論文の概要: Deep Learning-enabled Detection and Classification of Bacterial Colonies
using a Thin Film Transistor (TFT) Image Sensor
- arxiv url: http://arxiv.org/abs/2205.03549v1
- Date: Sat, 7 May 2022 04:45:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 17:53:58.497220
- Title: Deep Learning-enabled Detection and Classification of Bacterial Colonies
using a Thin Film Transistor (TFT) Image Sensor
- Title(参考訳): 薄膜トランジスタ(TFT)画像センサを用いた深層学習による細菌コロニーの検出と分類
- Authors: Yuzhu Li, Tairan Liu, Hatice Ceylan Koydemir, Hongda Wang, Keelan
O'Riordan, Bijie Bai, Yuta Haga, Junji Kobashi, Hitoshi Tanaka, Takaya
Tamaru, Kazunori Yamaguchi and Aydogan Ozcan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.7382715242235626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early detection and identification of pathogenic bacteria such as Escherichia
coli (E. coli) is an essential task for public health. The conventional
culture-based methods for bacterial colony detection usually take >24 hours to
get the final read-out. Here, we demonstrate a bacterial colony-forming-unit
(CFU) detection system exploiting a thin-film-transistor (TFT)-based image
sensor array that saves ~12 hours compared to the Environmental Protection
Agency (EPA)-approved methods. To demonstrate the efficacy of this CFU
detection system, a lensfree imaging modality was built using the TFT image
sensor with a sample field-of-view of ~10 cm^2. Time-lapse images of bacterial
colonies cultured on chromogenic agar plates were automatically collected at
5-minute intervals. Two deep neural networks were used to detect and count the
growing colonies and identify their species. When blindly tested with 265
colonies of E. coli and other coliform bacteria (i.e., Citrobacter and
Klebsiella pneumoniae), our system reached an average CFU detection rate of
97.3% at 9 hours of incubation and an average recovery rate of 91.6% at ~12
hours. This TFT-based sensor can be applied to various microbiological
detection methods. Due to the large scalability, ultra-large field-of-view, and
low cost of the TFT-based image sensors, this platform can be integrated with
each agar plate to be tested and disposed of after the automated CFU count. The
imaging field-of-view of this platform can be cost-effectively increased to
>100 cm^2 to provide a massive throughput for CFU detection using, e.g.,
roll-to-roll manufacturing of TFTs as used in the flexible display industry.
- Abstract(参考訳): 大腸菌(E. coli)などの病原菌の早期検出と同定は公衆衛生に不可欠な課題である。
細菌コロニー検出の従来の培養法では、最終読み出しには通常24時間以上かかります。
本稿では,細菌コロニー形成ユニット(CFU)検出システムについて,環境保護庁(EPA)が承認した手法と比較して約12時間節約できる薄膜トランジスタ(TFT)ベースのイメージセンサアレイを用いた。
このCFU検出システムの有効性を実証するため、TFTイメージセンサを用いて10cm^2のサンプル視野を持つ無レンズ画像モダリティを構築した。
色素性寒天板上に培養された細菌コロニーの経時的画像は5分間隔で自動的に収集された。
2つのディープニューラルネットワークを使用して、成長するコロニーを検出し、数え、種を特定する。
265の大腸菌および他の大腸菌菌(CitrobacterおよびKlebsiella pneumoniae)で盲検試験を行ったところ,9時間培養で平均CFU検出率は97.3%,約12時間で平均91.6%に達した。
このTFTベースのセンサは、様々な微生物学的検出方法に適用することができる。
大規模なスケーラビリティ、超広視野、およびtftベースのイメージセンサの低コストにより、このプラットフォームは各寒天プレートと統合でき、自動cfuカウントの後にテスト、廃棄することができる。
このプラットフォームのイメージフィールド・オブ・ビューは100 cm^2に費用対効果を増し、フレキシブルディスプレイ産業で使用されるTFTのロール・ツー・ロール製造などのCFU検出のスループットを提供する。
関連論文リスト
- Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳(メタデータ) (2023-01-19T11:37:20Z) - Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained
Microscopic Images from DIBaS Dataset [2.0225826789157404]
深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。
ディープラーニングモデルは、バイオメディカル画像処理に多大な応用を見出す。
論文 参考訳(メタデータ) (2022-08-23T05:18:19Z) - Gastrointestinal Polyps and Tumors Detection Based on Multi-scale
Feature-fusion with WCE Sequences [0.0]
本稿では,小腸ポリープと腫瘍を自動的に検出するtextbfTwo-stage textbfMulti-scale textbfFeature-fusion Learning Network(textbfTMFNet)を提案する。
実験では22,335個のWCE画像を用いて,123,092個の病変領域を用いて検出の枠組みを訓練した。
論文 参考訳(メタデータ) (2022-04-03T07:24:50Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳(メタデータ) (2021-11-23T08:04:32Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - 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) - Deep Learning to Detect Bacterial Colonies for the Production of
Vaccines [0.0]
本研究は, 病原性コロニーと非病原性コロニーの区別を許容精度で行うことが可能であることを示す。
探索には多くの可能性が残されているが,本研究の結果は,細菌コロニーの分離・分類における深層学習の可能性を示している。
論文 参考訳(メタデータ) (2020-09-02T10:10:43Z) - Label-free detection of Giardia lamblia cysts using a deep
learning-enabled portable imaging flow cytometer [3.6551615712301615]
フローサイトメータは、寸法19cm×19cm×16cm、重量1.6kgの環境封入容器に収容されている。
このポータブルイメージングフローサイトメータをラップトップコンピュータに結合することで、リアルタイムで、低レベルのジアルディア汚染を検出し、定量化できることを実証する。
この方法のフィールド可搬性とラベルフリー性は、飲料水供給の迅速かつ自動スクリーニングを可能にする可能性がある。
論文 参考訳(メタデータ) (2020-07-12T08:40:18Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳(メタデータ) (2020-04-15T12:30:40Z) - Early-detection and classification of live bacteria using time-lapse
coherent imaging and deep learning [0.5374144381476773]
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。
論文 参考訳(メタデータ) (2020-01-29T05:39:23Z)
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。