利用时间推移相干成像与深度学习早期检测并分类活细菌
仪器与探测器
2020-07-13 v1 计算机视觉与模式识别
应用物理
摘要
我们提出了一种计算型活细菌检测系统，其周期性捕获 60 mm 直径琼脂平板内细菌生长的无标记相干显微图像，并使用深度神经网络分析这些时间推移全息图，以快速检测细菌生长并分类相应物种。我们系统的性能通过对水样本中大肠杆菌和总大肠菌群细菌（即产气克雷伯菌和肺炎克雷伯菌肺炎亚种）的快速检测得到展示。这些结果经基于培养的金标准结果确认，与环境保护署（EPA）批准的分析方法相比，将细菌生长的检测时间缩短了 >12 h。我们的实验进一步确认该方法在 7-10 h 内成功检测 90% 的细菌菌落（12 h 内 >95%），精度为 99.2-100%，并在 7.6-12 h 内以 80% 准确率正确识别其物种。利用样本在生长培养基中的预培养，我们的系统在 9 h 总测试时间内达到约 1 菌落形成单位（CFU）/L 的检测限（LOD）。该计算型细菌检测与分类平台极具成本效益（每次测试约 $0.6），且高通量，在整个平板表面扫描速度为 24 cm2/min，使其非常适于与当前用于琼脂平板上细菌检测的现有分析方法集成。由深度学习驱动，该自动化且经济高效的活细菌检测平台可通过显著减少检测时间、自动识别菌落且无需标记或专家，对微生物学的广泛应用产生变革性影响。
引用
@article{arxiv.2001.10695,
title = {Early-detection and classification of live bacteria using time-lapse coherent imaging and deep learning},
author = {Hongda Wang and Hatice Ceylan Koydemir and Yunzhe Qiu and Bijie Bai and Yibo Zhang and Yiyin Jin and Sabiha Tok and Enis Cagatay Yilmaz and Esin Gumustekin and Yair Rivenson and Aydogan Ozcan},
journal= {arXiv preprint arXiv:2001.10695},
year = {2020}
}
备注
24 pages, 6 figures