JP2019510963A - マルチビューの特徴付けのための方法及び装置 - Google Patents

Abstract

試料容器内の試料を分類するモデルベースの方法。この方法は、複数の異なる露光時間、異なる公称波長を有する複数の異なるスペクトル、及び複数のカメラを使用することによる異なる視点で試料及び容器の画像をキャプチャすることを含む。取得された画像から、２Ｄデータセットが生成される。２Ｄデータセットは、複数の異なる露光画像からの最適に露光された画素の選択に基づいて、各スペクトルについて最適に露光された画像データを生成する。これらの２Ｄデータセットに基づいて、血清又は血漿部分、沈降した血液部分、ゲルセパレータ（存在する場合）、管、空気、又はラベルなどの様々な構成要素がマルチクラス分類器を使用して分類される。分類データ及び２Ｄデータセットから、３Ｄモデルを生成することができる。この方法を実行するように構成された試料検査装置及び品質チェックモジュールが、他の態様と同様に記載される。

Description

関連出願
本出願は、２０１６年１月２８日に出願された「マルチビュー特徴付けのための方法及び装置」と題する米国仮特許出願第６２／２８８，３７１号の優先権を主張し、その開示はその全体が参照により本明細書に援用される。

本発明は、試料を検査するための方法及び装置に関し、より詳細には、試料及び試料容器を画像化するための方法及び装置に関する。

自動検査システムは、尿、血清、血漿、間質液、脳脊髄液などの試料中の分析物又は他の成分を識別するために、１つ以上の試薬を用いて臨床化学又は化学分析を行うことができる。便宜上及び安全上の理由から、これらの試料は、ほとんど常に試料容器（例えば、試料採取管）に収容される。検査又は化学分析反応は、様々な変化を生じ得るものであり、読み取り及び／又は操作して試料内に存在する分析物又は他の成分の濃度を判定する。

自動化された検査技術の改良には、実験室自動化システム（ＬＡＳ）の一部である自動分析前試料調製ステーションによる、バッチ調整、サンプル成分を分離するためのサンプル容器の遠心分離、流体アクセスを容易にするためのキャップ除去などの分析前サンプル調製及び取り扱い操作において対応する進歩が伴う。ＬＡＳは、試料容器内の試料を、多数の分析前試料処理ステーション及び／又は臨床化学分析装置又は化学分析器を含む分析ステーション（以下総称して「分析装置」と称する）に自動的に搬送する。

これらのＬＡＳは、バーコードラベル付き試料容器に収容される任意の数の異なる試料を処理してもよい。バーコードラベルは、病院の検査室情報システム（ＬＩＳ）に入力される人口統計情報に関連付けることができる受託番号を、検査の順番及びおそらくは他の情報と共に含んでいてもよい。オペレータは、ラベル付き試料容器を、ラック内のＬＡＳシステム上に置くことができ、ＬＡＳは、例えば、遠心分離、キャップ取り外し、そしておそらくは一定分量調製などの分析前操作のためにサンプル容器を自動的に転送可能である。これらはすべて、試料に対して、実際に臨床分析が行われる前、又はＬＡＳの一部となりうる１つ以上の分析装置による化学分析が行われる前に実施される。

特定の検査では、血清又は血漿部分（例えば、遠心分離によって全血液から得られる）を使用することができる。ゲルセパレータを試料容器に添加して、血清又は血漿部分から沈降した血液部分の分離を補助してもよい。遠心分離及びその後のキャップ取り外し処理の後、試料容器は、血清又は血漿部分を試料容器から抽出し、血清又は血漿部分を反応容器（例えば、キュベット又は他の容器）中の１つ以上の試薬と組み合わせることができる適切な分析装置に搬送してもよい。分析測定は、例えば、照会放射のビームを使用して、又は測光又は蛍光測定吸収読み取りなどを使用して実行されることが多い。測定値から、終点又は速度又は他の値を判定し、それらから既知の技術を用いて分析物又は他の成分の量を判定することができる。

先行技術では、試料の血清又は血漿部分の完全性は、熟練した実験技師であれば視覚的に検査する。これには、その色の再検討を伴うこともある。ノーマルな血清又は血漿部分は淡黄色から淡琥珀色を呈し、凝塊、気泡、及び泡がない。溶血、黄疸、又は脂肪血（Ｈ、Ｉ、又はＬ）を含む試料は、試料を既知の色標準と比較することによって判定することができる。しかし、手動による視覚検査は非常に主観的であり、労働集約的であり、人為的ミスの可能性を伴う。

手動視覚検査には上記の問題が含まれているため、検査技術者による目視検査を使用せずに、自動検査を使用することにより、試料の完全性を評価することがますます広まってきている。しかしながら、場合によっては、試料容器に直接貼付されたバーコードラベルが、試料の視野を部分的に閉塞して、試料の血清又は血漿部分を視覚的に観察することができない場合もある。

いくつかのシステムでは、ミラーに付与された特許文献１に記載されるように、試料容器を品質ステーションで回転させることにより、ラベルによって遮られることのないビューウィンドウを見つけることができる。しかしながら、そのようなシステムは、自動化し難い可能性がある。

画像化のために試料を回転しようとする際に遭遇する問題のために、試料容器及び試料を容易に画像化するように構成された方法及び装置に対する未充足ニーズがある。この方法及び装置は、分析又は化学分析の検査結果が得られる速度にかなりの悪影響を及ぼすべきではない。さらに、方法及び装置は、ラベルが試料の一部を遮っているようなラベル付き試料容器上でも使用可能でなければならない。

米国特許出願公開第２０１２／０１４０２３０号明細書

第１の態様によれば、試料容器内に収容された試料を特徴付ける方法が提供される。この方法は、複数の視点から撮影された試料を収容する試料容器の複数の２Ｄ画像を処理することによって得られ、血清又は血漿、沈降した血液部分、ゲルセパレータ（存在する場合）、空気、管、及びラベルとして分類される、分類された２Ｄデータセットを提供することと、分類された２Ｄデータセットにおける位置を、統合された３Ｄデータセットに関連付けることと、統合された３Ｄデータセットに基づいて統合された３Ｄモデルを形成することと、を含む。

別の態様によれば、試料及び試料容器を特徴付けるように構成された品質チェックモジュールが提供される。品質チェックモジュールは、試料容器の周囲に配置され、複数の視点から試料容器及び試料の複数の画像をキャプチャ（取得／撮像）するように構成され、それぞれは、複数の異なる露光時間と、複数の異なる波長、又は１つ以上の波長範囲で撮影された複数の２Ｄ画像を生成するように構成された複数のカメラと、複数のカメラに結合され、複数の２Ｄ画像から画像データを処理するように構成されたコンピュータと、を備え、コンピュータは、複数の視点から撮影された複数の２Ｄ画像を処理することによって得られ分類された、血清又は血漿部分、沈降した血液部分、ゲルセパレータ（存在する場合）、空気、管、及びラベルとして分類される２Ｄデータセットを提供し、２Ｄデータセットにおける位置を統合された３Ｄデータセットに関連付け、統合された３Ｄデータセットに基づいて統合された３Ｄモデルを形成するように構成され動作させることができる。

別の態様では、試料容器内に収容された試料を画像化するように構成された試料検査装置が提供される。検査装置は、トラックと、試料容器を収容するように構成された、トラック上のキャリアと、トラックの周囲に配置され、複数の視点から試料容器及び試料の複数の２Ｄ画像をキャプチャするように構成されたカメラであって、それぞれは、複数の異なる露光時間と、複数の異なる波長、又は１つ以上の波長範囲で複数の画像を生成するように構成された複数のカメラと、複数のカメラに結合され、複数の２Ｄ画像から画像データを処理するように構成されたコンピュータと、を備え、コンピュータは、複数の視点から撮影された複数の２Ｄ画像を処理することによって得られ分類された、血清又は血漿部分、沈降した血液部分、ゲルセパレータ（存在する場合）、空気、管、及びラベルとして分類される２Ｄデータセットを提供し、２Ｄデータセットにおける位置を統合された３Ｄデータセットに関連付け、統合された３Ｄデータセットに基づいて統合された３Ｄモデルを形成するように構成され動作させることができる。

本発明のさらなる他の態様、特徴、及び利点は、本発明を実施するために考えられる最良の形態を含む多くの例示的な実施形態及び実施を例示することによって、以下の説明から容易に明らかになるであろう。本発明は、他の異なる実施形態も可能であり、そのいくつかの詳細は、本発明の範囲からすべて逸脱することなく、様々な点で変更してもよい。したがって、図面及び説明は、本質的に例示的であると見なされるべきであり、限定的とみなされるべきではない。本発明は、添付の特許請求の範囲に含まれるすべての修正、均等物、及び代替物を含有するものである。

以下に説明する図面は、説明のためのものであり、必ずしも一定の縮尺で描かれているわけではない。図面は、決して本発明の範囲を限定するものではない。
図１は、１つ以上の実施形態による１つ以上の品質チェックモジュールと１つ以上の分析装置とを含む試料検査装置を示す上面概略図である。 図２は、両方が、１つ以上の実施形態による方法を用いて特徴付け可能な、試料を含むラベル付き試料容器の側面図である。 図３は、１つ以上の実施形態による方法を用いて特徴付け可能な、試料及びゲルセパレータを含むラベル付き試料容器の側面図である。 図４Ａは、１つ以上の実施形態による、複数の画像を取得及び分析して、試料及び試料容器を特徴付けるように構成された品質チェックモジュールを示す概略上面図である。 図４Ｂは、１つ以上の実施形態による、図４Ａの品質チェックモジュールを示す概略側面図である。 図４Ｃは、１つ以上の実施形態による、複数の画像を取得及び分析して、試料及び試料容器を定量化するように構成された品質チェックモジュールを示す概略上面図である。 図４Ｄは、１つ以上の実施形態による、図４Ｃの品質チェックモジュールを示す概略側面図である。 図５Ａは、１つ以上の実施形態による、試料と試料容器を特徴付けるように構成された品質チェックモジュールの構成要素を示すブロック図である。 図５Ｂは、１つ以上の実施形態による、仮想３Ｄボクセルグリッド上に投影された試料容器画像を示す図である。 図６は、１つ以上の実施形態による、試料及び試料容器を特徴付ける能力を含む試料検査装置の構成要素全体を示すブロック図である。 図７は、１つ以上の実施形態による、試料の特徴付け方法を示すフローチャートである。

第１の広い態様では、本発明の実施形態は、試料容器に収容された試料を画像化し、特徴付けるように構成された方法及び装置を提供する。１つ以上の実施形態において、特徴付け方法の最終結果は、試料を収容する試料容器の３Ｄモデルの生成であってもよい。３Ｄモデルから、試料及び試料容器を定量化するために情報を抽出し、試料又は試料容器の特徴を判定したり、様々な側面視点で撮影された画像から生成された２Ｄモデルから導かれた結論を検証するために使用したりすることができる。例えば、試料及び／又は試料容器の１つ以上の構成要素の寸法特徴を判定することができる。これらの寸法特徴は、その後に行われる吸引中にプローブ（「ピペット」とも称する）の位置決めを適切に誘導し、沈降した血液部分又はゲルセパレータ（使用される場合）を吸引することによってプローブが汚染されるのを防ぐために使用してもよい。さらに、試料容器の寸法特徴は、ロボットによる試料容器操作の間、試料容器とのロボットグリッパの接触又は衝突を回避するために使用してもよい。さらに、特徴付けにより、血清又は血漿部分の量を正確に判定することができる。利用可能な量を知ることにより、その部分をより完全に使用することができ、複数の検査がその試料片に対して指示された場合に、検査を実施するために試料容器に十分な量の血清又は血漿部分が存在することを確認することができる。

さらに、３Ｄモデルを使用して、試料の血清又は血漿部分における溶血（Ｈ）、黄疸（Ｉ）、及び／又は脂肪血（Ｌ）の存在など、インターフェレントの存在についての最終判定をすることができる。任意で、又は加えて、３Ｄモデルは、複数のカメラによって複数の視点でキャプチャされたそれぞれの２Ｄ画像データから個々の分類結果を検証するために使用してもよい。

本明細書に記載の試料は、採血管のような試料容器に採取され、分離後の沈降した血液部分及び血清及び血漿部分（例えば、遠心分離による分別）を含んでもよい。沈降した血液部分は、白血球、赤血球及び血小板などの血液細胞で構成され、血清又は血漿部分から凝集分離される。これは、概ね、試料容器の底部に見られる。血清又は血漿部分は、沈降した血液部分の一部以外の血液の液体成分である。これは、概ね、沈降した血液部分の上に見られる。血漿及び血清は、凝固成分、主にフィブリノーゲンの含有量が主に異なる。血漿は、凝固していない液体であり、血清は、内因性酵素又は外因性成分の影響下で凝固することが可能な血漿を指す。いくつかの試料容器では、小さなゲルセパレータ（例えば、プラグ）を使用してもよく、これは、分別中に沈降した血液部分と血清又は血漿部分との間に位置させる。これは、２つの部分の間の障壁として機能する。

１つ以上の実施形態によれば、特徴付け方法は前分析検査法として実施することができる。例えば、１つ以上の実施形態において、特徴付け方法は、試料が１つ以上の分析装置で分析（臨床化学又は化学分析）に供される前に実施してもよい。特に、本発明の１つ以上の実施形態は、さらなる検査のための前提条件として試料の特徴付けを提供する。１つ以上の実施形態では、試料の特徴付けは、異なる側方視点から試料容器の側方２Ｄ画像を提供するように配置された複数のカメラを含む、１つ以上の品質チェックモジュールで判定してもよい。このデータから、試料容器を回転させることなく、試料容器及び試料の統合された３Ｄビューを構築することができる。

１つ以上の実施形態による方法は、試料に対する遠心分離手順の後に実施される。特に、試料及び試料容器の特徴付けは、高ダイナミックレンジ（ＨＤＲ）画像処理を用いて実施することができる。この方法は、血清又は血漿部分及び／又は沈降した血液部分の界面境界の位置、並びにＨＤＲ画像処理を用いてこれらの構成要素の体積又は深度を含み、試料を定量化することができる。

生成された複数の視点の２Ｄデータセットを使用して、血清又は血漿部分中にアーチファクト（例えば、凝塊、気泡、及び泡）が存在するかどうかなど、試料に関する情報を判定又は検証したり、溶血、黄疸、及び／又は脂肪血症（以下、「ＨＩＬ」）のようなインターフェレントが試料中に存在するか否かを判定したりするために使用できる３Ｄモデルを生成する。

他の実施形態では、３Ｄモデルを使用して、試料容器の寸法、又は、例えば、試料容器の容器の種類（その高さ及び直径の識別を介して）、キャップの種類、及び／又はキャップの色などの他の特徴を識別又は検証してもよい。

特徴付け後、血清又は血漿部分にアーチファクト又はＨ、Ｉ、若しくはＬの１つ以上が含まれていることが判明した場合、試料にさらなる処理を施すことができる。例えば、識別された凝塊、気泡、又は泡は、別のステーション（例えば遠隔ステーション）に運ばれ、オペレータによる凝塊、気泡、又は泡の除去、あるいはさらなる処理又はＨ、Ｉ、またはＬのための指標の特徴付けが行われてもよい。このようなさらなる処理の後、試料は、いくつかの実施形態では、１つ以上の分析装置上で継続してルーチン分析を受けることが可能であり得る。プレスクリーニングにより、試料がノーマル（Ｎ）であることが分かった場合、試料は、１つ以上の分析装置によるルーチン分析に直接導いてもよい。

１つ以上の実施形態では、１つ以上の品質チェックモジュールが、３Ｄモデルを構成するためのデータ生成を実行するように構成されている。１つ以上の品質チェックモジュールは、トラックが試料を１つ以上の分析装置に搬送するＬＡＳの一部として提供してもよく、１つ以上の品質チェックモジュールは、トラックに沿った任意の適切な位置に提供してもよい。特定の実施形態では、品質チェックモジュールをローディング（積載）ステーションなどのトラックに設けて、試料及び試料容器がトラック上に位置する間に特徴付けることができる。

特徴付けは、複数の露光時間及び複数の波長で、１つ以上の品質チェックモジュールで複数の画像をキャプチャすることによるＨＤＲデータ処理を使用して達成してもよい。異なる視点から画像を撮影するように構成された複数のカメラを使用して画像を取得してもよい。複数の波長（例えば、色）における１つ以上の画像の処理は、異なる光源を用いて達成される。例えば、白色光源、及び／又は赤色光源、緑色光源、及び青色光源を使用することができる。

１つ以上の品質チェックモジュールで、各波長（又は、波長範囲）の複数の露光時間の画像を取得することができる。例えば、各波長（又は、波長範囲）について、異なる露光時間で４〜８枚以上の画像を取得することができる。露光時間は、照明強度及びカメラの特徴に基づいて変化させることができる。次いで、これらの複数の画像を、コンピュータによってさらに処理して、２Ｄとし、その後３Ｄモデルに統合できる特徴付け結果を生成することができる。３Ｄモデルへの統合は、２Ｄデータセット上に設けられた仮想ボクセルグリッドに基づいて行われる。

本発明の特徴付け方法、品質チェックモジュール、及び１つ以上の品質チェックモジュールを含む試料検査装置のさらなる詳細については、本明細書の図１〜図７を参照してさらに説明する。

図１は、複数の試料容器１０２（例えば、試料採取管、図２及び図３参照）を自動的に処理可能な試料検査装置１００を示す。試料容器１０２は、１つ以上の分析装置（例えば、試料検査装置１００の周囲に配置されるそれぞれ第１、第２、及び第３の分析装置１０６、１０８、１１０）への搬送及び分析の前に、ローディングエリア１０５にある１つ以上のラック１０４に収容してもよい。より多く、またはより少ない数の分析装置を使用できることは明らかである。分析装置は、臨床化学分析装置及び／又は分析器などの任意の組み合わせであってもよい。試料容器１０２は、採血管、検査管、サンプルカップ、キュベット、又は試料２１２を収容するように構成された概ね透明なガラス又はプラスチック容器などの、概ね透明又は半透明の容器であってもよい。

典型的には、自動的に処理される試料２１２（図２及び図３）は、試料容器１０２内の試料検査装置１００に提供される。試料容器１０２はキャップ（蓋）２１４でキャップしてもよい（図２及び図３。あるいは「ストッパ」とも称する）。キャップ２１４は、異なる形状及び／又は色（例えば、赤色、ロイヤルブルー、ライトブルー、緑色、グレー、黄褐色、又は黄色、又は複数の色の組み合わせ）を有していてもよく、試料容器１０２がどの検査に使用されるか、その中に含有される添加剤の種類等を示すという意味を持つ。他の色を使用してもよい。

試料容器１０２のそれぞれには、試料検査装置１００の周囲の様々な位置で機械可読の識別情報２１５（すなわち、指標）、例えば、バーコード、英字、数字、英数字、又はこれらの組み合わせを設けてもよい。識別情報２１５は、検査室情報システム（ＬＩＳ）１４７を介して、患者の識別並びに試料２１２上で達成する検査、又は、例えば、他の情報を示すことができる、あるいは、それらを関連付けることができる。この識別情報２１５は、試料容器１０２に概ね貼付された、又は試料容器１０２の側面に設けられたラベル２１８上に設けてもよい。ラベル２１８は、概して、試料容器１０２の周囲全体、又は試料容器１０２の高さ全体にわたって延びているのではない。いくつかの実施形態では、複数のラベル２１８が貼付されてもよく、互いにわずかに重なっていてもよい。したがって、ラベル２１８は、試料２１２の一部の視野を遮ることがあるが、試料２１２の一部は、依然として、ある視点から見ることができる。いくつかの実施形態では、ラック１０４は、その上に追加の識別情報を有してもよい。

図２及び図３に最もよく示されているように、試料２１２は、管２１２Ｔ内に収容された血清又は血漿部分２１２ＳＰ、及び沈降した血液部分２１２ＳＢを含んでいてもよい。空気２１２Ａは、血清及び血漿部分２１２ＳＰの上に設けられ、空気２１２Ａと血清及び血漿部分２１２ＳＰとの間の線又は境界は、本明細書では液体−空気界面（ＬＡ）として定義する。図２に示すように、血清又は血漿部分２１２ＳＰと沈降した血液部分２１２ＳＢとの間の境界線は、本明細書では血清−血液界面（ＳＢ）として定義される。空気２１２Ａとキャップ２１４との間の界面は、本明細書では管キャップ界面（ＴＣ）と称する。血清又は血漿部分２１２ＳＰの高さは（ＨＳＰ）であり、血清又は血漿部分２１２ＳＰの上面から沈降した血液部分２１２ＳＢの上面、すなわち図２のＬＡからＳＢまでの高さとして定義する。沈降した血液部２１２ＳＢの高さは（ＨＳＢ）であり、図２のＳＢで沈降した血液部分２１２ＳＢの底部から沈降した血液部２１２ＳＢの上面までの高さとして定義する。図２のＨＴＯＴは、試料２１２の全高であり、ＨＴＯＴ＝ＨＳＰ＋ＨＳＢである。

ゲルセパレータ３１３を使用する場合（図３参照）、血清又は血漿部分２１２ＳＰの高さは（ＨＳＰ）であり、血清又は血漿部分２１２ＳＰの上面ＬＡからゲルセパレータ３１３の上端ＳＧまでの高さ、すなわち、図３のＬＡからＳＧまでの距離として定義する。沈降した血液部分２１２ＳＢの高さは（ＨＳＢ）であり、図３の沈降した血液部分２１２ＳＢの底部からゲルセパレータ３１３の底部ＢＧまでの高さとして定義する。図３のＨＴＯＴは、試料２１２の全高であり、図３に示すように、ＨＴＯＴ＝ＨＳＰ＋ＨＳＢ＋ゲルセパレータ３１３の高さとして定義する。いずれの場合も、壁厚はＴｗであり、外幅はＷであり、試料容器１０２の内幅はＷｉである。管の高さ（ＨＴ）は、本明細書では、管２１２Ｔの最下部からキャップ２１４の底部までの高さとして定義する。

より詳細には、試料検査装置１００は、トラック１２１を取り付ける又は載置することができるベース１２０（例えば、フレーム又は他の構造体）を含んでいてもよい。トラック１２１は、レール付きトラック（例えば、モノ又はマルチレールトラック）、コンベヤベルトの集合、コンベヤチェーン又はリンク、移動可能なプラットフォーム、又は任意の他の適切な種類の搬送機構であってもよい。トラック１２１は、円形、蛇行、又は任意の他の適切な形状であってもよく、いくつかの実施形態ではクローズドトラック（例えば、無限トラック）であってもよい。トラック１２１は、動作中に、個々の試料容器１０２を、キャリア１２２内のトラック１２１の周囲に間隔を置いて配置された目的位置に搬送してもよい。

キャリア１２２は、単一の試料容器１０２をトラック１２１上に担持するように構成された受動的で非運動性のパックであってもよく、トラック１２１は移動可能である。任意で、キャリア１２２は、プログラムされてトラック１２１の周囲を移動して、トラック１２１が静止しているあらかじめプログラムされた位置で停止するリニアモータなどの搭載駆動モータを含んで自動化されてもよい。いずれの場合においても、キャリア１２２は、それぞれ、試料容器１０２を規定の概ね直立位置に保持するように構成されたホルダ１２２Ｈ（図４Ａ〜図４Ｄ）を含んでいてもよい。ホルダ１２２Ｈは、試料容器１０２をキャリア１２２に固定するが、その中に受容される異なるサイズの試料容器１０２が収容されるように側方に移動可能又は可撓性を有する複数のフィンガ又は板ばねを含んでいてもよい。いくつかの実施形態では、キャリア１２２は、そこにステージングされた１つ以上のラック１０４を有するローディングエリア１０５から退出してもよい。いくつかの実施形態では、ローディングエリア１０５は、分析が完了した後に、キャリア１２２から試料容器１０２を外すことを許容する二重の機能を果たすことができる。あるいは、トラック１２１の他の場所に、適切な荷下ろし用レーン（図示せず）を設けてもよい。

ロボット１２４を、ローディングエリア１０５に設けてもよく、１つ以上のラック１０４から試料容器１０２を把持し、試料容器１０２を入力レーン又はトラック１２１の他の場所などのようなキャリア１２２上に搭載するように構成してもよい。ロボット１２４はまた、検査の完了時にキャリア１２２から試料容器１０２を除去するように構成され動作可能である。ロボット１２４は、Ｘ及びＺ、Ｙ及びＺ、Ｘ、Ｙ及びＺ、ｒ及びθ、又はｒ、θ及びＺ運動が可能な１つ以上の（例えば、少なくとも２つの）ロボットアーム又は構成要素を含む。ロボット１２４は、ガントリーロボット、関節アームロボット、Ｒ−θロボット、又は他の適切なロボットであってもよく、ロボット１２４は、試料容器１０２をピックアップして配置可能なサイズのロボット把持フィンガを備えていてもよい。

トラック１２１上に搭載されると、キャリア１２２によって担持された試料容器１０２は、いくつかの実施形態では、遠心分離機１２５（例えば、試料２１２の分別を実行するように構成される自動遠心分離器）に進むことができる。試料容器１０２を運ぶキャリア１２２を、流入レーン１２６又は適切なロボット（図示せず）によって遠心分離機１２５に向かって迂回させてもよい。遠心分離後、試料容器１０２は流出レーン１２８を退出するか、あるいはロボットによって移動されて、引き続きトラック１２１上を進んでもよい。図示された実施形態では、キャリア１２２内の試料容器１０２は、次に、図４Ａ及び図４Ｂを参照してさらに本明細書に記載の品質チェックモジュール１３０に搬送してもよい。

品質チェックモジュール１３０は、試料容器１０２に収容された試料２１２を特徴付けるように構成されるとともに、試料容器１０２を特徴付けるように構成してもよい。試料２１２の定量化は、品質チェックモジュール１３０で行うことができ、ＨＳＰ、ＨＳＢ、又はＨＴＯＴの判定、並びにＳＢ、ＬＡ、ＳＧ、及び／又はＢＧの位置の判定を含んでいてもよい。また、品質チェックモジュール１３０は、試料検査装置１００によって処理される試料２１２に含まれる溶血（Ｈ）、黄疸（Ｉ）、及び／又は脂肪血（Ｌ）の１つ以上など、インターフェレントの存在を判定するように構成してもよい。いくつかの実施形態では、試料２１２は、品質チェックモジュール１３０においてアーチファクト（例えば、凝塊、気泡、又は泡）の存在について検査してもよい。いくつかの実施形態では、ＨＴ、キャップの色、キャップの種類、ＴＣ、管外幅（Ｗ）、及び管内幅（Ｗｉ）を判定するなど、試料容器１０２の物理的属性の定量化を品質チェックモジュール１３０で行うことができる。

一旦試料２１２が特徴付けられたら、試料２１２は、アーチファクト、インターフェレントの存在について事前にスクリーニングされてもよく、又は試料容器１０２がさらに特徴付けられてもよく、次いで、試料２１２を前進させて、１つ以上の分析装置（例えば、第１、第２、及び第３の分析装置１０６、１０８、及び／又は１１０）で分析してから、各試料容器１０２をローディングエリア１０５に戻して降ろしてもよい。

さらに、遠隔ステーション１３２は、遠隔ステーション１３２がトラック１２１に直接接続されていなくても、試料検査装置１００上に設けてもよい。例えば、独立したロボット１３３（点線で示す）は、試料２１２を含む試料容器１０２を遠隔ステーション１３２に搬送し、それらを検査／処理の後に戻すことができる。任意で、試料容器１０２は、手動で取り出して戻すことができる。遠隔ステーション１３２を使用して溶血レベルなどの特定の成分を検査することができ、あるいは、１つ以上の添加物によって脂肪血症レベルを低下させるため、あるいは、例えば、凝塊、気泡、又は泡を除去するためなどのさらなる処理を行ってもよい。他の検査又は処理は、遠隔ステーション１３２で達成できる。さらに、追加のステーション（図示せず）は、トラック１２１の周りの、キャップ取り外しステーションなどの様々な望ましい位置に配置してもよい。

試料検査装置１００は、トラック１２１の周囲の１つ以上の位置に多数のセンサ１１６を含んでいてもよい。センサ１１６を使用して、試料容器１０２上に設けられた識別情報２１５（図２）又は各キャリア１２２に設けられた同様の情報（図示せず）を読み取ることによって、トラック１２１に沿って試料容器１０２の位置を検出してもよい。いくつかの実施形態では、例えば、キャリア１２２にバーコードを設けてもよい。キャリア１２２の位置をトラッキングするための他の手段、例えば近接センサなどを使用してもよい。すべてのセンサ１１６は、各試料容器１０２の位置を常に適度に知ることができるように、コンピュータ１４３とインターフェースをとってもよい。

遠心分離機１２５及び分析装置１０６、１０８、１１０はそれぞれ、概ね、キャリア１２２とトラック１２１から除去するように構成されたロボット機構及び／又は流入レーン（例えば、流入レーン１２６、１３４、１３８、１４４）と、キャリア１２２をトラック１２１上に再投入するように構成されたロボット機構及び／又は流出レーン（例えば、流出レーン１２８、１３６、１４１、及び１４６）を備えていてもよい。

試料検査装置１００は、コンピュータ１４３によって制御してもよく、コンピュータ１４３は、適切なメモリと適切な調整用電子機器と、ドライバと、様々なシステム構成要素を操作するためのソフトウェアとを有するマイクロプロセッサベースの中央処理装置（ＣＰＵ）であってもよい。コンピュータ１４３は、試料検査装置１００のベース１２０の一部として、又はベース１２０から分離して収容してもよい。コンピュータ１４３は、キャリア１２２のローディングエリア１０５への及びそこからの移動、トラック１２１の周囲の動き、遠心分離機１２５への及びそこからの動き、品質チェックモジュール１３０への及びそこからの動き、並びに品質チェックモジュール１３０の動作を制御することができる。コンピュータ１４３又は別体のコンピュータは、遠心分離機１２５の動作、及び各分析装置１０６、１０８、１１０への及びそこからの動き、並びに様々なタイプの検査（例えば、化学分析又は臨床化学）を実行するための各分析装置１０６、１０８、１１０の動作を制御することができる。

品質チェックモジュール１３０以外のすべてについて、コンピュータ１４３は、ニューヨーク、タリータウンのシーメンスヘルスケアダイアグノスティックス社（Ｓｉｅｍｅｎｓ Ｈｅａｌｔｈｃａｒｅ Ｄｉａｇｎｏｓｔｉｃｓ Ｉｎｃ．）によって販売されているディメンション（登録商標）臨床化学分析装置で使用されるものなどのソフトウェア、ファームウェア、及び／又はハードウェアコマンド又は回路に従って試料検査装置１００を制御してもよく、このような制御は、コンピュータベースの電気機械制御プログラミングの当業者にとって典型的であるので、本明細書ではこれ以上説明しない。しかしながら、他の適切なシステムを使用して、試料検査装置１００を制御してもよい。品質チェックモジュール１３０の制御は、本明細書で詳細に説明するように、本発明のモデル型画像化方法によれば、コンピュータ１４３によって提供してもよい。

本発明の実施形態は、ユーザが様々な制御画面及びステータス表示画面に迅速にアクセス可能とするコンピュータインターフェースモジュール（ＣＩＭ）１４５を使用して実施してもよい。これらの制御及びステータス画面で、試料２１２の調製及び分析に使用される複数の相互に関係する自動化装置のいくつか又はすべての態様を説明することができる。ＣＩＭ１４５を採用して複数の相互に関係する自動化装置の動作状態についての情報を提供してもよく、また、任意の試料２１２の位置を記述する情報及び試料２１２上で実行する、又は実行されている検査のステータスを記述する情報を記述してもよい。ＣＩＭ１４５は、オペレータと試料検査装置１００が相互作用しやすくなるように構成してもよい。ＣＩＭ１４５は、オペレータが試料検査装置１００とインターフェースをとるアイコン、スクロールバー、ボックス、及びボタンを含むメニューを表示するように構成された表示画面を含んでいてもよい。メニューは、試料検査装置１００の機能的な側面を表示するようにプログラムされた多数の機能ボタンを含んでいてもよい。

図２及び図３には、試料２１２を含む試料容器１０２が示されている。図２は、血清又は血漿部分２１２ＳＰ、及び沈降した血液部分２１２ＳＢを含む試料２１２をゲルセパレータなしで示す。図３は、血清又は血漿部分２１２ＳＰ、及び沈降した血液部分２１２ＳＢを含む試料２１２をゲルセパレータ３１３付きで示す。本発明の１つ以上の局面に従って試料２１２をプレスクリーニングすることにより、血清又は血漿部分２１２ＳＰ、及び／又は沈降した血液部分２１２ＳＢの相対量、その間の比の正確な定量化が可能になるが、ＬＡ、ＳＢ、ＳＧの物理的な垂直位置及び試料容器１０２の最も底部の部分も可能である。定量化は、指示された検査を実行するために利用可能な血清又は血漿部分２１２ＳＰの量が不十分である場合に、試料２１２が１つ以上の分析装置１０６、１０８、１１０への進行を確実に停止する。このようにして、不正確な検査結果を回避することができる。

有利なことに、ＬＡ及びＳＢ又はＳＧの物理的位置を正確に定量化する能力は、空気を吸引する可能性を最小限に抑えるだけでなく、沈降した血液部分２１２ＳＢ又はゲルセパレータ３１３（試料容器１０２にゲルセパレータ３１３が存在する場合）を吸引する可能性を最小限に抑える。したがって、いくつかの実施形態では、分析装置１０６、１０８、１１０に対して血清又は血漿部分２１２ＳＰを吸引するために使用する試料吸引プローブの目詰まり及び汚染を回避又は最小化することができる。

図４Ａ〜４Ｂを参照して、品質チェックモジュール１３０の第１の実施形態を示し説明する。品質チェックモジュール１３０は、１つ以上の分析装置１０６、１０８、１１０による分析の前に試料（例えば、血清又は血漿部分２１２ＳＰ、沈降した血液部分２１２ＳＢ、又はその両方の量）を自動的に定量化するように構成してもよい。このようにプレスクリーニングすることにより、正確な吸引プローブの位置決めが可能になり、液体部分（例えば、血清又は血漿部分２１２ＳＰ）の十分な量（例えば、体積）が指示された検査に利用可能であるので、貴重な分析装置リソースの無駄を回避できるという判定ができる。

ＬＡ、ＳＢ、及び／又はＳＧの物理的位置のうちの１つ以上、及び／又はＨＳＰ、ＨＳＢ、及び／又はＨＴＯＴの判定、及び／又は血清又は血漿部分の体積（ＶＳＰ）及び／又は沈降した血液部分（ＶＳＢ）体積が定量化される特徴づけ方法に加え、品質チェックモジュール１３０において試料容器１０２に収容される試料２１２に対して他の特徴付け方法を行ってもよい。例えば、いくつかの実施形態では、特徴付け方法はインターフェレント（例えば、Ｈ、Ｉ、及び／又はＬ）の有無を判定することができる。この特徴付け方法は、アーチファクト（例えば、凝塊、気泡、又は泡）の有無を判定することができる。さらに、品質チェックモジュール１３０を使用して、試料容器１０２を定量化する、すなわち、試料容器１０２のＴＣ、ＨＴ、Ｗ、及び／又はＷｉの位置、及び／又はキャップ２１４の種類、及び／又はキャップ２１４の色などの情報の、試料容器１０２の特定の物理的寸法特徴を定量化することができる。

ここで、図１、図４Ａ及び図４Ｂを参照すると、品質チェックモジュール１３０の第１の実施形態は、複数のカメラ４４０Ａ〜４４０Ｃを含んでいてもよい。３つのカメラ４４０Ａ〜４４０Ｃが示されているが、２つ以上、３つ以上、又はさらに４つ以上のカメラを使用してもよい。歪みを最小にするために、３つ以上のカメラ４４０Ａ〜４４０Ｃを使用してもよい。カメラ４４０Ａ〜４４０Ｃは、デジタル画像（すなわち、画素化された画像）をキャプチャできる従来のデジタルカメラ、電荷結合素子（ＣＣＤ）、光検出器のアレイ、１つ以上のＣＭＯＳセンサなどであってもよい。例えば、３つのカメラ４４０Ａ、４４０Ｂ、４４０Ｃが図４Ａに示されており、３つの異なる視点から画像を取得するように構成されている。各カメラ４４０Ａ、４４０Ｂ、４４０Ｃは、一例として、約２，５６０×６９４画素であってもよい画像サイズを有するデジタル画像を撮影することができる装置であってもよい。別の例では、デジタル画像は、１２８０ｘ３８４画素の画像サイズを有していてもよい。他の画素密度を使用してもよい。本明細書で使用する画素は、単一の画素又はスーパー画素（密接にグループ化された複数の画素の集合）であってもよい。いくつかの例では、本明細書の画像の処理は、計算負荷を低減するためにスーパー画素を処理することによるものであってもよい。各カメラ４４０Ａ〜４４０Ｃは、試料容器１０２の少なくとも一部及び試料２１２の少なくとも一部の複数の側方画像を撮影するように構成及び動作可能である。例えば、カメラ４４０Ａ〜４４０Ｃは、ラベル２１８又はキャップ２１４の一部及び管２１２Ｔの一部をキャプチャしてもよい。最終的に、複数の画像から２Ｄデータセットが生成され、試料容器１０２内の試料２１２の複合モデルを展開することができる。複合モデルは、いくつかの実施形態では３Ｄモデルであってもよく、これを使用して、試料２１２についての最終判定を行うために、又は個々のカメラ４４０Ａ〜４４０Ｃによって撮影された画像から２Ｄデータを使用することによって行われた判定を確認してもよい。

図示の実施形態では、複数のカメラ４４０Ａ〜４４０Ｃは、試料２１２の周囲に配置され、複数の視点から側方画像をキャプチャするように構成される。視点は、３つのカメラ４４０Ａ、４４０Ｂ、４４０Ｃが使用されるときに、図示のように互いに約１２０度など、互いにほぼ等間隔になるように離間されていてもよい。図示のように、カメラ４４０Ａ〜４４０Ｃは、トラック１２１の縁の周りに配置してもよい。複数のカメラ４４０Ａ〜４４０Ｃの他の配置を使用してもよい。このようにして、試料容器１０２内の試料２１２の画像は、試料容器１０２がキャリア１２２に存在している間に撮影される。画像はわずかに重なり合うことがある。

１つ以上の実施形態では、各カメラ４４０Ａ〜４４０Ｃからの法線ベクトルが互いに交差する点などのような、キャリア１２２を品質チェックモジュール１３０内の所定の画像化位置４４１で停止させることができる。いくつかの実施形態では、キャリア１２２を停止させるためにゲートを設けて、１つ以上の良好な品質の画像を画像化位置４４１で撮影することができる。他の実施形態では、キャリア１２２は、キャリア１２２をプログラムされた所望の位置に停止させ、キャリア１２２を次のステーションに移動するように構成されたリニアモータを含んでいてもよい。品質チェックモジュール１３０にゲートを含む実施形態では、（センサ１１６などの）１つ以上のセンサを使用して、品質チェックモジュール１３０の画像化位置４４１でキャリア１２２の存在を判定してもよい。

カメラ４４０Ａ〜４４０Ｃは、近接して設け、画像化位置４４１、すなわち、試料容器１０２の予測位置を含む領域で画像ウィンドウをキャプチャするようにトレーニングまたは焦点を合わせてもよく、試料容器１０２は、ビューウィンドウのほぼ中心に配置されるように停止させてもよい。構成されたように、カメラ４４０Ａ〜４４０Ｃは、血清又は血漿部分２１２ＳＰの一部、沈降した血液部分２１２ＳＢの一部、キャップ２１４の一部又は全部、及び管２１２Ｔの最下部を含む画像と、別のデータをキャプチャすることができる。キャプチャされた画像内には、１つ以上の参照データが存在してもよい。参照データは、試料２１２の定量化を助けることができる。参照データは、例えば、ＴＣ又は試料容器１０２の最下部、又は、既知の位置で試料容器１０２上に載置された可視マークであってもよい。

動作中、キャリア１２２が品質チェックモジュール１３０内の所望の位置に位置するときに、コンピュータ１４３により送信可能な通信ライン４４３Ａ〜４４３Ｃに供給されたトリガ信号に応答して各画像がトリガされキャプチャされてもよい。キャプチャされた画像の各々は、本明細書で提供される方法の１つ以上の実施形態に従って処理してもよい。特に、ＨＤＲ処理を使用して、画像をキャプチャして処理して、試料２１２及び試料容器１０２を高レベルの詳細で特徴付けてもよい。

より詳細には、異なる公称波長を有する異なるスペクトルによって、異なる視点で照明しながら、品質チェックモジュール１３０で試料２１２（例えば、分別によって分離された試料２１２）の複数の画像を、複数の異なる露光時間でキャプチャすることができる。例えば、各カメラ４４０Ａ〜４４０Ｃは、複数の波長スペクトル（又は、白色光で照明する場合のような１つ以上の波長範囲）において、異なる露光時間で４〜８枚以上の画像を撮影することができる。

一実施形態では、複数の波長画像は、異なるスペクトル光源４４４Ａ〜４４４Ｃを使用して達成することができる。光源４４４Ａ〜４４４Ｃは、（図４Ａ〜図４Ｂに示すように）試料容器１０２を背面照明することができる。任意で、品質チェックモジュール１３０Ａの別の実施形態では、図４Ｃ及び図４Ｄに示すように、光源４４４Ｄ〜４４４Ｆは、それぞれのカメラ４４０Ａ〜４４０Ｃの上、下、又は側面に配置されるような試料容器１０２を前面照明してもよく、又は他の場所に配置して照明してもよい。いくつかの実施形態では、光源４４４Ａ〜４４４Ｃ又は４４４Ｄ〜４４４Ｆと共に、光拡散器及び／又は切り替え可能な帯域通過光フィルタを使用することができる。

例えば、第１の波長スペクトルで画像をキャプチャするために、３つの赤色光源（約６３４ｎｍの公称波長及び約±３５ｎｍのスペクトル帯域幅）を使用して、試料２１２を３つの側方位置から照明することができる。光源４４４Ａ〜４４４Ｃによる赤色照明は、異なる露光時間での複数の画像（例えば、４〜８枚以上の画像）が各カメラ４４０Ａ〜４４０Ｃによってキャプチャされるときに発生する可能性がある。いくつかの実施形態では、露光時間は、約０．１ｍｓと約２５６ｍｓとの間でよい。他の露光時間を使用してもよい。各カメラ４４０Ａ〜４４０Ｃのそれぞれの露光時間画像はそれぞれ同時に撮影され、メモリに格納される。

各実施形態において、品質チェックモジュール１３０、１３０Ａは、トラック１２１を少なくとも部分的に囲む、もしくは覆うことができるハウジング４４６を含んでいてもよく、試料容器１０２は、画像撮影段階中にハウジング４４６の内側に位置していてもよい。ハウジング４４６は、キャリア１２２がハウジング４４６の中に出入りできるようにするためのドア４４６Ｄを１つ以上含んでいてもよい。いくつかの実施形態では、天井は、移動可能なロボットフィンガを含むロボットによって、試料容器１０２がキャリア１２２内に上方から搭載されることを可能にする開口部４４６Ｏを含んでいてもよい。前面照明が使用される場合、品質チェックモジュール１３０Ａは、画像コントラストを改善するバックストップ壁４４７を含んでいてもよい。バックストップ壁４４７は、試料２１２の予想される色の範囲以外であれば任意の適切な色でよい。いくつかの実施形態では、黒色の材料を使用してもよい。

赤色に照明された画像が図４Ａ及び図４Ｂの実施形態でキャプチャされると、赤色光源４４４Ａ〜４４４Ｃは、消灯されてもよく、次に他の波長スペクトルの光、例えば、緑色光源４４４Ａ〜４４４Ｃ（約５３７ｎｍの公称波長及び約±３５ｎｍのスペクトル帯域幅）をオンにしてもよく、異なる露光時間における複数の画像（例えば、４〜８枚以上の画像）を、各カメラ４４０Ａ〜４４０Ｃによってそのスペクトルでキャプチャしてもよい。これは、各カメラ４４０Ａ〜４４０Ｃの青色光源４４４Ａ〜４４４Ｃ（約４５５ｎｍの公称波長及び約±３５ｎｍのスペクトル帯域幅）を用いて繰り返すことができる。異なる波長光源４４４Ａ〜４４４Ｃは、例えば、切替え可能な帯域フィルタを有する白色光、又は異なる色の光源のバンク、又は選択的にオン／オフすることができる光パネルを使用することによって達成することができる。他の手段を使用して異なるスペクトル（着色）照明を提供してもよい。

任意の実施形態では、例えば、図４Ｃ及び図４Ｄに最もよく示すように、カメラ４４０Ａ〜４４０Ｃに隣接して、すなわち、上方、下方、側方、又はそれらの組み合わせで、ただし試料容器１０２に対しそれぞれのカメラ４４０Ａ〜４４０Ｃと同じ側に来るように配置された光源４４４Ｄ、４４４Ｅ、及び４４４Ｆを備えることにより、試料容器１０２を、品質チェックモジュール１３０Ａで前面照明することができる。この実施形態では、カメラ４４０Ａ〜４４０Ｃは、それぞれ、約６３４ｎｍ、５３７ｎｍ、及び４５５ｎｍのＲＧＢセンサピークを有するデジタルカラーカメラであってもよいが、ＲＧＢカラーのそれぞれは、モノクロカメラと組み合わせて上記の実施形態で使用される離散光源に比べて比較的広い波長範囲を有する。

品質チェックモジュール１３０Ａのこの代替の実施形態では、光源４４４Ｄ、４４４Ｅ、及び４４４Ｆはそれぞれ白色光源であってもよい。例えば、光源４４４Ｄ〜４４４Ｆは、約４００ｎｍ〜約７００ｎｍの波長範囲を発光してもよく、複数の側方位置から試料２１２を照射するために使用してもよい。異なる露光時間での複数の画像は、各カメラ４４０Ａ〜４４０Ｃによって撮影してもよい。カメラ４４０Ａ〜４４０Ｃによって撮影された各白色光画像は、コンピュータ１４３のメモリに格納され、次いで、複数の公称波長で色成分に分離して、複数のスペクトルでキャプチャされた画像を提供してもよい。例えば、コンピュータ１４３は、画像を、約４００ｎｍ〜約７００ｎｍの間の少なくとも３つのキャプチャ波長に分離してもよい。例えば、６３４ｎｍ、５３７ｎｍ、及び４５５ｎｍのＲＧＢ成分をコンピュータ１４３によって格納された画像データから分離して、視点ごとに複数のスペクトルで複数回露光され、キャプチャされた画像を生成してもよい。画像は、通信ライン４４３Ａ〜４４３Ｃのコンピュータ１４３からの信号を介して、前述のように撮影することができる。

上記の設定のそれぞれについて、それぞれの波長スペクトル（例えば、Ｒ、Ｇ、及びＢ）ごとに多重露光時間に撮影されたこれらの複数の画像のすべてを迅速に連続して得ることができ、複数の視点からの試料２１２の画像収集全体が、例えば、約２秒未満で得られるようにしてもよい。他の時間を使用してもよい。例えば、図４Ａ及び図４Ｂの品質チェックモジュール１３０を使用すると、カメラ４４０Ａ、４４０Ｂ、４４０Ｃと、ＲＧＢ光源４４４Ａ〜４４４Ｃを用いた背面照明を使用して、３つの視点において各波長に対して４つの異なる露光画像から、４枚の画像×３色×３つのカメラ＝３６画像が得られる。別の例では、図４Ｃ及び図４Ｄの品質チェックモジュール１３０Ａを使用すると、カメラ４４０Ａ、４４０Ｂ、４４０Ｃと、白色光源４４４Ｄ〜４４４Ｆを用いた前面照明を使用して、３つの視点において４枚の異なる露光画像から、４枚の画像×３つのカメラ＝１２画像が得られる。しかし、ＲＧＢ画像は、その後白色光画像を個々のＲＧＢ成分に分離することによって、コンピュータ１４３でキャプチャされる。よって、分離後に、３６枚の画像もキャプチャされる。２Ｄ画像データは、コンピュータ１４３のメモリに格納され、その後、さらに処理される。

この方法によれば、画像データの処理は、まず、例えば、カメラ４４０Ａ〜４４０Ｃごとに、異なる露光時間及び各波長でキャプチャされた複数の画像から最適に露光された画素を選択し、そして、各波長（例えば、ＲＧＢカラー画像）、そしてカメラ４４０Ａ〜４４０Ｃごとに最適に露光された画像データを生成することを含む。これは、本明細書では「画像統合」と称することにする。対応する各画素について、各カメラ４４０Ａ〜４４０Ｃからの画像のそれぞれに対して、最適な画像強度を示す画素を、異なる露光時間画像それぞれから選択する。一実施形態では、最適な画像強度は、例えば、所定の範囲内（例えば、０〜２５５のスケールでは１８０〜２５４）の範囲内にある画素であってもよい。別の実施形態では、最適画像強度は、例えば、０〜２５５のスケールで１６〜２５４の間である。（１つのカメラからの）２つの画像の対応する位置にある１つ以上の画素が最適に露光されたと判定された場合、２つのうちのより高い強度を選択する。その結果、カメラ４４０Ａ〜４４０Ｃごとに、すべての画素が最適に露光された複数の統合された２Ｄカラー画像データセット（例えば、Ｒ、Ｇ、及びＢ）（例えば、波長スペクトルごと（例えばＲ、Ｇ、Ｂ）およびカメラ４４０Ａ〜４４０Ｃごとに１つの画像データセット）が得られる。

特徴付け方法の一部として、品質チェックモジュール１３０、１３０Ａの較正（キャリブレーション）処理は、試料容器１０２又はキャリア１２２のない参照画像を撮影する場合に開始するようにする。このようにして、各２Ｄ画像データセットから管背景（試料容器１０２の外側の領域）を除去することによって、計算上の負担を最小限に抑えることができる。露光時間及び照明条件（Ｒ、Ｇ、Ｂ、又は白色光）ごとの参照画像は、試料定量化法を実行する前に品質チェックモジュール１３０、１３０Ａによって撮影してもよい。

最適に露光された画素を含む２Ｄ画像データセットごとに、セグメント化処理を実行して、１つの２Ｄの統合された画像を生成し、視点ごとにその中の各画素のクラスを識別することができる。例えば、画素は、血清又は血漿部分２１２ＳＰ、沈降した血液部分２１２ＳＢ、ゲルセパレータ３１３（存在する場合）、空気２１２Ａ、管２１２Ｔ、又はラベル２１８として分類してもよい。キャップ２１４も分類してもよい。分類は、複数のトレーニングセットから生成されたマルチクラス分類器（例えば、マルチクラス分類器５１５（図５Ａ））に基づいて行うことができる。マルチクラス分類器５１５は、例えば、サポートベクトルマシン（ＳＶＭ）又はランダム判定ツリーを備えることができる。

画素レベルの分類を実行するために、異なる波長スペクトル（例えば、Ｒ、Ｇ、Ｂ）での最適に露光された画素のそれぞれについて、及びカメラ４４０Ａ〜４４０Ｃごとに第１の統計データを計算して、２Ｄ統計データセットを生成してもよい。統計データは、平均値及び分散値を含んでいてもよい。計算された統計的属性は、物体のクラスの特定の特性を符号化し、したがって、クラスラベルを割り当てることによって異なる物体のクラス間の識別のために使用される。

一度生成されると、各２Ｄ統計データセットは、露光時間で正規化され、マルチクラス分類器５１５に送られるとともに、そこで操作される。マルチクラス分類器５１５は、画像データセット内の画素を、１―血清又は血漿部分、２―沈降した血液部分、３―ゲルセパレータ（使用している場合）、４―空気、５―管、６―ラベル、及び可能であれば７―キャップなどのような複数のクラスラベルの１つに属するものとして分類することができる。これにより、液体領域（すなわち、血清及び血漿部分２１２ＳＰ）並びに他の領域を構成する画素を識別／分類することができる。セグメント化の結果は、統合された２Ｄデータセットであり、その中のすべての画素が分類されている各視点ごとの１つのデータセットである。

マルチクラス分類器５１５は、線形又は非線形である任意の適切な種類の教師あり分類モデルであってもよい。例えば、マルチクラス分類器５１５は、線形又はカーネルベースのサポートベクトルマシン（ＳＶＭ）であってもよい。任意で、マルチクラス分類器５１５は、適応ブースティング分類器（例えば、ＡｄａＢｏｏｓｔ、ＬｏｇｉｔＢｏｏｓｔなど）、任意の人工ニューラルネットワーク、ツリーベースの分類器（例えば、決定ツリー、ランダム決定フォレスト）、分類子としてのロジスティック回帰などのブースティング分類器であってもよい。ＳＶＭは、例えば、試料２１２及び試料容器１０２の分析で見られるような液体と非液体との間の分類に特に効果的となり得る。ＳＶＭは、データを分析し、パターンを認識する関連する学習アルゴリズムを有する教師あり学習モデルである。ＳＶＭは、分類及び回帰分析に使用される。

マルチクラス分類器５１５をトレーニングするために複数セットのトレーニング例が使用され、次いで、マルチクラス分類器５１５によって画像データセットが操作され、各画素が結果として分類される。マルチクラス分類器５１５は、様々な試料条件、ラベル２１８による閉塞、血清又は血漿部分２１２ＳＰのレベル、及び沈降した血液部分２１２ＳＢ、ゲルセパレータ３１３を含むか否か、など、試料容器１０２の多くの例における様々な領域を画像的に輪郭を描くことによってトレーニングされてもよい。５００以上もの画像を使用してマルチクラス分類器５１５のトレーニングを行ってもよい。各トレーニング画像は、手動で輪郭を描いて、各クラスに属する領域を識別し、マルチクラス分類器５１５に教示してもよい。

トレーニングアルゴリズムは、任意の新しい試料の例の画素をクラスの１つに割り当てるマルチクラス分類器５１５を構築してもよい。ＳＶＭモデルは、別々のクラスの例が可能な限り広い明確な隙間で分割されるようにマッピングされた空間における点としての例を表す。画像データセットからの新しい画素は、その同じ空間にマッピングされ、マップ上のどこにあるかに基づいて特定のクラスに属することが予測される。いくつかの実施形態では、ＳＶＭは、カーネルトリック（例えば、カーネルベースのＳＶＭ分類器）と称されるものを使用して非線形分類を効率的に実行し、その入力を高次元の特徴空間に暗黙的にマッピングしてもよい。ＳＶＭ、ツリーベース分類器、及びブースティングが特に好ましい。他の種類のマルチクラス分類器を使用してもよい。

その後、血清又は血漿部分２１２ＳＰ、及び／又は沈降した血液部分２１２ＳＢのクラスであるとみなされたマルチクラス分類器５１５の結果を用いて、試料２１２をさらに定量化することができる。

１つ以上の実施形態による特徴付け方法のフローチャートを図５Ａに示す。まず、例えばキャリア１２２によって担持された、試料２１２を含む試料容器１０２を、５０２の品質チェックモジュール（例えば、品質チェックモジュール１３０又は１３０Ａ）に設ける。複数の画像が、５０４でキャプチャされる。その複数の画像とは、上述したように、複数の異なる露光で、また、複数の異なる公称波長で、そして複数の視点で撮影されたマルチスペクトル画像である。定量化のために、品質チェックモジュール１３０Ａの前面照明したセットアップを使用してもよい。撮影された複数の画像は、コンピュータ１４３のメモリに格納してもよい。これらの画像から、背景を５０８の背景削減フェーズで任意に減算して計算負荷を低減することができる。背景除去は、先だって５１０で撮影した参照画像を減算することによって達成できる。いくつかの実施形態では、様々な視点の間のデータの正規化を行うことができる。

５０４における画像キャプチャ及び５０８における任意の背景除去の後、５１１においてセグメント化を行うことができる。５１１のセグメント化は、５１２で行われる画像統合を含んでいてもよい。５１２におけるこの画像統合中に、色スペクトル（Ｒ、Ｇ、及びＢ）及びカメラ４４０Ａ〜４４０Ｃごとの様々な露光時間画像が、画素ごとに再検討され、（上述した）基準と比較して、最適に露光された画素を判定する。各カメラの露光時間画像の対応する画素位置ごとに、最適に露光された画素のうちの最良のものが、各スペクトル及びカメラ４４０Ａ〜４４０Ｃごとに選択され、最適に露光された２Ｄ画像データセットに含まれる。したがって、５１２での画像統合に続いて、カラースペクトルごと（Ｒ、Ｇ、及びＢ）及びカメラ４４０Ａ〜４４０Ｃごとに１つの最適に露光された２Ｄ画像データセットが生成される。ＨＤＲ処理を使用することにより、特に反射及び吸収に関して、画像の詳細を豊かにし、これにより、セグメント化の精度をより高めることができるようになる。

５１２での画像統合に続き、又は、おそらくそれと並行して、５１４で統計生成を行うことができる。５１４では、平均及び共分散のような各画素について統計が生成される。次いで、これらの統計データ及び最適に露光された２Ｄデータセットは、マルチクラス分類器５１５によって操作され、５１６の画像データセットに存在する画素クラスを識別する。各画素の最終クラスは、各画素についての信頼値を最大化することにより判定してもよい。各画素位置について、小さなスーパー画像パッチ（例えば、１１×１１画素）内で統計的記述を抽出する。各スーパー画素パッチは、トレーニングと評価処理において考えられる記述子を提供する。典型的には、分類器は特徴記述子上で動作し、検査／評価中にトレーニング用のクラスレベルと出力クラスラベルを使用する。

５１１のこのセグメント化から、統合された２Ｄ画像データセットがカメラ４４０Ａ〜４４０Ｃごとに生成され、統合された画像データセットの各画素には、５１６における複数のクラスの種類の１つとして分類が与えられる。分類の種類としては、例えば、液体（血清又は血漿部分２１２ＳＰ）、沈降した血液部分２１２ＳＢ、ゲルセパレータ３１３（存在する場合）、空気２１２Ａ、管２１２Ｔ、又はラベル２１８、又は、さらにはキャップ２１４として分類してもよい。５１１のこのセグメント化から、５１７で、統合された２Ｄ画像データセットから３Ｄモデルが生成され、構築される。３Ｄモデルを使用して、カメラ４４０Ａ〜４４０Ｃの様々な視点の間で確実に一貫した結果を得られるようにしてもよい。

例えば、５１８において、液体領域（例えば、血清又は血漿部分２１２ＳＰ）を識別してもよい。これは、血清又は血漿部分２１２ＳＰのクラスからのすべての画素をグループ化し、次いで、５１９において、統合された２Ｄ画像データセットのための液体（血清又は血漿部分２１２ＳＰ）及び空気２１２Ａ（すなわち、ＬＡ）の間の上側界面の位置を判定する。これは、視点ごとに行うことができる。よって、血清又は血漿部分２１２ＳＰとして分類された最も高い画素の位置を画像ごとに平均化することによって、ＬＡの数値を、統合された２Ｄ画像データセットそれぞれに対して計算してもよい。実質的な外れ値はすべて拒絶され、平均には使用されない。以前に実行された画素空間から機械空間（例えば、ｍｍで表す）への較正は、任意の既知の機械空間対画像空間較正技術によって達成することができ、ロボット１２４によって、又は吸引に使用される他のロボットによって画素空間を機械空間に変換するために使用してもよい。さらに、そのような較正により、それぞれのカメラ４４０Ａ〜４４０Ｃからの画像のそれぞれが互いに調整できるようになる。較正は、画像化位置４４１に正確に、既知の物理的位置に配置された既知の幾何学的特徴を含む任意の適した目標と、カメラ４４０Ａ〜４４０Ｃの焦点がすべて合い、かつビューウィンドウが同じ画像化位置４４１に中心合わせされるように座標に合わせ、較正する画像化を用いて達成できる。すると、各視点に対するＬＡに関するこれらの数値は、３Ｄモデルで使用されるＬＡの最終値を識別するために集約することができる。集約は、例えば、視点ごとにＬＡの数値を平均化するなど、視点のそれぞれの結果を融合するための任意の適切な方法によって行うことができる。１つの値が他の２つの値より実質的に低い場合は、外れ値として破棄されることがある。

その後、ゲルセパレータ３１３が存在する（例えば、使用される）かどうかに応じて、定量化方法は、視点ごとに、５２０でＳＢ又はＳＧ（ゲルセパレータが存在する場合）の位置を判定してもよい。５１６において、血清又は血漿部分２１２ＳＰとして分類された最も低い画素の位置を平均化又は集約することによって、５２０で、視点ごとのＳＢ又はＳＧの数値を計算してもよい。ＳＢ又はＳＧの単一の値は、３Ｄモデルに対して視点のＳＢ値又はＳＧ値を平均化して判定することができる。ＬＡ及びＳＢ又はＳＧの位置から、血清又は血漿部分ＨＳＰ（図２及び図３）の高さは、ＬＡ及びＳＢ又はＳＧについての平均の減算を介して判定してもよい。

液体領域（例えば、血清又は血漿部分２１２ＳＰ）を定量化することは、５２６において、試料容器１０２の内部幅（Ｗｉ）を判定することをさらに含んでいてもよい。いくつかの実施形態では、外部幅（Ｗ）は、まず、５２６において、各統合された２Ｄ画像データセットに対して管２１２Ｔとして分類された画素を識別し、管２１２Ｔの側方の外縁に位置する対応する画素の位置（例えば、ＬＡ及びＳＢ又はＳＧの間で測定されるような）を減算し、さらに視点ごとの減算値を平均化することにより、判定してもよい。Ｗの最終値は、視点からのＷ値を平均することによって判定することができる。実質的な外れ値は無視してもよい。Ｗｉは、壁厚Ｔｗの２倍を減算してＷから判定することができる。Ｔｗは、すべての試料容器１０２について推定され、メモリ又はＷｉに格納された平均壁厚値であってもよく、試料容器１０２の外幅Ｗ及び高さＨＴ値に基づいて判定される管の種類に基づく参照テーブルから取得してもよい。

ＨＳＰ及びＷｉから、液体領域（例えば、血清又は血漿部分２１２ＳＰ）の体積は、３Ｄモデルについては、５２８で下の式１を用いて判定できる。
式１ ＶＳＰ＝ＨＳＰ×Ｗｉ^２Ｐｉ／４

沈降した血液部分２１２ＳＢを定量化するには、同様の方法に従う。沈降した血液部分２１２ＳＢのクラスに対応する画素は、まず５３０において識別されてもよい。ゲルセパレータ３１３が存在するかどうかに応じて、視点ごとの沈降した血液部分ＨＳＢの高さは、５３２において、各統合された２Ｄ画像データセット内の沈降した血液部分２１２ＳＢの最下ピクセルを求め、次にＳＢ又はＢＧのいずれかを減算して判定する。ＳＢは、５２０で判定してもよい。ゲルセパレータ３１３が存在する場合、ＢＧはその後、ゲルセパレータ３１３として分類された画素の最下部垂直位置を平均化することによって、視点ごとに判定してもよい。沈降した血液部分２１２ＳＢの最下部の画素は、試料容器１０２の最も低い垂直方向の寸法を見つけ出し、次に、視点ごとに壁厚Ｔｗを減算することによって判定することができる。Ｗｉは、５２６で判定してもよい。ＨＳＢの最終値は、各視点のそれぞれのＨＳＢ値を平均化することによって判定してもよい。ＨＳＢ及びＷｉの最終値から、下の式２を用いて、３Ｄモデルについては、５３４において、沈降した血液部分２１２ＳＢの体積を判定してもよい。
式２ ＶＳＢ＝（ＨＳＢ×Ｗｉ^２Ｐｉ／４）−１／２×Ｗｉ^２＋（Ｐｉ／２４）Ｗｉ^３

任意で、視点の各々についての、統合された２Ｄ画像の様々な画素クラスを集約してマッピングして、試料容器１０２を取り囲む３Ｄ仮想ボクセルグリッド３４５を再構築してもよい。各画素は、５１７において、２Ｄ仮想グリッドにおいて定義された位置を有しており、３Ｄ仮想ボクセルグリッド３４５上に３方向から投影されて、３Ｄモデルを生成することができる。２Ｄ遠近法からのグリッドは、カメラ４４０Ａ〜４４０Ｃと視点ごとの姿勢の間の較正情報に基づいて、３Ｄ仮想ボクセルグリッド３４５に位置合わせされる。各２Ｄグリッドのエッジの構造の間には、いくらかの冗長性（重複）が存在する可能性がある。各統合された２Ｄ画像データセットに対して割り当てられたクラスは、各視点に対してグループ化されて、それぞれの視点ごとに血清又は血漿部分２１２ＳＰ、沈降した血液部分２１２ＳＢ、ゲルセパレータ３１３（存在する場合）、空気２１２Ａ、管２１２Ｔ、ラベル２１８、及び場合によってはキャップ２１４の領域を形成する。それぞれの領域のボクセルは、３Ｄ仮想ボクセルグリッド３４５上で詳しく検討され、隣接する視点間でクラスが一貫している場合には、重複領域内の画素に共通クラスが割り当てられる。

結果として、様々な領域が３Ｄモデルにマッピングされ、各領域は、３Ｄ仮想ボクセルグリッド３４５からの較正情報及び測定値を使用して定量化してもよい。３Ｄモデルの領域位置は、空気２１２Ａ又は沈降した血液部分２１２ＳＢ又はゲルセパレータ３１３が吸引されないように、吸引プローブチップをどこに置くべきかを判定するために使用することができる。

液体領域が５１８で識別されたら、その中のインターフェレント（例えば、Ｈ、Ｉ、及び／又はＬ）の存在を、１つ以上のインターフェレント分類器で液体領域の２Ｄデータセットを操作することによって判定してもよい。一実施形態では、「試料におけるインターフェレントを検出するための方法及び装置」と題した同時係属中及び同時に提出した仮特許出願に記載されているように、Ｈ、Ｉ、及びＬのそれぞれに別体の分類器を使用することができる。平均値を使用して、複数の視点の平均として試料２１２のインターフェレントレベルを提供するために使用できる５２１のＨＩＬインデックス値（Ｈａｖｇ、Ｉａｖｇ、Ｌａｖｇ）を提供可能であることもまた認識すべきである。このようにして、３ＤモデルのＨ、Ｉ、Ｌ、又はＮに対して１つの一貫した分類を得ることができる。

品質チェックモジュール１３０、１３０Ａにおいて、５２２の液体領域の２Ｄデータセットを１つ以上のアーチファクト分類器で操作することによって、アーチファクト（例えば、凝塊、気泡、及び／又は泡）の存在を判定してもよい。各視点を使用して、その特定の視点における領域を生成することができる。その後、その様々な視点からのアーチファクトの領域を使用して、アーチファクトの推定量を判定することができる。２Ｄ画像のアーチファクトのセグメント化を使用して、体積を幾何学的計算から導き出すことができる３Ｄのアーチファクト構造体を三角測量することができる。

アーチファクトの推定体積は、体積ＶＳＰから減算して、使用可能な液体のより良い推定値を提供してもよい。さまざまな視点を使用して、仮想３Ｄボクセルグリッド上にアーチファクトの位置を投影することができ、各２Ｄ投影からの寸法を使用して、アーチファクトのボリューム及び３Ｄ位置をよりよく推定することができる。

したがって、品質チェックモジュール１３０、又は１３０Ａによって実行されるモデルに基づく定量化方法５００により、試料２１２の血清又は血漿部分２１２ＳＰ、及び／又は沈降した血液部分２１２ＳＢの迅速な定量化が可能となることは理解できよう。最終的な結果及び判定は、複数の視点にわたって集約され、３Ｄモデルとして表示され得る。

図６は、試料２１２の定量化が、品質チェックモジュール１３０、又は１３０Ａを使用して特徴付けられる多くの品目のうちの１つのみである特徴付け方法６００のフローチャートを示す。方法６００の１つ以上の実施形態によれば、例えば複数のカメラ（カメラ４４０Ａが示されている）によって画像がキャプチャされる。しかしながら他のカメラ４４０Ｂ、４４０Ｃを使用して、他の視点から画像をキャプチャすることができる。カメラ４４０Ａでキャプチャされた画像について説明する処理は、他の視点の他のカメラ４４０Ｂ、４４０Ｃについても同じであり、ライン６０５のそれらの入力を使用して、最終的な判定、又は任意のさまざまな視点の違いを解決するために使用される試料２１２の３Ｄモデル６３５を生成することができる。

カメラ４４０Ａ及び他のカメラ４４０Ｂ、４４０Ｃによってキャプチャされた画像は、上述したように、マルチスペクトル（例えば、ＲＧＢ）及び複数露光画像であってもよい。特に、視点ごとに６０４Ａで使用される光の波長ごとに、複数露光（例えば、４〜８回の露光）を行ってもよい。品質チェックモジュール１３０について図４Ａ及び図４Ｂに示すように、各カメラ４４０Ａ〜４４０Ｃの各露光時のそれぞれの画像は、モノクロカメラと背面照明光源４４４Ａ〜４４４Ｃによる照明を使用して同時に取得することができる。任意で、品質チェックモジュール１３０Ａに対して、白色光源４４４Ｄ〜４４４Ｆでの照明を使用して前面照明された複数露光画像は、カラーカメラを使用して６０４Ｂで取得されてもよい。任意で、２つ以上の品質チェックモジュールを使用してもよい。例えば、品質チェックモジュール１３０Ａを定量化に使用し、品質チェックモジュール１３０をＨＩＬＮ検出に使用してもよい。しかしながら、品質チェックモジュール１３０又は１３０Ａのいずれか１つを定量化及びＨＩＬＮ検出に使用してもよい。

その後、任意の背景除去方法に関して上述したように、画像を任意で５０８において処理して、参照画像５１０を使用して背景を除去してもよい。その後、画像をさらに処理して、上述したように５１１でセグメント化を判定してもよい。いくつかの実施形態では、６０４Ｂからの前面照明カメラ４４０Ａ〜４４０Ｃ（図４Ｃ〜図４Ｄ参照）からの画像は、５１１のセグメント化に最もよく使用できる。同様に、６０４Ａでキャプチャされた任意の画像は、５２１のＨＩＬＮの特徴付けに最もよく使用される。しかしながら、明らかに、６０４Ａでキャプチャされた画像は５１１でのセグメント化に使用でき、６０４Ｂでキャプチャされた画像は５２１でのＨＩＬＮ検出に使用できる。

本明細書に記載された方法に従って、５２３の液体の識別及び定量化は、５１１のセグメント化に続いて実行してもよい。上述したように、５２３において液体を定量化することは、ＬＡ、ＳＢ、ＳＧ及び／又はＢＧの物理的位置のような試料２１２の特定の物理的寸法特徴の判定、及び／又はＨＳＰ（血清又は血漿部分２１２ＳＰの深さ）、ＨＳＢ（沈降した血液部分２１２ＳＢの深さ）及び／又はＨＴＯＴの判定、及び／又は５２８における血清又は血漿部分（ＶＳＰ）の体積、及び／又は５３４における沈降した血液部分（ＶＳＢ）の体積などの判定などを含んでいてもよい。内部幅（Ｗｉ）は、５２６における試料容器の特徴付けから得ることができる。

検査に利用可能な血清又は血漿部分２１２ＳＰの実際の体積をさらに正確に測定するために、又は単にアーチファクトの存在にフラグを立てるために、アーチファクト検出方法を５２２で使用して、凝塊、気泡、又は泡が血清又は血漿部分２１２ＳＰに存在することを識別してもよい。存在する１つ以上のアーチファクトのそれぞれの推定体積は、より良い体積推定値を得るために、５２８で判定された血清又は血漿部分ＶＳＰの推定体積から減算されてもよい。アーチファクト分類器を使用して、５２２において、視点ごとに２Ｄ画像データを処理して血清又は血漿部分２１２ＳＰ中のアーチファクトの有無を判定してもよい。アーチファクト検出５２２によってアーチファクトであると識別された画素は、本明細書で説明される定量化方法において無視されてもよく、結果を歪ませないように、５２１のＨＩＬＮ分類においても無視してもよい。アーチファクトの検出により、いくつかの実施形態において修復を開始することもできる。５２１で提供されるようなアーチファクト検出は、「試料中のアーチファクトを分類するための方法及び装置」と題した同時出願の米国出願に記載されている。

５１１のセグメント化の結果は、バーコードなどの識別情報２１５を含むラベル２１８を識別するためにも使用してもよい。バーコードは６２５で読み取ることができる。従来のバーコード読み取りソフトウェアは、ラベル２１８が５１１のセグメント化で識別することで、使用してもよい。特定の画像が、読み取られるべきバーコードを十分に含まない場合、バーコードは、他の視点から得られた他の画像からのデータから、またはそれらのデータに関連して読み取ることができる。

試料容器１０２のさらなる特徴付けは、６２７においてより広い方法６００に従って達成してもよい。６２９での管の種類、６３１でのキャップの種類、６３３でのキャップの色の、様々な視点からの特徴付けを供給して、６３５での３Ｄモデルの生成を可能にしてもよい。様々な視点からのデータは、各視点から（例えば、カメラ４４０Ａ〜４４０Ｃから）の画像の処理に基づいて同じ特徴付けが達成されたことを検証するように比較してもよい。わずかに異なる値が得られた場合、その値を平均化してもよい。５２１でのＨＩＬＮ分類、５２３での試料定量化、５２２でのアーチファクト検出、及び６２７での試料容器検出からの出力のすべてを使用して３Ｄモデル６３５を生成してもよい。３Ｄモデル６３５を使用することにより、最終的な意思判定、特徴付け、及び／又は様々な視点（例えば、カメラ４４０Ａ〜４４０Ｃ）からの結果を調和させることができる。６３６における３Ｄ較正は、様々な視点の位置を３Ｄ空間に調整することを含んでいてもよい。３Ｄ仮想ボクセルグリッドを使用して、２Ｄビューから３Ｄビューへの調整を行うことができる。

図７は、１つ以上の実施形態による試料容器内に収容された試料を特徴付けする方法のフローチャートである。方法７００は、７０２で試料容器（例えば、キャップ付き採血管などの試料容器１０２）に収容された試料（例えば、試料２１２）を提供することを含む。次に、方法７００は、７０４において試料２１２を収容する試料容器１０２の画像を、異なる露光時間と異なる波長でキャプチャすることを含む。例えば、いくつかの実施形態では、異なる露光時間で撮影された４〜８以上の異なる露光が存在してもよいが、同じ照明条件で撮影してもよい。１つ以上の実施形態では、いくつかの画像は、白色光を使用し、前面照明を使用してキャプチャされてもよい。他の実施形態では、複数の単一波長ピーク、赤色、青色、及び緑色などの狭帯域光源を背面照明光源４４４Ａ〜４４４Ｃとして使用して何枚かの画像をキャプチャしてもよい。白色光画像は、上述したように、コンピュータ１４３によってキャプチャされるときにＲ、Ｇ、及びＢ画像に分解されてもよい。それぞれの場合において、複数のカメラ４４０Ａ〜４４０Ｃによって複数の視点から画像を撮影してもよい。

本方法７００は、任意で、７０６に示すように背景除去を含み、背景の一部を減算して計算負荷を低減してもよい。背景除去は、較正処理の一部として実行することができる、対応する参照画像から画像を減算することによって達成できる。参照画像は、試料容器１０２の画像と同じ露光時間、波長、及び照明条件で撮影してもよいが、キャリア１２２の試料容器１０２なしでキャプチャすることができる。背景減算７０６はまた、いくつかの実施形態における様々な視点間の正規化を含んでいてもよい。方法７００は、７１０で、複数の視点から撮影された試料を収容する試料容器の複数の２Ｄ画像を処理することによって得られた分類された２Ｄデータセットを提供することを含む。分類された２Ｄデータセットは、血清又は血漿、沈降した血液部分、ゲルセパレータ（存在する場合）、空気、管、及びラベルとして分類される。

複数の２Ｄ画像を処理することによって得られた分類された２Ｄデータセットは、各波長で異なる露光時間で画像から最適に露光された画素を選択して、各波長で最適に露光された画像データを生成することによって得ることができる。特定の波長における各画像内の対応する画素位置毎に、（露光不足でも、又は露光しすぎでもない）最良に露光された画素を選択することができる。最適な露光範囲は、上述したようなものであってもよい。この最適に露光された画素の選択は、画像統合フェーズ（例えば、画像統合５１２）で行われる。したがって、ＲＧＢ波長のそれぞれについて、最適に露光された画素のデータセットが生成されてもよい。

次に、最適に露光された画素のデータセットを分類して、分類された２Ｄデータセットを提供することができる。分類は、異なる波長の最適に露光された画素の統計データを演算して統計データを生成し、次いで、最適に露光された画素の統計データを操作して上述の様々なクラスを識別することによって達成することができる。他のクラス（例えば、キャップ２１４）も、分類によって識別することができる。

方法７００は、７１２で、分類された２Ｄデータセットにおける位置を統合された３Ｄデータセットに関連付けることを含んでいてもよい。このようにして、様々な視点から得られた、分類された７１２の２Ｄデータセットに基づいて、３Ｄモデルを形成（例えば、構築）してもよい。様々な視点のセグメント化間の対応は、３Ｄモデルによって確認してもよい。

いくつかの実施形態では、７１４で品質チェックモジュール１３０又は１３０Ａによって生成された複数の２Ｄデータセットから生成された、統合された３Ｄモデルを使用して、インターフェレント（Ｈ、Ｉ、及び／又はＬ）の有無（ノーマル−Ｎ）の特徴付けに関する最終結果を提供してもよい。インターフェレントが検出された場合、インターフェレントレベルを評価し、統合されたデータに基づいて報告してもよい。

同様に、７１６において、複数の２Ｄデータセットから生成された、統合された３Ｄモデルを使用して、アーチファクト（凝塊、気泡、泡）の有無の特徴付けに関する最終結果を提供してもよい。３Ｄモデルの結果は、表示画面上に３Ｄカラー画像を表示すること、カラープリントアウトを提供すること、測定された値のデータシートを表示又は提供することなど、任意の適切な方法又はフォーマットで表示あるいは報告してもよい。

品質チェックモジュール１３０は、プレスクリーニングが遠心分離機１２５での遠心分離の直後に行われるように位置することが図１に示されているが、いくつかの実施形態では、この特性を直接分析装置（例えば分析装置１０６，１０８、及び／又は１１０）に含んでいてもよく、あるいは、その他の場所に含んでいてもよいのが有利である。例えば、試料検査装置１００のトラック１２１に物理的に接続されていない遠隔ステーション１３２のスタンドアロン分析装置は、この技術及び品質チェックモジュール１３０を使用して、分析前に試料２１２をプレスクリーニングすることができる。さらに、いくつかの実施形態では、品質チェックモジュール１３０をローディングエリア１０５に配置することができ、ロボット１２４が試料容器１０２をキャリア１２２にロードするとすぐに品質チェックを実施することができるように、ラック１０４をローディングエリア１０５にロードする前に遠心分離を行ってもよい。品質チェックモジュール１３０、１３０Ａは、概して交換可能であり、トラックの周囲の任意の所望の位置で、あるいは各試料容器１０２がローディングエリアに戴置される前に訪れるスタンドアローンステーションとしても使用できる。

本発明は様々な変更及び代替形態が可能であるが、特定のシステム及び装置の実施形態及びその方法は、図面の例として示されており、本明細書で詳細に説明してきた。しかしながら、開示された特定の装置又は方法に本発明を限定することを意図するものではなく、反対に、本発明の範囲内に入るすべての変更、均等物、及び代替物を網羅することを意図するものであることを理解されたい。

１００ 試料検査装置
１０２ 試料容器
１０４ ラック
１０５ ローディングエリア
１０６、１０８、１１０ 分析装置
１２０ ベース
１２１ トラック
１２２ キャリア
１２２Ｈ 把持部
１２４ ロボット
１３０、１３０Ａ 品質チェックモジュール
１４３ コンピュータ
１４７ ＬＩＳシステム
２１２ 試料
２１２ＳＢ 沈降した血液部分
２１２ＳＰ 血清又は血漿部分
２１２Ｔ 管
２１４ キャップ
２１５ 識別情報
２１８ ラベル
３１３ ゲルセパレータ
４４０Ａ〜４４０Ｃ カメラ
４４４Ａ〜４４４Ｃ 背面照明光源
５１５ マルチクラス分類器

Claims (20)

1. 試料容器内に収容された試料を特徴付ける方法であって、
   複数の視点から撮影された試料を収容する前記試料容器の複数の２Ｄ画像を処理することによって得られ、分類された２Ｄデータセットであって、血清又は血漿、沈降した血液部分、ゲルセパレータ、空気、管、及びラベルとして分類される、前記分類された２Ｄデータセットを提供し、
   前記分類された２Ｄデータセットにおける位置を、統合された３Ｄデータセットに関連付け、
   前記統合された３Ｄデータセットに基づいて統合された３Ｄモデルを形成する
   ことを含む方法。
2. 前記複数の２Ｄ画像は、前記複数の視点のそれぞれにおいて複数の異なる露光時間で撮影される請求項１に記載の方法。
3. 前記複数の異なる露光時間は、約０．１ｍｓと約２５６ｍｓとの間である請求項２に記載の方法。
4. 前記複数の２Ｄ画像は、異なる公称波長を有する複数の異なるスペクトルで撮影される請求項２に記載の方法。
5. 前記複数の異なるスペクトルが、約４００ｎｍと７００ｎｍとの間の３つ以上の波長を含む請求項４に記載の方法。
6. 前記複数の異なるスペクトルが、約６３４ｎｍ±３５ｎｍ、約５３７ｎｍ±３５ｎｍ、及び約４５５ｎｍ±３５ｎｍの波長を含む請求項４に記載の方法。
7. 前記分類された２Ｄデータセットは、複数の異なる露光時間における波長ごとに最適に露光された画像データから得られる請求項４に記載の方法。
8. 前記複数の２Ｄ画像は、複数の側方画像に基づいており、各側方画像が隣接する画像と重複している前記試料容器の３６０度ビューを表す請求項１に記載の方法。
9. 前記複数の視点の数は、３以上である請求項１に記載の方法。
10. 異なる波長で最適に露光された画素の統計を演算して統計データを生成することを含む請求項１に記載の方法。
11. 前記異なる波長に対する最適に露光された画像データからの前記最適に露光された画素の前記統計の演算は、波長ごとに対応する画素の集合から平均値、標準偏差、及び／又は共分散を計算することを含む請求項１０に記載の方法。
12. 前記最適に露光された画素の選択は、０〜２５５の範囲において約１８０〜２５４の間の強度を有する前記画像から画素を選択することを含む請求項１０に記載の方法。
13. マルチクラス分類器を使用して、前記分類された２Ｄデータセットを生成する請求項１０に記載の方法。
14. マルチクラス分類器は、サポートベクトルマシン又はランダム判定ツリーを含む請求項１３に記載の方法。
15. 前記マルチクラス分類器は、複数のトレーニングセットから生成される請求項１３に記載の方法。
16. 前記統合された３Ｄモデルが表示又は格納される請求項１に記載の方法。
17. 前記統合された３Ｄデータセットへの前記分類された２Ｄデータセットの位置の前記関連付けは、各分類された２Ｄデータセットの仮想ボクセルグリッドに基づく請求項１に記載の方法。
18. 前記分類された２Ｄデータセットは、キャップとしてさらに分類される請求項１に記載の方法。
19. 試料及び試料容器を特徴付けるように構成された品質チェックモジュールであって、
    前記試料容器の周囲に配置され、複数の視点から試料容器及び試料の複数の画像を撮像するように構成された複数のカメラであって、前記複数のカメラのそれぞれは、複数の異なる露光時間と、複数の異なる波長又は１つ以上の波長範囲で撮影された複数の２Ｄ画像を生成するように構成された前記複数のカメラと、
    前記複数のカメラに接続され、前記複数の２Ｄ画像から画像データを処理するように構成されたコンピュータであって、
    複数の視点から撮影された前記複数の２Ｄ画像を処理することによって得られ分類された２Ｄデータセットであって、血清又は血漿部分、沈降した血液部分、ゲルセパレータ（存在する場合）、空気、管、及びラベルとして分類される、前記分類された２Ｄデータセットを提供し、
    前記２Ｄデータセットにおける位置を、統合された３Ｄデータセットに関連付け、
    前記統合された３Ｄデータセットに基づいて統合された３Ｄモデルを形成する
    ように構成され動作可能な前記コンピュータと、
    を含む前記品質チェックモジュール。
20. 試料容器内に収容された試料を画像化するように構成された試料検査装置であって、
    トラックと、
    前記試料容器を収容するように構成された前記トラック上のキャリアと、
    前記トラックの周囲に配置され、複数の視点から試料容器及び試料の複数の２Ｄ画像を撮像するように構成された複数のカメラであって、前記複数のカメラのそれぞれは、複数の異なる露光時間と、複数の異なる波長又は１つ以上の波長範囲で複数の画像を生成するように構成された前記複数のカメラと、
    前記複数のカメラに接続され、前記複数の２Ｄ画像から画像データを処理するように構成されたコンピュータであって、
    複数の視点から撮影された前記複数の２Ｄ画像を処理することによって得られ分類された２Ｄデータセットであって、血清又は血漿部分、沈降した血液部分、ゲルセパレータ（存在する場合）、空気、管、及びラベルとして分類される、前記分類された２Ｄデータセットを提供し、
    前記２Ｄデータセットにおける位置を、統合された３Ｄデータセットに関連付け、
    前記統合された３Ｄデータセットに基づいて統合された３Ｄモデルを形成する
    ように構成され動作可能な前記コンピュータと、
    を含む前記試料検査装置。