CN108603817A - 适于从多个侧视图标识样本容器的方法和装置 - Google Patents
适于从多个侧视图标识样本容器的方法和装置 Download PDFInfo
- Publication number
- CN108603817A CN108603817A CN201780008724.2A CN201780008724A CN108603817A CN 108603817 A CN108603817 A CN 108603817A CN 201780008724 A CN201780008724 A CN 201780008724A CN 108603817 A CN108603817 A CN 108603817A
- Authority
- CN
- China
- Prior art keywords
- sample container
- sample
- image
- spectrum
- different
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000001228 spectrum Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 10
- 239000000969 carrier Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000032696 parturition Effects 0.000 claims 1
- 239000000523 sample Substances 0.000 description 236
- 210000002381 plasma Anatomy 0.000 description 42
- 210000002966 serum Anatomy 0.000 description 41
- 239000008280 blood Substances 0.000 description 38
- 210000004369 blood Anatomy 0.000 description 37
- 238000012512 characterization method Methods 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 19
- 238000001556 precipitation Methods 0.000 description 19
- 230000011218 segmentation Effects 0.000 description 15
- -1 gelled separator Substances 0.000 description 14
- 239000007788 liquid Substances 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000013139 quantization Methods 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 11
- 238000011068 loading method Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000005119 centrifugation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000000126 substance Substances 0.000 description 7
- 239000000701 coagulant Substances 0.000 description 6
- 239000012190 activator Substances 0.000 description 5
- 239000000654 additive Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000003556 assay Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 4
- 238000005194 fractionation Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 206010018910 Haemolysis Diseases 0.000 description 3
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 3
- 210000001772 blood platelet Anatomy 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 3
- 238000009833 condensation Methods 0.000 description 3
- 230000005494 condensation Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 239000006260 foam Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000008588 hemolysis Effects 0.000 description 3
- 229920000669 heparin Polymers 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000002244 precipitate Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 229910052708 sodium Inorganic materials 0.000 description 3
- 239000011734 sodium Substances 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 102000009123 Fibrin Human genes 0.000 description 2
- 108010073385 Fibrin Proteins 0.000 description 2
- BWGVNKXGVNDBDI-UHFFFAOYSA-N Fibrin monomer Chemical compound CNC(=O)CNC(=O)CN BWGVNKXGVNDBDI-UHFFFAOYSA-N 0.000 description 2
- 241000237983 Trochidae Species 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 229950003499 fibrin Drugs 0.000 description 2
- ZFGMDIBRIDKWMY-PASTXAENSA-N heparin Chemical compound CC(O)=N[C@@H]1[C@@H](O)[C@H](O)[C@@H](COS(O)(=O)=O)O[C@@H]1O[C@@H]1[C@@H](C(O)=O)O[C@@H](O[C@H]2[C@@H]([C@@H](OS(O)(=O)=O)[C@@H](O[C@@H]3[C@@H](OC(O)[C@H](OS(O)(=O)=O)[C@H]3O)C(O)=O)O[C@@H]2O)CS(O)(=O)=O)[C@H](O)[C@H]1O ZFGMDIBRIDKWMY-PASTXAENSA-N 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 2
- BDHFUVZGWQCTTF-UHFFFAOYSA-M sulfonate Chemical compound [O-]S(=O)=O BDHFUVZGWQCTTF-UHFFFAOYSA-M 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- IJRKANNOPXMZSG-SSPAHAAFSA-N 2-hydroxypropane-1,2,3-tricarboxylic acid;(2r,3s,4r,5r)-2,3,4,5,6-pentahydroxyhexanal Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O.OC(=O)CC(O)(C(O)=O)CC(O)=O IJRKANNOPXMZSG-SSPAHAAFSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- KRKNYBCHXYNGOX-UHFFFAOYSA-K Citrate Chemical compound [O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O KRKNYBCHXYNGOX-UHFFFAOYSA-K 0.000 description 1
- 102000008946 Fibrinogen Human genes 0.000 description 1
- 108010049003 Fibrinogen Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 241001062009 Indigofera Species 0.000 description 1
- 206010023126 Jaundice Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- IRXRGVFLQOSHOH-UHFFFAOYSA-L dipotassium;oxalate Chemical compound [K+].[K+].[O-]C(=O)C([O-])=O IRXRGVFLQOSHOH-UHFFFAOYSA-L 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229940012952 fibrinogen Drugs 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000034659 glycolysis Effects 0.000 description 1
- 229960002897 heparin Drugs 0.000 description 1
- 229960001008 heparin sodium Drugs 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 239000001509 sodium citrate Substances 0.000 description 1
- NLJMYIDDQXHKNR-UHFFFAOYSA-K sodium citrate Chemical compound O.O.[Na+].[Na+].[Na+].[O-]C(=O)CC(O)(CC([O-])=O)C([O-])=O NLJMYIDDQXHKNR-UHFFFAOYSA-K 0.000 description 1
- 239000011775 sodium fluoride Substances 0.000 description 1
- 235000013024 sodium fluoride Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
- G01N35/04—Details of the conveyor system
-
- 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
- G01N35/10—Devices for transferring samples or any liquids to, in, or from, the analysis apparatus, e.g. suction devices, injection devices
- G01N35/1009—Characterised by arrangements for controlling the aspiration or dispense of liquids
- G01N35/1016—Control of the volume dispensed or introduced
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- 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
- G01N35/04—Details of the conveyor system
- G01N2035/0401—Sample carriers, cuvettes or reaction vessels
- G01N2035/0406—Individual bottles or tubes
-
- 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
- G01N35/04—Details of the conveyor system
- G01N2035/046—General conveyor features
- G01N2035/0467—Switching points ("aiguillages")
- G01N2035/047—Switching points ("aiguillages") diverging, e.g. sending carriers to different analysers
-
- 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
- G01N35/04—Details of the conveyor system
- G01N2035/0474—Details of actuating means for conveyors or pipettes
- G01N2035/0491—Position sensing, encoding; closed-loop control
- G01N2035/0493—Locating samples; identifying different tube sizes
-
- 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
- G01N35/10—Devices for transferring samples or any liquids to, in, or from, the analysis apparatus, e.g. suction devices, injection devices
- G01N35/1009—Characterised by arrangements for controlling the aspiration or dispense of liquids
- G01N35/1016—Control of the volume dispensed or introduced
- G01N2035/1018—Detecting inhomogeneities, e.g. foam, bubbles, clots
-
- 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
- G01N35/10—Devices for transferring samples or any liquids to, in, or from, the analysis apparatus, e.g. suction devices, injection devices
- G01N35/1009—Characterised by arrangements for controlling the aspiration or dispense of liquids
- G01N2035/1025—Fluid level sensing
-
- 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
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种确定样本容器对特性的基于模型的方法。该方法包括提供样本容器、在不同曝光时间以及在具有不同标称波长的不同光谱处捕捉样本容器的图像、从每个光谱的不同曝光时间的图像选择最佳曝光像素以生成针对每个光谱的最佳曝光图像数据,以及将最佳曝光像素分类为至少是管、标签或帽中的一个,并基于针对每个光谱的最佳曝光图像数据标识样本容器的宽度、高度或宽度和高度。与其他方面一样,描述了适于执行该方法的质量检查模块和样本测试装置。
Description
相关申请
本申请要求2016年1月28日提交的名称为“METHODS AND APPARATUS ADAPTED TOIDENTIFY A SPECIMEN CONTAINER FROM MULTIPLE LATERAL VIEWS”的美国临时专利申请系列号62 / 288,366的优先权,其公开通过引用它的全部内容结合于此。
技术领域
本发明涉及供在生物样本测试中使用的预分析方法和装置,并且更特别地涉及用于确定包含样本的样本容器的配置的方法和装置。
背景技术
自动化测试系统可以使用一种或多种试剂进行化验或临床分析以标识样本中的分析物或其他成分,例如尿、血清、血浆、间质液、脑脊髓液以及诸如此类。出于方便和安全的原因,这些样本几乎普遍地被包含在样品容器(例如,血液采集管)内,其可以用盖子盖住。化验/测试反应生成各种改变,可以读取和/或操纵这些改变以确定样本中包含的分析物或其他成分的浓度,在一些实施例中,其可以指示患者的疾病状态。
自动化测试技术的改进已经伴随着被称为实验室自动化系统(LAS)的自动化系统的预分析样品制备和处理操作中的相应进步,处理操作诸如是分类、批量制备、样品容器的离心以分离样品成分、帽移除以促进液体访问、样品容器递送以及诸如此类。LAS可以自动将样本容器中的样本运送到一个或多个预分析样品处理站,使得在执行分析之前可以对其执行各种操作。
这些LAS可以处理标准条形码标记的样品管中包含的多个不同的样本。条形码标签可以包含登录号(accession number),所述登录号可以与人口统计信息相关,该人口统计信息可以连同测试订单(test order)和其他所需信息一起输入医院的实验室信息系统(LIS)中。操作者可以将标记的样本容器放置在LAS系统上,该系统可以自动分类和路由样本容器以进行预分析操作,诸如离心、去除帽(de-capping)和等分试样(aliquot)制备,并且所有这些在样本实际受到也可能是LAS的一部分的一个或多个分析器的临床分析之前。
对于某些测试,可以使用血清或血浆部分(通过离心从全血获得)来执行分析。在一些情况下,可以将凝胶分离器(gel separator)添加到样本容器以帮助从血清或血浆部分分离沉淀(settled)的血液部分。在离心后,可以将样本容器运送到适当的分析器,该分析器可以从样本容器提取样本的血清或血浆部分,并将样本与一种或多种试剂在反应器皿(vessel)(例如,比色皿(cuvette))中组合。然后可以例如经常使用询问辐射(interrogating radiation)的束或者通过使用光度或荧光吸收读数或诸如此类来执行分析测量。测量允许确定终点或速率值,可以使用众所周知的技术从其确定分析物或其他成分的量。
遗憾的是,使用现有方法难以确定样本中的各个部分(例如,沉淀部分、血清和血浆部分以及凝胶分离器)之间的分界(demarcation)的确定,样本容器的大小或类型也是如此。因此,所得血清或血浆部分的体积或沉淀部分和血清或血浆部分的相对量可能难以准确地被确定。
在测试系统中,针对分析呈现的样本容器可以具有不同的大小,诸如具有不同的高度和不同的直径,并且还可以包含不同的材料,诸如凝胶分离器、凝结剂,诸如粉末状玻璃凝块活化剂(powdered glass clot activator)或基于凝血酶的活化剂、凝结剂,诸如乙二胺四乙酸(EDTA)、钠或锂 - 肝素或枸橼酸葡萄糖(acid citrate dextrose)(ACD)、抗糖酵解(antiglycolytic)添加剂,诸如氟化钠和草酸钾。帽颜色可以用于标识不同的添加剂,并且可以指示要关于样品运行的测试类型或简单的管类型。例如,红色帽有时用于指血清收集管,其通常可包括凝结剂,诸如凝块活化剂,并且还可包括凝胶分离器。橙色帽可以包括基于凝血酶的凝块活化剂,并且可以用于需要快速凝结的统计测试(stat testing)。诸如紫色的抗凝帽颜色可以包括EDTA,并且可以标识用于血型和计数细胞的测试的基础血液管。淡蓝帽颜色可以标识添加柠檬酸钠用于凝固和血小板功能测试。绿帽可以标识包括锂/肝素钠(sodium heparin)的管用于血浆测试。黄色可包括聚烯丙基磺酸钠(sodiumpolyanethol sulfonate),并可用于细菌生长和微生物学测试。
由于人为错误的倾向,所以期望在不使用实验室技术人员的视觉检查的情况下、但是经由自动化方法评估样本容器的大小和类型。此外,标本容器可以包括直接粘附到样本容器的条形码标签。一个或多个标签可以部分地挡住(occlude)样本,使得可能没有明确的机会目视观察样本的血清或血浆部分。诸如Miller的美国专利公开2012/0140230中描述的那些系统之类的其他系统描述了旋转样品容器以找到不受标签阻碍的视窗,并且然后使用光学成像系统测量样品容器和帽类型的相对大小。然而,这样的系统可能不太容易自动化。
由于在确定样本容器的大小或类型时遇到的困难,所有对于适于作为预筛选(pre-screening)过程的一部分的容易地确定大小和类型的方法和装置存在未满足的需求。执行预筛选的方法和装置不应明显地不利地影响获得分析测试结果的速度,即明显放慢了整个测试过程。此外,该方法和装置应该能够甚至在标记的样品容器上并且在不旋转其的情况下使用。
发明内容
根据第一方面,提供了一种确定样本容器的特性的方法。该方法包括提供样本容器、在不同曝光时间以及在具有不同标称波长的不同光谱处捕捉样本容器的图像、从每个光谱的不同曝光时间的图像选择最佳曝光像素以生成针对每个光谱的最佳曝光图像数据;将最佳曝光像素分类为至少是管、标签或帽中的一个,并基于针对每个光谱的最佳曝光图像数据标识样本容器的宽度、高度或宽度和高度。
根据另一方面,提供了一种适于确定样本容器的特性的质量检查模块。质量检查模块包括多个照相机,所述多个照相机布置在适于接收样本容器的成像位置周围的多个视点处,所述多个照相机中的每个被配置为在不同的曝光时间和在具有不同的标称波长的不同的光谱处从多个视点捕捉样本容器的至少一部分的多个图像,以及耦合到多个照相机的计算机,所述计算机被配置并可操作以:从不同光谱中每个的不同曝光时间的图像选择最佳曝光像素以生成针对每个光谱和视点的最佳曝光图像数据,将最佳曝光图像数据分类为至少是管、帽或标签中的一个,并且基于针对每个光谱的最佳曝光图像数据标识样本容器的宽度、高度或宽度和高度。
在另一方面中,提供了一种测试装置。所述测试装置包括轨道、可在轨道上移动的样本载体,样本载体被配置为携带样本容器;以及质量检查模块,被布置在轨道上并且适于确定样本容器的特性,质量检查模块包括:多个照相机,所述多个照相机布置在适于接收样本容器的成像位置周围的多个视点处,所述多个照相机中的每个被配置为在不同的曝光时间和在具有不同的标称波长的不同的光谱处从多个视点捕捉样本容器的至少一部分的多个图像,以及耦合到多个照相机的计算机,所述计算机被配置并可操作以:从不同光谱中的每个的不同曝光时间的图像选择最佳曝光像素以生成针对每个光谱和视点的最佳曝光图像数据,将最佳曝光图像数据分类为至少是管、帽或标签中的一个,并且基于针对每个光谱的最佳曝光图像数据标识样本容器的宽度、高度或宽度和高度。
通过图示多个示例实施例和实现,包括预期用于执行本发明的最佳模式,本发明的其他方面、特征和优点可以容易地从以下描述清楚。本发明还可能具有其他和不同的实施例,并且可以在各个方面修改其若干细节,所有这些都不脱离本发明的范围。因此,附图和描述本质上被认为是说明性的,并且不被认为限制性的。本发明将覆盖落入所附权利要求书范围内的所有修改、等同物和替代物。
附图说明
下面描述的附图仅用于说明目的并且不一定按比例绘制。附图不旨在以任何方式限制本发明的范围。贯穿附图使用相同的数字来表示相同的元素。
图1示出了根据一个或多个实施例的样本测试装置的俯视图,该样本测试装置包括一个或多个质量检查模块和一个或多个分析器(临床化学或化验仪器)。
图2示出了根据一个或多个实施例的标记的样本容器的侧视图,该标记的样本容器包括分离的样本,其可以通过尺寸量化(dimension quantificaiton)方法来量化。
图3示出了根据一个或多个实施例的标记的样本容器的侧视图,该标记的样本容器包括分离的样本,其可以通过尺寸量化(dimension quantificaiton)方法来量化。
图4A示出了根据一个或多个实施例的质量检查模块(其中顶部壳体部分被移除以帮助说明)的示意性俯视图,质量检查模块被配置为捕捉和分析多个图像。
图4B示出了根据一个或多个实施例的图4A 的质量检查模块的示意性侧视图(其中侧壳体部分被移除以帮助说明)。
图4C示出了根据一个或多个实施例的替代质量检查模块(其中顶部壳体部分被移除以帮助说明)的示意性俯视图,替代质量检查模块被配置为捕捉和分析多个图像。
图4D示出了根据一个或多个实施例的图4C的质量检查模块的示意性侧视图(其中侧壳体部分被移除以帮助说明)。
图5示出了根据一个或多个实施例的适于量化样本容器的质量检查模块的功能部件的流程图。
图6示出了根据一个或多个实施例的适于量化样本容器的宽成像方法的流程图。
图7示出了根据一个或多个实施例的量化样本容器的方法的流程图。
具体实施方式
在第一个宽泛方面中,本发明的实施例提供了成像方法和装置,其被配置成并且能够操作(可操作)以确定样本容器的物理属性,诸如样本容器的宽度(W)和高度(HT)。在一个或多个实施例中,该方法可以确定帽的存在、可以标识帽类型和/或可以标识帽颜色。在一个或多个实施例中,可以标识样本容器的保持器(holder),使得可以消除或至少最小化其对表征(characterization)的影响。
知道样本容器的宽度(W)可用于对样本的各个部分的进一步量化(例如,体积或深度),血清或血浆部分、沉淀的血液部分或两者的此类量化。帽类型和/或帽颜色可以与来自LIS的测试请求相关,以验证适当的样本容器已经用于已经订购的测试,和/或确保所订购的测试将不受到样品容器中存在的任何添加剂的不利影响。机器人(robotic)系统可以使用样本容器的高度HT来建立吸气(aspiration)系统的移液管(pipette)的原始高度(homeheight),以最小化样本容器 - 移液管的碰撞。此外,可以使用HT,使得任何机器人夹持器(gripper)可以适当地抓住样本容器。
如本文所述,样本可以被收集在样本容器中,样本容器诸如血液收集管,并且样本可以包括血清和血浆部分以及分馏(fractionation)后的沉淀血液部分(例如,通过离心的分离)。沉淀的血液部分由血细胞组成,血细胞诸如白血细胞(白细胞)、红血细胞(红细胞)和血小板(凝血细胞),它们聚集并且通常通过经受离心从血清或血浆部分分离。通常在样本容器的底部部分发现沉淀的血液部分。血清或血浆部分是血液的液体成分,其不是沉淀血液部分的一部分。通常在沉淀的血液部分之上发现它。
血浆和血清在凝结组分的含量方面不同,主要是纤维蛋白原。血浆是未凝结的液体,而血清是指已经在凝结剂的影响下被允许凝结的血液血浆,凝血剂诸如内源性酶(endogenous enzyme)或外源性组分(exogenous component)。血清或血浆部分将由血清或血浆组成,这取决于是否暴露于凝结剂。在某些情况下,血液样本可能暴露于抗凝结剂。在一些样本容器中,可以使用小的凝胶分离器,其通常在离心期间将其自身定位在沉淀的血液部分和血清或血浆部分之间。它用作两部分之间的分离屏障。
根据一个或多个实施例,该方法可以作为预分析测试方法进行,即作为在临床分析器或化验仪器上进行分析之前的预筛选方法。在一个或多个实施例中,该方法可以在量化样品之前或与量化样品同时进行,其特征在于存在赝像(例如,凝块、气泡或泡沫)和/或存在干扰物(例如,溶血(hemolysis)、黄疸(lcterus)或脂血(Lipemia)(HIL))。因此,在一个或多个实施例中,本发明提供了样本容器的尺寸的有用表征,用于进一步的预分析测试或用于在质量检查模块处针对物理尺寸的预先检查之后的分析测试。
在一个或多个实施例中,该方法使用高动态范围(HDR)图像处理来帮助确定样本容器的物理结构。当然,在一些实施例中,还可以使用HDR图像处理来进行血清或血浆部分和/或其他血液成分的各种物理边界的位置的标识。
在一些实施例中,提供了一种被配置成执行尺寸表征方法的质量检查模块。质量检查模块可以被提供在机器人或运输机构可以将包含在这种样本容器中的样本运送到质量检查模块的区域中。在一些实施例中,质量检查模块可以被提供在输送器轨道上,其中输送器轨道将样本运载到远程位置以进行分析(例如,分析测试或化验)。化学分析或化验可以发生在合适的分析器上。如这里使用的术语“分析器”意味着临床化学分析器和/或化验仪器和/或诸如此类。在一个实施例中,质量检查模块可以被提供在轨道上,使得样本容器可以在驻留在轨道上时被针对尺寸进行表征,驻留在轨道上诸如在输入通道上或轨道上的其他地方。
在一个或多个实施例中,经处理的HDR数据可用于尺寸表征,而且也可用于体积量化、赝像(artifact)检测和/或HIL检测。这里的尺寸量化方法使用的所有捕捉的图像是包含多个像素的像素化图像。如这里使用的像素意味着单个像素或像素的分组,诸如超像素(super pixel)。发现具有11个单独像素乘11个单独像素的大小的超像素对于扫描和处理很有效。可以使用超像素的其他合适大小。
在本发明的一个或多个实施例的另一个方面中,可以使用从尺寸表征获得的关于样本容器的宽度(W)的数据,连同从分割获得的边界信息,以确定血清或血浆部分的深度或体积,并且甚至也可能确定沉淀的血液部分的深度或体积。
包括HDR处理的表征方法可以包括以多个曝光(例如,曝光时间)在质量检查模块处捕捉多个图像,同时以具有不同标称波长(nominal wavelength)的多个光谱照射,并且甚至从多个视点照射。在一些实施例中,可以利用布置在质量检查模块内的多个相机来捕捉图像。如这里使用的“照相机”意味着能够捕捉图像(例如,数字图像)以进行分析的任何设备。
然后由计算机处理由多个照相机捕捉的图像以确定样本容器的尺寸,并且由多个照相机捕捉的图像还可以用于量化样本的深度和/或体积。在分割过程期间,对于每个图像中的每个像素,可以选择针对每个光谱呈现最佳图像强度(即,最佳曝光)的像素,并将其与来自其他像素位置的其他最佳像素组合在一起,以生成合并的光谱图像数据集。结果是多个规格化的、合并的光谱图像数据集(例如,红(R)、绿(G)、蓝(B)),其中所有像素被最佳地曝光(例如,每个光谱一个图像数据集(例如R、G和B)。
来自规格化的、合并的颜色数据集的数据可以受到统计分析,以确定关于其每个像素的统计数据(例如,平均值和协方差矩阵)。“协方差”是诸如强度之类的像素属性中的两个或更多属性有多相关的测量。一个或多个数据矩阵的形式的该统计数据然后可以由多类分类器操作。据此,可以对样本容器的各个区/区域的分割进行分类。特别地,可以标识样本容器的宽度(W)。此外,样本容器的高度(HT)、帽的类型和帽颜色也可以被确定。
多类分类器可以用于执行分割任务。分类器可以是支持例如已经从多个训练集训练的向量机(SVM)或随机决策树。然而,可以使用其他类型的分类器。
可以基于来自分割过程的输出确定样本容器的尺寸。液体区域(即,血清或血浆部分)也可以由分类器限定,并且边界数据连同通过尺寸表征方法获得的宽度(W)可以用于确定液体区域(例如,血清或血浆部分)的体积。
将参考本文中图1-7描述本发明的尺寸表征方法、质量检查模块和包括质量检查模块的样本测试系统的进一步细节。
图1示出了样本测试装置100,其能够并且可操作以在由一个或多个分析器(例如,分别布置在样本测试装置100周围的第一、第二和第三分析器106、108、110)进行分析之前自动处理可以包含在被提供在装载区域105处的一个或多个架子104中的样本容器102中的多个。应该清楚,可以使用更多或更少数量的分析器。分析器可以是一个或多个临床化学分析器和/或一个或多个化验仪器或诸如此类,或其组合。样本容器102可以是任何通常透明或半透明的容器,诸如血液收集管 - 参见图2)。
通常,待自动处理的样本212(图2)可以被提供到样本容器102中的样本测试装置100,样本容器102可以用帽214(图2 - 否则称为塞子(stopper))盖住。帽214可以具有不同的形状或颜色(例如,红、宝蓝、浅蓝、绿、灰、棕褐、黄或其他颜色)。颜色提供关于要执行的测试或在某些情况中样本容器102中提供的添加剂的有用信息。样本容器102中的每个可以包括管212T,管212T可以被提供有标识信息215,诸如条形码、字母、数字或字母数字标记,或其组合,其可以在样本测试装置100周围的各个位置处是机器可读的。例如,标识信息215可以指示患者的标识并且可能在样本212上完成测试。标识信息215还可以与实验室信息系统(LIS)147协作,以提供关于所订购的测试或诸如此类的附加信息。这样的标识信息215通常可以提供在标签218上,标签218粘附到样本容器102或以其他方式被提供在样本容器102的一侧上。标签218通常不一直围绕样本容器102的周长(girth)或者总沿着样本容器102的长度延伸。因此,虽然标签218可以挡住样本212的一些部分,但是样本212的一些部分可能仍然是可见的。在一些实施例中,可以存在多个略微重叠的标签218。在一些实施例中,架子104可以在其上具有可以用于跟踪的附加标识信息。
在分馏之后,样本212可包括血清或血浆部分212SP,包含在管212T内的沉淀血液部分212SB。空气212A可以被提供在血清和血浆部分212SP之上,并且空气212A和血清或血浆部分212SP之间的线或分界在本文中被定义为液体-空气界面(LA)。血清或血浆部分212SP与沉淀的血液部分212SB之间的分界的线在本文中被定义为血清-血液界面(SB)。空气212A和帽214之间的界面在本文中称为管-帽界面(TC)。管的高度(HT)被定义为从管212T的物理最底部到帽214底部的高度。血清或血浆部分212SP的高度是(HSP),其被定义为从沉淀的血液部分212SB的顶部到血清或血浆部分212SP的顶部的高度,即从SB到LA的高度。沉淀血液部分212SB的高度是(HSB),其被定义为从沉淀的血液部分212SB的底部到沉淀的血液部分212SB的顶部的高度。在其中使用凝胶分离器313的实施例中,诸如图3,存在血清或血浆部分212SP与凝胶分离器313之间的界面(SG)。同样,存在沉淀的血液部分212SB和凝胶分离器313之间的界面(BG)。在这种情况下,HTOT是HSB加HSP。W是管212T的宽度。
更详细地,样本测试装置100可以包括基部120(例如,框架或其他结构),轨道121可以安装或支撑在基部120上。轨道121可以是轨条轨道(railed track)(例如,单轨轨道或多轨轨道)、传送带、链条、可移动平台或其他合适的传送机构的集合。轨道121可以具有圆形、蛇形或其他形状,并且在一些实施例中可以是闭合的(即,永不结束的)轨道。轨道121可以运送可以被承载在载体122中的轨道121上的样本容器102中的各个样本容器,或在一些实施例中的样本容器102中的多个样本容器。样本容器102可以适于被接收在可在轨道121上移动的载体122的容器中。
在一个或多个实施例中,载体122可以是被配置为承载单个样本容器102的圆盘(puck)。在一些实施例中,载体122可以包括板载驱动马达,诸如线性马达,其被配置为在根据编程指令停止和启动时关于轨道121移动样本容器102。载体122中的每个可各自包括保持器122H,保持器122H适于将样本容器102保持并固定在限定的直立位置。保持器122H可包括三个或更多个薄板弹簧或指状物。
在一些实施例中,载体122可以从其处具有一个或多个架子104的装载区域105离开。装载区域105可以起到还允许在处理之后从载体122卸载样本容器102的双重功能。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抓取样本容器102,并且将样本容器102移动并装载到载体122上,诸如到轨道121的输入通道上。输入通道可以是轨道121的主要部分的一部分或其分支(offshoot)。机器人124还可以被配置成在完成测试时从载体122移除样本容器102。机器人124可包括一个或多个(例如,至少两个)机器人臂或能够X和Z、Y和Z、X、Y和Z或r和塞塔(theta)运动的部件,其中机器人124可配备有机器人齿压板(clamping finger),其适于拾起和放置样本容器102。然而,可以使用任何合适类型的机器人124。
在由机器人124装载到轨道121上时,由载体122承载的样本容器102可以前进到离心机125(例如,被配置成执行样本212的分馏的自动离心机)并且在一些实施例中可以通过流入通道126转移到离心机125。在被离心之后,样本容器102可以在流出通道128上退出并且在轨道121上继续。在一些实施例中,载体122可以移动到质量检查模块130,这将在本文中参考4A-4D进一步描述。可选地,离心可以预先发生,并且包含在样本容器102中的样本212可以直接加载到位于装载区域105处的质量检查模块130中,诸如输入通道的一部分。
质量检查模块130被配置并适于自动确定/表征包含待由样本测试装置100处理的样本212的样本容器102的物理属性。表征可以包括表征管大小、帽类型和/或帽颜色。一旦表征,样本212就可以被进一步表征以确定样本212的深度和/或体积、针对HIL筛选和/或一个或多个赝像(artifact)的存在。如果发现不包含HIL和/或没有(一个或多个)赝像,则样本212可以在轨道121上继续,并且然后可以在将每个样本容器102返回到装载区域105用于卸载之前在一个或多个分析器(例如,第一、第二和第三分析器106、108和/或110)中分析样本212。
在一些实施例中,样本容器102的物理属性的量化可以在质量检查模块130处发生(即,确定HT、帽颜色、帽类型、TC、管类型和/或W)。在一些实施例中,样本212的量化也可以在质量检查模块130处发生并且可以涉及确定HSB、HSP、HTOT,并且可以确定SB、LA、SG和/或BG的垂直位置。显而易见的是,还可以标识保持器122,但是在稍后处理各种图像时可以忽略保持器122。
另外,即使远程站132没有直接链接到样本测试装置100的轨道121,远程站132也可以由自动样本测试装置100进行服务。例如,独立机器人133(虚线示出)可以携带样本容器102到远程站132并在测试/处理后返回它们。可选地,可以手动移除并返回样本容器102。远程站132可以用于针对某些成分的测试,某些成分诸如溶血水平,或者可以用于进一步处理,诸如通过附加处理降低脂血水平,或者移除样本212中发现的赝像,诸如例如,凝块、气泡或泡沫。其他测试或处理可以在远程站132处完成。
样本测试装置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可以用于借助于读取放置在样本容器102上的标识信息215(图2),或在每个载体122上提供的类似信息(未示出),诸如条形码,来检测沿着轨道121的样本容器102的位置。可以使用用于跟踪载体122的位置的其他手段。所有传感器116都与计算机143对接,使得每个样本容器102和样本212的位置始终是已知的。计算机143可以以已知的方式与LIS147对接和通信。
离心机125和分析器106、108、110中的每个通常可配备有机器人机构和/或流入通道(例如,流入通道126、134、138、144),其配置成从轨道121移除载体122,并且机器人机构和/或流出通道(例如,流出通道128、136、141和146)被配置成使载体122重新进入轨道121。
样本测试装置100可以由计算机143控制,计算机143可以包括基于微处理器的中央处理单元CPU,其具有合适的存储器、软件和用于操作各种系统部件的合适的调节电子器件和驱动。计算机143可以被容纳为样本测试装置100的基部120的一部分或与其分离。计算机143可以操作以控制载体122去往和来自装载区域105的移动、围绕轨道121的运动、去往和来自运动离心机125的运动、离心机125的操作、去往和来自质量检查模块130的运动以及质量检查模块130的操作以及去往和来自每个分析器106、108、110的运动,并且在一些情况下可能是执行各种类型的测试(例如,化验和/或临床化学)的每个分析器106、108、110的操作。
除了质量检查模块130之外,计算机143可以根据软件、固件和/或硬件命令或电路控制样本测试装置100,软件、固件和/或硬件命令或电路诸如是在Tarrytown,New York的Siemens Healthcare Diagnostics Inc.销售的Dimension®临床化学分析器上使用的那些,并且这种控制对于基于计算机的机电控制编程领域的技术人员来说是典型的,并且在此不再进一步描述。然而,可以使用用于控制样本测试装置100的其他合适的系统。质量检查模块130表征样本容器的控制也可以由计算机143提供,但是根据本发明的基于模型的方法,如本文将详细描述的那样。可选地,它可以由耦合到计算机143的单独计算机提供。
可以使用计算机接口模块(CIM)145来实现本发明的实施例,该计算机接口模块(CIM)145虑及用户容易且快速地访问各种控制和状态显示屏幕。这些控制和状态屏幕可以描述用于样本212的制备和分析的多个相互联系的自动化设备的一些或所有方面。CIM 145可以用于提供关于多个相互联系的自动化设备的操作状态的信息以及描述任何样本212的位置以及要对样本212执行或正对样本212执行的筛选或测试的状态的信息。CIM 145可以适于促进操作者和样本测试装置100之间的交互。CIM145可以包括显示屏,该显示屏适于显示包括图标、滚动条、框和按钮的菜单,操作者可以通过其与样本测试装置100对接。该菜单可以包括被编程为显示样本测试装置100的功能方面的多个功能按钮。
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可以被配置为并适于自动表征样本容器102的物理结构(例如,大小)。尺寸表征方法可以在由分析器106、108、110中的一个或多个自动处理之前由质量检查模块130执行。以这种方式,样本容器的大小对于任何后续处理是已知的。质量检查模块130可用于量化样本容器102,即量化样本容器102的某些物理尺寸特性,诸如样本容器102的TC、HT和/或W和/或Wi的位置,和/或帽214的颜色和/或类型。质量检查模块130可以用于量化保持器122H,使得在稍后处理图像时可以忽略保持器122H。
除了样本容器量化方法之外,其他检测方法可以发生在质量检查模块130处的样本容器102中包含的样本212上。例如,质量检查模块130可以用于量化样本212,即,确定样本212的某些物理尺寸特性(例如,LA、SB、SG和/或BG的物理位置,和/或HSP、HSB和/或HTOT的确定,和/或血清或血浆部分的体积(VSP)和/或沉淀的血液部分的体积(VSB)) 。
再次参考图1、4A和4B,质量检查模块130可以包括多个照相机(例如,两个或更多个、三个或更多个、四个或更多个)。照相机可以是常规的数字照相机(例如,彩色或单色照相机)、电荷耦合器件(CCD)、光电探测器的阵列、两个或更多个CMOS传感器或诸如此类。例如,三个照相机440A、440B、440C在图4A中示出并且可以被配置为从三个不同视点在成像位置处捕捉图像。可以使用其他数量的照相机。每个照相机440A、440B、440C可以是能够在成像位置处捕捉数字图像(即,像素化图像)的设备。例如,每个图像的图像分辨率可以是约0.5 MP至3 MP。可以使用其他像素分辨率。每个照相机440A、440B、440C可以被配置为并可操作以在成像位置处捕捉样本容器102的至少段或横向部分的横向图像和样本212的至少一部分,并且可能捕捉标签218和帽214的一部分。图像可以略微重叠。最终,可以从多个图像开发(develop)样本容器102中的样本212的合成图像。在一些实施例中,最终合成图像可以是基于来自多个照相机440A、440B、440C的图像的在成像位置处的样本容器102和包含的样本212的3D图像。
在所示的实施例中,多个照相机440A、440B、440C可以布置在位于成像位置处的样本212周围,并且被配置为从多个视点捕捉横向图像。视点可以以大致相等的间隔彼此径向间隔开。如所描绘的,当使用三个照相机440A、440B、440C时,间隔可以是彼此约120度。在所示的实施例中,照相机440A、440B、440C可以围绕轨道121的侧面布置。可以使用多个照相机440A、440B、440C的其他布置。以这种方式,样本容器102和样本212的图像可以在成像位置处拍摄,而样本容器102正驻留并保持在轨道121上的载体122中。
在一个或多个实施例中,载体122可以在质量检查模块130中的预定成像位置处停止,预定成像位置诸如在来自每个照相机440A、440B、440C的法向向量相交的点处。在一些实施例中,可以提供门以停止载体122,使得可以捕捉良好质量的图像。在捕捉图像序列之后,门可以释放载体122。在其他实施例中,载体122可以包括线性马达,该线性马达被配置和编程为在期望的位置处启动和停止载体122,诸如在质量检查模块130处。可以使用用于停止载体122的其他合适的手段。
照相机440A、440B、440C可以紧邻地被提供并且被训练或聚焦以捕捉图像窗口,即包括样本容器102的表面的预期位置的区域,其中样本容器102可以大致定位在图像窗口的中心。如配置的那样,照相机440A、440B、440C可以捕捉包括血清或血浆部分212SP的部分、沉淀血液部分212SB的部分以及帽214中的一些或全部的图像。在捕捉的图像内,一个或多个参考数据(datum)可能存在。参考数据可以帮助进一步量化样本212和/或样本容器102。参考数据可以是TC或样本容器102的最底部表面,或两者。可选地,样本容器102本身可以包括可以从任何视点观察的标记或被提供在其上的其他定位标记。
在操作中,可以响应于触发信号来触发和捕捉由质量检查模块130捕捉的每个图像。触发信号可以由计算机143生成并提供在耦合到计算机143的通信线路443A、443B、443C中。可以根据本文提供的方法的一个或多个实施例处理每个捕捉的图像。特别地,HDR图像处理可以用于捕捉和处理多个图像。
更详细地,以多个不同曝光(例如,曝光时间)捕捉样本容器102的多个图像,并且同时以具有不同标称波长的一个或多个不同光谱处进行照射。例如,每个照相机440A、440B、440C可以以不同曝光时间和在具有不同标称波长的一个或多个光谱处拍摄大约4-8或更多个图像。可以采用其他数量的多次曝光。
多个光谱图像可以通过若干不同的方法实现。在一个实施例中,可以使用不同颜色的光源444A-444C捕捉多个光谱图像。光源444A-444C可以对样本容器102打背光(如图4A-4B中所示),并且可以实施为例如光板。光源444A-444C可以提供围绕成像位置441的背景照明。光源444A-444C可以是光板。光板可在其中包括不同颜色光的阵列,或者否则在其中包括用于泵浦(pump)不同颜色光的装置。在一些实施例中,光扩散器可以与光源544A-544C结合使用。板可以提供所需光谱颜色或波长范围的均匀照明。在该实施例中,照相机440A-440C可以是数字单色照相机。光源444A-444C可以捕捉具有约+/-35nm的相对窄带宽的各种光谱的图像。例如,光源444A-444C可以分别具有大约634 nm(红)、537 nm(绿)和455nm(蓝)的标称发射峰值。然而,可以使用其他波长光谱,并且可以使用多于或少于三个光源。然后,照相机440A-440C中的每个可以从不同的视点捕捉多光谱、多曝光图像。以各种曝光次数(例如,4-8次或更多次曝光)一个接一个地捕捉彩色光谱图像(由具有一些相对窄的波长带的标称波长表示)中的每个。可以以任何顺序拍摄光谱图像,诸如在多次曝光时为红,在多次曝光时为绿,并且在多次曝光时为蓝。对于检测方法,可以计算透射比(transmittance)图像,其中每个透射比图像(对于R、G、B照射中的每一个)是从最佳曝光图像和参考图像计算的,这将从下面清楚。最佳曝光图像可以通过它们各自的每像素强度进行规格化。
在可选实施例中,如图4C和4D中最佳所示的那样,样本容器102可以在质量检查模块130A中被正面照明,诸如通过包括与照相机440A、440B、440C相邻布置的光源444D、444E和444F,即,在上方、下方、侧面或组合,但在样本容器102的与相应的照相机440A-440C相同的侧。在该实施例中,照相机440A-440C可以是分别具有大约634nm、537nm和455nm的RGB峰值的数字彩色照相机,但是其中每种RGB颜色与在该上述具有单色照相机的实施例中使用的离散源相比具有相对较宽的波长范围。在该实施例中,光源444D、444E和444F中的每个都可以是白色光源。例如,光源444D-444F可以发射约400 nm至约700 nm的波长范围,并且可以用于照射样本212。每个照相机440A-440C可以拍摄不同曝光时间的多个图像。捕捉的每个白光图像可以在多个n个标称波长处被分成两个或更多个色谱分量,所述n个标称波长包括在约400nm和约700nm之间的至少两个标称波长。例如,RGB光谱分量可以由计算机143从图像中分离出来以生成多光谱、多次曝光图像。可以经由来自计算机143的在线443A-443C中的信号捕捉图像。
为了根据第一实施例捕捉第一波长的图像,可以使用三个红色光源(具有约+/-35nm的光谱带宽的约634nm的标称波长峰值)来同时照射样本212。光源444A-444C的红色照射可以继续,因为每个照相机440A-440C诸如同步地捕捉在不同曝光时间的多个图像(例如,4-8或更多图像)。在一些实施例中,曝光时间可以在约0.1ms和256ms之间。可以使用其他曝光时间。例如,曝光时间可以在8ms,另一个在32ms,另一个在64ms,并且另一个在128ms。可以使用其他数量的曝光和时间间隔来捕捉多个曝光时间图像。红光源444A-444C可以被打开足够长以捕捉多个红色背光图像并且然后可以关闭。
在使用红色光源444A-444C捕捉图像之后,可以关闭它们并且可以打开光的另一个色谱,例如,两个或更多绿色光源444A-444C(具有约+/- 35nm的光谱带宽的约537nm的标称波长峰值)。通过布置在不同视点处的每个照相机440A-440C,可以在该光谱处捕捉不同曝光时间的多个图像(例如,4-8或更多图像)。对于每个照相机440A-440C,这可以用两个或更多个蓝色光源444A-444C(具有约+/- 35nm的光谱带宽的约455nm的标称波长峰值)重复。因此,结果是以不同曝光时间、不同光谱和在不同视点处捕捉的多个图像。可以可选地或另外地使用其他光谱、曝光时间数量或视点。可以经由使用例如可交换的滤色器(colorfilter)或者例如可以选择性地打开和关闭的不同的窄带彩色RGB光源的组来实现不同波长的光源444A-444C。可以使用用于有效背景照明的其他手段。同样地,可以使用除RGB之外的其他颜色。
为了根据第二实施例捕捉图像,可以使用三个白色光源444D-444F来同时照射样本212。如由光源444D-444F照射的那样,不同曝光时间的多个图像(例如,4-8或更多图像)可以由每个照相机440A-440C诸如同步地捕捉。在一些实施例中,曝光时间可以在例如约0.1ms和256ms之间。可以使用其他曝光时间。例如,一次曝光可能在8ms,另一次在32ms,另一次在64ms,并且另一次在128ms。可以使用其他数量的曝光和时间间隔来捕捉多个曝光时间图像。多个曝光图像可以由计算机143进一步处理,以提取单独的RGB图像(显然在较低的像素密度下)以及在曝光时间和视点中的每个处进一步处理。因此,结果是在不同曝光时间的每个照相机的并且用具有不同标称波长的不同光谱照射的多个图像。
对于每个实施例,对于每个相应波长或波长范围(例如,白光)在多个曝光时间拍摄的所有这些多光谱图像可以快速连续地获得,使得来自多个视点的样本212的图像的整个集合可以例如在小于2s内获得。
为了说明针对每个样本212捕捉的图像的数量的示例,提供以下示例。根据第一实施例,对于每个波长使用RGB光源和4个不同的时间曝光图像并在三个视点处提供单色照相机将导致4次曝光×3种颜色×3个视点= 36个图像。根据第二实施例,使用白色光源和4个不同的时间曝光图像并在三个视点处提供彩色照相机将导致4次曝光×3个视点= 12个图像。然而,这12个图像然后由计算机143分离成RGB图像,使得最终获得36个图像,然而这些图像的像素密度大约是第一实施例的方法的1/3。在每个情况下,多曝光图像可以存储在计算机143的存储器中,并且可以随后由其进行处理。
在一个或多个实施例中,质量检查模块130可包括壳体446,壳体446可至少部分地围绕或覆盖轨道121并提供用于图像捕捉的封闭的或半封闭的环境。在每次图像捕捉期间,样本容器102可以位于壳体446内。壳体446可以包括一个或多个门446D,以允许载体122进入和/或离开壳体446。在一些实施例中,顶棚(ceiling)可以包括开口446O,以允许诸如当质量检查模块130位于装载区域105时样本容器102被机器人(例如,机器人124)装载到驻留在壳体446内部的载体122中,机器人(例如,机器人124)包括来自上方的可移动机器人手指。在其中使用前照明的情况下(图4C-4D),质量检查模块130可以包括可以包括止回壁(backstop wall)447以提供改进的图像对比度。止回壁447可以是任何合适的颜色,例如不同于样本212的预期颜色范围的颜色。在一些实施例中,可以使用黑色材料。
在一个方面中,多光谱、多曝光时间图像的数据的处理可以涉及首先确定样本212的分割,使得可以标识管212T和帽214。当然,分割还可以标识液体部分(例如,血清或血浆部分212SP)。该处理可以例如涉及从针对每个照相机以不同曝光时间并以每个波长拍摄的多个捕捉图像中的每一个选择最佳曝光像素,从而针对每个照相机440A-440C生成针对每个波长的最佳曝光图像数据集。这在本文中称为“图像合并”。在图像合并期间,对于每种光谱颜色,比较不同曝光时间图像中的每个的相应位置中的像素,并且可以从不同曝光时间图像中的每个仅选择表现最佳图像强度的像素。在一个实施例中,例如,最佳图像强度像素可以是落入预定强度范围内的像素(例如,在0-255的数值范围上,在180-254之间)。在另一个实施例中,例如,最佳图像强度可以在0-255的数值范围上在16-254之间。其他非最佳像素由于曝光不足或过度曝光被丢弃。可以使用其他数值范围和最佳范围。如果最佳地曝光两个图像的对应位置中的多于一个像素,则可以选择两者中的较高强度的像素。然后,每个曝光时间对最佳曝光像素强度中的每个进行规格化。结果是针对每个照相机440A-440C的多个规格化和合并的光谱图像数据集(例如,红、绿、蓝),其中所有像素被最佳地曝光(例如,每个光谱一个图像数据集(例如,红、绿、蓝))。
作为质量检查模块130的校准过程的一部分,可以采用没有样本容器102的参考图像。(一个或多个)参考图像可以在样本容器102和载体122进入质量检查模块中之前以及在图像捕捉期间稍后将使用的所有曝光时间和照明条件下由每个照相机440A-440C拍摄。以这种方式,通过可选地从刚离开前景图像的每个图像数据集减去背景(即,样本容器102外部的区域),可以最小化计算机143的计算负担。这在本文中称为“背景移除”。
对于包括规格化和最佳曝光像素的每个光谱图像数据集,进行分割过程以对图像数据集内的每个像素进行分类。可以表征标本容器102和样本212的各个分割,即,可以确定各种类别及其边界中的每一个。这可以用于标识管212T,即透明或半透明区域,以及帽214。这也可以用于标识液体部分(例如,血清或血浆部分212SP)、凝胶分离器313(如果有的话)、沉淀的血液部分212SB和组分之间的分界线(例如LA、SB、SG、BG)。背景和载体212也可以被分割。分割可以基于基于分类器模型(图5)将最佳曝光图像数据中的像素分类为属于类。分类器模型可以基于从多个训练集生成的多类分类器515。例如,多类分类器515可以包括支持向量机(SVM)或随机决策树。可以使用其他类型的多类分类器。
为了执行分类,可以针对不同波长(例如,红、绿、蓝色)处的最佳曝光像素中的每个并且针对每个照相机440A-440C计算第一统计数据。统计数据可包括平均值和高达2阶的方差。一旦生成,统计数据就被呈现给多类分类器515并由其操作,多类分类器515可以将图像中的像素分类为属于多个唯一类标签之一,例如1 - 血清或血浆部分、2 - 沉淀的血液部分、3 - 帽、4 - 标签、5 - 样品容器、6 - 空气、7-凝胶分离器(如果使用)、8 - 管(例如,透明区域)。载体122也可以被分类。根据该分割,可以标识构成管212T和帽214的像素。
多类分类器515的操作的结果是标识属于类3 - 帽和类8 - 管的所有像素。标本容器表征方法的简单流程图如图5中所示。首先,在502中,在质量检查模块130处提供由载体122承载的包括样本212的样本容器102。在504处捕捉多个曝光图像;如上所述,多个曝光图像是以多个不同曝光时间和多个不同光谱(和/或波长范围)拍摄的多光谱图像。然后可以将多个图像存储在计算机143的存储器中。从这些图像中,可以可选地在508的背景移除阶段中减去背景以降低计算负担。通过减去在510中拍摄的参考图像来实现背景消减(background reduction),其可以被采用作为校准的一部分或作为在载体122和样本容器102被提供在成像位置441之前的方法的一部分。
在图像捕捉和可能的背景移除之后,可以针对每个照相机440A-440C关于多曝光、多波长数据集完成分割过程,如511中所示。511中的分割过程可以包括可以在512中进行的图像合并阶段。在512中的图像合并期间,逐个像素地检查每个色谱(例如,标称波长)处的各种图像以确定最佳曝光的那些像素。对于每个对应的像素位置,选择任何最佳曝光像素中的最佳像素并将其包括在最佳曝光图像数据集中。每个像素强度值通过曝光时间规格化。因此,在512中的图像合并之后,针对每个波长光谱(例如,颜色)生成一个规格化且最佳曝光的图像数据集。
在512中的图像合并之后,或者可能与其同时,在514中进行统计生成过程,其中为每个像素生成统计,诸如平均和/或协方差矩阵。然后,来自规格化和最佳曝光数据集的该统计数据和强度信息由多类分类器515操作,以在516中为图像数据集中的所有像素提供像素类的标识。根据516的该分类过程,每个照相机440A-440C的合并图像中的每个像素被给予分类为如上所列的多个类别类型之一。在分类期间,扫描图像,并且对于每个像素位置,通过使用多类分类器导出类标签。在一些实施例中,使用像素位置周围的小超像素块来相对于照相机440A-440C的噪声水平使统计描述更稳健(例如11×11像素)。
由此,标识是管212T和帽214的像素。分类为帽214的所有像素被收集在一起。由此,通过将标识的形状与存储在计算机143的存储器中,诸如查找表531L中的参考帽形状的数据库进行比较,可以通过blob或其他合适的形状分析技术在531中标识帽214的形状。帽214的形状在531中标识帽类型。帽214的形状可以指示样本容器中存在的材料的类型,诸如尿、痰、粪便以及容器是否处于真空下。帽214的形状还可以指示样本容器是否已被抽空。
已经被标识为帽214的像素的相同集合可以针对平均R、G和B水平量化,或者在多色帽的情况下针对聚类方法(clustering approach)进行量化,并且根据该RGB数据,帽214的颜色可以基于存储在查找表533L中的已知帽颜色的RGB值的各个范围的比较在533中被标识。对于标识的帽区域,可以提取真实颜色值。颜色校准可以在测试之前的任何期望的时间发生。每个真实颜色值或多个颜色值将与数据库(例如,查找表)匹配,其中表示所有管颜色。
可以通过将在516中标识的各种像素收集在一起来将管212T量化为是类管。然后,减去基本上垂直对齐的管212T的像素的相应的最外面的行之间的像素空间中的位置,以在518中计算和提取宽度(W)。宽度(W)可以被计算为相应高度处的相应像素之间的距离的平均。在518中测量的像素可以是在管-帽界面TC下方的像素,而忽略在样本容器102的底部的弯曲部分处的像素。
然后在520中提取高度(HT)。在分类为管212T的最底部像素和管-帽界面TC之间测量高度(HT)。该高度(HT)值可以与宽度(W)一起被采用以在529中从可能存储在查找表529L中的可能大小的列表标识和表征样本容器102的大小,可能存储在查找表529L中的可能大小的列表例如(例如,10.25 x 47、10.25 x 64、10.25 x 84、13 x 75、16 x 100、13 x 100,全部以mm x mm为单位)。可列出其他标准大小。
根据这些值,可以在535中确定估计的内部宽度(Wi)。该内部宽度(Wi)可以用于计算血清或血浆部分212SP的体积和/或沉淀的血液部分212SB的体积。可以基于每个大小的每个样本容器102的实际测量或估计的壁厚度(Tw)来估计内部宽度(Wi)。这些内部宽度(Wi)值可以存储在存储器上,诸如存储在查找表535L中,并且一旦标识了管大小就可用于体积测量。
图6示出了更宽泛的表征方法600的流程图,其中包含样本212的样本容器102的表征只是可以使用质量检查模块130通过更宽泛的方法600表征或分类的许多项目之一。根据方法600的一个或多个实施例,诸如通过多个照相机(示出了照相机540A)捕捉图像。然而,其他照相机540B、540C可用于从其他视点捕捉图像。将针对在照相机540A上捕捉的图像描述的处理对于其他视点处的其他照相机540B、540C是相同的,并且它们在线605中的输入可以用于开发样本212的3D模型。由照相机540A和其他照相机540B、540C捕捉的图像如上所述可以是多光谱和多曝光图像。特别地,在604A中对于使用的每个波长的光可以进行多次曝光(例如,4-8次或更多次曝光)。每个照相机540A-540C的每次曝光的相应图像可以使用如图4A-4B中描述的单色照相机和背光光源544A-544C同时获得。可选地,可以使用彩色照相机在604B中获得使用白光源544D-544F的前照式多曝光图像。
然后可以在508中处理图像以使用参考图像510移除背景,如上面在可选的背景移除方法中描述的那样。然后,以上述方式进一步处理图像以确定511中的分割。在一些实施例中,来自604B的来自正面照明的照相机540A-540C(参见图4C-4D)的图像可以最佳地用于511中的分割。同样,在604A中捕捉的图像可以最佳地用于621中的HILN的表征。然而,清楚地,在604B中捕捉的图像可以用于511中的分割。
623中的液体的标识和量化也可以在511中的分割之后执行。在623中量化液体可以涉及确定样品212的某些物理尺寸特性,例如LA、SB、SG和/或BG的物理位置,和/或确定HSP、HSB和/或HTOT,和/或血清或血浆部分的体积(VSP)和/或沉淀的血液部分的体积(VSB)。内部宽度(Wi)可以如上所述从样本容器表征627获得。可以通过选择这些分界区域处的像素并对在像素空间中的它们的位置值求平均以获得LA、SB或SPG的值来完成标识。根据该信息,可以确定血清或血浆部分212SP的体积。从像素空间到机械测量的相关可以通过使用任何合适的校准来校准像素到mm来实现。
为了提供对可用的血清或血浆部分212SP的实际体积的更接近的测量,可以在622中采用赝像检测方法来标识凝块、气泡或泡沫的存在。可以从上面确定的血清或血浆部分212SP的估计体积减去存在的一个或多个赝像的相应估计体积,以获得更好的体积估计。然后可以处理图像以使用赝像分类器在622中确定血清或血浆部分212SP中赝像的存在或不存在。然后可以在621中的HILN分类中忽略在赝像检测622中标识的包括赝像的那些像素。在一些实施例中,赝像的检测也可以发起补救(remediation)。
511中的分割的结果还可以用于标识可以包括标识信息215的标签,例如条形码。可以在625中读取条形码。一旦通过511中的分割标识标签218,就可以使用常规的条形码读取软件。如果该图像不包含足够的待读取的条形码,则可以从从外部照相机获得的其他图像读取条形码。
样本容器102的进一步表征也可以根据更宽泛的方法600来完成。在529中的管类型、531中的帽类型和533中的帽颜色的表征可以被馈送到635中的3D推理(reasoning)以验证相同的表征基于处理来自每个照相机的图像实现。如果获得略微不同的值,则可以对值进行平均。来自621中的HILN分类、623中的液体量化、622中的赝像检测和627中的样本容器检测的所有这些输出可以被馈送到在735中的3D推理中并且可以用于生成3D模型。
图7示出了根据一个或多个实施例的确定样本容器102的特性的方法的流程图。方法700包括在702中提供样本容器(例如,样本容器102,诸如加帽的血液采集管)。接下来,方法700包括在704中以不同曝光时间和不同的波长捕捉样本容器的图像。例如,在一些实施例中可以存在采取的4-8或更多次不同曝光。可以使用白光进行前照明来捕捉一些图像,并且可以使用多个单波长峰值窄带光源,诸如红、蓝和绿作为后照明光源544A-544C捕捉一些图像。如上所述,白光图像可以被分解为由计算机143捕捉的R、G和B图像。在每种情况下,图像可以由多个照相机540A-540C从多个视点拍摄。
如706中所示,方法700可以可选地包括背景消减以减去背景以便降低计算负担。可以通过从捕捉的样本图像中减去参考图像来实现背景消减,这可以被采用作为校准过程的一部分。参考图像可以在与样本容器102的样本图像相同的曝光时间、光谱和照明条件下拍摄,但是可以在没有样本容器102或载体122的情况下捕捉。
方法700在710中包括从每个波长的不同曝光时间的图像选择最佳曝光像素以在每个波长处生成最佳曝光图像数据。对于特定光谱的每个图像中的每个对应像素,选择最佳曝光像素(不是曝光不足或过度曝光)。最佳曝光范围可以如上所述。该选择最佳曝光像素发生在图像合并阶段中(例如,图像合并512)。因此,对于每个RGB光谱,生成最佳曝光像素的数据集。
接下来,方法700包括在714中将最佳曝光像素分类为是管212T、标签218或帽。可以通过计算不同波长处的最佳曝光像素的统计数据来生成统计数据并且然后对最佳曝光像素的统计数据进行操作以标识管212T、标签218或帽214中的至少一个来实现分类。其他类(例如,血清或血浆部分212SP、沉淀的血液部分212SB、凝胶分离器313和/或空气212A)也可以通过分割来标识。
在一个或多个实施例中,多类分类器可以是线性或基于内核的支持向量机(SVM)。可选地,多类分类器可以是增强分类器,诸如自适应增强分类器(例如,AdaBoost、LogitBoost或诸如此类)、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)作为分类器的逻辑回归或诸如此类。SVM对于液体(例如,血清或血浆部分212SP)和诸如帽、管或标签之类的非液体之间的分类可能特别有效。SVM是一种监督学习模型,具有相关联的学习算法,其可以分析数据并识别模式。SVM用于分类和回归分析。
训练示例的多个集合用于训练多类分类器,并且然后像素由多类分类器操作并且被标记为属于多个类中的一个,如上所述。训练算法构建多类分类器并将任何新示例分配到类中的一个中。因此,在一些实施例中,多类分类器可以是非概率线性分类器。SVM模型将示例表示为空间中映射的点,使得单独类的示例由尽可能宽的明确间隙划分。来自最佳曝光图像数据集的像素可以被映射到该相同特征空间中并且基于它们落在哪里被预测属于特定的类。在一些实施例中,SVM可以使用被称为内核技巧(例如,基于内核的SVM分类器)的事物有效地执行非线性分类、隐式地将它们的输入映射到高维特征空间。也可以使用SVM和增强。可以使用其他类型的多类分类器。
可以通过在具有各种管大小和/或帽类型和颜色以及标签218的样本容器102的多个示例中以图形方式概述各种区域(例如,管212T、帽214、空气212A和标签218)来训练多级分类器。可以使用多达500个或更多个图像来训练多类分类器。可以手动概述每个训练图像以标识和教导多类分类器哪些区域属于每个类。可以使用其他训练方法。
最后,方法700包括在714中基于每个波长的最佳曝光图像数据来标识样本容器的宽度、高度或宽度和高度。
在一些实施例中,一旦样本容器102已经被给予诸如来自样本212的高度和宽度、体积的大小的表征,就可以获得样本容器102的内部宽度(Wi)。内部宽度(Wi)可以在716中确定,诸如通过基于样本容器102的大小使用查找表。内部宽度(Wi)可以用于准确地计算血清或血浆部分212SP的体积和/或沉淀的血液部分212 SB的体积。
因此,基于前述内容,应该清楚的是,由质量检查模块130执行的基于模型的样本容器表征方法700可以导致样本容器102的物理属性的快速表征,样本容器102的物理属性诸如管大小、帽类型和帽颜色。基于该信息,可以确定准确的体积,在订购的测试和使用的样本容器之间进行交叉检查,并验证所存在的添加剂与所订购的测试兼容。
虽然质量检查模块130已在图1中被示出为定位使得在离心机125上离心后立即执行预筛选,但是在某些实施例中将质量检查模块130直接包括在分析器(例如,分析器106、108和/或110)上或其他地方可能是有利的。例如,未连接到自动化样本容器处理系统的独立分析器可以使用质量检查模块130以在分析之前验证样本212。此外,在一些实施例中,可以在将架子104装载到装载区域105之前执行离心,使得在一些实施例中,质量检查模块130可以位于装载区域105处并且一旦机器人124将样本容器102装载到载体122中就可以执行质量检查。用于质量检查模块130的其他位置是可能的。
虽然本发明易于进行各种修改和替代形式,但是在附图中通过示例的方式示出并且在本文中详细地描述了具体的装置实施例及其方法。然而,应该理解,并不旨在将本发明限制于所公开的特定装置或方法,而是相反,其目的是涵盖落入本发明的范围内的所有修改、等同物和替代方案。
Claims (20)
1.一种确定样本容器的特性的方法,包括:
提供样本容器;
在不同曝光时间以及在具有不同标称波长的不同光谱处捕捉样本容器的图像;
从每个光谱的不同曝光时间的图像选择最佳曝光像素以生成针对每个光谱的最佳曝光图像数据;
将最佳曝光像素分类为至少是管、标签或帽中的一个;以及
基于针对每个光谱的最佳曝光图像数据标识样本容器的宽度、高度或宽度和高度。
2.根据权利要求1所述的方法,包括标识样本容器的帽类型。
3.根据权利要求1所述的方法,包括标识样本容器的标签。
4.根据权利要求1所述的方法,包括标识是保持器的任何区域。
5.根据权利要求1所述的方法,其中,捕捉样本容器的图像包括从多个不同的视点拍摄多个图像。
6.根据权利要求5所述的方法,其中,不同的视点的数量包括3个或更多个。
7.根据权利要求1所述的方法,其中,对最佳曝光像素进行分类是基于从多个训练集生成的多类分类器的。
8.根据权利要求7所述的方法,其中,多类分类器包括支持向量机。
9.根据权利要求1所述的方法,包括基于样本容器的宽度和高度确定样本容器的内部宽度。
10. 一种质量检查模块,其适于确定样本容器的特性,包括:
多个照相机,所述多个照相机被布置在适于接收样本容器的成像位置周围的多个视点处,所述多个照相机中的每个被配置为以不同曝光时间和在具有不同标称波长的不同光谱处从多个视点捕捉样本容器的至少一部分的多个图像;以及
耦合到多个照相机的计算机,所述计算机被配置为并可操作以:
从不同光谱中每个的不同曝光时间的图像选择最佳曝光像素以生成针对每个光谱和视点的最佳曝光图像数据,
将最佳曝光图像数据分类为至少是管、帽或标签中的一个,并且
基于针对每个光谱的最佳曝光图像数据标识样本容器的宽度、高度或宽度和高度。
11.根据权利要求10所述的质量检查模块,包括围绕成像位置的壳体。
12.根据权利要求10所述的质量检查模块,包括围绕成像位置的后照明。
13.根据权利要求10所述的质量检查模块,包括围绕成像位置的前照明。
14.根据权利要求10所述的质量检查模块,其中成像位置在轨道上,样本容器适于被接收在可在轨道上移动的载体的容器中。
15.根据权利要求10所述的质量检查模块,可操作以标识样本容器的帽类型。
16.根据权利要求10所述的质量检查模块,可操作以标识样本容器的标签。
17.根据权利要求10所述的方法,其中,对最佳曝光像素进行分类是基于从多个训练集生成的多类分类器的。
18.根据权利要求17所述的方法,其中,多类分类器包括支持向量机。
19.根据权利要求10所述的方法,可操作以基于样本容器的宽度和高度确定样本容器的内部宽度。
20.一种样本测试装置,包括:
轨道;
可在轨道上移动的样本载体,所述样本载体被配置为携带样本容器;以及
质量检查模块,被布置在轨道上并且适于确定样本容器的特性,质量检查模块包括:
多个照相机,所述多个照相机布置在适于接收样本容器的成像位置周围的多个视点处,所述多个照相机中的每个被配置为在不同曝光时间和在具有不同的标称波长的不同光谱处从多个视点捕捉样本容器的至少一部分的多个图像;以及
耦合到多个照相机的计算机,所述计算机被配置为并且可操作以:
从光谱中的每个的不同曝光时间的图像选择最佳曝光像素以生成针对每个光谱和视点的最佳曝光图像数据,
将最佳曝光图像数据分类为至少是管、帽或标签中的一个,并且
基于针对每个光谱的最佳曝光图像数据标识样本容器的宽度、高度或宽度和高度。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662288366P | 2016-01-28 | 2016-01-28 | |
US62/288366 | 2016-01-28 | ||
PCT/US2017/014773 WO2017132167A1 (en) | 2016-01-28 | 2017-01-24 | Methods and apparatus adapted to identify a specimen container from multiple lateral views |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108603817A true CN108603817A (zh) | 2018-09-28 |
CN108603817B CN108603817B (zh) | 2022-04-19 |
Family
ID=59398964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780008724.2A Active CN108603817B (zh) | 2016-01-28 | 2017-01-24 | 适于从多个侧视图标识样本容器的方法和装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11042788B2 (zh) |
EP (1) | EP3408640B1 (zh) |
JP (1) | JP6919139B2 (zh) |
CN (1) | CN108603817B (zh) |
HK (1) | HK1255414A1 (zh) |
WO (1) | WO2017132167A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406042A (zh) * | 2020-03-16 | 2021-09-17 | 豪夫迈·罗氏有限公司 | 用于确定体外诊断系统中样品容器的特性的方法、分析装置和体外诊断系统 |
CN113916882A (zh) * | 2020-07-10 | 2022-01-11 | 蓝伊精机株式会社 | 标本信息检测装置以及标本信息检测方法 |
WO2022116112A1 (zh) * | 2020-12-03 | 2022-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统、方法、样本图像分析系统及血液分析仪 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6927465B2 (ja) * | 2015-02-17 | 2021-09-01 | 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. | 検体中の妨害因子を分類するためのモデルベース方法及び装置 |
WO2017132166A1 (en) | 2016-01-28 | 2017-08-03 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus adapted to quantify a specimen from multiple lateral views |
US10816538B2 (en) | 2016-01-28 | 2020-10-27 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for detecting an interferent in a specimen |
JP7002529B2 (ja) | 2016-07-21 | 2022-02-10 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッド | 自動臨床分析器システム及び方法 |
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 |
US11313869B2 (en) | 2017-04-13 | 2022-04-26 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for determining label count during specimen characterization |
CN110573859B (zh) | 2017-04-13 | 2022-07-26 | 美国西门子医学诊断股份有限公司 | 用于使用卷积神经网络的hiln表征的方法和装置 |
JP7012746B2 (ja) | 2017-04-13 | 2022-01-28 | 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 | 検体評価中にラベル補正する方法及び装置 |
CN110869740A (zh) | 2017-07-19 | 2020-03-06 | 美国西门子医学诊断股份有限公司 | 使用高光谱成像的样本表征的方法和设备 |
EP3659065A4 (en) | 2017-07-28 | 2020-08-19 | Siemens Healthcare Diagnostics Inc. | DEEP LEARNING VOLUME QUANTIFICATION METHODS AND APPARATUS |
CN207215844U (zh) * | 2017-08-22 | 2018-04-10 | 深圳市帝迈生物技术有限公司 | 自动进样血液分析仪及其试管自动进样识别装置 |
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 |
JP7219023B2 (ja) * | 2018-06-22 | 2023-02-07 | 日立造船株式会社 | 情報処理装置および対象物判定プログラム |
US20200036880A1 (en) * | 2018-07-25 | 2020-01-30 | Microsoft Technology Licensing, Llc | Detecting fluid on a surface |
EP3798636A1 (en) * | 2019-09-26 | 2021-03-31 | Roche Diagnostics GmbH | Arrangement for an in-vitro diagnostics system and method for operating |
JP7318469B2 (ja) * | 2019-10-02 | 2023-08-01 | 株式会社大林組 | 配筋評価システム、配筋評価方法及び配筋評価プログラム |
CN114585926A (zh) * | 2019-10-31 | 2022-06-03 | 美国西门子医学诊断股份有限公司 | 标识管组件类型的设备和方法 |
EP4051434A4 (en) * | 2019-10-31 | 2022-12-28 | Siemens Healthcare Diagnostics, Inc. | DEVICE AND METHOD FOR TRAINING MODELS OF DIAGNOSTIC ANALYZERS |
EP3839515A1 (en) | 2019-12-18 | 2021-06-23 | Roche Diagnostics GmbH | Method and devices for assessing the suitability of a sample tube for use in a laboratory automation system |
JP6755603B1 (ja) * | 2019-12-25 | 2020-09-16 | 上野精機株式会社 | 電子部品の処理装置 |
CN111931557B (zh) * | 2020-06-19 | 2024-05-10 | 广州图匠数据科技有限公司 | 瓶装饮品的规格识别方法、装置、终端设备及可读存介质 |
EP4214518A1 (en) | 2020-09-21 | 2023-07-26 | Roche Diagnostics GmbH | A method for detecting and reporting an operation error in an in-vitro diagnostic system and an in-vitro diagnostic system |
CN116917939A (zh) * | 2021-02-11 | 2023-10-20 | 美国西门子医学诊断股份有限公司 | 适用于使用单个图像捕获装置识别样本容器的3d中心位置的方法和设备 |
JP2022178784A (ja) * | 2021-05-21 | 2022-12-02 | 株式会社日立ハイテク | 生体試料測定装置 |
CN117501130A (zh) * | 2021-06-15 | 2024-02-02 | 美国西门子医学诊断股份有限公司 | 监测诊断实验室系统中的物品的装置和方法 |
WO2023230024A1 (en) * | 2022-05-23 | 2023-11-30 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for determining a viewpoint for inspecting a sample within a sample container |
WO2024028852A1 (en) * | 2022-08-01 | 2024-02-08 | Odysight.Ai Ltd | Monitoring liquid volume in a container |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1673742A (zh) * | 2004-03-24 | 2005-09-28 | 株式会社Ids | 血样传送机-分析器系统 |
US20060000968A1 (en) * | 2002-10-18 | 2006-01-05 | Kirin Techno-System Corporation | Glass bottle inspection device |
US20070053794A1 (en) * | 2005-09-08 | 2007-03-08 | Beckman Coulter, Inc. | Sample identification system having plural readers |
US20110102542A1 (en) * | 2009-11-03 | 2011-05-05 | Jadak, Llc | System and Method For Panoramic Image Stitching |
US20120080515A1 (en) * | 2010-09-30 | 2012-04-05 | Apple Inc. | Barcode Recognition Using Data-Driven Classifier |
US20120140230A1 (en) * | 2009-08-13 | 2012-06-07 | Siemens Healthcare Diagnostics Inc. | Methods And Apparatus For Ascertaining Interferents And Physical Dimensions In Liquid Samples And Containers To Be Analyzed By A Clinical Analyzer |
US20120138674A1 (en) * | 2008-06-25 | 2012-06-07 | Jadak Llc | System and Method for Test Tube and Cap Identification |
JP2013072806A (ja) * | 2011-09-28 | 2013-04-22 | Aoi Seiki Kk | 検査前処理装置、検査前処理方法、及び検体処理装置 |
US20130123089A1 (en) * | 2011-11-07 | 2013-05-16 | Beckman Coulter, Inc. | Centrifuge system and workflow |
US20150241457A1 (en) * | 2012-08-20 | 2015-08-27 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for ascertaining specimen and/or sample container characteristics while in transit |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4139571B2 (ja) | 2001-02-28 | 2008-08-27 | 大日本スクリーン製造株式会社 | カラー画像の領域分割 |
AU2003235627A1 (en) | 2002-01-19 | 2003-07-30 | Pvt Probenverteiltechnik Gmbh | Method and device for the analysis of body fluids |
WO2006055413A2 (en) * | 2004-11-11 | 2006-05-26 | The Trustees Of Columbia University In The City Of New York | Methods and systems for identifying and localizing objects based on features of the objects that are mapped to a vector |
US7616256B2 (en) | 2005-03-21 | 2009-11-10 | Dolby Laboratories Licensing Corporation | Multiple exposure methods and apparatus for electronic cameras |
JP2009198266A (ja) | 2008-02-20 | 2009-09-03 | Olympus Corp | 識別コード読取装置および自動分析装置 |
US8331666B2 (en) | 2008-03-03 | 2012-12-11 | Csr Technology Inc. | Automatic red eye artifact reduction for images |
JP5465850B2 (ja) | 2008-08-01 | 2014-04-09 | シスメックス株式会社 | 試料分析システム |
JP5113711B2 (ja) | 2008-10-14 | 2013-01-09 | 株式会社東芝 | 自動分析装置および自動分析装置における容器に付された識別情報を読み取る方法 |
JP2010107400A (ja) * | 2008-10-30 | 2010-05-13 | Sysmex Corp | 検体処理システム及び検体容器仕分け装置 |
JP5021010B2 (ja) | 2009-08-18 | 2012-09-05 | あおい精機株式会社 | 検体処理装置及び検体処理方法 |
DE102009039254A1 (de) * | 2009-08-28 | 2013-05-08 | Krones Aktiengesellschaft | Vorrichtung und Verfahren zum Inspizieren etikettierter Gefäße |
US8321055B2 (en) | 2009-11-03 | 2012-11-27 | Jadak, Llc | System and method for multiple view machine vision target location |
JP5330317B2 (ja) | 2010-06-02 | 2013-10-30 | 株式会社日立ハイテクノロジーズ | 生体試料の分析方法および分析装置 |
CN102478568A (zh) | 2010-11-25 | 2012-05-30 | 上海安彩智能技术有限公司 | 一种用于血样分析系统的检样装置 |
JP5791336B2 (ja) * | 2011-04-01 | 2015-10-07 | キヤノン株式会社 | 画像処理装置及びその制御方法 |
JP5644655B2 (ja) * | 2011-04-28 | 2014-12-24 | 富士通株式会社 | 食用果実の検査方法、検査装置およびプログラム |
US8957984B2 (en) * | 2013-06-30 | 2015-02-17 | Konica Minolta Laboratory U.S.A., Inc. | Ghost artifact detection and removal in HDR image processsing using multi-scale normalized cross-correlation |
JP6333584B2 (ja) | 2014-03-11 | 2018-05-30 | キヤノンメディカルシステムズ株式会社 | 臨床検査装置 |
CN108738336B (zh) * | 2016-01-28 | 2021-08-10 | 西门子医疗保健诊断公司 | 用于多视图表征的方法和装置 |
US10816538B2 (en) | 2016-01-28 | 2020-10-27 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for detecting an interferent in a specimen |
CN108738339B (zh) | 2016-01-28 | 2022-02-01 | 西门子医疗保健诊断公司 | 用于对试样中的伪像进行分类的方法和装置 |
WO2017132166A1 (en) * | 2016-01-28 | 2017-08-03 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus adapted to quantify a specimen from multiple lateral views |
US11815446B2 (en) | 2016-01-28 | 2023-11-14 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for characterizing a specimen container and specimen |
CN108770364A (zh) | 2016-01-28 | 2018-11-06 | 西门子医疗保健诊断公司 | 用于使用多个曝光来对样品容器和/或样品进行成像的方法和装置 |
US11035870B2 (en) * | 2016-07-25 | 2021-06-15 | Siemens Healthcare Diagnostics Inc. | Systems, methods and apparatus for identifying a specimen container cap |
-
2017
- 2017-01-24 CN CN201780008724.2A patent/CN108603817B/zh active Active
- 2017-01-24 WO PCT/US2017/014773 patent/WO2017132167A1/en active Application Filing
- 2017-01-24 JP JP2018539275A patent/JP6919139B2/ja active Active
- 2017-01-24 US US16/072,406 patent/US11042788B2/en active Active
- 2017-01-24 EP EP17744778.6A patent/EP3408640B1/en active Active
-
2018
- 2018-11-15 HK HK18114577.2A patent/HK1255414A1/zh unknown
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060000968A1 (en) * | 2002-10-18 | 2006-01-05 | Kirin Techno-System Corporation | Glass bottle inspection device |
CN1673742A (zh) * | 2004-03-24 | 2005-09-28 | 株式会社Ids | 血样传送机-分析器系统 |
US20070053794A1 (en) * | 2005-09-08 | 2007-03-08 | Beckman Coulter, Inc. | Sample identification system having plural readers |
US20120138674A1 (en) * | 2008-06-25 | 2012-06-07 | Jadak Llc | System and Method for Test Tube and Cap Identification |
US20120140230A1 (en) * | 2009-08-13 | 2012-06-07 | Siemens Healthcare Diagnostics Inc. | Methods And Apparatus For Ascertaining Interferents And Physical Dimensions In Liquid Samples And Containers To Be Analyzed By A Clinical Analyzer |
US20110102542A1 (en) * | 2009-11-03 | 2011-05-05 | Jadak, Llc | System and Method For Panoramic Image Stitching |
US20120080515A1 (en) * | 2010-09-30 | 2012-04-05 | Apple Inc. | Barcode Recognition Using Data-Driven Classifier |
JP2013072806A (ja) * | 2011-09-28 | 2013-04-22 | Aoi Seiki Kk | 検査前処理装置、検査前処理方法、及び検体処理装置 |
US20130123089A1 (en) * | 2011-11-07 | 2013-05-16 | Beckman Coulter, Inc. | Centrifuge system and workflow |
US20150241457A1 (en) * | 2012-08-20 | 2015-08-27 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for ascertaining specimen and/or sample container characteristics while in transit |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406042A (zh) * | 2020-03-16 | 2021-09-17 | 豪夫迈·罗氏有限公司 | 用于确定体外诊断系统中样品容器的特性的方法、分析装置和体外诊断系统 |
CN113916882A (zh) * | 2020-07-10 | 2022-01-11 | 蓝伊精机株式会社 | 标本信息检测装置以及标本信息检测方法 |
WO2022116112A1 (zh) * | 2020-12-03 | 2022-06-09 | 深圳迈瑞生物医疗电子股份有限公司 | 样本分析系统、方法、样本图像分析系统及血液分析仪 |
Also Published As
Publication number | Publication date |
---|---|
EP3408640A4 (en) | 2019-01-16 |
HK1255414A1 (zh) | 2019-08-16 |
CN108603817B (zh) | 2022-04-19 |
EP3408640A1 (en) | 2018-12-05 |
US11042788B2 (en) | 2021-06-22 |
EP3408640B1 (en) | 2021-01-06 |
JP6919139B2 (ja) | 2021-08-18 |
US20180365530A1 (en) | 2018-12-20 |
JP2019504994A (ja) | 2019-02-21 |
WO2017132167A1 (en) | 2017-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108603817A (zh) | 适于从多个侧视图标识样本容器的方法和装置 | |
JP6858243B2 (ja) | 試料容器の容器キャップを識別するためのシステム、方法及び装置 | |
CN108738336B (zh) | 用于多视图表征的方法和装置 | |
CN108738339B (zh) | 用于对试样中的伪像进行分类的方法和装置 | |
CN108603835B (zh) | 被适配成根据多个侧视图来量化试样的方法和装置 | |
JP6791972B2 (ja) | 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 | |
CN110573859B (zh) | 用于使用卷积神经网络的hiln表征的方法和装置 | |
EP3408646B1 (en) | Methods and apparatus for characterizing a specimen container and a specimen | |
CN111052129B (zh) | 深度学习体积定量方法和设备 | |
CN110199172A (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 | |
JP2020516894A (ja) | 試料の特性評価中にラベル数を決定するための方法および装置 | |
JP2019504995A (ja) | 複数の露光を使用して試料容器及び/又は試料を画像化するための方法及び装置 | |
US11927736B2 (en) | Methods and apparatus for fine-grained HIL index determination with advanced semantic segmentation and adversarial training | |
US11763461B2 (en) | Specimen container characterization using a single deep neural network in an end-to-end training fashion |
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: 1255414 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |