CN117467736A - 用于自动化评估抗生素敏感性的方法和系统 - Google Patents

用于自动化评估抗生素敏感性的方法和系统 Download PDF

Info

Publication number
CN117467736A
CN117467736A CN202311332065.1A CN202311332065A CN117467736A CN 117467736 A CN117467736 A CN 117467736A CN 202311332065 A CN202311332065 A CN 202311332065A CN 117467736 A CN117467736 A CN 117467736A
Authority
CN
China
Prior art keywords
antibiotic
growth
image
data
image data
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
CN202311332065.1A
Other languages
English (en)
Inventor
R·R·玛赛珀利
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.)
BD Kiestra BV
Original Assignee
BD Kiestra BV
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 BD Kiestra BV filed Critical BD Kiestra BV
Publication of CN117467736A publication Critical patent/CN117467736A/zh
Pending legal-status Critical Current

Links

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
    • C12Q1/18—Testing for antimicrobial activity of a material
    • 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
    • C12Q1/18—Testing for antimicrobial activity of a material
    • C12Q1/20—Testing for antimicrobial activity of a material using multifield media
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06V20/693—Acquisition
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Zoology (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Toxicology (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明的名称是用于自动化评估抗生素敏感性的方法和系统。成像系统和方法提供了用于抗生素敏感性测试的自动化微生物生长检测。具有图像传感器的处理系统在不同时间捕获板的图像(例如，第一图像和第二图像)，该图像传感器用于捕获接种的培养板的图像，该培养板具有布置在培养基上的抗生素圆盘。该系统由第一图像和第二图像的比较生成第二图像像素的像素特性数据。像素特性数据可以指示板生长。该系统可以访问关于抗生素圆盘的生长建模数据，并用生长模型函数生成模拟图像数据。生长模型函数使用生长建模数据。该模拟图像数据模拟了相对于圆盘的板上的生长。该系统将模拟图像与像素特性数据进行比较，以识别不同于模拟图像的第二图像的像素区域。

Description

用于自动化评估抗生素敏感性的方法和系统
本申请为分案申请，原申请的申请日是2018年9月27日、申请号是201880069411.2、发明名称为“用于自动化评估抗生素敏感性的方法和系统”。
相关申请的交叉引用
本申请要求2017年9月28日提交的美国临时专利申请号62/564,727的提交日期的权益，其公开内容在此通过引用并入本文。
背景技术
人们越来越关注用于检测微生物生长的培养板的数字成像。在PCT公开号WO2015/114121中描述了用于检测微生物生长的成像板的技术，其全部内容通过引用并入本文。使用这种技术，实验室工作人员不再需要通过直接目视检查来读取板，而是可以使用高质量的数字图像用于板检查。将实验室工作流程和决策转移到检查培养板的数字图像也可以提高效率。图像可以由操作员标记用于操作员或具有适当技能的其他人员进行进一步检查。也可以拍摄额外的图像并将其用于指导二次加工。
例如，可以将成像用于琼脂扩散测试。在琼脂扩散测试中，测定细菌微生物对抗生素的敏感性。这种测试，可以称为抗生素敏感性测试(AST)，其通常涉及将几种抗生素圆盘施加到板上的培养基(例如琼脂)上，该培养基已经均匀散布有待测细菌。不同的圆盘可具有不同浓度的具体抗生素和/或几种不同的抗生素。可以将板温育以允许细菌的生长时间。然后查看该板。每个抗生素圆盘周围区域的细菌生长提供了圆盘的具体抗生素效果的指示。例如，具体圆盘的有效抗生素可具有不含被测细菌生长的大的区域，而具体圆盘的无效抗生素可不具有不含被测细菌生长的区域。
无生长区域的大小可以提供关于附近圆盘的抗生素的最小抑制浓度的指示。例如，如果是琼脂，在布置圆盘后，抗生素会随着时间从圆盘中迁移出来。迁移将根据到圆盘的距离以及对抗生素和培养基的扩散速率扩散抗生素浓度。圆盘附近的抗生素浓度最高。到圆盘较远距离的浓度会降低。通常，最小抑制浓度可以被认为是离包括无细菌生长的圆盘最远的最低浓度。
然后，这样的测定可以帮助选择用于不同细菌感染的适合的抗生素及其剂量。这有助于明确用于现代微生物成像系统的目标。尽早实现这些目标实现了将结果快速交付给患者并且经济地提供此类结果和分析的目的。自动化实验室工作流程和决策可以提高实现这些目的的速度和成本。
尽管关于用于检测微生物生长证据的成像技术已经取得了相当大的进步，但是仍然寻求扩展这种成像技术以支持自动化工作流程。用于检查培养板的微生物生长迹象的装置和方法很难自动化，部分原因是培养板的检查的高度视觉性质。在这方面，期望开发出可以自动解释培养板图像的技术(例如，生长鉴定、敏感性测试、抗生素敏感性分析等)，并且基于该自动化解释确定要执行的下一步骤。
发明内容
本公开内容的方面涉及处理器中用于抗生素敏感性测试的方法。在方法中，提供了接种有生物样品的培养板。培养板具有培养基和布置在其上的至少一个抗生素圆盘。用图像传感器生成培养板的第一和第二图像数据。第一图像数据和第二图像数据分别表示培养板的第一和第二捕获图像。使用图像传感器在不同的时间拍摄第一和第二捕获图像。控制图像传感器以收集期望的图像信息(即颜色、强度等)。通过第一图像数据和第二图像数据的比较为第二图像数据的像素生成像素特性数据。像素特性数据指示微生物随时间在培养板上的生长。然后访问用于微生物生长的建模数据。建模数据对圆盘上和培养基中的培养基、微生物、抗生素、抗生素浓度的组合的微生物生长进行建模。培养基中的抗生素浓度是圆盘上的抗生素浓度、时间和到圆盘距离的函数。使用生长模型函数生成模拟图像数据。模拟图像数据模拟在已接种的培养板上的微生物生长，其基于布置在培养基上的多个抗生素圆盘中的至少一个圆盘、在至少一个圆盘上的抗生素浓度；培养基和培养基中的抗生素浓度作为时间和到抗生素圆盘距离的函数。比较模拟图像数据和像素特性数据，并识别与模拟图像数据的一个或多个像素区域不同的第二图像数据的一个或多个像素区域。
像素特性数据的一个实例是对比度数据。对比度数据可以是像素强度值。对比度数据可以包括不透明度数据、颜色数据和模糊数据。
像素特性数据还可以包括距离数据，距离数据表示到多个抗生素圆盘中的至少一个的距离。例如，距离数据是从像素到多个抗生素圆盘中的至少一个的中心的距离。
生长模型函数可以对最大生长、最小生长、平均生长、中值生长或百分比生长中的一个或多个建模。在一个实例中，生长模型函数将对比度数据表征为到多个抗生素圆盘中的至少一个圆盘的径向距离的函数。生长模型函数可以包括抗生素扩散到培养基中的扩散映射。
方法可以包括以下步骤，在第一图像数据或第二图像数据中检测圆盘自身的图像，以及分析圆盘图像数据以检测标记数据。访问生长建模数据可以包括使用标记数据来定位生长建模数据。生长建模数据可以包括多个抗生素圆盘中的至少一个圆盘的抗生素负荷的浓度信息。
在一个实例中，生长模型函数使用以下的一项或多项：i)生长时间参数，其表示在捕获第二图像数据时生长板生长所经过的时间；ii)扩散系数参数；和iii)维数参数。
在一个实例中，所生成的模拟图像数据包括具有第一图像像素和第二图像像素的图像掩模，其中第一图像像素表示与生长板中多个抗生素圆盘中的至少一个圆盘的位置相对应的无生长区域，第二图像像素表示从无生长区辐射并从该位置的径向距离开始的生长区，该径向距离由生长模型函数确定，该径向距离表示至少一个圆盘的预估抑制区域界限。
当比较模拟图像数据和像素特性数据时，使用图像掩模中的像素与像素特性数据之间的对比度来生成差异图像数据。然后基于差异图像数据评估第二图像数据的区域。对于时间对比度(即，像素强度随时间的差异)，第一图像数据可以充当生长的生长前参考。
在一个实施方式中，方法由计算机实施。具体地，通过处理器执行的指令可以用于执行上述方法。
本文还描述了用于抗生素敏感性测试的系统。系统包括图像传感器，该图像传感器被配置为捕获培养板的图像，在该培养板上布置有在其上布置至少一个抗生素圆盘的培养基。用生物样品接种培养板，其中培养板在图像传感器的视野内。系统包括与图像传感器结合的处理器。系统还包括包含程序指令的计算机介质，该程序指令在由处理器执行时控制处理器以测试抗生素敏感性。例如，程序指令控制处理器执行本文描述的方法。
在另一个实施方式中，系统包括图像传感器，该图像传感器被配置为捕获培养板的图像，在培养板上布置有在其上布置多个至少一个抗生素圆盘的培养基。当培养板在图像传感器的视野内时，用生物样品接种培养板，该图像传感器生成第一图像数据和第二图像数据，第一图像数据和第二图像数据分别表示包括多个抗生素圆盘的培养板的第一和第二捕获图像，分别在第一和第二时间拍摄第一和第二捕获图像。系统包括处理器和存储器。处理器接收第一图像数据和第二图像数据并访问存储器。存储器存储生长建模数据。处理器基于第一图像数据和第二图像数据的比较来生成第二图像数据像素的像素特性数据。像素特性数据指示培养板上的微生物生长。处理器还访问生长建模数据。生长建模数据将微生物生长建模为培养基、微生物、抗生素和抗生素浓度的函数。处理器还用生长模型函数生成模拟图像数据，生长模型函数使用生长建模数据，模拟图像数据模拟在培养板上关于多个抗生素圆盘中的至少一个圆盘的微生物生长。然后，处理器将模拟图像数据与像素特性数据进行比较，以识别第二图像数据中与模拟图像数据不同的一个或多个像素区域。
附图说明
图1是根据本公开内容的方面用于基于抗生素敏感性测试的图像的实例系统的示意图。
图2是流程图，图解了根据本公开内容的方面用于基于抗生素敏感性测试的图像的实例自动化过程。
图3图解了具有抗生素圆盘的生长板的图像，其显示了在温育前和/或没有任何明显的生长时间的板。
图4图解了具有抗生素圆盘的生长板(例如图3的生长板)的图像，其显示了在温育后和/或在明显的生长时间(其中已经发生了细菌生长)后的板。
图5是在温育后和/或在明显的生长时间(其中已经发生了细菌生长)后的生长板的抗生素圆盘周围的最小抑制区域的图像。
图6是其中通过极坐标变换转换图像的图5图像的转换版本，其图解了到圆盘的最小抑制距离。
图7是板上的多个抗生素圆盘的图像。
图7A至图7F是灰度图像，其图解了对于图7的每个圆盘的像素强度值的映射作为到每个圆盘的径向距离的函数；其中阴影表示到圆盘的距离，随着到圆盘距离的增加强度变浅。
图8是曲线图，其将生长(例如，对比度)映射为根据中值像素值(例如，强度、不透明度、颜色、模糊等中的一项或多项)确定的到图4的抗菌圆盘D1的径向距离的函数。
图9是表示图8的曲线图的图像，对于板的单个圆盘，掩盖与板的其他圆盘相关联的图像信息以及在板的边界之外的图像区域。
图10是曲线图，其图解了根据生长模型的生长模型函数，该生长模型根据与建模的细菌的距模型抗菌圆盘的径向距离来映射像素灰度值。
图11是图10的曲线图，其显示了在多个距离处的模型的特性点。
图12是根据生长模型函数(一个或多个)(例如，每个圆盘的一个(强度)或多个(颜色、不透明度、模糊))生成的模拟图像，其中在建模的抗生素圆盘和建模的细菌之间不发生相互作用。
图13是根据生长模型函数(例如，每个圆盘一个或多个)生成的模拟图像，其中一些建模的抗生素圆盘和建模的细菌之间发生相互作用。
图14表示例如通过对比多个图像(例如，生长时间之前和之后)的对比度分析源自图像传感器的观测的图像的像素特性信息。
图15表示像素特性信息和模拟图像的比较，其标识了像素区域(例如在图像掩模中)以进一步评估和/或分析。
图16图解了当圆盘携带抗生素时发生的生长模型，其中在圆盘的10mm之内强烈地调制生长，并且其中对抗生素圆盘的生长响应被建模为关于到圆盘边缘的距离的生长调制的函数。
图17图解了对于粪肠球菌、鹑鸡肠球菌和明串珠菌(Leuconstoc)的抗生素圆盘周围形成的抑制区域的实例。
图18图解了在携带抗生素圆盘的培养皿上的微生物生长，其中该圆盘不引起生长调制(即，没有抑制)。
图19图解了由不同抗生素圆盘引起的对于不同微生物的多种微生物生长调制。
图20图解了由相邻圆盘影响的微生物生长调制。
图21A-F图解了由一个或多个抗生素圆盘引起的生长调制转变为二维表示的调制，作为到两个圆盘中的每个的距离的函数。
具体实施方式
本公开内容提供了用于鉴定和分析微生物生长以用于平板培养基上的抗生素敏感性测试的装置和方法。本文描述的许多方法可以是完全或部分自动化的，例如被集成为完全或部分自动化的实验室工作流程的一部分。
本文所述的系统能够在用于成像微生物样品的光学系统中实施。有许多这样的可商购系统，在此不作详细描述。一个实例是BD KiestraTMReadA Compact智能培养和成像系统。其他实例系统包括在PCT公开号WO2015/114121和美国专利公开2015/0299639中描述的那些，其全部内容通过引用并入本文。这样的光学成像平台对于本领域技术人员是众所周知的，并且在此不作详细描述。
图1是实例抗生素敏感性测试系统100的示意图，其具有处理模块110和用于提供平板培养基的高质量成像的图像采集装置120(例如照相机)。该系统通常还将访问数据存储介质130，例如一个或多个数据存储器，其中这种存储器可包括例如处理器控制指令，用于控制处理器以执行本文所述的任何过程或方法。存储器还可以包括抗生素圆盘数据；抗生素浓度数据；距离数据；图像数据；模拟图像数据，生长建模数据；生长模型函数；细菌数据等。处理模块和图像采集装置可以进一步连接至其他系统部件，并由此进一步与其他系统部件相互作用，例如用于温育平板培养基的温育模块(未显示)，以允许接种在平板培养基上的培养物的生长。这种连接可以使用跟踪系统进行完全或部分的自动化，该跟踪系统接收用于温育的标本并将其运输到培养箱，然后运输到培养箱和图像采集装置之间。
处理模块110可以基于对几种类型的信息的处理指示系统100的其他部件执行任务。处理器110可以是执行一个或多个操作的硬件。处理器110可以是任何标准处理器，例如中央处理器(CPU)、或者可以是专用处理器，例如专用集成电路(ASIC)或现场可编程门阵列(FPGA)。尽管显示了一个处理器框，但是系统100也可以包括可并行操作或可不并行操作的多个处理器、或者用于存储和跟踪在培养箱和/或图像采集装置120中与样品容器或AST板有关的信息的其他专用逻辑和存储器。在这方面，处理单元可以跟踪和/或存储有关系统100中的AST板的几种类型的信息，包括但不限于AST板在系统中的位置(培养箱或图像采集装置，其中的位置和/或方向等)、温育时间、捕获图像的像素信息、AST板(例如抗生素(一种或多种)浓度(一种或多种)和细菌类型)样品的类型、培养基的类型、预防性处理信息(例如危险的样品)等。在这方面，处理器可以能够完全或部分地自动化本文所述的多种例程。在一个实施方式中，用于控制本文所述例程的处理器控制指令可以存储在非暂时性计算机可读介质(例如，软件程序)上。
图2是显示了用于进行抗生素敏感性测试的实例自动化实验室例程200的流程图。例程200可以由自动化微生物实验室系统实施，例如由Becton，Dickenson&Co.制造的KiestraTM全面实验室自动化或KiestraTM工作单元自动化二者。实例系统包括互连模块，每个模块配置为执行例程200中的一个或多个步骤。在实例中，例程200可以理解为包括生长与成像过程202和图像评估过程204。
生长与成像过程202
在206处，对于AST制备培养板，例如具有琼脂培养基的培养板。提供培养板或其他适合的容器，并用生物样品(例如细菌)接种。培养板可以是光学透明的容器，致使当从多种角度照亮时，可以在容器中观测生物样品和抗生素圆盘。接种可以遵循预定的模式或方法以将细菌均匀地施加到培养基上。接种板的自动化方法是本领域技术人员众所周知的。在206处，将一种或多种抗生素样品，例如呈圆盘形状的抗生素片施加到培养基上。
在208处，第一数字图像可以由系统的图像传感器捕获。优选地，会在任何生长之前在培养板初始化时或附近捕获这样的图像。
在210处，温育培养基以允许生物样品的生长。
在212处，例如相对于AST板初始化的预定时间，随后可以捕获培养基和生物样品进一步的数字图像(一个或多个)。在温育期间(例如，在温育开始时、在温育中间的时间、在温育结束时)可多次进行培养基的数字成像，以便可以观测和分析培养基中的变化。该时间可以基于AST板的性质，例如所测试的抗生素(一种或多种)的类型和浓度。培养基的成像可能涉及从培养箱中移动培养基。如果在不同的温育时间后对培养基拍摄了多个图像，则可以将培养基返回培养箱以在成像会话之间进一步温育。
图像评估过程204
成像之后，基于来自捕获的数字图像(一个或多个)的信息分析AST板。数字图像的分析可以涉及对图像(一个或多个)中包含的像素信息的分析。在某些情况下，可以在逐个像素的基础上分析像素信息。在其他情况下，可以在逐块的基础上分析像素信息。在又进一步的情况中，可以基于像素的整个区域来分析像素，从而可以通过组合各个像素信息、选择样品像素或者通过使用例如下面详细介绍的统计直方图操作的其他统计方法来得到区域中各个像素的像素信息。在本公开内容中，被描述为应用于“像素”的操作类似地适用于像素的块或其他分组，并且本文中术语“像素”旨在包括这样的应用。
通常，分析可以涉及确定关于培养基的抗生素圆盘是否检测到生长(或没有生长)。从图像分析的角度来看，可以通过识别成像对象(基于对象及其相邻周围环境之间的差异)，然后识别对象随时间的变化来检测图像中的生长。如本文更详细描述的，这些差异和变化二者都是“对比度”的形式。例如在逐个像素的基础上，通过强度值、颜色值(一个或多个)、灰度值、不透明度值和模糊值中的任何一个或多个来表示对比度。
例如，在214处，可以在处理器中接收表示具体板的表示第一和第二捕获图像的数据。在不同时间拍摄第一和第二图像，其中板的“第一”图像将被理解为是在第二图像之前所拍摄的图像，但不一定是在第二图像之前所拍摄的紧接在前的板的图像。可以在第一图像和第二图像之间拍摄板的其他图像。通常，在第一图像和第二图像之间会有一些重要的温育时间。(参见，例如显示图3圆盘的图4，其在温育后具有生长G，但在圆盘D1、D4、D5和D6周围没有生长NG，而在D3和D2周围部分地没有生长PNG。)在某些情况下，第一图像可以是温育前的图像，例如在过程208处拍摄的图像(参见，例如图3，其显示了圆盘D1-D6并且在板图像上没有生长)。在某些情况下，第一图像可以是在至少一些温育时间之后拍摄的图像，例如在过程212中。
在216处，处理器可以从对比度分析生成第二图像像素的像素特性数据，该对比度分析涉及第一图像数据和第二图像数据的比较。如本文中更详细描述的，这可以涉及第一图像数据(例如，充当背景性质)和第二图像数据的比较，以评估在第二图像数据中实现的生长水平。例如，通过忽略图像中的抗生素圆盘，当与先前图像(例如，温育前图像)相比，像素特性数据可以表示最近图像的最不同的同质板区域的迹象。
任选地，这样的比较还可以在逐个区域的基础上进行，例如关于板上的每个抗生素圆盘。这样的过程可以涉及通过抗生素圆盘的检测和/或抗生素圆盘的标记来检测图像的具体区域(一个或多个)。这可能任选地涉及图像的标准化版本的评估。例如，处理器可以通过对抗生素圆盘上的标记物进行特性识别来扫描第一和/或第二图像或其标准化版本。标记物的公认特性可以充当访问存储器例如数据库的索引，该数据库包括关于板的具体抗生素圆盘的信息。例如，该信息可以包括圆盘大小、圆盘形状、圆盘位置、抗生素名称、浓度等。
对于每个圆盘，过程可以任选地评估生长水平调制，作为到抗生素圆盘的边缘(一个或多个)的距离的函数。例如，可以得到板的第二图像相对于板的第一图像的像素以逐个像素为基础的对比度信息，该对比度信息充当像素特性数据。该特性数据可以包括所评估图像的每个像素的强度值、颜色值(一个或多个)、灰度值、不透明度值和模糊值中的任何一个或多个。任选地，这些值还可以根据它们到具体圆盘的距离来表征。这样的距离在图9中说明。例如，像素可以被总结为距离的函数，例如在距离映射中。
可以参照图5和图6来考虑这种像素特性数据的实例。图5包括显示具有一个抗生素圆盘502的区域R的AST生长板的一部分图像。在圆盘502周围存在无生长区域504。生长区域G存在于远离无生长区域和盘502处。该图像还显示了板边缘506。图6示显示了可以从图5和来自较早图像的相应区域(未显示)的图像的比较中得到的对比度信息的极坐标变换。在图6中，像素被显示为强度值。极坐标变换将图5图像的圆盘502部分转换为在图左侧的光带608(最高强度)。在转换中，无生长区域504被转换成具有强度比光带608低的无生长带604。生长区域610显示出具有比无生长带604高的强度和比光带608低的强度的生长G。任选地，可以使用边缘检测来检测光带的像素与无生长带的像素之间的边缘612和/或检测无生长带的像素与生长区域的像素之间的边缘。如图6所示，边缘检测可以确定无生长带604的像素与生长区域的像素之间的边缘，从而指示或确定针对具体抗生素圆盘502和板上细菌生长的最小抑制距离。
通过图像像素的极坐标变换，强度值可以被概括为到圆盘的距离的函数，以便形成距离映射。(参见，例如图8。)例如，n个像素(xc，y0..n)的每列(xc)可以被平均，其中xc表示到圆盘中心或圆盘边缘的固定像素距离。然后，每个距离xc的平均值可以共同地提供距离映射。可以类似地形成其他距离映射，例如通过找到每一列的像素的最大、最小、平均、中值和/或任何百分比数值。除了这些强度距离映射之外，可以形成与图像的像素相关联的颜色值(一个或多个)、灰度值、不透明度值和模糊值的其他这样的映射。尽管根据如本文所述的距离可以利用极坐标变换以促进像素表征，但是在一些版本中，可根据到圆盘的距离而无需转换对比数据利用极坐标来表征像素。图像像素的极坐标变换在下面进一步地详细描述。
在一些版本中，概括板的映射(一种或多种)可用于进一步评估正在测试的具体AST板。然而，这些映射也可以或可选地储存在数据库中，该数据源库关联板的具体抗生素圆盘(一个或多个)的信息(例如类型，浓度等)以及关于所测试的具体细菌的信息，以便这些映射可用于建模，如本文中更详细讨论的。
继续图2的过程以评估具体的AST板图像，系统可以访问关于正在测试的AST板的圆盘的任何子集或全部的生长模型数据。这样的访问可以涉及从数据存储介质130的存储器(例如数据库)中选择数据。访问存储器可以基于识别如先前描述的对AST板的圆盘的标记和/或基于与具体AST板及其内容相关的板标记。在某些版本中，访问可以从数据库(一个或多个)中检索数据，其中该数据包括例如涉及AST板的一个或多个圆盘的一个或多个距离映射、抗生素浓度数据、生长模型函数等以及任选地所测试的细菌。可以根据如本文更详细描述的生长模型得到包括这样的映射或函数的生长模型数据，并且其可以进一步基于观测的图像数据，例如来自其他AST板的映射函数。通常，每个圆盘可以具有具体的距离映射或与该圆盘关联的一组距离映射。因此，距离映射可依赖具体抗生素、圆盘上抗生素的浓度、从将抗生素布置在盘上所经过的时间量而变化。任选地，具体抗生素圆盘的距离映射还可以依赖于AST板的相邻抗生素圆盘(一个或多个)的类型和浓度。
可以参考图10和11的实例映射来考虑由生长模型得出的实例距离映射。在图10的实例中，类似于先前描述的映射，距离映射提供了径向轮廓的估计，其为作为到具体圆盘中心距离的函数的细菌生长的指示。对于该具体映射，灰度值的变化与到抗生素圆盘边缘的距离(例如，像素距离)相关联。例如，较高的灰度值可以是建模生长不存在的指示，而较低的灰度值可以是建模细菌生长的指示。在该实例中，函数的灰度值可以被认为是平均灰度值。然而，其他函数可以采用最小值、最大值、中值和/或百分比。如图11所示，函数可以具有特性点(用箭头表明)，其可以指示细菌与关于到抗生素圆盘的距离的来自圆盘(和可能相邻的圆盘)的抗生素具体浓度之间关系的不同特征。例如，所示函数中的点指示以下特征，例如抗生素圆盘的边缘、对生长的最大影响(即最大量的生长调制及它到圆盘的距离)、在发生生长反应的50％调制处到圆盘的距离等。
在一些版本中，可以在过程216中将这些模型映射与为具体AST板制作的观测的映射进行比较，以检测和指示模型距离映射和观测的距离映射之间的差异。这样的比较过程可能涉及差异分析。在一些这样的版本中，比较可以涉及根据模型映射生成模拟图像。因此，在过程220处，系统可以使用在218处访问的生长建模数据来用生长模型函数生成模拟图像数据。模拟图像数据从而模拟关于板的一个或多个圆盘的AST生长板上的生长(和/或不生长)。
对于图像映射(被测图像的或针对具体微生物、抗生素和抗生素浓度具有不同模式的微生物生长调制的板的图像库中的图像二者之一)，当没有AB圆盘(或到AB圆盘无穷远)时可以将生长模拟为可观测的生长的调制。例如，当没有AB圆盘的情况下(即，这与在到任何抗生素圆盘无穷远的地方(绝对不受圆盘抑制的区域)发生的生长相同))，在温育时间t以后，Cno AB是由生长的微生物形成的测量的对比度。
可以使用以下S型函数对观测的对比度建模：
其中r等于到圆盘的距离，其显示观测的对比度的50％调制，和x等于具体像素到AB圆盘边缘的距离。与远离抗生素圆盘的区域相比，如果没有发现对微生物生长的这种调制，则该值为零(通过缺乏像素与未调制的微生物生长区域中的像素之间的对比度差异来证明)。在调制的情况下，值λ是控制圆盘附近调制陡度的因子(斜率等于r中的λ/4)。参照图16，当由于生长测量的时间对比度等于100％(即Cno AB)，r等于10mm并且λ等于0.5(其中较大的值给出更陡的斜率)，可见最大对比度约为到圆盘边缘20mm并保持恒定(即进一步远离AB圆盘没有生长的负调制)并且在R等于10mm处可见最大斜率。比较图16和图8，观测到相同的函数。
以下可以用于优化测量的对比度和模拟的对比度之间的匹配：
其中CM是测量的对比度，CS是模拟的对比度。可以通过首先设置Cno AB，并然后使用λ等于10的值来搜索生长调制为50％的距离r(在0mm至45mm的范围内)以调整建模的生长。细化0.1到10的范围的λ值或估计r的斜率以设置λ值。根据函数，在值r处的斜率为λ/4。
例如，如图12所示，可以由一组(一个或多个)模型距离函数生成AST板图像，其中建模的距离函数具有建模的生长。这样的函数可以包括不透明度值函数、颜色函数和模糊函数，它们每个根据其到圆盘的距离和映射函数(一个或多个)将来自映射的具体值应用于模拟图像的每个像素。在图12的实例中，甚至在圆盘周围显示了生长，因为模型函数(未示出)对具体圆盘和板的具体细菌的生长进行建模，使得细菌不受圆盘抗生素的影响或对其具有抗性(即，无抑制区域)。在与此相反的图13中显示了在某些区域中具有抑制区域的模拟图像，因为用于具体圆盘的模型函数对抗生素(一种或多种)和/或其浓度的不同抑制效果进行建模。
可在http://cdstest.net/manual/plates/中找到邻近抗生素圆盘的生长调制/抑制的图像的许多实例。提供这些图像是为了在图17-20和图21A-F中进行说明。如在图17中观测的，抗生素圆盘周围的暗环是抑制区域。朦胧区域表明弥漫性生长。例如板13.2.C中所示，圆盘VA5周边较亮的区域表明减少的抑制区减(即部分调制而不是完全调制)。如板13.2D的圆盘VA5和TEC15，当背景延伸到圆盘的周边时，该图像显示，对于这些抗生素圆盘(在那些浓度下)，该微生物(明串珠菌)的生长没有受到调制/抑制。
有三种截然不同的用于建模生长的场景。第一种场景是抗生素圆盘根本没有调制生长。这种模式(即缺乏调制)在图18中说明。如果生长由单个圆盘调制，则调制/抑制的生长将以多种模式表现(取决于具体的微生物和具体的抗生素)。这种生长调制的一系列非限制性实例在图19中说明。
受多个抗生素圆盘影响的生长调制也可以采取多种模式，其根据微生物类型、抗生素和到多个圆盘的距离而变化。这样的模式在图20中说明。如上所述，依赖于多种因素(即，微生物、圆盘携带的抗生素、圆盘上抗生素的浓度、板上圆盘彼此之间的接近程度等)，可能产生各种各样的生长调制模式。因此，模型将模拟通过所选择的抗生素对微生物的微生物生长的调制以解释图像数据，其复杂度将根据建模的相互作用而变化。
为了评估板上多个圆盘调制微生物生长的区域，将像素强度转换为到两个盘的距离的函数是有用的。参照图21A，由圆盘D1引起的调制的说明被图解为围绕圆盘的光环。圆盘D2不会引起调制。在左侧显示了图像的转换。到圆盘D2的距离在x轴上，到圆盘D1的距离在y轴上。在二维变换中，调制区域(700)中的像素强度被图解为700。转变中有一个区域，其不表示到两个圆盘的距离组合，这是由701图解。两个圆盘各自引起调制(即，圆盘不影响由其他圆盘引起的调制)的二维变换在图21B中说明。在右侧相对于圆盘D1和D2以及在左侧以二维变换图解了调制区域(710、711)。
在图21C中说明了更复杂的相互作用。如在先前实例中存在调制区域720和721。然而，显然存在由圆盘引起的调制重叠的区域。受影响的重叠在左侧的转换中显而易见，因为调制区域彼此延伸。
参照图21D，其说明了圆盘单独地不引起生长调制的情况。然而，距两个圆盘一定的距离处，存在调制区域730，这表明生长调制是由两种抗生素的组合而不是每个圆盘单独引起的。通过在这种情况下转换图像数据，可以更容易地将用于多个圆盘的某些组合效果的模式与现有模式进行比较，以解释来自被检查的板的图像数据。
在某些情况下，调制的等级或程度会随着到圆盘的距离而变化。图21E说明了由圆盘D1引起的第一(740)和第二(741)调制区域。第一区域是740完全抑制区域并且第二区域是部分抑制区域。由于像素强度将根据调制程度的函数而变化，因此强度的差异在左侧的转换数据中也可以是显而易见的。为了简化说明，图21E中的D2不引起调制。
图21F图解了由D2使D1陷入引起的调制750的转换，D1本身不引起调制。尽管这可能很难从三维图像中辨别出来，但从极坐标变换数据中可以清楚地看到，与D1直接相邻的像素(在转换数据中图示为区域751)具有与无调制一致的强度(即对于许多具有与零生长调制一致强度的像素，到D1的距离d1为零)。
通过系统100应用这样的模拟图像以使敏感性测试更有效。例如，在过程222中，系统可以比较系统生成的模拟图像与由系统捕获的AST板的图像。这样的比较可以通过差异分析用来对比捕获的图像和模拟图像。例如，图14图解了由系统捕获的图像(或对比度图像)，使得其显示了一些圆盘周围的生长G和多个抑制区域(RI1、RI2、RI3、RI4和RI5)。可以关于较早的图像来处理这样的图像(该图像可以被称为观测的图像)，以增强如先前所讨论的指示生长观测的对比度。然后可以将该观测的图像与模拟图像对比。例如，如图15所示，可以生成图像掩模1520以突出观测的图像(图14)和模拟图像(图13)之间的差异区域，以便突出建模的生长和观测的生长之间的差异。例如，可以通过以逐个像素为基础的像素比较来生成图像掩模。在这样的实例中，如果观测的图像的给定像素(x，y)具有与模拟图像的相应像素相同或没有明显不同(例如，在差异阈值之内)的值，则可以将图像掩模的相应像素设置为期望的值(例如，黑色)。否则，可以将图像掩模的相应像素设置为不同的值(例如，白色)以突出差异的位置。在一些情况下，可以根据差异的缩放比例用像素来生成掩模图像，使得差异较大的区域相比差异较小的区域更突出。
模型与观测的图像的这种差异分析可以充当确认模型的基础。它可以用来识别/突出模型未很好解释的区域。它还可以帮助简化抗生素圆盘相互作用的自动化检测和进一步分析。在这方面，如关于图13、14和15所示，圆盘D1、D4和D6具有预期的抗生素作用(即，建模的图13近似等于观测的图14)，其具有典型的抑制区域。然而，在图14中看到的圆盘D3和D2之间的部分抑制部分区域R14表明D2的抗生素和D3的抗生素之间的某些出人意料的相互作用。这导致了在图15的掩模中呈现差异区域1522。这样的差异图像或掩模可以充当辅助AST板的视觉评估的工具，例如是否将其(或附近)观测的图像或叠加观测的图像二者之一显示在实验室技术人员的显示器上。同样，这种评估可以充当与模拟库或图像数据进行比较的基础。这样的比较可以在不需要操作员干预的情况下进行板评估，以辅助解释。因此，系统100可以配置有显示器(例如，监视器屏幕)以在显示器上呈现这种成像以及图像含义的评估(如果系统能够提供这种评估)。通过这种方式，可以通过差异图像的数据来检测两种不同抗生素之间的具体协同作用。
本文所述的系统100的过程还可以允许AST响应的增量建模。例如，通过在每个步骤之后根据检测到的模型和观测值之间的差异来调整模型，可以修改模型中的下一个级别以进一步检测。模型与真实图像之间的任何最终差异都可以突出模型的不足用于自动化地解释AST。因此，系统可以学习以便改进或更新模型用于自化检测。
系统可以改善以下任何一项的自动化检测：
*生长特性(其中一种或多种抗生素不会引起生长调制)
*精确解释给定抗生素诱导的生长调制
*在亚群或混合生物的易感性/耐药性不同的情况下微生物种群的异质性
*由于两种或多种抗生素的协同作用的复杂耐药性/易感性模式。
生长建模理论发展
在本技术的一些版本中，生长建模数据，例如先前讨论的距离映射(其可以被理解为校准扩散图)可以基于抗生素浓度、测试/扩散时间和所选细菌。在为生长模型开发此类映射时，可以测量生长调制，作为“感测”浓度(细菌生长边缘处和无生长的位置)的函数，其取决于琼脂板上的像素位置，其作为到每一个和每个圆盘的距离的函数。
每种抗生素的“感测”浓度应遵循以下方程式：
/>
其中：
C0是圆盘的初始浓度，D是扩散系数(Stokes-Einstein方程式)，t是时间，r是到源的距离(到抗生素圆盘的边缘)；
k＝维数(通常在1.0和3.0之间)，最通常接近2.0。
关于每种抗生素的校准扩散映射，可以使用具有给定抗生素的不同负荷的圆盘，并且可以对于给定的易感生物体分析各自的生长模式。实际上，每个抑制区域的界限应当对应于生物体对抗生素的相同“感测”浓度。因此，利用一组抑制区域半径和已知的抗生素负荷，可以求解每种抗生素的扩散方程式。
基于抗生素临界浓度和临界直径r，在读取时间(例如，t＝24h)，可以估计D和k。
例如，使用初始浓度为C1和C2且抑制半径为r1和r2的两个圆盘，可以得出：
如果C1、C2、C3…是具有C2＝1/2C1、C3＝1/2C2…的二倍级联稀释，那么：
或由此可以容易地估计k。
如果使用自动化测试系统并行地提供被测生物体的最小抑制浓度(“MIC”)或C(r，t)来完善校准方程式，则校准的终结可纳入方程式校准。
使B为4Dt，那么：
一旦每种待测抗生素已知k和B，就可以估计培养基中每种抗生素的浓度作为到源圆盘的距离的函数(知道其初始浓度C0)，以产生用于多个圆盘的适合的距离映射。因此，可以以到每个抗生素圆盘的距离的函数来估计(建模)生长调制。此外，任选地，可以以抗生素估计的浓度的函数来估计(建模)生长调制。
图像比较与对比度
在前述的方法中，可以通过比较图像(在时间t0观测的图像与在时间tx观测的图像和/或观测与模拟图像)以确定它们之间的对比度来实施确定相对于板的圆盘生长是否存在。在这方面，随着时间的流逝，AST板上的细菌将生长。从将细菌放入板中开始的时间越早，要检测的细菌就越少，并且因此对于背景具有较低的对比度。换句话说，较小的菌落尺寸产生较少的信号，而在恒定背景下较少的信号导致较小的对比度。这通过以下方程式反映：
(1)
对比度可以在识别图像中的生长对象中起重要作用。如果其亮度、颜色和/或纹理与周围环境明显不同，则可以在图像中检测到该对象。一旦检测到对象，分析还可以涉及识别已经检测到的对象的类型。这样的识别还可以依赖于对比度测量，例如被识别对象边缘的光滑度、或对象的颜色和/或亮度的均匀度(或缺乏均匀度)。这种对比度必须足够大，以克服由图像传感器检测到的图像噪声(背景信号)。
人类的对比度感知(由韦伯定律控制)是有限的。在最佳条件下，人眼可以检测到1％的光照水平差异。图像测量的质量和置信度(例如，亮度、颜色、对比度)可以通过测量的信噪比(SNR)来表征，其中SNR值100(或40db)(与像素强度无关)将匹配人类检测能力。利用高SNR成像信息和每个像素信息的已知SNR的数字成像技术可以允许菌落的检测，即使当这些菌落对于人眼仍是不可见的。
然而，视觉上可观测的或视觉上可感知的对比度并不一定意味着在观测的时间对比度中或其本身是在抗生素圆盘附近的微生物生长调制的可靠确定。因为本方法可以确定时间对比度的程度，本方法可以通过在向用户提供现在可进行可靠的微生物生长确定的指示之前设定获得的时间对比度的阈值量(即，1％或更多、2％或更多、3％或更多、4％或更多、5％或更多等)，来向用户提供观测的时间对比度是否足以可靠地确定微生物调制的指示。选择的阈值将根据营养介质的类型(例如Mueller Hinton琼脂(MH)、含5％羊血的Mueller Hinton琼脂、Mueller Hinton巧克力琼脂等)和微生物的类型(例如奈瑟菌或嗜血杆菌属、淋病奈瑟菌、大肠杆菌、沙门氏菌、志贺氏菌、金黄色葡萄球菌等)而变化。通常，当在较浅的琼脂(例如MH)上形成较浅的菌落或在较深色的琼脂(例如MH巧克力琼脂)上形成相似颜色的较暗的菌落时，需要更高量的对比度。因此，对于琼脂和微生物的不同组合，考虑将可靠地确定微生物生长调制所需的时间对比度程度设置为不同的阈值。一旦检测到测量的时间对比度程度达到或超过设置的阈值，将会通知用户该板已准备好进行分析。如果测量的时间对比度程度未达到或超过指定的阈值，则建议用户继续温育样品另一个周期、或者由于样品质量差而使样品无效。这是有利的，因为尽管熟练的用户可以感知对比度、熟练的用户可以感知生长，但是熟练的用户不能始终从视觉上从观测的强度变化中准确地分辨出生长的50％或80％调制(当绝对差异在强度差异2％和强度差异3％之间时)，从而导致错误读取给定抗生素圆盘周围的抑制区域。
在本公开内容中，可以以至少两种方式收集对比度：空间上和时间上。空间对比度或局部对比度，量化了单个图像中给定区域(例如，像素、相邻像素组)与其周围环境之间颜色或亮度的差异。时间对比度，量化了一个图像的给定区域与在不同时间拍摄的另一图像中相同区域之间的颜色或亮度差异。控制时间对比度的公式类似于用于空间对比度中的公式：
(2)
其中，t2是t1之后的时间。给定图像的空间和时间对比度二者都可以用于识别生长。
为了使对象相对于其背景的空间或时间对比度最大化，系统可以使用不同背景的不同入射光来捕获图像。例如，可以在黑色或白色背景上使用任何顶部照明、底部照明或侧面照明。
在给定的时间点，可以在多个照明条件下捕获多个图像。可以使用不同光源来捕获图像，该光源由于照明光水平、照明角度和/或在对象与传感器之间部署的滤光片(例如，红色、绿色和蓝色滤光片)而光谱上不同。以这种方式，图像采集条件可以根据光源位置(例如，顶部、侧面、底部)、背景(例如，黑色、白色、任何颜色、任何强度)和光谱(例如，红色通道、绿色通道、蓝色通道)而变化。例如，可以使用顶部照明和黑色背景来捕获第一图像、使用侧面照明和黑色背景来捕获第二图像并且使用底部照明和没有背景(即白色背景)来捕获第三图像。此外，可以使用特定算法来创建一组变化的图像采集条件，以最大化空间对比度使用。这些或其他算法还可以通过根据给定序列和/或在一段时间内改变图像采集条件来有利于最大化时间对比度。PCT公开号WO2015/114121中描述了一些这样的算法。
可以确定两个图像之间的对比度信息。可以以逐个像素为基础收集对比度信息。例如，可以将第二数字图像的像素与第一数字图像的相应像素(在相同坐标处)进行比较以确定时间对比度的存在。此外，可以将第二数字图像的相邻像素彼此比较、或者与已知为背景像素的其他像素比较，以确定空间对比度的存在。像素颜色和/或亮度的变化表明对比度，并且可以测量、计算、估计或以其他方式确定从一个图像到下一个图像或从一个像素(或像素区域)到下一个像素的这种变化的度。在确定给定图像的时间对比度和空间对比度的情况下，可以基于给定像素的空间和时间对比度的组合(例如，平均值、加权平均值)来确定图像的给定像素的整体对比度。
可以基于计算出的对比度信息来识别第二数字图像中的生长。具有相似对比度信息的第二数字图像的相邻像素可以被认为属于相同的生长。例如，如果相邻像素与其背景之间亮度的差异或第一数字图像中像素与其亮度之间的差异大约相同(例如，在预定阈值量之内)，则可以将像素视为属于同一生长对象。作为实例，系统可以将“1”分配给具有显著对比度(例如，超过阈值量)的任何像素，然后将全部分配为“1”的一组相邻像素识别为生长对象。可以给对象指定具体的标签或掩模，使得具有相同标签的像素共享某些特性。标签可以帮助在后续方法期间区分来自其他对象(例如圆盘)和/或背景的生长。
识别数字图像中的对象可能涉及将数字图像分割或划分为多个区域(例如，前景和背景)。分割的目的是将图像改变为多个部件的表示，以便更轻松地分析这些部件。图像分割用于在图像中定位感兴趣的对象，例如抗生素圆盘。
这样的自动化方法的使用可以允许更快的AST测试。在最初布置AST圆盘后，可以开始以自动化过程的这种测试，并且可以更快地获得并报告结果。相比之下，在手动方法中此类测试通常需要花费额外的时间才能完成数据的检查和报告。因此，在本文描述的建模和/或对比度处理的辅助下，本公开内容的自动化方法可以提供更快的测试，而不会不利地影响测试结果的质量或准确性。
尽管已经参考具体实施方式描述了本发明，但是应当理解，这些实施方式仅是本发明的说明性的原理和应用。因此，应当理解，在不脱离由所附权利要求限定的本发明的精神和范围的情况下，可以对说明性的实施方式进行多种修改，并且可以设计其他排列。

Claims (10)

1.一种在处理器中用于抗生素敏感性测试的方法，其包括：
提供接种有生物样品的培养板，所述培养板具有培养基和至少一个布置在其上的抗生素圆盘；
接收由图像传感器生成的所述培养板的第一和第二图像数据，所述第一图像数据和第二图像数据分别表示在其上具有多个抗生素圆盘的所述培养板的第一和第二捕获图像，在不同的时间拍摄所述第一和第二捕获图像，
从所述第一图像数据和所述第二图像数据的比较生成所述第二图像数据的像素的像素特性数据，所述像素特性数据指示随着时间推移所述培养板上的微生物生长；
访问用于微生物生长的生长建模数据，其中所述生长建模数据对所述多个抗生素圆盘中的至少一个抗生素圆盘上和所述培养基中的培养基、微生物、抗生素、抗生素浓度的组合的微生物生长进行建模，其中所述培养基中的所述抗生素浓度是所述抗生素圆盘上的抗生素浓度、时间和到所述抗生素圆盘的距离的函数；
用生长模型函数生成模拟图像数据，所述生长模型函数使用所述生长建模数据，所述模拟图像数据模拟接种的培养板上的微生物生长，所述模拟基于布置在所述培养基上的所述多个抗生素圆盘中的至少一个抗生素圆盘、所述至少一个抗生素圆盘上的所述抗生素浓度；所述培养基和所述培养基中的所述抗生素浓度作为时间和到所述抗生素圆盘的距离的函数；和
比较所述模拟图像数据和所述像素特性数据，并识别与所述模拟图像数据的一个或多个像素区域不同的所述第二图像数据的一个或多个像素区域。
2.根据权利要求1所述的方法，其中生成的像素特性数据包括对比度数据。
3.根据权利要求2所述的方法，其中所述对比度数据包括像素强度值。
4.根据权利要求2至3中任一项所述的方法，其中所述对比度数据进一步包括不透明度数据、颜色数据和模糊数据中的一种或多种。
5.根据权利要求1至4中任一项所述的方法，其中所述像素特性数据包括距离数据，所述距离数据表示到所述多个抗生素圆盘中的至少一个的距离。
6.根据权利要求5所述的方法，其中所述距离数据包括到所述多个抗生素圆盘中的至少一个的中心的距离。
7.根据权利要求1至6中任一项所述的方法，其中所述生长模型函数包括最大生长模型、最小生长模型、平均生长模型、中值生长模型或百分比生长模型。
8.根据权利要求1至7中任一项所述的方法，其中所述生长模型函数将对比度数据表征为到所述多个抗生素圆盘中的至少一个抗生素圆盘的径向距离的函数。
9.根据权利要求1至8中任一项所述的方法，其中所述生长模型函数包括扩散映射。
10.根据权利要求1至9中任一项所述的方法，进一步包括：
在所述第一图像数据或第二图像数据中，检测所述多个抗生素圆盘中的至少一个抗生素圆盘的抗生素圆盘图像数据，
分析所述抗生素圆盘图像数据以检测标记数据；和
其中访问生长建模数据的步骤包括使用所述标记数据定位所述生长建模数据。
CN202311332065.1A 2017-09-28 2018-09-27 用于自动化评估抗生素敏感性的方法和系统 Pending CN117467736A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201762564727P 2017-09-28 2017-09-28
US62/564,727 2017-09-28
CN201880069411.2A CN111263817B (zh) 2017-09-28 2018-09-27 用于自动化评估抗生素敏感性的方法和系统
PCT/EP2018/076257 WO2019063690A1 (en) 2017-09-28 2018-09-27 METHODS AND SYSTEMS FOR AUTOMATED EVALUATION OF SENSITIVITY TO ONE OR MORE ANTIBIOTICS

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201880069411.2A Division CN111263817B (zh) 2017-09-28 2018-09-27 用于自动化评估抗生素敏感性的方法和系统

Publications (1)

Publication Number Publication Date
CN117467736A true CN117467736A (zh) 2024-01-30

Family

ID=63762486

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880069411.2A Active CN111263817B (zh) 2017-09-28 2018-09-27 用于自动化评估抗生素敏感性的方法和系统
CN202311332065.1A Pending CN117467736A (zh) 2017-09-28 2018-09-27 用于自动化评估抗生素敏感性的方法和系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201880069411.2A Active CN111263817B (zh) 2017-09-28 2018-09-27 用于自动化评估抗生素敏感性的方法和系统

Country Status (7)

Country Link
US (2) US11319575B2 (zh)
EP (2) EP4365857A2 (zh)
JP (1) JP2020534847A (zh)
CN (2) CN111263817B (zh)
AU (1) AU2018338692A1 (zh)
CA (1) CA3077109A1 (zh)
WO (1) WO2019063690A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3996583A4 (en) * 2019-07-08 2023-06-14 Emory University SYSTEMS AND METHODS FOR DETERMINING ANTIMICROBIAL RESISTANCE OF A SAMPLE USING SURFACE TOPOGRAPHY DETERMINED FROM OPTICAL IMAGING DATA
JP2023522149A (ja) * 2020-03-20 2023-05-29 カヴァロパウロス，ニコラオス 化学物質相互作用効果の判定
EP3892733A1 (en) * 2020-04-07 2021-10-13 PRO Devices A/S A method and a system for determining susceptibility

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11215387A (ja) * 1998-01-21 1999-08-06 Murata Mach Ltd 画像形成装置及びファクシミリ装置
US6251624B1 (en) * 1999-03-12 2001-06-26 Akzo Nobel N.V. Apparatus and method for detecting, quantifying and characterizing microorganisms
US6153400A (en) * 1999-03-12 2000-11-28 Akzo Nobel N.V. Device and method for microbial antibiotic susceptibility testing
US6472166B1 (en) * 2000-02-17 2002-10-29 Wardlaw Partners Lp Method for determining the effects of a growth-altering agent on a microbial colony
US20040253660A1 (en) * 2003-06-12 2004-12-16 Giles Scientific, Inc. Automated microbiological testing apparatus and method
US7341841B2 (en) * 2003-07-12 2008-03-11 Accelr8 Technology Corporation Rapid microbial detection and antimicrobial susceptibility testing
JP5181385B2 (ja) * 2007-08-16 2013-04-10 国立大学法人名古屋大学 細胞の品質を予測する予測モデルの構築法、予測モデルの構築用ブログラム、該プログラムを記録した記録媒体、予測モデルの構築用装置
US9677109B2 (en) * 2013-03-15 2017-06-13 Accelerate Diagnostics, Inc. Rapid determination of microbial growth and antimicrobial susceptibility
AU2015212758B2 (en) * 2014-01-30 2019-11-21 Bd Kiestra B.V. A system and method for image acquisition using supervised high quality imaging
US11041871B2 (en) 2014-04-16 2021-06-22 Bd Kiestra B.V. System and method for incubation and reading of biological cultures
FR3026745B1 (fr) * 2014-10-06 2018-03-02 Fondation Mediterranee Infection Methode d'analyse et interpretation automatisee d'un antibiogramme
WO2016103501A1 (ja) * 2014-12-26 2016-06-30 国立大学法人東京大学 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞
AU2016250791B2 (en) * 2015-04-23 2021-10-21 Bd Kiestra B.V. Colony contrast gathering
BR112017022806A2 (pt) * 2015-04-23 2018-07-10 Bd Kiestra B.V. método e sistema para contagem automatizada de colônias microbianas a partir de amostras semeadas em meio plaqueado
MX2017015203A (es) * 2015-05-28 2018-08-15 Bd Kiestra Bv Método y sistema automatizados para obtener y preparar una muestra de microorganismo para ensayos tanto de identificación como de susceptibilidad a antibióticos.
CN109153971A (zh) * 2016-05-19 2019-01-04 富士胶片株式会社 细胞培养方法、培养基及培养基试剂盒
WO2018229920A1 (ja) * 2017-06-15 2018-12-20 オリンパス株式会社 定量評価装置

Also Published As

Publication number Publication date
EP4365857A2 (en) 2024-05-08
US20220213523A1 (en) 2022-07-07
AU2018338692A1 (en) 2020-04-23
WO2019063690A1 (en) 2019-04-04
EP3688182B1 (en) 2024-03-20
EP3688182C0 (en) 2024-03-20
US11884959B2 (en) 2024-01-30
CN111263817A (zh) 2020-06-09
CA3077109A1 (en) 2019-04-04
EP3688182A1 (en) 2020-08-05
US11319575B2 (en) 2022-05-03
JP2020534847A (ja) 2020-12-03
CN111263817B (zh) 2023-10-31
US20200291447A1 (en) 2020-09-17

Similar Documents

Publication Publication Date Title
JP6845221B2 (ja) プレート培地上にストリークされた試料からの自動化された微生物コロニーカウントのための方法及びシステム
JP7148581B2 (ja) コロニーコントラスト収集
US11884959B2 (en) Methods and systems for automated assessment of antibiotic sensitivity
KR101989202B1 (ko) 미생물 성장을 분석하는 방법 및 소프트웨어
KR20150099779A (ko) 기체 생성 미생물 콜로니를 검출하는 방법
KR20150096718A (ko) 이미지 내의 미생물 콜로니를 구분하는 방법
US10407708B2 (en) Method and system for determining microorganism growth
JP2012208839A (ja) 植物体の画像領域抽出方法、植物体の画像領域抽出装置、および植物体の生育監視システム
CN109661473A (zh) 用于确定微生物的存在和鉴定所述微生物的方法、系统和计算机程序产品
Matić et al. Semi-automatic prototype system for bacterial colony counting
Dabariya et al. Development of Framework for Greenness Identification
CN115210753A (zh) 用于菌落计数的图像中的强度差异补偿

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