Count of bacteria and yeast in microbial bioproduct using digital image processing

Jorge Peña Martín; Yelenys Alvarado-Capó; Rubén Orozco Morales; Tatiana Pichardo; Ailet Abreu López

doi:10.5935/jetia.v7i32.781

Autores

Jorge Peña Martín Departamento de Controle Automático, Universidade Central "Marta Abreu" de Las Villas - UCLV. Santa Clara, Cuba http://orcid.org/0000-0002-4627-8775 (não autenticado)
Yelenys Alvarado-Capó Laboratório de Microbiologia Aplicada, Instituto de Biotecnologia Vegetal (IBP), Universidade Central "Marta Abreu" de Las Villas - UCLV. Santa Clara, Cuba http://orcid.org/0000-0003-1721-717X (não autenticado)
Rubén Orozco Morales Departamento de Controle Automático, Universidade Central "Marta Abreu" de Las Villas - UCLV. Santa Clara, Cuba http://orcid.org/0000-0002-6240-1569 (não autenticado)
Tatiana Pichardo Laboratório de Microbiologia Aplicada, Instituto de Biotecnologia Vegetal (IBP), Universidade Central "Marta Abreu" de Las Villas - UCLV. Santa Clara, Cuba http://orcid.org/0000-0001-9416-2649 (não autenticado)
Ailet Abreu López Departamento de Controle Automático, Universidade Central "Marta Abreu" de Las Villas - UCLV. Santa Clara, Cuba http://orcid.org/0000-0002-9716-7696 (não autenticado)

DOI:

https://doi.org/10.5935/jetia.v7i32.781

Resumo

A contagem de microrganismos em substâncias de diferentes indústrias, como a contagem de bactérias e leveduras, é um processo necessário e importante há muito tempo. Tradicionalmente, nas indústrias, esse processo é realizado por especialistas que observam as amostras nos microscópios, o que é demorado e varia de acordo com o grau de especialização dos especialistas. Atualmente, o uso de imagens digitais das amostras a serem analisadas é uma variante amplamente utilizada para tal tarefa de contagem. Nesse sentido, vários métodos foram criados nos últimos anos para fazer esse processo, mas nenhum deles cobre a ampla gama de diversidade que pode ser encontrada no mundo microbiológico real. Com essas ideias como premissas, um novo método para contagem de bactérias e leveduras em bioprodutos microbianos por meio de imagens digitais é apresentado neste trabalho, a fim de fornecer aos especialistas o número aproximado desses microrganismos. O método envolve operações básicas de processamento de imagem digital, como detecção de contorno, operações morfológicas e análise estatística; e foi desenvolvido na linguagem Python usando a biblioteca OpenCV. Os resultados obtidos foram avaliados por especialistas em microbiologia e comprovaram ter um desempenho aceitável para o contexto de utilização.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

C. Li, K. Wang, y N. Xu, «A survey for the applications of content-based microscopic image analysis in microorganism classification domains», Artif. Intell. Rev., vol. 51, n.o 4, pp. 577-646, 2019, doi: https://doi.org/10.1007/s10462-017-9572-4.

F. Kulwa et al., «A state-of-the-art survey for microorganism image segmentation methods and future potential», IEEE Access, vol. 7, pp. 100243-100269, 2019, doi: https://doi.org/10.1109/ACCESS.2019.2930111.

Md. F. Wahid, T. Ahmed, y Md. A. Habib, «Classification of Microscopic Images of Bacteria Using Deep Convolutional Neural Network», en 2018 10th International Conference on Electrical and Computer Engineering (ICECE), 2018, pp. 217-220. doi: https://doi.org/10.1109/ICECE.2018.8636750.

A. Ferrari, S. Lombardi, y A. Signoroni, «Bacterial colony counting with convolutional neural networks in digital microbiology imaging», Pattern Recognit., vol. 61, pp. 629-640, 2017, doi: https://doi.org/10.1016/j.patcog.2016.07.016.

A. Ferrari, S. Lombardi, y A. Signoroni, «Bacterial colony counting by convolutional neural networks», en 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2015, pp. 7458-7461. doi: https://doi.org/10.1109/EMBC.2015.7320116.

J. H. Jung y J. E. Lee, «Real-time bacterial microcolony counting using on-chip microscopy», Sci. Rep., vol. 6, n.o 1, pp. 1-8, 2016, doi: https://doi.org/10.1038/srep21473.

M. Woźniak, D. Polap, L. Kośmider, y T. Clapa, «Automated fluorescence microscopy image analysis of Pseudomonas aeruginosa bacteria in alive and dead stadium», Eng. Appl. Artif. Intell., vol. 67, pp. 100-110, 2018, doi: https://doi.org/10.1016/j.engappai.2017.09.003.

P.-J. Chiang, M.-J. Tseng, Z.-S. He, y C.-H. Li, «Automated counting of bacterial colonies by image analysis», J. Microbiol. Methods, vol. 108, pp. 74-82, 2015, doi: https://doi.org/10.1016/j.mimet.2014.11.009.

D. T. Boukouvalas, R. A. Prates, C. R. L. Leal, y S. A. de Araújo, «Automatic segmentation method for CFU counting in single plate-Serial dilution», Chemom. Intell. Lab. Syst., vol. 195, p. 103889, 2019, doi: https://doi.org/10.1016/j.chemolab.2019.103889.

M. Grossi, C. Parolin, B. Vitali, y B. Riccò, «Computer Vision Approach for the Determination of Microbial Concentration and Growth Kinetics Using a Low Cost Sensor System», Sensors, vol. 19, n.o 24, p. 5367, 2019, doi: https://doi.org/10.3390/s19245367.

D. K. Maurya, «ColonyCountJ: A User-Friendly Image J Add-on Program for Quantification of Different Colony Parameters in Clonogenic Assay», J ClinToxicol, vol. 7, n.o 358, pp. 2161-0495.1000358, 2017. https://doi.org/10.4172/2161-0495.1000358.

H. Ates y O. N. Gerek, «An image-processing based automated bacteria colony counter», en 2009 24th International Symposium on Computer and Information Sciences, 2009, pp. 18-23. doi: https://doi.org/10.1109/ISCIS.2009.5291926.

Q. Geissmann, «OpenCFU, a new free and open-source software to count cell colonies and other circular objects», PloS ONE, vol. 8, n.o 2, p. e54072, 2013, doi: https://doi.org/10.1371/journal.pone.0054072.

G. Corkidi, R. Diaz-Uribe, J. L. Folch-Mallol, y J. Nieto-Sotelo, «COVASIAM: an image analysis method that allows detection of confluent microbial colonies and colonies of various sizes for automated counting», Appl. Environ. Microbiol., vol. 64, n.o 4, pp. 1400-1404, 1998, doi: https://doi.org/10.1128/AEM.64.4.1400-1404.1998.

M. L. Clarke, R. L. Burton, A. N. Hill, M. Litorja, M. H. Nahm, y J. Hwang, «Low-cost, high-throughput, automated counting of bacterial colonies», Cytometry A, vol. 77, n.o 8, pp. 790-797, 2010, doi: https://doi.org/10.1002/cyto.a.20864.

«ImageJ», ago. 24, 2020. https://imagej.net/Welcome (accessed Aug. 24, 2020).

«Fiji», abr. 16, 2021. https://fiji.sc/ (accessed Apr. 16, 2021).

P. Choudhry, «High-throughput method for automated colony and cell counting by digital image analysis based on edge detection», PloS One, vol. 11, n.o 2, p. e0148469, 2016, doi: https://doi.org/10.1371/journal.pone.0148469.

B. Brzozowska, M. Gałecki, A. Tartas, J. Ginter, U. Kaźmierczak, y L. Lundholm, «Freeware tool for analysing numbers and sizes of cell colonies», Radiat. Environ. Biophys., vol. 58, n.o 1, pp. 109-117, 2019, doi: https://doi.org/10.1007/s00411-018-00772-z.

J. G. A. Barbedo, «An algorithm for counting microorganisms in digital images», IEEE Lat. Am. Trans., vol. 11, n.o 6, pp. 1353-1358, 2013, doi: https://doi.org/10.1109/TLA.2013.6710383.

Z. Wang, B. Ma, y Y. Zhu, «Review of Level Set in Image Segmentation», Arch. Comput. Methods Eng., pp. 1-18, 2020, doi: https://doi.org/10.1007/s11831-020-09463-9.

Z. Cai, N. Chattopadhyay, W. J. Liu, C. Chan, J.-P. Pignol, y R. M. Reilly, «Optimized digital counting colonies of clonogenic assays using ImageJ software and customized macros: comparison with manual counting», Int. J. Radiat. Biol., vol. 87, n.o 11, pp. 1135-1146, 2011, doi: https://doi.org/10.3109/09553002.2011.622033.

P. S. Hiremath y P. Bannigidad, «Digital image analysis of cocci bacterial cells using active contour method», en 2010 International Conference on Signal and Image Processing, 2010, pp. 163-168. https://doi.org/10.1109/ICSIP.2010.5697462.

A. Liu, Z. Liu, L. Song, y D. Han, «Adaptive ideal image reconstruction for bacteria colony detection», en Information Technology and Agricultural Engineering, Springer, 2012, pp. 353-360. https://doi.org/10.1007/978-3-642-27537-1_44.

A. González‐Betancourt, P. Rodríguez‐Ribalta, A. Meneses‐Marcel, S. Sifontes‐Rodríguez, J. V. Lorenzo‐Ginori, y R. Orozco‐Morales, «Automated marker identification using the Radon transform for watershed segmentation», IET Image Process., vol. 11, n.o 3, Art. n.o 3, 2017, doi: https://doi.org/10.1049/iet-ipr.2016.0525.

B. Kis, M. Unay, G. D. Ekimci, U. K. Ercan, y A. Akan, «Counting Bacteria Colonies Based on Image Processing Methods», en 2019 Medical Technologies Congress (TIPTEKNO), Izmir, Turkey, 2019, pp. 1-4. doi: https://doi.org/10.1109/TIPTEKNO.2019.8895213.

D. T. Boukouvalas, P. Belan, C. R. L. Leal, R. A. Prates, y S. A. de Araújo, «Automated colony counter for single plate serial dilution spotting», en Iberoamerican Congress on Pattern Recognition, Madrid, Spain, 2018, pp. 410-418. doi: https://doi.org/10.1007/978-3-030-13469-3_48.

P. Kalavathi y S. Naganandhini, «A Hybrid Method For Automatic Counting Of Microorganisms In Microscopic Images», Adv. Comput. Int. J., vol. 7, n.o 1/2, pp. 51-60, 2016. https://doi.org/10.5121/ACIJ.2016.7206.

J. Zhang et al., «A Multiscale CNN-CRF Framework for Environmental Microorganism Image Segmentation», BioMed Res. Int., vol. 2020, 2020. https://doi.org/10.1155/2020/4621403.

N. Dietler et al., «YeaZ: A convolutional neural network for highly accurate, label-free segmentation of yeast microscopy images», bioRxiv, 2020. https://doi.org/10.1101/2020.05.11.082594.

Y. He, W. Xu, Y. Zhi, R. Tyagi, Z. Hu, y G. Cao, «Rapid bacteria identification using structured illumination microscopy and machine learning», J. Innov. Opt. Health Sci., vol. 11, n.o 01, p. 1850007, 2018, doi: https://doi.org/10.1142/S1793545818500074.

C. Zheng, J. Liu, y G. Qiu, «Tuberculosis bacteria detection based on Random Forest using fluorescent images», en 2016 9th international congress on image and signal processing, BioMedical engineering and informatics (CISP-BMEI), Datong, China, 2016, pp. 553-558. doi: https://doi.org/10.1109/CISP-BMEI.2016.7852772.

«Instituto de Biotecnología de las Plantas», abr. 18, 2021. https://www.ibp.co.cu/es/ (accessed Apr. 18, 2021).

J. Moinar, A. I. Szucs, C. Molnar, y P. Horvath, «Active contours for selective object segmentation», en 2016 IEEE Winter Conference on Applications of Computer Vision (WACV), 2016, pp. 1-9. https://doi.org/10.1109/WACV.2016.7477572.

«HDCE-X5 Camera for Microscopic», abr. 18, 2021. http://beltec.com.pe/site/beltec1/catalog/product_info.php?products_id=44 (accessed Apr. 18, 2021).

A. Kaehler y G. Bradski, Learning OpenCV 3: computer vision in C++ with the OpenCV library. O’Reilly Media, Inc., 2016.

E. R. Davies, Computer and machine vision: theory, algorithms, practicalities. Academic Press, 2012.

J. Beyerer, F. P. León, y C. Frese, Machine vision: Automated visual inspection: Theory, practice and applications. Springer, 2016.

A. F. Villán, Mastering OpenCV 4 with Python: a practical guide covering topics from image processing, augmented reality to deep learning with OpenCV 4 and Python 3.7. Packt Publishing Ltd, 2019.

Z. Wang, E. Wang, y Y. Zhu, «Image segmentation evaluation: a survey of methods», Artif. Intell. Rev., vol. 53, n.o 8, Art. n.o 8, 2020, doi: https://doi.org/10.1007/s10462-020-09830-9.

J. Zhang et al., «A comprehensive review of image analysis methods for microorganism counting: from classical image processing to deep learning approaches», Artif. Intell. Rev., pp. 1-70, 2021. https://doi.org/10.1007/s10462-021-10082-4.

S. Minaee, Y. Y. Boykov, F. Porikli, A. J. Plaza, N. Kehtarnavaz, y D. Terzopoulos, «Image segmentation using deep learning: A survey», IEEE Trans. Pattern Anal. Mach. Intell., 2021, doi: https://doi.org/10.1109/TPAMI.2021.3059968.