Peña MJ, Alvarado CY, Orozco MR, Pichardo T, Abreu LA

Idioma: Español
Referencias bibliográficas: 15
Paginas: 243-256
Archivo PDF: 671.29 Kb.

RESUMEN

Fundamento: en los laboratorios de microbiología, la identificación y conteo de microorganismos es un procedimiento habitual. Aunque existen en el mercado equipos que posibilitan su realización de manera automática o semiautomática, son muy costosos, por lo cual esta tarea, difícil e irritante para los ojos, la siguen realizando los expertos de manera tradicional mediante la observación de las muestras en los microscopios, con la consiguiente variabilidad entre ellos.
Objetivo: proponer un nuevo método para el conteo de bacterias y levaduras en imágenes digitales, bajo diferentes magnificaciones, tomadas a bioproductos de origen microbiano obtenidos por fermentación.
Métodos: el sensor empleado para la toma de imágenes de las muestras fue una cámara digital modelo HDCE-X, con un sensor CMOS de ½", con una resolución de 2592 píxeles por 1944 píxeles (5 Mp). Se emplearon dos tipos de magnificaciones: magnificación 40x (PL40, 0.65 apertura numérica and 0.17 de distancia de trabajo) y magnificación 100x (HI plan 100/1.25 con inmersión de aceite). El método propuesto se basa en técnicas de procesamiento digital de imágenes, utilizando herramientas como la detección de contornos, operaciones morfológicas y análisis estadístico, y fue desarrollado en lenguaje Python con empleo de la biblioteca OpenCV.
Resultados: la detección y conteo de bacterias se logró con una exactitud y precisión aceptable, en ambos casos por encima de 0,95; no en el caso de las levaduras cuya exactitud y precisión fueron menores, alrededor de 0,78 y 0,86 respectivamente. Se proponen flujos de trabajo basados en técnicas de procesamiento digital de imágenes, fundamentalmente en detección de contornos, operaciones morfológicas y análisis estadístico.
Conclusiones: el método posee una efectividad aceptable para el contexto y depende de las características que presenten las imágenes.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Wahid MF, Ahmed T, Habib MA. Classification of Microscopic Images of Bacteria Using Deep Convolutional Neural Network. In: 2018 10th International Conference on Electrical and Computer Engineering (ICECE). Dakha: IEEE; 2018. p. 217-20.

2. Kulwa F, Li C, Zhao X, Cai B, Xu N, Qi S, et al. A state-of-the-art survey for microorganism image segmentation methods and future potential. IEEE Access. 2019;7:100243-69.

3. Zhang J, Li C, Rahaman MM, Yao Y, Ma P, Zhang J, et al. A comprehensive review of image analysis methods for microorganism counting: from classical image processing to deep learning approaches. Artificial Intelligence Review. 2021;45:1-70.

4. Boukouvalas DT, Prates RA, Lima Leal CR, Alves de Araújo SA. Automatic segmentation method for CFU counting in single plate-Serial dilution. Chemometrics and Intelligent Laboratory Systems. 2019;195:103889.

5. Geissmann Q. OpenCFU, a new free and open-source software to count cell colonies and other circular objects. PloS one. 2013;8(2):e54072.

6. Grossi M, Parolin C, Vitali B, Riccò B. Computer Vision Approach for the Determination of Microbial Concentration and Growth Kinetics Using a Low Cost Sensor System. Sensors. 2019;19(24):5367.

7. Maurya DK. ColonyCountJ: A User-Friendly Image J Add-on Program for Quantification of Different Colony Parameters in Clonogenic Assay. J ClinToxicol. 2017;7(358):2161-95.

8. Ates H, Gerek ON. An image-processing based automated bacteria colony counter. In: 2009 24th International Symposium on Computer and Information Sciences. Guzelyurt: IEEE; 2009. p. 18-23.

9. Barbedo JGA. An algorithm for counting microorganisms in digital images. IEEE Latin America Transactions. 2013;11(6):1353-8.

10. Ferrari A, Lombardi S, Signoroni A. Bacterial colony counting by convolutional neural networks in Digital Microbiology Imaging. Patters Recognition. 2017;61:629-40

11. Corkidi G, Diaz-Uribe R, Folch-Mallol JL, Nieto-Sotelo J. COVASIAM: an image analysis method that allows detection of confluent microbial colonies and colonies of various sizes for automated counting. Applied and Environmental Microbiology. 1998;64(4):1400-4.

12. Wozniak M, Polap D, Kosmider L, Clapa T. Automated fluorescence microscopy image analysis of Pseudomonas aeruginosa bacteria in alive and dead stadium. Engineering Applications of Artificial Intelligence. 2018;67:100-10.

13. Chiang PJ, Tseng MJ, He ZS, Li CH. Automated counting of bacterial colonies by image analysis. Journal of Microbiological Methods. 2015;108:74-82.

14. Cai Z, Chattopadhyay N, Liu WJ, Chan C, Pignol J-P, Reilly RM. Optimized digital counting colonies of clonogenic assays using ImageJ software and customized macros: comparison with manual counting. Int J Radiat Biol. 2011;87(11):1135-46.

15. Martirena F, Rodríguez Rodríguez Y, Callico A, Díaz Y, Bracho G, Hereira A, et al. Microorganism-based bioplasticizer for cementitious materials. In: Pacheco Torgal F, Ivanov V, Karak N, Jonkers H, eds. Biopolymers and Biotech Admixtures for Eco-Efficient Construction Materials. Sanwston: Woodhead Publishing; 2016. Disponible en: https://www.researchgate.net/publication/285387020_Microorganism-based_bioplasticizer_for_cementitious_materials15.