JP2020529003A - ディープラーニングボリューム定量化方法および装置 - Google Patents

ディープラーニングボリューム定量化方法および装置 Download PDF

Info

Publication number
JP2020529003A
JP2020529003A JP2020503311A JP2020503311A JP2020529003A JP 2020529003 A JP2020529003 A JP 2020529003A JP 2020503311 A JP2020503311 A JP 2020503311A JP 2020503311 A JP2020503311 A JP 2020503311A JP 2020529003 A JP2020529003 A JP 2020529003A
Authority
JP
Japan
Prior art keywords
volume
sample
neural network
images
serum
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
Application number
JP2020503311A
Other languages
English (en)
Other versions
JPWO2019023376A5 (ja
JP7216069B2 (ja
Inventor
クルックナー，シュテファン
チャン，ヤオ−ジェン
マ，カイ
シン，ヴィヴェーク
チェン，テレンス
エス． ポラック，ベンジャミン
エス． ポラック，ベンジャミン
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.)
Siemens Healthcare Diagnostics Inc
Original Assignee
Siemens Healthcare Diagnostics Inc
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 Siemens Healthcare Diagnostics Inc filed Critical Siemens Healthcare Diagnostics Inc
Publication of JP2020529003A publication Critical patent/JP2020529003A/ja
Publication of JPWO2019023376A5 publication Critical patent/JPWO2019023376A5/ja
Application granted granted Critical
Publication of JP7216069B2 publication Critical patent/JP7216069B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G01N35/00594—Quality control, including calibration or testing of components of the analyser
    • G01N35/00613—Quality control
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • 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
    • G01N2035/0439—Rotary sample carriers, i.e. carousels
    • G01N2035/0441—Rotary sample carriers, i.e. carousels for samples
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

検体のボリュームを定量化するためのニューラルネットワークベースの方法。この方法は、検体を提供するステップ、検体の画像を取得するステップ、およびトレーニングされたニューラルネットワークを用いて複数のボリュームクラスまたはボリュームの１つに直接分類するステップを含む。上記ボリューム定量化法を実施するために適合した品質チェックモジュール及び検体検査装置について、他の側面と同様に説明される。

Description

関連出願の相互参照
本願は、参照によりその内容は本願明細書に組み込まれている、２０１７年７月２８日に出願された米国特許仮出願第６２／５３８，４６０号明細書の利益を主張するものである。
本開示は、検体の検査のための方法および装置に関するものであり、より詳細には、検体中の１以上の成分量を決定するための方法および装置に関するものである。
自動化された検査システムは、尿、血液、血漿、間質液、脳脊髄液などのような検体中の分析物または他の成分を同定するために、１つ以上の試薬を用いてアッセイまたは臨床分析を実施することができる。便宜上および安全上の理由から、このような検体は通常、検体容器（例えば、検体採取管）内に収納される。検査反応は、いくつかの実施形態において、患者の病態を示すことができる、検体に含まれる分析物または他の成分の濃度を決定するために読み取りおよび／または操作することができる種々の変化を生成する。
自動検査技術の向上に伴い、検査室自動化システム（ＬＡＳ）と呼ばれる自動検体準備システムにより、分離、パッチ準備、検体容器の遠心分離による検体成分の分離、流体アクセスを容易にするキャップ除去などの分析前検体準備や取扱操作が対応して進歩した。ＬＡＳはまた、検体容器内の検体を多数の検体処理ステーションに自動的に搬送し、その上で様々な操作（例えば、分析前検査または分析検査）を行うことができるようにすることもできる。
ＬＡＳは、サイズ（例えば、直径および高さ）が異なる可能性がある、標準的なバーコードでラベル付けされた検体容器に含まれる多数の異なる検体を取り扱うことができる。バーコードラベルには、検査指示とともに病院の検査情報システム（ＬＩＳ）に入力された可能性のある患者情報他の情報を含む、またはそれらと関連する可能性のある受託番号が含まれていてもよい。操作者は、ラベル付けされた検体容器をＬＡＳシステム上に置くことができ、これは、遠心分離、デキャッピング、および／または、アリコートの準備のような前分析操作のための検体容器を自動的にルーティングし、そしてＬＡＳの一部でもあり得る１つ以上の分析装置（臨床化学またはアッセイ機器）による臨床分析またはアッセイに実際に供される前の全ての検体をルーティングすることができる。
ある種の検査では、血清または血漿部分（遠心分離により全血から得られる）のような生体液を分析に供することができる。検体が全血の場合には、沈降血液部分を血清または血漿部分から分離するのを容易にするために、ゲルセパレータを検体容器に加えてもよい。前処理の後、検体容器は、検体容器から検体の生体液の一部（例えば、血清または血漿部分）を抽出し、反応容器内の１つまたは複数の試薬およびおそらく他の用具（例えば、キュベット）と流体を組み合わせることができる適切な分析器に搬送することができる。次いで、光度測定法または蛍光光度法による吸収測定法を用いて、放射線を調べるビームなどを用いて、分析測定を行うことができる。測定値は、エンドポイント、速度または他の値の判定を可能にし、そこから生体液中の分析物または他の成分の量を、周知の技術を用いて判定する。検体容器に存在する生体液のボリュームを知ることは、指示された検査を実施するのに十分な液体が存在する場合に判断できるようにすることが有利であるが、このようなボリュームを患者の病態に関する情報を示すために使用する場合もある。
一部の生体流体では、検体中の様々な部分（例えば、沈降部分、血清または血漿部分、およびゲルセパレータ（使用した場合））の間の境界は、既存の方法を用いて決定することが困難な場合がある。したがって、結果として生じる血清または血漿部分のボリューム、または、沈降血液部分（ＳＢＰ）および血清または血漿部分（ＳＰＰ）の相対量を決定することは困難である。さらに、検体容器に含まれる生体液のボリュームを正確に決定することは、ＬＡＳに提示されている検体容器の種類およびサイズが非常に多く異なる場合、困難である。さらに、この状況を悪化させるのは、ある場合には、生体流体が、１つ以上の情報含有ラベルによって、完全にまたは部分的に視野から隠されていることがあるということである。
このラベル遮蔽問題に対処するために、いくつかのシステムはミラーによる米国特許出願公開第２０１２／０１４２３0号明細書に記載されているように、検体容器を回転させて、ラベルによって妨げられていない表示ウィンドウを見つけ、光学イメージングシステムを用いて成分の相対量を測定するようになっている。しかしながら、そのようなシステムは、自動化し難い可能性がある。
検体に含まれる様々な成分のボリュームを決定する際に遭遇する困難性のために、生体液の１以上の成分のボリュームを容易に決定するように適合された方法および装置に対する満たされていないニーズが存在する。
第１の態様によれば、検体容器内に含まれる検体を定量化する方法が提供される。この方法は、画像位置に検体を含む検体容器を提供するステップ、検体の複数のハイダイナミックレンジ画像を取得するとともに、その複数のハイダイナミックレンジ画像を画像データとして保存するステップ、画像データをニューラルネットワークにより操作するステップ、および、検体を複数のボリュームクラスおよび検体のボリュームの一方にニューラルネットワークで分類するステップを含む。
別の態様によれば、検体のボリュームを定量化するように構成された品質チェックモジュールが提供される。品質チェックモジュールは、公称波長が異なる複数のスペクトルで複数の露光でかつ１つ以上の視点から検体の画像を取得するように構成された１つ以上の画像取得装置と、１つ以上の画像取得装置に操作可能に連結されたコンピュータを含み、当該コンピュータは、異なる露光時および複数のスペクトルのそれぞれにおいて、画像から最適に露光された画素を選択し、複数のスペクトルのそれぞれに対して最適に露光された撮像データを生成し、ニューラルネットワークを用いて撮像データを操作し、ニューラルネットワークを有する検体を複数のボリュームクラスおよび検体のボリュームの一方に分類する。
さらに別の態様では、検体検査装置が提供される。検体検査装置には、軌道、および軌道上の品質チェックモジュールが含まれる。品質チェックモジュールは、公称波長が異なる複数のスペクトルで複数の異なる露光で、かつ１つ以上の視点から、検体の画像を取得するように構成された１つまたは複数の画像取得装置と、複数のスペクトルおよび１つまたは複数の視点ごとに最適に露光される撮像データを生成するために複数の異なる露光量で画像から最適に露光される画素を複数の異なる露光量で画像から選択するように構成され、かつ操作可能なコンピュータ構成の画像取得装置を含み、ニューラルネットワークを用いて撮像データを操作して、ニューラルネットワークを用いて検体を複数のボリュームクラスおよび検体のボリュームの一方に分類する。
本発明のさらに他の態様、特徴及び利点は、本発明を実施するために考えられる最良の形態を含む多くの例示的な実施形態及び事項を示すことによって、以下の説明から容易に明らかになるであろう。本発明はまた、他の実施形態および異なる実施形態も可能であり、そのいくつかの詳細は、全て本開示の範囲から逸脱することなく、様々な点で修正することができる。したがって、図面及び説明は、本質的に例示的であると見なされるべきであり、限定的とみなされるべきではない。開示は、クレームの範囲内にある全ての修正、等価物、および代替形態を網羅することである。
以下に説明する図面は、説明のためのものであり、必ずしも一定の縮尺で描かれているわけではない。図面は、決して本発明の範囲を限定するものではない。
図１は、検体ボリュームを決定するように構成された１以上の品質チェックモジュールおよび１以上の実施形態による１以上の分析器を含む、検体検査装置の上面模式図を示す。 図２は、検体を含みラベル付けされた検体容器の側面図を示しており、これは、１以上の実施形態に従った検体ボリューム定量化法を用いることによってボリュームを定量化することができる。 図３Ａは、血清または血漿部分、沈降血液部分、およびゲルセパレータの検体構成を含むラベル付けされた検体容器の側面図を示しており、これらの各成分は、１以上の実施形態による検体定量化法によって定量化することができる。 図３Ｂは、血清または血漿部分、沈降血液部分、およびゲルセパレータを含む実際の検体容器の側面写真を示しており、これらのそれぞれは、１以上の実施形態による検体ボリューム定量化法によって画像化および定量化され得る。 図４Ａは、１以上の実施形態に従って検体のボリュームを定量化するために複数の画像を取得し、分析するように構成された品質チェックモジュールの模式的な上面図を示す。 図４Ｂは、１つ以上の実施形態によるセクションライン４Ｂ−４Ｂに沿って撮影された図４Ａの品質チェックモジュールの模式的側面図を示す。 図５Ａは、１以上の実施形態に従い、検体の１以上の成分のボリュームを定量化するように構成された品質チェックモジュールの機能的成分のブロック図を示す。 図５Ｂは、１つ以上の実施形態に従い、検体に含まれる血清または血漿部分のボリュームを定量化するように構成されたニューラルネットワークを含む品質チェックモジュールの構成要素の詳細なブロック図を示す。 図５Ｃは、１以上の実施形態による、血清または血漿部分、沈降血液部分、および検体容器に含まれるゲルセパレータの３つの全てのボリュームを定量化するように構成されたニューラルネットワークを含む品質チェックモジュールの構成要素のブロック図を示す。 図５Ｄは、１つ以上の実施形態による、各血清または血漿部分、沈降血液部分、およびゲルセパレータに対する視点および境界ボックスからの側面画像を示す。 図５Ｅは、１以上の実施形態によるルックアップテーブルを示す。 図６Ａは、１以上の実施形態に従って検体のボリュームを直接定量化するように構成されたニューラルネットワークを含むトレーニング構成における品質チェックモジュールの構成要素のブロック図を示す。 図６Ｂは、１以上の実施形態に従って検体のボリュームを直接定量化するように構成されたニューラルネットワークを含む検査構成における品質チェックモジュールの構成要素のブロック図を示す。 図７Ａは、１から見た検体を含む検体容器の側面像を示し、１つ以上の実施形態によるラベルによる第１の遮蔽範囲を示す。 図７Ｂは、視点２からの検体を含む検体容器の側面図を示し、１つ以上の実施形態によるラベルによる第２の遮蔽範囲を示す。 図７Ｃは、視点３からの検体を含む検体容器の側面図を示し、１つ以上の実施形態によるラベルによる第３の遮蔽範囲を示す。 図７Ｄは、１以上の実施形態による種々の視点１〜３を示す品質チェックモジュールの上面図を示す。 図８は、１以上の実施形態による検体のボリュームを定量化する方法のフローチャートである。
第１の広い態様において、本開示の実施形態は、検体の１以上の成分のボリューム特性を定量化するように構成され、かつ、操作可能な装置、システムおよび方法を提供する。特に、装置、システムおよび方法は、血清または血漿部分、沈降血液部分、または、ゲルセパレータ（使用する場合）のボリュームを決定するように構成され、操作可能である。これは、血清または血漿部分のボリュームを正確に知ることによって、特定の検体について複数の検査を指示する場合に検査を実施するために、検体容器に存在する十分な量の血清または血漿部分が存在することを予めチェックまたは検証することを可能にする。血清または血漿部分と沈降血液部分のボリューム特性を正確に知ることは、両者の間の比率の生成も可能にし、これは本発明の疾患状態を示すことができる。同様に、沈降血球部分のボリュームを知ることも、患者の病態を示すことができる。
本明細書に記載するように、検体は採血管などの検体容器に採取することができ、分離後（例えば、遠心分離を用いた分離）に沈降血液部分と血清および血漿部分を含む。沈降血液部分は、白血球、赤血球および血小板などの血液細胞で構成され、これらは凝集して血清または血漿部分から分離される。検体容器の底部には、一般に沈降血液部分が認められる。血清又は血漿部分は、沈降血液部分の一部以外の血液の液体成分である。これは、概ね、沈降血液部分の上方にある。血漿と血清は主に凝固成分、主にフィブリノーゲンの含有量が異なる。血漿は凝固していない液体であるが、血清は内因性酵素または外因性の成分の影響下である程度凝固させた血液血漿を指す。一部の検体容器では、ゲルセパレータ（例えば、プラグ）を使用してもよく、これは、分離中に沈降血液部分と血清または血漿部分との間に自身を配置する。それは２つの部分の間のバリヤとして働き、その再度の混合を防止する。
１以上の実施形態によれば、検体定量化法は、分析前検査法（すなわち、プレスクリーニング法として）として実施することができる。例えば、１つ以上の実施形態において、検体定量化方法は、干渉物質の存在について特徴づけられる検体とともに、または分析器上でのルーチン分析に供される前に実施することができる。特に、本開示の１つ以上の実施形態は、さらなる分析検査のための必要条件として、検体のボリューム定量化のために提供する。検体のボリューム定量化は、本明細書に記載されるように、品質チェックモジュールで決定してもよい。品質チェックモジュールは、指示された検査または患者の病状に関係する可能性のある検体または容器の全体的な品質に一般的に関連する、検体または検体容器の１つ以上の態様のチェックを可能にする装置である。品質チェックモジュールは、異なる側方視点からの画像など、検体容器のデジタル画像を１つまたは複数提供するように配置された１つまたは複数の画像取得装置（例えば、複数のデジタルカメラなど）を含むことができる。
主な目標として、定量化法は、血清または血漿部分のボリュームおよびおそらくは検体の他の成分（例えば、沈降血液部分および／またはゲルセパレータ）の正確かつ迅速な定量化を含む。ボリューム定量化は、いくつかの実施形態において、ハイダイナミックレンジ（ＨＤＲ）画像処理を用いて行うことができる。１つの有利な態様によれば、ボリューム定量化は、セグメント化ステップなしで撮像データから直接実施することができる。
ボリューム定量化法が検体中に存在する１以上の成分のボリュームを決定した後、生成されたＨＤＲデータセットを用いて、血清または血漿部分における溶血、黄疸、および／または、脂肪血（以下、「ＨＩＬ」）などの干渉物質の存在を決定するなど、検体に関するさらなる情報を決定することができる。
いくつかの実施形態において、品質チェックモジュールは、直接ボリューム定量化法を実行するように構成される。品質チェックモジュールは、検査室自動化システム（ＬＡＳ）の一部として提供することができ、ここでは、軌道が検体を１つまたは複数の分析器に搬送し、品質チェックモジュールは、検体ロードステーションと１つまたは複数の分析器との間の軌道上またはその近傍に提供することができる。特定の実施では、品質チェックモジュールは、検体ローディングステーションにおいて、または、軌道に沿った別の位置において、軌道上に提供され、その結果、検体は、軌道上にある間に、ボリュームが定量化され得る。
ＨＤＲデータ処理を含むボリューム定量化方法は、複数の露光時（例えば、露光時間）および異なる公称波長を有する複数のスペクトルによって連続的に照射されている間に、品質チェックモジュールで複数の画像を取得することを含むことができる。いくつかの実施形態において、異なる視点から画像を取得するように配置された複数の画像取得装置を用いて複数の画像を得ることができる。照明のために異なる光源（例えば、検体のバックライト）を使用している間に、複数のスペクトル（例えば、色）で１つまたは複数の画像を撮影することができる。例えば、赤色光源（Ｒ）、緑色光源（Ｇ）、および青色光源（Ｂ）を用いることができる。代わりに、または追加的に、白色光源（ＷＬ）、近赤外光源（ＮＩＲ）または赤外光源、および／または、紫外光源（ＵＶ）を使用してもよい。
各スペクトルに対する複数の露光での画像は、品質チェックモジュールによって取得することができる。例えば、異なる露光での４〜８以上の画像が、各スペクトルで得られることがある。露光量は、画像取得装置の照明強度および特徴に基づいて変化する可能性がある。
検体直接ボリューム定量化法、ボリューム定量化法を実施するように構成された品質チェックモジュール、および、品質チェックモジュールの１つ以上を含む検体検査システムのさらなる詳細は、本明細書中の図１−８を参照してさらに記述されるであろう。
図１は、検体容器１０２（例えば、検体採取管。図２および３Ａ参照）の複数のものを自動的に処理することができる検体検査装置１００を示す。検体容器１０２は、搬送前にローディングエリア１０５に設けられた１つまたは複数のラック１０４に収納され、１つまたは複数の分析器（例えば、検体検査装置１００の周囲に配置された、それぞれ第１、第２および第３の分析器１０６、１０８、１１０）によって分析されてもよい。より多くの数又は少ない数の分析装置を使用できることは明らかである。分析装置１０６、１０８、１１０は、臨床化学分析装置および／またはアッセイ機器等の任意の組合せでよい。検体容器１０２は、それぞれ、採血管、試験管、サンプルカップ、キュベット、または、他の一般的に透明なガラスまたはプラスチックの容器のような、一般的に透明または半透明の容器であってよい。他の適切な容器を使用してもよい。最も一般的な形状は採血管である。
典型的には、自動的に処理される検体２１２（図２及び３Ａ）を検体容器１０２内の検体検査装置１００に提供することができ、キャップ２１４でキャップしてもよい（図２及び３Ａ）。キャップ２１４は、異なる形状および／または色（例えば、赤色、ロイヤルブルー、ライトブルー、青、灰色、黄色、黄色、または、それらの組合せ）を有していてもよく、これは、検体容器１０２がどのような検査に用いられるか、検体容器１０２内の添加剤の種類などに関して意味を有する可能性がある。他の色を使用してもよい。
検体容器１０２のそれぞれは、検体検査装置１００の周囲の種々の位置で機械的に読み取ることができるバーコード、アルファベット、数字、アルファ数字、または、それらの組み合わせのような識別情報２１８（すなわち、インディシア）を提供することができる。識別情報２１８ｉは、例えば、検査室情報システム（ＬＩＳ）１４７を介して、患者の識別、ならびに検体２１２で達成されるべき検査または他の情報を示すことができるか、または相関させることができる。このような識別情報２１８ｉは、一般に、検体容器１０２の側面に貼り付けるか、またはその他の方法で提供されるラベル２１８上に提供され得る。ラベル２１８は、概して、検体容器１０２の周囲全体、又は検体容器１０２の長さ全体に亘って延びるものではない。しかしながら、いくつかの実施形態では、複数のラベル２１８が貼り付けられていてもよく、互いにわずかに重複していてもよい。従って、ラベル２１８は、検体２１２の一部を遮蔽して見ることができるが、検体２１２の他の一部は、所定の視点から見ることができる。
検体２１２は、血清または血漿部分２１２ＳＰと、管２１５内に含まれる沈降血液部分２１２ＳＢとを含むことができる。空気２１６は、血清および血漿部分２１２ＳＰの上方に供給することができ、それらの間のラインまたは境界は、本明細書では液体−空気界面（ＬＡ）と定義される。血清または血漿部分２１２ＳＰと沈降血液部分２１２ＳＢとの間の境界線は、図２に示されるように、血清−血液界面（ＳＢ）として本明細書で定義される。空気２１２Ａとキャップ２１４との間の界面を、本明細書では管−キャップ界面（ＴＣ）と称する。
ゲルセパレータ３１３を使用する場合、血清または血漿部分２１２ＳＰとゲルセパレータ３１３との間の血清ゲル界面ＳＧを図３Ａに示す。沈降血液部分２１２ＳＢとゲルセパレータ３１３との間の血液ゲル界面ＢＧも、図３Ａに示されている。いずれの場合も、壁厚はＴｗ、外側の幅はＷ、検体容器１０２の内側の幅はＷｉである。管（ＨＴ）の高さは、管２１５の最下部からキャップ２１４の底部までの高さと定義される。
より詳細には、検体検査機器１００は、トラック１２１を取り付ける又は支持するベース１２０（例えば、フレーム又は他の構造体）を含んでいてもよい。軌道１２１は、レールトラック（例えば、モノレールトラックまたは複数のレールトラック）、コンベヤベルト、コンベヤチェーン、可動プラットフォーム、または、他の適切なタイプの搬送メカニズムの集合体であってもよい。トラック１２１は、円形、サーペンタイン、または、他の適当な形状であってもよい。トラック１２１は、いくつかの実施形態において、閉じたトラック（例えば、エンドレストラック）とすることができる。トラック１２１は、操作中に、検体容器１０２の個々のものを、キャリア１２２内に備わっている間に、トラック１２１の周囲に間隔を空けた位置に搬送することができる。
キャリア１２２は、トラック１２１に沿って移動し、トラック１２１の周囲の予めプログラムされた位置で停止するようにプログラムされているリニアモーターのように、受動的、トラック１２１上の単一の検体容器１０２を搬送するように構成された非モーターパック、または、付加的にオンボード駆動モーターを含む自動キャリアであってもよい。キャリア１２２は、それぞれ、所定の直立位で検体容器１０２を保持するように構成されたホルダ１２２Ｈ（図４Ａ〜４Ｂ）を含むことができる。ホルダ１２２Ｈは、任意の適切な構造を含むことができ、検体容器１０２をキャリア１２２内に固定するが、そこに受け入れられる検体容器１０２の異なるサイズ（例えば、直径）の調節を可能にするための側方移動性または柔軟性を含む複数のフィンガまたは板バネを含むことができる。いくつかの実施形態において、キャリア１２２は、そこで段階化された１つまたは複数のラック１０４を有するローディングエリア１０５から退出することができる。いくつかの実施形態において、ローディングエリア１０５は、プレスクリーニングおよび／または分析が完了した後に、キャリア１２２から検体容器１０２を開放することを可能にする二重の機能を果たすことができる。そうでなければ、オフロードレーンは、トラック１２１の他の場所に設けることができる。
ロボット１２４は、ローディングエリア１０５に設けられてもよく、１以上のラック１０４に位置する検体容器１０２を把持し、トラック１２１の入力レーン上やトラック１２１上の他の場所などのキャリア１２２上に検体容器１０２を載置するように構成されてもよい。また、ロボット１２４は、プレスクリーニングまたは分析が完了すると、検体容器１０２をキャリア１２２から取り出すように構成されてもよい。ロボット１２４は、ＸおよびＺ、ＹおよびＺ、Ｘ、Ｙ、およびＺ、ｒおよびθ、または、ｒ、θおよびＺ運動が可能な、１つまたは複数（例えば、少なくとも２つ）のロボットアームまたは構成要素を含む。ロボット１２４は、ガントリロボット、関節ロボット、Ｒ−θロボット、または他の適切なロボットであり得、ロボット１２４は、検体容器１０２を拾い上げて配置するサイズのロボットグリッパフィンガを備えることができる。
トラック１２１上に積み込まれると、キャリア１２２によって運ばれた検体容器１０２は、検体２１２の分離を行うように構成され得る遠心機１２５（例えば、自動遠心機）に進行することができる。検体容器１０２を運ぶキャリア１２２は、流入レーンまたは他の適切なロボットによって遠心機１２５に向けることができる。遠心分離された後、検体容器１０２は、流出レーンから退出するか、またはロボットによって取り除かれ、トラック１２１上で続行することができる。図示された実施形態では、キャリア１２２内の検体容器１０２は、次に、図４Ａ−４Ｂを参照して本明細書でさらに記述される品質チェックモジュール１３０に搬送され得る。
品質チェックモジュール１３０は、検体容器１０２に含まれる検体２１２の直接ボリューム定量化を決定し、提供するように構成され、構成される。品質チェックモジュール１３０はまた、検体２１２に含まれる溶血（Ｈ）、黄疸（Ｉ）、および／または脂血症（Ｌ）の１つまたはそれ以上のような干渉物質の存在を決定するために構成されてもよい。検体のボリュームが定量化され、そして、指示された検査のために十分な量の血清または血漿部分２１２ＳＰが存在すると判断されると、検体２１２は干渉物質の存在についてプレスクリーニングされ、正常（Ｎ）であるか、または十分に低いＨＩＬの指標を有することが判明した場合、検体２１２は、オフロードのために各検体容器１０２をローディングエリア１０５に戻す前に、１つまたは複数の分析装置（例えば、分析器１０６、１０８、および／または１１０）で分析されるように転送され得る。
いくつかの実施形態では、リモートステーション１３２を自動検体検査装置１００上に設けることができる。リモートステーション１３２は、軌道１２１に直接リンクされていない。例えば、独立したロボット１３３（点線で示されている）は、検体２１２を含む検体容器１０２をリモートステーション１３２に運び、検査／処理後にそれらを返却することができる。任意で、検体容器１０２は、手動で取り出して戻すことができる。リモートステーション１３２は、溶血レベルのような特定の成分を検査するために使用されてもよく、または、１つ以上の添加等により脂血レベルを低下させるように、さらなる処理のために使用されてもよい。他の検査または処理は、リモートステーション１３２で行うことができる。さらに、デキャッピングステーション、アリコートの準備等のように、追加のステーション（図示せず）を軌道１２１の周囲に配置してもよい。
検体検査装置１００は、トラック１２１の周囲の１つ以上の位置に多数のセンサ１１６を含んでいてもよい。センサ１１６は、例えば、検体容器１０２上に配置された識別情報２１８ｉ（図２）を読み取ることによって、トラック１２１に沿った検体容器１０２の位置を検出するために使用することができる。位置をトラッキングするための他の手段を用いることができる。センサ１１６の全ては、各検体容器１０２の位置を常に適切に知ることができるように、コンピュータ１４３と接続することができる。
遠心分離機１２５および分析器１０６、１０８、１１０のそれぞれは、一般に、トラック１２１からキャリア１２２を除去するように構成されたロボット機構および／または流入レーン、および、トラック１２１にキャリア１２２を再び入るように構成されたロボット機構および／または流出レーンを備えることができる。
検体検査装置１００は、コンピュータ１４３によって制御することができ、コンピュータ１４３は、適切なメモリ、および、適切なコンディショニングエレクトロニクス、ドライバー、ならびに様々なシステム構成要素を操作するためのソフトウェアを備えた、マイクロチップベースの中央処理ユニットＣＰＵであってもよい。本明細書に記載されるボリューム特徴付け方法のために実施するための画像処理のために使用されるコンピュータ１４３は、十分な処理能力、適切なＲＡＭ、および適切なストレージを有する、ＣＰＵ、ＧＰＵまたはそれらの組合せを含むことができる。一実施例では、コンピュータ１４３は、１つ以上のＧＰＵ、８ＧＢＲＡＭ以上、およびテラバイト以上のストレージを備えた、マルチプロセッサ装置付きパーソナルコンピュータ（ＰＣ）であってもよい。別の例では、コンピュータ１４３は、ＧＰＵ装備ＰＣ、または任意には、並列モードで作動し、８ＧＢＲＡＭ以上を含み、適当なストレージであってもよい。いくつかの実施形態において、複数のコンピュータを使用することができ、１つはＣＮＮのトレーニングのために、もう１つは本明細書に記載されているように、検査およびボリューム特徴付け方法を実施するために使用することができる。適切なプロセッサには、ＩＮＴＥＬ（登録商標）ＸＥＯＮ（登録商標）プロセッサ、ＩＮＴＥＬ（登録商標）ＣＯＲＥ（商標）プロセッサファミリーおよびＩＮＴＥＬ（登録商標）ＡＴＯＭ（商標）プロセッサファミリー、またはＮＶＩＤＩＡ（登録商標）から利用可能なＡＲＭ（登録商標）ＣＯＲＴＥＸ（登録商標） Ａ９ ｒ４ ＣＰＵを含むチップ上の低エネルギーＴＥＧＲＡ（登録商標）システム（Ｓ−ＯＣ）さえ含まれ得る。他の適切なプロセッサを使用してもよい。ＯＳ、Ｌｉｎｕｘ（登録商標）、およびＯＳ Ｘに基づくオペレーティングシステムが使用されることがある。
コンピュータ１４３は、検体検査装置１００の基部１２０の一部として収容してもよいし、基部から分離して収容してもよい。コンピュータ１４３は、プログラムされた命令を介して、キャリア１２２のローディングエリア１０５への移動およびローディングエリア１０５からの移動、トラック１２１周辺の移動、遠心分離機１２５への移動および遠心分離機１２５からの移動を制御するように操作することができる。コンピュータ１４３または別個のコンピュータは、遠心分離機１２５の操作、品質チェックモジュール１３０への移動およびそこからの移動、ならびに品質チェックモジュール１３０の操作、ならびに各分析器１０６、１０８、１１０への移動およびそこからの移動、ならびに種々のタイプの検査（例えば、アッセイまたは臨床化学）を実施するための各分析器１０６、１０８、１１０の操作を制御することができる。
品質チェックモジュール１３０を除く全てについて、コンピュータ１４３は、ニューヨーク、タルリタウンのシーメンス・ヘルスケア・ダイアグノスティクス社が販売するＤｉｍｅｎｓｉｏｎ（登録商標）臨床化学分析器上で使用されるもののようなソフトウェア、ファームウェア、および／またはハードウエアの指令または回路に従って、検体検査装置１００を制御することができ、そのような制御は、コンピュータベースの電気機械的制御プログラミングの当業者にとっては一般的であり、本明細書ではそれ以上記述しない。しかしながら、他の適切な装置を使用して、検体検査システム１００を制御してもよい。直接ボリューム定量化を導出するための品質チェックモジュール１３０の制御は、本明細書で詳細に説明するように、ニューラルネットワークベースの方法に従ってコンピュータ１４３によって提供され得る。
本開示の実施形態は、ユーザが種々の制御ステータス表示画面スクリーンに容易かつ迅速にアクセスすることを可能にするコンピュータインターフェースモジュール（ＣＩＭ）１４５を用いて実施することができる。これらの制御及びステータスクリーニングは、検体２１２のプレスクリーニング、準備、および分析のために使用される複数の相互に関連した自動化装置の一部または全ての側面を記述することができる。ＣＩＭ１４５は、複数の相互に関連した自動化装置の作動状態に関する情報、ならびに任意の検体２１２の位置、ならびに検体２１２上で実施される、または検体２１２上で実施されるプレスクリーニングおよび検査の状態を記述する情報を提供するために使用され得る。従って、ＣＩＭ１４５は、オペレータと検体検査装置１００との間の相互作用を容易にするように構成されている。ＣＩＭ１４５は、オペレータが検体検査装置１００とインターフェースをとるアイコン、スクロールバー、ボックス、及び、ボタンを含むメニューを表示するように構成された表示画面を含んでいてもよい。
検体２１２を開示の態様に従ってプレスクリーニングすることにより、血清または血漿部分２１２ＳＰ、および、沈降血液部分２１２ＳＢの相対量の正確かつ直接的なボリューム定量化が可能になるが、ゲルセパレータ３１３のボリュームを提供することも可能である。このようなボリューム定量化は、指示された全ての検査を実施するのに利用可能な血清または血漿部分２１２ＳＰの量が不十分である場合、検体２１２が１つ以上の分析器１０６、１０８、１１０に進行するのを止めることができることを保証する。容量が少ない場合は、追加の吸引を指示してもよい。さらに、沈降血液部分２１２ＳＢに対する血清または血漿部分２１２ＳＰの比の迅速かつ正確な決定が迅速に決定され得る。
図４Ａ〜４Ｂを参照すれば、品質チェックモジュール１３０の第１の実施形態を示して説明する。品質チェックモジュール１３０は、１つまたは複数の分析器１０６、１０８、１１０による分析に先立って、検体の１つまたは複数の成分のボリューム（例えば、血清または血漿部分２１２ＳＰのボリューム、沈降血液部分２１２ＳＢ、ゲルセパレータ３１３のボリューム、任意の２つまたは前述の３つ全て）を自動的に定量化するように構成されてもよい。この方法でのボリュームプレスクリーニングは、液体部分（例えば、検体２１２の血清または血漿部分２１２ＳＰ）の十分な量（例えば、ボリューム）が利用可能であることを決定することを可能にし、その結果、価値ある分析器資源の無駄を回避する。
血清または血漿部分２１２ＳＰのボリュームおよび沈降血液部分２１２ＳＢのボリュームが定量化される検体定量化法に加えて、品質チェックモジュール１３０において、検体容器１０２に含まれる検体２１２上で他の検出方法が行われ得る。
さて、図１、４Ａおよび４Ｂを参照すれると、検体ボリュームを決定し、複数の画像取得装置４４０Ａ〜４４０Ｃを含むように構成された品質チェックモジュール１３０の第１の実施形態が示されている。３つの画像取得装置４４０Ａ〜４４０Ｃが示されているが、１つ、２つ以上、または４つ以上の画像取得装置を使用することができる。画像取得装置４４０Ａ〜４４０Ｃは、デジタル画像（すなわち、画素化画像）、電荷結合素子（ＣＣＤ）、光検出器のアレイ、１つまたは複数のＣＭＯＳセンサなどを取得することができる従来のデジタルカメラであってもよい。例えば、３つの画像取得装置４４０Ａ、４４０Ｂ、４４０Ｃは、図４Ａに図示されており、３つの異なる側方視点からデジタル画像を取得するように構成されている。
各画像取得装置４４０Ａ、４４０Ｂ、４４０Ｃは、任意の適切な画像サイズを有するデジタル画素化画像を取得することができる装置であってもよい。一例を挙げると、画像サイズは、１つの実施形態において、およそ２５６０画素（高さ方向）×６９４画素（幅方向）、および別の実施形態において、およそ１２８０画素（高さ方向）×３８４画素（幅方向）であり得る。他の画素密度および高さ／幅の比を用いてもよい。
血清または血漿部分２１２ＳＰおよび沈降血液部分２１２ＳＢなどの検体成分を含む検体容器１０２の、複数視点からの実施例画像７４０Ａ−７４０Ｃを図７Ａ−７Ｃに示す。各画像取得装置４４０Ａ〜４４０Ｃは、検体容器１０２の少なくとも一部および検体２１２の少なくとも一部の側方画像を取得するように構成され、操作可能であることができる。例えば、画像取得装置４４０Ａ−４４０Ｃは、キャップ２１４の全部または一部、管２１５の全部または一部、および検体２１２の全部または一部を取得することができる。最終的に、複数の画像から、検体２１２のそれぞれの生体液成分のボリュームを決定することができる。いくつかの実施形態において、複合モデルを生成し、使用して、最終的な決定を行うか、または個々の画像取得装置４４０Ａ〜４４０Ｃによってなされた決定を、検体２１２のボリューム定量化について確認することができる。例えば、いくつかの実施形態では、様々な視点のボリューム結果を平均化してもよい。外れ値は無視してもよい。
図４Ａ及び４Ｂに示される実施形態において。３つの画像撮影装置４４０Ａ、４４０Ｂ、４４０Ｃを使用する場合、示されているように、互いに約１２０°など、互いにほぼ等間隔になるように視点の間隔を空けてもよい。図示されているように、画像取得装置４４０Ａ〜４４０Ｃは、トラック１２１の周囲に配置されてもよい。複数の画像取得装置４４０Ａ〜４４０Ｃの他の配置および間隔を使用してもよい。このようにして、検体容器１０２がキャリア１２２内に存在し、かつ、検体容器１０２を回転させて撮像に適した視野窓を見つける必要がない間に、検体２１２の画像を撮影することができる。３つの視点のうち、少なくとも１つの視点は、検体２１２の妨げのない見解を提供すべきである。いくつかの実施形態において、取得される画像は、縁で互いにわずかに重複することがある。
１以上の実施形態では、キャリア１２２は、画像取得装置４４０Ａ〜４４０Ｃのそれぞれからの法線ベクトルが交差する点など、品質チェックモジュール１３０内の所定の位置で停止させることができる。この位置は、本明細書では、撮像位置４３２と呼ばれる。いくつかの実施形態では、良質の画像を捕らえることができるように、キャリア１２２を撮像位置４３２で停止させるためのゲートを設けることができる。他の実施形態では、キャリア１２２は、プログラムされたように、撮像位置４３２などの所望の位置で停止するように構成されたリニアモーターを含むことができる。品質チェックモジュール１３０にゲートがある実施形態では、品質チェックモジュール１３０におけるキャリア１２２の存在を決定するために、１つまたは複数のセンサ（センサ１１６のように）を使用することができる。
画像取得装置４４０Ａ〜４４０Ｃは、画像ウィンドウ、すなわち、撮像位置４３２を含む領域を取得するために、検体容器１０２が画像ウィンドウのほぼ中央に位置するように停止することができるように、画像取得装置４４０Ａ〜４４０Ｃが近接して提供され、トレーニングされるか、または集束されることがある。構成されたように、画像取得装置４４０Ａ〜４４０Ｃは、血清または血漿部分２１２ＳＰの全て、沈降血液部分２１２ＳＢの全て、ゲルセパレータ３１３（存在する場合）の全て、キャップ２１４の一部または全部、および恐らく管２１５の最下部を含む画像を取得することができる。
操作において、各画像は、事前に構成された画像取得プロトコルまたはシーケンスに基づいてコンピュータ１４３によって送出され得る通信線４４３Ａ〜４４３Ｃに提供されるトリガリング信号に応答してトリガリングされ、取得され得る。取得された画像のそれぞれは、本明細書に提供される定量化方法の１つ以上の実施形態に従って、コンピュータ１４３によって処理することができる。特に、ハイダイナミックレンジ（ＨＤＲ）処理を用いて、検体２１２をボリューム定量化するために、画像および関連する撮像データを取得し処理することができる。
より詳細には、異なる公称波長を有する異なる光スペクトルを放出する異なる光源によって照射され、かつ異なる視点から照射されている間に、複数の異なる露光（例えば、露光時間）で、品質チェックモジュール１３０において、検体２１２（例えば、分割によって分離された検体２１２）の複数の画像を連続的に取得することができる。例えば、各画像取得装置４４０Ａ−４４０Ｃは、１つ以上のスペクトル（例えば、赤色（Ｒ）、緑色（Ｇ）、および青色（Ｂ）光）で複数の露光時間で４−８以上の画像を撮影することができる。各スペクトルの異なる露光での画像は、全ての画像取得装置４４０Ａ〜４４０Ｃについて、逆光し、連続して撮像することができる。画像は、例えば、各視点についてラウンドロビン方式で撮影することができる。他の数の画像は、任意の適切な露光増分で取得することができる。
１つの実施形態において、複数の波長画像は、異なる色の光源４４４Ａ〜４４４Ｃを用いて検体２１２を照射することによって達成することができる。光源４４４Ａ〜４４４Ｃは、背光源であってもよく、第１の実施形態において（図４Ａ〜４Ｂに示されるように）検体容器１０２に背光を当てることができる。特に、関連する画像取得装置４４０Ａ−４４０Ｃの視点から、それぞれの光源４４４Ａ−４４４Ｃが撮像位置４３２の後方に配置された場合には、バックライトが設けられる。任意に、光源は、検体容器１０２の上方、下方、またはそれぞれの画像取得装置４４０Ａ−４４０Ｃの側面に配置されるなどして、光源の前方に配置してもよい。光拡散装置および／または光フィルタを、いくつかの実施形態において光源４４４Ａ〜４４４Ｃと組み合わせて使用することができる。適切なバックライト源については、２０１６年１月２８日に提出された米国仮出願第６２／２８８，３８１号「検体容器および検体を特徴づけるための方法および装置」に記載されている。
例えば、最初のスペクトルを有する画像を取得するために、３つの赤色光源（スペクトル範囲が約±３５ｎｍの公称波長約４５０ｎｍ）を用いて、側方に間隔をおいた３つの位置から検体２１２を連続的に照明することができる。個々の光源４４４Ａ〜４４４Ｃによる赤色照明は、異なる露光時間における複数の画像（例えば、４〜８以上の画像）が、各画像取得装置４４０Ａ〜４４０Ｃによって連続的に取得されるにつれて生じることがある。いくつかの実施形態において、露光時間は、例えば、約１ｍｓから２５６ｍｓの間であり得る。例えば、８ｍｓ、３２ｍｓ、１２８ｍｓ、１５６ｍｓの４回の露光時間を使用することができる。露光時間の他の数および長さを用いることができる。画像露光を変化させるための他の適切な光学手段を使用してもよい。
各実施形態では、品質チェックモジュール１３０は、トラック１２１を少なくとも部分的に囲んだり覆ったりすることができるハウジング４４６を含むことができ、外部照明（例えば、周囲または部屋の照明）が最小限になるように、撮影中に検体容器１０２はハウジング４４６の内部に位置することができる。ハウジング４４６は、キャリア１２２がハウジング４４６に出入りすることを可能にするために、１つ以上のドア４４６Ｄを備えることができる。いくつかの実施形態において、天井は、検体容器１０２が上方からのロボットグリッパフィンガを含むロボットによってキャリア１２２にロードされることを可能にするための開口部４４６Ｏを含むことができる。いくつかの実施形態において、ハウジング４４６の内壁表面は黒色でよい。
赤色光源４４４Ａ〜４４４Ｃは、いったん赤色光源４４４Ａ〜４４４Ｃをオフにし、光の別のスペクトル、例えば、緑色光源４４４Ａ〜４４４Ｃは、約±３５ｎｍのスペクトル範囲で約５６０ｎｍの公称波長を順次オンにし、異なる側方視点に配置された各画像取得装置４４０Ａ〜４４０Ｃによって、異なる露光時間で複数の画像（例えば、４〜８以上の画像）をその波長で取得することができる。これは、各画像取得装置４４０Ａ〜４４０Ｃについて、青色光源４４４Ａ〜４４４Ｃ（スペクトル範囲が約±３５ｎｍの公称波長約６３５ｎｍ）で繰り返してもよい。ＲＧＢ以外の波長または色の違いが多かれ少なかれ使用されることがある。異なる波長を有する光源４４４Ａ〜４４４Ｃは、例えば交換可能なフィルタの使用、または例えば選択的にオンおよびオフすることができる異なる色の光源のバンクを介してなどの任意の適切な手段によって達成され得る。異なるスペクトル（着色）照明を生成するための他の手段を使用してもよい。
上記のそれぞれにおいて、各波長（例えば、Ｒ、Ｇ、およびＢ）に対して複数の露光時間で撮影された複数の画像が、複数の視点からの検体２１２のための画像の収集全体が、例えば約２秒未満で得られるように、迅速に連続して得られることがある。例えば、限定ではなく、ＲＧＢ源のバンクを含む光源４４４Ａ〜４４４Ｃを用いた３つの画像取得装置４４０Ａ、４４０Ｂ、４４０Ｃおよびバックライトを用いた３つの視点における各波長の４つの複数の露光画像は、４画像×３色×３カメラ＝３６画像をもたらし、撮影は迅速に連続する。画像データはコンピュータ１４３のメモリに記憶され、続いて処理されて、本明細書に記載されているように検体２１２を量的に定量化することができる。
ここで、ボリューム定量装置５００の機能的構成要素を記述する図５Ａを参照する。ボリューム定量装置５００は、５０２内の撮像位置４３２において、検体２１２を含む検体容器１０２を提供することによって、画像取得を含むことができる。その後、ＨＤＲ画像は、上記のように５０４内で撮影される。データ入力量を減らすために、ＨＤＲ画像の画像データを５０５で前処理してもよい。前処理には、例えば、各スペクトルについて異なる露光での複数の取得画像から最適に露光された画素を選択し、各画像取得装置４４０Ａ〜４４０Ｃについてその正規化を行い、各スペクトル（例えば、Ｒ、Ｇ、Ｂ）および各画像取得装置４４０Ａ〜４４０Ｃについて最適に露光された撮像データを生成するようにすることが含まれる。この前処理フェーズでは、画像をより少なく処理する必要があるように、画像の強化が行われる。
強化は、各画像撮影装置４４０Ａ〜４４０Ｃからの露光時間の画像各対応画素に対して、複数の露光時間の画像それぞれから最適な画像強度を示す画素を選択することを含む。最適な画像強度は、例えば、所定の強度範囲（例えば、０〜２５５のスケールで１８０〜２５４の強度）内に入る画素として定義され得る。しかし、他の適当な範囲を用いることができる。２つの画像の対応する位置の１つ以上の画素が最適に露光されていると判定された場合、２つのうちより高い方を選択することができる。その結果、全ての画素が最適に露光される（例えば、スペクトルあたり１つの画像データセット（例えば、Ｒ、Ｇ、およびＢ）および画像取得装置４４０Ａ−４４０Ｃ）各画像取得装置４４０Ａ−４４０Ｃについて、複数の強化されたカラー画像データセット（例えば、Ｒ、Ｇ、Ｂ）が得られる。次に、各画素の最適に露光された強度値を露光時間によって正規化することができ、その結果、各硬化画像の全ての画素が露光時間に関係なく正規化される。
品質チェックモジュール１３０のキャリブレーションの一部として、検体容器１０２またはキャリア１２２を持たない任意の参照画像を５０６内に取得することができる。このようにして、背景画素は、前面画像のみを残す各画像データセットから容易に除去することができる。このような任意の背景低減は、５０５におけるＨＤＲ画像の前処理の間にも達成され得る。各露光時間および照明条件（例えば、Ｒ、Ｇ、Ｂ）に対する参照画像は、例えば、検ボリューム定量化方法を実施する前に、品質チェックモジュール１３０によって撮影されてもよい。背景除去のための他の適切な手段を用いてもよい。
最適に露光された画素を含む強化された画像データセットのそれぞれに対して、１）ボリュームを直接、または２）ボリュームクラスのいずれかを出力するために特徴付け方法が実行され、ルックアップテーブルなどの任意の適切な手段によって容易にボリューム値に変換することができる。特に、画像データセットは、ニューラルネットワーク５３５を含むボリューム決定モデルへの直接入力として提供される。図５Ｂおよび５Ｃに示されているように、ＣＮＮＡ、ＣＮＮＢ、および／またはＣＮＮＣなどの１つまたは複数の畳み込みニューラルネットワークを含むニューラルネットワーク５３５を備えることができる。ＣＮＮは、それぞれ、検体２１２の１つまたは複数の成分のボリュームまたはボリュームクラスを定量化するようにトレーニングされた、予めトレーニングされた畳み込みニューラルネットワーク（ＣＮＮ）であってもよい。
特に、図５Ｂ及び５Ｃの実施形態では、ＣＮＮ５３５の出力は、５２６中の血清又は血漿部分２１２ＳＰ（又は５２６Ａ中の血清又は血漿部分２１２ＳＰ、５２６Ｂ中の沈降血液部分２１２ＳＰ、又は５２６Ｃ中のゲルセパレータ３１３）のボリュームクラスを導出するために使用され、その後、ルックアップテーブル等の使用を介してボリューム値を出力することができる。他の実施形態では、ボリュームは、図６Ｂに記載されるように、ＣＮＮ６３５から直接出力され得る。いずれにせよ、ボリューム定量化は、いかなる種類のセグメント化プロセスもなしに達成され、ここで、血清または血漿部分２１２ＳＰである検査検体２１２の境界の幾何学的な限界が、最初に検査検体２１２上で決定される。したがって、画像の入力データから、ボリュームの定量化が容易かつ直接的に達成できる可能性がある。
本明細書に記載されるＣＮＮは、Ｂｅｒｋｌｅｙ Ｖｉｓｉｏｎ ａｎｄ Ｌｅａｒｎｉｎｇ Ｃｅｎｔｅｒ（ＢＶＬＣ）から入手可能なＣａｆｆｅ、Ｔｈｅａｎｏ、多次元アレイを含む数学的表現の高速計算のためのＰｙｔｈｏｎフレームワーク、Ｇｏｏｇｌｅ、Ｉｎｃ．、Ｔｏｒｃｈから入手可能なＴｅｎｓｏｒＦｌｏｗ、および例えば、最適化された数学ライブラリーであるカリフォルニア州サンタクララのインテル・コーポレーションから入手可能なＭａｔｈ Ｋｅｒｎｅｌ Ｌｉｂｒａｒｙ（ＭＫＬ）など、適切な科学的計算フレームワーク、プログラム、またはツールボックスを用いてコード化することができる。
さて、図５Ａおよび５Ｃを参照すると、ニューラルネットワーク５３５は、５２９または５２９ＳＰにおける血清または血漿部分の画像データおよび出力ボリューム、５２９ＳＢにおける沈降血液部分のボリューム、および／または５２９ＧＳにおけるゲルセパレータ３１３の出力ボリュームを処理することができる１つまたは複数の畳み込みニューラルネットワークＣＮＮＡ、ＣＮＮＢ、ＣＮＮＣを含むことができる。ボリューム測定を容易にするために、個々にトレーニングされたＣＮＮを、検体２１２の各特定の成分のボリューム定量化のために使用することができる。
ＣＮＮ（例えば、ＣＮＮＡ、ＣＮＮＢ、ＣＮＮＣ）のそれぞれについて、トレーニング例の複数セットが、個々のＣＮＮをトレーニングするために使用される。ＣＮＮ（例えば、ＣＮＮＡ、ＣＮＮＢ、ＣＮＮＣ）は、トレーニング入力としてトレーニング画像と共に、それぞれに対してグランドトゥルースラベル５０７を提供することによってトレーニングされ得る。グランドトゥルースラベル５０７は、特定のＣＮＮ（例えば、ボリュームの直接またはボリュームクラスのいずれか）からの可能な結果として定義される。例えば、グランドトゥルースラベル５０７は、例えば、ＣＮＮがマッピングするように構成することができる１０〜１０，０００の複数のボリュームまたはボリュームクラスの結果であり得る。他の実施形態は、１００から１，０００の異なるボリュームまたはボリュームクラス、または１００から５００の異なるボリュームまたはボリュームクラスのようなより少ないトレーニングを使用することができる。結果間の段階は線形ではない可能性があり、したがってトレーニングされた結果間の間隔は、共通のボリュームの領域に集中している可能性がある。例えば、図５Ｂに示されるように、ＣＮＮＡは、結果としてボリュームクラスＳＰＰ１−ＳＰＰｎの１−ｎグランドトゥルースラベルで構成されるが、図６Ａでは、グランドトゥルースラベルは、直接出力され、ＣＮＮ６３５によってマッピングされ得る結果としてボリューム値であるＳＰＰ ＶＯＬ１−ＳＰＰ ＶＯＬｎのトレーニング値である。
各場合において、ＣＮＮ５３５、６３５のトレーニングは、それぞれに関連するトレーニング画像を含む大量のトレーニング画像（例えば、５００〜１０，０００以上のデジタル画像データセット）を入力することを含む。例えば、各ＣＮＮに対するトレーニングアノテーション５０８は、画像内でトレーニングされている特定の生体液成分（例えば、血清または血漿部分２１２ＳＰ、沈降血液部分２１２ＳＢＰ、およびゲルセパレータ３１３）の画像上の位置を同定するために、図５Ｄに点線で示されるように、トレーニング境界ボックス２３６Ａ、２３６Ｂ、２３６Ｃ（例えば、長方形）などの画像上の輪郭を含むことができる。トレーニングアノテーション５０８は、さらに、各特定のトレーニング境界ボックス２３６Ａ、２３６Ｂ、２３６Ｃ内に含まれるボリュームを表すボリュームのスカラ値を含むことができる。従って、トレーニングアノテーション５０８は、各トレーニング境界ボックス２３６Ａ、２３６Ｂ、２３６Ｃに対するスカラボリューム値と共に、既知ボリュームの多数のトレーニング検体中の様々な領域（例えば、２１２ＳＰＰ、２１２ＳＢＰ、３１３）を画像上に輪郭形成することを含むことができる。トレーニング検体は、血清または血漿部分２１２ＳＰ、沈降血液部分２１２ＳＢ、およびゲルセパレータ３１３の様々な検体ボリューム、ゲルセパレータ３１３を含む、または含まない様々な範囲のラベル２１８による遮蔽、異なるサイズの検体容器１０２（例えば、異なる直径および高さ）などを有し得る。
ＣＮＮ５３５、６３５が、十分に高い信頼性（例えば、９８％または９９％を超えることさえある）でＣＮＮが正しい結果を決定するように適切にトレーニングされると、品質チェックモジュール１３０およびボリューム定量化法は、分析器（例えば、分析器１０６、１０８、および／または１１０上）での実際の検体検査前に行われるプレスクリーニング検査方法の一部として、検体２１２の１つ以上の成分のボリュームを決定するために使用され得る。検査ＣＮＮモデルは、トレーニングされているグランドトゥルース入力を欠いているであろう。
図５Ｂに示されるように、実施形態は、血清または血漿部分２１２ＳＰのボリュームクラス（例えば、ＳＰＰ１からＳＰＰｎ）を出力するように構成される。より詳細には、ＣＮＮ５３５は、深部学習を提供するのに適当な数の操作層（ｏｐｅｒａｔｉｎｇ ｌａｙｅｒｓ）を含むことができる。記載されたＣＮＮアーキテクチャは、例えば、６４×６４パッチ（６４画素×６４画素）を用いてボリューム分類に使用することができる。しかしながら、例えば３１画素×３１画素のような他のパッチサイズを使用してもよい。ボリューム定量化作業のために、例えば、ＣＮＮ５３５の３つの主要な操作層を選択することができる。畳み込み層およびプーリング層を含む第１操作層５３８は、非常に局所的な構造縁を抽出することができ、畳み込み層およびプーリング層も含む第２操作層５４０は、縁の組合せであるテクスチャを学習することができ、一部の実施形態においては、第３操作層５４２（任意でよい）でも領域の一部を形成することができる。ＣＮＮ５３５の層５３８、５４０、５４２のそれぞれは、ＨＤＲ画像処理から提供された多チャネル（例えば、多スペクトル、多重露光）撮像データから恩恵を受ける。３つの入力層（例えば、ＨＤＲを含むＲＧＢスペクトル成分）が使用される時のように、様々な入力チャネルにわたるこれらの計算は、本質的に扱うことができ、ディープラーニングネットワークによって表現することができる。このフレームワークは、低レベル、中レベル、および高レベルの特徴を自然に強化し、５２６において種々ボリュームクラス出力オプションに適切な分類を提供するために操作可能である。
ＣＮＮ５３５のアーキテクチャには、様々な組合せの畳み込み層（Ｃｏｎｖ）、プーリング層（Ｐｏｏｌ）、および全結合層（ＦＣ：別名「内部製品」）が含まれ得る。例えば、ＣＮＮ５３５の一実施形態は、畳み込み層、プーリング層、最終的な畳み込み層、および少なくとも１つと任意に２つの全結合層ＦＣから構成されたアーキテクチャを含むことができる。ＳｏｆｔＭａｘのような損失層がＣＮＮ５３５に含まれることがある。例えば、ＣＮＮ５３５の解は複数のボリュームクラス（ＳＰＰ１−ｎ）から選択される１つの分類であるため、損失層はＳｏｆｔＭａｘであってもよい。すなわち、各チャネル出力に対して信頼性が提供され（チャネル出力はボックス１−ｎとして示される）、投票スキーマは１つの出力構成を選択することができる。いくつかの実施形態において、順番に、Ｃｏｎｖ−Ｐｏｏｌ−Ｃｏｎｖ−Ｐｏｏｌ−Ｃｏｎｖ−ＦＣ−ＦＣ−ＳｏｆｔＭａｘなどの適応ＣＮＮアーキテクチャを使用することができる。フィルタサイズおよびストライドなどのパラメータは、ＣＮＮ５３５の設定およびトレーニング時のパラメータチューニングの一部として設定することができる。
図６Ａおよび６Ｂは、直接ボリュームを出力するそれぞれのトレーニングＣＮＮ６３５ＡおよびテストＣＮN６３５Ｂを示す。アーキテクチャは、前述のようにしてもよい。しかしながら、いくつかの実施形態において、ＣＮＮ６３５Ａ、６３５Ｂは、任意に、ネットワークを拡張することを可能にする整流および活性化機能（ランプ機能としても知られる）であるＲｅＬＵを含むことができる。非線形性としてのＲｅＬＵの使用は、教師なしの事前トレーニングなしでディープ教師ありニューラルネットワークのトレーニングを可能にすることが示されている。レクティファイドリニアニユット(Ｒｅｃｔｉｆｉｅｄ ｌｉｎｅａｒ ｕｎｉｔｓ：ＲｅＬＵ′ｓ）は、検体画像の場合のように、大規模で複雑なデータセット上のディープニューラルネットワークアーキテクチャのより迅速で効果的なトレーニングを可能にする。特に、トレーニングＣＮＮ６３５Ａは、ユークリッド損失層のような損失層Ｌを含む。検査ＣＮＮ６３５Ｂは、６２６内の単一ボリューム（例えば、ＳＰＰ ＶＯＬ１−ＳＰＰ ＶＯＬｎの１つ）に直接マッピングできる、最終的な畳み込み層（Ｃｏｎｖ）および１つ以上の全結合層ＦＣを含む。出力としてマッピングされ得る複数のボリュームの数は、例えば、１０〜１０，０００、１００〜１，０００、または１００〜５００の間を含むことができる。他の数を使用してもよい。
トレーニングおよび検査の両方において、検体２１２の各領域がＣＮＮ５３５、６３５Ａ、６３５Ｂで分類され、各パッチが予め定義された出力オプションの１つ以上に対して応答を与えるところで、スライディングウィンドウまたはパッチが使用される。次に、候補は、多数決方式によって、または結果ベクトルへの出力によって、事前に定義されたオプション（ボリュームクラスまたはボリューム）の１つ以上として分類される。
図５Ｂおよび５Ｃの第１の実施形態では、様々な領域に対するボリューム分類は、検体２１２の各成分に対して１つの唯一の結果５２６または５２６Ａ−５２６Ｃ、および可能な各結果に対する信頼水準をもたらし、これは、例えば１つに正規化することができる。そのような結果を視点ごとに１つ提供する。各視点について報告された構成は、最高信頼水準（ＣＬ）を有するボリューム分類である。これらの結果は、個別に、または平均として報告されることがある。さらに、ＬＡＳのオペレータおよび／または指示された検査のために不十分なボリュームが存在する場合にＬＩＳ１４７に警告を提供することができる。さらに、血清または血漿部分２１２ＳＯＰおよび沈降血液部分２１２ＳＢの成分のボリューム結果および比率を、ＬＩＳ１４７に直ちに報告することができる。
適切にトレーニングされた後、検査される各検体２１２について、強化されたデータセット５３７は、ＣＮＮＡ５３５、６３５Ｂに入力され、操作される。グランドトゥルースラベル５０７は、以前に入力され、トレーニング中に確立されている。ＣＮＮ５３５、６３５Ｂは、比較的高い信頼性（例えば＞９８％）で、グランドトゥルースラベル５０７によって確立されたボリュームクラス結果５２６またはボリューム６２６の１つに収束する。例えば、図５Ｂの図示例では、投票方式はチャネル７を選択している。このように、ＣＮＮＡ５３５は、全てのチャネル出力１−ｎの最も高い信頼度（例えば、信頼度０．９９１）で、ボリュームクラス結果ＳＰＰ７に収束している。次に、ルックアップテーブル５３９を参照して、各ボリュームクラス結果５２６についてルックアップテーブル５３９に事前に入力された対応するボリューム５２９を抽出することができる。
他の視点からの画像データセットの追加処理は、ボリューム値を提供することもでき、また、全ての視点からのボリューム値出力を平均して、検体２１２ＳＰおよび／または他の成分の血清または血漿部分のボリュームの優れた推定値を提供することができる。従って、本明細書に記載され、品質チェックモジュール１３０によって実施されるニューラルネットワークに基づく定量化方法は、検体２１２の血清または血漿部分２１２ＳＰの迅速なボリューム定量化をもたらす可能性があることは明白であるべきである。
１以上の実施形態によるボリューム定量化法８００のフローチャートを図８に示す。まず、キャリア１２２によって搬送されることがある検体２１２を含む検体容器１０２が、品質チェックモジュール（例えば、品質チェックモジュール１３０）の撮像位置４３２に提供される。トレーニング用の品質チェックモジュール１３０は、検査に使用されるものと同じモジュールであってもよい。検体２１２の血清または血漿部分２１２ＳＰを含む検体２１２を含む検体容器１０２の複数の画像が８０２で撮影される。画像はまた、沈降血液部分２１２ＳＢおよびゲルセパレータ３１３（存在する場合）を含むこともできる。複数の画像は、本明細書に記載されているように、複数の異なる露光および複数の異なるスペクトルで撮影されたマルチスペクトル画像であってもよい。さらに、上記のように、異なる画像取得装置４４０Ａ〜４４０Ｃによって、複数の視点から画像を取得することができる。
ボリュームの定量化のために、品質チェックモジュール１３０のバックライトによる設定を使用することができ、複数の画像をコンピュータ１４３のメモリに保存することができる。これらの画像から、８０４の前処理データでは、任意に８０６の背景除去で背景を除去して、計算負荷を軽減することができる。８０６における背景除去は、以前に撮影された対応する参照画像を差し引くことによって達成され得る（例えば、５０６における−図５Ａ参照）。このように、背景を除去すると、処理のためのフォアグラウンドに関連するデータのみが残り、全体の計算量が低減される。
８０４の前処理データでは、照明の各波長（例えば、４〜８の露光量）における各画像データセットのデータを強化することができる。強化には、露光ごとに最適に露光される画素を選択し、選択されたすべての画像データを波長ごとおよび視点ごとに１つの画像データセットに強化した後、上述のように選択されたすべてのデータを正規化することが含まれる。画像硬化処理の間、各スペクトル（例えば、Ｒ、Ｇ、およびＢ）および各画像取得装置４４０Ａ−４４０Ｃでの様々な露光画像が、最適に露光されたそれらの画素を決定するために、画素毎にレビューされる。各対応する画素位置に対して、最適に露光された画素のうち最も良好なものが選択され、正規化され、各スペクトルおよび画像取得装置４００Ａ−４４０Ｃのための最適に露光された画像データセットに含まれる。このように、前処理データ８０４における画像の強化に続いて、各スペクトル（例えば、Ｒ、Ｇ、およびＢ）および各画像取得装置４４０Ａ−４４０Ｃに対して、最適に露光される画像データセットが１つ生成される。ＨＤＲ画像処理の使用は、反射および吸収に関する画像の詳細を濃縮するために機能する可能性がある。これにより、ボリュームの定量化がより正確になる可能性がある。
８０８では、各スペクトルおよび各画像取得装置４４０Ａ−４４０Ｃの画像データセットは、ＣＮＮ５３５に入力され、ＣＮＮ５３５によって操作される（処理される）。ＣＮＮ５３５は、検体２１２の１つまたは複数の成分のボリュームを定量化できるように、前回のトレーニング方法で適切にトレーニングされている。
ＣＮＮ５３５からの出力として、８１０において、検体２１２の１つまたは複数の成分のボリュームの定量化を決定することができる。いくつかの実施形態において、ＣＮＮＡからの出力は、血清または血漿部分２１２ＳＰのボリュームクラスである（図５Ｂ参照）。別の実施形態では、ＣＮＮＢからの出力は、沈降血液部分２１２ＳＢＰのボリュームクラスである（図５Ｃ参照）。さらに別の実施形態では、ＣＮＮＣからの出力は、ゲルセパレータ３１３のボリュームクラスである（図５Ｃ参照）。別の実施形態では、沈降血液部分２１２ＳＢＰのボリュームクラスを出力するように構成されたＣＮＮＢは、図５Ｂのように独立したモデルとして構成されてもよい。別の実施形態では、ゲルセパレータ２１３のボリュームクラスを出力するように構成されたＣＮＮＣは、図５Ｂのように独立したモデルとして構成されてもよい。
いくつかの実施形態において、ＣＮＮ６３５Ｂからの出力は、血清または血漿部分２１２ＳＰのボリュームである（図６Ｂ参照）。同一のＣＮＮを、図６Ｂのような独立したモデルとして沈降血液部分２１２ＳＢＰのボリュームを出力するように構成することができる。同様に、ゲルセパレータ２１３のボリュームを出力するように同一のＣＮＮを構成することができる。
８１２において、ＣＮＮＡからの出力がボリュームクラスである場合、次いで、ＣＮＮＡ５３５から出力される検体のボリュームクラスの後処理が、血清または血漿部分２１２ＳＰのボリュームを得るために提供される。後処理は、図５Ｅに示されるようなルックアップテーブル５３９にアクセスして、検体２１２における血清または血漿部分２１２ＳＰの実際のボリューム値を決定してもよい。同様のルックアップテーブル５３９Ａ、５３９Ｂ、５３９Ｃにアクセスして、血清又は血漿部分２１２ＳＰの実際のボリューム値、沈降血液部分２１２ＳＢの実際のボリューム値、及びＣＮＮ５３５が１つの集約ネットワークの形態を含む場合の図５Ｃに示すゲルセパレータ３１３の実際のボリューム値を求めることができる。従って、図８に記載された方法８００は、沈降血液部分２１２ＳＢまたはゲルセパレータ３１３のボリュームの判定に等しく適用可能であることは理解されるべきである。図８の「血清又は血漿部分」という用語を、「沈降血液部分」または「ゲルセパレータ」に端に置き換える。
品質チェックモジュール１３０は、遠心分離機１２５上の遠心分離の直後にプレスクリーニングが実施されるように位置するように図１に示されているが、一部の実施形態において、またはトラック１２１に沿った他の場所において、分析器（例えば、分析器１０６、１０８、および／または、１１０）上に直接この特徴を含めることが有利であり得る。さらに、いくつかの実施形態では、ラック１０４をローディングエリア１０５に装填する前に遠心分離を行うことができ、その結果、いくつかの実施形態では、品質チェックモジュール１３０はローディングエリア１０５内に位置してもよく、品質チェックはロボット１２４が検体容器１０２をキャリア１２２に装填したすぐ後か、またはその前に実施できる。
開示は様々な変更及び代替形態が可能であるが、特定のシステム及び装置の実施形態及びその方法は、図面の例として示されていて、本明細書で詳細に説明してきた。しかしながら、開示を開示された特定の装置または方法に限定することを意図していないが、反対に、その意図は、請求の範囲内に入る全ての改変、同等物、および代替形態をカバーすることであることは理解されるべきである。

Claims (20)

  1. 検体を定量化する方法であって、
    撮像位置に検体容器を提供するステップであって、前記検体容器が前記検体を含むステップと、
    前記検体の複数のハイダイナミックレンジ画像を取得するステップと、前記複数のハイダイナミックレンジ画像を画像データとして保存するステップと、
    前記画像データをニューラルネットワークで処理するステップと、
    前記検体を複数のボリュームクラスおよび検体のボリュームの一方にニューラルネットワークで分類するステップと、
    を含む方法。
  2. 前記複数のハイダイナミックレンジ画像を取得するステップが、異なる公称波長を有する複数のスペクトルで前記検体の一連の画像を取得するステップを含む、請求項１に記載の方法。
  3. 前記一連の画像が、前記異なる公称波長のそれぞれで複数の異なる露光を含む、請求項２に記載の方法。
  4. 前記複数のスペクトルのそれぞれについて最適に露光された画像データを生成するため、前記複数の異なる露光よび前記複数のスペクトルのそれぞれにおいて、複数のハイダイナミックレンジ画像から最適に露光された画素を選択するステップを含む、請求項３に記載の方法。
  5. 前記複数のハイダイナミックレンジ画像を取得するステップが、複数の異なる視点から実施され、各視点に画像取得装置が提供される、請求項１に記載の方法。
  6. 前記複数のボリュームクラスの数が１０から１，０００の間である、請求項５記載の方法。
  7. 前記ニューラルネットワークが、畳み込みニューラルネットワークを含む、請求項１に記載の方法。
  8. 前記ニューラルネットワークが複数のトレーニングセットからトレーニングされ、
    前記複数のトレーニングセットの各トレーニングセットが、前記複数のボリュームクラスのそれぞれに対するトレーニング画像及びスカラボリュームアノテーションを含む、請求項１に記載の方法。
  9. 前記スカラボリュームアノテーションが、血清または血漿部分、沈降血液部分、および、ゲルセパレータ、のボリュームまたはそれらの１以上である、請求項８に記載の方法。
  10. 前記複数のボリュームクラスのうちの１つが、ルックアップテーブルによってボリュームにマッピングされる、請求項１記載の方法。
  11. 決定されたボリュームから沈降血液部分のボリュームに対する血清または血漿部分のボリュームの比を決定するステップを含む、請求項１０に記載の方法。
  12. 前記ニューラルネットワークが、血清または血漿部分、沈降血液部分、またはゲルセパレータのボリュームクラスを決定するように構成され、トレーニングされる、請求項１に記載の方法。
  13. 前記ニューラルネットワークが、血清または血漿部分のボリュームクラスを決定するように構成されるとともに、トレーニングされる、請求項１に記載の方法。
  14. 前記ニューラルネットワークが、沈降血液部分のボリュームクラスを決定するように構成され、トレーニングされる、請求項１に記載の方法。
  15. 前記検体容器に含まれる血清または血漿部分のボリュームを特定するステップを含む、請求項１に記載の方法。
  16. 検体容器に含まれる沈降血液部分のボリュームを特定するするステップを含む、請求項１に記載の方法。
  17. 前記検体容器に含まれるゲルセパレータのボリュームを特定するステップを含む、請求項１に記載の方法。
  18. 前記ニューラルネットワークが、プーリング層、畳み込み層、およびソフトマックス層を含む、請求項１に記載の方法。
  19. 品質チェックモジュールであって、
    公称波長が異なる複数のスペクトルで、複数の露光により、および、１つ以上の視点から、検体の画像を取得するように構成された、１つまたは複数の画像取得装置と、
    前記１つまたは複数の画像取得装置に操作可能に連結されたコンピュータと、
    を備え、
    前記コンピュータが、
    異なる露光および前記複数のスペクトルのそれぞれで画像から最適に露光された画素を選択し、複数のスペクトルのそれぞれに対して最適に露光された撮像データを生成し、
    ニューラルネットワークを用いて撮像データを操作するとともに、ニューラルネットワークを用いて検体を複数のボリュームクラスおよび検体のボリュームの一方に分類する、
    ように構成された、
    品質チェックモジュール。
  20. 検体検査装置であって、
    トラックと、
    前記トラック上の品質チェックモジュールと、
    を備え、
    前記品質チェックモジュールが、
    公称波長が異なる複数のスペクトルで、複数の異なる露光により、および、１つ以上の視点から、検体の画像を取得するように構成された、１つまたは複数の画像取得装置と、
    コンピュータと、
    を含み、
    前記コンピュータが、
    前記複数のスペクトルおよび視点のそれぞれについて最適に露光された画像データを生成し、ニューラルネットワークで検体を分類するために、前記複数のスペクトルのそれぞれで複数の異なる露光での画像から最適に露光された画素を選択し、
    ニューラルネットワークで前記画像データを操作し、
    前記検体をニューラルネットワークで複数のボリュームクラスおよび前記検体のボリュームの一方に分類する、
    ように構成された、
    検体検査装置。
JP2020503311A 2017-07-28 2018-07-25 ディープラーニングボリューム定量化方法および装置 Active JP7216069B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762538460P 2017-07-28 2017-07-28
US62/538,460 2017-07-28
PCT/US2018/043745 WO2019023376A1 (en) 2017-07-28 2018-07-25 METHODS AND APPARATUS FOR QUANTIFYING DEEP LEARNING VOLUME

Publications (3)

Publication Number Publication Date
JP2020529003A true JP2020529003A (ja) 2020-10-01
JPWO2019023376A5 JPWO2019023376A5 (ja) 2022-10-17
JP7216069B2 JP7216069B2 (ja) 2023-01-31

Family

ID=65040990

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020503311A Active JP7216069B2 (ja) 2017-07-28 2018-07-25 ディープラーニングボリューム定量化方法および装置

Country Status (5)

Country Link
US (1) US11657593B2 (ja)
EP (1) EP3659065A4 (ja)
JP (1) JP7216069B2 (ja)
CN (1) CN111052129B (ja)
WO (1) WO2019023376A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022196125A1 (ja) * 2021-03-16 2022-09-22 パナソニックＩｐマネジメント株式会社 界面検出センサ

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2976769C (en) * 2015-02-17 2023-06-13 Siemens Healthcare Diagnostics Inc. Model-based methods and apparatus for classifying an interferent in specimens
WO2019139922A1 (en) 2018-01-10 2019-07-18 Siemens Healthcare Diagnostics Inc. Methods and apparatus for bio-fluid specimen characterization using neural network having reduced training
EP3608701A1 (de) * 2018-08-09 2020-02-12 Olympus Soft Imaging Solutions GmbH Verfahren zur bereitstellung wenigstens einer auswertemethode für proben
US11625607B2 (en) * 2019-01-22 2023-04-11 Black Sesame Technologies Inc. Method of structured network pruning and sparsity speed-up
CN110059813B (zh) * 2019-02-13 2021-04-06 创新先进技术有限公司 利用gpu集群更新卷积神经网络的方法、装置及设备
CN114585927A (zh) * 2019-10-31 2022-06-03 美国西门子医学诊断股份有限公司 针对样本和/或样本容器表征提供背景照明校准的方法和设备
WO2021112550A1 (en) * 2019-12-02 2021-06-10 Samsung Electronics Co., Ltd. System and method for generating multi-exposure frames from single input
WO2021115569A1 (en) * 2019-12-10 2021-06-17 N.V. Nutricia Method and system for detecting liquid level inside a container
CN114492633B (zh) * 2022-01-25 2022-10-28 合肥学院 一种基于多波长透射特性的有色透明塑料分类方法及系统
EP4332892A1 (en) * 2022-09-01 2024-03-06 Koninklijke Philips N.V. Estimating volumes of liquid

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1188898A (ja) * 1997-09-11 1999-03-30 Fuji Photo Film Co Ltd 画像読取装置
JP2007524838A (ja) * 2003-07-02 2007-08-30 ガンブロ　　インコーポレーテッド 血液処理の監視および制御システム
US20130034284A1 (en) * 2011-04-04 2013-02-07 Aushon Biosystems, Inc. Method of and system for enhanced dynamic range assay analysis
JP2014504731A (ja) * 2011-01-21 2014-02-24 セラノス， インコーポレイテッド 試料使用の極大化のためのシステム及び方法
WO2016133900A1 (en) * 2015-02-17 2016-08-25 Siemens Healthcare Diagnostics Inc. Model-based methods and apparatus for classifying an interferent in specimens

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998052016A1 (en) * 1997-05-09 1998-11-19 Morphometrix Technologies Inc. Multi-spectral imaging system and method for cytology
JP2002323479A (ja) 2001-04-24 2002-11-08 Teruaki Ito 血清・血餅分離面判定装置
JP4170164B2 (ja) 2003-06-30 2008-10-22 株式会社エスアールエル 試験管内検体液面位置検出システム
CN1235037C (zh) 2003-12-04 2006-01-04 上海交通大学 红外目标检测跟踪与识别系统
US8059900B2 (en) * 2004-10-08 2011-11-15 General Electric Company Method and apparatus to facilitate visualization and detection of anatomical shapes using post-processing of 3D shape filtering
US9013692B2 (en) 2008-06-12 2015-04-21 East Carolina University Flow cytometer apparatus for three dimensional difraction imaging and related methods
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
US20120016818A1 (en) * 2008-10-31 2012-01-19 Mark Hackett Classification of Biological Samples Using Spectroscopic Analysis
JP5859439B2 (ja) 2009-08-13 2016-02-10 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド 臨床分析機によって分析される液体サンプルおよび容器の中の干渉物質および物理的寸法を確定するための方法ならびに装置
US7982201B2 (en) 2009-09-08 2011-07-19 Jadak, Llc System and method for detection of liquid level in a vessel
CN102063642A (zh) * 2010-12-30 2011-05-18 上海电机学院 基于主动学习的模糊神经网络样本选择方法
US9652655B2 (en) 2011-07-09 2017-05-16 Gauss Surgical, Inc. System and method for estimating extracorporeal blood volume in a physical sample
CN102737379A (zh) * 2012-06-07 2012-10-17 中山大学 一种基于自适应学习的ct图像分割方法
CA2882339C (en) * 2012-08-20 2020-08-18 Siemens Healthcare Diagnostics Inc. Ascertaining specimen container characteristics while in transit
EP2936116B8 (en) * 2012-12-19 2020-04-01 Koninklijke Philips N.V. System and method for classification of particles in a fluid sample
WO2015066342A1 (en) * 2013-11-04 2015-05-07 Siemens Healthcare Diagnostics Inc. Methods and apparatus for determining aspiration and/or dispensing volume and/or pipette positioning
US9417911B2 (en) * 2014-03-12 2016-08-16 Live Planet Llc Systems and methods for scalable asynchronous computing framework
CN104165896B (zh) * 2014-08-18 2017-03-22 公安部第一研究所 一种液态物品安全检查的方法与装置
WO2017053592A1 (en) 2015-09-23 2017-03-30 The Regents Of The University Of California Deep learning in label-free cell classification and machine vision extraction of particles
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US10870110B2 (en) * 2015-12-11 2020-12-22 Babson Diagnostics, Inc. Specimen container and centrifugation method for separating serum or plasma from whole blood therewith
US11042788B2 (en) 2016-01-28 2021-06-22 Siemens Healthcare Diagnostics Inc. Methods and apparatus adapted to identify a specimen container from multiple lateral views
WO2017132172A1 (en) 2016-01-28 2017-08-03 Siemens Healthcare Diagnostics Inc. Methods and apparatus for imaging a specimen container and/or specimen using multiple exposures
JP6888770B2 (ja) 2016-01-28 2021-06-16 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッドＳｉｅｍｅｎｓ Ｈｅａｌｔｈｃａｒｅ Ｄｉａｇｎｏｓｔｉｃｓ Ｉｎｃ． 試料内のアーチファクトを分類する方法と装置
WO2017132169A1 (en) 2016-01-28 2017-08-03 Siemens Healthcare Diagnostics Inc. Methods and apparatus for detecting an interferent in a specimen
WO2017132168A1 (en) 2016-01-28 2017-08-03 Siemens Healthcare Diagnostics Inc. Methods and apparatus for multi-view characterization
EP3408646B1 (en) 2016-01-28 2024-05-29 Siemens Healthcare Diagnostics Inc. Methods and apparatus for characterizing a specimen container and a specimen
US11650197B2 (en) 2016-01-28 2023-05-16 Siemens Healthcare Diagnostics Inc. Methods and apparatus adapted to quantify a specimen from multiple lateral views
US9739783B1 (en) * 2016-03-15 2017-08-22 Anixa Diagnostics Corporation Convolutional neural networks for cancer diagnosis
CN106651830A (zh) 2016-09-28 2017-05-10 华南理工大学 一种基于并行卷积神经网络的图像质量测试方法
CN106529570B (zh) * 2016-10-14 2019-06-18 西安电子科技大学 基于深度脊波神经网络的图像分类方法
CN106650709A (zh) * 2017-01-22 2017-05-10 深圳市唯特视科技有限公司 一种基于传感器数据的深度学习脚步检测方法
WO2018191287A1 (en) * 2017-04-13 2018-10-18 Siemens Healthcare Diagnostics Inc. Methods and apparatus for hiln characterization using convolutional neural network
US11313869B2 (en) * 2017-04-13 2022-04-26 Siemens Healthcare Diagnostics Inc. Methods and apparatus for determining label count during specimen characterization
WO2019139922A1 (en) * 2018-01-10 2019-07-18 Siemens Healthcare Diagnostics Inc. Methods and apparatus for bio-fluid specimen characterization using neural network having reduced training
JP7089071B2 (ja) * 2018-06-15 2022-06-21 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド 単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け
JP2021535395A (ja) * 2018-08-28 2021-12-16 エッセンリックス コーポレーション アッセイ精度向上
JP7490655B2 (ja) * 2018-12-17 2024-05-27 アムジエン・インコーポレーテツド 医薬品容器における粒子検出のためのシート照明

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1188898A (ja) * 1997-09-11 1999-03-30 Fuji Photo Film Co Ltd 画像読取装置
JP2007524838A (ja) * 2003-07-02 2007-08-30 ガンブロ　　インコーポレーテッド 血液処理の監視および制御システム
JP2014504731A (ja) * 2011-01-21 2014-02-24 セラノス， インコーポレイテッド 試料使用の極大化のためのシステム及び方法
US20130034284A1 (en) * 2011-04-04 2013-02-07 Aushon Biosystems, Inc. Method of and system for enhanced dynamic range assay analysis
WO2016133900A1 (en) * 2015-02-17 2016-08-25 Siemens Healthcare Diagnostics Inc. Model-based methods and apparatus for classifying an interferent in specimens

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022196125A1 (ja) * 2021-03-16 2022-09-22 パナソニックＩｐマネジメント株式会社 界面検出センサ

Also Published As

Publication number Publication date
US11657593B2 (en) 2023-05-23
EP3659065A1 (en) 2020-06-03
US20200265263A1 (en) 2020-08-20
EP3659065A4 (en) 2020-08-19
JP7216069B2 (ja) 2023-01-31
WO2019023376A1 (en) 2019-01-31
CN111052129A (zh) 2020-04-21
CN111052129B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
JP7216069B2 (ja) ディープラーニングボリューム定量化方法および装置
JP7055818B2 (ja) 畳み込みニューラルネットワークを用いたｈｉｌｎ評価方法及び装置
US11313869B2 (en) Methods and apparatus for determining label count during specimen characterization
JP7324757B2 (ja) 訓練が低減されたニューラルネットワークを使用したバイオ流体検体の特徴付けのための方法および装置
JP7089072B2 (ja) 進歩したセマンティックセグメンテーションおよび敵対的訓練による、きめ細かなｈｉｌ指標決定のための方法および装置
JP7089071B2 (ja) 単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け
US11852642B2 (en) Methods and apparatus for HILN determination with a deep adaptation network for both serum and plasma samples
JP7203206B2 (ja) 標本分類のための仮説および検証ネットワークおよび方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200131

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200131

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210120

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210202

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20210427

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20210427

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210630

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211124

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220222

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220422

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20220524

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220915

A524 Written submission of copy of amendment under article 19 pct

Free format text: JAPANESE INTERMEDIATE CODE: A524

Effective date: 20220915

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20220915

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20221005

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20221011

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221213

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221216

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230111

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230119

R150 Certificate of patent or registration of utility model

Ref document number: 7216069

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150