| Form of studies |
Master |
| Title of the study programm |
Computer Systems |
| Title in original language |
Mikroorganismu agrīna detektēšana, izmantojot mākslīgā intelekta un attēlu apstrādes rīkus |
| Title in English |
Early Detection of Microorganisms Using Artifical Intelligence and Image Processing Tools |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Katrīna Šmite |
| Reviewer |
Vita Šakele |
| Abstract |
Antibiotiku rezistence ir viena no globālās veselības aprūpes prioritātēm. Praksē izmantotā diska difūzijas metode antibiotiku jutības noteikšanai prasa no 16 līdz 24 stundām, kas aizkavē atbilstošas ārstēšanas uzsākšanu.
Darba mērķis ir izstrādāt sistēmu, iekļaujot attēlu apstrādes un mašīnmācīšanās metodes, ar kuru ir iespējams noteikt mikroorganismu preparātos radīto sterilo zonu agrīnā eksperimenta stadijā, kā arī validēt sistēmu uz plašāku diska difūzijas testu datu kopu. Darbā tika izvirzīta hipotēze, ka ir iespējams agrīni prognozēt sterilās zonas rādiusu izmantojot spektrogrammas no lāzera speklu diska difūzijas testu attēliem.
Izstrādātajā sistēmā ir vairāki posmi – attēlu priekšapstrāde, masku izveide, izmantojot attēlu apstrādes algoritmus un Segment Anything Model; baktēriju aktivitātes spektrogrammu ģenerēšana no lāzera speklu diska difūzijas attēliem, kas tika optimizēta, izmantošanai agrīnām prognozēm, samazinot spektrogrammu ģenerēšanas laiku no 16 stundām uz 30 minūtēm; mašīnmācīšanās modeļu – konvolūciju neironu tīkla un uz Audio Spectrogram Transformer balstīta transformācijas modeļa - apmācība un savstarpējo salīdzināšana; klasifikācijas rezultātu ģeometriskā pēcapstrāde, lai iegūtie rezultāti atbilst fiziski iegūstamai un novērojamai sterilajai zonai.
Sistēma tika izstrādāta, apmācīta un validēta uz E.coli diska difūzijas eksperimentu datiem. Rezultāti apliecina izvirzīto hipotēzi – agrīna sterilās zonas rādiusa noteikšana ir iespējama izmantojot spektrogrammas, kā ieejas datus. CNN modelis, no pirmajām 6 eksperimenta stundām sasniedza sterilās zona IoU 0.740 testa kopā. Pie 8 stundu sliekšņa uz 11 neatkarīgiem eksperimentiem CNN sasniedza augstāko vidējo IoU vērtību – 0.685. AST arī sasniedza līdzīgus, nedaudz zemākus rezultātus, kas liecina, ka CNN šī nolūka pielietošanā ir piemērotāka modeļa izvēle. Iegūtie rezultāti liecina, ka izstrādātā sistēma ir izmantojama, lai prognozētu sterilo zonu pie 6-10 stundu sliekšņa, kas ir 6-8 stundu uzlabojums diska difūzijas testa aizņemtajā laika posmā.
Maģistra darbs satur – 76 lapaspuses, 33 attēlus, 10 tabulas, 56 izmantotos informācijas avotus. |
| Keywords |
ANTIBIOTIKU REZISTENCE, LĀZERA SPEKLU ATTĒLU APSTRĀDE, SPEKTROGRAMMU KLASIFIKĀCIJA, MAŠĪNMĀCĪŠANĀS, MIKROORGANISMU AGRĪNA NOTEIKŠANA |
| Keywords in English |
ANTIBIOTIC RESISTANCE, LASER SPECKLE IMAGE PROCESSING, SPECTROGRAM CLASSIFICATION, MACHINE LEARNING, EARLY DETECTION OF MICROORGANISMS |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
20.05.2026 23:50:19 |
