Erkennung und Auszählung von Objekten für die Mikrobiologie

Bakterienkolonien zu zählen ist eine grundlegende Aufgabe der Mikrobiologie, die heutzutage in den meisten Laboren manuell durchgeführt wird. Dies ist eine zeitaufwändiger und fehleranfälliger Prozess, der von einer ausgebildeten Fachkraft ausgeführt werden muss.

Eines unserer R&D-Projekte, teils gefördert durch das Nationale Zentrum für Forschung und Entwicklung, ist es an einer Bibliothek mit automatischer Identifizierung und Klassifizierung von Bakterienkolonien zu arbeiten, basierend auf RGB-Bildern von Petrischalen. Unsere Deep-Learning-Methoden erlauben es uns verschiedene Arten von Mikroorganismen mit hoher Genauigkeit zu erkennen und zu zählen und dies kann einfach in eine Laborautomatisierungssoftware mit eingebunden werden oder als eigenständige App benutzt werden.

Als Resultat dieses R&D-Projektes wird eine flexible Bibliothek für mikrobiologische Analysen entstehen. Es wird einfach anpassbar sein für neue Arten von Mikroorganismen, Agarplatten und Kameraparameter. Es ist für verschiedene Szenarien vorgesehen:

– eine eigenständige Applikation für die Analyse von zuvor gesammelten Bildern;
– eine Applikation, die mit einer einfachen Bilderfassungseinrichtung verbunden ist, die aus einer auf einem Stativ montierten Kamera besteht (ein auf dem Markt erhältliches Standartset für Labore, zum Beispiel von Carl Zeiss);
– eine Bibliothek die mit existierenden, fortgeschrittenen Systemen für die Automatisierung im mikrobiologischen Laborumfeld integriert ist (u.a. MicroTechniX).

Die Anwendungsbereiche umfassen, sind aber nicht beschränkt auf, Gesundheitswesen, Pharma, Lebensmittel, Kosmetika und Veterinärindustrie.

Um die höchste Genauigkeit und Verallgemeinerungsfähigkeit der entwickelten Algorithmen zu gewährleisten wurden die neuesten Deep-Learning-Methoden angewendet, welche die besten Resultate für die Mehrzahl von Computer Vision Aufgaben erzielen. Um genauer zu sein basiert die Lösung auf Convolutional Neural Networks, kombiniert mit einer passenden Bildverarbeitungspipeline um die Präzision der Erkennung, Klassifizierung und Zählung verschiedener Spezien von Mikroorganismen zu maximieren.

Die entscheidende Zutat bei Deep Learning-basierten Lösungen sind Daten. Deswegen sammeln wir, in Zusammenarbeit mit Mikrobiologie-Experten von der Universität Wroclaw, tausende sorgfältig annotierte Bilder von Petrischalen mit verschiedenen Bakterienarten. Indem wir die Bilderfassungseinstellung verändern (z.B. Beleuchtung, Kameraparameter usw.) wollen wir unsere Algorithmen auf die Variationen im Bilddatensammlungsprozess robust machen, damit unsere Lösung in verschiedenen Laboren angewendet werden kann.