用于分析微生物生长的方法和软件的制作方法
【专利摘要】本发明涉及一种用于分析固体培养基上微生物的生长的方法，该方法包括：获得固体培养基以及任何的微生物生长的图像数据、生成通过对图像数据应用一个或多个滤波器而获得的值的关联特征矢量、使用分类器基于关联特征矢量对图像数据中的多个像素中的各个像素进行分类、分析各所述像素的像素分类结果以求出固体培养基以及任何微生物生长的微生物学评估并且输出微生物学评估。
【专利说明】用于分析微生物生长的方法和软件
[0001]本申请要求与2011年3月4日提交的澳大利亚临时专利申请2011900786号的优先权，其内容通过引用包含于此。
【技术领域】
[0002]本发明涉及一种用于分析在固体培养基上的微生物生长的方法和软件，特别是随着利用微生物学样本对固体培养基的接种和培养而生长的分离菌落形式的微生物生长。设想本发明的方法和软件将能够用于微生物学实验室。
【背景技术】
[0003]微生物(特别是细菌)的单个菌落的分离是许多微生物学实验室中重要的过程。细菌的分离通常是由专业的实验室技术人员手动完成或者通过机器划线设备自动完成。在任何一种情况下，微生物样本首先被分配到固体培养基的表面上，随后微生物样本传播到培养基的整个表面(称为“划线”)。典型地，跨固体培养基进行稀释度增加的多个划线。
[0004]通常，稀释度增加的划线朝向划线的尾部趋于提供在接种后允许分离的微生物菌落的生长的若干单个细胞。然后，这些分离的菌落可以用于例如菌落形态的各种物理特征的分析，并且可以进行染色以及确定例如微生物样本中的之前未知的微生物的属、种和/或菌株所需要的其它过程。
[0005]传统上，在微生物学实验室中由专业的技术人员从视觉上进行该分析，结果是技术人员作出微生物学评估。该评估可以基于对细菌菌落的存在或不存在的检测、对各菌落类型的颜色的检测、用以确定是否存在可能归因于发酵或溶血的颜色变化的对颜色分布的映射、群集和分离的菌落生长之间的区分、菌落纹理或粘度的测量、以及二维和三维形状的确定和/或不同类型的菌落的枚举。
[0006]按照现行规章要求，在识别出潜在致病的细菌的生长的情况下，使固体培养基进展到实验室工作流程的下一步，并且固体培养基成为进一步验证性识别和抗生素敏感性测试的目标。
[0007]本发明的目的是提供一种用于分析图像以提供微生物学评估的方法和软件，其中在没有任何(或者仅需要很少)的人工操作员干预的情况下生成该评估。
[0008]在进入
【发明内容】
的部分之前，应当理解，仅作为用来解释本发明的场景的背景而提供了上述对现有技术的说明。不应当视为承认所引用的任何材料已公开或已知，或者是澳大利亚或其它地方的公知常识的一部分。
【发明内容】
[0009]本发明提供了一种用于分析固体培养基上微生物的生长的方法，该方法包括:
[0010]获得固体培养基以及任何微生物生长的图像数据，
[0011]对于图像数据中的多个像素，生成通过对图像数据应用一个或多个滤波器所获得的值的关联特征矢量，[0012]使用分类器基于关联特征矢量对多个像素中的各个像素分类，
[0013]分析各所述像素的像素分类结果以求出对固体培养基以及任何微生物的生长的微生物学评估，以及
[0014]输出微生物学评估。
[0015]本领域技术人员将理解，针对短语“在固体培养基上”，所使用的词“上”包括在固体培养基的表面和在固体培养基内的微生物生长。在本说明书中，以下经常将术语“固体培养基”简称为“培养基”。例如，将理解微生物样本(下文常简称为“样本”)可以分配在培养基的表面或者培养基内，以使得微生物生长可以跟随利用样本对培养基的接种和培养而生长。也就是说，培养基上的微生物生长是在培养基上对诸如尿液样本、肠道样本、血样本、淋巴样本、组织样本、水样本、食物样本或者其它相关的样本等的样本进行接种和培养的结果O
[0016]另外，本领域技术人员也将理解培养基通常是例如琼脂，并且通常包含在诸如皿以及在更特定的示例中、可能有盖的Petri培养皿等的容器内。在本说明书中，以下将培养基和皿的组合称为“培养皿”，这在本领域中有时可能称为“琼脂皿”。
[0017]本发明使用用于对有或没有微生物生长的培养基的图像中的像素分类的分类器以提供微生物学评估。需要很少的或不需要人工操作员干预。这可以允许节约整理培养皿的时间，并且可以允许更有效地利用能够被转移至其它任务的专业的人力资源。例如，本方法包括基于像素分类的结果对培养基上的微生物生长分类。
[0018]在其它例子中，方法还包括基于像素分类的结果枚举微生物生长的一个或多个菌落。然后本方法可以使用例如连通分量算法来分析像素分类的结果以确定表示微生物生长的预测菌落的一系列区域。在这种情况下，本方法还包括根据各所述区域的大小和/或形状来从一系列区域中枚举微生物生长的菌落的步骤。
[0019]例如，微生物的生长可以包括:一个或多个细菌的生长、真菌的生长、病毒斑块或原生生物的生长，而生长所采取的形式可以为菌落、菌丝体、菌丝、斑块或其它可见的微生物的结构。在一些实施方式中，每一个微生物的生长可以是起源于单一微生物的生长(例如，微生物样本以稀释的方式被施加到固体培养基，以使得单个微生物分离)。
[0020]培养基可以包括任何支持微生物生长的培养基。因此，培养基可以含有包括例如碳源、氮源、必需元素和/或必需维生素的一种或多种微生物营养成分。典型地，培养基也含有例如包括明胶、琼脂、结冷胶、琼脂糖或者琼脂凝胶等的胶凝剂。
[0021]在一些实施方式中，培养基可以包括在本【技术领域】中通常所知的选择性培养基，其中，该选择性培养基包括在允许某些微生物的生长同时抑制其它微生物的生长的具有有限制的营养成分的介质或包含抗生素的介质等。
[0022]在一些实施例中，用于分析的样本被布置在多于一个培养皿上或具有多于一个分段的分割培养皿上。在这些实施例中，通过跨不同培养皿或分段来拍摄图像进行微生物生长的分析，并且分析上述像素分类的结果以使得可以基于不同培养皿上或分段上的微生物生长的比较而进行微生物学评估。
[0023]将理解一些微生物样本在特定的培养基上可能不能导致微生物生长。例如，微生物样本可能不包括能够在有选择性的培养基(例如包含限制一些微生物生长的特别的抗生素或营养成分的培养基)上生长的微生物，或者微生物样本可能无菌(例如不包括任何微生物)。在这些情况下，获得的培养基的图像数据可能不包括培养基上的微生物生长(例如阴性结果)。
[0024]在示例中，微生物学评估可以用来识别培养皿是否落入以下四个类别之一:1.作废(例如，培养皿未显示病原体)，2.需要重新培养，3.识别出潜在致病的细菌(例如，培养皿显示阳性结果并且需要按照规章审查)，或者4.用于人工审查(例如，计算机无法在诸如I至3类中做出清晰的决定，或者专业操作员将培养皿导向所要求的输出站)。
[0025]如上所述，根据图像数据的分析对培养基以及任何微生物生长的评估表示由专业技术人员进行的评估。即，该评估包括对培养基中微生物生长菌落的检测，并且可以包括例如对诸如细菌菌落等的这些菌落的分类、以及用以确定可能归因于发酵或溶血的颜色变化的存在的对培养基颜色分布的映射、在群集和分离的菌落生长之间的区分，对菌落纹理或粘度的测量，以及对二维和三维形状的确定和/或培养基上的不同种类的菌落的枚举。
[0026]针对培养基和在培养基上的任何微生物生长的图像数据可以包括使用诸如高分辨率彩色数字照相机、激光测距仪或者任何其它合适的装置等的摄像装置所拍摄的一个或多个图像。在一个示例中，从例如出于其它目的所拍摄的现有图像获得图像数据。在其它示例中，从使用专用于本方法的摄像装置所拍摄的图像获得图像数据。无论怎样，可以处理图像以产生图像数据，例如可以对多个包括相同的微生物生长的图像进行求平均、去马赛克以及颜色校准。图像数据可以包括一系列例如使用不同的照明配置所拍摄的这种处理过的图像。以下将给出图像拍摄和处理的进一步细节。
[0027]分类器可以是提升分类器(boosted classifier)。或者，分类器可以是决策树、随机森林，或者可以使用线性判别分析(LDA)或任何其它技术来对像素分类。提升分类器将一组“弱”分类器(分类准确度低，但是好于随机)的输出组合以产生具有高准确度的单个“强”分类器。在组合弱分类器时，优选为根据弱分类器的正确性的置信度对各个弱分类器的结果加权。用于创建提升分类器的适合的提升算法的例子是离散AdaBoost，以下将更详细地说明。离散 AdaBoost 是在 Yoav Freund and Robert E.Schapire.“Adecision-theoretic generalization of on-line learning and an application toboosting.”J.Comput.Syst.Sc1., 55:119 - 139, Augustl997 中所描述的 AdaBoost 的变体，其内容通过引用包含于此。离散AdaBoost通过在训练下一个弱分类器时给予被弱分类器错误分类的例子更高的权重来自适应地改进分类器的性能。作为替代，可以使用诸如实AdaBoost、平缓AdaBoost或者滤波器Boost等的其它提升算法。这些变体使用不同的方法对弱分类器进行加权和训练。
[0028]在一个实施例中，用于分类像素的分类器是提升决策树分类器。在该实施例中，使用的弱分类器是决策树。决策树是二叉树，其中各个节点包含规则，各个分割表示规则的结果、因此就是决策，并且各个叶子表示分类。在该配置下，各个规则是以Xi < t的形式对特征矢量中的值的测试，其中\是来自特征矢量x=(xl，…，xn)的值并且t是阈值。从根节点遍历树以对单个特征矢量分类。通常的配置为在通过测试的情况下遍历了节点的左分割，否则遍历节点的右分割。
[0029]提升决策树分类器可以是多类别分类器。例如，可以使用AdaBoost.MH(多标签汉明)过程以将像素分类为多个类别之一。在Jerome Friedman, Trevor Hastie, andRobert Tibshiran1.“Additive logistic regression: a statistical view ofboosting.” Annals of Statistics, 28:2000，1998 中描述了 AdaBoost.MH 算法,其内容通过引用包含于此。
[0030]为了更快的分类速度和更好的性能，可以作为二阶段过程进行分类。例如，本方法可以包括使用第一分类器将各个像素初步分类为第一多个类别中的一个，并且随后使用第二分类器将第一多个类别中的一个或多个类别的各个像素分类为第二多个类别中的一个。结果为非独立分类器的链，其中第一分类器的输出用于在训练第二分类器时增强特征矢量或者是限制可应用的像素。第一分类器可以是二元级联分类器以将各个像素初步分类为背景或者非背景，并且第二分类器可以是用以将各个非背景像素分类为第二多个类别中之一的多类别提升决策树分类器。
[0031]对背景像素的初步粗分类减少了需要更准确地分类为菌落类型之一的像素的数量。由于可以在下一阶段将被错误分类的像素正确地分类，因此初步二元分类可以具有高的伪阳性率(将背景像素分类为非背景像素)。适合的初步二元分类器可以遵循在PaulViola and Michael JonesiiRobust real-time object detection”, Second InternationalWorkshop on Statistical and Computational Theories of Vision, Julyl32001 中描述的级联分类器方法，其内容通过引用包含于此。
[0032]类别可以表示生物体的属、种、或菌株、琼脂类型、背景、非背景。类别是灵活的，从而允许不同的终端用户可能感兴趣的不同的琼脂类型和生物体类型。
[0033]本方法还可以包括对各个像素分类分配置信度值。置信度值表示对像素正确分类的概率。
[0034]本方法还可以包括应用后处理算法以改进像素分类的结果。可以应用一系列不同的算法以移除虚假的标签或者不确定的区域。例如，后处理算法可以包括诸如扩张或侵蚀或者作为代替、图割等的形态学操作。在Yuri Boykov, Olga Veksler, and RaminZabih “Fast approximate energy minimization via graph cuts，，IEEE Trans.PatternAnal.Mach.1ntell.，23:1222 - 1239, November2001.中给出了适合的图割算法的例子，其内容通过引用包含于此。图割算法计算出将图划分为两个以上的集合的最优划分。图割算法的应用可能导致图像数据中的某些像素的重新分类。应用图割算法可以包括:
[0035](a)构造具有多个节点和多个标签的图，其中各个节点与图像数据中的多个像素之一对应，并且各个标签与类别对应，
[0036](b)在与图像数据中相邻的像素相对应的节点之间添加边，
[0037](C)在各个节点与各个标签之间添加边，并且
[0038](d)使用图割算法切割到节点的边，并且将图划分成类别，其中图割算法是基于针对与该节点相对应的像素和相邻像素的像素分类结果。
[0039]应用图割算法可以针对分类器已给出低置信度的像素分类来改进分类结果。图割算法可以考虑针对与该节点相对应的像素的像素分类的置信度值和/或针对相邻像素的像素分类的置信度值。这在空间上平滑了结果，减少了最终分类的噪声。特别地，高置信度值的标注通常将被保留，而低置信度的标注可能被替换掉以获得更加均匀的输出。例如，在具有高置信度的相邻像素所包围的低置信度像素被分类为与高置信度像素相同的类别的情况下，低置信度像素的分类就能够有更高的置信度。同理，在相邻像素被分类为与高置信度像素不同的类别的情况下，就存在充足的理由把低置信度像素的分类改变至高置信度像素的类别。
[0040]图割算法可以是将图划分为三个以上的集合的多类别图割算法。这是比二元图割更复杂的算法，但是由于可以将像素更加具体地分类，因此允许提供更有意义的评估。这样的算法可以是alpha扩展流程。在alpha扩展中，进行一系列图割，其中，每次在用于各个节点的当前标签与来自可能的标签集的候选标签之间进行分割。重复该过程，经由各个可能的标签进行迭代，直至收敛。在构造该图时，在具有不同标签的相邻节点间加入辅助节点，以在切割时包括加标签的成本。
[0041]关于合适的图割算法的进一步细节在相同 申请人:的共同未决的并具有相同申请日的标题为“Method for Improving Classification Results of a Classifier”的国际申请中，其内容通过引用包含于此。
[0042]现在转向输入到分类器中的特征矢量x=(xl,…，xn)。特征矢量可以包括从通过对样本的图像数据应用一个或多个滤波器所创建的特征图像中取得的值。获得特征图像是中间步骤，并且将理解作为替代、特征矢量也可以由通过基于每个像素应用滤波器而得到的值组成。术语“滤波器”应理解为包含将部分或全部图像数据转换为可以输入分类器的一个或多个值的任何图像处理或其它算法。[0043]可以从包括以下滤波器的组中选择一个或多个滤波器:
[0044]RGB滤波器，创建至多3个特征图像，一个用于红色通道、一个用于绿色通道并且一个用于蓝色通道。
[0045]LAB滤波器，创建至多3个以上LAB色彩空间中的图像，其中L表示亮度并且A和B包含彩色信息。
[0046]有向高斯滤波器，在各种方向上将一维高斯核应用于图像。还可以使用高斯核的一阶以及二阶导数。
[0047]位置滤波器，例如创建示出各个像素相对于培养皿边缘的距离的特征图像。在前一个分类器的输出可用的情况下应用滤波器时，其它位置滤波器可以示出各个像素相对于特定标签的距离。
[0048]颜色量化滤波器，通常通过直方图减小图像中的颜色的数量以帮助定位颜色相似的区域，以及
[0049]纹理滤波器，创建测量各个像素周围的纹理的一个或多个特征图像。
[0050]滤波器可以增强在菌落和培养基以及皿自身之间的区别。一些滤波器包括反馈机制，通过该反馈机制可以将前一个分类器的输出用作输入。
[0051]可以使用任何数量的滤波器来构造特征矢量。例如，用于像素的特征矢量可以包括9个值:与针对该像素的红色、绿色以及蓝色通道值相对应的xl、x2和x3，与该像素的L、A和B值相对应的x4、x5和x6，与像素到皿边缘的距离相对应的x7，以及与在x和y方向上的图像梯度对应的的x8和x9。将理解可以使用任何数量的特征值，并且可以从针对相同的生长的不同(例如，由顶灯或者底灯照明的)图像数据中取得特征值。
[0052]相对于纹理对图像数据应用一个或多个滤波器可以包括通过如下方式测量图像数据的纹理:
[0053](a)提取图像中各个像素的梯度值，以及
[0054](b)计算各个像素周围的窗口内的梯度值的协方差矩阵的迹。[0055]可以通过使用Sobel核在图像数据的x方向和y方向上卷积获得梯度值。对Sobel核的使用在提取梯度信息的同时平滑图像。对图像梯度的协方差矩阵的迹的计算测量了梯度在区域内的变化性并且因而测量了纹理的程度，从而提供了平滑性的度量。
[0056]可以通过对图像数据中的多个像素稀疏采样来减少在训练期间所需要的计算。这对于大图像特别有用。可以使用的两种算法包括密集采样或稀疏采样。密集采样每N个像素取I个像素，而稀疏采样方法从图像数据中加标签的像素的可用池中随机地取出N个像素。在训练中，稀疏采样方法针对正在训练的各个类别构造一个单独的池，使得对于各个类别都有N个像素可用。密集方法针对全部类别构造单个池，因此各个类别中的像素的数量将依赖于该类别在图像中的分布。
[0057]该方法也可以将培养基识别为阴性控制。例如，分类器可以将像素分类为背景或者无生长。该方法可以判断已分类为背景的像素数量是否超过了使图像拍摄以及分析有效的预定的最小数量。必须分类为背景(例如仅是琼脂)的像素的预定最小数量可以通过依赖于在培养皿上识别出的琼脂及其它细菌的类型的值的表来求出。注意，最大值就是在图像中处于培养皿上的像素的数量。
[0058]作为对图像拍摄和分析的完整性的进一步检查，可以检查分类的置信度。如果存在具有一致的低置信度的足够大的区域，则在培养皿上可能存在未知物。在这种情况下，可以警告操作员，或者将培养皿标记用于检查。
[0059]为了生成评估，分析像素分类的结果。如上所述，这可能涉及到处理像素分类以提取诸如菌落计数、菌落大小、培养皿上出现微生物的范围、生长图案、溶血、人造物、污染物、琼脂缺陷等的额外的元数据。
[0060]使用被称为定量的过程对各种类型的菌落的数量计数(枚举)。本领域的技术人员将理解，由于许多菌落可能未彼此分离，因此对菌落计数是困难的任务。因此提出三种方式:
[0061]1.基本计数，其中通过针对各种类型的琼脂上的各种微生物类型确定菌落的平均大小来估计菌落计数。可以用在特定培养皿上检测到的各种微生物的像素的数量除以这个数字以得到菌落数量。
[0062]2.基于密度的计数，其中在计数算法中包括相对于各个菌落的边缘的距离。这是基于应当将大面积的生长计数为若干个不同的菌落这一观察。因此对在菌落中央的内部像素分配更高的权重以实现这样的结果。通过手动测量许多菌落计数并且将结果相对于该度量制表，形成表格。接着，在看不到的培养皿上进行评估的情况下，该表格可以用于通过该度量获得菌落计数。
[0063]3.基于图像处理的计数，其中首先通过连通分量算法分析包含标签的图像。依次检查由该算法检测到的各个分量。如果通过预设的阈值表认为特定的菌落过大，则应用作为第I种所提出的方法。如果认为菌落过小，则将其计数为单个菌落。否则，可以考虑分量的形状。在分量的形状表现为圆形的情况下，将其计数为单个菌落。否则，应用分水岭算法以将分量分割成单独的菌落，这些菌落各自使菌落计数递增。
[0064]随后，算法将对培养皿上检测出的各个菌落类型的适当枚举进行计算。对于领域内的专家来说，这样的枚举是有用的，并且可以采用诸如“ I+”等的象限说明的形式，或者是诸如103cfu/ml等的对每毫升溶液菌落数量的估计。接着，合并一个或多个培养皿的枚举以求出对样本的评估。
[0065]在生成评估期间，该方法也可以使用临床规则来解释分类器所生成的分类和/或如上描述所生成的定量(枚举)。这些临床规则可以评估患者的年龄或者临床状况、所分析的患者样本的类型、识别出的细菌类型、当地实验室的实践或者将会推翻分类器的正常决策的一系列其它定制的用户自定义条件。临床规则提供了从由软件所提供的诸如精确菌落计数和大小等的低水平评估到仅报告重要信息、具有适于实验室技术人员的格式的典型高水平评估的桥。
[0066]在相同 申请人:的共同未决的并具有相同提交日期的标题为“Image Capture andLighting Apparatus”的国际申请中提供了可以与该方法一起使用的合适设备的细节,其内容通过引用包含于此。
[0067]将理解，本方法并不限于与该设备一起使用，并且针对培养基的图像数据可以通过具有一个或多个照明装置的一个或多个摄像装置(例如照相机)的任何适合的配置来获得。
[0068]图像数据可以包括培养基的表面、包含培养基的皿以及培养基附近区域的图像。理想地，将图像数据与包括皿条形码数据、图像获取参数、时间/日期戳以及摄像装置规格数据的相关皿数据一起存储在数据库中。
[0069]为了对表示微生物生长的图像数据进行正确的分析，需要高质量和精确的图像数据。可以采取步骤将来自摄像装置的原始图像处理为适合的格式。处理所拍摄图像可以包括对一系列拍摄图像求平均，随后进行去马赛克、白平衡以及颜色校正，以获得适于分析的图像数据。
[0070]在相同 申请人:的共同未决的并具有相同提交日期的标题为“Colour CalibrationMethod for an Image Capture Device”的国际申请中描述了可以使用的色彩校准方法的细节，其内容通过引用包含于此。
[0071]在示例中，设备和方法能够提供完整的图像获取和分析功能，并且能够作为完整的包提供给实验室。另外，图像数据可以来自远离进行本发明的方法步骤的场所的其它供应者、位置或国家，并且因此用于获得图像数据的任何图像获取设备也可以位于远离进行图像数据分析的场所。
[0072]本发明扩展至用于与包括处理器和用于存储软件的存储器的计算机一同使用的软件，该软件包括处理器可执行的一系列指令以根据上述的任何一个实施例执行方法。
[0073]本发明还扩展至包括软件在内的计算机可读取介质，以及包括处理器、存储器以及位于处理器可访问的存储器内的软件的设备，该软件可以由处理器执行以根据以上描述的任何一个实施例执行方法。
[0074]在其它方面，本发明提供了一种用于训练分类器以用于分析固体培养基上的微生物生长的方法，该方法包括:
[0075]获得针对固体培养基上的微生物生长的多个样本的图像数据；
[0076]对于图像数据中的多个像素中的各个像素，生成通过对图像数据应用一个或多个滤波器所获得的值的关联特征矢量；以及
[0077]使用关联特征矢量训练分类器以根据与图像数据中的像素相关联的标签对多个像素中的各个像素分类。[0078]优选为分析各所述像素的像素分类结果以得到对固体培养基上的微生物生长的微生物学评估。
【专利附图】
【附图说明】
[0079]现在将参考附图仅以示例的方式描述本发明的实施例。将理解，附图的特殊性不能取代本发明的先前描述的一般性。
[0080]图1是用于分析培养皿中固体培养基上的微生物生长的设备的示意图。
[0081]图2(a)是用户拍摄图像用的GUI(图形用户接口)的屏幕截图，图2(b)至2 (e)是图2(a)的屏幕截图左侧的细节的近视图。
[0082]图3是示出用于在图像中输入培养皿的位置的⑶I的一系列屏幕截图。
[0083]图4是示出用于拍摄固体培养基及其上的任何微生物生长的图像的方法的流程图。
[0084]图5是示出用于处理所拍摄的图像的方法的流程图。
[0085]图6是示出用于估计从表观颜色到实际颜色的映射的方法的流程图。
[0086]图7是示出用于校正所拍摄的图像的亮度的示例曲线的图。
[0087]图8是示出在圆形色相空间内的多个控制点的HSV空间图。
[0088]图9是用于特定的摄像装置的(a)跨色相/饱和度空间的映射，(b)分离的色相映射函数，以及(C)分离的饱和度映射函数的图形表示。
[0089]图10是示出映射精确度的图。
[0090]图11是(a)颜色校准前和(b)颜色校准后的颜色图的两张照片。
[0091]图12是说明用于将表观颜色映射到实际颜色的方法的流程图。
[0092]图13是示出针对分割的培养皿所运行的摄像流水线的流程图。
[0093]图14是示出用于训练用于分析固体培养基上的微生物生长的分类器的方法的流程图。
[0094]图15是(a)针对固体培养基上的微生物生长的图像数据、(b)红色通道特征图像、(C)绿色通道特征图像、以及(d)蓝色通道特征图像的一系列表示。
[0095]图16是(a)L特征图像、(b)A特征图像、(C)B特征图像、(d)在11X11的窗口特征图像中L的方差、(e)在11X11的窗口特征图像中A的方差、(f)在11X11的窗口特征图像中B的方差、(g)在11X11的窗口特征图像中L的均值、(h)在11X11的窗口特征图像中A的均值以及⑴在11X11的窗口特征图像中B的均值的一系列表示。
[0096]图17是针对分割的培养皿的位置特征图像的表示。
[0097]图18是(a)在X方向上的梯度值的特征图像、(b)在y方向上的梯度值的特征图像、(c)5X5窗口的平滑特征图像、(d) 13X13窗口的平滑特征图像以及(e)21X21窗口的平滑特征图像的一系列表示。
[0098]图19是决策树的例子。
[0099]图20是用于分析固体培养基上微生物生长的一系列图像的方法的流程图。
[0100]图21是用于应用图割算法以改进提升分类器的分类结果的方法的流程图。
[0101]图22示出(a)初始图以及(b)示出在已应用图割算法后加标签的划分图。
[0102]图23示出了以用于alpha扩展过程的辅助节点所构造的图。[0103]图24是示出在alpha扩展过程中所能做出的可能的切割的图的集合。
【具体实施方式】
[0104]计算机软件的概述
[0105]本软件有四个主要组件:
[0106].用于存储并且管理信息和过程的数据资料库，
[0107].具有在服务器上执行的命令行程序的形式的用于训练提升分类器的软件，以及
[0108].在台式机上运行的⑶I程序，用于拍摄和处理图像并且生成针对未知培养皿的报告，以及
[0109].在台式机上运行以提供训练标签并且操作元数据的⑶I程序。
[0110]在库中，使用可扩展标记语言(XML)文件来存储元数据并且使用便携网络图形(PNG)格式存储图像。所有的文件可以直接存储在硬盘上或者数据库中。将元数据存储为三种主要的XML文件类型:图像元数据文件、皿元数据文件、以及用于存储附加元数据并且将图像和皿元数据文件链接在一起的主元数据文件。该库可以连接到实验室信息管理系统(LIMS)以访问关于患者和样本的信息。
[0111]图像数据以四种形式存储:图像元数据文件、未处理图像(从照相机读取的原始值)、已处理图像(已进行去马赛克和颜色校正)、以及预览图像(具有更小的大小)。图像元数据文件捕捉了一系列信息。以下示出示例图像元数据文件:
[0112]列表1:示例图像元数据文件
【权利要求】
1.一种用于分析固体培养基上的微生物生长的方法，所述方法包括: 获得所述固体培养基以及任何微生物生长的图像数据， 对于所述图像数据中的多个像素，生成通过对所述图像数据应用一个或多个滤波器所获得的值的关联特征矢量， 使用分类器以基于所述关联特征矢量对所述多个像素中的各个像素分类， 分析每个所述像素的像素分类的结果以求出对所述固体培养基以及任何微生物生长的微生物学评估，以及 输出所述微生物学评估。
2.根据权利要求1所述的方法，其中，还包括基于所述像素分类的结果枚举所述微生物生长的一个或多个菌落。
3.根据权利要求2所述的方法，其中，还包括使用连通分量算法分析所述像素分类的结果以确定表示所述微生物生长的预测菌落的一系列区域。
4.根据权利要求3所述的方法，其中，还包括基于各所述区域的大小和/或形状从所述一系列区域枚举所述微生物生长的所述一个或多个菌落。
5.根据权利要求1至4中的任何一项所述的方法，其中，所述分类器是用于将所述像素分类成三个以上类别的多类别分类器。
6.根据权利要求1至4中的任何一项所述的方法，其中，所述分类器是提升分类器。`
7.根据权利要求6所述的方法，其中，所述提升分类器是提升决策树分类器。
8.根据权利要求1至7中的任何一项所述的方法，其中，使用所述分类器对所述多个像素中的各个像素分类包括: 使用第一分类器将各个像素初始分类为第一多个类别之一，以及随后使用第二分类器将所述第一多个类别的一个或多个类别中的各个像素分类为第二多个类别之一。
9.根据权利要求8所述的方法，其中，所述第一分类器是用于将各个像素初始分类为背景或者非背景的二元级联分类器，并且所述第二分类器是用于将各个非背景像素分类为所述第二多个类别之一的多类别提升决策树分类器。
10.根据以上权利要求中的任何一项所述的方法，其中，还包括: 对各所述像素分类分配置信度值。
11.根据以上权利要求中的任何一项所述的方法，其中，还包括: 应用后处理算法以改进所述像素分类的结果。
12.根据权利要求11所述的方法，其中，所述后处理算法为图割算法。
13.根据权利要求12所述的方法，其中，还包括: 构造具有多个节点和多个标签的图，其中各个节点与所述图像数据中的所述多个像素之一相对应，并且各个标签与类别相对应， 在与所述图像数据中的邻域像素相对应的节点之间添加边， 在各个节点和各个标签之间添加边，以及 使用所述图割算法以切割到节点的边、并且将所述图划分成类别，其中所述图割算法基于对与该节点相对应的所述像素以及邻域像素的所述像素分类的结果。
14.根据从属于权利要求10的权利要求13所述的方法，其中，所述图割算法还基于对与该节点相对应的像素的像素分类的所述置信度值。
15.根据权利要求14所述的方法，其中，所述图割算法还基于对邻域像素的像素分类的所述置信度值。
16.根据以上权利要求中的任何一项所述的方法，其中，所述评估包括将所述固体培养基识别为阴性控制。
17.根据以上权利要求中的任何一项所述的方法，其中，还包括使用临床规则来分析所述像素分类的结果并求出所述评估。
18.一种用于训练用于分析固体培养基上的微生物生长的分类器的方法，所述方法包括: 获得针对所述固体培养基上的微生物生长的多个样本的图像数据； 针对所述图像数据中的多个像素中的各个像素，生成通过对所述图像数据应用一个或多个滤波器所获得的值的关联特征矢量；以及 使用所述关联特征矢量来训练分类器，以根据与所述图像数据中的像素相关联的标签对所述多个像素中的各个像素分类。
19.根据权利要求18所述的方法，其中，从所述图像数据稀疏采样得到所述多个像素。
20.一种计算机所使用的软件，所述计算机包括处理器以及用于存储所述软件的存储器，所述软件包括所述处理器能够执行的一系列指令以执行以上权利要求中的任何一项所述的方法。`
21.一种包括如权利要求20所述的软件的计算机可读介质。
22.—种设备,包括: 处理器； 存储器；以及 驻存于所述处理器能够访问的所述存储器中的软件，所述软件包括所述处理器能够执行的一系列指令以执行如权利要求1至19中的任何一项所述的方法。
【文档编号】G06K9/00GK103518224SQ201280021787
【公开日】2014年1月15日 申请日期:2012年3月2日 优先权日:2011年3月4日
【发明者】L·H·格思里, J·H·格拉森, A·J·瓦登亨志, R·E·希尔, B·W·S·沃德 申请人:Lbt创新有限公司