Images haute résolution de colonies de bactéries isolées cliniquement pour la détection automatisée et l’apprentissage profond

Pourquoi de minuscules points sur une boîte comptent

Lorsque les médecins recherchent une infection, ils font souvent pousser des microbes à partir d’un prélèvement patient sur une plaque nutritive et attendent l’apparition de petits points appelés colonies. Chaque point provient d’un seul microbe, et son apparence et sa configuration aident le personnel de laboratoire à émettre des hypothèses sur l’agent responsable. Mais lire des centaines de plaques à l’œil est lent et fatigant. Cette étude décrit une vaste collection soigneusement constituée d’images de colonies de haute qualité destinée à aider les ordinateurs à repérer et compter ces points rapidement et de façon cohérente.

Du plan de travail encombré aux images numériques

Dans les laboratoires hospitaliers, le personnel fait régulièrement croître des bactéries à partir de sang, d’urine ou de voies respiratoires. Ils inspectent ensuite les colonies selon leur taille, leur couleur et leur forme pour orienter le diagnostic et le traitement. La lecture traditionnelle à l’œil n’est pas seulement gourmande en travail ; elle varie aussi d’une personne à l’autre, surtout lorsque de nombreuses plaques doivent être examinées rapidement. À mesure que les systèmes de santé testent plus de patients et cherchent des réponses plus rapides, la transition du contrôle manuel vers des outils numériques capables de traiter un grand nombre d’images avec la même rigueur devient une priorité.

Construire une fenêtre plus nette sur les bactéries

Les auteurs se sont donné pour objectif de créer une collection d’images de colonies qui évite de nombreux défauts des jeux de données anciens, comme un éclairage inégal ou un faible nombre d’espèces. Ils ont rassemblé des souches cliniques issues de vrais patients sur près de deux ans, couvrant 19 types bactériens importants, y compris plusieurs souvent résistants aux antibiotiques. Pour chaque espèce, ils ont choisi plusieurs souches distinctes et les ont cultivées sur milieux solides dans des conditions strictement contrôlées, attendant parfois 48 heures pour que les croissances lentes révèlent leur aspect typique. Ils ont ensuite utilisé un dispositif d’imagerie fermé et à l’épreuve de la lumière avec une caméra fixe et deux sources lumineuses, l’une traversant la plaque et l’autre réfléchissant au-dessus, pour capturer des images nettes et stables de chaque boîte.

Transformer les plaques en nombres pour les ordinateurs

Une fois les images capturées, des techniciens formés ont soigneusement tracé des boîtes autour de chaque colonie à l’aide d’un logiciel d’annotation. Deux inspecteurs ont marqué les colonies indépendamment, et un troisième expert a résolu les rares désaccords, de sorte que les marquages finaux correspondaient de près aux bords réels des colonies. L’équipe a également retourné horizontalement ou verticalement des images pour créer des exemples supplémentaires, en ajustant les annotations en conséquence. Au final, ils ont produit 950 images originales et leurs versions retournées, soit 1 900 images contenant 118 442 colonies annotées. Les étiquettes sont stockées dans plusieurs formats courants afin que différents outils d’intelligence artificielle puissent utiliser les mêmes données avec peu de travail supplémentaire.

Mettre le jeu de données à l’épreuve

Pour montrer ce que leur jeu de données permet, les chercheurs ont entraîné un modèle moderne de détection d’objets pour localiser les colonies sur les plaques et analyser comment les différentes espèces se disposent dans une carte compacte de caractéristiques d’image. Ils ont utilisé uniquement les images originales, en les divisant en ensembles d’entraînement et de test, et ont appliqué des techniques courantes comme le mélange et le masquage de parties d’images pendant l’apprentissage. Sur les plaques de test mises de côté, le modèle a atteint une très grande précision pour la plupart des 19 espèces, avec seulement quelques difficultés sur des colonies petites ou pâles qui se confondent avec le fond. Lorsqu’ils ont tracé la manière dont le modèle regroupe les colonies dans une carte en deux dimensions, chaque espèce formait un amas clair, montrant que les images contiennent des indices visuels nets et distincts qu’un ordinateur peut apprendre.

Ce que cela implique pour le travail futur en laboratoire

Ce jeu de données ouvert offre un point de départ propre et riche pour concevoir et valider des outils capables de détecter et de compter automatiquement les colonies, et même de distinguer des traits subtils comme des anneaux de dommages cellulaires rouges autour de certaines bactéries. Bien qu’il se concentre sur des espèces uniques cultivées seules plutôt que sur le mélange désordonné d’échantillons patients réels, il capture la variété naturelle entre souches et présente les colonies dans des conditions hautement reproductibles. Pour le lecteur non spécialiste, la conclusion principale est que transformer des milliers d’images de boîtes de Pétri bien éclairées en une ressource partagée facilite pour de nombreux groupes la conception et la comparaison de systèmes intelligents qui pourraient, un jour, aider les laboratoires hospitaliers à fournir des résultats d’infection plus rapides et plus fiables.

Citation: Du, J., Yang, C., Sun, M. et al. High-Resolution Colony Images of Clinically Isolated Bacteria for Automated Detection and Deep Learning. Sci Data 13, 757 (2026). https://doi.org/10.1038/s41597-026-07095-5

Mots-clés: colonies bactériennes, jeu de données d’images, détection automatisée, apprentissage profond, microbiologie clinique