一种最小抑菌浓度的识别方法、装置、设备及存储介质与流程

1.本发明涉及图像处理计算领域，特别涉及一种最小抑菌浓度的识别方法、装置、设备及计算机可读存储介质。


背景技术：

2.抗生素的滥用是21世纪人类面临的重大问题，适量使用抗生素已经达到了刻不容缓的地步，所以能够准确快速的检测对细菌起作用的最小抗生素剂量越来越重要。最小抑菌浓度，指能够有效杀死或者阻滞细菌生长的最小的抗生素浓度就是抗生素的最小抑菌浓度(minimum inhibitory concentration，mic)。
3.现有技术中，关于药物最小抑菌浓度的测定主要有稀释法和自动化仪器检测法，而这两类检测方法均存在一些问题，如肉汤稀释法的整个操作至少需要24h～48h，这对于临床上使用非常不利；自动化仪器虽然报告时间有所缩短但仍需10～12个小时左右，也难以满足临床急诊的快速诊断需求，并且十分昂贵。
4.因此，如何能够对抗生素的最小抑菌浓度进行快速准确的自动化检测，降低检测成本，是现今急需解决的问题。


技术实现要素：

5.本发明的目的是提供一种最小抑菌浓度的识别方法、装置、设备及计算机可读存储介质，以对抗生素的最小抑菌浓度进行快速准确的自动化检测识别，降低检测成本。
6.为解决上述技术问题，本发明提供一种最小抑菌浓度的识别方法，包括：
7.获取待测菌种的待测试图像；其中，所述待测试图像包括抑菌完成时刻的各预设梯度浓度的待测抗生素与所述待测菌种的混合液各自对应的图像；
8.获取所述待测菌种对应的测试对照图像；
9.计算各所述待测试图像与各自对应的测试对照图像的相似度，得到各所述待测试图像各自对应的相似度测试结果；其中，所述相似度测试结果为相似或不相似；
10.根据所述相似度测试结果和所述预设梯度浓度，确定所述待测菌种对应的所述待测抗生素的最小抑菌浓度。
11.可选的，所述测试对照图像包括所述待测菌种的预设对照图像和/或抑菌未完成时刻的各所述预设梯度浓度的待测抗生素与所述待测菌种的混合液各自对应的图像；其中，所述抑菌未完成时刻在所述抑菌完成时刻之前。
12.可选的，所述测试对照图像包括所述抑菌未完成时刻的各所述预设梯度浓度的待测抗生素与所述待测菌种的混合液各自对应的图像时，所述计算各所述待测试图像与各自对应的测试对照图像的相似度，得到各所述待测试图像各自对应的相似度测试结果，包括：
13.计算各所述预设梯度浓度各自对应的待测试图像和测试对照图像的相似度，得到各所述待测试图像各自对应的相似度测试结果。
14.可选的，所述获取待测菌种的待测试图像，包括：
15.在所述待测菌种的菌悬液加入到药敏板的各微孔中之后的预设温育时间，对每个所述微孔进行无透镜成像，获取所述待测菌种的待测试原始图像；其中，每个所述微孔设置有各自对应的预设梯度浓度的待测抗生素；
16.识别所述待测试原始图像中的微孔区域；
17.从每个所述微孔区域提取预设大小的感兴趣目标区域，并将所述感兴趣目标区域的图像作为所述待测试图像。
18.可选的，所述最小抑菌浓度为任一所述预设梯度浓度。
19.可选的，所述根据所述相似度测试结果和所述预设梯度浓度，确定所述待测菌种对应的所述待测抗生素的最小抑菌浓度，包括：
20.全部所述待测试图像对应的相似度测试结果包括相似和不相似时，将所述相似度测试结果为不相似的待测试图像对应的最小的预设梯度浓度确定为所述最小抑菌浓度。
21.可选的，所述计算各所述待测试图像与各自对应的测试对照图像的相似度，得到各所述待测试图像各自对应的相似度测试结果，包括：
22.利用预设暹罗神经网络模型，计算各所述待测试图像与各自对应的测试对照图像的相似度，得到各所述待测试图像各自对应的相似度测试结果。
23.可选的，所述预设暹罗神经网络模型中的姐妹网络为采用mobilenet-v2的特征提取层。
24.可选的，所述测试对照图像包括所述待测菌种的预设对照图像时，所述利用预设暹罗神经网络模型，计算各所述待测试图像与各自对应的测试对照图像的相似度，得到各所述待测试图像各自对应的相似度测试结果，包括：
25.利用所述预设暹罗神经网络模型，提取各所述待测试图像和所述预设对照图像各自对应的降维特征；
26.计算每个所述待测试图像的降维特征各自与所述预设对照图像的降维特征之间的欧式距离；
27.根据所述欧式距离和预设距离阈值，确定各所述待测试图像各自对应的相似度测试结果。
28.可选的，该方法还包括：所述预设暹罗神经网络模型的训练过程；
29.其中，所述预设暹罗神经网络模型的训练过程，包括：
30.获取训练样本集和训练损失函数；其中，所述训练样本集包括所述预设数量对训练图像和每对所述训练图像各自对应的图像相似标签，所述图像相似标签为相似或不相似，所述训练损失函数为l(x0,x1,y)＝y||f(x0)-f(x1)||+(1-y)max(0,(m-||f(x0)-f(x1)||))，x0和x1分别为任一对训练图像中的两个训练图像，f(x0)和f(x1)分别为x0和x1对应的模型提取的降维特征，y为x0和x1对应的图像相似标签，m为所述预设距离阈值，||f(x0)-f(x1)||为欧式距离的平方；
31.利用所述训练样本集和训练损失函数，对初始暹罗神经网络模型进行迭代训练，得到所述预设暹罗神经网络模型。
32.本发明还提供了一种最小抑菌浓度的识别装置，包括：
33.第一获取模块，用于获取待测菌种的待测试图像；其中，所述待测试图像包括抑菌完成时刻的各预设梯度浓度的待测抗生素与所述待测菌种的混合液各自对应的图像；
34.第二获取模块，用于获取所述待测菌种对应的测试对照图像；
35.相似计算模块，用于计算各所述待测试图像与各自对应的测试对照图像的相似度，得到各所述待测试图像各自对应的相似度测试结果；其中，所述相似度测试结果为相似或不相似；
36.浓度确定模块，用于根据所述相似度测试结果和所述预设梯度浓度，确定所述待测菌种对应的所述待测抗生素的最小抑菌浓度。
37.本发明还提供了一种最小抑菌浓度的识别设备，包括：
38.存储器，用于存储计算机程序；
39.处理器，用于执行所述计算机程序时实现如上述所述的最小抑菌浓度的识别方法的步骤。
40.此外，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的最小抑菌浓度的识别方法的步骤。
41.本发明所提供的一种最小抑菌浓度的识别方法，包括：获取待测菌种的待测试图像；其中，待测试图像包括抑菌完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像；获取待测菌种对应的测试对照图像；计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果；其中，相似度测试结果为相似或不相似；根据相似度测试结果和预设梯度浓度，确定待测菌种对应的待测抗生素的最小抑菌浓度；
42.可见，本发明通过计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果，能够利用不同浓度梯度的抗生素-菌种的待测试图像与各自对应的测试对照图像之间的相似度计算，确定各预设梯度浓度的待测试图像与相应的测试对照图像的相似或不相似的情况，从而能够根据各预设梯度浓度对应的相似或不相似的情况，得出待测菌种对应的待测抗生素的最小抑菌浓度，能够快速准确地对抗生素的最小抑菌浓度进行自动化检测识别，降低了抗生素的最小抑菌浓度的检测成本。此外，本发明还提供了一种最小抑菌浓度的识别装置、设备及计算机可读存储介质，同样具有上述有益效果。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
44.图1为本发明实施例所提供的一种最小抑菌浓度的识别方法的流程图；
45.图2为本发明实施例所提供的另一种最小抑菌浓度的识别方法的流程示意图；
46.图3为现有技术中的暹罗神经网络模型的结构示意图；
47.图4为本发明实施例所提供的另一种最小抑菌浓度的识别方法的预设暹罗神经网络模型的结构示意图；
48.图5为本发明实施例所提供的一种最小抑菌浓度的识别装置的结构框图；
49.图6为本发明实施例所提供的一种最小抑菌浓度的识别设备的结构示意图；
50.图7为本发明实施例所提供的一种最小抑菌浓度的识别设备的具体结构示意图。
具体实施方式
51.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.请参考图1，图1为本发明实施例所提供的一种最小抑菌浓度的识别方法的流程图。该方法可以包括：
53.步骤101：获取待测菌种的待测试图像；其中，待测试图像包括抑菌完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像。
54.其中，本实施例中的待测菌种可以为需要进行待测抗生素的最小抑菌浓度的检测识别的菌种；本实施例中的待测抗生素可以为需要对待测菌种进行最小抑菌浓度检测识别的抗生素。本实施例中的待测试图像可以为对待测菌种对应的待测抗生素的最小抑菌浓度进行检测识别所需使用的待测抗生素与待测菌种的混合液的图像，即各预设梯度浓度的待测抗生素与待测菌种的混合液配置完成等待预设温育时间之后的抑菌完成时刻各混合液各自对应的图像。
55.对应的，对于上述各预设梯度浓度的具体浓度值，可以由设计人员根据实用场景和用户需求自信设置，如预设梯度浓度的待测抗生素的浓度梯度可以为按照美国临床试验标准组织(clinical laboratory standard institute,clsi)规则设计，只要全部预设梯度浓度可以形成相应的浓度梯度，以方便最小抑菌浓度的检测识别，本实施例对此不作任何限制。
56.具体的，对于本实施例中待测菌种的待测试图像的具体内容，可以由设计人员根据实用场景和用户需求自行设置，如待测试图像可以为拍照设备采集的各预设梯度浓度的待测抗生素与待测菌种的混合液的原始图像(即待测试原始图像)，例如，处理器可以在待测菌种的菌悬液加入到药敏板的各微孔中之后的预设温育时间(即抑菌完成时刻)，控制拍照平台对每个微孔进行无透镜成像(或显微镜成像)，获取待测菌种的待测试原始图像(即微孔的全息图像)。待测试图像也可以为对各待测试原始图像进行图像处理后得到的图像；例如，处理器可以对各个微孔对应的待测试原始图像，使用图像处理技术识别到盘片上的微孔区域，然后从微孔区域提取感兴趣目标区域(roi区域)，将roi区域作为待测试图像输入到相应的模型(如预设暹罗神经网络模型)进行最小抑菌浓度检测；也就是说，本步骤中处理器可以在待测菌种的菌悬液加入到药敏板的各微孔中之后的预设温育时间，对每个微孔进行无透镜成像，获取待测菌种的待测试原始图像；其中，每个微孔设置有各自对应的预设梯度浓度的待测抗生素；识别待测试原始图像中的微孔区域；从每个微孔区域提取预设大小的感兴趣目标区域，并将感兴趣目标区域的图像作为待测试图像。
57.其中，本实施例并不限定roi区域的具体大小，即预设大小的具体规格，如预设大小可以为1600像素*1600像素，即本实施例中提取的roi区域大小可以为1600*1600，因为1600*1600像素大小的roi区域可以涵盖了微孔图像(即待测试原始图像)的大部分特征区
域；处理时同时可以对应好每个roi区域与微孔图像的对应关系，以对应每个微孔图像记录的有待测抗生素对应的种类和浓度以及待测菌种的类别。
58.步骤102：获取待测菌种对应的测试对照图像。
59.其中，本实施例中的测试对照图像可以为对待测菌种对应的待测抗生素的最小抑菌浓度进行检测识别所需使用对照图像，即与相应的待测试图像进行相似度测试的对照图像。
60.具体的，对于本实施例中的测试对照图像的具体内容，可以由设计人员根据实用场景和用户需求自行设置，如测试对照图像可以包括待测菌种的预设对照图像，如预设对照图像可以为预设未抑菌图像，即抑菌完成时刻未加入待测抗生素的待测菌种的菌悬液对应的图像，也就是说，药敏板上不同浓度梯度的抗生素-菌种组合的微孔对应的抑菌完成时刻的图像可以分别与未加抗生素的待测菌种(对照组)的微孔对应的抑菌完成时刻的图像之间进行相似度测试；预设对照图像也可以为预设抑菌成功图像，即抑菌完成时刻加入预设高浓度的待测抗生素的待测菌种的菌悬液对应的图像，也就是说，药敏板上不同浓度梯度的抗生素-菌种组合的微孔对应的抑菌完成时刻的图像可以分别与完成抑菌的待测菌种(对照组)的微孔对应的抑菌完成时刻的图像之间进行相似度测试。测试对照图像液也可以包括抑菌完成时刻之前的抑菌未完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像，如在待测菌种的菌悬液加入到药敏板的各微孔中时，对每个微孔进行成像(如无透镜成像或显微镜成像)得到的待测菌种对应的测试对照图像。测试对照图像还可以包括上述任意两种或更多种图像的组合，如测试对照图像包括待测菌种的预设未抑菌图像和抑菌未完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像，以通过每个待测试图像的与相应的多种测试对照图像的相似度测试，提升最小抑菌浓度检测的准确性。本实施例对此不作任何限制。
61.具体的，对于本实施例中处理器获取待测菌种对应的测试对照图像的具体方式，可以由设计人员根据实用场景和用户需求自行设置，如处理器可以直接接收或查找存储的待测菌种对应的测试对照图像；处理器也可以控制采集待测菌种对应的测试对照图像。如图2所示，测试对照图像包括抑菌未完成时刻(t0时刻)的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像时，处理器可以在待测菌种的菌悬液加入到药敏板的各微孔中后的初始时刻(t0时刻，即抑菌未完成时刻)，对每个微孔进行无透镜成像(或显微镜成像)，获取待测菌种的对照原始图像；识别对照原始图像中的微孔区域；从每个照原始图像中的微孔区域提取预设大小的对照感兴趣目标区域，并将对照感兴趣目标区域的图像作为待测试图像；在初始时刻的预设温育时间后抑菌完成时刻(t1时刻)再次对每个微孔进行无透镜成像(或显微镜成像)，获取待测菌种的待测试原始图像，以得到待测菌种的待测试图像。测试对照图像包括待测菌种的预设未抑菌图像时，在待测菌种的菌悬液加入到药敏板的对照微孔(即阳性对照孔)中之后的预设温育时间，对每个对照微孔进行无透镜成像(或显微镜成像)，获取待测菌种的对照原始图像；其中，对照微孔不设置待测抗生素；识别对照原始图像中的微孔区域；从对照原始图像的微孔区域提取预设大小的对照感兴趣目标区域，并将对照感兴趣目标区域的图像作为测试对照图像。
62.其中，药敏板是药敏试验中常用的实验器具，其由若干规则排列的微孔组成。实际使用中有不同规格的药敏板，常见的有96孔板和128孔板等。本实施中操作人员首先配置样
本(即待测菌种)的菌悬液，将包被抗生素的药敏板打开，药敏板微孔中已提前包被不同梯度浓度(即预设梯度浓度)的待测抗生素，抗生素浓度梯度可以按照美国临床试验标准组织规则设计，将菌悬液通过加样孔加入到每个微孔中，在加样完成后将药敏板放置于拍照平台，处理器可以在加样完成后的初始时刻(即抑菌未完成时刻)和温育预定时间后(即抑菌完成时刻)分别控制拍照平台对每个微孔进行无透镜成像并保存数据，以获取待测菌种对应的待测试图像和测试对照图像；处理器也可以在温育预定时间后对每个微孔和对照微孔进行无透镜成像并保存数据。
63.需要说明的是，本实施例中的步骤101与步骤102并不存在必然的逻辑先后顺序，可以先进行步骤101再进行步骤102，也可以先进行步骤102再进行步骤101，或者两个步骤同时进行，本实施例对此不作任何限制。
64.步骤103：计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果；其中，相似度测试结果为相似或不相似。
65.可以理解的是，本步骤中处理器通过计算各预设梯度浓度的待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自与相应的测试对照图像是否相似的相似度测试结果，从而利用各预设梯度浓度各自对应的相似度测试结果，能够确定待测菌种对应的待测抗生素的最小抑菌浓度，实现最小抑菌浓度的检测识别。
66.对应的，对于本步骤中处理器计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果的具体方式，可以由设计人员根据实用场景和用户需求自行设置，如测试对照图像包括抑菌未完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像时，处理器可以计算各预设梯度浓度各自对应的待测试图像和测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果，即各预设梯度浓度的待测试图像与相同浓度的测试对照图像之间相似度的相似度测试结果，以从时间维度上判读识别抗生素的最小抑菌浓度；测试对照图像包括待测菌种的预设未抑菌图像或预设抑菌成功图像时，处理器可以计算各预设梯度浓度的待测试图像与预设未抑菌图像或预设抑菌成功图像的相似度，得到各待测试图像各自对应的相似度测试结果，即各预设梯度浓度的待测试图像与同一预设未抑菌图像或预设抑菌成功图像之间相似度的相似度测试结果，以从抗生素维度上判读识别抗生素的最小抑菌浓度。本实施例对此不作任何限制。
67.其中，如图2所示，本步骤中处理器可以先计算各待测试图像与各自对应的测试对照图像的相似度，再利用相似度阈值法确定各待测试图像各自对应的相似度测试结果，即根据各待测试图像各自对应的相似度和预设距离阈值，确定各待测试图像各自对应的相似度测试结果。
68.具体的，对于本步骤中处理器计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果的具体过程，可以由设计人员根据实用场景和用户需求自行设置，如处理器可以利用预设暹罗神经网络模型，计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果；也就是说，本步骤中处理器可以利用预先设置的暹罗神经网络(siamese net，亦可称为双神经网络)模型，计算各待测试图像与各自对应的测试对照图像的相似度，以得到各待测试图像各自对应的相似度测试结果。处理器也可以利用其他算法模型，计算各待测试图像与
各自对应的测试对照图像的相似度，本实施例对此不做任何限制。
69.其中，暹罗神经网络是一种人工神经网络，它在两个不同的输入向量上串联工作时使用相同的权重，以计算可比较的输出向量，暹罗神经网络的结构可以如图3所示，暹罗神经网络中的姐妹网络(sister network#1和sister network#2)相同，并且共享权重；暹罗神经网络的每个子网络接收不同的输入图像，并使用对比损失(contrastive loss)或者三元组损失来训练神经网络。
70.具体的，本实施例中的预设暹罗神经网络模型中的姐妹网络为采用mobilenet-v2的特征提取层，mobilenet-v2是一种轻量级的神经网络，采用倒残差和深度可分离卷积等组成。基于迁移学习的思想，利用google(谷歌)在imagenet(一个用于视觉对象识别软件研究的大型可视化数据库)数据集上训练好的mobilenet-v2分类模型，模型最后的全连接层输出1000个节点，再经过softmax(分类网络)层后，输出imagenet数据集中1000类样本中每一类的概率；本实施例中将mobilenet-v2模型迁移到图像相似度度量问题上，将mobilenet-v2模型的全局池化层和全连接层去掉仅保留模型的全卷积特征提取层，再拼接一个1*1的卷积层和全局平均池化层将图像特征映射到128维。整个网络使用全卷积来实现，可以适用于任何图像尺寸，舍弃全连接层用1*1的卷积层替代，减少了模型参数。其中，经典的残差块(residual block)的过程是：1x1(降维)
–
》3x3(卷积)
–
》1x1(升维)，而mobilenet-v2先经过1x1的逐点(pw)卷积操作将特征图的通道进行扩张，丰富特征数量，进而提高精度，再通过深度卷积层(dp)提取特征限制于输入特征维度，这一过程刚好和残差块的顺序颠倒，所以称为倒残差：1x1(升维)
–
》3x3(dw-conv+relu)
–
》1x1(降维+线性变换)。深度可分离卷积是由depthwise(dw)卷积和pointwise(pw)卷积结合的操作，用来提取特征图，相比于常规的卷积，参数数量和运算成本较低。
71.相应的，预设暹罗神经网络模型中的姐妹网络也可以其他卷积神经网络(cnn网络)的特征提取层，如mobilenet(深度可分离卷积)网络和vgg(一种经典卷积神经网络)网络等。本实施例对此不作任何限制。
72.对应的，本实施例中为了衡量样本之间的相近程度，可以采用度量学习；度量学习可以认为是相似度学习或者距离度量学习，度量学习有很多学习方法，如对比损失(contrastive loss)，边缘损失(margin loss)，铰链损失(hinge loss)，三元组损失(triplet loss)。其中，对比损失目的是增大分类器的“类间”差异，而triplet loss是对对比损失的改进，不仅让“类间”差异更大同时确保“类内”差异更小。其中，对比损失函数的公式可以为l(x0,x1,y)＝y||f(x0)-f(x1)||+(1-y)max(0,(m-||f(x0)-f(x1)||))，式中x0和x1分别为两个样本，f(x0)和f(x1)分别为模型提取的样本特征。y为两样本之间标签，当y＝1时样本相似，当y＝0时样本不相似。||f(x0)-f(x1)||为欧式距离的平方；m(margin边距)是一个常数超参(即预设距离阈值)，相当于是给loss定了一个上界(margin平方)，如果距离大于等于margin，那么说明已经优化的很好了，loss＝0了，可以很好的表达成对样本的匹配程度。
73.其中，欧式距离的公式可以为式中x和y为n维空间内的两点：x(x1,x2,...,xn)与y(y1,y2,...,yn)。
74.相应的，三元组损失函数的公式可以为l(xa,x
p
,xn)＝max(0,q+||f(xa)-f(x
p
)||-||f(xa)-f(xn)||)；式中xa、x
p
和xn分别为锚点样本、正样本和负样本，q同对比损失函数的m一样是常数超参，可以迫使模型努力学习，能让异类样本之间距离值更大，同时让同类样本之间的距离值更小。
75.具体的，本实施例所提供的方法还可以包括预设暹罗神经网络模型的训练过程，如本实施例中预设暹罗神经网络模型的训练过程采用的损失函数可以为对比损失，即处理器可以获取训练样本集和训练损失函数；其中，训练样本集包括预设数量对训练图像和每对训练图像各自对应的图像相似标签，图像相似标签为相似或不相似，训练损失函数为l(x0,x1,y)＝y||f(x0)-f(x1)||+(1-y)max(0,(m-||f(x0)-f(x1)||))，x0和x1分别为任一对训练图像中的两个训练图像，f(x0)和f(x1)分别为x0和x1对应的模型提取的降维特征，y为x0和x1对应的图像相似标签，m为预设距离阈值，||f(x0)-f(x1)为欧式距离的平方；利用训练样本集和训练损失函数，对初始暹罗神经网络模型进行迭代训练，得到预设暹罗神经网络模型。
76.例如，处理器可以在训练数据库中随机选择2张roi图像(即感兴趣目标区域的图像)并加上对应的图像相似标签作为1对训练图像，2张roi图像的图像相似标签为1时可以为相似，2张roi图像的图像相似标签为0时可以为不相似，选取预设数量对的roi图像构造训练预设暹罗神经网络模型的训练样本集；其中，2张roi图像的图像相似标签可以为预先采用肉汤稀释法和图像视觉相结合的方法综合标注。处理器可以基于构造的训练样本集训练初始暹罗神经网络模型得到预设暹罗神经网络模型，训练损失函数可以采用对比损失，本文超参数(margin，即预设距离阈值)可以为5，优化器选择adam(adaptive moment estimation,自适应矩估计)，初始学习率为0.001，训练的输入图像resize(改变)到256，batch size(批量大小)为64，模型迭代600轮，训练过程中采用l2正则化(一种常见的正则化类型)。
77.对应的，测试对照图像包括待测菌种的预设对照图像(如预设未抑菌图像)时，如图4所示，本实施例中处理器可以利用预设暹罗神经网络模型，提取各待测试图像(抗生素细菌图像#1)和预设对照图像(阳性对照图像#2)各自对应的降维特征(如降维特征embedding#1和降维特征embedding#2)，以避免每次欧式距离计算均提取一次预设对照图像的降维特征；计算每个待测试图像的降维特征各自与预设对照图像的降维特征之间的欧式距离(euclidean distance)；根据欧式距离和预设距离阈值，确定各待测试图像各自对应的相似度测试结果。也就是说，本实施例中可以将各待测试图像的降维特征与预设对照图像的降维特征之间的欧式距离作为相似度进行相似度阈值法的判读，即欧式距离大于预设距离阈值(margin)则确定相似度测试结果为不相似，欧式距离不大于预设距离阈值(margin)则确定相似度测试结果为相似。
78.步骤104：根据相似度测试结果和预设梯度浓度，确定待测菌种对应的待测抗生素的最小抑菌浓度。
79.可以理解的是，本步骤中处理器可以根据各待测试图像各自对应的相似度测试结果和预设梯度浓度，确定待测菌种对应的待测抗生素的最小抑菌浓度，以实现抗生素最小抑菌浓度的检测识别。
80.具体的，对于本步骤中处理器根据相似度测试结果和预设梯度浓度，确定待测菌
种对应的待测抗生素的最小抑菌浓度的具体方式，可以由设计人员根据实用场景和用户需求自行设置，如处理器确定的待测菌种对应的待测抗生素的最小抑菌浓度可以为任一预设梯度浓度；例如测试对照图像包括待测菌种的预设未抑菌图像和/或抑菌未完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像的情况下，处理器可以在全部待测试图像对应的相似度测试结果包括相似和不相似时，将相似度测试结果为不相似的待测试图像对应的最小的预设梯度浓度确定为最小抑菌浓度，或者将相似度测试结果为相似的待测试图像对应的最大的预设梯度浓度确定为最小抑菌浓度。测试对照图像包括待测菌种的预设抑菌完成图像的情况下，处理器可以在全部待测试图像对应的相似度测试结果包括相似和不相似时，将相似度测试结果为相似的待测试图像对应的最小的预设梯度浓度确定为最小抑菌浓度，或者将相似度测试结果为不相似的待测试图像对应的最大的预设梯度浓度确定为最小抑菌浓度。
81.相应的，处理器确定的待测菌种对应的待测抗生素的最小抑菌浓度也可以不为预设梯度浓度，测试对照图像包括待测菌种的预设未抑菌图像和/或抑菌未完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像的情况下，处理器可以在全部待测试图像对应的相似度测试结果包括相似和不相似时，将相似度测试结果为不相似的待测试图像对应的最小的预设梯度浓度与相似度测试结果为相似的待测试图像对应的最大的预设梯度浓度之间的中间值(如两者的平均值)确定为最小抑菌浓度。本实施例对此不做任何限制。
82.举例来说，采用本实施例所提供的方法对临床上常见的两种质控菌株(atcc25922大肠埃希氏菌、atcc25923金黄色葡萄球菌)的最低抑菌浓度识别结果，可以来佐证此本方法的可行性。菌种制备：将菌株转种至第二至四代备用，挑取菌落制成0.5麦氏的菌悬液，药敏板微孔中提前包被抗生素(抗生素浓度根据clsi标准制备)，将菌液与浓度为0.6％-1.0％、温度为37-40℃的琼脂糖按稀释300倍-500倍的比例混合均匀，通过离心加样至每个微孔中，然后将药敏板卡放置在温箱中(37
±
2℃)温育2h～4h。数据采集：温育完成后，放置于无透镜成像平台拍摄每孔(即微孔)的图像，记录其不同浓度抗生素条件下的图像，以利用这些图像通过本实施例所提供的方法的到本方法识别的最小抑菌浓度(mic)，如表1和表2所展示的本方法识别的mic结果与临床金标准肉汤稀释法(the broth microdilution test，bmd)药敏结果可知，本实施例所提供的方法识别的mic结果准确度更高且可靠性更强，并且2h～4h即可判读mic结果，速度更快。
83.表1本方法及bmd法对atcc25922大肠埃希氏菌的药敏结果
84.抗生素名称本技术(ug/ml)bmd(ug/ml)备注阿米卡星41-4在标准范围内氨苄西林44一致头孢西丁12-4差一个梯度可接受庆大霉素0.250.25-0.5在标准范围内亚胺培南0.120.06-0.25在标准范围内
85.表2本方法及bmd法对atcc25923金黄色葡萄球菌的药敏结果
86.抗生素名称本技术(ug/ml)bmd(ug/ml)备注红霉素0.50.25-0.5在标准范围内
头孢西丁41-4在标准范围内氨苄西林11一致
87.本实施例中，本发明实施例通过计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果，能够利用不同浓度梯度的抗生素-菌种的待测试图像与各自对应的测试对照图像之间的相似度计算，确定各预设梯度浓度的待测试图像与相应的测试对照图像的相似或不相似的情况，从而能够根据各预设梯度浓度对应的相似或不相似的情况，得出待测菌种对应的待测抗生素的最小抑菌浓度，能够快速准确地对抗生素的最小抑菌浓度进行自动化检测识别，降低了抗生素的最小抑菌浓度的检测成本。
88.相应于上面的方法实施例，本发明实施例还提供了一种最小抑菌浓度的识别装置，下文描述的一种最小抑菌浓度的识别装置与上文描述的一种最小抑菌浓度的识别方法可相互对应参照。
89.请参考图5，图5为本发明实施例所提供的一种最小抑菌浓度的识别装置的结构框图。该装置可以包括：
90.第一获取模块10，用于获取待测菌种的待测试图像；其中，待测试图像包括抑菌完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像；
91.第二获取模块20，用于获取待测菌种对应的测试对照图像；
92.相似计算模块30，用于计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果；其中，相似度测试结果为相似或不相似；
93.浓度确定模块40，用于根据相似度测试结果和预设梯度浓度，确定待测菌种对应的待测抗生素的最小抑菌浓度。
94.可选的，测试对照图像包括待测菌种的预设对照图像和/或抑菌未完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像；其中，抑菌未完成时刻在抑菌完成时刻之前。
95.可选的，测试对照图像包括抑菌未完成时刻的各预设梯度浓度的待测抗生素与待测菌种的混合液各自对应的图像时，相似计算模块30可以具体用于计算各预设梯度浓度各自对应的待测试图像和测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果。
96.可选的，第一获取模块10可以包括：
97.采集子模块，用于在待测菌种的菌悬液加入到药敏板的各微孔中之后的预设温育时间，对每个微孔进行无透镜成像，获取待测菌种的待测试原始图像；其中，每个微孔设置有各自对应的预设梯度浓度的待测抗生素；
98.识别子模块，用于识别待测试原始图像中的微孔区域；
99.提取子模块，用于从每个微孔区域提取预设大小的感兴趣目标区域，并将感兴趣目标区域的图像作为待测试图像。
100.可选的，最小抑菌浓度为任一预设梯度浓度。
101.可选的，浓度确定模块40可以具体用于在全部待测试图像对应的相似度测试结果包括相似和不相似时，将相似度测试结果为不相似的待测试图像对应的最小的预设梯度浓度确定为最小抑菌浓度。
102.可选的，相似计算模块30可以包括：
103.模型计算子模块，用于利用预设暹罗神经网络模型，计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果。
104.可选的，预设暹罗神经网络模型中的姐妹网络为采用mobilenet-v2的特征提取层。
105.可选的，测试对照图像包括待测菌种的预设对照图像时，模型计算子模块可以包括：
106.特征提取单元，用于利用预设暹罗神经网络模型，提取各待测试图像和预设对照图像各自对应的降维特征；
107.距离计算单元，用于计算每个待测试图像的降维特征各自与预设对照图像的降维特征之间的欧式距离；
108.结果确定单元，用于根据欧式距离和预设距离阈值，确定各待测试图像各自对应的相似度测试结果。
109.可选的，该装置还可以包括：
110.模型训练模块，用于训练得到预设暹罗神经网络模型；
111.其中，模型训练模块可以包括：
112.获取子模块，用于获取训练样本集和训练损失函数；其中，训练样本集包括预设数量对训练图像和每对训练图像各自对应的图像相似标签，图像相似标签为相似或不相似，训练损失函数为l(x0,x1,y)＝y||f(x0)-f(x1)||+(1-y)max(0,(m-||f(x0)-f(x1)||))，x0和x1分别为任一对训练图像中的两个训练图像，f(x0)和f(x1)分别为x0和x1对应的模型提取的降维特征，y为x0和x1对应的图像相似标签，m为预设距离阈值，||f(x0)-f(x1)为欧式距离的平方；
113.训练子模块，用于利用训练样本集和训练损失函数，对初始暹罗神经网络模型进行迭代训练，得到预设暹罗神经网络模型。
114.实施例中，本发明实施例通过相似计算模块30计算各待测试图像与各自对应的测试对照图像的相似度，得到各待测试图像各自对应的相似度测试结果，能够利用不同浓度梯度的抗生素-菌种的待测试图像与各自对应的测试对照图像之间的相似度计算，确定各预设梯度浓度的待测试图像与相应的测试对照图像的相似或不相似的情况，从而能够根据各预设梯度浓度对应的相似或不相似的情况，得出待测菌种对应的待测抗生素的最小抑菌浓度，能够快速准确地对抗生素的最小抑菌浓度进行自动化检测识别，降低了抗生素的最小抑菌浓度的检测成本。
115.相应于上面的方法实施例，本发明实施例还提供了一种最小抑菌浓度的识别查设备，下文描述的一种最小抑菌浓度的识别设备与上文描述的一种最小抑菌浓度的识别方法可相互对应参照。
116.请参考图6，图6为本发明实施例所提供的一种最小抑菌浓度的识别设备的结构示意图。该识别设备可以包括：
117.存储器d1，用于存储计算机程序；
118.处理器d2，用于执行计算机程序时实现上述方法实施例所提供的最小抑菌浓度的识别方法的步骤。
119.具体的，请参考图7，图7为本发明实施例所提供的一种最小抑菌浓度的识别设备的具体结构示意图，该识别设备310可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在识别设备310上执行存储介质330中的一系列指令操作。
120.最小抑菌浓度的识别设备310还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm等。
121.上文所描述的最小抑菌浓度的识别方法中的步骤可以由最小抑菌浓度的识别设备的结构实现。
122.相应于上面的方法实施例，本发明实施例还提供了一种计算机可读存储介质，下文描述的一种计算机可读存储介质与上文描述的一种最小抑菌浓度的识别方法可相互对应参照。
123.一种计算机可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所提供的最小抑菌浓度的识别方法的步骤。
124.该计算机可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
125.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
126.以上对本发明所提供的一种最小抑菌浓度的识别方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。