[发明专利]基于同轴全息图像判定最小抑菌浓度的方法

说明书

本发明公开了一种基于同轴全息图像判定最小抑菌浓度的方法，首先采集病原菌在不同抗生素浓度下温育相同时间后的同轴全息衍射图像数据，并结合角谱再现算法实现衍射图像中病原菌的恢复进而建立样本数据集；其次通过深度学习目标检测算法训练病原菌检测模型，并实现不同浓度抗生素下病原菌的目标检测，再次通过特征点计数法统计不同浓度抗生素下病原菌的个数；最后根据阈值判断抑制病原菌生长的最小抗生素浓度值。本发明优点在于将无透镜数字全息成像技术的视野大、无需标记、成本低等优点和深度学习方法相结合，提出了一种同轴数字全息图像和深度学习算法相结合并实现病原菌计数的方法，能够自动检测最小抑菌浓度，解决了专业人员操作的局限性。

技术领域

本发明涉及抗菌药物药敏试验领域，尤其是涉及基于同轴全息图像判定最小抑菌浓度的方法。

背景技术

抗菌药物在保证人类和畜禽健康、减少病原体感染、保障动物性食品安全中起着重要作用。抗菌药物使用前需要通过药敏实验进行药物敏感度的测定，以便准确有效的利用药物进行治疗。目前，临床微生物实验室进行药敏试验的方法主要有纸片扩散法，稀释法（包括琼脂和肉汤稀释法），抗生素浓度梯度法（E-test法），纸片扩散法等。这些方法均需要专门的技术人员操作，试验过程相对繁琐，且不宜大规模的推广使用。

随着人工智能技术的蓬勃发展以及无透镜数字全息成像技术的成熟，基于人工智能的深度学习在生物学领域内也得到了很好的应用。如学者DaeHan Ahn基于深度神经网络在无透镜数字全息衍射图像上实现人体水平血细胞计数，学者高军晖基于基因序列数据采用机器学习模型预测最小抑菌浓度。

该方法采集耐药菌在不同抗生素浓度下温育相同时间后的全息图像，通过数字图像恢复算法实现图像再现，然后结合深度学习方法实现耐药菌生长状态的监测，最后根据阈值判定MIC（最小抑菌浓度）值。

发明内容

本发明目的在于提供一种基于同轴全息图像判定最小抑菌浓度的方法，实现最小抑菌浓度的检测。

为实现上述目的，本发明采取下述技术方案：

本发明所述的基于同轴全息图像判定最小抑菌浓度的方法，包括以下步骤：

S1，采集耐药菌在不同抗生素浓度下温育相同时间后的同轴全息衍射图像数据；

S2，得到所述同轴全息衍射图像的再现图数据；

S3，去除所述再现图中的共轭像和零级像，建立样本数据集；

S4，对样本数据集进行目标标注；

S5，通过计算机目标检测深度学习算法迭代训练、验证、测试样本数据集，获得病原菌检测模型；

S6，获得相同浓度的待测菌悬液在不同浓度抗生素下温育相同时间后的的同轴全息衍射图像数据；

S7，采用S2和S3的方法，获得待测菌悬液同轴全息衍射图像数据的再现图数据；

S8，使用病原菌检测模型检测待测病原菌；

S9，通过特征点计数法统计各浓度抗生素下的病原菌的个数；

S10，根据阈值找到抑制细菌生长最小抗生素浓度值。

进一步地，S1步中所述同轴全息衍射图像数据采用同轴无透镜数字全息成像装置进行采集。

进一步地，S2步中所述再现图数据通过角谱再现算法实现。

进一步地，S3步中所述采用四步相移技术去除所述再现图中的共轭像和零级像。

进一步地，S5步中所述计算机目标检测深度学习算法包括任一能实现目标检测的深度学习算法。

进一步地，S9步中所述特征点计数法具体为：针对所述病原菌检测模型检测到的每个目标，统计每个目标中灰度值大于所述目标平均灰度值，且灰度值局部最大的像素点，再剔除所述像素点中长度小于固定长度k的像素点后单个病原菌的位置，进而确定病原菌的个数。