醫藥行業
傷口細菌感染是影響愈合過程的關鍵因素之一，嚴重時甚至可能發展為膿毒癥，危及患者生命。因此，如何快速、準確地檢測傷口細菌，并及時采取干預措施，一直是醫療領域關注的重點。一項發表于《IEEE Sensors Journal》的研究提出了一種基于高光譜成像技術的新型檢測方法，該研究采用彩譜科技FigSpec FS 13高光譜相機作為核心成像設備，為傷口細菌的高效、無創檢測提供了可靠的技術路徑與可行解決方案。
高光譜成像融合了光譜技術和圖像技術，能夠在獲取樣本空間信息的同時，采集其在不同波段的光譜信息。這種技術具有非接觸、無損傷的特點，已在食品安全、農產品質量檢測、水質監測等領域得到應用。
在細菌檢測方面，傳統方法如色譜法、聚合酶鏈式反應技術、基因芯片技術等雖然準確，但往往需要復雜的樣品前處理、生物試劑以及較長的培養時間。高光譜成像技術的引入，為實現快速、無損的細菌檢測提供了新的技術路徑。
該研究團隊構建了一個名為“CBIA-Net”的雙分支神經網絡，用于處理高光譜數據中的細菌光譜信息。這一網絡結構包含三個主要組成部分：
1. BiGTrans分支：結合了雙向門控循環單元和Transformer結構，用于捕捉光譜序列中的順序信息和長距離依賴關系，獲取全局特征。
2. CNN1D分支：通過一維卷積模塊提取光譜序列中的局部特征，利用不同尺寸的卷積核逐步擴大感受野，捕捉光譜的短時波動變化。
3. 跨分支加權融合模塊：則對上述兩個分支提取的全局特征和局部特征進行交互融合，通過通道加權的方式增強特征的表征能力。
這一設計使得網絡能夠同時關注光譜數據中的全局信息和局部細節，提升分類的準確性。
為驗證方法的有效性，研究團隊制備了七種典型傷口感染細菌的樣本，包括表皮葡萄球菌、大腸桿菌、腐生葡萄球菌、肺炎克雷伯菌、金黃色葡萄球菌、銅綠假單胞菌和普通變形桿菌。每種細菌均設置了四個不同濃度（105、107、109、1010CFU/mL），共獲得28個樣本。
研究使用可見光-近紅外高光譜成像系統采集這些樣本的圖像，通過感興趣區域提取和滑動窗口切割，最終構建了包含44923條光譜序列的高光譜傷口典型細菌數據集。
實驗結果表明，該方法在精確率、召回率、準確率和F1分數四項評估指標上均達到97.03%的水平，與其他傳統機器學習算法和深度學習算法相比具有一定優勢。
這項研究展示了高光譜成像技術結合深度學習算法在細菌檢測領域的應用潛力。該方法無需復雜的樣品前處理和生物試劑，有望實現對傷口細菌的快速、無創檢測，為臨床傷口管理提供輔助決策支持。
對于高光譜成像技術而言，這類應用拓展了其在生物醫學領域的使用場景。隨著相關研究的深入和技術的成熟，高光譜相機在醫療檢測、食品微生物安全監測等領域或將發揮更廣泛的作用。
（論文原文可通過ieeexplore.ieee.org搜索《CBIA-Net for Rapid Detection of Typical Wound Bacteria Using Hyperspectral Imaging》進行閱讀）
產品推薦
FigSpec FS-13高光譜相機（線掃描）
l 光譜范圍：400-1000nm
l 光譜分辨率：2.5nm
l 光譜波段：1200
l 空間像素數：1920
