[发明专利]基于深度学习的最低抑菌浓度识别方法

说明书

本发明公开了一种基于深度学习的最低抑菌浓度识别方法，包括下述步骤：S1、图像切割得到单孔图像：将原始图像处理成模型能够接收的单孔图像；S2、构造样本：给用作训练的单孔图像加上对应标签，构成深度学习模型能够用来训练的样本；S3、构建及训练模型：构建能够用来识别溶液浑浊与否的模型，并用训练样本集进行训练；S4、使用模型判断浑浊与否：模型可以接收训练集以外的图像，判断其溶液是浑浊还是清澈；S5、得到药品对应最低抑菌浓度：根据微孔板中各个圆孔的浑浊/清澈情况得出药品最低抑菌浓度。本发明大大提高了操作人员的工作效率，由于其无需专用设备的特性，能够推广到大多数的工作单位，为工作研究提供方便。

技术领域

本发明涉及最低抑菌浓度识别的技术领域，尤其是涉及一种基于深度学习的最低抑菌浓度识别方法。

背景技术

最低抑菌浓度(minimum inhibitory concentration，MIC)，是指经过18至24小时的培养后，能使细菌的发育受到阻滞并被观察到的抗细菌药的最小浓度。MIC是抗菌药、抗病毒药物的药效的重要指标，因此，在临床上经常被使用到。在药物培养完成后，在培养液中通过肉眼观察以确认是否起效，如果溶液仍然浑浊则未达到MIC标准，若看不到浑浊则为最低抑菌浓度MIC。此时微生物的发育已被阻止。因为只有达到最低抑菌浓度，才能达到使细菌总数开始下降。可见溶液的浑浊与否是判断是否达到最低抑菌浓度的关键。

微孔板是抑菌试验中常用的实验器具，其由若干规则排列的圆孔组成。在不同孔中可以对不同种类或不同浓度的药物做实验，方便同时检测多个样品。基于不同用途，微孔板有不同颜色之分，常见的有黑底、透明底、白底。同时，也存在不同孔密度的微孔板，常见的有96孔板，384孔板等。

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1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2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3。

全连接层(Fully connected)

全连接层，顾名思义，即下一层神经网络的每个节点都由当前层神经网络上的整个节点矩阵转化得到，也就是说下一层的每一个节点与当前层的所有节点都有连接权重，如图4所示。