Moderní přístup k měření citlivosti mikrobiálních kultur na antibiotika s využitím strojového učení

Abstract

Bakalářská práce se zaměřuje na problematiku měření citlivosti mikrobiálních kultur na antibiotika (AST), konkrétně na vylepšení a automatizaci vyhodnocení diskové difúzní metody pomocí strojového učení a architektur pro detekci objektů v obraze. Díky využití vývojové platformy TensorFlow a rozsáhlé datové sady, na níž byly vytrénovány vlastní detekční modely, jako je EfficientDet, je umožněno zpracování široké škály vstupních dat. To přináší možnost využití mobilních zařízení vedle tradičních laboratorních přístrojů při vyhodnocování této metody. Pomocí dalších technik zpracování obrazu a knihovny OpenCV byl vyvinut vlastní algoritmus na měření velikosti inhibičních zón, který je společně s detekčními modely integrován v rámci modulu do webové aplikace společnosti Bruker Daltonics GmbH & Co. Tento modul, vyvíjený pomocí platformy ASP.NET, je přehledným a užitečným nástrojem pro asistenci pracovníkům v mikrobiologických laboratořích.The bachelor's thesis focuses on antibiotic susceptibility testing (AST), specifically enhancing and automating the assessment of the disk diffusion method using machine learning and object detection architectures. Thanks to the TensorFlow development platform and extensive dataset, on which custom detection models like EfficientDet were trained, processing a wide range of input data is enabled. This brings the possibility of using mobile devices alongside traditional laboratory equipment when evaluating this method. By employing additional image processing techniques and the OpenCV library, a custom algorithm for measuring the size of inhibitory zones was developed, which, along with the detection models, is integrated within the application module developed by Bruker Daltonics GmbH & Co. KG. This module, created using the ASP.NET platform, is a precise and valuable tool for assisting personnel in microbiological laboratories.