論文の概要: Early-detection and classification of live bacteria using time-lapse coherent imaging and deep learning

• arxiv url: http://arxiv.org/abs/2001.10695v1
• Date: Wed, 29 Jan 2020 05:39:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 21:38:53.790473
• Title: Early-detection and classification of live bacteria using time-lapse coherent imaging and deep learning
• Title（参考訳）: タイムラプスコヒーレントイメージングとディープラーニングを用いた生体細菌の早期検出と分類
• Authors: Hongda Wang, Hatice Ceylan Koydemir, Yunzhe Qiu, Bijie Bai, Yibo Zhang, Yiyin Jin, Sabiha Tok, Enis Cagatay Yilmaz, Esin Gumustekin, Yair Rivenson, Aydogan Ozcan
• Abstract要約: 計算生菌検出システムは、60mmの寒天板内の細菌成長のコヒーレント顕微鏡画像を定期的にキャプチャする。 システムは、深層ニューラルネットワークを用いてこれらの時間経過ホログラムを分析し、細菌の成長を迅速に検出し、対応する種の分類を行う。
• 参考スコア（独自算出の注目度）: 0.5374144381476773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a computational live bacteria detection system that periodically captures coherent microscopy images of bacterial growth inside a 60 mm diameter agar-plate and analyzes these time-lapsed holograms using deep neural networks for rapid detection of bacterial growth and classification of the corresponding species. The performance of our system was demonstrated by rapid detection of Escherichia coli and total coliform bacteria (i.e., Klebsiella aerogenes and Klebsiella pneumoniae subsp. pneumoniae) in water samples. These results were confirmed against gold-standard culture-based results, shortening the detection time of bacterial growth by >12 h as compared to the Environmental Protection Agency (EPA)-approved analytical methods. Our experiments further confirmed that this method successfully detects 90% of bacterial colonies within 7-10 h (and >95% within 12 h) with a precision of 99.2-100%, and correctly identifies their species in 7.6-12 h with 80% accuracy. Using pre-incubation of samples in growth media, our system achieved a limit of detection (LOD) of ~1 colony forming unit (CFU)/L within 9 h of total test time. This computational bacteria detection and classification platform is highly cost-effective (~$0.6 per test) and high-throughput with a scanning speed of 24 cm2/min over the entire plate surface, making it highly suitable for integration with the existing analytical methods currently used for bacteria detection on agar plates. Powered by deep learning, this automated and cost-effective live bacteria detection platform can be transformative for a wide range of applications in microbiology by significantly reducing the detection time, also automating the identification of colonies, without labeling or the need for an expert.
• Abstract（参考訳）: 本稿では,60mmの寒天板内における細菌成長のコヒーレントな顕微鏡像を定期的に捉え,深層ニューラルネットワークを用いて時間経過のホログラムを解析し,細菌成長の迅速検出と対応する種の分類を行う。 水試料中の大腸菌および大腸菌菌(klebsiella aerogenesおよびklebsiella pneumoniae subsp. pneumoniae)の迅速検出により,本システムの性能を実証した。 これらの結果は, 環境保護庁(EPA)が承認した分析法と比較して, 細菌増殖検出時間を12時間以上短縮した。 さらに, 本法は, 7～10時間以内の細菌コロニーの90%を99.2～100%の精度で検出し, 80%の精度で7.6～12時間以内の種を正しく同定した。 培養培地中の試料を前培養することにより, 合計試験時間9時間以内に ~1コロニー形成単位 (cfu)/l の検出限界(lod)を達成した。 この計算細菌検出・分類プラットフォームはコスト効率が高く(試験1回あたり約0.6ドル)、走査速度24cm2/minの高スループットであり、現在アガープレート上で細菌検出に使われている既存の分析手法との統合に非常に適している。 ディープラーニングによって駆動されるこの自動化的で費用対効果の高い生細菌検出プラットフォームは、検出時間を著しく削減し、また、ラベル付けや専門家の必要なしにコロニーの同定を自動化することで、微生物学の幅広い応用に転換することができる。

関連論文リスト

• LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data [2.5537500385691594]
  シアノバクテリアの早期警報システム(EWS)は、タイムリーな管理対策の実装を可能にする。 本稿では,6年間の非完全高周波時間データを用いたシアノバクテリアの開花予測に有効なEWSを提案する。 その結果,ハイブリッドシステムで評価した4日から28日間の7つの予測時間地平線について分析した。
  論文  参考訳（メタデータ） (2024-10-09T15:13:24Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• BiofilmScanner: A Computational Intelligence Approach to Obtain Bacterial Cell Morphological Attributes from Biofilm Image [1.2934742454678885]
  SRBベースのバイオフィルムは、金属インフラの年間10億ドルのバイオ腐食の原因であると考えられている。 本稿では,これらの問題に対処する不変モーメントと統合されたヨラクタンスに基づくディープラーニング手法であるBiofilScannerを提案する。 提案手法は, 従来のMask-RCNN法とDLv3+法より2.1倍, 6.8倍高速で, セルの幾何学的特性を検出し, セグメンテーションし, 測定する。
  論文  参考訳（メタデータ） (2023-02-19T17:15:56Z)
• Rapid and stain-free quantification of viral plaque via lens-free holography and deep learning [2.0185810603595686]
  テストあたりのオブジェクトの0.32ギガピクセル/時間位相情報を、ラベルフリーで30x30mm2の範囲をカバーする。 ニューラルネットワークを用いて、VSVウイルスの複製による最初の細胞解離イベントを、インキュベーションから5時間後に自動的に検出する。
  論文  参考訳（メタデータ） (2022-06-30T20:12:36Z)
• Accurate and fast identification of minimally prepared bacteria phenotypes using Raman spectroscopy assisted by machine learning [0.0]
  我々はメチシリン耐性(MR)菌をメチシリン感受性(MS)菌から同定する機械学習技術を開発した。 我々は,6種のMR-MS菌の分類精度が95.6$%であるデータセットに対して,96$%以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2022-06-27T14:27:05Z)
• Deep Learning-enabled Detection and Classification of Bacterial Colonies using a Thin Film Transistor (TFT) Image Sensor [0.7382715242235626]
  細菌コロニー形成ユニット (CFU) 検出システムとして, 薄膜トランジスタ (TFT) を用いた画像センサアレイを用いた。 着色寒天板上に培養した細菌コロニーのタイムラプス画像は, 5分間隔で自動的に収集された。 インキュベーション9時間で平均CFU検出率97.3%,12時間で平均回復率91.6%に達した。
  論文  参考訳（メタデータ） (2022-05-07T04:45:58Z)
• A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
  臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。 提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
  論文  参考訳（メタデータ） (2021-11-10T19:39:26Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。