CN114921521A - 一种基于深度卷积神经网络的食源性肠道致病菌检测方法 - Google Patents

一种基于深度卷积神经网络的食源性肠道致病菌检测方法 Download PDF

Info

Publication number
CN114921521A
CN114921521A CN202210363257.8A CN202210363257A CN114921521A CN 114921521 A CN114921521 A CN 114921521A CN 202210363257 A CN202210363257 A CN 202210363257A CN 114921521 A CN114921521 A CN 114921521A
Authority
CN
China
Prior art keywords
borne
food
neural network
convolutional neural
pathogenic bacteria
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
CN202210363257.8A
Other languages
English (en)
Inventor
陈琼
赵瑞杰
李晖
包涵
周东明
吕恒
谭伟龙
贾德胜
曹勇平
齐永
王宇皓
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.)
Eastern Theater Disease Prevention And Control Center Of Pla
Original Assignee
Eastern Theater Disease Prevention And Control Center Of Pla
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
Application filed by Eastern Theater Disease Prevention And Control Center Of Pla filed Critical Eastern Theater Disease Prevention And Control Center Of Pla
Priority to CN202210363257.8A priority Critical patent/CN114921521A/zh
Publication of CN114921521A publication Critical patent/CN114921521A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • C12Q1/10—Enterobacteria
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N1/00—Microorganisms, e.g. protozoa; Compositions thereof; Processes of propagating, maintaining or preserving microorganisms or compositions thereof; Processes of preparing or isolating a composition containing a microorganism; Culture media therefor
    • C12N1/20—Bacteria; Culture media 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
    • 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
    • C12Q1/14—Streptococcus; Staphylococcus
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12R—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES C12C - C12Q, RELATING TO MICROORGANISMS
    • C12R2001/00—Microorganisms ; Processes using microorganisms
    • C12R2001/01—Bacteria or Actinomycetales ; using bacteria or Actinomycetales
    • C12R2001/07—Bacillus
    • C12R2001/085—Bacillus cereus
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12R—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES C12C - C12Q, RELATING TO MICROORGANISMS
    • C12R2001/00—Microorganisms ; Processes using microorganisms
    • C12R2001/01—Bacteria or Actinomycetales ; using bacteria or Actinomycetales
    • C12R2001/185—Escherichia
    • C12R2001/19—Escherichia coli
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12R—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES C12C - C12Q, RELATING TO MICROORGANISMS
    • C12R2001/00—Microorganisms ; Processes using microorganisms
    • C12R2001/01—Bacteria or Actinomycetales ; using bacteria or Actinomycetales
    • C12R2001/42—Salmonella
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12R—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES C12C - C12Q, RELATING TO MICROORGANISMS
    • C12R2001/00—Microorganisms ; Processes using microorganisms
    • C12R2001/01—Bacteria or Actinomycetales ; using bacteria or Actinomycetales
    • C12R2001/44—Staphylococcus
    • C12R2001/445—Staphylococcus aureus
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12R—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES C12C - C12Q, RELATING TO MICROORGANISMS
    • C12R2001/00—Microorganisms ; Processes using microorganisms
    • C12R2001/01—Bacteria or Actinomycetales ; using bacteria or Actinomycetales
    • C12R2001/46—Streptococcus ; Enterococcus; Lactococcus
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12R—INDEXING SCHEME ASSOCIATED WITH SUBCLASSES C12C - C12Q, RELATING TO MICROORGANISMS
    • C12R2001/00—Microorganisms ; Processes using microorganisms
    • C12R2001/01—Bacteria or Actinomycetales ; using bacteria or Actinomycetales
    • C12R2001/63—Vibrio
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Wood Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Zoology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Microbiology (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Toxicology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Medicinal Chemistry (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Virology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

一种基于深度卷积神经网络的食源性肠道致病菌检测方法，包括以下步骤：（1）对六种食源性肠道致病菌进行增菌、分离培养；（2）对培养后的典型菌落进行革兰氏染色，使用显微镜对染色后的镜检图片拍照与标注，收集原始食源性肠道致病菌数据集；（3）对原始数据集进行处理，按照7：3比例随机选取图片划分训练集与测试集，在输入深度卷积神经网络前应用数据增强方法处理图片，更加有效的训练模型；（4）根据镜检图像向量和标签向量建立深度卷积神经网络模型，按批次对模型进行训练，将学习的模型作为食源性肠道致病菌检测模型；（5）将分类结果交由专家人工核查，根据核查结果调整模型参数，提高食源性肠道致病菌检测精度。

Description

一种基于深度卷积神经网络的食源性肠道致病菌检测方法
技术领域
本发明属于食品安全领域、细菌检测领域与机器学习领域，涉及一种基于革兰氏染色镜检图像与机器学习技术结合实现食源性肠道致病菌检测的新方法。
背景技术
随着人们生活水平的不断提高，食品安全日益受到重视。食源性致病菌污染是当今社会上不断增多的食品安全和突发公共卫生事件的主要诱因，对食源性肠道致病菌进行准确的检测成为亟待解决的重要问题。食源性致病菌现有检方法是：传统的细菌培养技术、免疫学技术（ELISA技术和免疫荧光标记）和代谢学检测技术（电阻抗技术和ATP生物发光法），其中传统的细菌培养技术，检验检测的原理主要是对样品中的微生物进行增殖,然后利用划线分离,实施选择性培养,进而观寨菌落特征,实现检测目标。该方法的弊端就在于操作繁琐,检测周期长,在一些应急情况下无法满足检测要求。ELISA技术是基于免疫学抗原-抗体特异性结合的检测方法。对于沙门氏菌检测有着较好的检测范围和灵敏度。使用该方法进行沙门氏菌的检测也需要对于食品中的微生物进行增殖。免疫荧光标记属于食源性致病菌检测中的一类新型免疫学检测法,原理上主要是基于特异性抗体敏化的免疫色谱卡片。在具体操作中,仅需要将实现进行增殖后的样品滴加到免疫色谱卡上,就能够用肉眼直接观察结果。该方法在操作上十分便捷,无需其他设备辅助,具有较好的适应性。虽然同ELSA法一样需要进行样品的增殖,但增殖后的操作时间大概仅有10分钟。PCR技术是基于核酸的一类检测方法，近年来，用PCR技术在食源性致病菌领域的具体应用也出现了多元化发展，包括实时荧光定量PCR、逆转录PCR和电化学发光PCR等，并成为一些食源性致病菌的行业检测标准。电阻抗法测定法是新型的生物学检测技术,目前在食品微生物检测的领域也有了较好的应用。其原理是细菌在繁殖的过程中,其代谢过程和代谢产物会导致培养基的阻抗发生变化,通过对这种变化的检测就能够实现对于相关微生物的判断。目前,电阻抗法已被AOAC接收,适用于检测食品中细菌总数、大肠杆菌和沙门氏菌等。ATP是细胞内必需的一种代谢产物,使用荧光虫素和荧光虫素酶可使之释放出能量,产生磷光。而在特定环境下,细菌细胞内的ATP含量是相对固定的。因此,通过对该磷光的强度检测实现对于细菌菌落总数的判定。由于该ATP生物发光法主要是对菌落总数进行检测,因此通常用于反映食品受污染的严重程度,具有简便、省时、快速等特点,还可以被用于大量食品样本中菌污染情况检测和食品现场快速检测等。但是,若样品中含有大量非细胞性ATP,则检测结果可受干扰。
因此上述传统检测方法较为依赖经验且耗时较长，对检测人员的专业要求较高，需要在微生物检测方面进行系统专业的培训学习才能进行检验分析，且在分析的过程中存在着一定的误判与漏判情况。
近年来，由于大数据处理技术的出现，深度学习算法取得了显著进展并广泛应用于图像分类领域。因此，使用基于深度学习的自动化分类算法替代人工镜检不仅能够降低检测中的专家成本与操作耗时人为误判，也能提供更加客观准确的判断。
公开号为CN105046094A的发明专利申请公开了一种肠道菌群的检测系统及其方法和动态式数据库（申请人：深圳谱元科技有限公司）；肠道菌群的检测系统包括：用于采集肠道菌群信息的采集装置；对采集到的肠道菌群信息进行放大处理以获得每次个体检测时的肠道菌群数据的分析处理装置；用于存储肠道菌群数据的存储装置；用于将每次采集个体的肠道菌群数据与存储装置中的肠道菌群总数据进行比较的数据处理装置。该发明通过肠道菌群的检测，受检者能够了解自身肠道健康状况组成，并以此了解自己与健康人群的差异值，以此调节自己的饮食，运动，生活习惯等方面，进而改善肠道菌群状况，并以此改善身体健康状况。其中的动态数据库实时扩充数据库的容量，获得最新时期的各类人群的排泄物的检测参数。
公开号为CN113130074A的发明专利申请，公开了一种以肠道菌群特征为核心的健康评价方法（申请人：苏州思与健康科技有限公司），包括以下步骤：采集人体粪便样本经过培养后获得样品标本；样品标本通过检测方法以及仪器分析检测获得肠道菌群数据；根据菌群数据结合菌群分析数据库进行具体化分析；根据历史病历分析潜在病症；结合各项生理指标进行健康评价。该健康评价方法，将通过涂片检测法和培养检测法得到的数据，数据包括微生物种类及数量，还包括有益菌、致病菌和条件致病菌三者的比例数据，并将上述数据输入数据库，匹配对应病症，然后再输入历史病症和生理指标，利用大数据分析出最有可能获得的疾病，并重点进行检查，从而采用肠道菌群检查和计算机大数据分析的结合方式，排查潜在疾病。
公开号为CN111462819A公开了一种肠道微生物检测数据分析方法、自动化解读系统及介质（康美华大基因技术有限公司），本发明方法包括获取用户肠道微生物测序数据；对测序数据提取样本数据并对样本数据进行过滤；将过滤后的测序数据进行物种注释分类和功能注释分类，得到注释结果；对注释结果进行常规分析，所述常规分析包括多样性分析以及益生菌含量和病原菌含量分析；获取菌群功能和疾病关联数据库，基于注释结果，根据菌群功能和疾病关联数据库对常规分析结果进行自动解读。本发明可以自动化执行分析和解读，从而减少工作的压力，生成的分析结果形式多样、可读性好、符合用户的需求，并方便地进行流程化和批量化操作，人工解读工作量小，直观和方便。
然而，上述方法均为对人体肠道菌的检测结果进行大数据分析，在肠道菌的检测方法方面，并未做出创新性探索，仍依赖于传统检测方法进行检测。目前，在食源性肠道致病菌的检测方面，尚未有结合深度学习技术的系统性检测方法。当前该领域的技术空白主要体现在以下两个方面：1.缺少具有规模的食源性肠道致病菌数据集支撑基于深度学习的算法模型训练；2.缺少针对食源性肠道致病菌设计的深度学习算法模型快速、准确的对镜检图片进行分类判别。
发明内容
为解决上述问题，本发明提供了一种基于深度卷积神经网络的食源性肠道致病菌检测方法，首先对肠道致病菌进行增菌分离培养处理，完成对处理后样本的镜检图像收集，形成具有一定规模的食源性肠道致病菌镜检图像数据集，对数据集中图像进行图像增强处理后，利用深度学习模型进行致病菌检测。目标是对使用革兰氏染色的肠道致病菌镜检图像进行检测，该方法可以辅助或替代传统检测方法中的人工镜检步骤，大幅降低检测中的专家成本与人为误判，实现大批量样本的快速、准确判断。
为了实现上述目的，本发明采用了以下技术方案：
一种基于深度卷积神经网络的食源性肠道致病菌检测方法，步骤如下：
步骤S1，对肠道致病菌进行增菌培养；
所述的肠道致病菌是以下六种食源性肠道致病菌之任一种：大肠杆菌、沙门氏菌、蜡样芽孢杆菌、副溶血性弧菌、金黄色葡萄球菌、溶血性链球菌。
所述的增菌（复苏）培养具体包括以下流程：
① 首先制备样品液，使用不同的增菌液进行对上述六种食源性肠道致病菌样本（菌株）进行增菌（复苏），放置隔水式电热恒温培养箱（36℃±1℃）培养18h~24h后；
六种食源性肠道致病菌样本的增菌液属于公知技术，本领域技术人员可以根据不同肠道致病菌进行选择。使用标准化增菌、培养、染色、镜检流程保障了检测结果的可重复性和实际应用时的稳定性。
② 取增菌后的增菌液1环划线或取0.1ml涂布，接种于不同食源性肠道致病菌的选择性平板或显色培养基，于36℃±1℃分别培养18h~48h后，观察各个平板上生长的菌落，直至平板划线处出现规模典型菌落。
步骤S2，对培养后的典型菌落进行革兰氏染色，使用显微镜对染色后的镜检图片拍照与标注，收集原始食源性肠道致病菌数据集；
所述革兰氏染色与镜检图像存储具体包括以下流程：
① 使用革兰氏染色标准流程，对挑选后典型菌落依据国家标准GB/T4789.28.2.2-2003进行涂片、将涂片在火焰上固定，滴加结晶紫染色液，染色1min后用水冲洗。滴加革兰氏碘液，作用1min后用水冲洗。滴加95%乙醇脱色，约30s后用水冲洗。滴加复染液，复染1min后用水冲洗，待干后使用显微镜进行镜检。
② 使用OLYMPUS-BX63生物显微镜100倍油镜观察到致病菌图像后,使用1920×1200分辨率存储图片，并进行相应致病菌类别标注，获得致病菌图片的原始数据集。
数据集是深度学习模型能够取得出色性能的关键，本实施例构建了高质量、大规模的食源性肠道致病菌数据集，从而使得模型能够高效的训练并实现准确的检测。此外，旋转、归一化等数据增强方法的应用，提高了模型的泛化能力与训练效率。
步骤S3，对步骤S2获得的原始数据集的致病菌镜检图片，按照7：3比例随机选取后、划分训练集与测试集，训练图片数据与测试图片数据不重合，划分完成后将每张图片裁剪为4张600×600分辨率图片，实现数据集样本扩充，在输入深度卷积神经网络前应用数据增强方法处理图片，实现更加有效的食源性肠道致病菌检测模型训练；
所述的数据增强方法，是将图片使用随机翻转和归一化的数据增强方法，具体来说，是将图片以50%的概率进行随机翻转，然后把图片转换为张量进行归一化操作，把每个通道0到255的值归一化为0到1之间，以获得更加高效的训练和检测。
步骤S4，根据镜检图像向量和其对应的类别标签建立深度卷积神经网络模型（操作系统为Ubuntu 20.04 LTS，使用Python 3.8语言实现，神经网络框架使用PyTorch1.8.1版本，CUDA版本为11.3，计算加速单元使用NVIDIA RTX3090 24GB），按批次对模型进行训练，将学习的模型作为食源性肠道致病菌检测模型；
所述的按批次对模型进行训练，是基于深度卷积神经网络搭建检测模型，通过5层卷积神经网络对输入图像进行特征提取，每个卷积层后使用最大池化层提高模型的泛化能力，并最后使用一个三层感知机对肠道致病菌共6类进行分类。
所述的训练基于深度学习框架PyTorch实现，按批输入步骤S3中获取的训练图像和其对应的类别标签进行检测模型的训练，批次尺寸设置为64，训练过程使用Adam算法进行优化，优化器学习率设置为0.001。
在搭建模型时，采用深度卷积神经网络作为核心网络提取输入特征，能够充分利用卷积网络感受野特性，出色的对致病菌镜检图像内容进行特征提取，通过最大池化层操作进一步提高模型泛化能力，最终由三层感知机完成分类检测任务，实现对不同类别肠道致病菌的准确检测。
由于在训练和测试时，都采用分批输入的方法，有效地解决了样本数据标注系统在实际运用场景中可能出现的无法一次性将所有数据载入内存的问题。并通过使用Adam优化器，实现对检测模型的高效训练。
步骤S5，将步骤S4所获得的分类结果交由专家人工核查，根据核查结果调整模型参数，提高食源性肠道致病菌检测精度。
通过专家人工核查模型分类结果，对错误预测样本的内容进行分析，进一步优化学习率、批尺寸等超参数，并剔除由空白、严重模糊等情况的低质量图像产生的错误预测，实现模型的最终优化，进一步提高了检测模型在实际应用中的检测效果。
有益效果：本发明提供的基于深度卷积神经网络的食源性肠道致病菌检测方法与现有技术相比，本发明具有以下作用及效果：
1、本发明所述的食源性肠道致病菌检测方法能够用于检测六种常见食源性肠道致病菌（大肠杆菌（大肠埃希氏菌O157：H7）、沙门氏菌、蜡样芽孢杆菌、副溶血性弧菌、金黄色葡萄球菌、溶血性链球菌）。可以辅助或替代传统检测方法中的人工镜检步骤，大幅降低检测中的专家成本与人为误判，也能提供大批量的快速、准确判断。由于使用深度学习技术对镜检图像内容进行检测，突破传统的完全依赖人工判定的方法，降低专家成本的同时为检测提供强有力的判别结果；
2、本方法采集处理的数据集能够有效支撑食源性肠道致病菌检测模型的训练，确保了检测模型的准确性和稳定性；
3、通过基于深度卷积神经网络高效提取不同类别食源性肠道致病菌镜检图像的特征，利用卷积神经网络的局部连接提取局部特征的表达，通过权值共享减少网络参数数量，降低训练难度。
附图说明
图1是本发明实现基于深度卷积神经网络的食源性肠道致病菌检测方法的流程图；
图2是本发明实施例1中食源性肠道致病菌数据集的内容样例；（a）为大肠杆菌镜检图像，（b）为副溶血性弧菌镜检图像，（c）为金黄色葡萄球菌镜检图像，（d）为蜡样芽孢杆菌镜检图像，（e）为沙门氏菌镜检图像，（f）为溶血性链球菌镜检图像；
图3是本发明实施例1中基于深度卷积神经网络的食源性肠道致病菌检测模型图；
图4是本发明实施例1中基于深度卷积神经网络的食源性肠道致病菌检测模型训练过程图；
图5是本发明实施例1中基于深度卷积神经网络的食源性肠道致病菌检测模型性能测试图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明进行阐述。
实施例1
本发明实施例实现的平台，操作系统为Ubuntu 20.04 LTS，使用Python 3.8语言实现，神经网络框架使用PyTorch1.8.1版本，CUDA版本为11.3，计算加速单元使用NVIDIARTX3090 24G。
以下实施例基于革兰氏染色镜检图像与机器学习技术结合实现食源性肠道致病菌检测，具体检测六种常见食源性肠道致病菌：大肠杆菌（大肠埃希氏菌O157：H7）、沙门氏菌、蜡样芽孢杆菌、副溶血性弧菌、金黄色葡萄球菌、溶血性链球菌。
图1是本发明实现基于深度卷积神经网络的食源性肠道致病菌检测方法的流程图。如图1所示，基于深度卷积神经网络的食源性肠道致病菌检测方法，包括如下步骤：
步骤S1，在该实施例中，对肠道致病菌样本进行增菌、分离培养。其中对大肠杆菌（大肠埃希氏菌O157：H7）的具体操作步骤如下：
（1）增菌：以无菌操作取检样25g（mL）加入到含有225mLmEC+n肉汤均质或吸取1ml左右菌株复苏液（TBS肉汤）加入盛有冻干菌株的西林瓶中，用无菌枪头反复吸打均匀，将冻干菌株溶解成菌悬液，然后用无菌枪头或接种环移植菌悬液0.1mL至10mLmEC+n肉汤中于36℃±1℃培养18~24h进行增菌培养。
（2）分离：取增菌后的mEC+n肉汤，划线或取0.1mL均匀涂布接种于大肠杆菌显色平板上，于36℃±1℃培养18~24h，观察平板上生长菌落形态，直至平板划线处出现规模圆形、较小的菌落，中心呈淡紫色-紫红色，边缘无色的典型菌落。
其中对沙门氏菌的具体操作步骤如下：
（1）增菌： 以无菌操作取检样25g（mL）加入到含有225mLBPW(缓冲蛋白胨水)的无菌均质杯中均质，于36℃±1℃培养8~18h进行前增菌培养或吸取1mL左右菌株复苏液（TBS肉汤）加入盛有冻干菌株的西林瓶中，用无菌枪头反复吸打均匀，将冻干菌株溶解成菌悬液，然后用无菌枪头或接种环移植菌悬液0.1mL或前增菌液1ml至10mLSC增菌液中于36℃±1℃培养18~24h进行增菌培养。
（2）分离：取增菌液或菌悬液，划线或取0.1mL均匀涂布接种于沙门氏显色培养基平板上，于36℃±1℃培养18~24h，观察平板上生长菌落形态，直至平板划线处出现规模紫色典型菌落。也可直接将冻干菌株溶解好的菌悬液划线培养，同上述步骤。
其中对蜡样芽孢杆菌的具体操作步骤如下：
（1）增菌： 以无菌操作取检样25g（mL）加入到含有225mL灭菌生理盐水做成稀释液，或吸取1mL左右菌株复苏液（TBS肉汤）加入盛有冻干菌株的西林瓶中，用无菌枪头反复吸打均匀，将冻干菌株溶解成菌悬液，于36℃±1℃培养18~24h进行增菌培养。
（2）分离培养： 取稀释液或菌悬液划线或取0.1mL均匀涂布接种于蜡样芽孢杆菌显色培养基平板上，于36℃±1℃培养18~24h，观察平板上生长菌落形态，直至平板划线处出现规模蓝绿色且菌落较大的典型菌落。挑取典型菌落接种营养琼脂做成纯培养。
其中对副溶血性弧菌的具体操作步骤如下：
（1）增菌： 以无菌操作取检样25g（mL）加入到3%氯化钠碱性蛋白胨水225mL无菌均质杯中均质，于36℃±1℃培养18~24h或吸取1mL左右菌株复苏液（TBS肉汤）加入盛有冻干菌株的西林瓶中，用无菌枪头反复吸打均匀，将冻干菌株溶解成菌悬液，于36℃±1℃培养18~24h。
（2）分离： 取增菌液或菌悬液划线或取0.1mL均匀涂布接种于弧菌显色培养基平板上，于36℃±1℃培养18~24h，观察平板上生长菌落形态，直至平板划线处出现规模蓝绿色且菌落典型菌落。
其中对金黄色葡萄球菌的具体操作步骤如下：
（1）增菌： 以无菌操作称取检样25g（mL）至225mL 7.5%氯化钠肉汤的无菌均质杯中均质，于36℃±1℃培养18~24h或吸取1mL左右菌株复苏液（TBS肉汤）加入盛有冻干菌株的西林瓶中，用无菌枪头反复吸打均匀，将冻干菌株溶解成菌悬液，于36℃±1℃培养18~24h进行增菌培养。
（2）分离： 取增菌液或菌悬液划线或取0.1mL均匀涂布接种于金黄色葡萄球菌显色培养或血平板上，于36℃±1℃培养18~24h，观察平板上生长菌落形态，直至显色平板划线处出现规模粉红-紫色典型菌落，血平板上长出金黄色，菌落周围可见完全透明溶血环。
其中对溶血性链球菌的具体操作步骤如下：
（1）增菌： 以无菌操作取检样25g（mL）加入到含有225mL灭菌生理盐水，研成均浆制成混悬液，将菌悬液吸取5mL接种于50mL葡萄糖肉浸液肉汤或匹克氏肉汤，于36℃±1℃培养18~24h。
（2）分离：吸取1mL左右菌株复苏液（TBS肉汤）加入盛有冻干菌株的西林瓶中，用无菌枪头反复吸打均匀，将冻干菌株溶解成菌悬液。取增菌液或菌悬液划线或取0.1mL均匀涂布接种于血平板，于36℃±1℃培养24~48h，取稀观察平板上生长菌落形态，直至平板划线处出现规模灰白色，且周围有无色透明的溶血圈典型菌落。
完成上述操作后，培养获得6类食源性肠道致病菌的典型菌落。
步骤S2，对菌落进行革兰氏染色，记录镜检图像，具体操作如下：
其中对大肠杆菌典型菌落的操作为：在载波片加1环灭菌去离子水，挑取1环中心典型菌落进行均匀涂抹、然后将涂片在火焰上固定数秒，滴加结晶紫染色液，染色1min后用水冲洗。滴加革兰氏碘液，作用1min后用水冲洗。滴加95%乙醇脱色，约30s后用水冲洗。滴加复染液，复染1min后用水冲洗，待干后使用显微镜进行镜检。使用OLYMPUS-BX63生物显微镜的100倍油镜观察到致病菌图像后，调整载玻片位置若干次以收集多张不同的样本图像，使用1920×1200分辨率分别存储对应图片，并将致病菌类别标注为大肠杆菌，获得形式为大肠杆菌镜检图像和相应类别标注为大肠杆菌的数据集。
重复上述操作挑取其余5类食源性肠道致病菌的典型菌落，进行革兰氏染色以及记录镜检图像，并标注其对应类别。最终获得包括6类食源性肠道致病菌（大肠杆菌、沙门氏菌、蜡样芽孢杆菌、副溶血性弧菌、金黄色葡萄球菌、溶血性链球菌）镜检图像的原始数据集。
步骤S3，对步骤S2所得原始数据集进行处理，按照7：3比例随机选取图片划分训练集与测试集，随后应用数据增强方法处理图片，具体操作如下：
对原始数据集进行随机划分处理，对每种致病菌按照7：3比例随机选取图片划分训练集与测试集，训练图片数据与测试图片数据不重合，划分完成后将每张图片裁剪为4张600×600分辨率图片，实现数据集样本扩充。最后，将图片使用随机翻转和归一化的数据增强方法处理。
在本实施例中，上述操作过程为：对原始数据集中4949张显微镜镜检图像进行随机划分，依次对每种食源性肠道致病菌按照7：3比例随机划分至原始训练集和原始测试集。
原始训练集中包含共3447张图像，其中：大肠杆菌345张图像，副溶血性弧菌593张图像，金黄色葡萄球菌654张图像，蜡样芽孢杆菌442张图像，沙门氏菌1269张图像，溶血性链球菌144张图像。
原始测试集中包含1502张图像，其中：大肠杆菌153张图像，副溶血性弧菌258张图像，金黄色葡萄球菌283张图像，蜡样芽孢杆菌192张图像，沙门氏菌553张图像，溶血性链球菌63张图像。
为了更有效地使用原始图像，将原始训练集和原始测试集中1920×1200分辨率的样本图像切割为裁剪为4张600×600分辨率图像，由于裁剪后可能出现裁剪区域无致病菌的无效图像情况，通过人工剔除无效图像，得到最终使用的训练集和测试集。
最终，训练集共13689张镜检图像，其中：大肠杆菌1380张图像，副溶血性弧菌2372张图像，金黄色葡萄球菌2616张图像，蜡样芽孢杆菌1670张图像，沙门氏菌5075张图像，溶血性链球菌576张图像。
测试集共5968张镜检图像，其中：大肠杆菌611张图像，副溶血性弧菌1032张图像，金黄色葡萄球菌1132张图像，蜡样芽孢杆菌729张图像，沙门氏菌2212张图像，溶血性链球菌252张图像。
在输入模型进行训练和检测前进行图像的数据增强处理，将图片以50%的概率进行随机翻转，然后把图片转换为张量进行归一化操作，把每个通道0到255的值归一化为0到1之间，以获得更加高效的训练和检测。
步骤S4，根据镜检图像向量和对应标签建立深度卷积神经网络模型，按批次对模型进行训练，将学习的模型作为食源性肠道致病菌检测模型，具体操作如下：通过5层卷积神经网络对输入进行特征提取，每个卷积层后使用最大池化层提高模型的泛化能力，并最后使用一个三层感知机对食源性肠道致病菌共6类进行检测，训练采用Adam作为优化器。
在该实施例1中，上述操作过程为：将尺寸为600×600×3的张量输入检测模型，模型由5个卷积层后接1个三层感知机构成。卷积层主要负责相邻特征提取，并在每个卷积层后使用最大池化层提高模型的泛化能力，三层感知机最后一层单元数为6，对应6种食源性肠道致病菌类别。训练基于深度学习框架PyTorch实现，结合输入张量和对应标签向量进行检测模型的训练，批次尺寸设置为64，训练过程使用Adam算法进行优化，优化器学习率设置为0.001。在训练过程中每个Epoch输出一次训练与测试准确率、训练与测试损失信息，比较每轮更新的模型的性能，并依据最高测试准确率保存最佳模型。
步骤S5，将分类结果交由专家人工核查，根据核查结果调整模型参数；
具体操作如下：通过专家人工核查模型分类结果，对错误预测样本的内容进行分析，进一步优化学习率、批尺寸等超参数，并剔除由空白、严重模糊等情况的低质量图像产生的错误预测。
在该实施例中，上述操作过程为：对步骤S5获得的食源性肠道致病菌检测模型的分类结果进行查看分析，发现模型在大肠杆菌、沙门氏菌、副溶血性弧菌的检测分类上存在一些混淆情况，经过查看错误分类的样例图片，该三类镜检图像在形态上极其相似，某些样例图像经专家参与鉴定同样难以区分类别。同时，模型训练过程存在过拟合现象，因此降低调整学习率进行检测模型的训练，获得最终的食源性肠道致病菌检测模型。
图2是本发明实施例1中食源性肠道致病菌数据集的内容样例。样例图像从最终数据集中选取，即经过随即划分和裁剪后的镜检图像。
最终完成的数据集由训练集和测试集构成，共包括镜检图像19657张。训练集共13689张镜检图像，其中：大肠杆菌1380张图像，副溶血性弧菌2372张图像，金黄色葡萄球菌2616张图像，蜡样芽孢杆菌1670张图像，沙门氏菌5075张图像，溶血性链球菌576张图像；测试集共5968张镜检图像，其中：大肠杆菌611张图像，副溶血性弧菌1032张图像，金黄色葡萄球菌1132张图像，蜡样芽孢杆菌729张图像，沙门氏菌2212张图像，溶血性链球菌252张图像。
图3是本发明实施例中基于深度卷积神经网络的食源性肠道致病菌检测模型图。
如图3所示，本发明实施例中深度卷积神经网络的食源性肠道致病菌检测模型由5个卷积层后接1个三层感知机构成。卷积层主要负责相邻特征提取，并在每个卷积层后使用最大池化层提高模型的泛化能力，三层感知机最后一层单元数为6，对应6种食源性肠道致病菌类别。
图4是本发明实施例中基于深度卷积神经网络的食源性肠道致病菌检测模型训练过程图。如图4所示，基于深度卷积神经网络的食源性肠道致病菌检测模型训练过程稳定，训练准确率和损失值均使用数据训练集进行计算。训练准确率整体呈现上升趋势，训练损失值在训练过程中呈现下降趋势，说明检测模型能够在训练过程中完成优化目标，不断提升检测分类性能。此外，模型的训练准确率在初始阶段上升速度明显，说明模型能够快速的学习浅层特征并进行有效的分类。
图5是本发明实施例中基于深度卷积神经网络的食源性肠道致病菌检测模型性能测试图。如图5所示，基于深度卷积神经网络的食源性肠道致病菌检测模型能够实现对常见的六种食源性肠道致病菌准确检测。混淆矩阵为检测模型在数据测试集上的预测结果，从混淆矩阵中可以看出，检测模型在大肠杆菌、沙门氏菌、副溶血性弧菌的检测分类上存在一些混淆情况，具体体现为模型将55张大肠杆菌镜检图像误判为沙门氏菌，将4张大肠杆菌镜检图像误判为副溶血性弧菌，将7张沙门氏菌镜检图像误判为大肠杆菌，不过该结果也符合三类致病菌在形态上较为相似的实际情况。此外，溶血性链球菌有6张误判为金黄色葡萄球菌以及14张镜检图像误判为蜡样芽孢杆菌，该三类均为革兰氏阳性菌，且由于溶血性链球菌常排成链状且链的长短不一，故极易产生相应误判。
上述具体实施方式不以任何形式限制本发明的技术方案，凡是采用等同替换或等效变换的方式所获得的技术方案均落在本发明的保护范围。

Claims (8)

1.一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于，根据输入的食源性肠道致病菌显微镜镜检图像进行检测判定，具体包括如下步骤：
步骤S1，对肠道致病菌样本进行增菌、分离培养；
步骤S2，对培养后的典型菌落进行革兰氏染色，使用显微镜对染色后的镜检图片拍照与标注，收集获得致病菌镜检图片的原始食源性肠道致病菌数据集；
步骤S3，对步骤S2所得原始数据集进行随机划分处理，对每种致病菌按照7：3比例随机选取图片划分训练集与测试集，在输入深度卷积神经网络前应用数据增强方法处理图片，实现更加有效的食源性肠道致病菌检测模型训练；
步骤S4，根据镜检图像向量和标签向量建立深度卷积神经网络模型，按批次对模型进行训练，将学习的模型作为食源性肠道致病菌检测模型；
步骤S5，将分类结果交由专家人工核查，根据核查结果调整模型参数，提高食源性肠道致病菌检测精度。
2.根据权利要求1所述的一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于：所述的肠道致病菌包括大肠杆菌、沙门氏菌、蜡样芽孢杆菌、副溶血性弧菌、金黄色葡萄球菌、溶血性链球菌之任一种。
3.根据权利要求1所述的一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于步骤S1所做的增菌培养具体包括以下流程：
首先制备样品液，使用不同的增菌液进行对各类不同的致病菌样本进行增菌，放置隔水式电热恒温培养箱，在36℃±1℃培养18h~24h后，取增菌后的增菌液1环划线或取0.1ml涂布，接种于不同的选择性平板或显色培养基，于36℃±1℃分别培养18h~48h后，观察各个平板上生长的菌落，直至平板划线处出现规模典型菌落。
4.根据权利要求1所述的一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于：步骤S2所做的革兰氏染色与镜检图像存储具体包括以下流程：使用革兰氏染色标准流程，对挑选后的典型菌落依据国家标准GB/T4789.28.2.2-2003进行涂片、将涂片在火焰上固定，滴加结晶紫染色液，染色1min后用水冲洗；滴加革兰氏碘液，作用1min后用水冲洗；滴加95%乙醇脱色，约30s后用水冲洗；滴加复染液，复染1min后用水冲洗，待干后使用显微镜进行镜检；使用OLYMPUS-BX63生物显微镜100倍油镜观察到致病菌图像后,使用1920×1200分辨率存储图片并进行相应致病菌类别标注。
5.根据权利要求1所述的一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于：步骤S3中随机选取图片划分训练集与测试集，训练图片数据与测试图片数据不重合，划分完成后将每张图片裁剪为4张600×600分辨率图片，实现数据集样本扩充；
所述的数据增强方法是将图片使用随机翻转和归一化的数据增强。
6.根据权利要求1所述的一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于：步骤S4中的所述基于深度卷积神经网络搭建检测模型，是通过5层卷积神经网络对输入图像进行特征提取，每个卷积层后使用最大池化层提高模型的泛化能力，并最后使用一个三层感知机对肠道致病菌共6类进行分类；
训练基于深度学习框架PyTorch实现，按批输入步骤S3中获取的训练图像和对应标签向量进行检测模型的训练，批次尺寸设置为64，训练过程使用Adam算法进行优化，优化器学习率设置为0.001。
7.根据权利要求1所述的一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于：所述步骤S5中所述将分类结果交由专家人工核查，根据核查结果调整模型参是数通过专家人工核查模型分类结果，对错误预测样本的内容进行分析，进一步优化超参数，并剔除低质量图像产生的错误预测。
8.根据权利要求7所述的一种基于深度卷积神经网络的食源性肠道致病菌检测方法，其特征在于：所述的超参数是学习率、批尺寸。
CN202210363257.8A 2022-04-07 2022-04-07 一种基于深度卷积神经网络的食源性肠道致病菌检测方法 Pending CN114921521A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210363257.8A CN114921521A (zh) 2022-04-07 2022-04-07 一种基于深度卷积神经网络的食源性肠道致病菌检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210363257.8A CN114921521A (zh) 2022-04-07 2022-04-07 一种基于深度卷积神经网络的食源性肠道致病菌检测方法

Publications (1)

Publication Number Publication Date
CN114921521A true CN114921521A (zh) 2022-08-19

Family

ID=82805190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210363257.8A Pending CN114921521A (zh) 2022-04-07 2022-04-07 一种基于深度卷积神经网络的食源性肠道致病菌检测方法

Country Status (1)

Country Link
CN (1) CN114921521A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705215A (zh) * 2023-08-04 2023-09-05 南京诺源医疗器械有限公司 一种用于脑室检测的荧光标记系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705215A (zh) * 2023-08-04 2023-09-05 南京诺源医疗器械有限公司 一种用于脑室检测的荧光标记系统
CN116705215B (zh) * 2023-08-04 2023-09-29 南京诺源医疗器械有限公司 一种用于脑室检测的荧光标记系统

Similar Documents

Publication Publication Date Title
Leboffe et al. A photographic atlas for the microbiology laboratory
Chang et al. Proportion of beta-D-glucuronidase-negative Escherichia coli in human fecal samples
AU2010327159B2 (en) System and method for time-related microscopy of biological organisms
CN106238112B (zh) 一种微流控芯片及其在病原体的鉴定与药敏实验中的应用
Ogodo et al. Microbial techniques and methods: basic techniques and microscopy
US12006529B2 (en) Method and system for identifying the gram type of a bacterium
LaRoche et al. Bioassays, batch culture and chemostat experimentation
CN111492064A (zh) 一种鉴别酵母或细菌的方法
CN114921521A (zh) 一种基于深度卷积神经网络的食源性肠道致病菌检测方法
Paray et al. Gram staining: a brief review
Quan et al. Deep learning enhanced multiplex detection of viable foodborne pathogens in digital microfluidic chip
US20240193968A1 (en) Analyzing microscope images of microalgae culture samples
Wang et al. Selective cultivation and rapid detection of Staphylococcus aureus by computer vision
Bae et al. Current status and future prospects of using advanced computer-based methods to study bacterial colonial morphology
Borowa et al. Identifying bacteria species on microscopic polyculture images using deep learning
Fung Overview of rapid methods of microbiological analysis
CN105177109B (zh) 检测金黄色葡萄球菌的方法及试剂盒
RU2743454C1 (ru) Набор штаммов бактерий для обучения вопросам микробиологии и методам лабораторной диагностики холеры
Luís Intelligent Computational System for Colony-Forming-Unit Enumeration and Differentiation
Muttawar et al. Fatty acid profiling of enterococcal isolates by Fames analysis with reference to antibiotic resistance from clinical samples collected in the Chandrapur region
Graf et al. Potential roles for artificial intelligence in clinical microbiology from improved diagnostic accuracy to solving the staffing crisis
Bodnia et al. PARASITIC INVASION OF BLASTOCYSTIS SPP.: REGULARITIES OF PRIMARY GROWTH OF BLASTOCYSTIS SP. IN FIVE TYPES OF NUTRIENT MEDIA
Tripathi et al. Prediction of Multiple Microbes Present in Single Image Using Advanced Deep Learning Models
Beeter Culture Yield of Throat Screen Before and After WASP Implementation in a Clinical Microbiology Laboratory
CN116287097A (zh) 利用拉曼光谱的病原活菌快速计数方法及系统

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