基于机器学习模型的微生物菌落检验方法以及检验系统技术方案

本发明专利技术公开了基于机器学习模型的微生物菌落检验方法以及检验系统。检验方法包括步骤：获取待检测样品的样品照片；将所述待检测样品的样品照片输入到机器训练模型中处理；输出待检测样品的菌落生长情况；其中，所述机器训练模型为采用至少由标本照片所构成的训练样本集对机器学习模型进行训练后得到；所述标本照片至少包括生长有菌落的第一类标本照片和未生长有菌落的第二类标本照片。本发明专利技术利用机器训练模型实现对培养后的样品照片中的菌落进行快速性、精确性地判读,特别是当与微生物检验流水线相结合时，能够实现检验的全自动化，不仅减少医学工作人员诊断的主观性，提高了微生物菌落识别的精确性，而且有效地减轻了医务工作者的劳动强度。医务工作者的劳动强度。医务工作者的劳动强度。

【技术实现步骤摘要】
基于机器学习模型的微生物菌落检验方法以及检验系统


[0001]本专利技术属于微生物菌落检测的
，具体而言，涉及基于机器学习模型的微生物菌落检验方法以及检验系统。

技术介绍

[0002]临床微生物检验技术为感染性疾病提供诊疗信息。随着临床微生物实验室自动化的发展，当今微生物检验已经可以做到自动接种、孵育、检测、及药敏试验等操作流程为一体的流水线检验，即微生物检验流水线。
[0003]但是，目前微生物检验流水线只能准确对培养后的菌落图像进行照相处理及储存功能，不能自动判读结果，而是次日将储存的照片由实验室操作者人工判断微生物菌落生长情况并给出判读结果。由于每日阅览判读的照片数量较多，图像背景复杂，此检验过程易出现识别错误，易导致结果出现偏差，易导致后续检验流程繁杂且时间较长；不仅对操作者在判读照片结果的要求极高(经验丰富)，而且必须熟悉操作流程，才能提高工作效率，缩短TAT时间。因此，急需一项可自动处理每日照片的功能。

技术实现思路

[0004]本专利技术的主要目的在于提供基于机器学习模型的微生物菌落检验方法、检验系统、电子装置以及计算机可读存储介质，以解决现有技术中人工判断微生物菌落生长情况所存在的检验流程繁杂且时间较长的技术问题。
[0005]为了解决上述技术问题，本专利技术首先提供了基于机器学习模型的微生物菌落检验方法。技术方案如下：
[0006]基于机器学习模型的微生物菌落检验方法，包括步骤：
[0007]获取待检测样品的样品照片；
[0008]将所述待检测样品的样品照片输入到机器训练模型中处理；
[0009]输出待检测样品的菌落生长情况；
[0010]其中，所述机器训练模型为采用至少由标本照片所构成的训练样本集对机器学习模型进行训练后得到；所述标本照片至少包括生长有菌落的第一类标本照片和未生长有菌落的第二类标本照片。
[0011]进一步地是，所述第一类标本照片包括至少两种颜色菌落的标本照片；并且/或者，所述第一类标本照片包括菌落数量为1个的标本照片、菌落数量为2～30个的标本照片以及菌落数量≥31个的标本照片；并且/或者，所述第一类标本照片包括无导管的标本照片和有导管的标本照片。
[0012]进一步地是，所述第二类标本照片包括无导管的标本照片和有导管的标本照片；并且/或者，所述第二类标本照片包括具有磁珠印坑的标本照片。
[0013]进一步地是，所述第一类标本照片和/或第二类标本照片≥1200张。
[0014]进一步地是，所述机器学习模型采用的深度学习框架为Tensorflow；所述机器学
习模型采用的模型架构训练分类模型为Big Transfer；所述机器学习模型采用的计算机编程语言为Python；所述机器学习模型采用的制作界面为Pylnstaller；所述机器学习模型采用的显卡训练模型为RTX20070。
[0015]进一步地是，还包括将待检测样品所对应的患者信息输入到机器训练模型中，经机器训练模型处理后输出患者信息以及与该患者信息对应的菌落生长情况。
[0016]进一步地是，所述待检测样品的样品照片由安装于微生物检验流水线上的摄像设备及处理系统获取。
[0017]为了解决上述技术问题，本专利技术其次提供了基于机器学习模型的微生物菌落检验系统。技术方案如下：
[0018]基于机器学习模型的微生物菌落检验系统，包括
[0019]摄像模块，用于采集待检测样品的样品照片；
[0020]训练模块，用于使用机器训练模型处理所述待检测样品的样品照片；
[0021]传输模块，用于传输所述待检测样品的样品照片以及训练模块的处理结果。
[0022]为了解决上述技术问题，本专利技术其次提供了电子装置。技术方案如下：
[0023]电子装置，包括：处理器；存储器，用于储存处理器可执行指令；所述处理器被配置为执行上述的检验方法。
[0024]为了解决上述技术问题，本专利技术进一步提供了计算机可读存储介质。技术方案如下：
[0025]计算机可读存储介质，包括储存的程序，所述程序运行时执行上述的检验方法。
[0026]综上可知，本专利技术的基于机器学习模型的微生物菌落检验方法、检验系统、电子装置以及计算机可读存储介质简单易实施，利用机器训练模型实现对培养后的样品照片中的菌落进行快速性、精确性地判读,特别是当与微生物检验流水线相结合时，能够实现检验的全自动化，不仅减少医学工作人员诊断的主观性，提高了微生物菌落识别的精确性，而且有效地减轻了医务工作者的劳动强度，对于临床微生物实验室的工作开展有着重大意义。
[0027]显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0028]以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一步的详细说明。但不应将此理解为本专利技术上述主题的范围仅限于以下的实例。凡基于本专利技术上述内容所实现的技术均属于本专利技术的范围。
附图说明
[0029]构成本专利技术的一部分的附图用来辅助对本专利技术的理解，附图中所提供的内容及其在本专利技术中有关的说明可用于解释本专利技术，但不构成对本专利技术的不当限定。在附图中：
[0030]图1为本专利技术的基于机器学习模型的微生物菌落检验方法实施例的流程示意图。
[0031]图2为微生物检验流水线的实施方式的结构示意图。
[0032]图3为本专利技术的基于机器学习模型的微生物菌落检验系统实施例的结构示意图。
[0033]图4为本专利技术的微生物菌落检验电子装置实施例的结构示意图。
[0034]上述附图中的有关标记为：
[0035]110：摄像模块，120：训练模块，130：传输模块，210：处理器，220：存储器，230：通信
接口，240：总线，300：轨道系统，301：平板自动分选模块，302：平板条码标签模块，303：接种与划线模块，304：智能培养箱，305：高清屏幕工作站，306：平板堆叠模块，307：MS靶板制备模块，308：MS，309：药敏制备模块，310：自动鉴定药敏仪。
具体实施方式
[0036]下面结合附图对本专利技术进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本专利技术。在结合附图对本专利技术进行说明前，需要特别指出的是：
[0037]本专利技术中在包括下述说明在内的各部分中所提供的技术方案和技术特征，在不冲突的情况下，这些技术方案和技术特征可以相互组合。
[0038]此外，下述说明中涉及到的本专利技术的实施例通常仅是本专利技术一部分的实施例，而不是全部的实施例。因此，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0039]关于本专利技术中术语和单位。本专利技术的说明书和权利要求书及有关的部分中的术语“包括”、“具有”以及它们的任何变形，意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习模型的微生物菌落检验方法，包括步骤：获取待检测样品的样品照片；将所述待检测样品的样品照片输入到机器训练模型中处理；输出待检测样品的菌落生长情况；其中，所述机器训练模型为采用至少由标本照片所构成的训练样本集对机器学习模型进行训练后得到；所述标本照片至少包括生长有菌落的第一类标本照片和未生长有菌落的第二类标本照片。2.如权利要求1所述的基于机器学习模型的微生物菌落检验方法，其特征在于：所述第一类标本照片包括至少两种颜色菌落的标本照片；并且/或者，所述第一类标本照片包括菌落数量为1个的标本照片、菌落数量为2～30个的标本照片以及菌落数量≥31个的标本照片；并且/或者，所述第一类标本照片包括无导管的标本照片和有导管的标本照片。3.如权利要求1所述的基于机器学习模型的微生物菌落检验方法，其特征在于：所述第二类标本照片包括无导管的标本照片和有导管的标本照片；并且/或者，所述第二类标本照片包括具有磁珠印坑的标本照片。4.如权利要求1所述的基于机器学习模型的微生物菌落检验方法，其特征在于：所述第一类标本照片和/或第二类标本照片≥1200张。5.如权利要求1所述的基于机器学习模型的微生物菌落检验方法，其特征在于：所述机器学习模型采用的深度学习框架为Tensorflow；所述机器学习模型采用的模型架构训练分类模型为B...

【专利技术属性】
技术研发人员：黄学东，谢轶，杨骐瑞，聂鼎宜，
申请(专利权)人：四川大学，
类型：发明
国别省市：