Improving Agar Plate Image Quality Using a Low-Cost 3D-Printed Lightbox: A Proof-of-Concept Evaluation for Machine Learning-Assisted Analysis.

چکیده اصلی

Agar plate photography is widely used to document microbial growth, but images captured under routine laboratory lighting are often affected by glare, reflections, shadows, and uneven illumination, which may compromise both visual interpretation and computational analysis. This proof-of-concept study developed and evaluated a low-cost, three-dimensional (3D)-printed lightbox for standardized smartphone-based agar plate imaging. Image characteristics were assessed across five uncultured agar media under traditional and lightbox conditions using Fiji/ImageJ. Machine learning-assisted analysis was then performed on cultured horse blood agar plates using QuPath. Separate Random Trees pixel classifiers were developed for traditional and lightbox images to distinguish colonies from background agar and noncolony artifacts. A semiautomated QuPath-assisted workflow was also compared with manual colony counts across 14 growth-positive horse blood agar plates. Lightbox imaging reduced reflective artifact, improved illumination consistency, and enhanced visualization of colony margins and hemolysis-associated changes. Traditional-lighting images produced more artifact-related classifier detections, including glare, reflections, and uncolonized agar being detected as colony-like regions. In the exploratory colony-count comparison, semiautomated QuPath-assisted counts showed close agreement with manual reference counts (Pearson r = 0.999; mean absolute error = 2.4 colonies per plate). These findings demonstrate that a low-cost, 3D-printed lightbox can improve the quality and standardization of smartphone-based agar plate images and support more interpretable machine learning-assisted analysis. Further validation using larger independent data sets, additional organisms, media types, and imaging devices is required.

ترجمه فارسی چکیده

عکاسی پلیت آگار برای مستندسازی رشد میکروبی استفاده می‌شود، اما تصاویر گرفته شده تحت نور معمول آزمایشگاه اغلب تحت تأثیر درخشش، بازتاب، سایه و روشنایی ناهمگن قرار می‌گیرند که ممکن است هم تفسیر بصری و هم تحلیل محاسباتی را مختل کند. این مطالعه اثبات مفهوم، یک جعبه نورپردازی سه بعدی (3D) چاپ شده ارزان‌قیمت را برای عکاسی استاندارد پلیت آگار با استفاده از گوشی هوشمند توسعه و ارزیابی کرد. ویژگی‌های تصویر در پنج رسانه آگار بدون کشت تحت شرایط سنتی و جعبه نورپردازی با استفاده از Fiji/ImageJ ارزیابی شد. سپس تحلیل با کمک یادگیری ماشین بر روی پلیت‌های آگار خون اسب کشت داده شده با استفاده از QuPath انجام شد. طبقه‌بندی‌گرهای پیکسل درخت تصادفی جداگانه برای تصاویر سنتی و جعبه نورپردازی توسعه یافتند تا کلونی‌ها را از آگار پس‌زمینه و اشیاء غیرکلونیی متمایز کنند. یک جریان کار نیمه‌خودکار با کمک QuPath نیز در مقایسه با شمارش دستی کلونی‌ها در ۱۴ پلیت آگار خون اسب با رشد مثبت مقایسه شد. عکاسی با جعبه نورپردازی، اشیاء مرتبط با بازتاب را کاهش داد، ثبات روشنایی را بهبود بخشید و وضوح لبه‌های کلونی و تغییرات مرتبط با همولیز را افزایش داد. تصاویر با نور سنتی، تشخیص‌های بیشتری طبقه‌بندی‌گر مرتبط با اشیاء را تولید کردند، از جمله درخشش، بازتاب‌ها و آگار بدون کلونی که به عنوان مناطق شبیه کلونی شناسایی شدند. در مقایسه اکتشافی شمارش کلونی، شمارش‌های نیمه‌خودکار با کمک QuPath همگرایی نزدیکی با شمارش‌های مرجع دستی نشان دادند (r پیرسون = 0.999؛ خطای مطلق میانگین = 2.4 کلونی در هر پلیت). این یافته‌ها نشان می‌دهند که یک جعبه نورپردازی سه بعدی چاپ شده ارزان‌قیمت می‌تواند کیفیت و استانداردسازی تصاویر پلیت آگار مبتنی بر گوشی هوشمند را بهبود بخشد و تحلیل‌های قابل تفسیرتر با کمک یادگیری ماشین را پشتیبانی کند. اعتبارسنجی بیشتر با استفاده از مجموعه‌های داده مستقل بزرگ‌تر، گونه‌های میکروبی اضافی، انواع رسانه و دستگاه‌های عکاسی مورد نیاز است.

متن کامل اصلی