Analýza mikrobiálních struktur pomocí technik zpracování obrazu v kombinaci se strojovým učením

Abstract

Přesná a efektivní analýza mikrobiálních kultur na agarových miskách je zásadní pro mnohé biomedicínské aplikace. Stávající nejmodernější řešení strojového učení však mají často potíže s generalizací složitosti reálných vzorků, jako jsou překrývající se kolonie, různé osvětlení a typy agaru, a to kvůli kritickému nedostatku dostatečně velkých anotovaných datových sad. Tato doktorská práce se zabývá těmito omezeními prostřednictvím vývoje a aplikace pokročilých technik strojového učení na analýzu obrazu agarových misek. Hlavním problémem, který je řešen, je nedostatek anotovaných datových sad. K překonání tohoto problému je představena nová metodologie pro generování vysoce realistických syntetických obrazů agarových misek. Tento přístup prokazuje svou významnou účinnost při rozšiřování reálných dat, což vede k podstatnému zlepšení výkonu testovaného modelu. Například navrhovaný syntetický generátor zvýšil F1 skóre pro sémantickou segmentaci mikrobiálních kolonií z 0,518 na 0,729, což prokazuje výrazné zlepšení přesnosti a generalizovatelnosti. Tento základní segmentační model byl dále zdokonalen a ověřen v následující práci, kde dosáhl skóre F1 0,906 na rozšířeném datovém souboru, čímž poskytl velmi robustní základ pro všechny následné analýzy. Kromě toho tato práce posouvá analýzu nad rámec jednoduché segmentace tím, že implementuje sofistikovaný analytický přístup pro přesnou charakterizaci mikrobiálního materiálu. Tento modulární systém využívá Gaussovy směsné modely (GMM) s parametry optimalizovanými genetickými algoritmy k seskupování pixelů na základě jejich morfologických vlastností. Tento automatizovaný přístup dosahuje za optimálních podmínek hodnoty V-measure 0,723, což výrazně převyšuje hodnotu 0,545 metody k-means, a eliminuje potřebu ručního ladění. Tento výzkum přispívá komplexním výpočetním systémem, který prokazatelně posouvá automatizovanou mikrobiální analýzu nad rámec předchozích metod. Vyvinuté metodiky poskytují robustní základ pro budování automatizovaných laboratorních systémů nové generace, které slibují zrychlení diagnostiky, zefektivnění výzkumu a zvýšení standardu kvantifikace a charakterizace mikroorganismů.

The accurate and efficient analysis of microbial cultures on agar plates is fundamental to diverse biomedical applications. However, existing state-of-the-art machine learning solutions often struggle to generalize to the complexities of real-world samples, such as overlapping colonies, varying lighting, and diverse agar types, due to a critical scarcity of large, annotated datasets. This doctoral thesis addresses these limitations by developing and applying advanced machine learning techniques to the image analysis of agar plates. A primary challenge tackled is the scarcity of annotated datasets. To overcome this, a novel methodology for generating highly realistic synthetic agar plate images is introduced. This approach demonstrates its significant effectiveness in augmenting real-world data, leading to a substantial enhancement in model performance. For instance, the proposed synthetic data pipeline improved the F1 score for semantic segmentation of microbial colonies from 0.518 to a peak of 0.729, demonstrating a marked improvement in accuracy and generalizability. This foundational segmentation model was further refined and validated in subsequent work, achieving an F1 score of 0.906 on an expanded dataset, thereby providing a highly robust basis for all subsequent analysis. Furthermore, the thesis advances the analysis beyond simple segmentation by implementing a sophisticated analytical approach for the precise characterization of microbial material. This modular system uses Gaussian Mixture Models (GMMs), with their parameters optimized by genetic algorithms, to cluster pixels based on their morphological features. This automated approach achieves a V-measure of 0.723 under optimal conditions, significantly outperforming a k-means method of 0.545 and removes the need for manual tuning. This research contributes a comprehensive computational framework that demonstrably advances automated microbial analysis beyond previous methods. The methodologies developed provide a robust foundation for building next-generation automated laboratory systems, promising to accelerate diagnostics, streamline research, and elevate the standard of microbial quantification and characterization.