Přesná a efektivní analýza mikrobiálních kultur na agarových miskách je zásadní pro mnohé biomedicínské aplikace. Stávající nejmodernější řešení strojového učení však mají často potíže s generalizací složitosti reálných vzorků, jako jsou překrývající se kolonie, různé osvětlení a typy agaru, a to kvůli kritickému nedostatku dostatečně velkých anotovaných datových sad. Tato doktorská práce se zabývá těmito omezeními prostřednictvím vývoje a aplikace pokročilých technik strojového učení na analýzu obrazu agarových misek.

Hlavním problémem, který je řešen, je nedostatek anotovaných datových sad. K překonání tohoto problému je představena nová metodologie pro generování vysoce realistických syntetických obrazů agarových misek. Tento přístup prokazuje svou významnou účinnost při rozšiřování reálných dat, což vede k podstatnému zlepšení výkonu testovaného modelu. Například navrhovaný syntetický generátor zvýšil F1 skóre pro sémantickou segmentaci mikrobiálních kolonií z 0,518 na 0,729, což prokazuje výrazné zlepšení přesnosti a generalizovatelnosti. Tento základní segmentační model byl dále zdokonalen a ověřen v následující práci, kde dosáhl skóre F1 0,906 na rozšířeném datovém souboru, čímž poskytl velmi robustní základ pro všechny následné analýzy.

Kromě toho tato práce posouvá analýzu nad rámec jednoduché segmentace tím, že implementuje sofistikovaný analytický přístup pro přesnou charakterizaci mikrobiálního materiálu. Tento modulární systém využívá Gaussovy směsné modely (GMM) s parametry optimalizovanými genetickými algoritmy k seskupování pixelů na základě jejich morfologických vlastností. Tento automatizovaný přístup dosahuje za optimálních podmínek hodnoty V-measure 0,723, což výrazně převyšuje hodnotu 0,545 metody k-means, a eliminuje potřebu ručního ladění.

Tento výzkum přispívá komplexním výpočetním systémem, který prokazatelně posouvá automatizovanou mikrobiální analýzu nad rámec předchozích metod. Vyvinuté metodiky poskytují robustní základ pro budování automatizovaných laboratorních systémů nové generace, které slibují zrychlení diagnostiky, zefektivnění výzkumu a zvýšení standardu kvantifikace a charakterizace mikroorganismů.