Loading...
Publication
AI-based synthesis of bacterial colony evolution images
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 16.19 MB | Adobe PDF |
Authors
Abstract(s)
The growing demand for safety and efficiency in healthcare highlights the importance of optimising sterilisation procedures, where delays or errors can compromise patient outcomes. In this context, microbiological analysis of agar plates is a fundamental step, as it allows the identification of microbial growth that may compromise sterilisation quality. However, traditional inspection methods are time-consuming and rely heavily on manual observation, which limits their scalability in clinical environments. Meanwhile, Artificial Intelligence has
demonstrated strong potential in image analysis and forecasting, offering opportunities to enhance microbiological analysis and support decision-making in healthcare workflows. This dissertation addresses the problem of detecting and predicting the growth of bacterial colonies on agar plates. Anticipating how colonies evolve is essential to evaluate contamination levels, yet this task remains challenging due to the natural variability of growth patterns, the occurrence of overlapping colonies, and the diversity of experimental conditions that affect microbial behaviour. To tackle this problem, an integrated application was developed and structured into three main modules. The first is a detection module that applies the YOLO object detection architecture to identify bacterial colonies from agar plate images. The second is a synthetic forecasting module based on convolutional autoencoders capable of predicting future colony states from early observations. The third is a contamination analysis module that translates predictions into interpretable indicators such as colony count, average size, growth rate, and coverage. Together, these modules form a complete pipeline designed to combine visual fidelity with biological relevance. The results show that the system can detect colonies with high accuracy, achieving a Precision of 99.1%, a Recall of 91.7%, and an F1 score of 95.3%. In addition, the forecasting module generated realistic predictions of colony growth, and the contamination analysis provided meaningful metrics across different experimental conditions. The exploration of different temporal intervals revealed complementary trade-offs between predictive detail and biological plausibility, reinforcing the flexibility of the proposed methodology. The main conclusion of this dissertation is that Artificial Intelligence can be effectively applied
to predict microbial growth in laboratory settings. By integrating detection, forecasting, and contamination analysis within a single framework, this work establishes a technological foundation that supports the transition to more intelligent sterilisation workflows and contributes to the broader vision of safe, efficient, and smart healthcare environments.
A crescente procura por segurança e eficiência nos cuidados de saúde realça a importância de otimizar os procedimentos de esterilização, onde atrasos ou erros podem comprometer os resultados clínicos. Neste contexto, a análise microbiológica de placas de ágar constitui uma etapa fundamental, pois permite identificar o crescimento microbiano que pode comprometer a qualidade da esterilização. No entanto, os métodos tradicionais de inspeção são morosos e dependem fortemente da observação manual, o que limita a sua escalabilidade em ambientes clínicos. Paralelamente, a Inteligência Artificial tem demonstrado um forte potencial em análise de imagem e previsão, oferecendo oportunidades para reforçar a análise microbiológica e apoiar a tomada de decisão nos fluxos de trabalho em saúde. Esta dissertação aborda o problema da deteção e previsão do crescimento de colónias bacterianas em placas de ágar. Antecipar a forma como as colónias evoluem é essencial para avaliar os níveis de contaminação, mas esta tarefa permanece desafiante devido à variabilidade natural dos padrões de crescimento, à ocorrência de colónias sobrepostas e à diversidade de condições experimentais que influenciam o comportamento microbiano. Para enfrentar este problema, foi desenvolvida uma aplicação integrada estruturada em três módulos principais. O primeiro é um módulo de deteção que aplica a arquitetura de deteção de objetos YOLO para identificar colónias bacterianas em imagens de placas de ágar. O segundo é um módulo de previsão sintética baseado em autoencoders convolucionais, capaz de prever estados futuros das colónias a partir de observações iniciais. O terceiro é um módulo de análise de contaminação que traduz as previsões em indicadores interpretáveis, como o número de colónias, o tamanho médio, a taxa de crescimento e a cobertura. Em conjunto, estes módulos formam um pipeline completo concebido para combinar fidelidade visual com relevância biológica. Os resultados mostram que o sistema consegue detetar colónias com elevada precisão, alcançando uma Precisão de 99.1%, um Recall de 91.7% e um F1 score de 95.3%. Além disso, o módulo de previsão gerou previsões realistas do crescimento das colónias, e a análise de contaminação forneceu métricas relevantes em diferentes condições experimentais. A exploração de diferentes intervalos temporais demonstrou compromissos complementares entre detalhe preditivo e plausibilidade biológica, reforçando a flexibilidade da metodologia proposta. A principal conclusão desta dissertação é que a Inteligência Artificial pode ser aplicada de forma eficaz para prever o crescimento microbiano em contextos laboratoriais. Ao integrar deteção, previsão e análise de contaminação num único enquadramento, este trabalho estabelece uma base tecnológica que apoia a transição para fluxos de esterilização mais inteligentes e contribui para a visão mais ampla de ambientes de saúde seguros, eficientes e inteligentes.
A crescente procura por segurança e eficiência nos cuidados de saúde realça a importância de otimizar os procedimentos de esterilização, onde atrasos ou erros podem comprometer os resultados clínicos. Neste contexto, a análise microbiológica de placas de ágar constitui uma etapa fundamental, pois permite identificar o crescimento microbiano que pode comprometer a qualidade da esterilização. No entanto, os métodos tradicionais de inspeção são morosos e dependem fortemente da observação manual, o que limita a sua escalabilidade em ambientes clínicos. Paralelamente, a Inteligência Artificial tem demonstrado um forte potencial em análise de imagem e previsão, oferecendo oportunidades para reforçar a análise microbiológica e apoiar a tomada de decisão nos fluxos de trabalho em saúde. Esta dissertação aborda o problema da deteção e previsão do crescimento de colónias bacterianas em placas de ágar. Antecipar a forma como as colónias evoluem é essencial para avaliar os níveis de contaminação, mas esta tarefa permanece desafiante devido à variabilidade natural dos padrões de crescimento, à ocorrência de colónias sobrepostas e à diversidade de condições experimentais que influenciam o comportamento microbiano. Para enfrentar este problema, foi desenvolvida uma aplicação integrada estruturada em três módulos principais. O primeiro é um módulo de deteção que aplica a arquitetura de deteção de objetos YOLO para identificar colónias bacterianas em imagens de placas de ágar. O segundo é um módulo de previsão sintética baseado em autoencoders convolucionais, capaz de prever estados futuros das colónias a partir de observações iniciais. O terceiro é um módulo de análise de contaminação que traduz as previsões em indicadores interpretáveis, como o número de colónias, o tamanho médio, a taxa de crescimento e a cobertura. Em conjunto, estes módulos formam um pipeline completo concebido para combinar fidelidade visual com relevância biológica. Os resultados mostram que o sistema consegue detetar colónias com elevada precisão, alcançando uma Precisão de 99.1%, um Recall de 91.7% e um F1 score de 95.3%. Além disso, o módulo de previsão gerou previsões realistas do crescimento das colónias, e a análise de contaminação forneceu métricas relevantes em diferentes condições experimentais. A exploração de diferentes intervalos temporais demonstrou compromissos complementares entre detalhe preditivo e plausibilidade biológica, reforçando a flexibilidade da metodologia proposta. A principal conclusão desta dissertação é que a Inteligência Artificial pode ser aplicada de forma eficaz para prever o crescimento microbiano em contextos laboratoriais. Ao integrar deteção, previsão e análise de contaminação num único enquadramento, este trabalho estabelece uma base tecnológica que apoia a transição para fluxos de esterilização mais inteligentes e contribui para a visão mais ampla de ambientes de saúde seguros, eficientes e inteligentes.
Description
Keywords
Bacterial Colony Detection Synthetic Forecasting Deep Learning Image Anal ysis Contamination Assessment Healthcare Sterilization