CN119317841A - 试样状态判定装置、试样状态判定方法及试样检查装置 - Google Patents

试样状态判定装置、试样状态判定方法及试样检查装置 Download PDF

Info

Publication number
CN119317841A
CN119317841A CN202380045068.9A CN202380045068A CN119317841A CN 119317841 A CN119317841 A CN 119317841A CN 202380045068 A CN202380045068 A CN 202380045068A CN 119317841 A CN119317841 A CN 119317841A
Authority
CN
China
Prior art keywords
container
sample
boundary position
boundary
image
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.)
Pending
Application number
CN202380045068.9A
Other languages
English (en)
Inventor
服部英春
柿下容弓
为实秀人
铃木洋一郎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi High Tech Corp
Original Assignee
Hitachi High Technologies Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hitachi High Technologies Corp filed Critical Hitachi High Technologies Corp
Publication of CN119317841A publication Critical patent/CN119317841A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/04—Investigating sedimentation of particle suspensions
    • G01N15/05—Investigating sedimentation of particle suspensions in blood
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood
    • 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
    • G01N35/10—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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G01N35/10—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
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Biomedical Technology (AREA)
  • Hematology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Biophysics (AREA)
  • Ecology (AREA)
  • Dispersion Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

试样状态判定装置包含：处理器，其执行用于对对象试样容器的图像进行图像处理的程序；以及存储器，其用于储存图像处理的结果。处理器执行输入图像的处理、从图像中检测边界位置的处理、判定各边界位置的上下区域的种类并决定各含有物的边界位置的处理、以及根据各含有物的边界位置判定可否检查对象试样容器的处理。

Description

试样状态判定装置、试样状态判定方法及试样检查装置
基于参照的引入
本申请主张在2022年6月23日申请的日本申请即日本特愿2022-101278的优先权，通过参照而将其内容引入本申请。
技术领域
本发明涉及试样状态判定装置、试样状态判定方法以及试样检查装置，例如涉及使用了用于检测、识别拍摄到的图像内所包含的特定的试样内含有物(例如，血清(血浆)等)的机器学习的图像处理技术。
背景技术
近年来，血液检查的重要性提高，在血液分析中检查数、检查项目数也增加，要求检查效率的提高。为了提高检查效率，检测血清等的准确的含有量、或者在检查前判定能够检查的检体容器的需求增加。为了检测血清等的含有量，例如有日本特开平10-232228号公报、日本特开平9-133687号公报、日本特开2005-265813号公报中提出的技术。在日本特开平10-232228号公报中，使用多个颜色提取单元来检测血清的上部和下部的边界位置。在日本特开平9-133687号公报中，使用彩度信息求出血清部分与其他部分的边界位置，计算血清的量。在日本特开2005-265813号公报中，使照射、接收红外线的机构上下移动，检测分离剂、血清及血块的位置。
发明内容
发明所要解决的课题
但是，有时在检体上产生气泡，即使使用日本特开平10-232228号公报的多个颜色提取手段、日本特开平9-133687号公报的彩度信息、日本特开2005-265813号公报的红外线的照射、受光机构，也存在不能抑制气泡的影响、不能求出血清等的准确的边界位置的问题。另外，在日本特开平10-232228号公报、日本特开平9-133687号公报、日本特开2005-265813号公报中存在如下问题：无法判定血清、分离剂、血块等所有含有物的含有量，或者对收容有由这些含有物的组合构成的检体的检体容器，无法判定是否能够检查对象检体容器。
本发明是鉴于这样的状况而完成的，提供能够实现图像内的血清(血浆)等的边界位置的检测、以及能够检查的试样容器的准确判定的技术。
用于解决课题的手段
本发明的一个方式的试样状态判定装置包含：处理器，其执行用于对对象试样容器的图像进行图像处理的程序；存储器，其用于储存所述图像处理的结果，所述处理器执行：输入所述图像的处理；从所述图像中检测1个以上的边界位置的处理；判定所述1个以上的边界位置的各边界位置的上下区域的性质(种类)，并决定各含有物的边界位置的处理；根据决定出的所述各含有物的边界位置判定可否检查所述对象试样容器的处理。
根据本说明书的记述、附图，与本发明相关的更进一步的特征将变得清楚。另外，本发明的方式通过要素以及多种要素的组合以及以下的详细的记述和所附的请求专利保护的范围的方式来达成并实现。
需要理解的是，本说明书的记述仅仅是典型的示例，在任何意义上都不对本发明的请求专利保护的范围或应用例进行限定。
发明效果
根据本发明的一个方式，能够实现图像内的边界位置的检测以及能够检查的试样容器的准确的判定。
附图说明
图1是表示第一实施方式的试样状态判定装置的功能的框图。
图2是表示第一实施方式的试样状态判定装置的硬件结构例的图。
图3是用于说明容器识别部的动作的一例的图。
图4是用于说明边界位置检测部的动作的一例的图。
图5是用于说明含有物判定部的动作的一例的图。
图6是用于说明边界位置校正部的动作的一例的图。
图7是用于说明含有量计算部的动作的一例的图。
图8是用于说明含有物判定部的动作的一例的图。
图9是用于说明含有物判定部的各边界的上下区域识别的一例的图。
图10是用于说明边界位置校正部的各边界识别的一例的图。
图11是用于说明边界位置校正部的气泡识别的一例的图。
图12是用于说明含有量计算部的动作的一例的图。
图13是用于说明检体状态判定部的动作的一例的图。
图14是用于说明输出部的判定结果等的显示的一例的图。
图15是用于说明第一实施方式的试样状态判定装置1的整体动作的流程图。
图16是表示搭载了实施方式的试样状态判定装置的第二实施方式的检体检查装置的概略结构的图。
具体实施方式
本说明书的实施方式提供一种试样状态判定装置及试样状态判定方法，其一边检测多个含有物的边界位置一边判定边界位置周边的含有物的种类(性质)，进而，一边校正边界位置一边计算含有量，根据多个边界位置及含有物的判定结果判定容器内检体的各含有物(例如血清(血浆)、分离剂、血块、尿等)的有无，由此实现各含有物(例如血清(血浆)、分离剂、血块、尿等)的含有量的高精度的判定及可否检查对象检体容器的判定。
以下，参照附图对本发明的实施方式进行说明。在附图中，有时功能上相同的要素也会以相同的编号显示。此外，附图示出了遵循本发明的原理的具体的实施方式和安装例，但这些实施方式和安装例用于理解本发明，决不是用于限定性地解释本发明。
在本实施方式中，为了本领域技术人员实施本发明而充分详细地进行了说明，但也可以是其他的安装、方式，需要理解在不脱离本发明的技术思想的范围和精神的情况下能够进行结构、构造的变更、多种要素的置换。因此，以后的记述不限定于此进行解释。
并且，本发明的实施方式如后所述，可以通过在通用计算机上运行的软件来实施，也可以通过专用硬件或者软件与硬件的组合来实施。
以下，将“作为程序的各处理部(例如，含有物判定部等)”作为主语(动作主体)对本发明的实施方式中的各处理进行说明，但一边使用存储器及通信端口(通信控制装置)，一边进行程序通过由处理器(CPU等)执行而确定的处理，因此也可以将处理器作为主语进行说明。
本说明书的一个实施方式的试样状态判定装置可以包含检测容器内的边界位置来判定含有物的功能以及判定试样容器的状态的功能。试样容器是容器和该容器所收容的试样的组合。试样状态判定装置还可以包含校正边界位置的功能。在本说明书的一个实施方式中，即使在边界位置的附近存在气泡等的情况下，也检测边界位置来判定边界位置周边的含有物和气泡等，详细地解析边界位置周边的边界的概率来校正边界位置。由此，能够实现图像内的血清(血浆)等的边界位置以及含有量的高精度的判定。另外，通过根据多个边界位置和含有物的判定结果来判定容器内有无各含有物(血清(血浆)、分离剂、血块、尿等)，能够判定可否检查对象检体容器。
(1)第一实施方式
<试样状态判定装置的功能结构>
图1是示出实施方式的试样状态判定装置的功能结构的框图。试样状态判定装置1具有输入部10、容器识别部11、边界位置检测部12、含有物判定部13、边界位置校正部14、含有量计算部15、检体状态判定部16、控制部19以及存储器90。但是，在该试样状态判定装置中，在预先提供了容器信息的情况下，容器识别部11不是必要结构。该试样状态判定装置1也可以如后述(第二实施方式)那样安装在检体检查装置内。另外，以下说明的实施方式能够应用于与从人采集到的检体不同的试样。
试样状态判定装置1中的容器识别部11、边界位置检测部12、含有物判定部13、边界位置校正部14、含有量计算部15以及检体状态判定部16可以通过程序来实现，也可以模块化来实现。
向输入部10输入图像数据。例如，输入部10也可以获取被内置于图像获取装置的照相机等拍摄单元以预定时间间隔拍摄到的JPG、Jpeg2000、PNG、BMP格式等的编码后的静止图像数据等，并将该图像作为输入图像。此外，输入部10也可以从MotionJPEG、MPEG、H.264、HD/SDI格式等的运动图像数据中提取预定间隔的帧的静止图像数据，将该图像作为输入图像。此外，输入部10也可以将摄像单元经由总线或网络等取得的图像作为输入图像。另外，输入部10也可以将已经存储在可装卸的记录介质中的图像作为输入图像。从输入部10输入的图像经由存储器90输出到容器识别部11、边界位置检测部12、含有物判定部13、边界位置校正部14。
容器识别部11使用检测容器整体或容器的一部分的网络(例如，YOLO等容器检测器)，从输入图像中检测并识别容器。另外，容器识别部11将计算出的容器信息储存于存储器90。
边界位置检测部12使用检测各边界位置以及条形码的边界的网络(例如，YOLO等边界位置检测器)，从输入图像中检测各边界位置以及条形码的边界。边界位置是含有物与含有物或含有物与其他物质的界面。条形码例如表示检体或采集了检体的患者的信息等。边界位置检测部12将计算出的各边界位置和条形码的边界等信息储存在存储器90中。
含有物判定部13使用由识别边界位置检测部12检测出的各边界位置以及条形码的上部、下部区域的含有物(例如血清(血浆)、分离剂、血块、尿等含有物等)、含有物以外(例如背景等)以及条形码的网络(例如，Convolutional Neural Network(卷积神经网络)等)构成的识别器，计算各边界位置以及条形码的上部、下部区域的识别结果。另外，含有物判定部13将计算出的各边界位置以及条形码的上部、下部区域的识别结果等信息储存在存储器90中。
边界位置校正部14使用由详细地识别各边界位置的网络(例如，ConvolutionalNeural Network等)构成的识别器，详细地识别由边界位置检测部12检测出的各边界位置的周边，检测准确的位置的边界位置来校正边界位置。另外，使用由识别边界位置周边有无气泡的网络(例如，Convolutional Neural Network等)构成的识别器，识别气泡有无，在存在气泡的情况下，将边界位置校正为气泡的最下端。另外，边界位置校正部14将校正后的各边界位置等信息存储在存储器90中。
含有量计算部15根据由边界位置校正部14校正后的各边界位置、以及容器信息或由容器识别部11识别出的容器信息，计算成为容器内的对象的含有物(例如血清(血浆)、分离剂、血块、尿等)的含有量。另外，含有量计算部15将计算出的容器内各含有物的含有量等信息存储在存储器90中。
检体状态判定部16使用由含有量计算部15计算出的含有量和/或由含有物判定部13求出的各区域的识别结果，判定可否检查对象检体容器(收容了检体的容器)。另外，检体状态判定部16将对象容器的可否检查的判定结果等信息储存于存储器90。
控制部19由处理器实现，与试样状态判定装置1内的各要素连接。试样状态判定装置1的各要素的动作通过上述的各结构要素的自主的动作或控制部19的指示而动作。
这样，在本实施方式的试样状态判定装置1中，容器识别部11识别容器的类型。边界位置检测部12检测容器的各边界位置以及条形码的边界位置。含有物判定部13计算容器的各边界位置以及条形码的上部、下部区域的识别结果。边界位置校正部14详细地识别各边界位置的周边来校正边界位置，含有量计算部15计算成为容器内的对象的含有物的含有量。检体状态判定部16的特征在于，使用计算出的含有量以及各边界位置的周边区域的识别结果来判定容器内的检体的状态，由此从图像中高精度地检测容器内的含有物的含有量，以及判定可否检查对象容器。
<识别器生成装置的硬件结构>
图2是表示本发明的实施方式的试样状态判定装置1的硬件结构例的图。
试样状态判定装置1具有执行各种程序的CPU(处理器)201、储存各种程序的存储器202、储存各种数据的存储装置(相当于存储器90)203、用于输出各边界位置、各含有量、可否检查对象容器的判定结果等的输出装置204、和用于输入用户的指示、图像等的输入装置205，它们通过总线207相互连接。
CPU201根据需要从存储器202读入各种程序并执行。存储器202储存作为程序的输入部10、容器识别部11、边界位置检测部12、含有物判定部13、边界位置校正部14、含有量计算部15以及检体状态判定部16。
存储装置203存储输入图像、由容器识别部11识别出的容器的类型的信息、由边界位置检测部12检测出的容器的各边界位置和条形码的边界位置的信息、由含有物判定部13判定出的容器的各边界位置和条形码的上部、下部区域的识别结果、由边界位置校正部14校正后的边界位置的信息、由含有量计算部15计算出的成为容器内的对象的含有物的含有量的信息、和由检体状态判定部16判定出的对象容器的检查可否的判定结果等。
输出装置204由显示器、打印机、扬声器等设备构成。例如，输出装置204将由容器识别部11、边界位置检测部12、含有物判定部13、边界位置校正部14、含有量计算部15、检体状态判定部16生成的数据显示在显示器画面上。
输入装置205由键盘、鼠标、麦克风等设备构成。通过输入装置205将用户的指示(包含输入图像的输入的决定)输入到试样状态判定装置1。
本发明的试样状态判定装置识别容器类型，检测容器的各边界位置以及条形码的边界位置，计算容器的各边界位置以及条形码的上部、下部区域的识别结果，详细地识别各边界位置的周边来校正边界位置，计算成为容器内的对象的含有物的含有量，进而使用计算出的含有量以及各边界位置的周边区域的识别结果来判定容器内的检体的状态，从而从图像中高精度地检测容器内的含有物的含有量并且高精度地判定对象容器的检查可否。
<各部的结构和动作>
以下，对各要素的结构和动作进行详细说明。
(i)容器识别部11
图3表示容器的一例。容器识别部11使用检测容器整体或容器的一部分的网络(例如，YOLO等容器检测器)，从输入图像中检测及识别容器，并求出容器类型ct及容器上部31的位置，或者，根据计算出的容器类型ct和存储器90内的容器信息，计算图3所示的容器底36的图像内位置。容器识别部11将识别出的容器类型的信息、容器上部以及容器底的图像内位置保存于存储器90。
(ii)边界位置检测部12
边界位置检测部12检测容器内的含有物各自的边界位置(界面或边界)和条形码的边界。图3表示条形码32、血清33、分离剂34以及血块35。图4表示边界位置检测的一例。边界位置检测部12使用检测容器内的各边界位置(含有物的边界等)以及条形码的边界的网络(例如，YOLO等边界位置检测器)，如图4所示，从输入图像中检测各边界位置以及条形码32的边界。在图4所示的例子中，检测血清(血浆)33与背景的边界41、血清33与分离剂34的边界42、血块与分离剂的边界43。另外，检测条形码32的上部边界44和下部边界45。
边界位置检测部12在边界位置等边界一个都无法检测的情况下，对边界位置检测结果lr设定为0，在存储器中储存边界位置检测结果lr。另外，边界位置检测部12在检测出一个以上的边界位置等边界的情况下，对边界位置检测结果lr设定检测出的边界数。边界位置检测部12将计算出的边界位置检测结果lr和检测出的各边界位置的信息保存于存储器90。
(iii)含有物判定部13
如图5所示，含有物判定部13针对由边界位置检测部12检测出的各边界位置以及条形码的边界的上部和下部区域，使用由对含有物(例如，血清(血浆)、分离剂、血块、尿等含有物)或含有物以外(例如，背景、条形码等)进行识别的网络(例如，卷积神经网络等)构成的识别器，计算各边界位置以及条形码的上部、下部区域的识别结果。另外，在容器中包含透明类型的容器、不透明类型的容器等各种材质的容器的情况下，含有物判定部13使用由容器识别部11识别出的容器类型的信息来选择适合于容器的识别器，使用所选择的识别器来计算各边界位置以及条形码的上部、下部区域的识别结果。
作为一例，图9表示求出识别结果的例子。输入图像A1被输入到特征提取器A91，输出特征量FAi。逻辑回归层92根据特征量FAi识别输入图像A1内的区域。图9的CNN表示Convolutional Neural Network(卷积神经网络)。
含有物判定部13从存储器90读入式(1)、(2)的权重w、滤波器系数wj、偏移值b和bi。
例如，使用特征提取器A91，通过式(1)，针对输入图像A1内的各边界位置以及条形码的上部和下部区域，求出含有物(例如，血清(血浆)、分离剂、血块、尿等含有物)和含有物以外(例如，背景、条形码等)的特征量FAi。
式(1)所示的滤波器系数wj是以将各含有物识别为各含有物(例如，将血清(血浆)识别为血清(血浆)，将分离剂识别为分离剂，将血块识别为血块，将尿识别为尿等)，另外，将各含有物以外识别为含有物以外(例如，将背景识别为背景，将条形码识别为条形码等)的方式，通过机器学习等求出的系数。
在式(1)中，pj表示像素值，bi表示偏移值，m表示滤波器系数的数量，h表示非线性函数。使用式(1)，对对象图像的各区域的左上至右下求出各滤波器的计算结果，由此求出任意的滤波器i的特征量fi。例如，将由特征提取器A91求出的特征量fi的矩阵作为输入图像A1的特征量FAi。
[数学式1]
如图9所示，使用计算出的特征提取器A91的特征量FAi(矩阵f)，在识别器的逻辑回归层92中，通过式(2)计算应检测的含有物或含有物以外的可能性(血清(血浆)可能性、分离剂可能性、血块可能性、背景可能性、条形码可能性等)的值，判定输入图像A1内的各区域(例如，边界位置的上部、下部区域)是应检测的含有物(例如血清(血浆)、分离剂、血块、尿等)还是应检测的含有物以外(例如背景、条形码等)。
在式(2)中，w表示权重的矩阵，b表示偏移值，g表示非线性函数，y表示识别结果，通过公知的机器学习的技术，使用学习用图像事先求出w的权重和b的偏移值。例如，作为机器学习的技术，也可以使用Convolutional Neural Network(卷积神经网络)。另外，使用学习时求出的w的权重和b的偏移值，识别对象图像的各区域，计算识别结果y。
[数学式2]
y＝gg(w×f+b)…(2)
含有物判定部13基于由边界位置检测部12检测出的各边界位置、条形码的边界的上部区域和下部区域的识别结果y，决定各边界是什么。例如，如图8所示，如果上部区域的识别结果是背景，下部区域的识别结果是条形码32，则将其边界判定为条形码上部44(对判定结果pr设定p1)。另外，若上部区域的识别结果为条形码32，下部区域的识别结果为血清33、血块35、分离剂34、背景中的任一个，则将其边界判定为条形码下部45(对判定结果pr设定p2)。
另外，如果上部区域的识别结果为背景，下部区域的识别结果为血清33，则将其边界41判定为血清上部(对判定结果pr设定p3)。另外，如果上部区域的识别结果为血清33、下部区域的识别结果为分离剂34、血块35中的任一者，则将其边界42判定为血清下部(对判定结果pr设定p4)。另外，若上部区域的识别结果为分离剂34，下部区域的识别结果为血块35、容器底中的任一个，则将其边界43判定为分离剂下部(对判定结果pr设定p5)。
另外，如果上部区域的识别结果是分离剂34、血清33、背景中的任一个，下部区域的识别结果是血块35，则将其边界43判定为血块上部(对判定结果pr设定p6)。另外，若上部区域的识别结果为血块35，下部区域的识别结果为分离剂34，则将其边界(未图示)判定为血块下部(对判定结果pr设定p7)。另外，若容器底的上部区域的识别结果为血块35，则将其边界44判定为血块下部(对判定结果pr设定p8)。
另外，如果容器底的上部区域的识别结果为血清33，则将其边界(未图示)判定为血清下部(对判定结果pr设定p9)。另外，如果容器底的上部区域的识别结果为分离剂34，则将其边界(未图示)判定为分离剂下部(对判定结果pr设定p10)。另外，若上部区域的识别结果为血清33、背景、血块35中的任一个，下部区域的识别结果为分离剂34，则将其边界42判定为分离剂上部(对判定结果pr设定p11)。例如，在图5的情况下，对边界的判定结果pr设定p1、p2、p3、p4、p5、p6、p8、p11。
含有物判定部13排除不是由边界位置检测部12检测出的各边界位置或条形码的边界的边界候补。
含有物判定部13将计算出的识别结果y和各边界的判定结果pr储存在存储器90中。
(iv)边界位置校正部14
边界位置校正部14针对由含有物判定部13计算出的各含有物的边界，使用由详细识别含有物(例如，血清(血浆)、分离剂、血块、尿等含有物)的边界的网络(例如，Convolutional Neural Network(卷积神经网络)等)构成的识别器(包含特征提取器B)，通过式(1)、(2)，如图6所示，在搜索范围61中一边以像素单位移动识别区域62一边进行识别，以识别结果y的值最大的位置校正各含有物的边界位置。作为一例，图10示出求出识别结果的例子。输入图像A1被输入到特征提取器B101，输出特征量FBi。逻辑回归层102根据特征量FBi识别输入图像A1内的边界。图10的CNN表示Convolutional Neural Network(卷积神经网络)。
边界位置校正部14从存储器90读入用于识别各含有物的边界的式(1)、(2)的权重w、滤波器系数wj、偏移值b和bi，计算边界可能性的识别结果y。例如，在血清边界周边的搜索范围61中，一边使识别区域62以像素单位上下移动一边识别血清边界，将血清的边界位置校正为识别结果y最大的位置。
另外，边界位置校正部14也可以针对由含有物判定部13判定为血清上部的含有物的边界，使用由识别气泡63的网络(例如Convolutional Neural Network(卷积神经网络)等)构成的识别器(包含特征提取器C)，通过式(1)、(2)对识别区域62内有无气泡进行识别，在识别为有气泡的情况下，将血清上部的边界位置校正为气泡的最下端的位置。作为一例，图11示出求出识别结果的例子。输入图像A1被输入到特征提取器C111，输出特征量FCi。逻辑回归层112根据特征量FCi判定输入图像A1内有无气泡。图11的CNN表示ConvolutionalNeural Network(卷积神经网络)。
边界位置校正部14从存储器90读入用于识别有无气泡的式(1)、(2)的权重w、滤波器系数wj、偏移值b和bi，计算气泡63的识别结果y。
边界位置校正部14将校正后的各边界位置或条形码的边界的位置以及它们的识别结果或气泡的识别结果保存于存储器90。
(v)含有量计算部15
含有量计算部15使用由边界位置校正部14校正后的各含有物的上部和下部的边界位置，计算如图7所示的各含有物的含有量lv。例如，根据由容器识别部11识别出的容器类型的信息，从存储器90读入距容器底的高度和该高度处的容器内侧的面积的含有量信息，将从血清上部的高度到血清下部的高度的各含有量相加，计算血清33的含有量lv。另外，含有量计算部15计算从由容器识别部11计算出的容器上部的位置到血清上部的边界的距离ds。
如图12所示，根据拍摄时的照相机的镜头的视点等，有时越朝向上下方向，越产生像素信息的失真。因此，含有量计算部15例如也可以使用式(3)至式(8)，将血清上部与血清下部的边界位置的各个像素信息(x1，y1)校正为(x3，y3)后，计算血清的含有量lv。其中，式(3)的x、y表示包含照相机坐标上的失真的点，x1、y1表示包含图像坐标上的失真的点，cx、cy表示图像中心，fx、fy表示焦距，式(5)的k1、k2表示半径方向的失真系数，式(6)的p1、p2表示圆周方向的失真系数，式(7)的x2、y2表示校正了照相机坐标上的失真后的点，式(8)的x3、y3表示校正了图像坐标上的失真后的点。
[数学式3]
[数学式4]
r2＝x2+y2…(4)
[数学式5]
rad＝1+k1r2+k2r4…(5)
[数学式6]
[数学式7]
[数学式8]
含有量计算部15将计算出的含有量lv以及距离ds保存于存储器90。
(vi)检体状态判定部16
检体状态判定部16使用边界位置检测部12计算出的边界位置检测结果lr、含有物判定部13计算出的各边界的判定结果pr、含有量计算部15计算出的含有量lv，判定可否检查对象容器。图13表示检体状态判定部16的流程图。
例如，如果边界位置检测结果lr为0，则检体状态判定部16判定为对象容器为空容器，对可否检查判定结果设定0(不可检查)，对可否检查判定理由设定空容器。另外，在含有量lv小于阈值TH的情况下，对可否检查判定结果设定0(不可检查)，对可否检查判定理由设定“含有量不足”。
另外，在边界的判定结果pr中不包含p3和p4、或者p3和p9的情况下，对可否检查判定结果设定0(不可检查)，对可否检查判定理由设定“无血清”。另外，在边界位置检测结果lr为1以上且含有量lv为阈值TH以上且边界的判定结果pr中包含p3和p4、或者p3和p9的情况下，对可否检查判定结果iajr设定1(可检查)，对可否检查判定理由设定“有血清”。
<检体状态判定部16的处理步骤>
(i)步骤1301
检体状态判定部16判定边界位置检测结果lr是否为0。在lr为0以外的情况下，处理转移到步骤1302。在lr为0的情况下，处理转移到步骤1307。
(ii)步骤1302
检体状态判定部16判定含有量计算部15计算出的含有量lv是否为阈值TH(例如，4μl)以上。在含有量lv为阈值TH以上的情况下，处理转移到步骤1303。在含有量lv小于阈值TH的情况下，处理转移到步骤1307。
(iii)步骤1303
检体状态判定部16判定含有物判定部13计算出的各边界的判定结果pr是否包含p3。在各边界的判定结果pr包含p3的情况下，处理转移到步骤1304。在各边界的判定结果pr不包含p3的情况下，处理转移到步骤1307。
(iv)步骤1304
检体状态判定部16判定含有物判定部13计算出的各边界的判定结果pr是否包含p4。在各边界的判定结果pr包含p4的情况下，处理转移到步骤1305。在各边界的判定结果pr不包含p4的情况下，处理转移到步骤1306。
(v)步骤1305
检体状态判定部16对可否检查判定结果iajr设定1(可检查)。
(vi)步骤1306
检体状态判定部16判定含有物判定部13计算出的各边界的判定结果pr是否包含p9。在各边界的判定结果pr包含p9的情况下，处理转移到步骤1305。在各边界的判定结果pr不包含p9的情况下，处理转移到步骤1307。
(vii)步骤1307
检体状态判定部16对可否检查判定结果iajr设定0(不可检查)。
检体状态判定部16将计算出的可否检查判定结果iajr和可否检查判定理由保存在存储器90中。
(vii)输出部17
作为一例，输出部17在图14所示的GUI(图形用户界面)中显示由容器识别部11计算出的容器类型ct、由边界位置检测部12检测出的各边界的线、由含有物判定部13判定出的各边界的上部区域和下部区域的识别结果和边界判定结果、由边界位置校正部14校正后的各边界的线(例如边界(校正))、由含有量计算部15计算出的各含有物的含有量lv和距离ds、由检体状态判定部16求出的对象容器的可否检查的判定结果以及判定理由。
图14是表示对象容器中含有血清、分离剂、血块，血清的边界位置被校正后的情况的一例的图。在图14中是对象容器的检查可否为“可”，检查可否判定理由为“有血清”，容器类型为“A”，含有量(血清)为20μl，边界判定结果为p1、p2、p3、p4、p5、p6、p8、p11，气泡的识别结果为“有”，距容器上部的距离为18mm，显示了血清上部的边界线和校正后的血清上部的边界线、血清下部的边界线(分离剂上部的边界线)、分离剂下部的边界线(血块上部的边界线)、容器底的边界线的例子。
作为试样状态判定装置1，输出部17不是必需的结构，在检体检查装置中包含输出部的情况下，试样状态判定装置1也可以不保持输出部17。
<试样状态判定装置的处理顺序>
图15是用于说明本发明的实施方式的试样状态判定装置1的动作的流程图。以下，将各处理部(输入部10、含有物判定部13等)记述为动作主体，但也可以替换为将CPU201作为动作主体，CPU201执行作为程序的各处理部。
(i)步骤1501
输入部10受理对象图像，将该输入图像输出到容器识别部11。
(ii)步骤1502
容器识别部11使用容器检测器，从输入图像检测容器，进而识别容器类型ct，检测容器上部和容器底的位置，将求出的信息保存在存储器90中。
(iii)步骤1503
边界位置检测部12使用边界位置检测器，检测容器内的各边界位置(含有物的边界等)和条形码的边界，将求出的信息保存在存储器90中。
(iv)步骤1504
含有物判定部13通过式(1)、式(2)，计算各边界位置或条形码的边界的上部区域和下部区域的识别结果以及各边界的判定结果pr，将求出的信息保存在存储器90中。
(v)步骤1505
边界位置校正部14通过式(1)、式(2)求出校正后的各边界位置或条形码的边界的位置以及它们的识别结果或气泡的识别结果，并将求出的信息保存于存储器90。
(vi)步骤1506
含有量计算部15使用容器上部的位置和各含有物的上部与下部的边界位置的信息，求出各含有物的含有量lv和从容器上部到血清上部的距离ds，将求出的信息保存在存储器90中。另外，含有量计算部15通过式(3)至式(8)校正各边界位置的信息，根据校正后的各边界位置的信息求出各含有物的含有量lv和从容器上部到血清上部的距离ds，将各含有量lv和距离ds保存在存储器90中。
(vii)步骤1507
检体状态判定部16使用边界位置检测部12计算出的边界位置检测结果lr、含有物判定部13计算出的各边界的判定结果pr、含有量计算部15计算出的含有量lv，判定可否检查对象容器，将计算出的检查可否判定结果iajr保存在存储器90中。
根据第一实施方式，识别容器类型，检测容器的各边界位置和条形码的边界位置，计算容器的各边界位置和条形码的上部、下部区域的识别结果，详细地识别各边界位置的周边来校正边界位置，计算成为容器内的对象的含有物的含有量，进而使用计算出的含有量和各边界位置的周边区域的识别结果来判定容器内的检体的状态，由此，能够从图像中高精度地检测容器内的含有物的含有量并且高精度地判定可否检查对象容器。
另外，通过从图像中高精度地检测容器内的含有物的含有量，能够将从患者采集的检体量抑制为微量。
(2)第二实施方式
图16是表示本发明的第二实施方式的检体检查装置1600的结构的功能框图。检体检查装置1600具有第一实施方式的试样状态判定装置1、检体吸引装置1601以及显示装置1602。
检体吸引装置1601例如具有如下装置：控制具备吸引嘴的检体采样机构，使用所吸引的检体和试剂，计算与检体相关的检查项目的分析结果(例如，与生物化学、免疫分析相关的HbA1c、TP、AST等)。
检体吸引装置1601从试样状态判定装置1接收可否检查信息(可否检查判定结果iajr等)，在可否检查判定结果iajr为1(可检查)的情况下，控制检体采样机构来吸引检体的一部分，使用试剂来计算各检查项目的分析结果。显示装置1602将分析结果显示于显示画面。另一方面，在可否检查判定结果iajr为0(不可检查)的情况下，在检体采样机构中不吸引检体，显示装置1602针对显示画面的可否检查显示为“不可”。另外，检体吸引装置1601从试样状态判定装置1接收距容器上部的距离ds的信息，控制检体采样机构的吸引嘴的吸引位置。
作为检体吸引装置1601，也可以使用具备检体采样机构的生物化学分析装置、免疫分析装置等。
根据第二实施方式，能够提供如下的检体检查装置：使用由试样状态判定装置判定出的可否检查信息，通过检体吸引装置高精度地控制可否吸引检体，使用所吸引的检体和试剂进行与检体相关的各检查项目的分析，通过显示装置显示各检查项目的分析结果，由此能够高效地进行检查，进而能够将来自患者的检体采集量抑制为微量。
关于以上说明的各实施方式，能够进行如下的变形。在含有物判定部13、边界位置校正部14中，通过机器学习使用滤波器求出多个特征量，但也可以使用HOG等其他特征量，具有同样的效果。
另外，在容器识别部11、边界位置检测部12中，使用YOLO作为容器检测器、边界位置检测器来检测容器、边界位置，但也可以使用SSD(Single Shot MultiBox Detector)、R-CNN、Fast R-CNN、Faster R-CNN等，具有同样的效果。
本发明也能够通过实现实施方式的功能的软件的程序代码来实现。在该情况下，将记录有程序代码的存储介质提供给系统或装置，该系统或装置的计算机(或CPU、MPU)读出储存于存储介质的程序代码。在该情况下，从存储介质读出的程序代码本身实现上述实施方式的功能，该程序代码本身以及存储有该程序代码的存储介质构成本发明。作为用于供给这样的程序代码的存储介质，例如使用软盘、CD-ROM、DVD-ROM、硬盘、光盘、光磁盘、CD-R、磁带、非易失性的存储卡、ROM等。
另外，也可以基于程序代码的指示，由在计算机上运行的OS(操作系统)等进行实际的处理的一部分或者全部，通过该处理来实现上述的实施方式的功能。并且，也可以在从存储介质读出的程序代码被写入计算机上的存储器之后，计算机的CPU等基于该程序代码的指示来进行实际的处理的一部分或者全部，通过该处理来实现上述的实施方式的功能。
进而，也可以通过将实现实施方式的功能的软件的程序代码经由网络分发，将其保存到系统或装置的硬盘或存储器等存储单元或CD-RW、CD-R等存储介质中，在使用时该系统或装置的计算机(或CPU或MPU)将该存储单元或该存储介质中保存的程序代码读出并执行。
最后，这里所述的过程和技术本质上不涉及任何特定的设备，并且可以通过组件的任何适当组合来实现。而且，通用目的的各种类型的设备能够按照在此记述的方法使用。为了执行在此所述的方法的步骤，有时构建专用的装置也是有益的。另外，通过实施方式所公开的多个结构要素的适当的组合，能够形成各种发明。例如，也可以从实施方式所示的全部结构要素中删除几个构成要素。并且，也可以适当组合不同的实施方式的结构要素。本发明与具体例相关联地进行了记述，但这在所有观点上并不是用于进行限定，而是用于进行说明。对于本领域技术人员来说，知晓存在与实施本发明相应的硬件、软件以及固件的多个组合。例如，所记述的软件可以通过汇编语言、C/C++、perl、Shell、PHP、Java等大范围的程序或脚本语言来实现。
并且，在上述的实施方式中，控制线、信息线表示了被认为说明上需要的线，在产品上未必表示全部的控制线、信息线。所有的结构也可以相互连接。
此外，对于具有本技术领域的通常的知识的人，根据在此公开的本发明的说明书以及实施方式的考察，将会明确本发明的其他实施。所记述的实施方式的各个形式和/或组件可以单独使用或以任意组合形式来使用。

Claims (11)

1.一种试样状态判定装置，其特征在于，包含：
处理器，其执行用于对对象试样容器的图像进行图像处理的程序；以及
存储器，其用于储存所述图像处理的结果，
所述处理器执行：
输入所述图像的处理；
从所述图像中检测边界位置的处理；
判定检测出的各所述边界位置的上下区域的种类，并决定各含有物的边界位置的处理；以及
根据决定出的所述各含有物的边界位置判定可否检查所述对象试样容器的处理。
2.根据权利要求1所述的试样状态判定装置，其特征在于，
所述处理器执行根据检测出的各所述边界位置的上下区域的判定出的所述种类，对检测出的各所述边界位置进行校正的处理。
3.根据权利要求1所述的试样状态判定装置，其特征在于，
所述处理器执行：
从所述图像中识别容器并计算容器信息的处理；
根据所述容器信息选择检测器的处理；以及
判定使用选择出的所述检测器检测出的各边界位置的上下区域的种类，并决定各含有物的边界位置的处理，
所述处理器根据决定出的所述各含有物的边界位置判定可否检查所述对象试样容器。
4.根据权利要求1～3中任一项所述的试样状态判定装置，其特征在于，
所述处理器执行根据决定出的所述各含有物的边界位置计算含有量的处理，
根据计算出的所述含有量判定可否检查所述对象试样容器。
5.根据权利要求2所述的试样状态判定装置，其特征在于，
所述处理器执行从所述图像中识别容器并计算容器信息的处理，
所述处理器执行根据所述容器信息和决定出的所述各含有物的边界位置计算含有量的处理，
所述处理器根据计算出的所述含有量判定可否检查所述对象试样容器。
6.一种判定图像内的对象试样容器的状态的试样状态判定方法，其特征在于，
执行用于对所输入的图像进行图像处理的程序的处理器输入对象试样容器的图像，从所述图像中检测边界位置，判定检测出的各所述边界位置的上下区域的种类，并决定各含有物的边界位置，根据决定出的所述各含有物的边界位置判定可否检查所述对象试样容器。
7.根据权利要求6所述的试样状态判定方法，其特征在于，
所述处理器基于检测出的各所述边界位置的上下区域的判定出的所述种类，对检测出的各所述边界位置进行校正。
8.根据权利要求6所述的试样状态判定方法，其特征在于，
所述处理器从所述图像中识别容器并计算容器信息，根据所述容器信息选择检测器，判定使用选择出的所述检测器检测出的各边界位置的上下区域的种类，并决定各含有物的边界位置，根据决定出的所述各含有物的边界位置判定可否检查所述对象试样容器。
9.根据权利要求6～8中任一项所述的试样状态判定方法，其特征在于，
所述处理器根据决定出的所述各含有物的边界位置计算含有量，根据计算出的所述含有量判定可否检查所述对象试样容器。
10.根据权利要求7所述的试样状态判定方法，其特征在于，
所述处理器从所述图像中识别容器并计算容器信息，根据所述容器信息和决定出的所述各含有物的边界位置计算含有量，根据计算出的所述含有量判定可否检查所述对象试样容器。
11.一种试样检查装置，其特征在于，包含：
权利要求1～3中任一项所述的试样状态判定装置；
试样吸引装置，其对可否吸引试样进行控制来分析试样的检查项目；以及
显示装置，其显示分析结果，
所述试样吸引装置使用由所述试样状态判定装置判定出的可否检查的信息来控制可否吸引所述对象试样容器内的试样，使用所吸引的所述试样和试剂来分析与所述试样有关的检查项目，
所述显示装置显示所述检查项目的分析结果。
CN202380045068.9A 2022-06-23 2023-06-06 试样状态判定装置、试样状态判定方法及试样检查装置 Pending CN119317841A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2022101278A JP2024002211A (ja) 2022-06-23 2022-06-23 試料状態判定装置、試料状態判定方法及び試料検査装置
JP2022-101278 2022-06-23
PCT/JP2023/021066 WO2023248789A1 (ja) 2022-06-23 2023-06-06 試料状態判定装置、試料状態判定方法及び試料検査装置

Publications (1)

Publication Number Publication Date
CN119317841A true CN119317841A (zh) 2025-01-14

Family

ID=89379663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202380045068.9A Pending CN119317841A (zh) 2022-06-23 2023-06-06 试样状态判定装置、试样状态判定方法及试样检查装置

Country Status (4)

Country Link
EP (1) EP4545976A1 (zh)
JP (1) JP2024002211A (zh)
CN (1) CN119317841A (zh)
WO (1) WO2023248789A1 (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09133687A (ja) 1995-11-13 1997-05-20 Meiji Denki Kogyo Kk 採血試験管における血清量測定装置
JPH10232228A (ja) 1997-02-21 1998-09-02 Matsushita Electric Ind Co Ltd 血液検査方法及び装置
JP3858029B2 (ja) 2004-03-22 2006-12-13 株式会社アイディエス 試験管の検知装置
JP6422824B2 (ja) * 2015-05-29 2018-11-14 株式会社日立ハイテクノロジーズ 検体前処理方法及び検体前処理装置
WO2019018313A1 (en) * 2017-07-19 2019-01-24 Siemens Healthcare Diagnostics Inc. METHODS FOR COMPENSATION OF PARASITE LIGHT AND APPARATUS FOR CHARACTERIZING A SPECIMEN
EP3835737B1 (en) * 2019-12-10 2024-03-20 Roche Diagnostics GmbH Method and apparatus for determining a vertical position of a horizontally extending interface between a first component and a second component
JP7436270B2 (ja) * 2020-04-09 2024-02-21 株式会社日立ハイテク 生体検体解析装置
JP7539826B2 (ja) 2020-12-24 2024-08-26 川崎重工業株式会社 自走式ロボット及びその制御方法

Also Published As

Publication number Publication date
JP2024002211A (ja) 2024-01-11
WO2023248789A1 (ja) 2023-12-28
EP4545976A1 (en) 2025-04-30

Similar Documents

Publication Publication Date Title
CN110892272B (zh) 装置、试料的状态的判别方法以及分析系统
JP6927465B2 (ja) 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
CN114585443B (zh) 训练诊断分析仪模型的设备和方法
CN113302472B (zh) 生物体试样检测装置
JP2018512567A (ja) 検査室自動化のためのサイドビューサンプルチューブ画像におけるバーコードタグ検出
CN115280158B (zh) 生物体检体解析装置
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质
JP2010151566A (ja) 粒子画像解析方法及び装置
US20240169517A1 (en) Methods and apparatus for automated specimen characterization using diagnostic analysis system with continuous performance based training
US12299172B2 (en) Methods and apparatus for protecting patient information during characterization of a specimen in an automated diagnostic analysis system
CN115359412B (zh) 一种盐酸中和实验评分方法、装置、设备及可读存储介质
CN119317841A (zh) 试样状态判定装置、试样状态判定方法及试样检查装置
JP7273631B2 (ja) 検体性状識別装置、検体性状識別方法及び検体搬送システム
JP2010151523A (ja) 粒子画像解析方法および装置
US20240371141A1 (en) Methods and apparatus providing training updates in automated diagnostic systems
KR20220109335A (ko) 인공지능 기반 진단키트 검사 결과 이미지에서 비정형 이물질 배제를 통한 진단 검사 장치 및 방법
US20220110558A1 (en) Supporting a measurement of a liquid sample
US20240185624A1 (en) Image processing during biological sample analysis
JP2009103492A (ja) 血液分析装置およびプログラム
US20240168006A1 (en) Methods and apparatus for hashing and retrieval of training images used in hiln determinations of specimens in automated diagnostic analysis systems
HK40068364A (zh) 训练诊断分析仪模型的设备和方法
JP2024176129A (ja) 配管溶接部検査システムおよび配管溶接部検査方法
CN117915825A (zh) 自动化验证和测试程序指导
CN116934843A (zh) 控制方法、多通量离心平台及计算机可读存储介质
IT202100012116A1 (it) Sistema e metodo di controllo qualità di campioni biologici

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