CN108738336A - 用于多视图表征的方法和装置 - Google Patents

Abstract

一种对样本容器中的样本进行分类的基于模型的方法。所述方法包括通过使用多个相机在多个不同曝光时间、在具有不同标称波长的多个不同频谱处以及在不同视点处捕获样本和容器的图像。从捕获的图像生成2D数据集。2D数据集是基于从多个不同曝光图像中选择最佳曝光像素，以针对每个频谱生成最佳曝光图像数据。基于这些2D数据集，使用多类分类器来对各种成分进行分类，诸如血清或血浆部分、沉降的血液部分、凝胶分离器（如果存在）、管、空气或标签。从分类数据和2D数据集可以生成3D模型。作为其他方面，描述了适于施行该方法的样本测试装置和质量检查模块。

Description

用于多视图表征的方法和装置

相关申请

本申请要求于2016年1月28日提交的、名称为“METHODS AND APPARATUS FOR MULTI-VIEW CHARACTERIZATION”的美国临时专利申请序列号62/288,371的优先权，通过引用将该美国临时专利申请的公开内容在其整体上合并于本文。

技术领域

本发明涉及用于样本测试的方法和装置，并且更特别地涉及用于样本和样本容器成像的方法和装置。

背景技术

自动化测试系统可以使用一种或多种试剂进行临床化学或化验，以标识样本中的分析物或其他组成材料，例如尿液、血清、血浆、间质液、脑脊髓液等等。出于方便和安全的原因，这些样本几乎总是包含在样本容器（例如，样本收集管）中。测试和化验反应生成各种变化，可以读取和/或操纵所述各种变化以确定样本中存在的分析物或其他组成的浓度。

自动化测试技术的改进已经伴随有通过自动化预分析样本制备站的预分析样品制备和处置操作（诸如批量制备、样品容器的离心以分离样品组成、盖移除以促进流体进入等等）中的相应进步，所述自动化预分析样本制备站是实验室自动化系统（LAS）的部分。LAS可以自动地将样本容器中的样本运送至包含临床化学分析仪或化验仪器（后文统称为“分析仪”）的多个预分析样本处理站和/或分析站。

这些LAS可以处置包含在被条形码标注的样本容器中的任何数量的不同样本。条形码标签可以包含可以与人口统计学信息相关的访问号，可以将所述人口统计学信息连同测试订单以及其他可能的信息录入医院的实验室信息系统（LIS）中。操作者可以将标注的样本容器在支架中放置在LAS系统上，并且LAS可以自动路由样本容器以进行预分析操作，所述预分析操作诸如离心、去盖以及可能的等分试样制备并且都在样本实际经受由一个或多个也可能是LAS部分的分析仪进行临床分析或化验之前。

对于某些测试，可以使用血清或血浆部分（例如，通过离心从全血获得）。可以向样本容器添加凝胶分离器以帮助沉降的血液部分从血清或血浆部分的分离。在离心和随后的去盖过程后，可以将样本容器运送到合适的分析仪，所述分析仪可以从样本容器中提取血清或血浆部分并且在反应器皿（例如比色皿或其他器皿）中将血清或血浆部分与一种或多种试剂结合。然后可以例如通常使用询问辐射束或者通过使用光度或荧光吸收读数等等来执行分析测量。测量允许确定终点或速率或其他值，使用熟知的技术从所述终点或速率或其他值确定分析物或其他组成的量。

在现有技术中，熟练的实验室技术人员目测样本的血清或血浆部分的完整性。这可能涉及审查其颜色。正常的血清或血浆部分具有浅黄色至浅琥珀色，并且可能不包含凝块、气泡或泡沫。包含溶血、黄疸或脂血（H、I或L）的样本可以通过将样本与已知颜色标准比较来确定。然而，人工目测是非常主观的、劳动密集型的并且充满人为误差的可能性。

因为人工目测包括上面列出的问题，越来越流行不使用实验室技术人员的目测而是通过使用自动化检测来评估样本的完整性。然而，在一些实例中，直接附着到样本容器的条形码标签可能部分地遮挡样本的视野，使得可能没有清晰的机会目视观察样本的血清或血浆部分。

在一些系统中，诸如在Miller的美国专利公布2012/0140230中描述的那些中，可以在质量站处旋转样本容器以找到不受标签遮挡的视窗。然而，这类系统可能不太易于方便的自动化。

由于在为成像而试图旋转样本时遇到的问题，对适于容易地对样本容器和样本成像的方法和装置存在未满足的需求。该方法和装置不应该明显不利地影响获得分析或化验测试结果的速度。此外，该方法和装置应该能够甚至在标注的样本容器上使用，其中标签遮挡样本的一些部分的视野。

发明内容

根据第一方面，提供表征包含在样品容器内的样本的方法。所述方法包括：提供通过处理从多个视点拍摄的包含样本的样本容器的多个2D图像所获得的分类的2D数据集，将分类的2D数据集分类为：血清或血浆、沉降的血液部分、凝胶分离器（如果存在）、空气、管和标签；将分类的2D数据集中的位置与合并的3D数据集进行相关；以及基于合并的3D数据集形成合并的3D模型。

根据另一方面，提供适于表征样本和样本容器的质量检查模块。质量检查模块包括多个相机，所述多个相机被布置在样本容器周围并被配置为从多个视点捕获样本容器和样本的多个图像，多个相机中的每个适于生成在多个不同曝光时间和在多个不同波长或一个或多个波长范围处拍摄的多个2D图像；以及计算机，其耦合到多个相机并适于处理来自多个2D图像的图像数据，所述计算机被配置并且能够被操作以：提供通过处理从多个视点拍摄的多个2D图像所获得的分类的2D数据集，将分类的2D数据集分类为：血清或血浆部分、沉降的血液部分、凝胶分离器（如果存在）、空气、管和标签；将2D数据集中的位置与合并的3D数据集进行相关；以及基于合并的3D数据集形成合并的3D模型。

在另一方面中，提供适于对包含在样本容器内的样本成像的样本测试装置。该测试装置包括：轨道；轨道上的载体，其被配置为包含样本容器；多个相机，其被布置在轨道周围并且被配置为从多个视点捕获样本容器和样本的多个2D图像，多个相机中的每个被配置为在多个不同曝光时间和在多个不同波长或一个或多个波长范围处生成多个图像；计算机，其耦合到多个相机并适于处理来自多个2D图像的图像数据，所述计算机被配置并且能够被操作以：提供通过处理从多个视点拍摄的多个2D图像所获得的分类的2D数据集，将分类的2D数据集分类为：血清或血浆部分、沉降的血液部分、凝胶分离器（如果存在）、空气、管和标签；将2D数据集中的位置与合并的3D数据集进行相关；并基于合并的3D数据集形成合并的3D模型。

本发明的再其他方面、特征和优势可以从以下通过说明多个示例实施例和实现的描述而容易清楚，所述多个示例实施例和实现包括所设想到的用于施行本发明的最优模式。本发明还可以能够有其他和不同实施例，并且可以在各种方面修改其若干细节，所有这些都不背离本发明的范围。因此，要将附图和描述视为本质上是说明性的，而并非限制性的。本发明将覆盖落在所附权利要求范围内的所有修改、等同物和替代物。

附图说明

下文描述的附图仅为说明性目的并且不一定按比例绘制。附图不意图以任何方式限制发明的范围。

图1图示了根据一个或多个实施例的包括一个或多个质量检查模块以及一个或多个分析仪的样本测试装置的顶部示意性视图。

图2图示了包括样本的标注的样本容器的侧视图，样本和样本容器两者可以使用根据一个或多个实施例的方法被表征。

图3图示了包括样本和凝胶分离器的标注的样本容器的侧视图，其可以使用根据一个或多个实施例的方法被表征。

图4A图示了根据一个或多个实施例的质量检查模块的示意性顶视图，所述质量检查模块被配置为取得和分析多个图像以便表征样本和样本容器。

图4B图示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。

图4C图示了根据一个或多个实施例的质量检查模块的示意性顶视图，所述质量检查模块被配置为取得和分析多个图像以便量化样本和样本容器。

图4D图示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。

图5A图示了根据一个或多个实施例的质量检查模块的组件的框图，所述质量检查模块被配置为表征样本和样本容器。

图5B图示了根据一个或多个实施例的投影到虚拟3D体素网格上的样本容器图像的图。

图6图示了根据一个或多个实施例的样本测试装置的组件的一般框图，所述样本测试装置包括表征样本和样本容器的能力。

图7是根据一个或多个实施例的表征样本的方法的流程图。

具体实施方式

在第一宽广方面，本发明的实施例提供适于对包含在样本容器中的样本进行成像和表征的方法和装置。在一个或多个实施例中，表征方法的最终结果可以是生成包含样本的样本容器的3D模型。可以从3D模型提取信息以量化样本和样本容器，确定样本或样本容器的特性，或者可以用于验证从在各种侧向视点处拍摄的图像生成的2D模型得出的结论。例如，可以确定样本和/或样本容器的一个或多个组件的尺寸特性。这些尺寸特性可以用于在随后的抽吸期间适当地引导探针（另外称作“移液管”）的定位，并且用于防止探针被抽吸沉降的血液部分或凝胶分离器（如果使用）污染。此外，样本容器的尺寸特性可以用于在样本容器利用机器人操控期间避免机器人夹持器与样本容器接触或碰撞。此外，表征可以允许准确地确定血清或血浆部分的量。已知可用量允许更加完全地使用该部分，并且当对该样本安排（order）多个测试时，允许检查样本容器中将会存在足够量的血清或血浆部分以便进行测试。

此外，3D模型可以用于对干扰物的存在做最终确定，诸如在样本的血清或血浆部分中溶血（H）、黄疸（I）和/或脂血（L）的存在。可选地或附加地，3D模型可以用于验证来自由多相机在多个视点处捕获的相应2D图像数据的各个分类结果。

如本文所描述，样本被收集在诸如采血管的样本容器中，并且可以在分离（例如，使用离心法分馏）后包括沉降的血液部分以及血清和血浆部分。沉降的血液部分由血细胞组成，诸如白血细胞（白血球）、红血细胞（红血球）以及凝血细胞（血小板），它们被聚合并从血清或血浆部分分离。一般在样本容器的底部部分找到它。血清或血浆部分是血液的液体成分，其不是沉降的血液部分的一部分。一般在沉降的血液部分的上方找到它。血浆和血清主要区别在于凝聚成分、主要是纤维蛋白原的含量。血浆是未凝结的液体，而血清指在内源酶或外源成分的影响下允许凝结的血浆。在一些样本容器中，可以使用小的凝胶分离器（例如塞子），其在分馏期间将其自身定位在沉降的血液部分和血清或血浆部分之间。它充当两部分之间的屏障。

根据一个或多个实施例，可以将表征方法作为预分析测试方法施行。例如，在一个或多个实施例中，可以在样本在一个或多个分析仪上经受分析（临床化学或化验）之前施行表征方法。特别地，本发明的一个或多个实施例提供样本的表征作为进一步测试的先决条件。在一个或多个实施例中，可以在包括多个相机的一个或多个质量检查模块处确定样本的表征，所述多个相机被布置成从不同侧向视点提供样本容器的侧向2D图像。从该数据可以构建样本容器和样本的合并的3D视图而不用旋转样本容器。

根据一个或多个实施例的方法在对样本进行离心过程之后施行。特别地，可以使用高动态范围（HDR）图像处理来施行样本和样本容器的表征。所述方法可以使用HDR图像处理来量化样本，包括血清或血浆部分和/或沉降的血液部分的界面边界的位置，以及这些成分的体积或深度。

可以使用针对多个视点生成的2D数据集来生成3D模型，所述3D模型可以用于确定或验证关于样本的信息，诸如血清或血浆部分中是否存在任何人工制品（例如凝块、气泡、泡沫），和/或确定样本中是否存在干扰物，诸如溶血、黄疸和/或脂血（后文称为“HIL”）。

在其他实施例中，可以使用3D模型来标识或验证样本容器的尺寸或其他特性，诸如样本容器的容器类型（通过标识其高度和直径）、盖类型和/或盖颜色。

如果在表征之后，发现血清或血浆部分包含人工制品或H、I或L中的一种或多种，样本可以经受进一步处理。例如，可以将标识的凝块、气泡或泡沫带到另一个站（例如，远程站）以由操作者移除凝块、气泡或泡沫，或者以对H、I或L的指标做进一步处理或表征。在这类进一步处理之后，在一些实施例中，可以允许样本继续并经历由一个或多个分析仪进行的例行分析。如果预筛选发现样本是正常的（N），那么可以直接路由样本以经历由一个或多个分析仪进行的例行分析。

在一个或多个实施例中，一个或多个质量检查模块被配置为施行用于构建3D模型的数据生成。该一个或多个质量检查模块可以作为LAS的部分被提供，其中轨道将样本运送到一个或多个分析仪，并且可以在沿着轨道的任何合适位置处提供该一个或多个质量检查模块。在具体的实施例中，在轨道上提供质量检查模块，诸如在装载站处，使得样本和样本容器可以在驻留在轨道上时被表征。

可以通过在一个或多个质量检查模块处在多个曝光时间和在多个波长处捕获多个图像，使用HDR数据处理来完成表征。可以使用被布置为从不同视点拍摄图像的多个相机来获得图像。可以使用不同光源来完成对在多个波长（例如，颜色）处的一个或多个图像的处理。例如，可以使用白光源和/或红光源、绿光源以及蓝光源。

可以在一个或多个质量检查模块处获得针对每个波长（或波长范围）在多个曝光时间的图像。例如，可以在每个波长（或波长范围）处获得在不同曝光时间的4-8个或更多图像。曝光时间可以基于照明强度和相机特征变化。然后这多个图像可以被计算机进一步处理以生成2D中的表征结果，然后可以将所述表征结果合并到3D模型中。合并到3D模型中可以基于2D数据集上提供的虚拟体素网格。

本文将参考图1-7来进一步描述本发明表征方法、质量检查模块以及包括一个或多个质量检查模块的样本测试装置的进一步的细节。

图1示出了能够自动地处理多个样本容器102（例如，样本收集管-见图2和3）的样本测试装置100。样本容器102在被运送至一个或多个分析仪（例如，分别布置在样本测试装置100周围的第一、第二和第三分析仪106、108、110）并被一个或多个分析仪分析之前，可以被包含在装载区105处的一个或多个支架104中。应该清楚的是，可以使用更多或更少数量的分析仪。分析仪可以是临床化学分析仪和/或化验仪器等等的任何组合。样本容器102可以是任何大体透明或者半透明的容器，例如采血管、试管、样品杯、比色皿或其他被配置为包含样本212的大体清晰的玻璃或塑料容器。

通常，可以将要被自动处理的样本212（图2和3）在样本容器102中提供给样本测试装置100，所述样本容器102可以用盖214（图2和3-另外称作“阻挡器”）盖住。盖214可以具有不同形状和/或颜色（例如，红色、宝蓝色、浅蓝色、绿色、灰色、棕褐色、黄色或多个颜色的组合），其可以具有依据样本容器102用于什么测试、其中包含的添加物的类型等等的意义。可以使用其他颜色。

可以为样本容器102中的每个提供标识信息215（即，标记），诸如条形码、字母、数字、字母数字或其组合，其可以在样本测试装置100周围的各种位置处是机器可读的。例如，标识信息215可以通过实验室信息系统（LIS）147指示或以其他方式相关到患者的标识以及在样本212上要完成的测试或其他信息。这类标识信息215通常可以被提供在附着于样本容器102或以其他方式提供在样本容器102侧面上的标签218上。标签218通常不延伸样本容器102整周，或是沿着样本容器102的整个高度延伸。在一些实施例中，可以附着多个标签218并且多个标签218可以彼此轻微重叠。因此，尽管标签218可能遮挡样本212的一些部分的视野，但是样本212的一些部分仍然可以从某些视点是可见的。在一些实施例中，支架104可以在其上具有附加标识信息。

如在图2和3中最优示出的，样本212可以包括包含在管212T内的血清或血浆部分212SP和沉降的血液部分212SB。可以在血清和血浆部分212SP上方提供空气212A，并且本文将空气212A与血清和血浆部分212SP之间的线或分界限定为液体-空气界面（LA）。本文将血清或血浆部分212SP与沉降的血液部分212SB之间分界的线限定为血清-血界面（SB），如图2中所示。本文将空气212A与盖214之间的界面称为管-盖界面（TC）。血清或血浆部分212SP的高度为（HSP），并且被限定为从血清或血浆部分212SP的顶部到沉降的血液部分212SB的顶部的高度，即图2中从LA到SB。沉降的血液部分212SB的高度为（HSB），并且被限定为从沉降的血液部分212SB的底部到沉降的血液部分212SB的顶部（图2中SB处）的高度。图2中的HTOT是样本212的总高度并且HTOT=HSP+HSB。

在使用凝胶分离器313的情况中（见图3），血清或血浆部分212SP的高度为（HSP），并且被限定为从血清或血浆部分212SP的顶部LA处到凝胶分离器313的顶部SG处的高度，即图3中从LA到SG。沉降的血液部分212SB的高度为（HSB），并且被限定为从沉降的血液部分212SB的底部到凝胶分离器313的底部（图3中BG处）的高度。图3中的HTOT是样本212的总高度并且被限定为HTOT=HSP+HSB+凝胶分离器313的高度，如图3所示。在每种情况中，壁厚度为Tw，外部宽度为W，并且样本容器102的内部宽度为Wi。本文将管的高度（HT）限定为从管212T的最底部分到盖214的底部的高度。

更详细地，样本测试装置100可以包括基座120（例如，框架或其他结构），在所述基座120上可以安装或安置轨道121。轨道121可以是栏杆轨道（railed track）（例如，单轨或多轨轨道），传送带、传送链或链路的集合，可移动平台，或任何其他合适类型的传送机构。在一些实施例中，轨道121可以是圆形的、蛇形的或者任何其他合适的形状，并且可以是闭合轨道（例如，环形轨道）。在操作中，轨道121可以在载体122中运送各个样本容器102到轨道121周围间隔开的目的地位置。

载体122可以是无源的、非机动的圆盘，其可以被配置为在轨道121上运载单个样本容器102，其中轨道121是可移动的。可选地，载体122可以是自动化的，包括机载驱动电机（诸如被编程为在轨道121周围移动并且在预编程位置处停止的线性电机），其中轨道121是固定的。在任意一种情况下，载体122可以每个包括保持器122H（图4A-4D），所述保持器122H被配置为将样本容器102保持在限定的大体直立的位置。保持器122H可以包括将样本容器102稳固在载体122中的多个指状物或弹簧片，但是多个指状物或弹簧片是可侧向移动的或是柔性的以容纳要在其中接收的不同大小的样本容器102。在一些实施例中，载体122可以从装载区105退出，所述装载区105具有在那里分阶（stage）的一个或多个支架104。在一些实施例中，装载区105可以起到在完成对样本容器102的分析后允许从载体122卸载样本容器102的双重作用。否则，可以在轨道121上的其他位置提供合适的卸载通道（未示出）。

可以在装载区105处提供机器人124并且机器人124可以被配置为从一个或多个支架104抓握样本容器102并且将样本容器102装载到载体122上，诸如在输入通道上或轨道121的其他位置上。机器人124还可以被配置并可操作以在测试完成时从载体122移除样本容器102。包括一个或多个（例如，至少两个）机器手臂或者其他组件的机器人124能够进行X和Z、Y和Z、X、Y和Z、r和theta或r、theta和Z运动。机器人124可以是桁架式机器人、关节手臂机器人、R-theta机器人或者其他合适的机器人，其中机器人124可以装备有可以被定大小为拾取并放置样本容器102的机器人抓握指状物。

在一些实施例中，当被装载到轨道121上时，由载体122运载的样本容器102可以前进至离心机125（例如，被配置为施行样本212的分馏的自动化离心机）。可以通过流入通道126或者合适的机器人（未示出）将运载样本容器102的载体122转移至离心机125。在被离心之后，样本容器102可以在流出通道108上退出，或以其他方式由机器人移动，并在轨道121上继续。在描述的实施例中，载体122中的样本容器102可以接下来被运送至质量检查模块130，本文将参考图4A和4B进一步描述该质量检查模块130。

质量检查模块130被配置并适于表征包含在样本容器102中的样本212以及适于表征样本容器102。样本212的量化可以在质量检查模块130处发生，并且可以包括HSP、HSB、HTOT的确定，以及SB、LA、SG和/或BG的位置的确定。质量检查模块130还可以被配置用于确定干扰物的存在，所述干扰物诸如要由样本测试装置100处理的样本212中包含的溶血（H）、黄疸（I）和/或脂血（L）中的一种或多种。在一些实施例中，还可以在质量检查模块130处针对人工制品（例如凝块、气泡或泡沫）的存在而测试样本212。在一些实施例中，对样本容器102的物理属性的量化可以在质量检查模块130处发生，诸如确定HT、盖颜色、盖类型、TC、管外部宽度（W）和管内部宽度（Wi）。

一旦样本212被表征，就可以针对人工制品、干扰物的存在来预筛选样本212，或者可以进一步表征样本容器102，然后在将每个样本容器102返回到装载区105进行卸载之前，可以转发样本212以在一个或多个分析仪（例如，第一、第二和第三分析仪106、108和/或110）中分析。

此外，可以在样本测试装置100上提供远程站132，即使远程站132不直接链接到轨道121。例如，独立机器人133（虚线示出）可以将包含样本212的样本容器102运载到远程站132并在测试/处理后将它们返回。可选地，可以人工地移除和返回样本容器102。例如，远程站132可以用于测试某些组成（诸如溶血水平），或者可以用于进一步处理（诸如通过一种或多种添加物来降低脂血水平，或者移除凝块、气泡或泡沫）。可以在远程站132上完成其他测试或处理。此外，可以在轨道121周围在各种期望的位置处布置附加站（未示出），诸如去盖站等等。

样本测试装置100可以在轨道121周围的一个或多个位置处包括多个传感器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）或每个载体122上提供的类似信息（未示出）来检测沿着轨道121的样本容器102的位置。例如在一些实施例中，可以在载体122上提供条形码。可以使用追踪载体122的位置的其他手段，诸如接近传感器。所有的传感器116可以与计算机143对接使得可以始终适当地已知每个样本容器102的位置。

离心机125和分析仪106、108、110中的每个通常可以装备有被配置为从轨道121移除载体122的自动机构和/或流入通道（例如，流入通道126、134、138、144），以及被配置为使载体122重进入轨道121上的自动机构和/或流出通道（例如，流出通道128、136、141和146）。

样本测试装置100可以被计算机143控制，该计算机143可以是基于微处理器的中央处理单元（CPU），具有用于操作各种系统组件的合适的存储器和合适的调节电子元件、驱动器和软件。计算机143可以作为样本测试装置100的基座120的部分被收纳，或与样本测试装置100的基座120分离。计算机143可以操作以控制载体122往返于装载区105的移动、围绕轨道121的运动、以及往返于离心机125的运动、往返于质量检查模块130的运动以及质量检查模块130的操作。计算机143或分离的计算机可以控制离心机125的操作，和往返于每个分析仪106、108、110的运动以及每个分析仪106、108、110对于施行各种类型的测试（例如，化验或临床化学）的操作。

对于除了质量检查模块130之外的所有模块，计算机143可以根据软件、固件和/或硬件命令或电路（诸如纽约塔里敦的Siemens Healthcare Diagnostics有限公司销售的Dimension®临床化学分析仪上使用的那些）来控制样本测试装置100，并且此类控制对于基于计算机的机电控制编程领域的技术人员而言是典型的，并且本文将不进一步描述。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。还可以由计算机143但是根据如本文将详细描述的发明的基于模型的成像方法来提供对质量检查模块130的控制。

可以使用允许用户快速访问各种控制屏幕和状态显示屏幕的计算机接口模块（CIM）145来实现本发明的实施例。这些控制和状态屏幕可以描述用于制备和分析样本212的多个互相关的自动化设备的一些或者所有方面。可以采用CIM 145来提供关于多个互相关的自动化设备的操作状态的信息，以及描述任何样本212的位置以及要在样本212上执行或正在样本212上执行的测试的状态的信息。CIM 145可以因此适于促进操作者和样本测试装置100之间的交互。CIM 145可以包括显示屏，所述显示屏适于显示包括图标、滚动条、框和按钮的菜单，操作者可以通过该菜单与样本测试装置100对接。菜单可以包括多个功能按钮，所述多个功能按钮被编程为显示样本测试装置100的功能方面。

图2和3中示出了包括样本212的样本容器102。图2图示了包括血清或血浆部分212SP和沉降的血液部分212SB没有凝胶分离器的样本212。图3图示了包括血清或血浆部分212SP和沉降的血液部分212SB具有凝胶分离器313的样本212。根据本发明的一个或多个方面预筛选样本212允许准确量化血清或血浆部分212SP和沉降的血液部分212SB的相对量、其间的比率、而且还有样本容器102的LA、SB、SG和最底部分的物理垂直位置。量化确保如果没有足够量的血清或血浆部分212SP可用于施行安排的测试，则可以停止样本212向一个或多个分析仪106、108、110前进。以这种方式，可以避免不准确的测试结果。

有利地，准确量化LA和SB或SG的物理位置的能力不仅可以最小化抽吸空气的可能性，而且可以最小化抽吸沉降的血液部分212SB或凝胶分离器313（如果样本容器102中存在凝胶分离器313）的可能性。因此，在一些实施例中，可以避免或者最小化用于为分析仪106、108、110抽吸血清或血浆部分212SP的样本抽吸探针的堵塞和污染。

参考图4A-4B，示出并描述了质量检查模块130的第一实施例。质量检查模块130可以被配置并适于在样本由一个或多个分析仪106、108、110分析前自动量化样本（例如，量化血清或血浆部分212SP、沉降的血液部分212SB或两者）。以这种方式的预筛选允许精确的抽吸探针定位，并且确定足够量（例如体积）的液体部分（例如，血清或血浆部分212SP）可用于安排的测试，因此避免浪费宝贵的分析仪资源。

附加于表征方法，其中量化LA、SB和/或SG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/或沉降的血液部分的体积（VSB）中的一个或多个，其他表征方法可以在质量检查模块130处在包含在样本容器102中的样本212上发生。例如，在一些实施例中，表征方法可以确定干扰物（例如H、I和/或L）的存在或不存在。表征方法可以确定人工制品（例如凝块、气泡或泡沫）的存在或不存在。此外，质量检查模块130可以用于量化样本容器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、W和/或Wi的位置，和/或盖214的类型，和/或盖214的颜色。

现在参考图1、4A和4B，质量检查模块130的第一实施例可以包括多个相机440A-440C。三个相机440A-440C被示出，但是可以使用两个或更多、三个或更多或者甚至四个或更多的相机。为了最小化失真，可以使用三个或更多的相机440A-440C。相机440A-440C可以是能够捕获数字图像（即，像素化图像）的传统数码相机、电荷耦合设备（CCD）、光电探测器阵列、一个或多个CMOS传感器等等。例如，图4A中图示了三个相机440A、440B、440C并且它们被配置为从三个不同视点拍摄图像。例如，每个相机440A、440B、440C可以是能够拍摄具有可能是大约2560694像素的图像大小的数字图像的设备。在另一个示例中，数字图像可以具有可能是1280384像素的图像大小。可以使用其他像素密度。如本文使用的像素可以是单像素或超像素（紧密分组的多个像素的集合）。在一些实例中，本文对图像的处理可以是通过处理超像素来降低计算负担。每个相机440A-440C可以被配置并且可操作以拍摄样本容器102的至少一部分和样本212的至少一部分的多个侧向图像。例如，相机440A-440C可以捕获标签218或盖214的部分和管212T的部分。最后，从多个图像生成2D数据集，并且可以开发在样本容器102中的样本212的合成模型。在一些实施例中，合成模型可以是3D模型，并且可以用于做出关于样本212的最终确定，或者用于确认通过使用来自各个相机440A-440C拍摄的图像的2D数据所做的确定。

在示出的实施例中，多个相机440A-440C被布置在样本212周围并且被配置为从多个视点捕获侧向图像。如示出的，当使用三个相机440A、440B、440C时，可以间隔开视点使得它们与彼此大约相等地间隔开，诸如与彼此大约120度。如所描绘的，相机440A-440C可以被布置在轨道121的边缘周围。可以使用多个相机440A-440C的其他布置。以这种方式，可以在样本容器102正驻留在载体122中的同时拍摄样本容器102中的样本212的图像。图像可以轻微重叠。

在一个或多个实施例中，载体122可以停止在质量检查模块130中预确定成像位置441处，诸如在来自相机440A-440C中的每个相机的法向量彼此相交的点处。在一些实施例中，可以提供闸门来停止载体122，使得可以在成像位置441处拍摄一个或多个高质量图像。在其他实施例中，载体122可以包括线性电机，所述线性电机被配置为如所编程的在期望的位置处停止载体122，以及将载体122移动至下一个站。在质量检查模块130处存在闸门的实施例中，可以使用一个或多个传感器（如传感器116）以确定在质量检查模块130中的成像位置441处载体122的存在。

可以紧密接近地提供相机440A-440C，并且相机440A-440C被训练或者聚焦以在成像位置441处捕获图像窗，即包括样本容器102的预期位置的区，其中可以停止样本容器102使得它大体位于视窗的中心。如配置的，相机440A-440C可以捕获包括血清或血浆部分212SP的部分、沉降的血液部分212SB的部分、和盖214的一些或者全部、以及管212T的最底部分或者另一基准（datum）的图像。在捕获的图像内可以存在一个或多个参考基准。参考基准可以帮助样本212的量化。例如，参考基准可以是样本容器102的TC或最底部分，或在已知位置放置在样本容器102上的可见标志。

在操作中，可以响应于通信线443A-443C中提供的触发信号来触发和捕获每个图像，所述触发信号可以在载体122位于质量检查模块130中的期望位置时由计算机143发送。可以根据本文提供的方法的一个或多个实施例来处理捕获的图像中的每个。特别地，可以使用HDR处理来捕获和处理图像以便以高细节水平表征样本212和样本容器102。

更详细地，可以在质量检查模块130处，在多个不同曝光时间、在由具有不同标称波长的不同频谱照射的同时并且在不同视点处捕获样本212（例如，通过分馏分离的样本212）的多个图像。例如，每个相机440A-440C可以在不同曝光时间在多个波长频谱（或一个或多个波长范围，诸如当用白光照射时）处拍摄4-8个或者更多图像。

在一个实施例中，可以使用不同频谱光源444A-444C来完成多个波长的图像。光源444A-444C可以背面照明样本容器102（如图4A-4B所示）。可选地，在质量检查模块130A的另一个实施例中，光源444D-444F可以正面照明样本容器102，诸如通过被布置在相应的相机440A-440C的上方、下方或侧面，或者位于其他位置并被照射，如图4C-4D中所示。在一些实施例中，光漫射器和/或可切换带通滤光器可以与光源444A-444C或444D-444F结合使用。

例如，为了在第一波长频谱处捕获图像，可以使用三个红色光源（大约634nm的标称波长和大约+/-35nm的频谱带宽）以从三个侧向位置照射样本212。当每个相机440A-440C捕获在不同曝光时间的多个图像（例如，4-8个或者更多图像）时，通过光源444A-444C的红色照射可以发生。在一些实施例中，曝光时间可以在大约0.1ms和大约256ms之间。可以使用其他曝光时间。针对每个相机440A-440C的每个相应曝光时间的图像可以是同时拍摄的并且存储在存储器中。

在每个实施例中，质量检查模块130、130A可以包括外壳446，所述外壳446可以至少部分地包围或覆盖轨道121，并且样本容器102可以在图像拍摄阶段期间位于外壳446内部。外壳446可以包括一个或多个门446D以允许载体122进入外壳446中和/或从外壳446退出。在一些实施例中，顶棚可以包括开口446O以允许由包括可移动机器人指状物的机器人从上方将样本容器102装载到载体122内。在使用正面照明的情况中，质量检查模块130A可以包括止回壁447以提供改进的图像对比度。止回壁447可以是除了样本212的预期颜色范围之外的任何合适的颜色。在一些实施例中，可以使用黑色材料。

在图4A-4B的实施例中，一旦捕获红色照射的图像，就可以关闭红色光源444A-444C，并且可以开启另一个波长频谱的光，例如绿色光源444A-444C（大约537nm的标称波长和大约+/-35nm的频谱带宽），并且可以由每个相机440A-440C在该频谱处捕获在不同曝光时间的多个图像（例如，4-8个或者更多图像）。对于每个相机440A-440C，这可以用蓝色光源444A-444C（大约455nm的标称波长和大约+/-35nm的频谱带宽）重复。可以通过使用例如具有可切换带通滤波器的白光，或者不同颜色的光源库，或者例如可以选择性地开启和关闭的光板，来完成不同波长光源444A-444C。可以使用提供不同频谱（颜色）照明的其他手段。

在可选实施例中，如在图4C和4D中最优示出的，可以在质量检查模块130中正面照明样本容器102，诸如通过包括光源444D、444E和444F，所述光源444D、444E和444F被布置为与相机440A-440C相邻，即，上方、下方、侧面或组合，但是与相应相机440A-440C在样本容器102的相同侧。在该实施例中，相机440A-440C可以是分别具有大约634nm、537nm和455nm的RGB传感器峰值的数码色彩相机，但是其中RGB颜色中的每种与上文的实施例中结合单色相机使用的审慎光源相比具有相对更宽的波长范围。

在该质量检查模块130A的可替换实施例中，光源444D、444E和444F每个可以是白光源。例如，光源444D-444F可以发射介于大约400nm至大约700nm之间的波长范围，并且可以用于从多个侧向位置照射样本212。可以由每个相机440A-440C拍摄在不同曝光时间的多个图像。由相机440A-440C拍摄的每个白光图像可以被存储在计算机143的存储器中，并且然后被分离成在多个标称波长的颜色分量，以提供在多频谱处的捕获图像。例如，计算机143可以将图像分离成在大约400nm与大约700nn之间的至少三个捕获的波长。例如，可以从计算机143存储的图像数据中分离出分别在634nm、537nm和455nm处的RGB分量，以生成针对每个视点的多频谱、多定时曝光的捕获图像。如之前那样，可以通过通信线443A-443C中来自计算机143的信号来取得图像。

例如，对于上文设置中的每种设置，可以快速连续地获得对于每个相应波长频谱（例如，R、G和B）在多个曝光时间拍摄的所有这些多个图像，使得可以在少于大约2秒内获得对于样本212来自多个视点的图像的整个集合。可以使用其他时间长度。例如，使用图4A-4B的质量检查模块130，使用相机440A、440B、440C并用RGB光源444A-444C背面照明、在三个视点处对于每个波长的4个不同曝光图像将导致4个图像3种颜色3个相机=36个图像。在使用图4C-4D的质量检查模块130A的另一个示例中，使用相机440A、440B、440C并用白光源444D-444F正面照明、在三个视点处的4个不同曝光图像将导致4个图像3个相机=12个图像。然而，然后，通过将拍摄的白光图像分离成其各个RGB分量，由计算机143捕获RGB图像。因此，在分离后还捕获36个图像。2D图像数据可以被存储在计算机143的存储器中并且从而随后被进一步处理。

根据所述方法，对图像数据的处理可以首先涉及，例如从在每个波长处在不同曝光时间并且对于每个相机440A-440C多个捕获图像中选择最佳曝光像素，以便生成对于每个波长（例如，RGB色图像）以及对于每个相机440A-440C的最佳曝光图像数据。这在本文被称作“图像合并”。对于每个对应像素，对于来自每个相机440A-440C的图像中的每个，从不同曝光时间的图像中的每个中选择展现最佳图像强度的像素。例如，在一个实施例中，最佳图像强度可以是落在预确定范围内（例如，在0-255标度上介于180-254之间）的像素。例如，在另一个实施例中，最佳图像强度可以是在0-255标度上介于16-254之间。如果在两个图像（来自一个相机）的对应位置中超过一个像素被确定为最佳曝光，则选择两者中强度更高的。结果是对于每个相机440A-440C的多个合并的2D彩色图像数据集（例如，R、G、B），其中所有像素都是最佳曝光的（例如，每波长频谱（例如，R、G和B）和每相机440A-440C一个图像数据集）。

作为表征方法的部分，质量检查模块130、130A的校准处理可以开始，其中可以拍摄没有样本容器102或载体122的参考图像。以这种方式，可以通过从每个2D图像数据集减去管背景（样本容器102的外部区域）来最小化计算负担。在施行样本量化方法之前，质量检查模块130、130A可以拍摄对于每个曝光时间和照明条件（R、G、B或者白光）的参考图像。

对于包括最佳曝光像素的每个2D图像数据集，然后可以进行分割处理以生成一个2D合并的图像并且针对每个视点标识其中的每个像素的类。例如，可以将像素分类为血清或血浆部分212SP、沉降的血液部分212SB、凝胶分离器313（如果存在）、空气212A、管212T或标签218。盖214也可以被分类。分类可以基于从多个训练集生成的多类分类器（例如，多类分类器515（图5A））。例如，多类分类器515可以包括支持向量机（SVM）或者随机决策树。

为了施行像素级分类，可以针对对于每个相机440A-440C在不同波长频谱（例如，R、G、B）处的最佳曝光像素中的每个，计算第一统计数据以生成2D统计数据集。统计数据可以包括平均值和方差值。所计算的统计属性编码对象类的特定性质，并且因此通过分配类标签用于在不同对象类之间进行区分。

一旦被生成，每个2D统计数据集就通过曝光时间被归一化并且被呈现给多类分类器515，并且由多类分类器515在其上操作，所述多类分类器515可以将图像数据集中的像素分类为属于多个类标签中的一个，诸如1-血清或血浆部分、2-沉降的血液部分、3-凝胶分离器（如果使用）、4-空气、5-管、6-标签以及可能甚至7-盖。由此，可以标识/分类构成液体区域（即，血清和血浆部分212SP）以及其他区域的像素。分割的结果是合并的2D数据集，对于每个视点一个数据集，其中对数据集的所有像素进行分类。

多类分类器515可以是线性或者非线性的任何合适类型的监督分类模型。例如，多类分类器515可以是线性或者是基于内核的支持向量机（SVM）。可选地，多类分类器515可以是提升分类器，诸如自适应提升分类器（例如AdaBoost、LogitBoost等等）、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）以及作为分类器的逻辑回归等等。SVM对于液体和非液体之间的分类可以特别有效，诸如在样本212和样本容器102的分析中所发现的。SVM是具有相关联的学习算法的监督学习模型，所述学习算法分析数据并识别模式。SVM用于分类和回归分析。

多个集合的训练示例用于训练多类分类器515，并且然后由多类分类器515在图像数据集上操作，并且作为结果每个像素被分类。可以通过在具有以下各种样本条件的样本容器102的多个示例中图形地概述各种区域来训练多类分类器515：被标签218遮挡、血清或血浆部分212SP和沉降的血液部分212SB的水平、包含或不包含凝胶分离器313等等。可以使用多达500或者更多的图像来训练多类分类器515。可以手动地概述每个训练图像以标识和教导多类分类器515属于每个类的区。

训练算法可以建立将任何新样本示例的像素分配到多个类之一中的多类分类器515。SVM模型将示例表示为空间中被映射的点，使得以尽可能宽的清晰间隙来划分分离的类的示例。来自图像数据集的新像素可以被映射到该相同空间中并且基于它们落在地图上何处被预测为属于特定类。在一些实施例中，SVM可以使用所谓的内核技巧（例如，基于内核的SVM分类器）有效地执行非线性分类，隐式地将它们的输入映射到高维度特征空间中。SVM、基于树的分类器和提升分类器是特别优选的。可以使用其他类型的多类分类器。

然后可以使用被认为属于血清或血浆部分212SP和/或沉降的血液部分212SB类的多类分类器515的结果来进一步量化样本212。

图5A中示出了根据一个或多个实施例的表征方法的流程图。首先，在502中，在质量检查模块（例如，质量检查模块130或130A）处提供由载体122运载的包括样本212的样本容器102。在504处捕获多个图像；如上文所描述，多个图像是在多个不同曝光以及在多个不同标称波长处并且在多个视点处拍摄的多频谱图像。为了量化，可以使用质量检查模块130A的正面照明设置。可以将拍摄的多个图像存储在计算机143的存储器中。在508的背景减少阶段，可以可选地从这些图像中减去背景以降低计算负担。在510中，可以通过减去先前拍摄的参考图像来完成背景减少。在一些实施例中，可以进行如在各种视点之间的数据的归一化。

在504中的图像捕获和508中的可选背景减少之后，可以在511中进行分割。511中的分割可以包括在512中进行的图像合并。在512中的该图像合并期间，逐个像素地审查在每个色谱（R、G和B）处以及对于每个相机440A-440C的各种曝光时间的图像，以确定与标准相比已经最佳曝光的那些像素（上文描述的）。对于每个相机的曝光时间的图像的每个对应像素位置，针对每个频谱和相机440A-440C选择任何最佳曝光像素中的最优，并将其包括在最佳曝光2D图像数据集中。因此，在512中的图像合并之后，针对每个色谱（R、G和B）以及针对每个相机440A-440C产生一个最佳曝光的2D图像数据集。HDR处理的使用可以起作用来丰富图像的细节，尤其关于反射和吸收，并且这使得分割更准确。

在512中的图像合并或与可能与其并发地，可以在514中进行统计量生成，其中为每个像素生成统计量，诸如均值和协方差。然后在516中，由多类分类器515在该统计数据和最佳曝光的2D数据集上操作，以标识图像数据集中存在的像素类。可以通过最大化每个像素的置信度值来确定每个像素的最终类。对于每个像素位置，可以在小的超像素块（例如1111像素）内提取统计描述。每个超像素块提供描述符，在训练和评估过程中考虑该描述符。通常，在测试/评估期间，分类器在特征描述符上操作并且使用类标签用于训练以及输出类标签。

从511的该分割，为相机440A-440C中的每个生成合并的2D图像数据集，其中在516中合并的图像数据集中的每个像素被给予分类为多个类类型之一。例如，类类型可以是液体（血清或血浆部分212SP）、沉降的血液部分212SB、凝胶分离器313（如果存在）、空气212A、管212T、标签218或者甚至盖214。从511中的该分割，在517中可以从合并的2D图像数据集生成和构建3D模型。3D模型可以用于确保取得相机440A-440C的各种视点之间一致的结果。

例如，可以在518中标识液体区域（例如，血清或血浆部分212SP）。这可以涉及将来自类-血清或血浆部分212SP的所有像素分组，并且然后在519中为合并的2D图像数据集确定液体（血清或血浆部分212SP）和空气212A之间的上界面（即，LA）的位置。这可以针对每个视点完成。因此，可以通过针对每个图像对分类为血清或血浆部分212SP的最上方的像素的位置进行平均，为合并的2D图像数据集中的每个计算LA的数值。可以拒绝并且不在平均中使用任何大幅度的离群值。先前执行的像素空间到机器空间（例如，以mm为单位）的校准可以通过任何已知的机器空间到图像空间校准技术来完成，并且可以用于将像素空间转换成可由机器人124或用于抽吸的其他机器人使用的机器空间。此外，这类校准允许来自各个相机440A-440C的图像中的每个图像彼此协调。校准可以通过以下来完成：使用包括位于成像位置441处的精确已知的物理位置处的已知几何特征的任何合适的目标，并且对该目标成像以协调和校准相机440A-440C使得它们都被聚焦并且具有集中在相同成像位置441处的视窗。然后可以聚合对于每个视点的这些LA的数值，以标识可以在3D模型中使用的LA的最终值。例如，聚合可以通过任何合适的方法来融合视点的相应结果，诸如通过对对于每个视点的LA的数值进行平均。如果一个值大幅度低于其他两个值，则可以将其作为离群值丢弃。

取决于凝胶分离器313是否存在（例如，被使用），然后量化方法可以在520中针对每个视点确定SB或SG（如果凝胶分离器存在）的位置。在520中可以通过对在516中被分类为血清或血浆部分212SP的最低像素的位置进行平均或聚合来计算对于每个视点的SB或SG的数值。可以通过对对于视点的SB或SG值进行平均来为3D模型确定SB或SG的单个值。从LA和SB或SG的位置，可以通过对LA和SB或SG的平均做减法来确定血清或血浆部分的高度HSP（图2和3）。

量化液体区域（例如，血清或血浆部分212SP）可以进一步包括在526中确定样本容器102的内部宽度（Wi）。在一些实施例中，可以在526中首先通过以下来确定外部宽度W：针对每个合并的2D图像数据集标识被分类为管212T的像素并且减去位于管212T的侧外边缘上对应像素的位置（例如，如在LA和SB或SG之间测量的），并且然后对对于每个视点的所减去的值进行平均。可以通过对来自视点的W值进行平均来确定W的最终值。可以忽略大幅度的离群值。可以通过减去两倍壁厚度Tw来从W确定Wi。Tw可以是已经针对所有样本容器102估计的平均壁厚度值并存储在存储器中，或者可以基于管类型从查询表获得Wi，所述管类型基于样本容器102的外部宽度W和高度HT值而确定。

从HSP和Wi，可以在528中使用下面的Eqn.1来确定3D模型的液体区域（例如，血清或血浆部分212SP）的体积。

为量化沉降的血液部分212SB，可以遵循类似的方法。可以首先在530中标识对应于沉降的血液部分212SB的类的像素。取决于凝胶分离器313是否存在，可以在532中通过在每个合并的2D图像数据集中定位沉降的血液部分212SB的最低像素并然后减去SB或者BG，来确定对于每个视点的沉降的血液部分的高度HSB。可以在520中确定SB。在凝胶分离器313存在的情况下，然后可以通过对被分类为凝胶分离器313的像素的最低的垂直位置进行平均来确定对于每个视点的BG。可以通过找到样本容器102的最低垂直尺寸并然后减去对于每个视点的壁厚度Tw来确定沉降的血液部分212SB的最低像素。可以在526中确定Wi。可以通过对每个视点的相应HSB值进行平均来确定HSB的最终值。从HSB和Wi的最终值，可以在534中使用下面的Eqn.2来确定3D模型的沉降的血液部分212SB的体积。

可选地，可以聚合并映射对于每个视点的合并的2D图像的各种像素类，以重构环绕样本容器102的3D虚拟体素网格345。每个像素在2D虚拟网格中具有限定的位置，然后其可以被从三个方向投影到3D虚拟体素网格345上以在517中生成3D模型。基于相机440A-440C与对于每个视点的姿态之间的校准信息，将来自2D视角的网格与3D虚拟体素网格345对齐。每个2D网格的边缘结构之间可以存在一些冗余（重叠）。已经为每个合并的2D图像数据集分配的类可以针对每个视点分组在一起以形成以下区域：对于每个视点的血清或血浆部分212SP、沉降的血液部分212SB、凝胶分离器313（如果存在）、空气212A、管212T、标签218、以及可能甚至盖214。每个相应区域的体素被遍历到3D虚拟体素网格345上，并且如果类在相邻视点间是一致的，那么重叠区域中的像素被分配公共类。

作为结果，将各种区域映射到3D模型，并且可以使用来自3D虚拟体素网格345的校准信息和测量来量化每个区域。3D模型的区域位置可以用于确定抽吸探针尖端放置在何处，使得不抽吸空气212A或沉降的血液部分212SB或凝胶分离器313。

一旦在518中标识液体区域，就可以通过用一个或多个干扰物分类器在液体区域的2D数据集上操作来确定其中干扰物（例如，H、I和/或L）的存在。在一个实施例中，分离的分类器可以如共同未决并同时提交的名称为“METHODS AND APPARATUS FOR DETECTING ANINTERFERENT IN A SPECIMEN”的临时专利申请中所描述的那样用于H、I和L中的每种。还应该认识到，平均值也可以用于在521中提供HIL指标值（Havg、Iavg、Lavg），所述HIL指标值可以用于提供作为多个视点的平均的样本212的干扰物水平。以这种方式，对于3D模型的H、I、L或N可以获得一个一致分类。

在质量检查模块130、130A处，在522中可以通过用一个或多个人工制品分类器在液体区域的2D数据集上操作来确定人工制品（例如凝块、气泡和/或泡沫）的存在。每个视图可以用于生成针对该特定视图的区。然后可以使用来自各种视点的人工制品的区来确定人工制品的估计体积。2D图像中人工制品的分割可以用于三角化3D中的人工制品结构，其中可以从几何计算导出体积。

可以从体积VSP中减去人工制品的估计体积，从而提供对可用液体的更好估计。可以使用各种视点将人工制品的位置投影到虚拟3D体素网格上，并且可以使用来自每个2D投影的尺寸来甚至更好地估计人工制品的体积和3D位置。

因此，应当清楚的是，由质量检查模块130或130A施行的基于模型的量化方法500可以导致对样本212的血清或血浆部分212SP和/或沉降的血液部分212SB的快速量化。最终结果和确定可以跨多个视点聚合并显示为3D模型。

图6图示了表征方法600的流程图，其中对样本212的量化仅是可以使用质量检查模块130或130A表征的许多项目中的一个。根据方法600的一个或多个实施例，图像被诸如多个相机（示出了相机440A）捕获。然而，可以使用其他相机440B、440C从其他视点捕获图像。将针对相机440A上捕获的图像进行描述的处理对于其他视点处的其他相机440B、440C是等同的，并且可以使用它们在线605中的输入来开发用于最终确定或解决各种视点之间的任何差异的样本212的3D模型635。

如上文讨论的，由相机440A和其他相机440B、440C捕获的图像可以是多频谱（例如，RGB）和多重曝光图像。特别地，可以在每个视点处，针对604A中使用的每个波长的光拍摄多重曝光（例如，4-8次曝光）。对于质量检查模块130，可以使用单色相机和由如图4A-4B所描述的背光光源444A-444C的照射，来同时获得对于每个相机440A-440C的每次曝光的相应图像。可选地，对于质量检查模块130A，在604B中可以使用彩色相机获得使用利用白光源444D-444F的照射的正面照射的多重曝光图像。可选地，可以使用多于一个质量检查模块。例如，质量检查模块130A可以用于量化，并且质量检查模块130可以用于HILN探测。然而，质量检查模块130或130A中的任何一个可以用于量化和HILN探测。

然后可以可选地在508中处理图像以使用参考图像510移除背景，如上文在可选的背景移除方法中所描述的。然后在511中可以以上文描述的方式进一步处理图像以确定分割。在一些实施例中，来自604B的来自被正面照明的相机440A-440C（参见图4C-4D）的图像可以最优地用于511中的分割。同样地，在604A中捕获的任何图像可以最优地用于521中的HILN的表征。然而，清楚地，在604A中捕获的图像可以用于511中的分割，并且在604B中捕获的图像可以用于521中的HILN探测。

根据本文描述的方法在523中对液体的标识和量化也可以在511中的分割之后施行。在523中量化液体可以涉及确定样本212的某些物理尺寸特性，诸如LA、SB、SG和/或BG的物理位置，和/或确定HSP（血清或血浆部分212SP的深度）、HSB（沉降的血液部分212SB的深度）和/或HTOT，和/或在528中确定血清或血浆部分的体积（VSP），和/或在534中确定沉降的血液部分的体积（VSB），如上文讨论的。可以在526中从样本容器表征获得内部宽度（Wi）。

为了提供对可用于测试的血清或血浆部分212SP的实际体积甚至更接近的测量，或者仅仅为了标记人工制品的存在，可以在522中采用人工制品检测方法来标识血清或血浆部分212SP中的凝块、气泡或泡沫的存在。可以从528中确定的估计的血清或血浆部分体积VSP中减去存在的一种或多种人工制品的相应估计体积，以获得更好的体积估计。可以使用人工制品分类器在522中处理对于每个视点的2D图像数据，以确定血清或血浆部分212SP中人工制品的存在或不存在。然后可以在本文描述的量化方法中忽略被人造制品探测522标识为是人造制品的像素，而且也可以在521中的HILN分类中忽略这些像素，以便不使结果偏斜。在一些实施例中，人工制品的探测还可以发起修复。诸如在521中提供的人工制品探测在与本申请同时提交的并且名称为“Methods And Apparatus For Classifying AnArtifact In A Specimen”的美国申请中有描述。

511中的分割的结果还可以用于标识标签218，所述标签218可以包括诸如条形码的标识信息215。可以在625中读取条形码。一旦在511的分割中标识标签218，就可以使用传统的条形码读取软件。如果特定图像不包含足够的条形码以读取，条形码可以从或结合来自从其他视点获得的其他图像的数据进行读取。

对样本容器102的进一步表征还可以根据627中更广泛的方法600来完成。可以提供629中对管类型、631中对盖类型和633中对盖颜色的来自各种视点的表征，并且所述表征使得能够在635中生成3D模型。可以比较来自各种视图的数据，以便验证基于处理来自每个视点的图像（例如，来自相机440A-440C）取得相同的表征。如果获得轻微不同的值，那么可以对值进行平均。可以使用来自521中的HILN分类、523中的样本量化、522中的人工制品探测和627中的样本容器探测的所有输出来生成3D模型635。3D模型635可以用于对来自各种视点（例如，相机440A-440C）的结果做最终决定、表征和/或调谐。636中的3D校准可以包括协调各种视点到3D空间的位置。3D虚拟体素网格可以用于2D到3D视图的协调。

图7图示了根据一个或多个实施例的表征包含在样本容器内的样本的方法的流程图。方法700包括在702中提供包含在样本容器（例如，样本容器102，诸如加盖的采血管）中的样本（例如，样本212）。接着，方法700包括在704中在不同曝光时间以及在不同波长处捕获包含样本212的样本容器102的图像。例如，在一些实施例中，可以有在不同曝光时间但是在相同的照明条件下拍摄的4-8次或者更多的不同曝光。在一个或多个实施例中，可以使用白光并使用正面照明来捕获一些图像。在其他实施例中，可以使用多个单波长峰值窄带光源（诸如红色、蓝色和绿色）作为背光光源444A-444C来捕获一些图像。如上文讨论的，白光图像可以被分解成如计算机143捕获的R、G和B图像。在每个实例中，图像可以由多个相机440A-440C从多个视点拍摄。

如706中所示，方法700可以可选地包括背景减少以减去背景中的一些以便降低计算负担。可以通过从对应参考图像中减去图像来完成背景减少，这可以当作校准过程的部分。参考图像可以在与样本容器102的图像相同的曝光时间、波长和照明条件下拍摄 ，但是可以在载体122中没有样本容器102的情况下捕获。在一些实施例中，背景减少706还可以包括各种视点之间的归一化。方法700包括在710中提供通过处理从多个视点拍摄的包含样本的样本容器的多个2D图像所获得的分类的2D数据集。分类的2D数据集被分类为：血清或血浆、沉降的血液部分、凝胶分离器（如果存在）、空气、管和标签。

通过处理多个2D图像而获得的分类的2D数据集可以通过从每个波长处、在不同曝光时间的图像中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而获得。对于每个图像中特定波长处的每个对应像素位置，可以选择最优曝光像素（未曝光不足或曝光过度）。最佳曝光范围可以是如上文讨论的。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RGB波长中的每个，可以生成最佳曝光像素的数据集。

接下来，可以对最佳曝光像素的数据集进行分类以提供分类的2D数据集。可以通过以下来完成分类：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，并然后在最佳曝光像素的统计数据上进行操作来标识上文指出的各种类。还可以通过分类标识其他类（例如，盖214）。

方法700包括在712中将分类的2D数据集中的位置与合并的3D数据集进行相关。以这种方式，可以基于在712中已经从各种视点获得的分类的2D数据集来形成（例如，构建）3D模型。可以用3D模型确认各种视点的分割之间的对应。

在一些实施例中，从多个2D数据集生成的合并的3D模型可以用于在714中提供关于干扰物（H、I和/或L）的存在或不存在（正常-N）的表征的最终结果，所述多个2D数据集已经由质量检查模块130或130A生成 。如果检测到干扰物，可以基于合并的数据评定并报告干扰物水平。

同样地，在716中，可以使用从多个2D数据集生成的合并的3D模型来提供关于人工制品（凝块、气泡、泡沫）的存在或不存在的表征的最终结果。可以显示或者以其他方式以任何合适的方式或形式报告3D模型的结果，诸如通过在显示屏上显示3D彩色图像、提供彩色打印输出、显示或提供测量值的数据表等等。

虽然在图1 中已经示出质量检查模块130被定位为使得在离心机125上的离心之后立即执行预筛选，但在一些实施例中，将该特征直接包括在分析仪（例如，分析仪106、108和/或110）上或别处可以是有利的。例如，未物理连接到样本测试装置100的轨道121的远程站132处的独立分析仪可以使用该技术和质量检查模块130来在分析之前预筛选样本212。此外，在一些实施例中，可以在将支架104装载到装载区105中之前执行离心，使得在一些实施例中，质量检查模块130可以位于装载区105处，并且机器人124一将样本容器102装载到载体122中就可以施行质量检查。质量检查模块130、130A通常是可互换的，并且可以在轨道周围的任何期望的位置处使用，或甚至作为每个样本容器102在被放置到装载区中之前访问的独立站使用。

虽然本发明容许各种修改和替代形式，但已经在附图中作为举例示出并在本文详细地描述了其具体系统和装置的实施例和方法。然而，应理解，不意图将本发明限制于所公开的特定装置或方法，而是相反，本发明要涵盖落在本发明的范围内的所有修改、等同物和替代物。

Claims (20)

1.一种表征包含在样本容器内的样本的方法，包括：

提供通过处理从多个视点拍摄的包含样本的样本容器的多个2D图像所获得的分类的2D数据集，将分类的2D数据集分类为：

血清或血浆，

沉降的血液部分，

凝胶分离器，

空气，

管，以及

标签；

将分类的2D数据集中的位置与合并的3D数据集进行相关；以及

基于合并的3D数据集形成合并的3D模型。

2.根据权利要求1所述的方法，其中多个2D图像是在多个视点中的每个视点处在多个不同曝光时间拍摄的。

3.根据权利要求2所述的方法，其中多个不同曝光时间包括大约0.1ms与大约256ms之间。

4.根据权利要求2所述的方法，其中多个2D图像是在具有不同标称波长的多个不同频谱处拍摄的。

5.根据权利要求4所述的方法，其中多个不同频谱包括大约400nm与700nm之间的三个或者更多波长。

6.根据权利要求4所述的方法，其中多个不同频谱包括大约634nm+/-35nm、大约537nm+/-35nm和大约455nm+/-35nm的波长。

7.根据权利要求4所述的方法，其中分类的2D数据集是从对于每个波长在多个不同曝光时间的最佳曝光图像数据导出的。

8.根据权利要求1所述的方法，其中多个2D图像表示基于多个侧向图像的样本容器的360度视图，其中每个侧向图像与相邻图像重叠。

9.根据权利要求1所述的方法，其中多个视点的数量包括三个或更多。

10.根据权利要求1所述的方法，包括计算不同波长处的最佳曝光像素的统计量以生成统计数据。

11.根据权利要求10所述的方法，其中从针对不同波长的最佳曝光图像数据来计算最佳曝光像素的统计量包括从来自每个波长的对应像素的集合计算均值、标准差和/或协方差。

12.根据权利要求10所述的方法，其中基于0-255的范围，最佳曝光像素的选择包括从图像中选择包括在大约180-254之间的强度的像素。

13.根据权利要求10所述的方法，其中多类分类器用于生成分类的2D数据集。

14.根据权利要求13所述的方法，其中多类分类器包括支持向量机或者随机决策树。

15.根据权利要求13所述的方法，其中多类分类器是从多个训练集生成的。

16.根据权利要求1所述的方法，其中显示或存储合并的3D模型。

17.根据权利要求1所述的方法，其中将分类的2D数据集中的位置与合并的3D数据集进行相关是基于针对每个分类的2D数据集的虚拟体素网格。

18.根据权利要求1所述的方法，其中将分类的2D数据集进一步分类为盖。

19.一种适于表征样本和样本容器的质量检查模块，包括：

多个相机，其被布置在样本容器周围并且被配置为从多个视点捕获样本容器和样本的多个图像，多个相机中的每个适于生成在多个不同曝光时间和多个不同波长或一个或多个波长范围处拍摄的多个2D图像；

计算机，其耦合到多个相机并且适于处理来自多个2D图像的图像数据，所述计算机被配置并且能够操作以：

提供通过处理从多个视点拍摄的多个2D图像所获得的分类的2D数据集，将分类的2D数据集分类为：

血清或血浆部分，

沉降的血液部分，

凝胶分离器（如果存在），

空气，

管，以及

标签；

将2D数据集中的位置与合并的3D数据集进行相关；以及

基于合并的3D数据集形成合并的3D模型。

20.一种适于对包含在样本容器内的样本成像的样本测试装置，包括：

轨道；

在轨道上被配置为包含样本容器的载体；

多个相机，其被布置在轨道周围并且被配置为从多个视点捕获样本容器和样本的多个2D图像，多个相机中的每个被配置为在多个不同曝光时间和多个不同波长或一个或多个波长范围处生成多个图像；

计算机，其耦合到多个相机并且适于处理来自多个2D图像的图像数据，所述计算机被配置并且能够操作以：

提供通过处理从多个视点拍摄的多个2D图像所获得的分类的2D数据集，将分类的2D数据集分类为：

血清或血浆部分，

沉降的血液部分，

凝胶分离器（如果存在），

空气，

管，以及

标签；

将2D数据集中的位置与合并的3D数据集进行相关；以及

基于合并的3D数据集形成合并的3D模型。