[发明专利]基于平皿实验和深度学习的抑菌程度识别方法

说明书

本发明公开了一种基于平皿实验和深度学习的抑菌程度识别方法，包括下述步骤：S1、确定药敏纸片位置；S2、测定抑菌圈大小；S3、构造样本集：给深度学习模型构造带标签的样本集，用于训练模型；S4、构建及训练模型：构建能够用来识别药敏纸片的模型，并用训练样本集进行训练；S5、使用模型识别药敏纸片；S6、判定药物的抑菌程度：通过模型识别出的药物种类，从数据库中查询对应的抑菌标准，再确定抑菌圈的直径属于标准中的哪一个区间，从而得到药物的抑菌程度。本发明的方法，使得操作人员只需拍摄平皿图像，就能从图像中识别出每个药敏纸片所属的药物种类，以及其对应的抑菌圈的大小，使得自动化抑菌程度识别成为可能。

技术领域

本发明涉及抑菌程度识别的技术领域，尤其是涉及一种基于平皿实验和深度学习的抑菌程度识别方法。

背景技术

平皿也叫培养皿，是一种用于微生物或细胞培养的实验室器皿，由一个平面圆盘状的底和一个盖组成，一般用玻璃或塑料制成。培养皿材质基本上分为两类，主要为塑料和玻璃的，玻璃的可以用于植物材料、微生物培养和动物细胞的贴壁培养也可能用到。塑料的可能是聚乙烯材料的，有一次性的和多次使用的，适合实验室接种、划线、分离细菌的操作，可以用于植物材料的培养。

药敏试验简称药物敏感试验(或耐药试验)。旨在了解病原微生物对各种抗生素的敏感(或耐受)程度，以指导临床合理选用抗生素药物的微生物学试验。一种抗生素如果以很小的剂量便可抑制、杀灭致病菌，则称该种致病菌对该抗生素“敏感”。反之，则称为“不敏感”或“耐药”。为了解致病菌对哪种抗菌素敏感，以合理用药，减少盲目性，往往应进行药物敏感试验。其大致方法是：从病人的感染部位采取含致病菌的标本，接种在适当的培养基上，于一定条件下培养；同时将分别沾有一定量各种抗生素的纸片(即药敏片)贴在培养基表面(如图1所示)，培养一定时间后观察结果。由于致病菌对各种抗生素的敏感程度不同，在药敏片周围便出现不同大小的抑制病菌生长而形成的“空圈”，称为抑菌圈(如图1所示)。抑菌圈大小与致病菌对各种抗生素的敏感程度成正比关系。于是可以根据试验结果有针对性地选用抗生素。目前滥用抗生素，致使抗药菌增加，甚至因长期大量使用广谱抗生素，杀伤体内正常微生物，失去微生物的相互制约作用，从而使一些少见的或一般情况下的非致病菌大量繁殖，引起所谓“二次感染”的情况屡有发生，给治疗造成人为的困难。因此，提倡使用药物敏感试验，坚持合理用药十分重要。

随着计算机性能的提高与相关理论的推进，使得训练非常多层的神经网络成为了可能。通过堆叠多层网络构建深度神经网络，以学习训练集中更为抽象的表达，这就是我们所知的深度学习技术。深度学习技术发展迅速，已经在图像处理、语音识别与自然语言处理等领域取得了喜人的成就，是目前这些领域的研究热点。其中在图像处理领域，表现最好的深度学习模型是卷积神经网络(CNN)。卷积神经网络主要由卷积层与池化层组成，同时也包括对应于经典神经网络的全连接层，其主要架构如图2所示。

1)卷积层(Convolution)

卷积层是一个卷积神经网络中最为重要的部分，不同于全连接层，卷积层中每一个节点的输入来自上一层神经网络的一个小块，如3*3的矩形。卷积层通过对神经网络中的每一小块进行深入的分析从而得到抽象程度更高的特征。卷积层中最重要的部分是过滤器(filter)，如图3所示，它可以将当前层神经网络上的一个子节点矩阵转化为下一层神经网络上的一个单位节点矩阵，即长宽都为1，但深度不限的节点矩阵。

2)池化层(Pool)

卷积神经网络中常在卷积层之间加上一个特殊的网络结构，称作池化层。池化层可以有效地缩小矩阵的尺寸，从而减少最后全连接层中的参数。与卷积层相似，池化层也是通过移动一个类似过滤器的结构完成的，不过池化层的过滤器中的计算只是简单的最大值或平均值运算。使用最大值操作的池化层称之为最大池化层(max pooling)，使用平均值操作的池化层称之为平均池化层(average pooling)。池化层的过滤器与卷积层相比，还有一点不同，就是卷积层使用的过滤器是横跨整个深度的，而池化层使用的过滤器只影响一个深度上的节点，如图所示4。