CN110520737B - 用于在试样表征期间进行标签补偿的方法和装置 - Google Patents
用于在试样表征期间进行标签补偿的方法和装置 Download PDFInfo
- Publication number
- CN110520737B CN110520737B CN201880024492.4A CN201880024492A CN110520737B CN 110520737 B CN110520737 B CN 110520737B CN 201880024492 A CN201880024492 A CN 201880024492A CN 110520737 B CN110520737 B CN 110520737B
- Authority
- CN
- China
- Prior art keywords
- tag
- sample
- serum
- viewpoints
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
- G01N35/00732—Identification of carriers, materials or components in automatic analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00722—Communications; Identification
- G01N35/00732—Identification of carriers, materials or components in automatic analysers
- G01N2035/00742—Type of codes
- G01N2035/00752—Type of codes bar codes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
- G01N21/9036—Investigating the presence of flaws or contamination in a container or its contents using arrays of emitters or receivers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
- G01N21/909—Investigating the presence of flaws or contamination in a container or its contents in opaque containers or opaque container parts, e.g. cans, tins, caps, labels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/0099—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor comprising robots or similar manipulators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/02—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor using a plurality of sample containers moved by a conveyor system past one or more treatment or analysis stations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10144—Varying exposure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10141—Special mode during image acquisition
- G06T2207/10152—Varying illumination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
一种用于表征被一个或多个标签遮挡的区域中的试样的血清和血浆部分的方法。所述表征方法可以用于向HILN(H、I和/或L或N)检测方法提供输入。所述表征方法包括:从多个视点捕获包括血清或血浆部分的带标签的试样容器的一个或多个图像;处理所述一个或多个图像以提供包括含标签区域的标识的分割数据;确定所述含标签区域与从参考标签配置数据库中选择的参考标签配置的最接近的标签匹配;以及基于所述分割信息和所述最接近的标签匹配来生成组合表示。使用所述组合表示允许补偿所述含标签区域的光阻挡影响。如其他方面那样,描述了被适配成实施所述方法的质量检查模块和测试装置。
Description
相关申请的交叉引用
本申请要求2017年4月13日提交的序列号为62/485,262的美国临时申请的优先权,该申请的内容被整体地通过引用并入本文中。
技术领域
本公开涉及一种用于表征试样(specimen)的方法和装置,并且更特别地涉及一种用于确定试样是否包括溶血(H)、黄疸(I)和/或高脂血(L)、或者是否正常(N)的方法和装置。
背景技术
自动化测试***可以用于使用一个或多个试剂来进行临床化学检测或化验测试以标识试样中的分析物或其他成分,诸如尿液、血清、血浆、间质液、脑脊髓液等。出于方便和安全原因,这些试样可以被包含在试样容器(例如,血液收集管)中。化验或测试反应生成可被读取和/或操纵以确定试样中存在的分析物或其他成分的浓度的各种改变。这种试样容器可以具有在其上提供的一个标签,并且有时多于一个标签。(一个或多个)标签可以是制造商的标签、和/或包括如下信息的标签:该信息帮助试样的标识以及可能地帮助在其上进行的测试。在大多数实例中,标签上的信息作为打印条形码而提供。标签可以是纸标签。
自动化测试技术中的改进已伴随着预分析试样制备和处置操作中的对应进步,这些操作诸如由自动化***进行的分类、批量制备、将试样容器离心以分离试样成分、盖移除以便于试样进入,该自动化***可以是实验室自动化***(LAS)的一部分。LAS可以自动地将试样容器中的试样运送到一个或多个预分析试样处理站、以及包含临床化学分析器和/或化验仪器(下文中统称为“分析器”)的分析器站。
这些LAS可以同时处置对多个不同试样的处理,并且可以使用标签上的条形码或其他标识符来进行跟踪和路由。标签可以包含可与人口统计信息相关的登记号(accessionnumber)或者条形码可以对该登记号进行编码,该人口统计信息可以连同测试次序和/或其他信息一起被录入到医院的实验室信息***(LIS)中。操作者可以将带标签的试样容器放置到LAS***上,LAS***可以对试样容器进行自动路由以用于诸如离心、脱盖和等分试样制备(aliquot preparation)之类的一个或多个预分析操作;这些操作中的全部都可能在试样实际上经受由一个或多个分析器进行的临床分析或化验之后,该分析器可以是LAS的一部分。
对于某些测试而言(诸如,对于干扰物的检测而言,该干扰物诸如H、I和/或L),通过分馏(例如,通过离心)从整个血液获得的血清或血浆部分可能经受预分析测试。在一些实施例中,可以向试样容器添加凝胶(gel)分离物,以帮助沉降的(settled)血液部分与血清或血浆部分分离。在分馏和随后的预分析测试之后,在一些实施例中,可以将试样容器运送到适当的分析器,该分析器可以经由吸入手段而从试样容器中提取血清或血浆部分,并且将血清或血浆部分与一种或多种试剂组合在反应器皿(例如,比色皿或其他器皿)中。然后可以执行分析测量,通常使用例如询问辐射(interrogating radiation)的射束,或者通过使用光度测定或荧光测定吸收读数等来执行分析测量。测量允许端点或速率值的确定,可以使用公知的技术从该端点或速率值确定分析物或其他成分的浓度。
不幸的是,由于患者状况或样本处理所致的试样中的任何干扰物(例如H、I和/或L)的存在可能会不利地影响从分析器获得的分析物或成分测量的测试结果。例如,可能与患者疾病状态无关的试样中的溶血的存在可能导致对患者的疾病状况的不同解释。此外,试样中的黄疸和/或高脂血的存在也可能导致对患者的疾病状况的不同解释。
在现有技术中,可以由熟练的实验室技术人员在视觉上检查试样的血清或血浆部分的完整性,并且针对H、I和/或L的程度(例如,通过指派指数)或正常(N)来对该完整性进行评定。这可能涉及针对已知标准来审查试样的血清或血浆部分的颜色。正常(N)的血清或血浆部分具有浅黄至浅琥珀颜色。包含溶血(H)的血清或血浆部分可能具有微红颜色。包含黄疸(I)的血清或血浆部分由于增加的胆红素而可能具有深黄颜色,并且包含高脂血(L)的血清或血浆部分可能具有泛白或乳白色外观。取决于颜色,实验室技术人员指派指数值。然而,由人员进行的这种视觉检查是非常主观、劳动密集的,并且充满人工错误的可能性。
因为手动检查包括上面列出的问题,所以已经做出了努力以便在不使用实验室技术人员的视觉检查、而是通过在预分析测试(在下文中被称为“预筛选”)期间使用自动化机器视觉检查方法来评估试样的完整性。然而,在某些实例中,一个或多个上述标签可能直接粘附到试样容器上。(一个或多个)这种标签可能部分地遮挡并遮盖试样的某些视点,使得可能仅有一个旋转取向提供了在视觉上观察血清或血浆部分的清楚机会。因此,这种预分析测试的自动化已经包括:例如,以允许针对HILN的自动化预筛选的这种方式来旋转地对试样进行定向。
例如,在一些***(诸如,题为“Methods And Apparatus For AscertainingInterferents And Physical Dimensions in Liquid Samples And Containers To BeAnalyzed By A Clinical Analyzer”的Miller的美国专利No. 9,322,761中描述的那些***)中,对试样容器进行旋转以找到不被标签遮住的观看窗口,并且实施成像。然而,这种***可能不太倾向于简化自动化,并且可能具有其他问题。此外,在某些实例中,仅有小部分的血清或血浆部分是可见的,使得关于血清或血浆部分的读数可能不涉及高置信水平。进一步地,在一些实施例中,多个标签可能完全地遮盖试样的视图,即关于试样容器的周长缠绕360度。
因此,存在对于被适配成表征试样的血清或血浆部分的方法和装置的未满足的需要,以便能够在血清或血浆部分被一个或多个标签部分或完全地遮挡时确定HILN的存在以及可能地确定其程度。
发明内容
根据第一方面,提供了一种表征方法。所述方法包括:从包括血清或血浆部分的试样容器的多个视点来捕获一个或多个图像,其中所述试样容器在其上包括一个或多个标签;处理来自所述多个视点的所述一个或多个图像,以针对所述多个视点中的每一个提供分割数据,所述分割数据包括含标签区域的标识;提供参考标签配置数据库,所述数据库包括关于多个参考标签配置的参考图像数据;标识并且选择所述含标签区域与从参考标签配置数据库中包含的所述多个参考标签配置中选择的参考标签配置的最接近的标签匹配;以及基于所述分割数据和所述最接近的标签匹配来生成组合表示。
根据另一方面,提供了一种质量检查模块。所述质量检查模块包括:多个图像捕获设备,所述多个图像捕获设备被布置在成像位置周围,并且被配置成从试样容器的多个视点来捕获多个图像,所述试样容器包括一个或多个标签并且包含试样的血清或血浆部分;以及计算机,所述计算机耦合到所述多个图像捕获设备,并且被适配成处理所述多个图像的图像数据。所述计算机被配置并且能够***作以便:处理来自所述多个视点的所述多个图像,以针对所述多个视点中的每一个提供分割数据,所述分割数据包括含标签区域的标识;存储参考标签配置数据库,所述数据库包括关于多个参考标签配置的参考图像数据;确定所述含标签区域与从参考标签配置数据库中包含的所述多个参考标签配置中选择的参考标签配置的最接近的标签匹配;以及基于所述分割数据和所述最接近的标签匹配来生成组合表示。
在另一方面,提供了一种试样测试装置,其被适配成确定试样容器内包含的试样中的干扰物的存在。所述试样测试装置包括:轨道(track);以及载体,所述载体可在所述轨道上移动,并且被配置成包含所述试样容器,所述试样容器包括一个或多个标签并且包含试样的血清或血浆部分;以及多个图像捕获设备,所述多个图像捕获设备被布置在所述轨道周围,并且被配置成从多个视点来捕获所述试样容器和试样的多个图像;以及计算机,所述计算机耦合到所述多个图像捕获设备,并且被适配成处理所述多个图像的图像数据。所述计算机被配置并且能够***作以便:处理来自所述多个视点的所述多个图像,以针对所述多个视点中的每一个提供分割数据,所述分割数据包括含标签区域的标识;存储参考标签配置数据库,所述数据库包括关于多个参考标签配置的参考图像数据;确定所述含标签区域与从参考标签配置数据库中包含的所述多个参考标签配置中选择的参考标签配置的最接近的标签匹配;以及基于所述分割数据和所述最接近的标签匹配来生成组合表示。
本公开的再其他的方面、特征和优点可以通过说明多个示例实施例和实现方式(包括为了实施本发明所设想到的最佳模式)而从以下描述中容易地显而易见。本发明还可以能够具有其他和不同的实施例,并且可以在全部不脱离本发明的范围的情况下、在各种方面修改其若干细节。本公开意图覆盖落入所附权利要求的范围内的所有修改、等同物和替代方案。
附图说明
以下描述的附图出于说明性的目的并且不一定按照比例绘制。相应地,附图和描述要被视为本质上是说明性的,而不被视为限制性的。附图不意图以任何方式限制本发明的范围。
图1图示了根据一个或多个实施例的试样测试装置的俯视示意图,该试样测试装置包括一个或多个质量检查模块,该模块被配置成实施本文中描述的方法。
图2A图示了试样容器的侧视图,该试样容器包括分离的试样,该分离的试样具有包含干扰物的血清或血浆部分,并且其中该试样容器包括被应用在其上的标签(例如,条形码标签)。
图2B图示了试样容器的侧视图,该试样容器包括标签、分离的试样、并且进一步包括凝胶分离物,该分离的试样包括包含干扰物的血清或血浆部分。
图3A图示了试样容器的侧视图,该试样容器包括标签、分离的试样、凝胶分离物,该分离的试样包含血清或血浆部分中的干扰物,并且其中该试样容器被示出以竖直取向被保持在保持器中。
图3B图示了试样容器的侧视图,该试样容器包括从一个横向视点遮挡和遮盖血清或血浆部分的多个标签。
图3C图示了试样容器的侧视图,该试样容器包括从至少两个横向视点遮挡和遮盖血清或血浆部分的至少一部分的多个标签。
图3D和3E图示了试样容器的相应的前视图和后视图,该试样容器包括多个标签,该多个标签关于试样容器的周长而缠绕并且从任何视点完全地遮挡和遮盖血清或血浆部分。
图4A图示了根据一个或多个实施例的质量检查模块(其中顶板被移除)的示意性俯视图,该质量检查模块包括多个视点并且被配置成捕获和分析多个背光式图像,以使得能够表征试样并且确定干扰物的存在。
图4B图示了根据一个或多个实施例的沿着剖面线4B-4B截取的图4A的质量检查模块(其中前外壳壁被移除)的示意性侧视图。
图5图示了根据一个或多个实施例的质量检查模块的功能组件的框图,该质量检查模块被配置成表征试样,并且其可以用于确定试样中的H、I和/或L或N的存在。
图6A图示了根据一个或多个实施例的来自语义地图(semantic map)的第一视点的第一分割图像。
图6B图示了根据一个或多个实施例的来自语义地图的第二视点的第二分割图像。
图6C图示了根据一个或多个实施例的来自语义地图的第三视点的第三分割图像。
图6D图示了一示意性俯视图,其图示了根据一个或多个实施例的质量检查模块的各种视点。
图6E图示了根据一个或多个实施例的来自合成视点的语义后视图。
图6F图示了根据一个或多个实施例的来自合成视点的语义前视图。
图6G图示了根据一个或多个实施例的参考标签配置数据库的示例索引方案。
图6H图示了根据一个或多个实施例的包括含标签区域的试样容器的向下看的视图,并且其示出了相对于各种视点的示例标签取向。
图7是根据一个或多个实施例的表征方法的流程图。
具体实施方式
在(诸如在质量检查模块处)对试样容器中包含的试样进行预分析表征(预筛选)期间,提供了一种对试样容器和试样的各种区域进行分类的方法。特别地,期望血清和血浆部分被分类和标识,并且与其他区域区分,该其他区域诸如沉降的血液部分和凝胶分离物(如果使用的话)。此外,可以表征一个或多个标签、试样容器(例如,管)、空气、盖或甚至保持器。血清和血浆部分与包括一个或多个标签的区域的区分是特别令人烦恼的问题,这是因为一个或多个标签可能在各种程度上缠绕在试样容器周围,并且可以包括一个、两个、或甚至三个或更多个粘附在彼此之上的标签。在某些情况下,标签可能在某种程度上彼此重叠。因此,一个或多个标签可能遮挡和遮盖一个或多个视图,并且在一些情况下,可能遮挡和遮盖血清或血浆部分的所有视图,使得难以获得血清或血浆部分的清晰视图。此外,在某些情况下,血清或血浆部分的仅非常小的部分是可看到的。
因此,由于来自一个或多个标签的干扰,血清或血浆部分的分类可能是具有挑战性的,这些标签的放置和数量从一个试样容器到下一个试样容器显著地变化。特别地,鉴于一个或多个标签可能出现在试样容器的相对侧上并且可能涉及多个层,因此由一个或多个标签引起的遮挡可能严重地影响来自各种视点的光谱响应。
因此,鉴于上面描述的挑战,在第一宽泛方面,本公开的实施例提供了一种被配置成确定在试样容器上提供的一个或多个标签的存在和程度(即,这些标签的配置)的方法、装置和***。附加地,鉴于标签的存在,所述方法、装置和***允许对光谱响应进行合适的调整,使得可以表征和去除(一个或多个)标签的影响。因此,血清或血浆区域的较大区域可以是可用的并且可以被表征,并且因此可以用于确定H、I和/或L的程度或者确定为N。
在第一实施例中,提供了一种表征方法。所述表征方法包括:从包括血清或血浆部分的试样容器的多个视点来捕获一个或多个图像,其中所述试样容器在其上包括一个或多个标签。由计算机来处理来自所述多个视点的一个或多个图像,以便针对所述多个视点中的每一个提供分割数据。分割数据包括试样容器的含标签区域的标识,并且还可以包括关于血清或血浆部分、以及甚至沉降的血液部分、管、空气、盖和/或保持器的位置的分割信息。所述方法包括提供参考标签配置数据库,所述数据库包括关于多个参考标签配置的参考图像数据。参考标签配置是众多可能的标签配置,包括例如一个标签、两个标签、三个标签、或甚至更多个标签,这些标签以可能在成像期间实际遇到的不同的可能配置(取向)而布置。参考标签配置数据库可以由能够被索引的子数据库组成。
根据另一方面,所述方法确定所述含标签区域与从参考标签配置数据库中包含的所述多个参考标签配置中选择的参考标签配置的最接近的标签匹配。基于所述分割信息和所述最接近的标签匹配来生成组合表示。然后,可以将该组合表示提供给HILN分类器,以提供对血清或血浆部分的更好表征,这是因为已经补偿了标签的影响。因此,可以使用所述方法来获得对血清或血浆部分的HILN的改进表征。进一步地,可以实现改进的HIL水平表征。
定义
如本文中所使用的“干扰物”意指在试样的血清或血浆部分中的溶血(H)、黄疸(I)或高脂血(L)中的至少一个的存在。溶血(H)、黄疸(I)和高脂血(L)在本文中统称为“HIL”。
“溶血”被定义为血清或血浆部分中的状况,其中在处理期间血红细胞被破坏,这导致血红蛋白从血红细胞释放到血清或血浆部分中,使得血清或血浆部分呈现微红色调。可以通过指派溶血指数来量化溶血的程度。
“黄疸”被定义为血液的状况,其中血清或血浆部分为变色的暗黄色,这是由胆汁色素(胆红素)的积聚所引起的。可以通过指派黄疸指数来量化黄疸的程度。
“高脂血”被定义为血液中异常高浓度的乳化脂肪的存在,使得血清或血浆部分包括泛白或乳白色外观。可以通过指派高脂血指数来量化高脂血的程度。
“血清或血浆部分”是血液的液体组份。在分馏(例如,通过离心)之后,在沉降的血液部分上方发现该血清或血浆部分。血浆和血清在凝血组份的含量方面不同,该凝血组份主要是纤维蛋白原。血浆是未凝结的液体,而血清指代已经被允许在内源酶或外源组份的影响下凝结的血浆。
“沉降的血液部分”是打包的半固体组成的血细胞,诸如白血细胞(白细胞)、血红细胞(红细胞)和血小板(凝细胞),它们聚集并且与血清或血浆部分分离。在分馏之后,在血清或血浆部分下方的试样容器的底部处发现沉降的血液部分。
“图像捕获设备”是能够捕获用于分析的像素化图像(例如,数字图像)的任何设备,诸如数码相机、CCD (电荷耦合设备)和CMOS(互补金属氧化物半导体)、传感器阵列等。
如本文中使用的“像素化图像”意指包括单个像素或像素组的图像,诸如包括多于一个像素的超像素或图像块。具有11个单独像素×11个单独像素的大小的超像素或图像块被发现对于图像数据的有效处理工作良好。
“标签”被定义为被适配成包含标识信息(即标记)的试样容器的外表面上的区域。标签可以是不透明的纸、塑料、涂料或被应用(例如,粘附)到试样容器的外表面的其他材料。标记可以是条形码、字母字符、数字字符或其组合。标签可以是制造商标签,或者可以是由抽血医师(phlebotomist)或由随后的试样处理实体应用后的标签。
“LA”被定义为液体-空气界面,并且是血清或血浆部分与血清或血浆部分上方的空气之间的分界线(横向地观看)。
“SB”是血清-血液界面,其是血清或血浆部分与沉降的血液部分之间的分界线(横向地观看)。
“TC”是管-盖界面,其是在空气与盖之间的界面处的分界线(横向地观看)。
“HT”是管的高度,并且被定义为从管的最底部到盖的底部的高度。
在其中没有使用凝胶分离物的情况下,“HSP”是血清或血浆部分的高度,并且被定义为从血清或血浆部分的顶部到沉降的血液部分的顶部(即,从LA到SB)的高度。
在其中了使用凝胶分离物的情况下(图2B),“HSP”是血清或血浆部分的高度,并且被定义为从LA处的血清或血浆部分的顶部到SG处的凝胶分离物的顶部(即,从LA到SG)的高度。
在其中没有使用凝胶分离物的情况下,“HSB”是沉降的血液部分的高度,并且被定义为从沉降的血液部分的底部到SB处的沉降的血液部分的顶部的高度。
在其中使用了凝胶分离物的情况下,“HSB”是沉降的血液部分的高度,并且被定义为从沉降的血液部分的底部到BG处的凝胶分离物的底部的高度。
在其中没有使用凝胶分离物的情况下,“HTOT”是试样的总高度,并且等于HSP+HSB。
在其中使用了凝胶分离物的情况下,“HTOT”是试样的总高度,并且等于HSP+HSB+凝胶分离物的高度。
“Tw”是试样容器的壁厚度。
“W”是试样容器的外部宽度。
“Wi”是试样容器的内部宽度。
“载体”是被配置成诸如在实验室自动化***(LAS)内支撑和运送试样容器的设备。
“VSP”是试样容器中的血清或血浆部分的容积。
“VSB”是试样容器中的沉降的血液部分的容积。
如本文中所使用的“溶血指数”意指基于存在于血清或血浆部分中的溶血的所确定的含量(程度或量)而向特定试样给出的级别。
如本文中所使用的“黄疸指数”意指基于存在于血清或血浆部分中的黄疸的所确定的含量(程度或量)而向特定试样给出的级别。
如本文中所使用的“高脂血指数”意指基于存在于血清或血浆部分中的高脂血的所确定的含量(程度或量)而向血清或血浆部分给出的级别。
如上所讨论,血清或血浆部分中的一个或多个干扰物(HIL)的存在可能影响对一个或多个分析器进行的随后测试(例如,临床化学检测或化验测试)的结果的解释。因此,在由一个或多个分析器的分析之前针对HILN进行预筛选的能力可以有利地最小化分析不具有用于分析的恰当质量的试样的所浪费的时间。此外,在一个或多个实施例中,可以在其中发现了H、I和/或L的预筛选之后采取补救动作。
如本文中所描述的试样被收集在试样容器(诸如,血液收集管)中,并且该试样可以在分馏(例如,通过离心的分离)之后包括沉降的血液部分以及血清和血浆部分。在一些试样容器中,可以使用小的凝胶分离物,该凝胶分离物在离心期间将其自身定位在沉降的血液部分与血清或血浆部分之间。凝胶分离物用作这两个部分(液体和半固体、沉降的血细胞)之间的物理屏障,并且可以最小化其再混合。试样容器可以具有不同的大小,并且因此可以以多个不同的配置被提供给分析器。例如,试样容器可具有诸如例如13mm×75mm、13mm×100mm、16mm×100mm和16mm×125mm的大小。可以使用其他合适的大小。
根据一个或多个实施例,所述表征方法可以改进对标签的表征,并且因此改进对被标签遮挡的血清或血浆部分的表征。改进的标签表征可用于提供对其中背光被标签遮盖的区域中的血清或血浆部分的更好分类,并且进而可以改进干扰物检测和量化方法的结果。特别地,改进的方法提供了组合表示,其有助于更好地引导分类器以基于任何标签干扰/遮挡来补偿光强度的改变。
表征和干扰物检测方法可以作为预筛选的一部分而实施,即在分析器(例如,临床化学检测或化验仪器)上实施分析之前进行。如本文中所描述,干扰物检测方法可用于检测H、I和/或L或N。在一些实施例中,所述方法可以使用对试样容器和血清或血浆部分的高动态范围(HDR)图像处理来确定干扰物(H、I和/或L或N)的存在。在一些实施例中,对血清或血浆部分和含标签区域的物理边界的标识也可以在分割过程期间通过使用HDR图像处理来进行。
在一个或多个实施例中,质量检查模块可以被配置成实施表征方法。质量检查模块可以被提供在任何合适的区域中,在该区域中,机器人机构(例如,轨道或夹具-指状物机器人)可以便于将试样容器中包含的试样运送到质量检查模块。在一些实施例中,质量检查模块可以在试样测试装置的轨道上或沿着该轨道而提供,其中如果对试样的预筛选确定它是正常的(N),则该轨道将试样承载至远程位置以用于在分析器上进行分析(例如,临床化学测试或化验)。在一些实施例中,质量检查模块可以直接提供在轨道上,使得可以在试样驻留在轨道上时针对干扰物的存在对该试样进行表征和测试。
在实施例中,试样容器可以由试样容器保持器(下文中称为“保持器”)以竖直位置保持。保持器可以包括在捕获图像数据期间保持试样容器的指状物或其他合适的制品。
在进一步的实施例中,所获得的图像数据还可以用于其他目的,诸如伪影(artifact)检测(例如,检测血清或血浆部分中的凝块、气泡或泡沫)。在一些情况下,在基于所处理的分割数据来实施对HILN的确定时,可以简单地忽略被发现包含伪影的像素,这是因为(一个或多个)伪影位置及其程度是已知的。
如果发现试样包含H、I和L中的一个或多个,则可以向操作者提供合适的通知,和/或可以使该合适的通知离线来执行补救以纠正H、I或L中的一个或多个,以用于对H、I或L进行进一步量化以更精确地测量存在的干扰物的程度,以用于重新提取(redraw)、用于转移到另一个容器或用于其他处理。
在某些实例中,在表征方法确定试样容器被标签如此遮挡以致于确定试样的HILN表征可能是可疑的(例如,标签太多)的情况下,可以经由合适的通知(警报、信号或其他合适的标志)来通知操作者,使得试样可以被移除或以其他方式被转移到另一个试样容器以被再次预筛选,这可能会涉及重新分馏。
本文中描述的方法是基于图像的,即基于像素化图像(例如,数字图像)。可以通过为了从多个视点捕获图像而定位的多个图像捕获设备来获得图像。可以在质量检查模块处获得多个图像,并且可以以多个曝光时间来捕获多个图像,同时以具有不同标称波长的多个光谱来提供照明。例如,照明的多个光谱可以包括例如红色、绿色、蓝色、白色,IR和近IR。照明可以包括背光式照明(其中,图像捕获设备在一侧上,而背光源在试样容器的相对侧上)。可以基于所使用的光照强度和光谱以及图像捕获设备的特征来使曝光时间变化。可以针对每个光谱和针对每个图像捕获设备来使用多个曝光时间。
对于特定光谱下(不同曝光时间下)的多个所捕获的图像的每个对应像素而言,可以选择展现出最佳图像强度的像素。结果可以是针对每个不同光谱(例如,红色、绿色、蓝色、白色、IR、近IR)的多个合并的彩色图像数据集,其中所有的像素被最佳地曝光(例如,每个光谱一个图像数据集)。可以对来自合并的颜色数据集的数据进行统计分析,以确定其关于每个像素的统计数据(例如,平均值、标准差和协方差矩阵)。协方差是彩色像素中的两个或更多个一起改变了多少的度量。然后,可以由一个或多个多类别分类器对采用一个或多个数据矩阵的形式的该统计数据进行操作,以便将图像数据集分割成预定义的类别(下文中称为“分割”)。
该分割可以确定和标识图像中的血清或血浆部分的区域的边界、以及其他区域的类别(例如,标签、沉降的血液部分、凝胶分离物、管、盖、保持器和/或空气)。多类别分类器可以是已经从多个训练集预训练的支持向量机(SVM)或随机决策树。然而,可以采用其他类型的分割。任何合适的程序或工具箱(诸如,Matlab、各种C++工具、或甚至基于云的程序)都可以用于通过分类和训练任务进行分割。
一旦包括血清或血浆部分的区域和含标签区域被适当地标识,就可以生成组合表示作为表征方法的一部分。此后,可以使用一个或多个干扰物分类器来直接对干扰物(例如,H、I和/或L)或正常性(N)的存在进行标识和分类。一个或多个干扰物分类器可以是单独训练的二进制模型,其可以将每个像素(或超像素/图像块)分别分类为H、I或L或N。在其他实施例中,干扰物分类器可以是多类别分类器。干扰物分类器模型也可以均是支持向量机(SVM)或随机决策树。可以使用其他合适的分类器。
尽管当血清或血浆部分的足够区域可看到且未被遮挡时使用来自多个视点的图像可以在恰当地表征HILN方面提供可接受的结果,但是本文中的发明人已经发现一个或多个标签在试样容器上的存在可能影响所捕获图像的强度值。例如,如果从一个视点来看,标签位于试样容器的背面,则该标签的存在可能会遮盖可以穿过血清或血浆部分的背光,并且从而影响由图像捕获设备正在该视点处测量的图像强度。本公开的实施例计及这种标签的存在,并且提供了对血清或血浆部分的图像强度的更好且更准确的评估。根据这种改进的表征,可以提供对HILN的更准确的确定。
此外,基于更准确的表征,还可以可选地提供对(一个或多个)干扰物类型的干扰物水平的改进的确定。例如,干扰物水平可以基于一个或多个附加的模型(例如,一个或多个回归模型)。可以基于展现出多样的干扰水平的样本试样而针对每一个干扰物类型来训练回归模型。可以通过所述方法来确定多于一个干扰物类型,并且可以指定针对每一个干扰物类型的干扰物指数。
将在本文中参考图1-7进一步描述本发明的表征方法、被配置成实施所述方法的质量检查模块、以及包括一个或多个质量检查模块的试样测试装置的进一步细节。
图1图示了能够自动处理多个试样容器102(例如,参见图2A-3E)的试样测试装置100。试样容器102在被运送到一个或多个分析器(例如,分别在试样测试装置100周围布置的第一、第二和第三分析器106、108、110)并由这些分析器分析之前可以被包含在装载区域105处的一个或多个架子104中。可以使用更多或更少数量的分析器。分析器可以是临床化学分析器和/或化验仪器等的任何组合。试样容器102可以是任何合适的透明或半透明容器,诸如血液收集管、试管、样本杯、比色皿、或能够包含试样212并对其进行成像的其他清晰或浑浊的玻璃或塑料容器。试样容器102可以在大小方面变化。
要被自动预筛选并且然后处理的试样212(图2A-3E)可以在试样容器102中被提供给试样测试装置100,试样容器102可以用盖214盖住。盖214可以具有不同的形状和/或颜色(例如,红色、宝蓝色、浅蓝色、绿色、灰色、棕褐色、黄色或颜色组合),该不同的形状和/或颜色在试样容器102用于什么测试、其中包括的添加剂的类型、该容器是否包括凝胶分离物等方面可能具有意义。可以使用其他颜色。
每个试样容器102可以被提供有标签218,标签218包括标识信息218i(即标记),诸如条形码、字母、数字或其组合,它们在关于试样测试装置100的各个位置处可以是机器可读的。机器可读信息可以比标签材料(例如,白纸)更深(例如,黑色),使得其易于被成像。例如,标识信息218i经由实验室信息***(LIS)147可以指示患者的标识、以及要在试样212上完成的测试或其他信息,或者可以以其他方式与患者的标识、以及要在试样212上完成的测试或其他信息相关联。这种标识信息218i可以被提供在粘附到管215的外表面的标签218上。标签218可以不围绕试样容器102一路延伸、或沿着试样容器102的长度一直延伸。然而,在一些实施例中,可能已经粘附了多个标签218A、218B和/或218C(诸如,来自已经处置了试样容器102的多个设施),并且它们可能在一定程度上重叠。例如,在如图3B中所示的一些实施例中,两个标签(例如,标签218A、218B)被示出为重叠并且遮挡了至少一个视点。在其他实施例中,3个或更多个标签(例如,标签218A-218C)可以在彼此的顶部上提供、或彼此重叠地提供或这两者(诸如图3C中所示),从而遮挡两个或更多个、或甚至所有的横向视点。
在许多实施例中,尽管(一个或多个)标签218可能遮挡试样212的一些部分,但是试样212以及血清和血浆部分212SP的一些部分仍然可以从至少一个视点可看到(参见图2A和2B)。然而,在一些实施例中,标签218可以更充分地围绕或完全围绕试样容器102的周长而延伸,以便遮挡两个视点或者甚至完全地遮挡试样212的血清或血浆部分212SP,使得其从任何横向方向都不可看到。这种完全遮挡的情况、以及其中在仅一个视点下可看到血清或血浆部分212SP的仅一小部分的情况是本公开的实施例提供对血清或血浆部分212SP的改进表征的地方。然而,在即使其中仅一个视点被一个或多个标签遮盖的情况下,本方法也将改进表征。
再次参考图2A,试样212可以包括管215内包含的血清或血浆部分212SP以及沉降的血液部分212SB。空气216可以提供在血清和血浆部分212SP上方,并且它们之间的分界线被定义为液体-空气界面(LA)。血清或血浆部分212SP与沉降的血液部分212SB之间的分界线被定义为血清-血液界面(SB)。空气216与盖214之间的界面被定义为管-盖界面(TC)。管的高度(HT)是从管215的最底部到盖214的底部的高度,并且可以用于确定管的大小。血清或血浆部分212SP的高度是(HSP),并且被定义为从血清或血浆部分212SP的顶部到沉降的血液部分212SB的顶部(即,从LA到SB)的高度。沉降的血液部分212SB的高度是(HSB),并且被定义为从沉降的血液部分212SB的底部到SB处的沉降的血液部分212SB的顶部的高度。HTOT是试样212的总高度,并且等于HSP加HSB。
在其中使用了凝胶分离物313的情况下(图2B),血清或血浆部分212SP的高度是(HSP),并且被定义为从LA处的血清或血浆部分212SP的顶部到SG处的凝胶分离物313的顶部(即,从LA到SG)的高度。沉降的血液部分212SB的高度是(HSB),并且被定义为从沉降的血液部分212SB的底部到BG处的凝胶分离物313的底部的高度。HTOT是试样212的总高度,并且等于HSP加HSB加凝胶分离物313的高度。在每种情况下,Tw是壁厚度,W是可以用于确定管的大小的外部宽度,并且Wi是试样容器102的内部宽度。
更详细地,试样测试装置100可以包括底座120(例如,框架、地板或其他结构),轨道121可以安装在基座120上。轨道121可以是有导轨的轨道(例如,单轨或多轨)、传送带的集合、传送链、可移动平台或任何其他合适类型的传送机构。在一些实施例中,轨道121可以是圆形或任何其他合适的形状,并且可以是闭合轨道(例如,环形轨道)。在操作中,轨道121可以将试样容器102中的单独的一个在载体122中运送到关于轨道121间隔开的位置。
载体122可以是被动的、非电动机驱动的圆盘(puck),其可以被配置成在轨道121上承载单个试样容器102,或者载体122可选地是自动化载体,其包括板载驱动电动机,诸如被编程为关于轨道121而移动并停止在预编程的位置处的线性电动机。载体122可以均包括保持器122H(图3A),保持器被配置成以限定的竖直位置和取向来保持试样容器102。保持器122H可包括多个指状物或叶片弹簧,该指状物或叶片弹簧将试样容器102固定在载体122上,但是它们是可移动的或柔性的以容纳不同大小的试样容器102。在一些实施例中,载体122可以在从一个或多个架子104卸载之后从装载区域105离开。在一些实施例中,装载区域105可以起到双重功能,即在分析完成之后还允许将试样容器102从载体122重新装载到装载区域105。
机器人124可以被提供在装载区域105处,并且可以被配置成从一个或多个架子104抓住试样容器102并将试样容器102装载到诸如在轨道121的输入通道上的载体122上。机器人124还可以被配置成在完成测试时将试样容器102从载体122重新装载到一个或多个架子104。机器人124包括一个或多个(例如,至少两个)机器人臂、或能够进行X(横向)和Z(垂直)、Y和Z、X、Y和Z、或r(径向)和θ(旋转)运动的组件。机器人124可以是高架式(gantry)机器人、多关节型机器人、R-θ机器人或其他合适的机器人,其中机器人124可以配备有机器人夹具指状物,其被定向、形成尺寸并且被配置成拾取和放置试样容器102。
由载体122承载的试样容器102在被装载到轨道121上时可以前进到第一预处理站125。例如,第一预处理站125可以是被配置成实施试样212的分馏的自动化离心机。承载试样容器102的载体122可以通过流入通道或其他合适的机器人而转移到第一预处理站125。在离心之后,试样容器102可以在流出通道上离开或者以其他方式由机器人移除,并且沿着轨道121继续。在所描绘的实施例中,载体122中的试样容器102可以接下来被运送到质量检查模块130,将在本文中参考图4A和4B进一步描述质量检查模块130。
质量检查模块130被配置成进行预筛选并实施本文中所描述的表征方法,并且可以被适配成用于自动确定试样212中包含的H、I和/或L的存在和可能的程度、或确定N。如果发现包含有效低量的H、I和/或L从而被认为是正常的(N),则试样212可以在轨道121上继续,并且然后可以由一个或多个分析器(例如,第一、第二和第三分析器106、108和/或110)进行分析。此后,试样容器102可以返回到装载区域105以用于重新装载到一个或多个架子104。在一些实施例中,还可以在质量检查模块130处针对伪影(例如,凝块、气泡或泡沫)的存在对试样212进行测试。针对伪影存在的测试可以如2016年1月28日提交的并且题为“Methods And Apparatus For Classifying An Artifact In a Specimen”的序列号为62/288,358的美国临时专利申请中所公开的那样。
在一些实施例中,除了HILN检测之外,在质量检查模块130处还可以进行试样212的量化(即,确定HSP、HSB,HTOT,以及确定SB或SG和LA的位置)。在一些实施例中,可以在质量检查模块130处进行对试样容器102的物理属性(例如,大小)的表征。这种表征可以包括确定HT和W,并且还可以确定盖的颜色、盖的类型、TC和/或Wi。根据该表征,可以提取试样容器的大小。该大小可以用作对下面将在本文中描述的参考标签配置数据库的索引器的一部分。
在一些实施例中,可以在试样测试装置100上提供远程站132,其中远程站132不直接链接到轨道121。例如,独立机器人133(虚线示出)可以将包含试样212的试样容器102承载到远程站132,并且在测试/预处理之后将它们返回。可选地,试样容器102可以被手动移除和返回。例如,远程站132可以用于针对某些成分(诸如,溶血水平)进行测试,或者可以用于进一步处理,诸如用以通过一次或多次添加和/或附加的处理来降低高脂血水平,或者用以去除凝块、气泡或泡沫。可以在远程站132上完成其他测试或处理,包括使用本文中所描述的表征方法和/或HILN检测方法的预筛选。
可以在轨道121上的一个或多个位置处或在沿轨道121的一个或多个位置处提供其他远程站。附加站可以包括去盖(de-capping)站、一个或多个附加质量检查模块130等。
试样测试装置100可以包括在轨道121周围的一个或多个位置处的多个传感器116。传感器116可以用于凭借读取放置在试样容器102上的标识信息218i或每个载体122上提供的相似信息(未示出)来检测沿轨道121的试样容器102的位置。在一些实施例中,可以在每个载体122中嵌入不同的RFID芯片,并且可以在例如跟踪操作中采用常规的RFID读取器***。可以使用用于跟踪位置的其他部件,诸如接近传感器。所有的传感器116可以与计算机143对接,使得可以始终适当地知道每个试样容器102的位置。
第一预处理站125和分析器106、108、110中的每一个可以配备有:被配置成从轨道121移除载体122的机器人机构和/或流入通道、以及被配置成使载体122重新进入轨道121的机器人机构和/或流出通道。
试样测试装置100可由可以是基于微处理器的中央处理单元CPU的计算机143来控制,该计算机具有合适的存储器和用于操作各种***组件的合适的调节电子器件和驱动器。计算机143可以作为试样测试装置100的底座120的一部分而被容纳,或者与底座120分离。计算机143可以操作以控制载体122往返于装载区域105的移动、关于轨道121的运动、往返于第一预处理站125的运动、以及第一预处理站125(例如,离心机)的操作、往返于质量检查模块130的运动、以及质量检查模块130的操作、以及往返于每个分析器106、108、110的运动、以及每个分析器106、108、110的操作,以用于实施各种类型的测试(例如,化验或临床化学检测)。
对于除了质量检查模块130之外的全部,计算机143可以根据诸如在由纽约州柏油村的西门子医疗诊断公司销售的Dimension® 临床化学分析器上使用的那些之类的软件、固件和/或硬件命令或电路来控制试样测试装置100,并且这种控制对基于计算机的机电控制编程领域中的技术人员来说是典型的并且将不在本文中进一步描述。然而,可以使用用于控制试样测试装置100的其他合适的***。质量检查模块130的控制还可以由计算机143根据本发明的方法来提供,如本文中详细描述的。
本公开的实施例可以使用允许用户容易地且快速地访问各种控制和状态显示屏的计算机接口模块(CIM)145来实现。这些控制和状态显示屏可以描述用于试样212的制备和分析的多个相互关联的自动化设备的一些或所有方面。CIM 145可以被采用以提供关于多个相互关联的自动化设备的操作状态的信息、以及描述了任何试样212的位置、以及要对试样212执行或正对试样212执行的测试的状态的信息。CIM 145因此被适配成便于操作者与试样测试装置100之间的交互。CIM 145 可以包括被适配成显示包括图标、滚动条、框和按钮的菜单的显示屏,操作者可以通过该显示屏与试样测试装置100对接。菜单可以包括多个功能按钮,该按钮被编程为显示试样测试装置100的功能方面。
参考图4A-4B,示出并描述了质量检查模块130的第一实施例。质量检查模块130可以被配置并适配成实施表征方法,并且还可以用于在由一个或多个分析器106、108、110进行分析之前自动确定试样212中(例如,其血清或血浆部分212SP中)的干扰物(例如,H、I和/或L)的存在。以这种方式的预筛选允许对试样212的附加处理、附加量化或表征、丢弃或重新提取,而不浪费有价值的分析器资源或可能地使干扰物的存在影响测试结果的准确性。
除了本文中所描述的表征方法和干扰物检测方法之外,在质量检查模块130处还可以对试样容器102中包含的试样212进行其他检测方法。例如,可以在质量检查模块130处实施用于量化试样212的方法,即,确定试样212的某些物理尺寸特性(例如,LA和SB、和/或HSP、HSB和/或HTOT的确定)。例如,量化还可以涉及估计血清或血浆部分的容积(VSP)和/或沉降的血液部分的容积(VSB)。
此外,质量检查模块130可用于量化试样容器102的几何形状,即量化试样容器102的某些物理尺寸特性,诸如试样容器102的TC的位置、HT和/或W或Wi、和/或盖214的颜色和/或类型。
现在参考图1、4A和4B,质量检查模块130的第一实施例可以包括多个图像捕获设备440A-440C。示出了三个图像捕获设备440A-440C并且它们是优选的,但是可以使用两个或更多个或者四个或更多个。图像捕获设备440A-440C可以是用于捕获良好定义的数字图像的任何合适的设备,诸如能够捕获像素化图像的常规数字相机、电荷耦合设备(CCD)、光电探测器阵列、一个或多个CMOS传感器等等。例如,三个图像捕获设备440A、440B、440C在图4A中被图示,并且被配置成从三个不同的横向视点来捕获图像。例如,图像大小可以是例如大约2560×694像素。在另一个实施例中,图像捕获设备440A、440B、440C可以捕获例如可以是大约1280×387像素的图像大小。可以使用其他图像大小和像素密度。
每个图像捕获设备440A、440B、440C可以被配置并且可操作以捕获试样容器102的至少一部分和试样212的至少一部分的横向图像。例如,图像捕获设备440A-440C可以捕获标签218的一部分以及血清或血浆部分212SP的部分或全部(即使被标签218部分或完全地遮挡)。图像捕获设备440A-440C还可以捕获盖214的一些或全部以及管215的一些或全部。最终,根据该多个图像,可以可选地开发试样容器102中的试样212的复合模型。在一些实施例中,复合模型可以是3D语义模型,并且可以用于做出关于试样212的最终确定。在本文中的实施例中,语义数据可用于计及或补偿可能影响透射光的标签218的存在。应当显而易见的是,语义模型是可选的,并且可以仅使用从该一个或多个视点获得的图像数据来进行表征。
在所示的实施例中,该多个图像捕获设备440A、440B、440C被布置在试样212周围,并且被配置成从该多个视点来捕获在成像位置432处的试样容器102和试样212的横向图像。当使用三个图像捕获设备440A、440B、440C时,视点可以间隔开使得它们彼此大致相等地间隔开,诸如彼此大约120度,如所示出的那样。如所描绘的,图像捕获设备440A、440B、440C可以被布置在轨道121周围。可以使用该多个图像捕获设备440A、440B、440C的其他布置。以这种方式,可以在试样容器102驻留在载体122中的同时取得试样容器102中的试样212的图像。由图像捕获设备440A、440B、440C获得的多个图像的视野可能在圆周范围内略微重叠。
在一个或多个实施例中,载体122可以停止在质量检查模块130中的预定位置处,诸如在成像位置432处,即,在其中来自图像捕获设备440A、440B、440C中的每一个的法向矢量彼此相交的点处。可以提供载体122的闸门(gate)或线性电动机以使载体122停止在成像位置432处,使得可以在那里捕获多个质量图像。在其中质量检查模块130处存在闸门的实施例中,可以使用一个或多个传感器(如传感器116)来确定质量检查模块130处的载体122的存在。
图像捕获设备440A、440B、440C可以紧邻成像位置432处的图像窗口而提供,并且被训练或聚焦以捕获成像位置432处的图像窗口,其中该图像窗口是包括试样容器102的预期位置的区域。因此,可以使试样容器102停止,使得其大致位于观看窗口的中心。在捕获的图像内,可以存在一个或多个参考基准。参考基准可以帮助量化试样212。例如,参考基准可以是TC或管215的最底部,或者是放置在已知位置中的记号,该已知位置是可以从至少一个或所有视点观看到的试样容器102上的某个地方。
在操作中,响应于在通信线路443A、443B、443C中提供的可由计算机143发送的触发信号,可以触发和捕获每个图像。可以根据本文中提供的方法的一个或多个实施例来处理每个所捕获的图像。在一种特别有效的方法中,可以使用高数据速率(HDR)处理来捕获和处理图像,尽管应当理解的是,可以使用其他成像处理方法。
更详细地,根据一个或多个实施例,在以一个或多个不同的光谱对试样212进行照明的同时,以多个不同的曝光时间在质量检查模块130处捕获试样212的多个图像。例如,每个图像捕获设备440A、440B、440C可以以该一个或多个光谱中的每一个、以不同的曝光时间来拍摄4-8个图像。
在一个实施例中,可以使用发射不同光谱照明的不同光源444A-444C来完成多个光谱图像。光源444A-444C可以背光照射(back light)试样容器102(如所示出的)。在一些实施例中,光漫射器可以与光源444A-444C结合使用。多个不同光谱的光源444A-444C可以是RGB光源,诸如发射两种或更多种不同光谱的LED,该不同光谱诸如634nm+/-35nm(红色)、537nm+/-35nm(绿色)和455nm+/-35nm(蓝色)的标称波长。在其他实施例中,光源444A-444C可以发射具有在约700nm与约1200nm之间的标称波长的一个或多个光谱。在其他实施例中,光源444A-444C可以是白光源。在其中标签218遮盖了多个视点的情况下,可以使用IR背光或近IR背光。在其中多个标签(参见图3D-3E)遮盖了整个血清或血浆部分212SP的情况下,光源444A-444C可以是IR或近IR光源,这是由于即使通过标签218A-218C也可以在血清或血浆部分212SP上生成合理的分割信息。
以一个非限制性示例的方式,为了捕获第一波长下的图像,可以使用三个红色光源(波长约634nm+/-35nm)以从三个横向位置对试样212进行照明。当每个图像捕获设备440A-440C捕获不同曝光时间下的多个图像(例如,4-8个图像或更多个)时,由光源444A-444C进行的红色照明可能发生。在一些实施例中,曝光时间可以在约0.1ms与256ms之间。可以使用其他曝光时间。在一些实施例中,例如,可以顺序地拍摄针对每个图像捕获设备440A-440C的相应图像中的每一个。
在每个实施例中,质量检查模块130可以包括壳体446,壳体446可以至少部分地围绕或覆盖轨道121,以最小化外部光照影响。在图像拍摄序列期间,试样容器102可以位于壳体446内部。壳体446可包括一个或多个门446D,以允许载体122进入壳体446中和/或从壳体446离开。在一些实施例中,顶板可包括开口446O,以允许由包括可移动机器人指状物的机器人将试样容器102从上方装载到载体122中。
一旦红色照明图像在图4A-4B的实施例中被捕获,就可以打开另一个光谱(例如绿色光谱光源444A-444C)(标称波长约537nm,其中带宽约+/-35nm),并且可以由每个图像捕获设备440A、440B、440C顺序地捕获在不同曝光时间下的多个图像(例如,4-8个或更多个图像)。针对每个图像捕获设备440A、440B、440C,这可以用蓝色光谱光源444A-444C(标称波长约455nm,其中带宽约+/-35nm)来重复。例如,不同的标称波长光谱光源444A-444C可以通过包括成排的(banks of)不同光谱光源的光板来实现,可以选择性地打开和关闭这些不同的光谱光源。可以使用用于背光的其他部件。
可以快速连续地获得针对每个相应波长光谱的在多个曝光时间下拍摄的多个图像,使得例如可以在少于几秒的时间内获得来自多个视点的试样212的图像的整个集合。在一个示例中,在使用图像捕获设备440A、440B、440C和具有RGB光源444A-444C的背光的情况下,在三个视点处的针对每个波长的4个不同曝光图像将导致4个图像×3个光谱×3个相机=36个图像。在另一示例中,在使用图像捕获设备440A、440B、440C和具有R、G、B、W、IR和NIR光源444A-444C的背光的情况下,在三个视点处的针对每个波长的4个不同曝光图像将导致4个图像×6个光谱×3个相机=72个图像。
作为训练过程的一部分,可以对没有任何试样212被包含在其中的带标签的试样容器102拍摄参考图像。参考图像可以总共有数千个,并且可以构成关于试样容器102的几乎所有可能的标签配置的示例。
根据表征方法,图像数据的处理可以涉及:例如,从每个波长光谱下、不同曝光时间下的多个所捕获的图像并且针对每个图像捕获设备440A-440C来选择最佳曝光的像素,以便针对每个光谱和针对每个视点生成最佳曝光的图像数据。这在本文中被称为“图像合并”。针对每个对应像素(或超像素/图像块)、针对来自每个图像捕获设备440A-440C的每个图像,可以对于每个视点从不同曝光时间图像中的每一个选择展现出最佳图像强度的像素(或超像素/图像块)。在一个实施例中,最佳图像强度可以是例如落在预定强度范围内(例如,关于0-255的尺度,该范围在180-254之间)的像素(或超像素/图像块)。在另一个实施例中,例如,最佳图像强度可以关于0-255的尺度在16-254之间。如果确定两个图像的对应位置中的多于一个像素(或超像素/图像块)被最佳地曝光,则选择两者中的较高者。展现出最佳图像强度的所选像素(或超像素/图像块)可以通过它们相应的曝光时间而被归一化。结果是针对每个图像捕获设备440A-440C、针对照明光谱(例如,R、G、B、白光、IR和/或IR)的多个归一化且合并的光谱图像数据集,其中所有的像素(或超像素/图像块)被最佳地曝光(例如,每个光谱一个图像数据集)。
对于包括最佳曝光的像素(或超像素/图像块)的每个图像数据集,采取表征处理以标识被分类为试样212的血清或血浆部分212SP的像素(或超像素/图像块)。附加地,被分类成标签218的像素(或超像素/图像块)也被分类。标识血清或血浆部分212SP可以基于对最佳曝光的图像数据中的每个像素(或超像素/图像块)进行分类。对血清或血浆部分212SP和构成含标签区域的标签218的分类可以基于从多个训练集生成的多类别分类器的操作。例如,多类别分类器可以包括支持向量机(SVM)或随机决策树。可以使用其他合适的程序或工具箱以用于通过对血清或血浆部分212SP和含标签区域618的程度进行分类来进行分割。
根据实施例,为了实施分类,可以针对每个图像捕获设备440A-440C、针对不同光谱 (例如,R、G、B、白光、IR和/或近IR)下的每个最佳曝光的像素(或超像素/图像块),来计算如上所描述的第一统计数据。统计数据可包括例如平均值和多达二阶的协方差。所计算的统计属性将对象类别的具体属性编码,并且因此用于通过指派类别标签而在不同的对象类别之间进行区分。统计数据一旦生成就被呈现给多类别分类器515、并且由多类别分类器515对其进行操作,多类别分类器515可以将图像中的像素(或超像素/图像块)分类为属于多个类别之一,诸如1-血清或血浆部分、2-沉降的血液部分、3-管、4-空气、5-盖、6-标签、7-保持器、以及8-凝胶分离物(如果使用的话)。由此,可以标识构成液体区域(即,血清和血浆部分212SP)以及包括标签218的含标签区域的像素(或超像素)。例如,含标签区域是被标识为包括标签218、或多个标签218A、218B、或多个标签218A、218B和218C的区域。
多类别分类器515可以是线性或非线性的任何合适类型的监督分类模型。例如,多类别分类器515可以是线性或者基于核的支持向量机(SVM)。可选地,多类别分类器515可以是诸如自适应提升(boosting)分类器(例如AdaBoost、LogitBoost等)之类的提升分类器、任何人工神经网络、基于树的分类器(例如决策树、随机决策森林)和作为分类器的逻辑回归等。SVM对于液体与非液体之间的分类可能特别有效,诸如在试样212的分析中发现的那样。SVM是具有相关联的学习算法的监督学习模型,该模型分析数据并且识别模式。SVM用于分类和回归分析。
使用多组训练示例来训练多类别分类器515,并且然后由多类别分类器515对图像数据集进行操作,并且每个像素(或超像素)被分类。可以通过在具有各种试样状况、标签218的各种程度的遮挡、保持器122H的遮挡、血清或血浆部分212SP以及沉降的血液部分212SB的水平等的试样容器102的众多示例中用图形描绘各种区域的轮廓来训练多类别分类器515。如500那样多或更多的图像可以用于训练多类别分类器515。可以手动描绘每个训练图像的轮廓以标识属于每个类别的区域,并且教导多类别分类器515属于每个类别的区域。
训练算法构建了多类别分类器515,其将被成像的任何新试样的像素(或超像素/图像块)指派到这些类别中的一个。SVM模型将示例表示为空间中的点,这些点被映射以使得分离类别的示例被尽可能宽的清晰间隙所划分。来自图像数据集的新像素可以被映射到该相同空间中,并且基于它们落在间隙的哪一侧而被预测属于特定类别。在一些实施例中,SVM可以使用被称为核技巧(kernel trick)的事物(例如,基于核的SVM分类器)来高效地执行非线性分类,从而隐含地将其输入映射到高维特征空间中。SVM和提升是特别优选的。可以使用其他类型的分类模型。
根据516中对类别的像素(或超像素/图像块)标识,可以可选地在524中生成语义地图。语义地图可以是可以存储在计算机143中的数据库中的3D地图,并且可以合并所有分类(例如,1-血清或血浆部分、2-沉降的血液部分、3-管、4-空气、5-盖、6-标签、7-保持器、以及8-凝胶分离物(如果使用的话))作为位置(例如,试样容器102的径向和轴向位置)的函数。在一些实施例中,可以用图形来显示语义地图。
根据语义地图,可以在525中选择合成视点。在一个实施例中,合成视点可以是利用图像捕获设备440A-440C从其中捕获图像的视点(例如,1-3)之一。在另一个实施例中,合成视点可以是处于利用图像捕获设备440A-440C从其中捕获图像的多个横向视点(例如,图6D中所示的视点1-3)中的任何两个视点之间的另一个视点(例如,图6D中所示的视点4)。合成视点是包括已被分类为血清或血浆部分212SP的最大数量的像素(或超像素/图像块)的视点。在其中合成视点是利用图像捕获设备440A-440C从其中捕获图像的视点之一的情况下,可以将所选的合成视点选择为展现出以血清或血浆部分212SP分类的最大数量的像素(或超像素/图像块)的视点。
在一些情况下,两个相邻视点可以均包括位于被标识为血清或血浆部分212SP的相邻图像部分处的一些像素(或超像素/图像块)。在这种情况下,合成视点被选择为处于包括图像捕获设备440A-440C的两个视点之间,并且每个视点的分割数据被合并以构建如下合成视点:该合成视点包括从每个相应视点以血清或血浆部分212SP分类的区域。以这种方式,与个体视点中的任一个相比,可以扩大合成视点中反映血清或血浆部分212SP的相应区域。因此,由于所分类的像素(或超像素/图像块)的量较大,因此可以实施对HILN的更好表征,如将从下文显而易见的那样。
一旦已经在525中选择了合成视点,就可以在526中标识合成视点的前视图数据和后视图数据。后视图数据是针对后视图的分类和对应位置数据。后视图数据可以是已经在511中的分割期间被分类为标签218或者血清或血浆部分212SP的像素(或超像素/图像块)上的数据。
因为在每个视点中从光源444A-444C到试样容器102的背面上的背光可能由于位于背面上的标签218的存在而被阻挡,所以在与包含标签218的后视图区域相对应的前视图区域中的由图像捕获设备440A-440C捕获的前视图图像的强度可能受到影响。因此,那些区域中的强度可能是可疑的(例如,人为地低),并且因此不应当如用于HILN检测那样来直接使用,而是应当被适当地调整和补偿。因此,根据本公开的一个或多个实施例,表征方法考虑了后视图数据。
当然,由于读数是可疑的,考虑到后视图数据的一种方法可能是:当HILN分类器529确定HILN时,不使用在后视图语义数据中被分类为标签218的区域上的前视图语义数据中的对应区域。例如,图6A图示了来自图像捕获设备440A(图6D)的第一视点1的前语义图像640A。如可以看到的,图6A中示出了血清和血浆部分212SP中的一些,一些被标签218遮挡,并且从光源444A(图4A)发射的背光中的一些被后视图标签部分218B(即,标签218的如下部分:该部分位于图6A中的试样容器102的后侧视图的一部分,并且遮挡了试样容器102的后侧视图的一部分)所阻挡。然而,在某些实例中,这可能使非常小的区域被分类为血清或血浆部分212SP以用于分析。
图6B图示了来自图像捕获设备440B(图6D)的第二视点2的前语义图像640B。在图6B中,血清或血浆部分212SP中的一些被标签218遮挡,并且从光源444B(图6D)发射的背光中的一些被后视图标签部分218B(即,位于图6B中的试样容器102的后侧上的标签218的部分)所阻挡。
图6C图示了来自图像捕获设备440C(图6D)的视点3的前语义图像640C。在图6C中,从视点3来看,所有的血清或血浆部分212SP被标签218遮挡。因此,如果表征方法在525中将合成视点选择为这三个视点(1、2或3)中的一个,则图6B的第二视点2将被选择。这是因为如图6B中所图示的视点具有已被分类为血清或血浆部分212SP的最多像素(或超像素/图像块),这可以从524中生成的语义地图、或者从来自个体图像的语义数据来确定。在这种情况下,血清或血浆部分212SP的前语义图像640B中的已经被标签阻挡的对应区域(如虚线所示的区域)可以通过如下面将描述的表征方法而被进行强度调整。通过构造后视图语义地图或图像数据来确定该合成视点,该后视图语义地图或图像数据可以包括从所有的三个视图(1、2和3)收集和合并的强度数据、分类数据和位置数据。换句话说,考虑了后视图数据,即,标签218的位置的知识是已知的,并且用于修改第二语义前视图2的对应区域。来自视点2B的假设后视图语义地图640D在图6E中示出。这表示来自视点2B(图6D)的后视图数据,该数据用于对来自视点2(图6B)的前视图语义图像中的虚线部分进行强度调整。在实践中,可能没有语义后视图地图(如图6E),而只有在表征方法中使用的后视图语义数据。
在其中在525中选择的合成视点是多个视点(1-3)之一以外的视点的情况下,则可以选择作为两个其他视点的整编的视点。例如,鉴于图6C中的视点3具有被标签218完全遮挡的血清或血浆部分212SP,可以选择在视点1与2之间的视点。图6F中所示的该合成视点4是合成的前视图。这是视点1和视点2的整编,并且因此具有大约两倍数量的被分类为血清或血浆部分212SP的像素(如所示出的),即,被分类为血清或血浆部分212SP的更多区域可用于分析。如前所述,在一种方法中,可以根据表征方法对与来自合成后视图4B的对应后视图标签部分218B(如图6F中的虚线所示)相关联的数据进行强度调整。在这种情况下,与被分类为血清或血浆部分212SP的剩余区域(在两个虚线区域之间)和虚线区域的组合表示相对应的数据可以被馈送到HILN分类器521中。
根据表征方法的实施例,可以提供特征描述符作为来自标签表征517的组合表示。例如,组合表示的生成可以包括来自含标签区域618上的分割511的信息,以及还有从参考标签配置数据库522提取的信息。参考标签配置数据库522包括关于在训练阶段期间对包括不同标签配置的许多试样容器102拍摄的数百或甚至数千个图像的数据,其中试样容器102不包括试样在其中(即,它是空的)。训练阶段可以在任何预筛选之前在质量检查模块130中完成,并且可以在保持在保持器122H中的同时针对每个大小的试样容器102和每个不同的标签配置提供包括不同取向(旋转)的多个图像。
例如,一些参考图像可以包括具有单个标签218的小试样容器102(例如,13mm×75mm)。可以在包括小/单个标签取向的许多参考示例上完成训练。其他训练示例可包括多个标签218A、218B和/或218A-218C以及不同的管大小。可以为配置提供不同数量的标签、不同程度的重叠、以及定位。可以在参考标签配置数据库522内适当地对标签数据进行索引,以便改进对相当大量的标签配置数据的访问速度。
例如,索引可以包括两个或更多个索引特征623,诸如管大小624、标签大小625和/或标签位置626,如图6G中所示。然而,可以使用更多或不同的索引特征。试样容器102的管大小624可以被输入到参考标签配置数据库522中作为训练过程的一部分,并且与W和HT(图2A)相关联,W和HT也可以在训练期间被表征。可选地,可以在训练过程期间手动输入管大小624。标签大小625可以被提供在参考标签配置数据库522中,并且在一个实施例中可以被表征为弧角ϕ,该弧角ϕ量化了在含标签区域618的水平面中测量的径向跨度,如图6H中所示。含标签区域618可包括一个标签218或多个(2个、3个或更多个)重叠的标签。在所描绘的实施例中,示出了两个重叠的标签。例如,标签大小625可以作为弧角ϕ而手动地或作为在训练期间发生的分割过程的一部分被输入到参考标签配置数据库522中,弧角ϕ在所描绘的示例中等于约150度。可以使用标签大小625的其他索引,诸如围绕试样容器102的周长测量的测量长度。
作为索引的标签位置626可以被录入到参考标签配置数据库522中,这是由于该一个或多个视点(例如,视点1-3)包括含标签区域618。例如,在所描绘的实施例中,来自视点1、2和3的图像数据全部包括可能已被表征为标签的像素。可以手动地或作为在训练期间发生的分割过程的一部分来录入关于许多训练示例的标签位置626的数据。单个标签可以仅被提供在一个视点中,或者可能地被提供在两个视点中。可以使用标签位置626的其他索引。此外,可以使用更多索引来改进对参考标签配置数据库522中的数据的访问。
如图5中所示,在预筛选期间,特定试样容器102和试样212在502中以某种旋转取向并且在包括某种标签配置的情况下被提供在质量检查模块130处。在504中,捕获试样容器102和试样212的图像,并且在分割511中对该图像进行分割。根据在516中的所标识的像素类别,可以在516A中标识含标签区域618。例如,含标签区域618可以全部被涵盖在一个视点内,或者可以在多个视点中被标识,或者甚至在全部三个视点中被标识。此外,根据分割511的结果,可以在518中表征(标识和量化)一个或多个索引特征。例如,索引特征可以包括如先前讨论的管大小、标签大小和标签位置。然而,可以使用其他或更多或更少的索引特征。可以通过在包括管215和标签218的图像数据中找到管215和标签218的相应边缘的像素位置之间的差异来量化这些索引特征中的每一个。一旦在518中标识和量化了索引特征,就可以由索引器519在参考标签配置数据库522内标识属于各种所选的(一个或多个)索引的标签子数据。
索引器519进行操作,以便聚焦对参考标签配置数据库522内的经索引的标签子数据的搜索。可以通过使用比较器520将存储在参考标签配置数据库522中的该大量标签子数据与先前在516A中标识的含标签区域618上的图像数据进行比较。比较器520可以是比较图像数据的任何合适的程序或方案。比较器520的这种比较导致了从存储在参考标签配置数据库522中的多个参考标签配置中标识和选择单个参考标签配置。所选的单个参考标签配置是521中的与在516A中标识的含标签区域618最接近的标签匹配。为了进一步减少计算负担,在一些实施例中,在521中确定最接近的标签匹配可以包括:缩减含标签区域618的分割数据,以匹配参考标签配置数据库522的相对尺度(例如,像素密度)。
比较器520可以采用任何合适的算法来快速地将含标签区域618与关于存储在参考标签配置数据库522中的该大量标签区域配置的标签子数据进行比较。比较器520可以逐像素地或逐块地进行比较,并且可以包括合适的加权和/或校正特征以帮助检测相似性。此外,可以使用某些拐角寻找(corner-finding)或斑点寻找(blob-finding)算法。
在一些实施例中,可以在524中生成语义地图,其可以是来自一起收集的各种视点的数据的3D表示。该数据可以用图形来显示,或者以其他方式用于改进各种视点(例如,视点1-3)之间的分割。在525中,可以选择合成视点,其可以是三个视点1-3中的一个,或者可选地是视点1-3中的任何两个之间的一个视点。合成视点是具有已经通过分割511表征为血清或血浆部分212SP的最大区域(最大数量的像素或超像素/块)的视点(例如,图6F的视点4)。
由此,可以标识沿合成视点的前视图和后视图,并且在526中,可以标识与其相关联的前视图和后视图语义数据。前视图数据是相关联于试样容器102的与相应图像捕获设备440A-440C最接近的一侧的数据,而后视图数据是相关联于试样容器102的与相应光源444A-444C最接近的一侧的数据。
一旦在521中找到最接近的标签匹配,则方法500实施在523中生成组合表示。组合表示由含标签区域618的分割信息和关于最接近的标签匹配的数据来引导。组合表示的生成涉及逐像素的特征描述符(对应于遮挡的标签区域,该区域视情况而定处于血清或血浆部分212SP的前面或后面、或这两者)的生成。生成组合表示可以包括在逐像素(或逐超像素)的基础上计算含标签区域618与从多个参考标签配置中选择的参考标签配置之间的差异、之间的比率、或其串联(concatenation)。对关于含标签区域的组合表示(前视图和/或后视图)的评估、连同血清或血浆部分212SP的所评估/分类的特征表示(其中没有标签218遮挡前视图或后视图)被用在表征方法中并且用于最终的HILN确定。这些表示被提供给干扰物表征器(characterizer)528,作为在527中对血清或血浆部分的总体表示(遮挡和未遮挡的部分(如果有的话)两者)。
在表示生成中,可以忽略包括条形码的任何区域。可以基于分割511和/或合适的条形码读取算法来容易地确定条形码数据区域及其位置。当然,条形码数据可用于标识试样212,如上所讨论的那样。
干扰物表征器528包括HILN分类器529,HILN分类器529可以被配置成标识血清或血浆部分内是否存在H、I和/或L,或者血清或血浆部分212SP内是否没有HIL存在并且因此是正常的(N)。干扰物表征器528可以进一步包括如下所讨论的干扰物指数生成器530。因此,有效地,干扰物分类器(例如,HILN分类器529)进行操作,以基于语义数据和所提供的特征表示来对血清或血浆部分212SP内是存在干扰物还是其中不存在干扰物进行分类。附加地,干扰物表征器528可以确定检测到的任何干扰物(H、I和/或L)的指数。在一个或多个实施例中,HILN分类器529可以体现为一个或多个不同的干扰物类型分类器,诸如被配置并适配成标识溶血的溶血分类器529H、被配置并适配成标识黄疸的黄疸分类器529I、被配置并适配成标识高脂血的高脂血分类器529L、以及被配置并适配成标识正常性的正常性分类器529N。每个分类器可以是二进制分类模型。对语义数据进行操作的结果是血清或血浆部分212SP中的一种或多种干扰物的存在(H、I和/或L)或干扰物的不存在(N)。
溶血检测
根据另一宽泛方面,本公开的实施例针对可以用于检测经离心的血液的试样容器102中包含的试样212是否被溶血的方法和装置。该方法在多个视点处利用多个图像捕获设备440A-440C,并且可以利用多次曝光(例如,4-8次曝光或更多次)和多个光谱照明(例如,R、G、B、白光、IR或近IR)来捕获多个像素化光谱图像。然后,对与视点相关联的图像进行分析和操作,以提供分割并且标识如上所讨论的血清或血浆部分212SP以及在516A中标识含标签区域618,并且在523中生成含标签区域的组合表示。通过使用语义数据以及来自参考标签配置数据库522的参考标签数据来获得该组合表示,该参考标签数据具有与通过分割标识的含标签区域618的最接近的标签配置匹配。基于先前利用具有不同溶血指数的众多溶血试样训练的分类器模型,在529H处由HILN分类器529对该数据进一步操作以标识溶血。
溶血的程度或等级可以通过如在干扰物指数生成器530的530H处确定的溶血指数来表征。如本文中所使用的“溶血指数”意指基于存在于血清或血浆部分212SP中的溶血的所确定的含量而向特定试样212给出的级别。用于观察范围的分级尺度的范围可以从最小度量到最大度量。例如,度量可以是从零到一些有限值(例如,0-4)的谨慎度量,其中零表示基本上没有溶血,并且四表示显著的溶血。可替换地,可以使用0-10、0-20、A-F或某个其他范围的分级尺度。可以拒绝如由质量检查模块130确定的具有足够高的溶血指数(例如,高于预定的H阈值)的试样212。常见过程是从患者重新提取另一试样212以确保可以向分析器106、108和/或110(图1)呈现良好质量的试样212。因此,在质量检查模块130处的预筛选之后,可以在装载区域105处拒绝并卸载展现出相对高的溶血指数的试样212而无需进一步对其进行测试。可选地,可以在质量检查模块130处或另一个站处重新测试试样212。在任何情况下,取决于所命令的测试,可以报告溶血指数、连同来自一个或多个分析器106、108和/或110的测试结果。如果在530H处,发现试样212包含足够高的溶血指数水平,则可以在试样测试装置100的计算机143或CIM 145的显示器(例如,计算机屏幕)上显示警报以警告实验室人员,使得他们可以命令进一步的评估、命令试样重新提取、和/或当发现试样212包含可能的干扰量的溶血时做出进一步的决定。
为了改进向实验室人员传达对包含溶血的试样212的评估的能力,可以在计算机143或CIM 145的显示器上显示包括具有溶血的试样212的试样容器102的图像。该图像可以连同其他联合信息一起显示,该其他联合信息诸如但不限于各种已知的溶血试样的参考图像、用于比较的颜色光谱、试样212的经评估的溶血指数水平、和/或所建议的实验室人员要采取的动作。
黄疸检测
根据该方法的另一宽泛方面,本公开的实施例针对可以用于检测经离心的血液的试样容器102中包含的血清或血浆部分212SP中的黄疸的方法和装置。黄疸干扰物可能例如由胆红素的过量引起,胆红素的过量是由衰败的血红细胞在脾脏中转换成胆红素而造成的。高于2-3mg/dl的胆红素水平在颜色上是可见地深泛黄或泛棕的,并且可能不利地影响在分析器(例如分析器106、108和/或110)上实施的任何基于酶的免疫测定。这种状况还被称为胆红素血症。
黄疸检测方法类似于用于检测溶血的方法。在图像捕获并执行像素化图像的分析以在511中提供分割之后,可以针对黄疸的存在来分析包括改进的特征表征的数据,该数据已经考虑了标签的遮挡。根据该方法,可以提供针对溶血检测而***作的相同数据以在529I处利用黄疸分类器来标识黄疸。分析可以使用经恰当训练的二进制分类器来确定是否存在黄疸。如之前针对溶血检测所述的那样,如果检测到黄疸,则干扰物水平检测器529I可以确定干扰物水平,诸如黄疸指数。如本文中所使用的“黄疸指数”意指基于存在的黄疸的所确定的含量而向特定试样212给出的级别。用于观察的分级尺度的范围可以从最小度量到最大度量,诸如从零到最大度量(例如,0-4)。零表示基本上没有黄疸,而四表示黄疸的显著存在。可替换地,可以使用其他分级尺度,诸如0-10、0-20、A-F或某个其他范围。
高脂血检测
根据另一宽泛方面,本公开的实施例针对可以用于检测经离心的血液的试样容器102中包含的试样212中的高脂血的方法和装置。可能在血清或血浆部分212SP中展现出泛白外观的高脂血干扰物可能由血液中的过量脂质的存在引起。高于大约50mg/dl的脂质水平可能干扰免疫测定测试中的抗体结合,并且因此可能影响来自分析器106、108或110的免疫测定结果。
高脂血检测方法类似于用于检测溶血和黄疸的方法。该方法可以在质量检查模块130处接收试样容器102。接下来,图像捕获设备440A-440C可以从多个视点捕获试样212的像素化图像。然后,计算机143可以如上所描述的那样执行图像的分析,以在511中对试样容器102和试样212进行分割。根据上面讨论的分割和标签匹配操作,可以对包括组合表示的数据进行操作,以在529l处使用高脂血分类器来确定高脂血的存在。根据该方法,可以对用于溶血和黄疸检测的相同语义数据进行操作以确定高脂血的存在。该分析可以通过使用经训练的L分类器模型以在529L处标识高脂血,来确定是否存在高脂血干扰物。可以使用任何合适的分类器,诸如SVM。
如果高脂血(L)在529l处被标识,则可以在526L处确定干扰物水平,诸如高脂血指数。高脂血指数是基于其中的高脂血的所确定的含量而向血清或血浆部分212SP给出的级别。分级尺度的范围可以从最小值到最大值(例如,零到四(0-4))。零表示基本上没有高脂血,而四表示高脂血的显著存在。可替换地,可以使用其他分级尺度,诸如0-10、0-20、A-F或某个其他范围。可以使用其他分级尺度。高脂血是一种特定的样本质量变色缺陷,其可以用特殊处理来解决。因此,一旦在质量检查模块130处被标识、并且在试样212在分析器(例如,分析器106、108、110)上被测试或分析之前,试样212就可以被发送到另一个位置(例如,发送到远程站132)以用于进一步处理。
对试样212进行进一步处理可以涉及一个或多个操作,以去除或减少血清或血浆部分212SP中的脂质的量。例如,该处理可以引入溶剂或其他材料以减少高脂血的量。在进行附加处理以降低高脂血水平(即,降低高脂血指数)之后,试样212可以返回到轨道121,并且可以直接放置在分析器(例如,分析器106、108、110)上以进行分析。可选地,试样212可以再次被路由到质量检查模块130,以便根据本文中公开的方法来针对高脂血对试样进行重新筛选。如果高脂血指数现在足够低并且被确定为正常(N),则试样可以直接在轨道121上路由,以在一个或多个分析器(例如,分析器106、108或110)上进行分析。此后,试样212可以返回到装载区域105以用于从轨道121卸载。
正常性检测
根据一个方面,可以首先处理试样212以确定:血清或血浆部分212SP是否可以通过质量检查模块130经由正常性分类器在529N处被标识为正常(N),即没有H、I和L的任何指示。在一些情况下,如果血清和血浆部分212SP在529N处被标识为正常(N),则方法500可以放弃对H、I和L的分析。因此,如果是N,则可以在一个或多个分析器(例如,分析器106、108和/或110)处成功地分析试样212,而无需确信没有干扰物被包含在其中。
如前所述,N的标识涉及从多个视点对试样212的像素化图像的先前捕获、511中的分割、以及在标签表征517中提供对含标签区域618的改进表征。根据方法500,可以对针对先前描述的H、I和L检测的使用而描述的相同数据集进行操作以确定N。可以使用经训练的正常性分类器来在529N中确定正常性。可以使用任何合适的分类器,诸如SVM。
因此,本公开的实施例可以在试样212的离心之后的第一个可能的实例处检测H、I和/或L或N。通过在过程中的该点处检测H、I和/或L或N,将不会浪费试样212,可以防止错误的测试结果,可以不浪费有价值的分析器时间,并且将最小化任何患者测试结果延迟。
在一些实施例中,为了提供血清或血浆部分212SP中存在的H、I和/或L水平的甚至更准确的测量,可以采用伪影检测方法来标识伪影的存在,伪影诸如血清或血浆部分212SP中的凝块、气泡或泡沫。被标识为在血清或血浆部分212SP中包含一个或多个伪影的像素可以在针对合成视点的数据中被忽略,并且不在HILN分类器529中使用。伪影检测方法进一步被描述在2016年1月28日提交的并且题为“Methods And Apparatus For Classifying AnArtifact In a Specimen”的序列号为62/288,358的共同待决的美国临时专利申请中。
根据方法500,在529H中标识溶血、在529I中标识黄疸、在529L中标识高脂血、以及在529N中标识正常性可以通过利用基于多个训练集而训练的HILN分类器529操作输入数据来实施。在一个实施例中,单独的二进制分类器可以用于H、I、L和N中的每一个。可选地,可以使用多类别分类器以用于标识H、I、L或N中的任何一个或多个。多类别分类器(例如,四类别分类模型)可以是支持向量机(SVM)、支持向量网络或提升类别算法。支持向量机和网络的示例被描述在机器学习卷20、第3期、第273-297页中的C.Cortes和V.Vapnik的题为“Support-vector Networks”的论文中、J.Friedman、T.Hastie、R.Tibshirani的题为“Additive Logistic Regression: A Statistical View of Boosting”的论文(1998)中、以及Y. Freund和R. E. Schapire的“A Short Introduction to Boosting”(1999)中。
血清或血浆部分212SP在整体上被表征为包括H、I和/或L或N的确定可以通过在血清或血浆部分212SP中添加已经由HILN分类器529分类为N、H、I或L的多个像素(或超像素/图像块)来实现。作为正常的(N)或作为包含干扰物的分类可以基于每个类别中的最大数量的像素(或超像素/图像块),或者在一些实施例中基于合适的加权方案。
因此,在一个实施例中,如果像素(或超像素/图像块)的大多数被分类为N,则血清或血浆部分212SP可以被归类为正常(N)。如果像素(或超像素/图像块)的大多数被分类为H,则血清或血浆部分212SP可以被归类为含有溶血(H)。同样,如果像素(或超像素/图像块)的大多数被分类为I或L,则血清或血浆部分212SP可以分别被归类为黄疸(I)或高脂血(L)。在其他实施例中,经加权的大多数投票方案也可以用于使用来自HILN分类器529的概率作为权重来对试样212进行分类。可以使用用于在整体上表征血清或血浆部分212SP的其他手段。
此外,如果数据集包含被分类为两个或更多个干扰物类别(例如,H和I、H和L、I和L、或甚至是H、I和L)的相对大量的像素(或超像素/图像块),则干扰物检测方法可以报告存在多个干扰物类型。一旦试样212已经被给出作为包含多个干扰物类型(例如H、I和/或L)的表征,就可以使用干扰物水平检测器530来提供针对血清或血浆部分212SP中的多个干扰物类型的干扰物水平。干扰物水平检测器530可以通过使数据集穿过水平表征模型(诸如监督回归模型)来获得针对每个特定干扰物的干扰物指数。可以使用任何合适的回归模型,诸如支持向量回归(SVR)、神经网络回归、基于树的回归等。
不同的回归模型可以针对每个干扰物类型而使用,该回归模型诸如溶血回归模型530H、黄疸回归模型530I和高脂血回归模型530L。在一个或多个实施例中,回归模型中的每一个可以是SVR机,并且可以使用展现出该特定类型的干扰物类型(例如H、I或L)的液体区域来训练。例如,溶血回归模型530H可以利用具有跨过预期溶血水平的不同范围的溶血水平的宽范围的试样212来训练。同样,黄疸回归模型530I可以利用具有跨过预期水平的不同范围的黄疸水平的宽范围的试样212来训练。类似地,高脂血回归模型530L可以利用具有跨过预期水平的不同范围的高脂血水平的宽范围的试样212来训练。在一些实施例中,干扰物水平可以被离散化。例如,可以使用四个谨慎水平。可以使用多于或少于四个谨慎水平。如果已经离散化了模型的干扰水平,则还可以通过映射到最接近的目标水平来离散化来自回归模型的输出。在任何情况下,根据一个或多个实施例,可以为每个检测到的干扰物类型提供干扰物指数。
相应地,应当显而易见的是,由质量检查模块130实施的方法可以导致将试样212快速表征为正常N、或者表征为其中包含一个或多个干扰物HIL。如果试样212包含一个或多个干扰物,则方法可以进一步确定存在的一个或多个干扰物类型,并且还可以针对所存在的每一个干扰物类型确定干扰物指数。
图7图示了表征方法700的流程图。可以利用如本文中所描述的质量检查模块来实施表征方法700。特别地,根据一个或多个实施例,表征方法可以是确定试样212中的干扰物的方法的一部分。表征方法700包括:在702中,从试样容器(例如,试样容器102)的多个视点(例如,视点1、2和3)捕获一个或多个图像,该试样容器包括试样(例如,试样212)的血清或血浆部分(例如,血清或血浆部分212SP),其中该试样容器在其上包括一个或多个标签(例如,标签218、218A、218B、218C)。该一个或多个图像可以是使用一个或多个图像捕获设备(例如,图像捕获设备440A-440C)捕获的数字像素化图像。
表征方法700进一步包括:在704中,处理来自该多个视点的一个或多个图像,以针对该多个视点中的每一个提供分割数据,该分割数据包括含标签区域(例如,含标签区域618)的标识。该多个图像可以包括在不同曝光时间下和/或不同光谱(例如,R、G、B、白光、IR和/或近IR)下的每个视点处的多个图像。例如,在一些实施例中,可以存在在不同的曝光时间下、但是在相同的光照条件下进行的4-8次不同的曝光或更多次曝光。在一个或多个实施例中,可以使用白光作为背光光源444A-444C来捕获一些图像,并且可以使用多个单波长峰值窄带光谱光源(诸如红色、蓝色和绿色)作为背光式光源444A-444C来捕获一些图像。可选地,IR或近IR光源可以用作背光源。
可以使用如本文中所描述的HDR成像来获得分割数据,并且可以通过合适的基于模型的方法来完成分割(例如,分割511),该方法诸如本文中所描述的分类方法,其中图像数据被分割成各种类别,诸如1-血清或血浆部分、2-沉降的血液部分、3-管、4-空气、5-盖、5-标签、6-保持器、以及7-凝胶分离物(如果使用的话)。特别地,在分割511中标识包含(一个或多个)标签的含标签区域618由表征方法700所使用。
特别地,表征方法包括:在706中,提供参考标签配置数据库(例如,参考标签配置数据库522),该数据库包括关于多个参考标签配置的参考图像数据。作为训练过程的一部分,关于试样容器上提供的数百或甚至数千个标签配置而获得多个参考标签配置。可以在质量检查模块130中获得多个参考标签配置,但是其中,试样容器102中没有试样。例如,标签配置可包括如下配置:其中一个标签218或多个标签(例如,两个标签218A、218B)、三个标签(218A、218B、218C)被提供在试样容器102上,诸如粘附的标签218。标签配置可包括各种水平的标签重叠。一些实施例可以遮挡整个视点,或者甚至遮挡多于一个视点。一些实施例可以完全被标签218A、218B、218C覆盖,以便遮挡所有视点。
表征方法700包括:在708中,标识和选择含标签区域(例如,含标签区域618)与从参考标签配置数据库(例如,参考标签配置数据库522)中包含的多个参考标签配置中选择的参考标签配置的最接近的标签匹配(例如,选择最接近的标签匹配521)。可以使用任何合适的比较方法来使最接近的标签匹配精细化。例如,可以使用索引来通过利用索引特征(诸如,管大小、标签大小、标签位置)对参考标签配置数据库522进行索引而减少在比较期间进行搜索的数据量。可以使用其他索引。
表征方法700包括:在710中,基于含标签区域(例如,含标签区域618)上的分割信息和最接近的标签匹配来生成组合表示。
然后,可以将组合表示、连同关于血清或血浆部分(例如,血清或血浆部分212SP)的语义数据一起馈送到HILN分类器(例如,HILN分类器529)。表征方法700包括:在712中,确定血清或血浆部分212SP的HILN。HILN确定基于用HILN分类器529处理的前视图语义数据,同时考虑到血清或血浆部分212SP中被含标签区域618遮挡的部分。
可选地,在714中,可以诸如通过使用诸如回归模型等之类的干扰物指数模型来检测干扰物水平(例如,H、I和/或L指数)。因此,基于前述内容,应当显而易见的是,提供了改进的表征方法700,该方法通过调整图像数据以计及可能遮挡一个或多个视点的标签来更好地表征血清或血浆部分212SP。改进的表征可用于提供对试样212的H、I和/或L或者N的存在的快速且鲁棒的表征,并且如果干扰物(例如,H、I和/或L)被检测到,则可以评估和报告干扰物水平。
如应当显而易见的那样,可以使用质量检查模块(例如,质量检查模块130)来实施上述表征方法,该质量检查模块包括:多个图像捕获设备(例如,图像捕获设备)440A-440C,其被布置在成像位置(例如,成像位置432)周围并且被配置成从试样容器102的多个视点(例如,多个视点1-3)捕获多个图像,该试样容器102包括一个或多个标签218、218A-218B或218A-218C并且包含试样212的血清或血浆部分212SP;以及计算机(例如,计算机143),其耦合到该多个图像捕获设备并且被适配成处理该多个图像的图像数据。计算机(例如,计算机143)可以被配置并且能够***作以便:处理来自该多个视点(例如,视点1-3)的多个图像,以针对该多个视点中的每一个提供分割数据,该分割数据包括含标签区域(例如,包括一个或多个标签218的含标签区域618)的标识;在存储器中存储参考标签配置数据库(例如,参考标签配置数据库522),该数据库包括关于该多个参考标签配置的参考图像数据;确定含标签区域与从参考标签配置数据库中包含的该多个参考标签配置中选择的参考标签配置的最接近的标签匹配;以及基于分割信息和最接近的标签匹配来生成组合表示。
此外,表征方法700可以在包括质量检查模块130的试样测试装置100上实施。试样测试装置100可包括轨道121以及可在轨道121上移动的载体122。载体122可以被配置成:包含和支撑试样容器102,试样容器102包括含有含标签区域618的一个或多个标签218并且包含试样212的血清或血浆部分212SP;以及将试样容器102承载到质量检查模块130以完成对干扰物的存在的表征和预筛选。
本文中可以单独地描述各种所选的组件、特征或实施例。应当注意的是,这些组件、特征或实施例可以用于替代其他单独描述的组件、特征或实施例,或者甚至如实际的那样与本文中的其他描述的组件、特征或实施例组合。虽然本发明容许各种修改和可替换形式,但是已经通过示例的方式在附图中示出并且在本文中详细描述了特定的装置、***和方法。然而,应当理解的是,不意图将本公开限制到所公开的特定装置、***和方法,而是相反地,意图覆盖落在所附权利要求的范围内的所有修改、等同物和可替换方案。
Claims (19)
1.一种表征方法,包括:
从包括血清或血浆部分的试样容器的多个视点来捕获一个或多个图像,其中所述试样容器在其上包括一个或多个标签;
处理来自所述多个视点的所述一个或多个图像,以针对所述多个视点中的每一个提供分割数据,所述分割数据包括含标签区域的标识;
提供参考标签配置数据库,所述数据库包括关于多个参考标签配置的参考图像数据;
标识和选择所述含标签区域与从所述参考标签配置数据库中包含的所述多个参考标签配置中选择的参考标签配置的最接近的标签匹配;以及
基于所述分割数据和所述最接近的标签匹配来生成组合表示,
其中生成组合表示包括:在逐像素的基础上,计算所述含标签区域与从所述多个参考标签配置中选择的参考标签配置之间的差异、之间的比率、或其串联。
2.如权利要求1所述的方法,包括通过使用所述组合表示、考虑所述一个或多个标签来确定以下各项中的至少一个:
溶血、黄疸和/或高脂血,或
所述血清或血浆部分的正常性。
3.如权利要求1所述的方法,其中所述参考标签配置数据库包括关于不同参考标签配置的图像数据。
4.如权利要求3所述的方法,其中,在处理来自所述多个视点的所述一个或多个图像之前,已经录入了关于不同参考标签配置的图像数据。
5.如权利要求3所述的方法,其中所述参考标签配置数据库由能够被索引器索引的子数据库组成。
6.如权利要求3所述的方法,其中所述参考标签配置数据库由按管大小索引的子数据库组成。
7.如权利要求3所述的方法,其中所述参考标签配置数据库由按标签大小索引的子数据库组成。
8.如权利要求3所述的方法,其中所述参考标签配置数据库由按标签位置索引的子数据库组成。
9.如权利要求1所述的方法,其中,标识和选择所述含标签区域与所述参考标签配置的最接近的标签匹配包括:最小化所述含标签区域与所述参考标签配置之间的差异。
10.如权利要求9所述的方法,其中确定最接近的匹配包括:缩减所述含标签区域的所述分割数据,以匹配所述参考标签配置数据库的相对尺度。
11.如权利要求1所述的方法,其中所述分割数据是通过所述含标签区域、在所述血清或血浆部分上生成的。
12.如权利要求1所述的方法,包括从来自所述多个视点中的每个视点的所述分割数据生成语义地图。
13.如权利要求12所述的方法,包括选择具有最大可见度的血清或血浆部分的合成视点。
14.如权利要求1所述的方法,其中从所述多个视点捕获所述一个或多个图像包括:利用包括R、G、B、白光、IR和近IR的一个或多个光谱的光源进行背光照射。
15.如权利要求14所述的方法,其中从所述多个视点捕获所述一个或多个图像包括:针对所述一个或多个光谱中的每一个、在不同曝光时间下进行曝光。
16.如权利要求1所述的方法,其中忽略所述含标签区域的所述分割数据中的条形码数据。
17.一种质量检查模块,包括:
多个图像捕获设备,其被布置在成像位置周围,并且被配置成从试样容器的多个视点来捕获多个图像,所述试样容器包括一个或多个标签并且包含试样的血清或血浆部分;以及
计算机,其耦合到所述多个图像捕获设备,并且被适配成处理所述多个图像的图像数据,所述计算机被配置并且能够***作以便:
处理来自所述多个视点的所述多个图像,以针对所述多个视点中的每一个提供分割数据,所述分割数据包括含标签区域的标识,
存储参考标签配置数据库,所述数据库包括关于多个参考标签配置的参考图像数据,
确定所述含标签区域与从所述参考标签配置数据库中包含的所述多个参考标签配置中选择的参考标签配置的最接近的标签匹配,以及
基于所述分割数据和所述最接近的标签匹配来生成组合表示,
其中生成组合表示包括:在逐像素的基础上,计算所述含标签区域与从所述多个参考标签配置中选择的参考标签配置之间的差异、之间的比率、或其串联。
18.如权利要求17所述的质量检查模块,包括使用所述组合表示、利用溶血(H)、黄疸(I)高脂血(L)或者正常(N)分类器考虑所述含标签区域来确定所述血清或血浆部分的溶血(H)、黄疸(I)和/或高脂血(L)或者正常(N)。
19.一种试样测试装置,包括:
轨道;
载体,其可在所述轨道上移动,并且被配置成包含试样容器,所述试样容器包括一个或多个标签并且包含试样的血清或血浆部分;
多个图像捕获设备,其被布置在所述轨道周围,并且被配置成从多个视点来捕获所述试样容器和试样的多个图像;以及
计算机,其耦合到所述多个图像捕获设备,并且被适配成处理所述多个图像的图像数据,所述计算机被配置并且能够***作以便:
处理来自所述多个视点的所述多个图像,以针对所述多个视点中的每一个提供分割数据,所述分割数据包括含标签区域的标识,
存储参考标签配置数据库,所述数据库包括关于多个参考标签配置的参考图像数据,
确定所述含标签区域与从所述参考标签配置数据库中包含的所述多个参考标签配置中选择的参考标签配置的最接近的标签匹配,以及
基于所述分割数据和所述最接近的标签匹配来生成组合表示,
其中生成组合表示包括:在逐像素的基础上,计算所述含标签区域与从所述多个参考标签配置中选择的参考标签配置之间的差异、之间的比率、或其串联。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762485262P | 2017-04-13 | 2017-04-13 | |
US62/485262 | 2017-04-13 | ||
PCT/US2018/026948 WO2018191295A1 (en) | 2017-04-13 | 2018-04-10 | Methods and apparatus for label compensation during specimen characterization |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110520737A CN110520737A (zh) | 2019-11-29 |
CN110520737B true CN110520737B (zh) | 2023-09-05 |
Family
ID=63793499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880024492.4A Active CN110520737B (zh) | 2017-04-13 | 2018-04-10 | 用于在试样表征期间进行标签补偿的方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11538159B2 (zh) |
EP (1) | EP3610270B1 (zh) |
JP (1) | JP7012746B2 (zh) |
CN (1) | CN110520737B (zh) |
WO (1) | WO2018191295A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017204178A1 (de) * | 2017-03-14 | 2018-09-20 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Absicherung der Funktionsfähigkeit eines Bedienelements einer Parkbremse |
CN110573883B (zh) * | 2017-04-13 | 2023-05-30 | 美国西门子医学诊断股份有限公司 | 用于在样本表征期间确定标签计数的方法和装置 |
EP3655757A4 (en) | 2017-07-19 | 2020-08-12 | Siemens Healthcare Diagnostics, Inc. | METHODS AND APPARATUS FOR SAMPLE CHARACTERIZATION USING HYPERSPECTRAL IMAGING |
EP3737930A4 (en) | 2018-01-10 | 2021-03-10 | Siemens Healthcare Diagnostics, Inc. | METHOD AND DEVICE FOR CHARACTERIZATION OF A BIOLOGICAL SAMPLE USING A NEURAL NETWORK WITH REDUCED TRAINING |
CN109344722B (zh) * | 2018-09-04 | 2020-03-24 | 阿里巴巴集团控股有限公司 | 一种用户身份确定方法、装置及电子设备 |
JP7474396B2 (ja) * | 2019-04-23 | 2024-04-25 | 株式会社テクノメデイカ | 自動採血管判別装置、該自動採血管判別装置を用いた採血管照合装置、該自動採血管判別装置用の教師データ取得装置を備えた自動採血管準備装置、及び該採血管照合装置を備えた自動採血管準備装置 |
WO2022217544A1 (en) * | 2021-04-15 | 2022-10-20 | F. Hoffmann-La Roche Ag | Method and system for sample quality control |
EP4080515A1 (en) * | 2021-04-19 | 2022-10-26 | Roche Diagnostics GmbH | A method for classifying an identification tag on a sample tube containing a sample and an automated laboratory system |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6353471B1 (en) * | 1995-10-10 | 2002-03-05 | Cme Telemetrix Inc. | Method and apparatus for non-destructive screening of specimen integrity |
US7065250B1 (en) * | 1998-09-18 | 2006-06-20 | Canon Kabushiki Kaisha | Automated image interpretation and retrieval system |
WO2006122164A2 (en) * | 2005-05-09 | 2006-11-16 | Riya, Inc. | System and method for enabling the use of captured images through recognition |
JP2013242246A (ja) * | 2012-05-22 | 2013-12-05 | Hitachi High-Technologies Corp | 生体試料の分析装置および生体試料の分析方法 |
CN104169719A (zh) * | 2011-12-29 | 2014-11-26 | 赛特诊断有限公司 | 用于检测生物样品中病原体的方法和*** |
WO2015072358A1 (ja) * | 2013-11-12 | 2015-05-21 | 株式会社日立ハイテクノロジーズ | 検体検査自動化システムおよび生体試料チェックモジュールならびに生体試料のチェック方法 |
CN105324671A (zh) * | 2013-07-04 | 2016-02-10 | 株式会社日立高新技术 | 检测装置以及生物体试样分析装置 |
CN105793867A (zh) * | 2013-12-20 | 2016-07-20 | 西-奥特有限公司 | 图像搜索方法及设备 |
WO2016133900A1 (en) * | 2015-02-17 | 2016-08-25 | Siemens Healthcare Diagnostics Inc. | Model-based methods and apparatus for classifying an interferent in specimens |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6594383B1 (en) * | 1999-11-16 | 2003-07-15 | International Business Machines Corporation | Method and apparatus for indexing and retrieving images from an images database based on a color query |
US7228010B1 (en) * | 2003-02-27 | 2007-06-05 | At&T Corp. | Systems, methods and devices for determining and assigning descriptive filenames to digital images |
US7795380B2 (en) * | 2006-06-02 | 2010-09-14 | University Of Iowa Research Foundation | Compositions and methods for nucleic acid delivery |
US8073189B2 (en) * | 2007-08-03 | 2011-12-06 | General Electric Company | Methods and systems for selecting an image application based on image content |
JP5539309B2 (ja) | 2008-03-21 | 2014-07-02 | アボット ポイント オブ ケア インコーポレイテッド | 赤血球中に含まれるヘモグロビンの固有色素を利用して血液試料の赤血球指数を決定するための方法及び装置 |
US8170271B2 (en) | 2008-06-25 | 2012-05-01 | Jadak Llc | System and method for test tube and cap identification |
JP5859439B2 (ja) | 2009-08-13 | 2016-02-10 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド | 臨床分析機によって分析される液体サンプルおよび容器の中の干渉物質および物理的寸法を確定するための方法ならびに装置 |
DE102009039254A1 (de) | 2009-08-28 | 2013-05-08 | Krones Aktiengesellschaft | Vorrichtung und Verfahren zum Inspizieren etikettierter Gefäße |
US8655069B2 (en) * | 2010-03-05 | 2014-02-18 | Microsoft Corporation | Updating image segmentation following user input |
US8422769B2 (en) * | 2010-03-05 | 2013-04-16 | Microsoft Corporation | Image segmentation using reduced foreground training data |
US8505823B2 (en) | 2010-06-30 | 2013-08-13 | International Business Machine Corporation | Noise removal from color barcode images |
US9292565B2 (en) | 2010-06-30 | 2016-03-22 | International Business Machines Corporation | Template-based recognition of food product information |
JP5474903B2 (ja) | 2011-09-28 | 2014-04-16 | あおい精機株式会社 | 検査前処理装置、検査前処理方法、及び検体処理装置 |
US8634651B2 (en) * | 2012-02-29 | 2014-01-21 | Accusoft Corporation | Methods and apparatus for locating target patterns in an image |
EP2690596B1 (en) * | 2012-07-24 | 2018-08-15 | Agfa Healthcare | Method, apparatus and system for automated spine labeling |
US9952241B2 (en) * | 2012-08-20 | 2018-04-24 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for ascertaining specimen and/or sample container characteristics while in transit |
US20150363660A1 (en) * | 2014-06-12 | 2015-12-17 | Asap54.Com Ltd | System for automated segmentation of images through layout classification |
JP6453564B2 (ja) | 2014-06-25 | 2019-01-16 | 株式会社日立ハイテクノロジーズ | 検出装置 |
CA2976771C (en) | 2015-02-17 | 2023-09-26 | Siemens Healthcare Diagnostics Inc. | Barcode tag detection in side view sample tube images for laboratory automation |
CN107427835B (zh) | 2015-02-17 | 2020-06-05 | 西门子医疗保健诊断公司 | 来自用于实验室自动化的俯视图样品管图像的条码标签状况的分类 |
JP6422824B2 (ja) | 2015-05-29 | 2018-11-14 | 株式会社日立ハイテクノロジーズ | 検体前処理方法及び検体前処理装置 |
JP6719901B2 (ja) * | 2015-12-28 | 2020-07-08 | あおい精機株式会社 | 検体処理装置 |
EP3408641B1 (en) | 2016-01-28 | 2021-05-26 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for multi-view characterization |
EP3408652B1 (en) | 2016-01-28 | 2020-12-16 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for classifying an artifact in a specimen |
WO2017132167A1 (en) | 2016-01-28 | 2017-08-03 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus adapted to identify a specimen container from multiple lateral views |
WO2017132166A1 (en) | 2016-01-28 | 2017-08-03 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus adapted to quantify a specimen from multiple lateral views |
JP6791972B2 (ja) | 2016-01-28 | 2020-11-25 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッドSiemens Healthcare Diagnostics Inc. | 試料中のインターフェレントを検出するための方法と装置 |
JP6592401B2 (ja) * | 2016-05-26 | 2019-10-16 | 株式会社日立ハイテクノロジーズ | 試料液面位置計測装置及び試料液面位置計測方法 |
US11035870B2 (en) | 2016-07-25 | 2021-06-15 | Siemens Healthcare Diagnostics Inc. | Systems, methods and apparatus for identifying a specimen container cap |
EP3538839B1 (en) | 2016-11-14 | 2021-09-29 | Siemens Healthcare Diagnostics Inc. | Methods, apparatus, and quality check modules for detecting hemolysis, icterus, lipemia, or normality of a specimen |
CN110573883B (zh) | 2017-04-13 | 2023-05-30 | 美国西门子医学诊断股份有限公司 | 用于在样本表征期间确定标签计数的方法和装置 |
-
2018
- 2018-04-10 EP EP18783693.7A patent/EP3610270B1/en active Active
- 2018-04-10 WO PCT/US2018/026948 patent/WO2018191295A1/en unknown
- 2018-04-10 CN CN201880024492.4A patent/CN110520737B/zh active Active
- 2018-04-10 JP JP2019555668A patent/JP7012746B2/ja active Active
- 2018-04-10 US US16/604,128 patent/US11538159B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6353471B1 (en) * | 1995-10-10 | 2002-03-05 | Cme Telemetrix Inc. | Method and apparatus for non-destructive screening of specimen integrity |
US7065250B1 (en) * | 1998-09-18 | 2006-06-20 | Canon Kabushiki Kaisha | Automated image interpretation and retrieval system |
WO2006122164A2 (en) * | 2005-05-09 | 2006-11-16 | Riya, Inc. | System and method for enabling the use of captured images through recognition |
CN104169719A (zh) * | 2011-12-29 | 2014-11-26 | 赛特诊断有限公司 | 用于检测生物样品中病原体的方法和*** |
JP2013242246A (ja) * | 2012-05-22 | 2013-12-05 | Hitachi High-Technologies Corp | 生体試料の分析装置および生体試料の分析方法 |
CN105324671A (zh) * | 2013-07-04 | 2016-02-10 | 株式会社日立高新技术 | 检测装置以及生物体试样分析装置 |
WO2015072358A1 (ja) * | 2013-11-12 | 2015-05-21 | 株式会社日立ハイテクノロジーズ | 検体検査自動化システムおよび生体試料チェックモジュールならびに生体試料のチェック方法 |
CN105793867A (zh) * | 2013-12-20 | 2016-07-20 | 西-奥特有限公司 | 图像搜索方法及设备 |
WO2016133900A1 (en) * | 2015-02-17 | 2016-08-25 | Siemens Healthcare Diagnostics Inc. | Model-based methods and apparatus for classifying an interferent in specimens |
Non-Patent Citations (1)
Title |
---|
燕扬.基于条件随机场的医学文本与图像标注模型构建及应用研究.《中国博士学位论文全文数据库信息科技辑》.2015,(第8期),第I138-19页. * |
Also Published As
Publication number | Publication date |
---|---|
JP2020516885A (ja) | 2020-06-11 |
US20200151878A1 (en) | 2020-05-14 |
EP3610270A1 (en) | 2020-02-19 |
EP3610270B1 (en) | 2024-05-29 |
EP3610270A4 (en) | 2020-04-22 |
CN110520737A (zh) | 2019-11-29 |
US11538159B2 (en) | 2022-12-27 |
WO2018191295A1 (en) | 2018-10-18 |
JP7012746B2 (ja) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110199172B (zh) | 用于检测样本的溶血、黄疸、脂血、或常态的方法、设备和质量检验模块 | |
CN108738338B (zh) | 用于检测样本中的干扰物的方法和装置 | |
CN110520737B (zh) | 用于在试样表征期间进行标签补偿的方法和装置 | |
CN110573883B (zh) | 用于在样本表征期间确定标签计数的方法和装置 | |
CN110573859B (zh) | 用于使用卷积神经网络的hiln表征的方法和装置 | |
EP3408640B1 (en) | Methods and apparatus adapted to identify a specimen container from multiple lateral views | |
CN109477848B (zh) | 用于识别样品容器盖的***、方法和设备 | |
CN108738339B (zh) | 用于对试样中的伪像进行分类的方法和装置 | |
CN108474733B (zh) | 用于表征样品容器和样品的方法和装置 | |
CN112424334A (zh) | 利用高级语义分割和对抗训练进行细粒度hil指数确定的方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40013224 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |