Semi-Automatic Segmentation, Detection and Classification of Gram Stained Bacteria in Blood Samples
(2016) In Master's Theses in Mathematical Sciences FMA820 20161Mathematics (Faculty of Engineering)
- Abstract
- Manual microscopy is a time-consuming and inefficient procedure in microbiology laboratories today. Common analyses in these laboratories are detection and classification of Gram stained bacteria (Rydberg J. personal communication. Feb. 2016). Bacteria that have been Gram stained are either Gram negative or Gram positive. Gram negative bacteria are pink/red and Gram positive bacteria are purple. Moreover, the bacteria can have different morphology. The most common are cocci and bacilli, cocci are round and bacilli are rod-shaped bacteria. Lastly, they are classified based on how they grow which, for instance, can be in chains or clusters.
This thesis investigates whether it is possible to make an automatic, digital system that can... (More) - Manual microscopy is a time-consuming and inefficient procedure in microbiology laboratories today. Common analyses in these laboratories are detection and classification of Gram stained bacteria (Rydberg J. personal communication. Feb. 2016). Bacteria that have been Gram stained are either Gram negative or Gram positive. Gram negative bacteria are pink/red and Gram positive bacteria are purple. Moreover, the bacteria can have different morphology. The most common are cocci and bacilli, cocci are round and bacilli are rod-shaped bacteria. Lastly, they are classified based on how they grow which, for instance, can be in chains or clusters.
This thesis investigates whether it is possible to make an automatic, digital system that can replace manual microscopy for Gram stained bacteria. Images of bacteria were acquired with a digital microscope, provided by the company where the thesis was written, CellaVision AB.
A method that segmented bacteria from background in the images was developed. Moreover, several methods have been implemented aiming to detect and classify bacteria based on their color, shape and arrangement.
A final system was created that combined the most successful methods that enabled detection and classification of Gram stained bacteria. It could be concluded that an automatic, digital system for detection and classification of Gram stained bacteria is possible to implement. The system developed in this thesis was however semi-automatic since some user input was needed. (Less) - Popular Abstract (Swedish)
- För att snabbare kunna diagnostisera och behandla patienter vill man göra mikroskopering automatisk istället för manuell som den är idag. Vi har utvecklat ett automatiskt system för att analysera bakterier i ett digitalt mikroskop.
Att automatisera vården är ett koncept som blir vanligare och vanligare. Även inom laboratorieverksamhet har det anammats. Dock finns det en bit kvar att gå, framförallt inom mikrobiologi där verksamheten är spretig och gammaldags. Mikroskopering är det vanligaste angreppssättet inom mikrobiologi vilket både är tids- och arbetskraftskrävande. Utöver det är ergonomin också en stor faktor då mikroskopering ofta medför dåliga arbetsställningar.
Det finns många fördelar med automatisering och digitalisering... (More) - För att snabbare kunna diagnostisera och behandla patienter vill man göra mikroskopering automatisk istället för manuell som den är idag. Vi har utvecklat ett automatiskt system för att analysera bakterier i ett digitalt mikroskop.
Att automatisera vården är ett koncept som blir vanligare och vanligare. Även inom laboratorieverksamhet har det anammats. Dock finns det en bit kvar att gå, framförallt inom mikrobiologi där verksamheten är spretig och gammaldags. Mikroskopering är det vanligaste angreppssättet inom mikrobiologi vilket både är tids- och arbetskraftskrävande. Utöver det är ergonomin också en stor faktor då mikroskopering ofta medför dåliga arbetsställningar.
Det finns många fördelar med automatisering och digitalisering inom mikrobiologi, några av behoven är adresserade ovan. Om ett automatiskt system skulle finnas hade en analys kunnat bli snabbare. Dessutom hade endast mänsklig interaktion krävts vid slutsteget för validering av att datorn har gjort rätt. Fördelar med maskinanalys jämfört med en analys utförd av en människa är att maskinen kommer att hantera all data likadant. Den påverkas inte av stress eller dålig sömn och kan ge resultat som är jämförbara. Fördelarna med digitalisering av mikroskopibilder är att man kan spara bilder istället för fysiska prover. Det blir lättare att skicka till andra platser på jorden om till exempel en specifik analys skulle behöva utföras. Digitaliseringen löser även ergonomiproblemet då man kan titta på bilderna på en skärm.
Vi har med hjälp av ett digitalt mikroskop utvecklat ett program som automatiskt kan analysera bakterier. Det digitala mikroskopet tar bilder på bakterierna som endast är 0.5-5 mikrometer stora. Bilderna analyseras sedan av programmet vi utvecklat. Programmet kan automatiskt hitta bakterierna i bilderna och även avgöra vilken typ av bakterie det är. Bakteriens typ bestäms av vilken färg och form den har. Bakterierna vi har undersökt har antingen en röd-rosa eller lila färg och är antingen runda eller avlånga. Bakterier kan också växa på olika sätt så att de bildar exempelvis kedjor eller par, detta hittar programmet också.
För att behandla bakterier används antibiotika, dessvärre kan bakterier utveckla resistens mot antibiotika. Antibiotikaresistens är idag ett stort problem världen över och alltfler bakterier blir resistenta mot behandlingen. Visste du att onödig användning av antibiotika är den största orsaken till antibiotikaresistens? Om patienter snabbare hade kunnat diagnostiseras hade onödig användning av antibiotika kunnat minskas. Vi tror därför att ett system liknande det vi har gjort hade kunnat minska utbredningen av antibiotikaresistens. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/8881056
- author
- Andersson, Emelie LU and Lejon, Sofia
- supervisor
- organization
- course
- FMA820 20161
- year
- 2016
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Image Analysis, Segmentation, Classification, Bacteria, Gram Stain
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMA-3296-2016
- ISSN
- 1404-6342
- other publication id
- 2016:E23
- language
- English
- id
- 8881056
- date added to LUP
- 2016-08-25 13:33:37
- date last changed
- 2016-08-25 13:33:37
@misc{8881056,
abstract = {{Manual microscopy is a time-consuming and inefficient procedure in microbiology laboratories today. Common analyses in these laboratories are detection and classification of Gram stained bacteria (Rydberg J. personal communication. Feb. 2016). Bacteria that have been Gram stained are either Gram negative or Gram positive. Gram negative bacteria are pink/red and Gram positive bacteria are purple. Moreover, the bacteria can have different morphology. The most common are cocci and bacilli, cocci are round and bacilli are rod-shaped bacteria. Lastly, they are classified based on how they grow which, for instance, can be in chains or clusters.
This thesis investigates whether it is possible to make an automatic, digital system that can replace manual microscopy for Gram stained bacteria. Images of bacteria were acquired with a digital microscope, provided by the company where the thesis was written, CellaVision AB.
A method that segmented bacteria from background in the images was developed. Moreover, several methods have been implemented aiming to detect and classify bacteria based on their color, shape and arrangement.
A final system was created that combined the most successful methods that enabled detection and classification of Gram stained bacteria. It could be concluded that an automatic, digital system for detection and classification of Gram stained bacteria is possible to implement. The system developed in this thesis was however semi-automatic since some user input was needed.}},
author = {{Andersson, Emelie and Lejon, Sofia}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Semi-Automatic Segmentation, Detection and Classification of Gram Stained Bacteria in Blood Samples}},
year = {{2016}},
}