den wenigstens zwei Dimensionen, insbesondere der Oberfläche versehen ist, wobei jedes Signal zu jedem Punkt eine Vielzahl von einzelnen Messkanälen zugeordneten Signalwerten umfasst. Die Vorrichtung ist derart ausgestaltet, dass sie eine Analysevorrichtung umfasst, die eine gesamte oder teilweise Analyse von mehreren Signalen, die jeweils unterschiedlichen Punkten in den zwei Dimensionen, insbesondere in der Probeoberfläche zugeordnet sind, ermöglicht, wodurch wiederum ein einzelner Punkt in den zwei Dimensionen, insbesondere der Probeoberfläche charakterisiert wird. Durch die Korrelation von Messsignalen zu unterschiedlichen Messpunkten gemäß der Erfindung gelingt es, in sehr kurzer Zeit Spektren für eine Vielzahl von Messpunkten aufzunehmen. Hierdurch wird nicht nur ein schnelles Post-Processingen von Daten ermöglicht, sondern in einer bevorzugten Ausführungsform die schnelle in-situ-Darstellung während der Messung. Während die erfindungsgemäße Vorrichtung insbesondere für die bildliche Darstellung von Oberflächen in zwei Dimensionen, d.h. der Darstellung von Probenoberflächen, z. B. in der Rastermikroskopie, verwendet wird, können mit der erfindungsgemäßen Vorrichtung auch Daten, die z. B. in einer räumlichen und einer zeitlichen Dimension aufgenommen sind, verarbeitet und aufbereitet werden.

Mit der erfindungsgemäßen Vorrichtung wird es ermöglicht, dass z. B. aus einer Vielzahl von verrauschten Bildern sehr rauscharme, Informationen enthaltende Bilder erhalten werden.

Bei einer ersten Analysevorrichtung werden die Signale zu unterschiedlichen Punkten der Oberfläche in eine vorgegebene Anzahl einander ähnlicher Signale mit Hilfe eines Analyseverfahrens sortiert. Die Sortierung ermöglicht dann sehr schnell die Charakterisierung einzelner Punkte der Probenoberfläche. Ein besonders bevorzugtes Analyseverfahren ist ein Verfahren, dem eine Clusteranalyse zugrunde liegt.

Durch eine Clusteranalyse ist es möglich, dass man schon nach Aufnahme von nur wenigen Probenpunkten rauschfreie Raman-Spektren der einzelnen Substanzen erhält, ohne die räumliche Auflösung zu verlieren. Bei der Clusteranalyse werden beispielsweise eine Anzahl Spektren auf eine wählbare Anzahl von Zuordungstöpfen verteilt, beispielsweise fünf Zuordnungstöpfe. Die Ähnlichkeit der Spektren wird analysiert und ähnliche Spektren immer demselben Zuordnungstopf zugeordnet. Aus den Zugehörigkeitswahrscheinlichkeiten oder der Zugehörigkeit zu den jeweiligen Töpfen kann man relativ schnell rauschfreie Bilder einer großen Oberfläche erhalten, die auf spektral aufgespaltenen Raman- Signalen beruhen.

Unter Clusteranalyse versteht man im allgemeinen ein strukturentdeckendes, multivariantes Analyseverfahren zur Ermittlung von Gruppen (Clustern) von Objekten, deren Eigenschaften oder Eigenschaftsausprägungen bestimmte Ähnlichkeiten bzw. Unähnlichkeiten aufweisen. Verfahren zur Clusteranalyse lassen sich zur automatischen Klassifizierung, zur Erkennung von Mustern einsetzen. Die der Clusteranalyse zugrunde liegende Algorithmen können entweder hierarchischer Algorithmen oder partitionierende Algorithmen sein.

Partitionierende Clusterverfahren können Verfahren, basierend auf folgenden Algorithmen, sein:

- K means Algorithmus

- EM Algorithmus

- Spectral Clustering Algorithmus

- Maximum Margin Clustering Algorithmus

- Multiview Clustering Algorithmus - Fuzzy Algorithmus

Bei den patitionierenden Clusterverfahren wird die Anzahl der Cluster zur Berechnung festgelegt. Werden Probenoberflächen mit Hilfe von Spektren, beispielsweise Ramanspektren, bildlich dargestellt, so werden in einem ersten Schritt alle Spektren gleichmäßig auf die Cluster verteilt. Aus den Spektren wird nun für jedes Cluster ein mittleres Spektrum berechnet.

Nach dieser zufälligen Anfangsverteilung werden die gemessenen Spektren den Clustern neu zugeordnet. Die Spektren werden dem Cluster zugeordnet, bei dem das Spektrum die größte Ähnlichkeit oder kleinste Distanz zum mittleren Spektrum des Clusters hat. Durch die Wahl der Distanzberechnung lässt sich das Ergebnis beeinflussen. Eine mögliche Wahl für die Distanzberechnung wäre:

DISTANZ = ÄHNLICHKEIT In obiger Formel sind S1 und S2 die beiden Spektren, deren Ähnlichkeit man berechnen will. Nachdem die Ähnlichkeiten berechnet sind, werden die Spektren den Clustern neu zugeordnet. In einem weiteren Schritt werden aus den den Clustern neu zugeordneten Spektren für die Cluster neue mittlere Spektren berechnet. Ausgehend von diesen neuen mittleren Spektren findet eine neue Zuordnung der gemessenen Spektren zu den Clustern statt. Diese neue Zuordnung erfolgt wieder auf der Basis der Distanzberechnung, mit der Ähnlichkeiten bestimmt werden können. Der Vorgang der Neusortierung wird so lange wiederholt, bis alle gemessenen Spektren im selben Cluster bleiben, d.h. dem gleichen Cluster zugeordnet sind. Auf diese Art und Weise befinden sich alle ähnlichen Spektren im gleichen Cluster. Da die Orte der Spektren bekannt sind, lassen sich die Cluster bildlich darstellen.

Jedes Cluster erhält eine unterschiedliche Farbe. Das dazugehörige rauscharme mittlere Spektrum des Clusters lässt sich gleichzeitig in der gleichen Farbe darstellen. Bei einer Auswertung der Spektren während einer Messung wird dieses Verfahren auf die bereits gemessenen Spektren angewendet und in regelmäßigen Zeitabständen wiederholt, bis die Messung fertig ist.

Alternativ zu dem patitionierenden Clusterverfahren sind auch hierarchische

Clusterverfahren möglich. Das hierarchische Clusterverfahren soll wieder anhand der Clusteranalyse von Spektren beschrieben werden.

Bei hierarischen Clusterverfahren unterscheidet man grundsätzlich zwischen anhäufenden, d. h. agglomerierenden und unterteilenden Algorithmen. Bei anhäufenden Verfahren wird zu Beginn jedes Spektrum als ein Cluster betrachtet. In jedem Rechenschritt werden nun die zwei ähnlichsten Cluster zu einem Cluster zusammengefügt. Dieser Vorgang wird so lange wiederholt, bis eine festgelegte Distanz überschritten wird oder nur noch ein Cluster vorhanden ist. Agglomerierende hierarchische Clusterverfahren sind: - Single Linkage

- Complete Linkage

- Average Linkage - Centroid

- Median - Ward.

Die unterschiedlichen, oben angegebenen Clusterverfahren unterscheiden sich im Wesentlichen in ihrer Distanzfunktion. Hierbei werden im Gegensatz zu partitionierenden Clustern nicht nur zwei Spektren miteinander verglichen, sondern jedes Spektrum eines Clusters wird mit jedem Spektrum des anderen Clusters verglichen.

Beim Zusammenfügen der Cluster wird eine Baumstruktur gewonnen. Jeder

Knotenpunkt des Baumes lässt sich als Bild darstellen. Zusätzlich erhält man ein rauscharmes mittleres Spektrum, welches den Cluster charakterisiert.

Wie zuvor ausgeführt, können nicht nur Spektren zu unterschiedlichen Punkten einer Oberfläche mit Hilfe von Clusterverfahren weitgehend rauschfrei erhalten werden, sondern das einer Clusteranalyse unterworfene Signal kann auch ein mit Hilfe einer Rastersonde aufgenommene Kraft-Zeit-Kurve , die auf die Probenoberfläche zu- und wegbewegt wird, sein.

Das als Signal zuvor beschriebene Spektrum kann beispielsweise von der Probe emittiertes Fluoreszenzlicht sein. Das Spektrum des Lichtes ist dann ein Fluoreszenzspektrum.

Ein anderes Spektrum, das sich bei Anregung einer Probe mit Licht ergibt, ist beispielsweise das Spektrum von Raman-Lichtes. Neben der Vorrichtung stellt die Erfindung auch ein Verfahren zur Abbildung der Oberfläche einer Probe, umfassend die folgenden Schritte, zur Verfügung:

Zunächst wird eine Vielzahl von Signalen an einer Vielzahl von Punkten der Oberfläche der Probe aufgenommen, wobei jedes Signal zu jedem Punkt eine

Vielzahl von einzelnen Messkanälen zugeordneten Signalwerten umfasst. Sodann werden die unterschiedlichen Messpunkten zugeordneten Signale analysiert. Aus der Analyse der Signale zu mehreren Messpunkten werden dann einzelne Punkte der Probenoberfläche charakterisiert.

Besonders bevorzugt ist es, wenn bei dem Verfahren die Signale zu unterschiedlichen Punkten der Oberfläche in eine vorgegebene Anzahl einander ähnlicher Signale mit Hilfe eines Analyseverfahrens sortiert werden und aus den sortierten, ähnlichen Signalen eine Charakterisierung eines einzelnen Punktes der Probenoberfläche erfolgt.

Ein mögliches Verfahren, das dies ermöglicht, ist ein Clusteranalyse-Verfahren.

Clusteranalyse-Verfahren sind im vorausgegangenen Beschreibungsteil eingehend beschrieben worden. Hierauf wird vollumfänglich Bezug genommen. Die Clusteranalyseverfahren werden unterteilt in eine partitionierende Clusteranalyse und eine hierarchische Clusteranalyse.

Bevorzugte Verfahren zur Datenreduktion sind Analyseverfahren, bei denen der Clusteranalyse eine Voranalyse vorgeschaltet ist. Eine derartige Voranalyse kann beispielsweise eine PCA-Analyse bzw. eine PCA-Transformation sein, ohne Beschränkung hierauf..

Bei einer PCA-Analyse, einer sogenannten Principal-Component-Analysis, wird ein großer Datensatz ebenfalls auf die wesentlichen Informationen reduziert. Bei der Principal-Component-Analysis wird eine Rotation der Daten in einem n- dimensionalen Vektorraum vorgenommen. Die Rotation im n-dimensionalen Vektorraum wird so berechnet, dass ein erster Vektor in Richtung der größten Varianz der Daten zeigt und ein zweiter Vektor in Richtung der zweithöchsten Varianz. Ab einer bestimmten wählbaren Varianz müssen weitere Richtungen nicht mehr berücksichtigt werden, da sie keine weitere Information mehr enthalten. Als Varianz wird in der PCA-Analyse die größte Informationsmenge verstanden. Wenn somit von größter Varianz die Rede ist, ist hierunter die größte Informationsmenge zu verstehen.

Beispielsweise kann sich herausstellen, dass ein System lediglich vier Grundspektren enthält, die in Linearkombination vorkommen. Dann ist es möglich, die Spektren nicht mehr durch beispielsweise 1024 spektrale Kanäle, die unterschiedlichen Frequenzen zugeordnet sind, zu beschreiben, sondern nur noch durch die vier herausgefundenen Linearkombinationen. Neben dem Vorteil der Datenreduktion kann mit Hilfe der PCA-Analyse noch zusätzlich eine Rauschunterdrückung erhalten, da viele Kanäle zusammengefasst werden können.

Betreffend die PCA-Analyse wird auf das Buch „Multivariate Data Analysis von F. Murtagh A. Heck, erschienen bei D. Reidel Publishing Company" und für das partitionierende und hierarchische Clusterverfahren auf das Buch „Clusteranalyse von Dr. Johann Bacher", erschienen bei R. Oldenbourg Verlag München, Wien und das Buch „Multivariate Data Analysis" von F. Murtagh A. Heck, erschienen bei D. Reidel Publishing Company, verwiesen. Der Offenbarungsgehalt dieser Bücher wird in die vorliegende Anmeldung vollumfänglich mit aufgenommen.

Um möglichst rasch bei unbekannten Proben interessante spektrale Bereiche im von den Rastersonden aufgenommenen Rastersondenbild aufzufinden, kann man eine bestimmte Anzahl von Messkanälen eines Spektrums zu einem charakteristischen Messwert zusammenfassen und die in einem spektralen Bereich zusammengefassten Messwerte den jeweiligen Punkten der Oberfläche zuordnen, um so eine Abbildung der Oberfläche zu erhalten Insbesondere kann bei dem erfindungsgemäßen Verfahren das Signal eine Kraft- Zeit-Kurve einer Rastersonde, die auf die Probenoberfläche zu- und wegbewegt wird, sein.

Steht nicht die Datenreduktion im Vordergrund, sondern die Sensibilisierung der Daten auf eine gewünschte Information, so kann man genauso wie bei der PCA- Transformation die Clusterung nicht mit den eigentlichen Spektren durchführen, sondern mit einer sensibilisierten bzw. reduzierten Form. Ist man zum Beispiel nur an Ramanlinien, d.h. schmale Strukturen im Spektrum interessiert, so könnte man die Daten vor der Clusterung so bearbeiten, dass Fluoreszenz, d.h. breite Strukturen, im Spektrum nicht mehr in den Daten enthalten sind. Diese auf Raman-Spektren reduzierte bzw. sensibilisierte Form wird dann geclustert. Nach der Clusterung werden dann die mittleren Spektren berechnet, wobei diese Berechnung nach der Clusterung wieder mit den Originalspektren erfolgt.

Nachfolgend sollen mögliche Bearbeitungen von Ramanspektren vor der Clusterung angegeben werden:

- PCA-Transformation mit Selekthon der wichtigsten Komponenten - Ableitung der Daten, d.h. Entfernen von Fluoreszenz und/oder Offset, z. B. mit Savitzky-Golay-Filter

- Wavelet mit anschließendem Beschneiden der Wavelet-Koeffizienten

- Fourier-Transformation mit anschließendem Beschneiden der Fourier- Koeffizienten

Je nach Datenlage, z. B. bei Vorliegen von Fluoreszenz oder bei anderen Arten der Daten, z. B. Daten der pulsed force microscopy (PFM), Strom-Spannungs- Kennlinien kann man Verfahren analog zu den oben dargestellten einsetzen, um die wesentlichen Merkmale dieser Messung hervorzuheben und störende Einflüsse zu unterdrücken. Will man beispielsweise Daten der Fluoreszenz- Raman-Abklingkurven reduzieren, so kann man eine Laplace-Transformation einsetzen. Die Laplace-Transformation ist eine einseitige Integraltransformation, die eine Funktion vom reellen Zeitbereich in eine Funktion im komplexen Spektralbereich überführt. Auch bei der Fourier-Transformation, wird eine gegebene Funktion ihrer Fourier-Transformierten zuordnet.

Um den Untergrund, der beispielsweise durch Fluoreszenz bei Raman-Spektren bedingt ist, zu reduzieren, können beispielsweise Wavelents in der Voranalyse vor der Clusterung der aufbereiteten Daten eingesetzt werden. Wavelets finden in der Signalkompression Verwendung, die als ersten Schritt eine Wavelet Transformation beinhalten. Eine Wavelet-Transformation stellt eine lineare Zeit- Frequenz-Transformation dar. Als Vorverarbeitung von Ramanspektren für die Clusteranalyse eignet sich besonders die Wavelet-Transformation, weil diese sowohl Rauschen als auch Fluoreszenz unterdrücken kann.

Obwohl die Erfindung im Wesentlichen am Beispiel der Raman-Spektroskopie beschrieben wurde, ist das beschriebene Verfahren für jede Art der

Datenreduktion von Signalen geeignet. Insbesondere bezieht sich die Erfindung aber auf Signale, die von einer Probenoberfläche ausgehen. So kann das Signal ein Spektrum von von der Oberfläche emittiertem Licht sein, beispielsweise ein Fluoreszenz-Spektrum oder ein Raman-Spektrum, aber auch ein Signal, das erhalten wird, wenn eine Oberfläche mit Hilfe der pulsed-force-Mikroskopie (PFM) oder Fluoreszenz-Raman-Abklingkurven oder Strom-Spannungskennlinien abgetastet wird.

Besonders bevorzugt ist es, wenn die Anzahl der Messkanäle und damit die spektrale Breite des charakteristischen Messwertes eingestellt werden kann. Insbesondere finden die zuvor beschriebenen Verfahren Verwendung zur rauscharmen Abbildung einer Probenoberfläche durch konfokale Raman- Messung.

Die Erfindung soll nachfolgend ohne Beschränkung anhand der Figuren erläutert werden. Es zeigen:

Fig. 1 den Aufbau eines konfokalen Raman-Mikroskopes, bei dem eine

Vorrichtung gemäß der Erfindung zur Datenreduktion und zur Rauschunterdrückung zum Einsatz kommen kann;

Fig. 2a-f Beispiel für das Vorgehen ei einem partitionierenden Clusterverfahren;

Fig. 3 Grundprinzip eines unterteilenden hierarchischen Clusterverfahrens.

Fig. 4a.1-c.2 Beispiel für das Vorgehen bei einem anhäufenden hierarchischen Clusterverfahren

Fig. 5a-b Beispiel für Datenreduktion mittels PCA-Analyse

Fig. 6a-c Effekt der Datenreduktion mit Hilfe der PCA-Analyse

Fig. 7a-d bildliche Darstellung bei Akkumulieren von Datenpunkten zu unterschiedlichen Wellenzahlen

Obwohl vorliegende Erfindung nachfolgend an den Ausführungsbeispielen einer Vorrichtung zur Abbildung einer Probenoberfläche, insbesondere mit gestreutem Ramanlicht, einem so genannten konfokalen Raman-Mikroskop beschrieben wird, ist die Erfindung hierauf nicht beschränkt. Vielmehr umfasst sie sämtliche zur Reduktion von in wenigstens zwei Dimensionen aufgenommenen Messdaten. Neben zwei Raumrichtungen, also die Aufnahme der Daten über eine Probenoberfläche, könnten auch die Daten in einer Raumdimension und zeitlich aufgenommen werden. Auch für derartige Daten wäre eine Reduktion wie nachfolgend beschrieben möglich. In Figur 1 ist der prinzipielle Aufbau eines konfokalen Raman-Mikroskopes zur Aufnahme einer Probenoberfläche dargestellt. Mit Hilfe der konfokalen Raman- Mikroskopie können chemische Eigenschaften und Phasen von flüssigen und festen Komponenten analysiert werden bis in den Bereich des durch Beugung begrenzten Auflösungsvermögens von ungefähr 200 Nanometern. Eine Markierung der Probe beispielsweise mit Fluoreszenzstoffen wie in der Fluoreszenzmikroskopie ist nicht notwendig. Durch den konfokalen Aufbau wird eine Tiefenauflösung zur Verfügung gestellt, die es erlaubt, die Probe in die Tiefe zu analysieren, ohne beispielsweise Schnitte wie bei der Elektronenmikroskopie durchführen zu müssen.

Bei der konfokalen Mikroskopie wird eine punktförmige Lichtquelle, vorzugsweise ein Laser, auf einem Punkt der Probe abgebildet. Anschließend wird dieser Bildpunkt vorzugsweise mit derselben Optik auf eine Lochblende, ein so genanntes Pin-Hole, vor einem Detektor fokussiert. Die Größe der Lochblende muss dabei kleiner als die beugungsbegrenzte Abbildung des Beleuchtungsbildes sein. Das Bild wird nun dadurch erzeugt, dass ein Punkt der Beleuchtungsquelle über die Probe gerastert wird, die Probe also Punkt für Punkt abgetastet wird. Mit dieser Art der Abbildung erreicht man eine erhebliche Steigerung des Bildkontrastes, da zur Abbildung nur die Fokusebene des Objektivs beiträgt.

Außerdem kann die Auflösung aufgrund der Faltung des Beugungspunktes in der Apertur der Lochblende um etwa den Faktor V2 auf λ/3 reduziert werden Zusätzlich kann man ein dreidimensionales Bild der Probenstruktur mit einer axialen Auflösung von etwa einer Wellenlänge erhalten.

Betreffend die konfokale Mikroskopie wird beispielsweise auf die DE 199 02 234 A1 verwiesen.

In Figur 1 ist ein Aufbau eines konfokalen Raman-Mikroskopes beispielsweise des Mikroskopes alpha300 R der Witec GmbH, D - 89018 Ulm, Deutschland, dargestellt. Bei dem konfokalen Raman-Mikroskop 1 wird das Licht einer Lichtquelle 10 an einem Strahlteilerspiegel 12 nach einer Strahlaufweitung 14 in Richtung der Probe 16 auf den Probentisch 18 gelenkt. Der umgelenkte Lichtstrahl 19 wird dabei durch eine geeignete Optik auf einem Punkt 20 auf der Probe 16 fokussiert. Das Licht des Lasers 10 wechselwirkt mit der Materie der Probe 16. Es entsteht zum einen von der Probe zurückgestreutes Rayleigh-Licht derselben Wellenlänge wie das eingestrahlte Licht. Dieses Licht wird über einen Strahlenteiler 12 umgelenkt und gelangt nicht in die Detektionsoptik.

Das Licht einer unterschiedlichen Frequenzen, als das von der Probe emittierte Rayleigh-Licht, nämlich das Raman-Licht, durchtritt den Strahlenteiler 12. Hinter dem Strahlenteiler 12 ist das Raman-Licht mit Bezugsziffer 22 gekennzeichnet. Über ein nicht dargestelltes Pin-Hole wird das Raman-Licht 22 in eine Lichtleitfaser 30 eingekoppelt und gelangt zu einem Spektrometer 40. Im Spektrometer 40 wird der Strahl mit Raman-Licht durch eine geeignete Optik wieder aufgeweitet, ergebend den Strahl 42, der auf einen Gitterspektralfilter 44 trifft. Der Gitterspektralfilter 44 beugt das Licht entsprechend seiner Wellenlänge in unterschiedliche Richtungen, so dass auf dem CCD-Chip 50 ortsabhängig ein spektrales Signal aufgenommen werden kann. Der CCD-Chip 50 weist beispielsweise 1024 Kanäle auf, so dass insgesamt 1024 Kanäle des CCD-Chips Licht unterschiedlicher Wellenlänge aufnehmen können.

Das aufgenommene Licht des CCD-Chips 50 wird an eine Auswerteeinheit 100 übertragen. Die Auswerteeinheit 100 ist Teil einer Steuerung des Probentisches 18. Von der Auswerteeinheit 100 werden auch die genauen Positionen in X- und Y-Richtung, unter Umständen auch in Z-Richtung des Probentisches 18 aufgenommen. Im Allgemeinen erfolgt das Abrastern der Probe 16 durch Verschieben des als Verschiebetisch 110 ausgelegten Probentisches. Der Verschiebetisch ist bevorzugt als Piezotisch ausgebildet. Die Verschiebung des Verschiebetisches 110 mit den darauf angeordneten Proben X und Y erfolgt mittels von Piezoelementen. Beispielsweise kann der Rasterbereich des Piezotisches in der X-, Y-Ebene 130, 100 Mikrometern betragen. Um Piezo-

Hystereseeffekte auszugleichen, kann der Tisch kapazitiv geregelt werden. Diese Angabe des Rasterbereiches des Verschiebetisches ist nur beispielhaft, möglich sind Rasterbereiche von 10 nm bis 1000 cm.

Das Bild der Probe entsteht dann durch Abrastem mit Hilfe des Scantisches in der X-, Y-Ebene. Besonders bevorzugt ist es, wenn nicht die Lichtquelle oder die

Einkoppelfaser bewegt wird, sondern die Probe durch Bewegung des Piezotisches abgescannt wird.

Zur Justage beziehungsweise zur Beobachtung kann auch Licht einer Weißlichtquelle 120 auf die Probe 16 eingekoppelt werden.

Da das Lichtsignal des Raman-Lichtes sehr lichtschwach ist, müssen bei einem konventionellen Aufbau für das komplette Abscannen der Probe und damit für die Erzeugung eines Bildes sehr große Messzeiten einkalkuliert werden, um keine verrauschten Spektren und damit Bilder zu erhalten. Erfindungsgemäß ist daher vorgesehen, das Messverfahren schneller und effizienter zu machen, indem in das Auswertemodul, das auch als Regelmodul für das Verfahren des Piezotisches dienen kann, eine Analysevorrichtung 200 vorgesehen ist, die mit Hilfe der nachfolgend beschriebenen Analyseverfahren, insbesondere der partitionierenden und hierarchischen Clusteranalyse die aufzunehmende Datenmenge reduziert, damit die Messzeit verringert und das Rauschen unterdrückt.

Zunächst soll anhand der Figuren 2a - 2f das partitionierende Clusterverfahren zur Datenreduktion beschrieben werden.

Zu den partitionierenden Clusterverfahren zählen:

- K means Algorithmus

- EM Algorithmus - Spectral Clustering Algorithmus

- Multiview Clustering Algorithmus

- Fuzzy Algorithmus Bei all diesen Verfahren wird die Anzahl der Clusterzentren vor Berechnung festgelegt.

Figur 2a zeigt ein System, bei dem die Anzahl der Clusterzentren zu drei gewählt wird. Cluster 1 ist mit Bezugsziffer 200.1 , Cluster 2 mit 200.2, Cluster 3 mit 200.3 bezeichnet. Die Auswahl der Cluster ist zufällig. Die zufällig ausgewählten Clusterzentren werden auch als mittlere Spektren bezeichnet.

In einem ersten in Figur 2b gezeigten Schritt werden alle Spektren gleichmäßig auf die Cluster verteilt. So werden die Spektren 210.1 Cluster 1 mit Bezugsziffer 200.1 , die Spektren 220.1 , 220.2, 220.3, 220.4, 220.5, 220.6Cluster 2 mit Bezugsziffer 200.2und die Spektren 230.1 , 230.2, 230.3, 230.4, 230.5 Cluster 3 mit Bezugsziffer 200.3 zugeordnet.

Aus den Spektren wird nun für jeden Cluster ein mittleres Spektrum berechnet. Die Abbildung 2c zeigt die mittleren Spektren als Kreise und die gemessenen Spektren als Quadrate. Die Pfeile 250.1 , 250.2, 250.3 geben dabei die Richtung an, in der sich das mittlere Spektrum bzw. das jeweilige Clusterzentrum 200.1 , 200.2, 200.3 in Bezug auf die Lage in Fig. 2a verschiebt.

In Figur 2d ist die Um- bzw. Neuverteilung der Spektren gezeigt. So ergibt eine Bestimmung der Ähnlichkeit, wie oben dargestellt der Spektren 220.1 , 220.2, dass diese dem Cluster 1 200.1 ähnlicher sind als dem Cluster 2 200.2. Man ordnet diese daher Cluster 1 200.1 zu. Das Spektrum 230.1 ist dem Cluster 2 200.2 ähnlicher als dem Cluster 3 200.3. Man ordnet daher Cluster 2 200.2 das Spektrum 230.1 zu.

Mit dieser neuen Zuordnung werden für die Cluster neue mittlere Spektren berechnet (wie in Fig. 2e gezeigt). In Fig. 2e gibt Pfeil 260.1 an, wie sich durch die Um- bzw. Neuordnung der Spektren 220.1 , 220.2 der Cluster 1 mit Bezugsziffer 200.1 in Bezug auf Fig. 2c verschiebt. Pfeil 260.2 gibt die Verschiebung von Cluster 2 mit Bezugsziffer 200.2 und Pfeil 260.3 die Verschiebung von Cluster 3 mit Bezugsziffer 200.3 an.

Ausgehend von diesem neuen mittleren Spektren gemäß Figur 2e findet eine neue Zuordnung der gemessenen Spektren zu den Clustern statt. Dies ist in Fig. 2f gezeigt. Dieses Um- und Neusortieren wird solange wiederholt bis alle gemessenen Spektren im selben Cluster bleiben. Auf diese Art und Weise befinden Sich alle ähnlichen Spektren im gleichen Cluster. Da die Orte der Spektren bekannt sind, lassen sich die Cluster bildlich darstellen.

Jedes Cluster erhält eine unterschiedliche Farbe. Das dazugehörige rauscharme mittlere Spektrum 200.1 , 200.2, 200.3 des Clusters lässt sich gleichzeitig in der gleichen Farbe darstellen.

Bei einer in situ Auswertung der Spektren wird dieses Verfahren auf die bereits gemessenen Spektren angewendet und in regelmäßigen Zeitabständen wiederholt bis die Messung fertig ist. Den Endzustand zeigt Fig. 2f. Gegenüber Fig. 2e wurde das Spektrum 230.2 umsortiert.

Bei hierarischen Clusterverfahren unterscheidet man grundsätzlich zwischen anhäufenden und unterteilenden Algorithmen.

Bei anhäufenden d. h. agglomerierenden Verfahren wird zu Beginn jedes Spektrum als ein Cluster betrachtet. In jedem Rechenschritt werden nun die zwei zueinander ähnlichsten Cluster zu einem Cluster zusammengefügt. Dieser

Vorgang wird so lange wiederholt, bis eine festgelegte Distanz überschritten wird oder nur noch ein Cluster vorhanden ist.

Bei unterteilenden Algorithmen befinden sich zuerst alle Spektren in einem Cluster, welches dann in jedem Rechenschritt unterteilt wird.

Agglomerierende hierarchische Clusterverfahren sind: - Single Linkage

- Complete Linkage

- Average Linkage - Centroid

- Median - Ward.

Die oben angegebenen Clusterverfahren unterscheiden sich im Wesentlichen in ihrer Distanzfunktion. Hierbei werden im Gegensatz zu partitionierenden Clustern nicht nur zwei Spektren miteinander verglichen, sondern jedes Spektrum eines Clusters wird mit jedem Spektrum des anderen Clusters verglichen.

Die Figur 3 zeigt dieses Grundprinzip eines agglomeierenden Algortihmus für ein hierarchisches Clusterverfahren und das Zusammenfügen der Cluster und die dabei gewonnene Baumstruktur 500 (Dendrogramm). Hierbei lässt sich jeder Knotenpunkt 510.1 , 510.2, 510.3, 510.4, 510.5 des Baums 500 als Bild darstellen. Die zu den Knoten zugehörenden Bilder sind mit den Bezugsziffern 520.1 , 520.2, 520.3, 520.4, 520.5 bezeichnet. Zusätzlich erhält man ein rauscharmes mittleres Spektrum, welches dieses Cluster charakterisiert. Fig. 3 zeigt eine solche

Baumstruktur, wie sie sich für Bilder ergeben würden. Die Ähnlichkeit nimmt dabei mit der Unterteilung, d.h. vom Knoten 520.1 zum Knoten 520.5, zu

In den Figuren 4a bis 4c ist ein anhäufendes Algortihmus für ein hierarchisches Clusterverfahren gezeigt.Zunächst sind, wie in Figur 4a.1 gezeigt, alle Cluster 660.1 , 600.2, 600.3, 600.4, 600.5, 600.6, 600.7, 600.8, 600.9, 600.10, 600.11 , 600.12 einzeln. In einem in Fig. 4a.1 gezeigten ersten Schritt werden die Abstände aller Cluster zueinander berechnet und die Cluster mit dem geringsten Abstand voneinander zusammengefasst. Vorliegend sind die Cluster 600.11 und 600.10 die Cluster mit dem geringsten Abstand zueinander. Die beiden Cluster 600.10,

600.11 bilden zusammen einen neuen Cluster 610. Die Baumstruktur bzw. das Dendrogramm zu Fig. 4a.1 ist in Fig. 4a.2 gezeigt. In einem weiteren Schritt werden, wie in Fig. 4b.1 gezeigt, wiederum die Abstände für alle Cluster berechnet und die Cluster mit dem geringsten Abstand zusammengefasst. Dies sind vorliegend die Cluster 600.1 , 600.2, die zum neuen Cluster 620 zusammengefasst werden. Das zugehörige Dendrogramm bzw. die Baumstruktur ist in Fig. 4.b.2 gezeigt.

Das hierarchische Clusterverfahren ist abgeschlossen, wenn, wie in Fig. 4c.1 gezeigt, sämtliche Cluster zu einem einzigen großen Cluster zusammengefasst sind. Das Dendrogramm bzw. die Baumstruktur zu Fig.4c.1 ist in Fig. 4c.2 dargestellt.

In den Figuren 5a bis 5b ist dargestellt, wie durch geeignete Wahl eines neuen Koordinatensystems die Dimensionalität eines Datensatzes reduziert werden kann. Dies wird auch als PCA-Analyse bezeichnet.

Fig. 5a zeigt die ursprünglich vorliegenden Messdaten 700 als Punkte in einer zweidimensionalen Darstellung in einer x-y-Ebene. Wie aus der Lage der Datenpunkte in Fig. 5a hervorgeht, besteht ein funktioneller Zusammenhang, nämlich ein linearer Zusammenhang in der x-y-Ebene. Demgemäß kann ein neues Koordinatensystem x', y' gewählt werden, wobei, wie Fig. 5b zeigt, die Koordinate in y'-Richtung nicht mehr gebraucht wird. Die sich durch die Wahl des Koordinatensystems, insbesondere in x'-Richtung ergebende Datenreduktion ist in Fig. 5b dargestellt. Wie aus Fig. 5b zu erkennen ist, werden nunmehr lediglich Daten in die x'-Richtung, die mit 710 gekennzeichnet sind, berücksichtigt.

In einem hochdimensionalen Raum reichen oft nur wenige Koordinaten, um die Messdaten zu beschreiben. Prinzipiell erfolgt die Datenreduktion, wie in dem oben dargestellten Beispiel gemäß den Figuren 5a und 5b. In den Figuren 6a bis 6c ist dargestellt, wie in einem hochdimensionalen Raum mit beispielsweise 969 Koordinaten, durch die in den Figuren 5a und 5b prinzipiell dargestellten Datenreduktion, die so genannte PCA-Analyse auf wenige Koordinaten reduziert werden kann

In den in Fig. 6a bis 6c gezeigten Beispiel erfolgt die Reduktion auf nur fünf Koordinaten. In Fig. 6a ist das Spektrum des Ursprungsvektors mit 800 gekennzeichnet. Die den zugehörigen 5 Koordinaten zugeordnete Spektren, die durch Datenreduktion erhalten wurden, sind mit 810.1 , 810.2, 810.3, 810.4, 810.5 gekennzeichnet.

In Fig. 6b ist das Originalspektrum 900 dargestellt sowie das aufgrund der fünf Vektoren der PCA-Analyse rekonstruierte Spektrum 910. Wie in Fig. 6b zu erkennen ist, unterscheidet sich das anhand der fünf Koordinaten rekonstruierte Spektrum kaum vom Originalspektrum. Allerdings kann eine nachfolgende Berechnung deutlich schneller, ungefähr 200 Mal schneller erfolgen als bei Zugrundelegen des Originalspektrums.

Wie aus Fig. 6c hervorgeht, enthält das transformierte, d. h. das rekonstruierte Spektrum 95 % der Information, die in vorliegender Anmeldung im Rahmen der PCA-Analyse auch als Varianz gekennzeichnet wird.

Mit der Vorrichtung sowie dem Verfahren gemäß der Erfindung, bei dem im Wesentlichen durch Analyseverfahren die Datenmenge reduziert und damit die Verarbeitbarkeit insbesondere in der Geschwindigkeit erhöht wird, gibt die Erfindung auch ein Verfahren an, mit dem möglichst rasch bei unbekannten Proben spektral signifikante Bereiche im von den Rastersonden aufgenommenen Rastersondenbild aufgefunden werden können.

Dies ist in den Figuren 7a bis 7d dargestellt. Fig. 7a zeigt ein Raman-Spektrum mit insgesamt drei signifikanten Bereichen 1000.1 , 1000.2, 1000.3 im Raman- Spektrum. Die unterschiedlichen Wellenzahlen zugeordneten Banden im in Fig. 7a dargestellten Raman-Spektrum entsprechend unterschiedlichen Kanälen auf einem CCD-Chip. Will man nun charakteristische Bereiche einer Probenfläche untersuchen, so wird nur die Intensität der Kanäle in dem engen, zu untersuchenden Bereich 1000.1 , 1000.2, 1000.3 kulminiert. Dies ist für die Bereiche 1000.1 in Fig. 7b, 1000.2 in Fig. 7c und 1000.3 in Fig. 7d dargestellt. Die Darstellung nur sehr enger Bereiche des Spektrums ermöglicht eine sehr schnelle Lokalisierung dieser Bereiche auf der Probenoberfläche. Aufgrund der Signifikanz der Bande im Raman-Spektrum kann auf das Vorhandensein bestimmter Substanzen geschlossen werden. Beispielhaft ist dies in Fig. 7d gezeigt. Dort sehr gut zu erkennen sind die schwarzen Bereiche 1100, in denen Stoffe bzw. Substanzen enthalten sind, die die charakteristische Bande im Bereich 1000.2 des Raman-Spektrums aufweisen.

Mit der Erfindung wird erstmals eine Vorrichtung und ein Verfahren angegeben, mit dem mit Hilfe von Analyseverfahren die Datenmenge gegenüber bisherigen Verfahren erheblich reduziert werden kann. Auf diese Art und Weise ist es möglich, dass die Daten wesentlich schneller als bislang aufgenommen werden können, insbesondere können aus einer Vielzahl von verrauschten Bildern sehr rauscharme, Informationen enthaltende Bilder einer zwei-dimensionalen Probenoberfläche erhalten werden. Daneben stellt die Erfindung auch ein Verfahren zum Erkennen von charakteristischen Bereichen nach einer

Probenoberfläche zur Verfügung, wobei über die gesamte Probenoberfläche an den unterschiedlichen Punkten Spektren, insbesondere Raman-Spektren, aufgenommen werden.

Claims

Patentansprüche

1. Vorrichtung zur Abbildung der Oberfläche einer Probe mit einer Einrichtung zur Aufnahme einer Vielzahl von Signalen an einer

Vielzahl von Punkten der Oberfläche, wobei jedes Signal zu jedem Punkt eine Vielzahl von einzelnen Messkanälen zugeordneten Signalwerten umfasst, dadurch gekennzeichnet, dass die Vorrichtung eine Analysevorrichtung (200) umfasst, die derart ausgestaltet ist, dass durch eine gesamte oder teilweise Analyse von mehreren Signalen, die jeweils an unterschiedlichen Punkten der Probeoberfläche zugeordnet sind, ein Punkt der Probeoberfläche charakterisiert wird.

2. Vorrichtung gemäß Anspruch 1 , dadurch gekennzeichnet, dass die

Analysevorrichtung (200) derart ausgestaltet ist, dass die gesamte oder teilweise Analyse der mehreren Signale weitgehend zeitgleich in-situ mit der Signalaufnahme erfolgt.

3. Vorrichtung gemäß Anspruch 1 , dadurch gekennzeichnet, dass die

Analysevorrichtung (200) derart ausgestaltet ist, dass die gesamte oder teilweise Analyse der mehreren Signale in einem schnellen post-processing erfolgt.

4. Vorrichtung nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Analyseeinrichtung (200) die Signale zu unterschiedlichen Punkten der Oberfläche in eine vorgegebene Anzahl einander ähnlicher Signale mit Hilfe eines Analyseverfahrens sortiert, derart, dass aus den sortierten ähnlichen Signalen einzelne Punkte der Probenoberfläche charakterisiert werden.

5. Vorrichtung nach Anspruch 4, dadurch gekennzeichnet, dass das Analyseverfahren eine Clusteranalyse umfasst.

6. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, dass die Clusteranalyse eine hierarchische Clusteranalyse ist.

7. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, dass die Clusteranalyse eine partitionierende Clusteranalyse ist.

8. Vorrichtung nach Anspruch 6, dadurch gekennzeichnet, dass die hierarchische Clusteranalyse einen unterteilenden Algorithmus umfasst.

9. Vorrichtung nach Anspruch 6, dadurch gekennzeichnet, dass die hierarchische Clusteranalyse einen anhäufenden Algorithmus umfasst.

10. Vorrichtung nach Anspruch 7, dadurch gekennzeichnet, dass die partitionierende Clusteranalyse eine oder mehrere der nachfolgenden Algorithmen umfasst: einen k-means-Algorithmus einen EM-Algorithmus - einen Spectral Clustering Algorithmus einen Maximum-Marging-Clustering-Algorithmus einen Multiview-Clustering-Algorithmus einen Fuzzy-Algorithmus.

11. Vorrichtung nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass das Analyseverfahren eine Voranalyse umfasst, die der Clusteranalyse vorgeschaltet ist und die Clusteranalyse auf der Voranalyse aufbaut..

12. Vorrichtung nach Anspruch 11 , dadurch gekennzeichnet, dass die Voranalyse eines der nachfolgenden Verfahren umfasst: eine PCA-Transformation mit Selektion der wichtigsten Komponenten eine Ableitung oder Entfernung von Daten mit Filtern ein Wavelet mit anschließendem Beschneiden der Wavelet- Koeffizienten eine Fourier-Transformation mit anschließendem Beschneiden der

Fourier-Koeffizienten. eine Laplace-Transformation

13. Vorrichtung nach einem der Ansprüche 1 bis 11 , dadurch gekennzeichnet, dass das Signal eine Kraft-Zeit-Kurve einer Rastersonde, die auf die Probenoberfläche zu- und wegbewegt wird, ist.

14. Vorrichtung nach einem der Ansprüche 1 bis 11 , dadurch gekennzeichnet, dass das Signal ein Spektrum von der Oberfläche emittiertem Licht ist.

15. Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, dass das Spektrum ein Fluoreszenzspektrum ist.

16. Vorrichtung nach Anspruch 14, dadurch gekennzeichnet, dass das Spektrum ein Raman-Spektrum ist.

17. Verfahren zur Abbildung der Oberfläche einer Probe, umfassend die folgenden Schritte: es wird eine Vielzahl von Signalen an einer Vielzahl von Punkten der Oberfläche der Probe aufgenommen, wobei jedes Signal zu jedem Punkt eine Vielzahl von einzelnen Messkanälen zugeordneten Signalwerten umfasst, es wird durch gesamte oder teilweise Analyse von mehreren Signalen, die unterschiedlichen Punkten der Probenoberfläche zugeordnet sind ein Punkt der Probenoberfläche charakterisiert.

18. Verfahren nach Anspruch 17, dadurch gekennzeichnet, dass die gesamte oder teilweise Analyse der mehreren Signale weitgehend zeitgleich in-situ mit Signalaufnahme erfolgt.

19. Verfahren nach Anspruch 17, dadurch gekennzeichnet, dass die gesamte oder teilweise Analyse der mehreren Signale in einem schnellen post- processing erfolgt.

20. Verfahren nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, dass die Signale zu unterschiedlichen Punkten der Oberfläche in eine vorgegebene Anzahl einander ähnlicher Signale mit Hilfe eines

Analyseverfahrens sortiert werden und aus den sortierten, ähnlichen Signalen eine Charakterisierung von Punkten der Probenoberfläche erfolgt.

21. Verfahren nach Anspruch 20, dadurch gekennzeichnet, dass das Analyseverfahren eine Clusteranalyse umfasst.

22. Verfahren nach Anspruch 21 , dadurch gekennzeichnet, dass die Clusteranalyse eine hierarchische Clusteranalyse ist.

23. Verfahren nach Anspruch 21 , dadurch gekennzeichnet, dass die Clusteranalyse eine partitionierende Clusteranalyse ist.

24. Verfahren nach Anspruch 23, dadurch gekennzeichnet, dass die hierarchische Clusteranalyse einen unterteilenden Algorithmus umfasst.

25. Verfahren nach Anspruch 23, dadurch gekennzeichnet, dass die hierarchische Clusteranalyse einen anhäufenden Algorithmus umfasst.

26. Verfahren nach Anspruch 23, dadurch gekennzeichnet, dass die partitionierende Clusteranalyse einen oder mehrere der nachfolgenden Algorithmen umfasst: - einen k-means-Algorithmus einen EM-Algorithmus einen spectral clustering Algorithmus einen Maximum-Marging-Algorithmus einen Multiview-Cluster-Algorithmus - einen Fuzzy-Algorithmus.

27. Verfahren nach einem der Ansprüche 17 bis 26, dadurch gekennzeichnet, dass das Analyseverfahren eine Voranalyse umfasst, die der Clusteranalyse vorgeschaltet ist und die Clusteranalyse auf der Voranalyse aufbaut.

28. Verfahren nach Anspruch 27, dadurch gekennzeichnet, dass die Voranalyse eines der nachfolgenden Verfahren umfasst:

- eine PCA-Transformation mit Selektion der wichtigsten Komponenten

- eine Ableitung oder Entfernung von Daten mit Filtern

- ein Wavelet mit anschließendem Beschneiden der Wavelet-Koeffizienten

- eine Fourier-Transformation mit anschließendem Beschneiden der Fourier-Koeffizienten. - eine Laplace-Transformation

29. Verfahren nach einem der Ansprüche 17 bis 28, wobei das Signal eine Kraft-Zeit-Kurve einer Rastersonde, die auf die Probenoberfläche zu- und wegbewegt wird, ist.

30. Verfahren nach einem der Ansprüche 17 bis 28, dadurch gekennzeichnet, dass das Signal ein Spektrum von von der Oberfläche emittiertem Licht ist.

31. Verfahren nach Anspruch 30, dadurch gekennzeichnet, dass das Spektrum ein Fluoreszenz-Spektrum ist.

32. Verfahren nach Anspruch 30, dadurch gekennzeichnet, dass das Spektrum ein Raman-Spektrum ist.

33. Verfahren zur Abbildung der Oberfläche einer Probe, umfassend folgende Schritte: es werden eine Vielzahl von Signalen an einer Vielzahl von Punkten der Oberfläche aufgenommen, wobei jedes Signal zu einem Punkt eine Vielzahl von einzelnen Messkanälen zugeordnete Signalwerte umfasst, wobei ein Bereich von von Messkanälen ausgewählt wird und die Signalwerte in dem ausgewählten Bereich dargestellt werden, ergebend eine Abbildung der Oberfläche .

34. Verfahren nach Anspruch 33, dadurch gekennzeichnet, dass die Signalwerte in dem ausgewählten Bereich Teil eines Spektrums von von der Oberfläche emittiertem Licht sind.

35. Verfahren nach Anspruch 34, dadurch gekennzeichnet, dass das Spektrum ein Fluoreszenz-Spektrum ist.

36. Verfahren nach Anspruch 34, dadurch gekennzeichnet, dass das Spektrum ein Raman-Spektrum ist.

37. Verwendung eines Verfahrens gemäß einem der Ansprüche 17 bis 32 zur rauscharmen Abbildung einer Probenoberfläche durch Raman-Messung.

38. Verwendung gemäß Anspruch 37, dadurch gekennzeichnet, dass die Raman-Messung eine konfokale Raman-Messung ist.