CN112689841A - 微生物信息提供装置及方法 - Google Patents

微生物信息提供装置及方法 Download PDF

Info

Publication number
CN112689841A
CN112689841A CN201980056978.0A CN201980056978A CN112689841A CN 112689841 A CN112689841 A CN 112689841A CN 201980056978 A CN201980056978 A CN 201980056978A CN 112689841 A CN112689841 A CN 112689841A
Authority
CN
China
Prior art keywords
sample
images
wave
learning
speckle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980056978.0A
Other languages
English (en)
Inventor
朴龙根
李继礼
申升雨
金健
金英德
朴熙俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea Advanced Institute of Science and Technology KAIST
Wave Talk Inc
Original Assignee
Korea Advanced Institute of Science and Technology KAIST
Wave Talk Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020180107292A external-priority patent/KR102130100B1/ko
Priority claimed from KR1020190045142A external-priority patent/KR102207945B1/ko
Application filed by Korea Advanced Institute of Science and Technology KAIST, Wave Talk Inc filed Critical Korea Advanced Institute of Science and Technology KAIST
Publication of CN112689841A publication Critical patent/CN112689841A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • C12Q1/06—Quantitative determination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
    • G01N21/51—Scattering, i.e. diffuse reflection within a body or fluid inside a container, e.g. in an ampoule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G01N15/075—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1789—Time resolved
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4788—Diffraction
    • G01N2021/479—Speckle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Abstract

本发明的一个实施例提供一种微生物信息提供装置，包括：接收部，所述接收部接收按时间序列顺序拍摄从样品出射的出射波的多个影像；检测部，所述检测部从按所述时间序列顺序拍摄的多个影像提取随时间变化的特征(feature)；学习部，所述学习部以所述提取的特征为基础，对分类基准进行机器学习；及判断部，所述判断部以所述分类基准为基础，区分样品包含的微生物的种类或浓度；所述多个影像分别包括起因于入射到所述样品的波并被所述微生物多重散射(multiple scattering)而发生的散斑(speckle)信息。

Description

微生物信息提供装置及方法
技术领域
本发明的实施例涉及一种微生物信息提供装置及方法。
背景技术
诸如细菌、真菌、病毒的多样病原性微生物在血液、体液及人体的组织内出现并开始栖息的同时，引起感染性疾病。最近，病原性感染正在社会上引起极大反响，其频度正在逐渐增加，在医疗界开始成为法律性问题的病原性感染在未能适宜治疗的情况下，可能会丧失生命，因而及早诊断和没有并发症的迅速治疗极为重要。因此，开发对这种病原性微生物准确、迅速的诊断方法，是时代要求的医疗技术。
进一步而言，最近由于抗生素用药的误用滥用，细菌的培养率减少，伴随移植的免疫抑制剂的使用增加，因抗癌治疗导致的药物用药增加，因AIDS增加导致的原因菌株变得多样，诸如培养检查的原有诊断感染疾病的诊断方法逐渐遭遇困难。
发明内容
为了解决所述问题及/或界限，其目的在于提供一种利用机器学习来区分样品内微生物的种类及浓度并提供微生物信息的装置及方法。
本发明的一个实施例提供一种微生物信息提供装置，包括：接收部，所述接收部接收按时间序列顺序拍摄从样品出射的出射波的多个影像；检测部，所述检测部从按所述时间序列顺序拍摄的多个影像提取随时间变化的特征(feature)；学习部，所述学习部以所述提取的特征为基础，对分类基准进行机器学习；及判断部，所述判断部以所述分类基准为基础，区分样品包含的微生物的种类或浓度；所述多个影像分别包括起因于入射到所述样品的波并被所述微生物多重散射(multiple scattering)而发生的散斑(speckle)信息。
本发明一个实施例的微生物信息提供装置及方法提取散斑随时间变化的特征并对此进行学习，获得对微生物的种类或浓度进行分类的分类基准，从而不借助于另外的化学方法，也能够迅速、准确地区分样品内的微生物的种类或浓度。
附图简要说明
图1是概略地图示本发明一个实施例的微生物信息提供系统的图。
图2是图示本发明一个实施例的网络环境的示例的图。
图3是本发明一个实施例的微生物信息提供装置的框图。
图4是用于说明本发明一个实施例的微生物信息提供装置确认样品内的微生物的存在的基本原理的图。
图5a及图5b按时间序列显示了本发明一个实施例的微生物信息提供方法。
图6是用于说明本发明一个实施例的学习部分析散斑的时间相关性的方法的图。
图7是图示按时间测量的散斑的光线强度的标准差分布的图。
图8是本发明一个实施例的卷积神经网络的示例图。
图9及图10是用于说明图8的卷积运算的图。
图11是对利用本发明一个实施例的微生物信息提供方法获得的预想微生物信息与实际微生物信息进行比较的图表。
图12是概略地图示本发明一个实施例的光学检测系统的图。
图13及图14是概略地图示图12的光学检测系统的样品部的图。
图15a及图15b是用于说明利用本发明一个实施例的光学检测系统来检测对象体的原理的图。
图16是概略地图示本发明另一实施例的光学检测系统的图。
最佳实施方式
本发明的一个实施例提供一种微生物信息提供装置，包括：接收部，所述接收部接收按时间序列顺序拍摄从样品出射的出射波的多个影像；检测部，所述检测部从按所述时间序列顺序拍摄的多个影像提取随时间变化的特征(feature)；学习部，所述学习部以所述提取的特征为基础，对分类基准进行机器学习；及判断部，所述判断部以所述分类基准为基础，区分样品包含的微生物的种类或浓度；所述多个影像分别包括起因于入射到所述样品的波并被所述微生物多重散射(multiple scattering)而发生的散斑(speckle)信息。
在本发明一个实施例中，所述学习部可以利用卷积神经网络(ConvolutionNeural Network：CNN)来学习所述分类基准。
在本发明一个实施例中，所述学习部可以利用具有比一个散斑大小更小的大小的卷积核(convolution kernel)执行卷积运算。
在本发明一个实施例中，所述学习部可以在一个散斑的大小对应于m个像素(pixel)的情况下，利用小于m的n x n大小的卷积核(convolution kernel)执行卷积运算。
在本发明一个实施例中，所述卷积运算的步长(stride)可以与所述n值对应。
在本发明一个实施例中，所述卷积核可以包括与所述多个影像个数对应或大于所述多个影像个数的核特征图。
在本发明一个实施例中，所述学习部可以利用包括与输出通道个数对应的多个卷积核的核集来执行卷积运算。
在本发明一个实施例中，基于所述卷积运算的所述输出通道个数可以与所述多个影像个数对应。
在本发明一个实施例中，所述学习部可以以所述多个影像的时间相关性(temporal correlation)为基础来学习所述分类基准。
在本发明一个实施例中，所述分类基准可以利用以所述特征中散斑图案的形态变化、以所述散斑图案的光线强度为基础计算的时间相关性系数、所述散斑图案的光线强度(intensity)的标准差值的变化量中之一进行学习。
在本发明一个实施例中，所述标准差值与所述微生物的浓度可以具有线性关系。
本发明的一个实施例提供一种微生物信息提供方法，包括：接收按时间序列顺序预先拍摄向已预知微生物的种类或浓度的样品照射波而出射的出射波的多个学习影像的步骤；从所述按时间序列顺序预先拍摄的多个学习影像，以随时间变化的特征(feature)为基础，对分类基准进行机器学习的步骤；接收按时间序列顺序拍摄向新样品照射波而出射的出射波的多个影像的步骤；及以所述多个影像及所述分类基准为基础来区分所述新样品包含的微生物的种类或浓度的步骤；所述多个学习影像或所述多个影像分别包括起因于入射到所述样品的波并被所述微生物多重散射(multiple scatterin)而发生的散斑(speckle)信息。
在本发明一个实施例中，所述对分类基准进行机器学习的步骤可以利用卷积神经网络(Convolution Neural Network：CNN)来学习所述分类基准。
在本发明一个实施例中，所述对分类基准进行机器学习的步骤可以利用具有小于一个散斑大小的大小的卷积核(convolution kernel)来执行卷积运算。
在本发明一个实施例中，所述对分类基准进行机器学习的步骤在一个散斑的大小对应于m个像素(pixel)的情况下，可以利用小于m的n x n大小的卷积核(convolutionkernel)来执行卷积运算。
在本发明一个实施例中，所述卷积运算的步长(stride)可以与所述n值对应。
在本发明一个实施例中，所述卷积核可以包括与所述多个影像个数对应或大于所述多个影像个数的核特征图。
在本发明一个实施例中，所述对分类基准进行机器学习的步骤可以利用包括与输出通道个数对应的多个卷积核的核集来执行卷积运算。
在本发明一个实施例中，基于所述卷积运算的所述输出通道个数可以与所述多个影像个数对应。
在本发明一个实施例中，所述学习部可以以所述多个影像的时间相关性(temporal correlation)为基础，学习所述分类基准。
在本发明一个实施例中，所述分类基准可以利用以所述特征中散斑图案的形态变化、以所述散斑图案的光线强度为基础计算的时间相关性系数、所述散斑图案的光线强度(intensity)的标准差值的变化量中之一进行学习。
在本发明一个实施例中，所述标准差值与所述微生物的浓度可以具有线性关系。
本发明的一个实施例提供一种微生物信息提供系统，包括：样品部，所述样品部容纳样品；波源，所述波源朝向所述样品照射波；影像传感器，所述影像传感器按时间序列顺序拍摄从所述样品出射的出射波而获得多个影像；及微生物信息提供装置，所述微生物信息提供装置利用所述按时间序列顺序拍摄的多个影像来提供包括微生物种类或浓度的微生物信息；所述微生物信息提供装置包括：接收部，所述接收部接收所述多个影像；检测部，所述检测部从所述按时间序列顺序拍摄的多个影像提取随时间变化的特征(feature)；学习部，所述学习部以所述提取的特征为基础，对分类基准进行机器学习；判断部，所述判断部以所述分类基准为基础，区分样品包含的微生物的种类或浓度；所述多个影像分别包括起因于入射到所述样品的波并被所述微生物多重散射(multiple scattering)而发生的散斑(speckle)信息。
本发明另一实施例提供一种光学检测系统，具备：样品部，所述样品部容纳样品；波源，所述波源向所述样品部照射波；光学部，所述光学部配置于从所述样品部出射的出射波的路径上，具备将所述出射波中一部分调制成第一波的第一空间光调制部与将所述出射波中一部分调制成第二波的第二空间光调制部；透镜部，所述透镜部使从所述光学部出射的所述第一波与所述第二波集束；及检测部，所述检测部检测从所述透镜部集束的集束波；所述第一空间光调制部及所述第二空间光调制部针对已知条件的所述样品，调制所述出射波，以便所述第一波与所述第二波出现相消干涉。
在本发明一个实施例中，所述出射波可以包括从所述样品被多重散射(multiplescattering)而发生的散斑图案。
在本发明一个实施例中，所述样品部可以还包括用于使向所述样品照射的波的多重散射的次数扩增的多重散射扩增部。
在本发明一个实施例中，所述检测部可以根据是否感知所述集束波而检测所述样品内是否存在杂质。
本发明另一实施例提供一种光学检测系统，具备：样品部，所述样品部容纳样品；波源，所述波源向所述样品部照射波；光学部，所述光学部配置于从所述样品部出射的出射波的路径上，具备将所述出射波中一部分调制成第一波的第一空间光调制部；透镜部，所述透镜部使从所述光学部出射的所述第一波与作为所述出射波中一部分的第二波集束；及检测部，所述检测部检测从所述透镜部集束的集束波；所述第一空间光调制部针对已知条件的所述样品，调制所述出射波，以便所述第一波与所述第二波出现相消干涉。
在本发明一个实施例中，所述出射波可以包括从所述样品被多重散射(multiplescattering)而发生的散斑图案。
在本发明一个实施例中，所述样品部可以还包括用于使向所述样品照射的波的多重散射的次数扩增的多重散射扩增部。
在本发明一个实施例中，所述检测部可以根据是否感知所述集束波而检测所述样品内是否存在杂质。
通过以下附图、权利要求书及发明内容，前述内容之外的其他方面、特征、优点将会明确。
具体实施方式
下面参照附图，详细说明以下的实施例，当参照附图进行说明时，相同或对应的构成要素赋予相同的附图标号，省略对此的重复说明。
本实施例可以具有多样的变换，将在附图中示例性图示特定实施例并在说明书中详细说明。如果参照后面与附图一同详细叙述的内容，本实施例的效果及特征以及达成其的方法将会明确。但是，本实施例并非限定于以下公开的实施例，可以以多样的形态体现。
在以下实施例中，第一、第二等术语并非限定性的意义，而是用于将一个构成要素区别于其他构成要素的目的。
在以下实施例中，只要在文理上未明确表示不同，则单数的表现包括复数的表现。
在以下实施例中，包括或具有等术语，意味着说明书中记载的特征或构成要素的存在，并非预先排除一个以上其他特征或构成要素附加的可能性。
在以下实施例中，当提到单元、区域、构成要素等部分在其他部分上方或上面时，不仅是在其他部分的紧上面的情形，也包括在其中间存在其他单元、区域、构成要素等的情形。
在以下实施例中，连接或结合等术语，只要在文理上没有明确表示不同，并非意味着必须是两个构件的直接及/或固定地连接或结合，并非排除在两个构件之间存在其他构件。
意味着说明书中记载的特征或构成要素的存在，并非预先排除一个以上其他特征或构成要素附加的可能性。
在附图中，为了说明的便利，构成要素的大小可以夸张或缩小。例如，在图中显示的各构成的大小及厚度为了说明的便利而任意显示，因而以下实施例并非必须限定于显示的内容。
图1是概略地图示本发明一个实施例的微生物信息提供系统1的图。
如果参照图1，本发明一个实施例的微生物信息提供系统1包括波源100、样品部200、影像传感器300及微生物信息提供装置400。
波源100可以朝向样品201照射波L1。波源100可以应用能够生成波(wave)的所有种类的源装置，例如可以是能够照射特定波段的光的激光(laser)。本发明对波源的种类没有限制，不过，下面为了说明的便利，以激光的情形为中心进行说明。
例如，为了在样品上形成散斑(speckle)，可以利用相干性(coherence)良好的激光作为波源100。此时，决定激光波源的相干性的波源频谱带宽(spectral bandwidth)越短，测量准确度会越增加。即，相干长度(coherence length)越长，测量准确度会越增加。因此，波源的频谱带宽不足已定义的基准带宽的激光可以用作波源100，比基准带宽越短，测量准确度会越增加。例如，可以设置波源的频谱带宽，使得保持以下数学式1的条件。
[数学式1]
Spectralbandwidth＜5nm
根据数学式1，为了测量激光散斑的图案变化，每隔基准时间向样品201内照射光时，波源100的频谱带宽可以保持不足5nm。
作为一个实施例，波源100如图所示，可以配置于样品部200的外部，朝向样品部200照射波L1。此时，波源100既可以邻接样品部200地配置，朝向样品部200直接照射波L1，但也可以从样品部200隔开配置，通过光纤(optical fiber)105向样品部200照射波L1。
光纤105执行只对特定波长进行传递的功能，从而可以去除从波源100传递的波L1的噪声，当使波L1出射时，也可以放大波束尺寸，提供给准直器107。
样品部200可以容纳要测量的样品201。样品201可以通过诸如容器或管的样品配置手段而容纳，可以以稳定化的状态(static state)容纳。作为一个实施例，如图所示，样品部200可以利用容器，容纳无流动性的稳定化的样品201。作为另一实施例，虽然未图示，样品部200可以利用管，容纳有流动性的样品201。此时，在样品部200利用管的情况下，样品201可以为液体，样品部200可以沿着包括管在内的全体流路，使所述样品201循环1次以上，在管内形成样品201的稳定化状态。
样品部200可以还包括多重散射扩增部。多重散射扩增部可以使从样品201出射的出射波L2的至少一部分反射到样品201，扩增在样品201中的多重散射次数。多重散射扩增部可以包括多重散射物质(multiple scattering material)。例如，多重散射物质可以包括二氧化钛(TiO2)，多重散射扩增部可以使入射到多重散射扩增部的波L1的至少一部分反射。
多重散射扩增部可以与样品201邻接配置，使得从样品201多重散射而出射的出射波L2在样品201与多重散射扩增部之间的空间至少往复1次以上。多重散射扩增部可以配置于波的路径上，可以分别配置于入射波L1的路径及出射波L2的路径上。
作为另一实施例，样品部200并非作为另外的构成而具备多重散射扩增部，而是可以在容纳样品201的样品部200本体的表面，利用多重散射扩增物质进行涂覆，从而也可以构成为多重散射扩增区域。或者，样品部200可以构成得使多重散射物质包含于样品201内。多重散射扩增区域可以使入射到样品部200内部空间并经过样品201出射的波的至少一部分重新向样品201内散射。如此散射的波再次经过样品201，出射到另一侧并散射，通过这种过程，可以增加在样品201内多重散射次数。多重散射扩增区域可以在波所经过的路径中至少一部分区域形成，也可以配置于除波出射的一部分区域及入射的一部分区域之外的全部区域。
影像传感器300可以配置于出射波L2经过的路径上，按时间序列顺序拍摄从样品201出射的出射波L2而获得多个影像。影像传感器300可以包括与波源100种类对应的感知手段，例如，在利用可见光波段的光源的情况下，可以利用作为拍摄影像的拍摄装置的CCD照相机(camera)。
其中，多个影像分别可以包括起因于入射到样品201的波L1并被微生物多重散射(multiple scattering)而发生的散斑(speckle)信息。换言之，影像传感器300可以在事先设置的时间点，检测所照射的波L1在样品201内多重散射而发生的激光散斑。其中，所谓时间点(time)，意味着连续的时间流动中的某一瞬间，时间点(time)可以按相同时间间隔事先设置，但并非必须限定于此，也可以按任意时间间隔事先设置。
影像传感器300可以检测至少包括第一时间点的第一散斑信息的第一影像，拍摄包括第二时间点的第二散斑信息的第二影像，提供给微生物信息提供装置400。另一方面，第一时间点及第二时间点只是为了说明的便利而选择的一个示例，影像传感器300可以在比第一时间点及第二时间点更多的多个时间点拍摄多个影像。影像传感器300在出射波L2经过的路径上具备偏光板(polarizer)305，从而可以使形成散斑所需的干涉效率实现最大化，去除不必要的外部反射光等。
影像传感器300可以配置于从样品部200隔开既定距离的位置，以便影像传感器一个像素(pixel)的大小d小于或等于散斑图案的颗粒大小(grain size)。例如，影像传感器300可以以满足以下数学式2的条件的方式配置于出射波L2经过的路径上。
[数学式2]
d≤speckle grain size
如数学式2所示，影像传感器300一个像素(pixel)的大小d需为散斑图案的颗粒大小(grain size)以下，但如果像素的大小过小，则发生采样过疏(undersampling)，在利用像素分辨率方面会存在困难。因此，为了达成有效的SNR(signal to noise ratio：信噪比)，影像传感器300可以配置得使最大5个以下的像素位于散斑颗粒大小(speckle grainsize)。
另一方面，微生物信息提供装置400可以执行的功能是，从影像传感器300接收多个影像，利用其进行机器学习后，区分样品201内的微生物的种类或浓度。下面参照图2及图3，更详细地说明本发明的微生物信息提供装置400。
图2是图示本发明一个实施例的网络环境的示例的图。
图2的网络环境显示了包括多个用户终端401、402、403、404、服务器405及网络406的示例。其中，微生物信息提供装置400可以为服务器或用户终端。这种图2作为用于说明书的一个示例，并非用户终端的数量或服务器的数量如图2所示进行限定。
多个用户终端401、402、403、404可以是以计算机装置体现的固定型终端或移动型终端。当微生物信息提供装置400为服务器405时，多个用户终端401、402、403、404可以为控制服务器的管理员的终端。多个用户终端401、402、403、404例如有智能手机(smartphone)、移动电话、导航仪、计算机、笔记本电脑、数字广播用终端、PDA(Personal DigitalAssistants：个人数字助理)、PMP(Portable Multimedia Player：便携式多媒体播放器)、平板电脑等。作为一个示例，用户终端1 401可以利用无线或有线通信方式，通过网络406与其他用户终端402、403、404及/或服务器405通信。作为另一实施例，多个用户终端401、402、403、404也可以具备前述影像传感器300，将获得的多个影像通过网络406传输给服务器405。
通信方式不限，不仅是利用了网络406可以包括的通信网(作为一个示例，移动通信网、有线互联网、无线互联网、广播网)的通信方式，也可以包括设备间的近距离无线通信。例如，网络406可以包括PAN(personal area network：个人局域网)、LAN(local areanetwork：局域网)、CAN(capus area network：校园局域网、MAN(metropolitan areanetwork：城域网)、WAN(wide area network：广域网)、MAN(metropolitan area network：城域网)、WAN(wide area network：广域网)、BBN(broadband network：宽带网)、互联网等网络中一种以上的任意网络。另外，网络406可以包括包括总线网络、星形网络、环形网络、网状网络、星形-总线网络、树形或分层(hierarchical)网络等的网络拓扑结构中的任意一种以上，但不限于此。
服务器405可以以通过网络406而与多个用户终端401、402、403、404通信并提供命令、代码、文件、内容、服务等的计算机装置或多个计算机装置来体现。
作为一个示例，服务器405可以向通过网络406连接的用户终端1 401提供安装应用程序所需的文件。此时，用户终端1 401可以利用从服务器提供的文件来安装应用程序。另外，用户终端1 401可以根据所包括的操作系统(Operating system：OS)及至少一个程序(作为一个示例，浏览器或所安装的应用程序)的控制，接入服务器405，接受提供服务器405提供的服务或内容。作为另一示例，服务器405也可以设置数据收发所需的通信会话，通过设置的通信会话，对多个用户终端401、402、403、404间的数据收发进行路由。
图3是本发明一个实施例的微生物信息提供装置400的框图。
如果参照图3，本发明一个实施例的微生物信息提供装置400可以与至少一个以上的处理器(processor)相应，或包括至少一个以上的处理器。因此，微生物信息提供装置400可以以包含于诸如微处理器或通用计算机系统的硬件装置的形态进行驱动。其中，“处理器(processor)”例如可以意味着为了执行以程序内包含的代码或命令表现的功能而在具有物理上结构化的电路的硬件中内置的数据处理装置。如上所述，作为硬件中内置的数据处理装置的一个示例，可以包括微处理器(microprocessor)、中央处理器(centralprocessing unit：CPU)、处理器内核(processor core)、多重处理器(multiprocessor)、ASIC(application-specific integrated circuit，专用集成电路)、FPGA(fieldprogrammable gate array，现场可编程门阵列)等处理装置，但并非本发明的范围限定于此。微生物信息提供装置400可以搭载于多个用户终端401、402、403、404中至少一者，或配备于服务器405。作为另一实施例，微生物信息提供装置400可以配备于两个服务器405。此时，可以通过一个服务器，实现对后述微生物分类基准的学习，在另一服务器中，可以以学习的算法为基础，判断测量样品的微生物种类或浓度。
图3所示的微生物信息提供装置400为了防止混淆本实施例的特征，只图示了与本实施例相关的构成要素。因此，除图3所示的构成要素外，还可以包括其他通用构成要素，这是本实施例相关技术领域的普通技术人员可以理解的。
如果参照图3，本发明一个实施例的微生物信息提供装置400可以包括接收部410、处理器420、存储器430及输入输出界面440。
接收部410可以接收按时间序列顺序拍摄从所述样品201出射的出射波L2的多个影像。作为一个实施例，在微生物信息提供装置400搭载于具备影像传感器300的用户终端401、402、403、440的情况下，接收部410可以与影像传感器300有线连接，接受提供所拍摄的多个影像。
作为另一实施例，在微生物信息提供装置400配备于与影像传感器300独立地配备的服务器405的情况下，接收部410可以发挥利用有线或无线通信的通信模块功能，接受提供多个影像。此时，接收部410可以提供用户终端1 401与服务器405通过网络406进行通信所需的功能，可以提供与其他用户终端(作为一个示例，用户终端2 402)或其他服务器(作为一个示例，服务器405)通信所需的功能。
作为一个示例，用户终端1 401的处理器可以将根据诸如存储器的记录装置中存储的程序代码而生成的请求，根据通信模块的控制，通过网络406传递给服务器405。相反，根据服务器405的处理器420的控制而提供的控制信号或命令、内容、文件等，可以经过接收部410和网络406，通过用户终端1 401的通信模块，被用户终端1 401接收。例如，通过通信模块而接收的服务器405的控制信号或命令等，可以传递到处理器或存储器。
处理器420可以构成得执行基本的算术、逻辑及输入输出运算，从而处理计算机程序的命令。命令可以由存储器430或接收部410提供给处理器420。例如，处理器420可以构成得根据诸如存储器430的记录装置中存储的程序代码来运行所接收的命令。处理器420可以包括学习部421、检测部422及判断部423。
存储器430作为计算机可读记录介质，可以包括RAM(random acess memory：随机存储器)、ROM(read only memory：只读存储器)及诸如磁盘驱动器的永久大容量记录装置(permanent mass storage device)。另外，在存储器430中可以存储有操作系统和至少一个程序代码(作为一个示例，安装于用户终端1 401并进行驱动的浏览器或用于上述应用程序等的代码)。这种软件构成要素可以利用驱动机构(drive mechanism)而从独立于存储器430的计算机可读记录介质载入。这种独立的计算机可读记录介质可以包括软盘驱动器、磁盘、磁带、DVD/CD-ROM驱动器、存储卡等计算机可读记录介质。在另一实施例中，软件构成要素也可以通过并非计算机可读记录介质的接收部410载入存储器430。例如，至少一个程序可以基于借助开发者或发布应用程序的安装文件的文件发布系统(作为一个示例，上述服务器405)通过网络406提供的文件而安装的程序(作为一个示例，上述应用程序)，载入存储器430。
输入输出界面440可以是用于与输入输出装置交互的手段。例如，输入装置可以包括键盘或鼠标等装置，而输出装置可以包括用于显示应用程序的通信会话的诸如显示屏的装置。作为另一示例，输入输出界面440也可以是如同触摸屏一样用于与输入与输出所需功能统合成一个的装置进行交互的手段。作为更具体示例，服务器405的处理器420在处理载入存储器430的计算机程序的命令方面，利用用户终端2 402提供的数据而构成的服务画面或内容，可以通过输入输出界面440显示于显示屏。
下面参照图4，对本发明的微生物信息提供装置400的原理进行说明。
图4是用于说明本发明一个实施例的微生物信息提供装置400确认样品201内存在微生物的基本原理的图。
在如同玻璃一样内部折射率均匀的物质的情况下，当照射光时，向既定方向发生折射。但如果向内部折射率不均匀的物体照射诸如激光的相干光(coherent light)，则在物质内部发生非常复杂的多重散射(multiple scattering)。
如果参照图4，波源照射的光线或波(以下为了简化而称为波)中的通过多重散射而以复杂路径散射的波的一部分穿过检查对象面。穿过检查对象面的多个地点的波彼此引起相长干涉(constructive interference)或相消干涉(destructive interference)，这种波的相长/相消干涉产生单粒状的斑纹(散斑：speckle)。
在本说明书中，将这种以复杂路径散射的波命名为“混沌波(chaotic wave)”，混沌波可以通过散斑信息来检测。
再者，图4的左侧图是利用激光照射稳定的介质时出现的图。当利用相干光(例如激光)照射内部构成物质无移动的稳定化介质时，可以观测无变化的稳定的散斑斑纹。
但是，如图4的右侧图所示，在内部包含细菌等内部构成物质中有移动的不稳定的介质的情况下，散斑斑纹发生变化。
即，光路径会因生物的细微生命活动(例如，细胞内移动、微生物的移动、螨虫的移动等)而实时变化。散斑图案是因波的干涉而发生的现象，因而细微的光路径变化便可以使散斑图案发生变化。特别是由于根据本发明实施例测量的数据的特性，细微的光路径变化以高信噪比表现，这是因为是窄带宽的光源干涉的图像，因多重散射，信号因微生物而受到多次影响。因此，通过测量散斑图案的时间性变化，可以迅速测量生物的移动。如此测量散斑图案随时间的变化时，可以获知生物是否存在及浓度，进一步而言，也可以获知生物的种类。
图5a及图5b按时间序列显示了本发明一个实施例的微生物信息提供方法。具体而言，图5a按时间序列显示了本发明一个实施例的微生物信息提供方法中学习分类基准的方法，图5b按时间序列显示了本发明一个实施例的微生物信息提供方法中以分类基准为基础来区分微生物的浓度或种类的方法。
首先，如果参照图5a，本发明一个实施例的微生物信息提供系统1可以准备已预知微生物种类或浓度的样品，对其进行拍摄，获得多个学习影像。
微生物信息提供系统1接收多个学习影像的过程与后述接收新样品的多个影像的过程相同。换言之，微生物信息提供系统1利用波源100，向样品部200容纳的样品201照射波L1。此时，所述样品201可以为已预知微生物浓度或种类的样品。
然后，影像传感器300按时间序列顺序拍摄从样品201出射的出射波L2而获得多个影像。换言之，影像传感器300可以在事先设置的时间点或在每个时间点拍摄样品201而获得多个影像，此时，多个影像分别可以包括起因于入射到样品201的波L1并被微生物多重散射而发生的散斑信息。影像传感器300可以以能够感知微生物的移动的程度的速度来获得多个影像，例如，可以以每秒25帧至30帧的速度拍摄样品201。
然后，微生物信息提供装置400借助于接收部410，接收影像传感器300获得的多个学习影像。
然后，检测部422可以从多个学习影像提取随时间变化的特征(feature)、S12。其中，多个学习影像作为设置时间间隔而连续拍摄的影像，在按时间序列顺序拍摄的多个学习影像之间，包括时间(time)信息。检测部422可以从这种多个学习影像提取随时间变化的特征(feature)。
然后，学习部421以所述提取的特征为基础，对分类基准进行机器学习S13。学习部421基于深度学习(Deep learning)，学习分类基准，深度学习定义为通过多种非线性变换技法的组合来尝试高水平抽象化(abstractions，在大量数据或复杂资料中概括核心内容或功能的操作)的机器学习算法的集合。学习部421可以利用深度学习模型中例如深度神经网络(Deep Neural Networks：DNN)、卷积神经网络(Convolutional Neural Networks：CNN)、循环神经网络(Reccurent Neural Network：RN:)及深度置信网络(Deep BeliefNetworks：DBN)中某一者。
作为一个实施例，学习部421可以以所述接收的多个学习影像的时间相关性(temporal correlation)为基础，对分类基准进行机器学习(machine learning)。
多个学习影像如前所述，可以包括从样品201多重散射而发生的散斑的信息。正如前面通过图4所作的说明，当在样品201内存在微生物时，由于微生物的生命活动，散斑会随时间而变化。另外，这种随时间的散斑变化因微生物的种类或浓度而异，因此，学习部421可以学习利用散斑随时间的变化而将微生物的种类或浓度进行分类的分类基准。
作为一个实施例，学习部421可以利用多个学习影像分别包括的作为散斑信息的散斑图案变化，对分类基准进行机器学习，或以所述接收的多个学习影像的时间相关性(temporal correlation)为基础，对分类基准进行机器学习(machine learning)。此时，学习部421可以利用所述特征(feature)中在多个学习影像中分别检测的散斑图案，学习微生物的分类基准。
另一方面，在图5a中，区分图示了检测部422提取随时间变化的特征的步骤S12与学习部421基于所提取的特征来对分类基准进行机器学习的步骤S13，但本发明并非必须限定于此，各步骤当然可以不具有先后关系而是同时进行。
图6是用于说明本发明一个实施例的学习部421分析散斑的时间相关性的方法的图。
如果参照图6，学习部421可以利用在第一时间点检测的散斑的第一影像信息、在不同于第一时间点的第二时间点检测的散斑的第二影像信息差异来学习分类基准。其中，第一影像信息及第二影像信息可以为散斑图案信息或波的强度信息中至少某一种。另一方面，本发明的一个实施例并非只利用第一时间点的第一影像信息与第二时间点的第二影像信息差异，可以将其扩展，利用在多个时间点检测的多个影像中包括的散斑信息。学习部421可以利用在事先设置的多个时间点生成的散斑的影像信息，计算影像间的时间相关性系数，可以基于时间相关性系数，学习分类基准。
作为一个示例，以散斑图案的光线强度为基础计算的时间相关性系数，可以利用以下数学式3来计算。
[数学式3]
Figure BDA0002955724820000161
在数学式3中，C代表时间相关性系数，I代表标准化的光线强度，(x,y)代表照相机的像素坐标，t代表测量的时间，T代表总测量时间，τ代表时滞(time lag)。
根据数学式3，可以计算时间相关性系数，作为一个实施例，通过时间相关性系数下降到事先设置的基准值以下的分析，学习部421学习了区分微生物的种类或浓度的分类基准。具体而言，时间相关性系数超过事先设置的误差范围而下降到基准值以下，由此可以分析认为存在微生物，这种基准值根据微生物的种类而可以具有不同值。学习部421可以利用上述时间相关性系数的基准值分析，学习区分微生物的种类的分类基准。
另外，如图6的图表所示，微生物的浓度越增加，时间相关性系数下降到基准值以下的时间越短，利用其可以通过代表时间相关性系数的图表的斜率值，分析微生物的浓度。学习部421可以利用时间相关性系数的斜率值分析，学习区分微生物的浓度的分类基准。
图7是图示随时间测量的散斑的光线强度的标准差分布的图。
如果参照图7，学习部421可以利用每隔基准时间测量的多个学习影像，计算散斑图案的光线强度(intensity)的标准差。在样品内存在的细菌及微生物持续移动，因而相长干涉和相消干涉可以与所述移动对应地变化。此时，随着相长干涉与相消干涉的变化，光线强度的程度会变化。学习部421可以求出代表光线强度的变化程度的标准差，分析在样品中有细菌及微生物之处，学习细菌及微生物的分布图。
例如，学习部421可以计算在多个学习影像中分别检测的散斑图案随时间的光线强度的标准差。散斑随时间的光线强度标准差可以基于以下数学式4来计算。
[数学式4]
Figure BDA0002955724820000171
在数学式4中，S可以代表标准差，(x,y)可以代表照相机像素坐标，T可以代表总测量时间，t可以代表测量时间，It可以代表在t时间测量的光线强度，I可以代表随时间的平均光线强度。
相长及相消干涉图案随着细菌及微生物的移动而异，基于数学式4计算的标准差值不同，因而基于此，可以测量细菌及微生物的浓度。学习部421可以基于散斑图案的光线强度标准差值的大小与细菌及微生物浓度的线性关系来学习分类基准。
下面以学习部421利用卷积神经网络(CNN)来学习分类基准的情形为中心进行说明。
其中，卷积神经网络(CNN)是设计得使用最小限度的预处理(prepocess)的多层感知器(multilayer perceptrons)的一种。卷积神经网络(CNN)包括针对输入数据执行卷积的卷积层，而且，可以还包括针对影像执行二次采样(subsampling)的二次采样层，从相应数据提取特征图。其中，所谓二次采样层，作为提高相邻数据间对比度(contrast)、减少应处理数据的量的层，可以利用最大池化(max pooling)、平均池化(average pooling)等。
图8是本发明一个实施例的卷积神经网络的示例图，图9及图10是用于说明图8的卷积运算的图。
如果参照图8至图10，本发明一个实施例的学习部421利用的卷积神经网络(CNN)510可以包括多个卷积层A1。学习部421可以执行卷积层的核及输入之间的卷积运算而生成输出。
卷积层的输入作为被采用为相应卷积层的输入的数据，包括最初输入数据或与由之前层生成的输出对应的至少一个输入特征图(feature map)。例如，图8所示的卷积层1A11的输入可以为作为卷积神经网络510最初输入的多个影像501，卷积层2A12的输入可以为卷积层1A11的输出511。
卷积神经网络510的输入501为接收部410接收的C个多个影像501，在作为输入特征图的各影像之间，时间相关性可以成立。各影像，换言之，各输入特征图可以具有以事先设置的宽度W和高度H构成的多个像素。这种输入特征图为C个，因而输入501的大小可以表现为W x H x C。学习部421可以利用与卷积层A1对应的一个核，执行与输入501对应的卷积运算。
卷积层A1的至少一个核作为为了与相应卷积层A1对应的卷积运算而采用的数据，例如可以基于相应卷积层的输入及输出来定义。构成卷积神经网络510的卷积层A1，每个可以设计至少一个核，可以将与各卷积层对应的至少一个核称为核集S600。
其中，核集S600可以包括与输出通道D对应的核。例如，为了获得卷积层A1的希望的输出，可以定义相应卷积层的核集S600而使得执行相应卷积层的输入和卷积运算。卷积层A1的输出作为基于在相应卷积层的输入与核集之间的卷积运算结果的数据，可以包括至少一个输出特征图，采用作下层的输入。
学习部421可以执行对应于卷积层A1的核集S600与输入501之间的卷积运算而生成输出511。卷积层A1的输出511可以包括与D个输出通道对应的输出特征图5111，各输出特征图5111的大小可以为W x H。其中，输出511的宽度、高度及个数(深度)可以分别为W、H及D，输出511的大小可以表现为W x H x D。
例如，与卷积层A1对应的核集S600可以包括与D个输出通道个数对应的卷积核。学习部421可以基于输入501与同D个输出通道对应的核之间的运算结果，生成与D个输出通道对应的输出特征图5111。
学习部421可以包括多个卷积层A1，作为一个实施例，可以包括4至7个卷积层A1。例如，如图所示，可以包括5个卷积层A11、A12、A13、A14、A15。通过这种多个卷积层A11、A12、A13、A14、A15，学习部421可以提高能够涵盖复杂的非线性关系的学习容量。但是，本发明不限于此，当然可以利用更多卷积层A1进行学习。
另一方面，卷积层A1可以分别包括激活函数(activation function)。激活函数可以执行的功能是各层逐层应用，使各输入具有复杂的非线性(non-linear)关系。激活函数可以使用能够将输入变换成标准化(normalization)输出的Sigmoid函数、双曲正切函数(tanh)、线性整流函数(Rectified Linear Unit：ReLU)、Leacky ReLU等。
本发明一个实施例的学习部421在利用卷积神经网络510初次进行学习方面，利用-1至1的值，使核完全初始化，而利用将具有负数值的数据全部输出为0的激活函数时，包含有效信息的输出值无法传递到下个卷积层，学习效率会下降。因此，在本发明一个实施例中，学习部421可以在卷积层A1后追加Leacky ReLU层，正数值可以直接输出，且对于负数值的输入数据，使得带有既定斜率地输出。由此，学习部421可以在学习期间，防止收敛速度低下和局部最小化问题。
输入501可以为应用了填充(padding)的输入特征图的集合，所谓填充，意味着将输入的一部分区域用特定值进行填充的技法。具体而言，使填充(Pad)的大小为1并对输入应用填充，这意味着在输入特征图的边缘填充特定值的动作，零填充(zoro padding)意味着将该特定值设置为0。例如，如果是对X x Y x Z的大小输入应用填充(pad)大小为1的零填充(zero padding)，则应用了填充的输入作为边缘为0、大小为(X+1)x(Y+1)x Z的数据，可以包括(X+1)x(Y+1)x Z个输入要素。
另一方面，学习部421在将包括散斑信息的多个影像当作输入而执行卷积运算方面，利用多个影像的时间相关性进行学习，此时，在各个影像中可以包括作为单粒状斑纹的多个散斑。此时，学习部421可以以各个散斑的时间相关性为基础来学习分类基准，换言之，学习部421利用并非影像二维信息而是包括时间信息的三维信息来学习分类基准。
学习部421需集中于关于一个散斑的信息，为了准确获得关于一个散斑的三维信息，需区分上述一个散斑与周边的散斑来学习分类基准。因此，学习部421可以利用具有小于一个散斑大小的大小的卷积核(convolution kernel)来执行卷积运算。即，学习部421在一个散斑的大小对应于m个像素(pixel)的情况下，利用小于m的n x n大小的卷积核来执行卷积运算。作为一个实施例，如前所述，影像传感器300配置得使最大5个以下像素位于散斑颗粒大小(speckle grain size)，因而m可以为5，此时，n可以具有1的值。即，学习部421可以利用1x 1卷积核来执行卷积运算。但是，本发明的技术思想是利用大小小于散斑大小的核来执行卷积运算，但并非限定于此。
核集S600可以包括与D个输出通道对应的卷积核，各卷积核可以包括与多个影像个数对应的核特征图。各核特征图的大小为n x n，因而核集S600包括n x n x C x D个核要素。其中，卷积核的尺寸为n x n x C，C可以为多个影像的个数，即影像帧数。卷积核的个数可以与多个影像的个数(C)相同，此时，可以将各层的输出结果，用于进行相同条件的傅里叶变换或利用其的分析等。
如图9所示，学习部421可以执行核集S600中与第一输出通道对应的卷积核与输入501之间的运算，生成与第一输出通道对应的输出特征图5111。利用这种方式，学习部421可以分别执行核集S600内D个核与输入501之间的运算，生成与D个输出通道对应的输出特征图5111，可以生成包括所生成的输出特征图5111的输出511。
例如，学习部421可以执行与n x n x C个大小的第D输出通道对应的卷积核600同W x H x C大小的输入501之间的运算而生成W x H大小的输出特征图5111，生成的输出特征图5111与第D输出通道对应。具体而言，与第D输出通道对应的卷积核600包括C个核特征图，各核特征图的大小为n x n。学习部421可以在输入501中包括的W x H大小的各输入特征图上，使n x n大小的各核特征图按特定步长(stride)滑动，生成作为与第D输出通道对应的卷积核600及输入501之间的运算结果的输出特征图5111。
其中，所谓步长(stride)，意味着在卷积运算时滑动核特征图的间隔。正如前面所作的说明，学习部421为了集中于关于一个散斑的信息，需区分上述一个散斑与周边的散斑来学习分类基准，因而作为滑动间隔的步长s可以具有与卷积核大小对应的值，以便各卷积核不同与之对应的区域重叠。换言之，当使用n x n大小的卷积核时，步长s可以具有n值。例如，当为1x 1卷积核时，步长s可以为1。由此，学习部421可以使一个散斑不与周边其他散斑重叠，只利用一个散斑具有的时间信息来学习分类基准。
作为一个实施例，学习部421在利用卷积神经网络510来学习分类基准方面，可以以具有与多个影像个数C相同的输出通道个数D的方式执行卷积运算。换言之，核集S600可以具备D个包括C个核特征图的卷积核，此时，C与D可以相同。
另一方面，学习部421可以在利用卷积层A1的卷积运算后，利用池化运算，使输出515尺寸缩小。例如，学习部421可以利用二次采样(sub sampling)A2，使输出515尺寸缩小。例如，二次采样可以是全局平均池化(global average pooling)，所述全局平均池化(global average pooling)是将既定大小范围内的平均值设置为相应范围代表的运算。但是，本发明不限于此，当然可以使用最大池化(max pooling)、最小池化(min pooing)等。
然后，学习部421可以利用全连接层(Fully connected layer)，针对穿过二次采样A2过滤器而提取的特征图521，与既定运算一同应用加权值后，获得最终输出541。例如，学习部421可以还将Leaky ReLU应用于执行二次采样A2后的全连接层(Fully connectedlayer)(A3)，然后，将指数层(softmax layer)应用于全连接层(Fully connected layer)(A4)，获得最终输出。其中，最终输出541可以是基于散斑的时间相关性来区分微生物种类或浓度的分类基准。
下面，如果参照图5b，本发明一个实施例的微生物信息提供方法接收向新样品照射波S21并按时间序列顺序拍摄所出射的出射波的多个影像S22。然后，微生物信息提供方法可以借助于判断部423，以所述获得的分类基准为基础，区分新样品201包括的微生物的种类或浓度S23。通过前述过程而获得的输出数据可以重新提供给学习部421，用作学习数据。
图11是比较利用本发明一个实施例的微生物信息提供方法而获得的预想微生物信息(prediction)与实际微生物信息(ground truth)的图表。
如果参照图11，可以确认，通过本发明一个实施例的微生物信息提供方法而获得的预想微生物信息与实际微生物信息之间的匹配率非常高。通过图11的结果可以确认，微生物信息提供方法不仅区分样品201内包括的微生物的种类(B.subtilis、E.Coli、P.aeruginosa、S.aureus)等，而且连各个浓度也进行了区分。
如前所述，本发明一个实施例的微生物信息提供装置及方法利用散斑的时间相关性的变化，获得对微生物种类或浓度进行分类的分类基准，从而不使用另外的化学方法便能够迅速、准确地区分样品内的微生物的种类或浓度。由此，不仅能够对感染疾病患者迅速、有效地作出抗生素等医学处方，而且能够实现确认对象体健康状态等的多样应用。
另一方面，图12是概略地图示本发明一个实施例的光学检测系统2的图。
如果参照图12，本发明一个实施例的光学检测系统2可以具备波源10、样品部20、光学部30及检测部40。
波源10可以应用能够生成波(wave)的所有种类的源装置，例如，可以为能够照射特定波段的光的激光(laser)。另一方面，波源10可以与诸如马达(motor)或促动器(actuator)的驱动装置连接，根据事先设置的时间间隔，向样品部20依次照射波。本发明对波源种类没有限制，不过，下面为了说明的便利，以激光的情形为中心进行说明。
例如，为了在样品部20容纳的样品S形成散斑，可以将相干性(coherence)好的激光用作波源10。此时，决定激光波源相干性的波源的频谱带宽(spectral bandwidth)越短，测量准确度会越增加。即，相干长度(coherence length)越长，测量准确度会越增加。因此，波源的频谱带宽不足已定义的基准带宽的激光可以用作波源10，越比基准带宽短，测量准确度会增加。例如，可以设置波源10的频谱带宽以便保持前述数学式1的条件。
根据数学式1，为了测量激光散斑的图案变化，在每隔基准时间向样品部1200照射光时，波源10的频谱带宽可以保持不足5nm。
图13及图14是概略地图示图12的光学检测系统2的样品部20的图。
如果参照图12至图14，样品部20可以容纳要测量的样品S。样品S可以通过诸如容器211或管212的样品配置手段而容纳，可以以稳定化的状态(static state)容纳。作为一个实施例，如图2所示，样品部20可以利用容器211，容纳无流动性的稳定化的样品S。或者，作为另一实施例，如图3所示，样品部20可以利用管212来容纳有流动性的样品S。此时，样品S可以为液体，样品部20可以沿着包括管212的全体流路，使所述样品S循环1次以上，在管212内形成样品S的稳定化状态。
样品部20可以还包括多重散射扩增部21。多重散射扩增部21可以使从样品S出射的波的至少一部分反射到样品S，使在样品S的多重散射次数扩增。多重散射扩增部21可以包括多重散射物质(multiple scattering material)。例如，多重散射物质可以包括二氧化钛(TiO2)，多重散射扩增部21可以使入射到多重散射扩增部21的波的至少一部分反射。多重散射扩增部21可以与样品S邻接配置，使得从样品S多重散射而出射的波在样品S与多重散射扩增部21之间的空间往复至少1次以上。多重散射扩增部21可以配置于波的路径上，可以配置于邻接入射波S1的位置及邻接出射波S2的位置。
作为另一实施例，光学检测系统2可以构成得在样品S内包含多重散射物质。或者，样品部20可以在管212本体具备多重散射扩增区域21。多重散射扩增区域21可以使入射到管212的内部空间并经过样品S出射的波的至少一部分重新向样品S内散射。如此散射的波重新经过流体出射到另一侧并散射，通过这种过程，可以增加在流体内多重散射次数。多重散射扩增区域21可以在波经过的路径中的至少一部分区域形成，例如，可以配置于全区域。
光学部30可以控制上述的出射波S2的波形并传输到检测部40。具体而言，光学部30可以包括一个以上的空间光调制部(Spatial Light Modulator：SLM)及使从空间光调制部出射的波集束(focused)并传递给检测部40的透镜部35。
空间光调制部310、320可以控制从样品散射的波的波形并提供给透镜部35。空间光调制部310、320也可以称为波形控制器(wave shaping device)。空间光调制部310、320可以调制波的强度，或同时调制波的强度及相位。空间光调制部35可以包括如同LCSLM(Liquid crystal spatial light modulator：液晶空间光调制器)、DMD(digitalmicromirror device：数字微镜装置)、DM(deformable mirror：可变形反射镜)等一样能够将波形按像素(pixel)单位控制成希望的形态的机构或装置。
另一方面，本发明一个实施例的光学检测系统2可以包括第一空间光调制部31及第二空间光调制部32。此时，第一空间光调制部31和第二空间光调制部32可以在从样品部20出射的出射波S2经过的路径上互不重叠地配置。第一空间光调制部31及第二空间光调制部32可以在各自的位置控制出射波S2的波形。
其中，第一空间光调制部31及第二空间光调制部32可以控制从稳定化状态的样品S出射的出射波S2，使得被控制的波形具有事先设置的波形信息。
下面再次一同参照图4，对光学部30控制波形并检测诸如异物质或杂质的对象体的方法进行说明。
图15a及图15b是用于说明利用本发明一个实施例的光学检测系统2来检测对象体M的原理的图。
如果参照图4，从波源10释放的入射波S1中通过样品部20中的多重散射而以复杂路径散射的波的一部分穿过检查对象面。穿过检查对象面的多个地点的波可以相互引起相长干涉(constructive interference)或相消干涉(destructive interference)，这种波的相长/相消干涉产生单粒状的斑纹(散斑：s_peckle)。此时，当样品为没有内部构成物质的移动的稳定化的状态时，当利用相干光(例如，激光)照射时，可以观测无变化的稳定的散斑斑纹。但是，在内部包含异物质或杂质，例如包含细菌等、内部构成物质中有移动的不稳定的介质的情况下，或者在发生物质或杂质而导致上述稳定化状态瓦解的情况下，散斑斑纹发生变化。即，穿过样品部20而出射的出射波S2可以包括基于上述散斑图案的样品信息。
其中，如果参照图15a，第一空间光调制部31及第二空间光调制部32在样品S为没有内部构成物质的移动的稳定化状态时，可以控制波形，使得从样品部20出射的出射波S2具有事先设置的强度及相位。第一空间光调制部31可以将出射波S2控制为具有第一波信息的第一波LS1，第二空间光调制部32可以将出射波S2控制为具有第二波信息的第二波LS2。此时，作为一个实施例，第一波信息和第二波信息的波的强度相同，且波的相位可以具有彼此相反相位。这可以整理成下述数学式2。
[数学式2]
I(LS1)＝I(LS2)
P(LS1)＝P(LS2)+π
其中，I意味着波的强度(intensity)，P意味着波的相位(phase)。因此，在样品S稳定化状态下，第一波LS1和第二波LS2被透镜部35集束时，强度相同，相位相反，因而出现相消干涉，理想情况下，后述的检测部40如数学式3所洋，无法感知光线。
[数学式3]
I(LS1+LS2)＝0
另一方面，如果参照图15b，在样品S中进入了诸如异物质或杂质的对象体M时，从样品部20出射的出射波S2的散斑图案发生变化，在通过上述构成控制波形的状态下，如果具有已变化的散斑图案的出射波S2入射到第一空间光调制部31及第二空间光调制部32，则不被控制得具有事先设置的波信息。换言之，变化的第一波LS1和第二波LS2强度不同或相位不相反，检测部40最终不同于数学式3，而是如下述数学式4所示，感知具有既定强度的光线。
[数学式4]
I(LS1'+LS2')＝kx
其中，k可以为检测部40中的扩增常数。
另一方面，透镜部35可以使从第一空间光调制部31及第二空间光调制部32出射的第一波LS1及第二波LS2集束，提供给检测部40。此时，透镜部35既可以如图12所示，由一个透镜构成，也可以如图15a及图15b所示，在各个路径上配置有多个透镜351、352、353。透镜部35也可以还包括用于变更上述第一波LS1及第二波LS2的光路径所需的诸如反射镜37或分束器38的光路径手段。
另一方面，作为另一实施例，在样品S稳定化状态下，被第一空间光调制部31及第二空间光调制部32控制的第一波LS1与第二波LS2的强度也可以不同。如图15a或图15b所示，从第二空间光调制部32出射的第二波LS2被分束器38分割，因而提供给检测部40的强度必然比第一波LS1小。为了在检测部40中相消，第一空间光调制部31可以控制第一波LS1，使得第一波LS1的强度与穿过分束器38而提供给检测部40的第二波LS2的强度相同。因此，利用第一空间光调制部31及第二空间光调制部32进行控制，入射到透镜部35之前的第一波LS1与第二波LS2的强度可以不同。
检测部40可以检测从光学部30出射并集束的集束波。检测部40可以为感知波的任何手段。例如，检测部40可以为光电二极管(photo diode)。如前所述，在检测部40中，从光学部30出射的第一波LS1与第二波LS2因相消干涉而未被检测到，但当诸如异物质或杂质的对象体M进入样品S时，可以直接检测到波(光线)。
另一方面，作为另一实施例，检测部40可以还包括光纤(optical fiber)，从光学部30接受提供第一波LS1及第二波LS2。光纤(optical fiber)可以为单模光纤。第一波LS1及第二波LS2穿过单模光纤(single mode fiber)，从而可以执行单模滤光。其中，也可以取代单模光纤而使用单模光焦点大小以下的小针孔。
图16是概略地图示本发明另一实施例的光学检测系统4的图。
如果参照图16，另一实施例的光学检测系统4可以具备波源10、样品部20、光学部30及检测部40。另一实施例的光学检测系统4只有光学部30的构成不同，其余构成要素与一个实施例的光学检测系统2相同，为了说明的便利，省略重复的说明。
另一实施例的光学部30可以只具备第一空间光调制部31。第一空间光调制部31可以控制出射波S2，使得变换成第一波LS1。此时，光学部30可以将出射波S2中一部分作为第二波LS2直接提供给透镜部35。换言之，光学部30可以将出射波S2一部分用作第二波LS2，控制另一部分，使得可以与第二波LS2发生相消干涉，执行与一个实施例相同的功能。
如前所述，本发明一个实施例的光学检测系统可以将从样品出射的波分为两个，即第一波及第二波，利用空间光调制部SLM，控制第一波及第二波中至少一者的强度及相位，使得第一波与第二波在检测部40中发生相消干涉。由此，本发明一个实施例的光学检测系统只通过由检测部感知有无波，便可以检测样品内是否存在诸如微生物的杂质。另外，本发明一个实施例的光学检测系统可以通过有无波而直接获知杂质的存在，即使在存在非常少量杂质的情况下，也能够敏感检测。
如上所述，针对本发明以优选实施例为中心进行了考查。本发明所属技术领域的普通技术人员会理解，在不超出本发明本质特性的范围内，可以以变形的形态体现本发明。因此，所述公开的实施例应从说明的观点而非限定的观点加以考虑。本发明的范围显示于权利要求书而非前述说明中，与之同等范围内的所有差异点应解释为包含于本发明。
【工业实用性】
根据本发明的一个实施例提供一种微生物信息提供装置。另外，在产业上利用的杂质或微生物检测装置等中可以应用本发明的实施例。

Claims (20)

1.一种微生物信息提供装置，包括：
接收部，所述接收部接收按时间序列顺序拍摄从样品出射的出射波的多个影像；
检测部，所述检测部从按所述时间序列顺序拍摄的多个影像提取随时间变化的特征；
学习部，所述学习部以所述提取的特征为基础，对分类基准进行机器学习；及
判断部，所述判断部以所述分类基准为基础，区分样品包含的微生物的种类或浓度；
其中，所述多个影像分别包括起因于入射到所述样品的波并被所述微生物多重散射而发生的散斑信息。
2.根据权利要求1所述的微生物信息提供装置，其中，
所述学习部利用卷积神经网络来学习所述分类基准。
3.根据权利要求2所述的微生物信息提供装置，其中，
所述学习部利用具有比一个散斑大小更小的大小的卷积核执行卷积运算。
4.根据权利要求2所述的微生物信息提供装置，其中，
所述学习部在一个散斑的大小对应于m个像素的情况下，利用小于m的n x n大小的卷积核执行卷积运算。
5.根据权利要求4所述的微生物信息提供装置，其中，
所述卷积运算的步长与所述n值对应。
6.根据权利要求4所述的微生物信息提供装置，其中，
所述卷积核包括与所述多个影像个数对应或大于所述多个影像个数的核特征图。
7.根据权利要求6所述的微生物信息提供装置，其中，
所述学习部利用包括与输出通道个数对应的多个卷积核的核集来执行卷积运算。
8.根据权利要求7所述的微生物信息提供装置，其中，
基于所述卷积运算的所述输出通道个数与所述多个影像个数对应。
9.根据权利要求1所述的微生物信息提供装置，其中，
所述学习部以所述多个影像的时间相关性为基础来学习所述分类基准。
10.根据权利要求1所述的微生物信息提供装置，其中，
所述分类基准利用以所述特征中散斑图案的形态变化、以所述散斑图案的光线强度为基础计算的时间相关性系数、所述散斑图案的光线强度的标准差值的变化量中之一进行学习。
11.根据权利要求10所述的微生物信息提供装置，其中，
所述标准差值与所述微生物的浓度具有线性关系。
12.一种微生物信息提供方法，包括：
接收按时间序列顺序预先拍摄向已预知微生物种类或浓度的样品照射波而出射的出射波的多个学习影像的步骤；
从所述按时间序列顺序预先拍摄的多个学习影像，以随时间变化的特征为基础，对分类基准进行机器学习的步骤；
接收按时间序列顺序拍摄向新样品照射波而出射的出射波的多个影像的步骤；及
以所述多个影像及所述分类基准为基础来区分所述新样品包含的微生物的种类或浓度的步骤；
其中，所述多个学习影像或所述多个影像分别包括起因于入射到所述样品的波并被所述微生物多重散射而发生的散斑信息。
13.根据权利要求12所述的微生物信息提供方法，其中，
所述对分类基准进行机器学习的步骤利用卷积神经网络来学习所述分类基准。
14.根据权利要求13所述的微生物信息提供方法，其中，
所述对分类基准进行机器学习的步骤利用具有小于一个散斑大小的大小的卷积核来执行卷积运算。
15.根据权利要求13所述的微生物信息提供方法，其中，
所述对分类基准进行机器学习的步骤在一个散斑的大小对应于m个像素的情况下，利用小于m的n x n大小的卷积核来执行卷积运算。
16.根据权利要求15所述的微生物信息提供方法，其中，
所述卷积运算的步长与所述n值对应。
17.根据权利要求13所述的微生物信息提供方法，其中，
所述卷积核包括与所述多个影像个数对应或大于所述多个影像个数的核特征图。
18.根据权利要求17所述的微生物信息提供方法，其中，
所述对分类基准进行机器学习的步骤利用包括与输出通道个数对应的多个卷积核的核集来执行卷积运算。
19.根据权利要求18所述的微生物信息提供方法，其中，
基于所述卷积运算的所述输出通道个数与所述多个影像个数对应。
20.根据权利要求12所述的微生物信息提供方法，其中，
所述学习部以所述多个影像的时间相关性为基础来学习所述分类基准。
CN201980056978.0A 2018-09-07 2019-09-06 微生物信息提供装置及方法 Pending CN112689841A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
KR1020180107292A KR102130100B1 (ko) 2018-09-07 2018-09-07 광학 검출 시스템
KR10-2018-0107292 2018-09-07
KR10-2019-0045142 2019-04-17
KR1020190045142A KR102207945B1 (ko) 2019-04-17 2019-04-17 미생물 정보 제공 장치 및 방법
PCT/KR2019/011559 WO2020050687A1 (ko) 2018-09-07 2019-09-06 미생물 정보 제공 장치 및 방법

Publications (1)

Publication Number Publication Date
CN112689841A true CN112689841A (zh) 2021-04-20

Family

ID=69723149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980056978.0A Pending CN112689841A (zh) 2018-09-07 2019-09-06 微生物信息提供装置及方法

Country Status (3)

Country Link
US (1) US20210340591A1 (zh)
CN (1) CN112689841A (zh)
WO (1) WO2020050687A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112285105B (zh) * 2020-09-25 2022-05-24 北京科技大学 一种膏体浓度非接触式自动检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103080331A (zh) * 2010-06-23 2013-05-01 株式会社N－Tech 微生物检测方法、微生物检测设备和程序
WO2017086719A1 (ko) * 2015-11-17 2017-05-26 한국과학기술원 혼돈파 센서를 이용한 시료 특성 탐지 장치
CN107239803A (zh) * 2017-07-21 2017-10-10 国家海洋局第海洋研究所 利用深度学习神经网络的海底底质自动分类方法
CN107977683A (zh) * 2017-12-20 2018-05-01 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103518224B (zh) * 2011-03-04 2017-05-17 Lbt创新有限公司 用于分析微生物生长的方法
EP2936116B8 (en) * 2012-12-19 2020-04-01 Koninklijke Philips N.V. System and method for classification of particles in a fluid sample
WO2016061586A1 (en) * 2014-10-17 2016-04-21 Cireca Theranostics, Llc Methods and systems for classifying biological samples, including optimization of analyses and use of correlation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103080331A (zh) * 2010-06-23 2013-05-01 株式会社N－Tech 微生物检测方法、微生物检测设备和程序
WO2017086719A1 (ko) * 2015-11-17 2017-05-26 한국과학기술원 혼돈파 센서를 이용한 시료 특성 탐지 장치
CN107239803A (zh) * 2017-07-21 2017-10-10 国家海洋局第海洋研究所 利用深度学习神经网络的海底底质自动分类方法
CN107977683A (zh) * 2017-12-20 2018-05-01 南京大学 基于卷积特征提取和机器学习的联合sar目标识别方法

Also Published As

Publication number Publication date
WO2020050687A1 (ko) 2020-03-12
US20210340591A1 (en) 2021-11-04

Similar Documents

Publication Publication Date Title
Kılıç et al. Single-image-referenced colorimetric water quality detection using a smartphone
US10413186B2 (en) Coherent optical imaging for detecting neural signatures and medical imaging applications using holographic imaging techniques
US11125692B2 (en) Determination method, determination apparatus, and recording medium
CN111630604A (zh) 基于生物细胞或生物物质的检测的数据收集和分析
KR20210099575A (ko) 체액의 샘플 내 피분석물의 농도를 결정하기 위한 방법 및 시스템, 및 소프트웨어-구현 모듈을 생성하는 방법 및 시스템
CN112689841A (zh) 微生物信息提供装置及方法
KR102207043B1 (ko) 공기중 부유균 측정 장치
Guo et al. Contactless vital sign monitoring system for in-vehicle driver monitoring using a near-infrared time-of-flight camera
Shen et al. Single convolutional neural network model for multiple preprocessing of Raman spectra
Biswas et al. Which color channel is better for diagnosing retinal diseases automatically in color fundus photographs?
Lee et al. Real-time realizable mobile imaging photoplethysmography
Hamel et al. Contribution of color in saliency model for videos
Chakraborty et al. Neonatal jaundice detection system using CNN algorithm and image processing
Chakravadhanula A smartphone-based test and predictive models for rapid, non-invasive, and point-of-care monitoring of ocular and cardiovascular complications related to diabetes
KR102587495B1 (ko) 미생물 정보 제공 장치 및 방법
WO2020150403A1 (en) System and methods for remote assessment of a sample assay for disease diagnostics
KR102207945B1 (ko) 미생물 정보 제공 장치 및 방법
Yu et al. Design and validation of a convolutional neural network for fast, model-free blood flow imaging with multiple exposure speckle imaging
JP2019219375A (ja) スペクトルイメージ補正装置及び方法、ならびに対象体の成分分析装置
Procházka et al. Incremental deep learning for reflectivity data recognition in stomatology
Gulina et al. Method for calculating detection probability of objects images by a human
Coelho et al. On the feasibility of Vis–NIR spectroscopy and machine learning for real time SARS-CoV-2 detection
JP2023502766A (ja) 体液中の分析物の濃度を決定する方法
Gulina et al. Method for Calculating Recognition Probability of Objects Images by a Human
KR20210011473A (ko) 공기중 부유균 측정 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination