基于深度学习的薄膜晶体管（TFT）图像传感器细菌菌落检测与分类
仪器与探测器
2022-07-04 v1 计算机视觉与模式识别
图像与视频处理
应用物理
摘要
对大肠杆菌（E. coli）等病原细菌的早检测与识别是公共卫生的重要任务。传统的基于培养法的细菌菌落检测通常需 >24 小时才能获得最终读数。在此，我们展示了一种利用薄膜晶体管（TFT）图像传感器阵列的菌落形成单位（CFU）检测系统，相较美国环境保护署（EPA）批准的方法节省约 12 小时。为验证该 CFU 检测系统的效能，我们采用 TFT 图像传感器构建了无透镜成像模态，样本视场约 10 cm^2。在显色琼脂平板上培养的细菌菌落的时间序列图像以 5 分钟间隔自动采集。我们使用两个深度神经网络来检测与计数生长中的菌落并识别其物种。在对 265 个大肠杆菌与其他大肠菌群细菌（即柠檬酸杆菌与肺炎克雷伯菌）进行盲测时，我们的系统在培养 9 小时达到平均 CFU 检测率 97.3%，在约 12 小时达到平均回收率 91.6%。该 TFT 传感器可应用于多种微生物检测方法中。由于 TFT 图像传感器具有大可扩展性、超大视场与低成本，该平台可与每个待测琼脂平板集成并在自动 CFU 计数后丢弃。该平台的成像视场可经济地扩展至 >100 cm^2，从而利用柔性显示行业中使用的 TFT 卷对卷制造等技术为 CFU 检测提供海量通量。
引用
@article{arxiv.2205.03549,
title = {Deep Learning-enabled Detection and Classification of Bacterial Colonies using a Thin Film Transistor (TFT) Image Sensor},
author = {Yuzhu Li and Tairan Liu and Hatice Ceylan Koydemir and Hongda Wang and Keelan O'Riordan and Bijie Bai and Yuta Haga and Junji Kobashi and Hitoshi Tanaka and Takaya Tamaru and Kazunori Yamaguchi and Aydogan Ozcan},
journal= {arXiv preprint arXiv:2205.03549},
year = {2022}
}
备注
18 Pages, 6 Figures