JP2021510201A - 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 - Google Patents

Abstract

【課題】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。【解決手段】グラフィカルなアノテーションの入力を低減したニューラルネットワーク（畳込ニューラルネットワーク−ＣＮＮ）を訓練する方法が提供される。訓練方法は、テスト検体の血清または血漿部分の溶血（Ｈ）、黄疸（Ｉ）、および／または脂肪血症（Ｌ）、または正常（Ｎ）の判定に使用できる試験ＣＮＮの訓練に使用できる。訓練方法は、訓練検体を含む複数の検体容器の訓練画像を取り込むこと、訓練検体の血清または血漿部分の領域候補を生成することを含み、そして、複数の訓練検体の領域候補の場所、サイズ、および形状に最も一致するものを選択する。訓練ＣＮＮから取得した特性（ネットワークと重み）は、試験ＣＮＮで使用することができる。他の局面と同様に、訓練方法を実行するように適合された品質検査モジュールおよび試験装置、ならびにバウンディングボックスリグレッサを使用する特徴付け方法が説明される。【選択図】図５Ａ

Description

関連アプリケーションの相互参照
この出願は、２０１８年１月１０日に提出された米国仮出願第６２／６１５，８７３号の優先権を主張し、その内容は参照によりその全体が本明細書に組み込まれる。

本開示は、バイオ流体検体を特徴付ける神経流体ネットワークを訓練するための方法および装置に関し、より詳細には、バイオ流体検体が干渉物質を含むかどうかを判定するためのニューラルネットワークを含む方法および装置に関する。

自動試験システムは、血清、血漿などの検体中の分析物または他の成分を特定するために、１つ以上の試薬を使用して、臨床化学またはアッセイ試験を実施するために用いることができる。便宜上および安全上の理由から、これらの検体は検体容器（例えば、採血チューブ）内に含まれてもよい。検体が全血である場合、遠心分離中に血清または血漿部分からの沈殿した血液部分の分離の維持を支援するために、ゲルセパレータを検体容器に追加してもよい。アッセイまたは試験反応は、検体に存在する分析物または他の成分の濃度を決定するために読取および／または操作され得る様々な変化を生成する。

自動テスト技術の向上は、分析前の検体の準備および並び替え等の取り扱い操作、バッチ準備、検体成分を分離するための検体容器の遠心分離、検体アクセスを容易にするためのキャップの取り外し、分取の準備、およびラボラトリーオートメーションシステム（ＬＡＳ）の一部になり得る自動化システムによるＨＩＬＮに対する事前スクリーニング（以下「分析前操作」）における対応する進歩によって達成されて来た。ＬＡＳは、検体コンテナ内の検体を、１つ以上の分析前検体処理ステーションならびに臨床化学分析装置および／またはアッセイ機器（以下、総称して「分析装置」）へと、自動的に輸送してもよい。

そのような検体容器は、提供される１つ以上のラベルをその上に有してもよい。そのラベルは、製造業者のラベル、および／または瀉血専門医あるいは検体を取り扱う他の場所あるいは施設によって提供されたラベルであってもよい。ほとんどの場合、少なくとも１つのラベルには、バーコードなどの識別情報（以下、「バーコードラベル」）が含まれる。ラベルは、例えば、粘着剤の裏張りを有する紙でできていてもよい。

ＬＡＳは一度に多数の異なる検体を処理してもよく、追跡とルーティング（ｒｏｕｔｉｎｇ）にバーコードラベルを使用してもよい。バーコードラベルには、試験オーダーおよび／または他の情報に加えて、病院の検査情報システム（ＬＩＳ）に入力できる人口統計情報と関連付けられた受付番号を含んでいてもよく、ここで、ＬＩＳはＬＡＳと電子的に接続するように構成されている。オペレータまたはロボットは、ラベル付きされた検体容器をＬＡＳシステムに配置でき、ＬＡＳシステムは、検体容器を１つ以上の分析前操作に自動的にルーティングする。これらは全て、検体が実際に、ＬＡＳの一部に配置されていてもよい１つ以上の分析器による臨床分析またはアッセイにかけられる前であってもよい。

分離および他の分析前操作の後、検体容器は、吸引によって検体容器から血清または血漿部分を抽出してその部分を反応容器（例えば、キュベット）内の１つ以上の試薬と組み合わせることができる適切な分析装置に移されてもよい。次いで、分析測定は、しばしば、例えばインテロゲーティング放射（ｉｎｔｅｒｒｏｇａｔｉｎｇ ｒａｄｉａｔｉｏｎ）のビームを使用して、または測光あるいは蛍光吸収の読み取りなどを用いることによって実行されてもよい。分析測定が終点または速度の値の決定を可能にし、そこから分析対象物または他の成分の濃度を、周知の技術を用いて決定することができる。

残念ながら、検体中の任意の干渉物質（例えば、Ｈ、Ｉ、および／またはＬ）の存在は、患者の状態や検体処理の結果として、分析対象物あるいは１つ以上の分析装置から得られた成分測定の試験結果に悪影響を与え得る。例えば、血液検体中の溶血の存在は、患者の病状とは無関係であり得るが、患者の病状の異なる解釈を生じ得る。さらに、血液検体中の黄疸および／または脂肪血症の存在もまた、患者の病状の異なる解釈を生じ得る。したがって、分析前操作を介して、検体がＨ、Ｉ、および／またはＬを含有しているかどうかを、さらにはその指標レベルを含有しているかどうかを、分析試験の前に知ることが望ましい。

検体がＨ、Ｉ、および／またはＬを含有しているかどうかに関しては、正常（Ｎ）な血清または血漿部分は淡黄色から淡い琥珀色である。溶血（Ｈ）を含む血清または血漿部分は赤みがかった色をしている。黄疸（Ｉ）を含む血清または血漿部分はビリルビンの増加により濃い黄色になり、脂肪血症（Ｌ）を含む血清または血漿部分は白っぽいまたは乳白色の外観になる。分析前操作で決定された色に応じて、干渉物質のタイプと指標値を割り当てることができる。

幾つかの例において、血清または血漿部分を視覚的に観察する明確な機会を与えない幾つかの方向が存在し得るように、１つ以上の上記バーコードラベルが検体の特定の横方向の視点を部分的に遮蔽する可能性がある。したがって、そのような事前スクリーニングの自動化には、例えば、Ｈ、Ｉ、および／またはＬ、またはＮの自動事前スクリーニングを可能にするような方法で検体を回転配向させることが含まれている。例えば、「臨床分析装置によって分析される液体サンプルおよび容器内の干渉物質および物理的寸法を確認するための方法および装置」と題されたＭｉｌｌｅｒへの特許文献１に記載されたような、幾つかのシステムにおいては、検体容器は、ラベルに邪魔されないビューウィンドウを見つけるために回転させられ、その後に画像化が実施される。

パーク他への特許文献２に記載されているような他のシステムにおいては、検体容器および検体は、検体容器の回転が必要ないように、複数の視点から画像化されて、モデルベースのシステムで処理される。ただし、このようなモデルベースのシステムでは、モデルの事前訓練は極端に労働集約的である。

したがって、バイオ流体検体中の干渉物質の存在を特徴付けるように適合され、より効率的に訓練され得る、堅牢で効率的な方法および装置に対する、満たされていないニーズがある。

米国特許番号９，３２２，７６１ 国際公開第２０１６／１３３，９００号

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。

概要
第１の態様によれば、ニューラルネットワークを訓練する方法が提供される。ニューラルネットワークを訓練する方法は、画像取込場所で訓練検体を含む検体容器の訓練画像を取り込むことと、ニューラルネットワークへの入力用に血清または血漿部分の領域候補を生成することと、血清または訓練検体の血漿部分に最良に一致する領域候補を選択することとを含む。

別の態様では、訓練されたニューラルネットワークを使用して検体を特徴付ける方法が提供される。その方法は、画像取込場所で検体が入っている検体容器の画像を取り込むことと、ニューラルネットワークへの入力用に血清または血漿部分の領域候補を生成することと、検証済み領域を提供する為に回帰によって領域候補を収束することとを含む。

別の態様によれば、検体容器内に含まれる検体中の干渉物質の存在を決定するように構成された品質検査モジュールが提供される。品質検査モジュールは、検体の血清または血漿部分を含む検体容器の複数の画像を取り込むように構成された画像取込デバイスと画像取込デバイスに接続されたコンピュータとを含み、該コンピュータは、複数の画像からニューラルネットワークに画像データを入力し、血清または血漿部分の領域候補を生成し、回帰によって領域候補を収束し、ニューラルネットワークから、溶血、黄疸、脂肪血症、および正常の１つ以上として、血清または血漿部分の分類を出力するように構成され、操作され得る。

本開示のさらに他の側面、特徴、および利点は、以下の説明から、本発明を実施するために意図された最良の形態を含む、多くの例示的な実施形態および実行を例示することによって、容易に明らかになり得る。本明細書で説明された異なる実施形態の幾つかの詳細は、本開示の範囲から逸脱することの無い全ての様々な点で改変されてもよい。本開示は、特許請求の範囲に含まれる全ての改変、等価物、および代替物を網羅することを意図している。

以下に記載された図面は、例示を目的としたものであり、必ずしも一定の縮尺で描かれているわけではない。したがって、図面および説明は、本質的に例示と見なされるべきであり、限定と見なされるべきではない。図面は、決して本発明の範囲を限定することを意図していない。

図１は、１つ以上の実施形態による、Ｈ、Ｉ、および／またはＬ、またはＮへの事前スクリーニングを実行するように構成された１つ以上の品質検査モジュールを含む、検体試験装置の上面概略図を示している。 図２は、干渉物質を含有する血清または血漿部分を有する分離された検体を含む検体容器の側面図を示しており、検体容器は、その上にバーコードラベルを含む。 図３Ａは、バーコードラベルを含む検体容器、干渉物質を含む血清または血漿部分、沈降した血液部分、およびその中にゲルセパレータを含む分離された検体の側面図を示している。 図３Ｂは、バーコードラベルを含む検体容器、干渉物質を含む血清または血漿部分、沈降した血液部分、およびゲルセパレータを含む検体の側面画像を例示しており、検体容器はホルダー内で直立方向に支持されており、長方形の画像取込領域を示している。 図３Ｃは、１つ以上の実施形態による、例示的な重ね合わせグリッドを含む図３Ｂの、画像取込領域の側面図を示している。 図３Ｄは、１つ以上の実施形態による、チューブの直径についての知見を有することによって簡略化された重ね合わせグリッドを有する図３Ｂの画像の側面図を例示している。 図４Ａは、１つ以上の実施形態による、複数の視点を含み、干渉物質の存在の判定を可能にするために複数の画像を取り込んで分析するように構成された、品質検査モジュール（天井を取り除いた）の概略上面図を示している。 図４Ｂは、１つ以上の実施形態による、図４Ａの切断線４Ｂ−４Ｂに沿って取られた図４Ａの品質検査モジュール（エンクロージャの前面壁が取り除かれた）の概略側面図を例示している。 図５Ａは、１つ以上の実施形態による、訓練ＣＮＮの例示的なアーキテクチャのブロック図を示している。 図５Ｂは、１つ以上の実施形態による、試験ＣＮＮの例示的なアーキテクチャのブロック図を示している。 図６Ａは、１つ以上の実施形態による、第１の視点からの第１の画像を示している。 図６Ｂは、１つ以上の実施形態による、第２の視点からの第２の画像を示している。 図６Ｃは、１つ以上の実施形態による、第３の視点からの第３の画像を示す。 図６Ｄは、１つ以上の実施形態による、様々な視点の向きを示す概略上面図を示す。 図７は、１つ以上の実施形態による、ニューラルネットワークを訓練する方法のフローチャートである。 図８は、１つ以上の実施形態による、検体を特徴付ける方法のフローチャートである。

詳細な説明
バイオ流体を特徴付けるためのモデルベースシステムを訓練するための方法の上記の欠陥を考慮して、モデル訓練プロセスの効率を劇的に改善する方法および装置が本明細書で提供される。特に、モデルベースシステムの従来技術の訓練は、既知の特性を有する訓練検体の画像化を含み、その時、オペレータは、訓練検体の画像内の様々な部分（バウンディングボックスなどのグラフィカルな領域のアノテーション（ａｎｎｏｔａｔｉｏｎｓ））を手動で輪郭化しなければならない。これらのバウンディングボックスは、血清または血漿部分、沈降した血液部分、ゲルセパレータ、空気などの周辺領域を輪郭化することができる。これらのバウンディングボックスは、モデルが検体テストの後でこれらの領域を認識するよう訓練され得るように、モデル訓練のアノテーション付き入力（グラフィカルな入力）として提供された。さらに、Ｈ、Ｉ、Ｌクラス、またはＮおよび／またはＨＩＬ指標値などの手動で生成された各バウンディングボックスに対して、手動のデータアノテーション入力が提供されてもよい。そのような（そのグラフィカル領域の）手動バウンディングボックスの提供および入力は、モデルベースシステムの全体的な訓練が非常に面倒で極端に時間がかかり人による手動の努力を必要とすることを理解されたい。したがって、手動のグラフィカルな入力に依存しない、より効率的なモデル訓練方法が大いに必要とされている。

したがって、本開示は、ニューラルネットワーク（例えば、畳込ニューラルネットワーク−ＣＮＮ）などのモデルを訓練するように構成された方法および装置を提供する。特に、そのモデルは、干渉物質がバイオ流体検体に存在するか（ＨＩＬなど）、または正常かどうか（Ｎなど）を決定するように構成および適合できる。本明細書で説明される訓練方法および装置は、非常に効率的であり、ニューラルネットワーク（例えば、ＣＮＮ）を訓練するための手動の領域／グラフィカルなアノテーション入力を含まない。したがって、ニューラルネットワークの訓練は、オペレータが手動で行う最小限の入力で、迅速に行うことができる。

第１の態様では、訓練方法は、複数の訓練画像（例えば、デジタルのピクセル化された訓練画像）を取得するために、画像取込場所で、１つ以上の画像取込デバイスによって訓練検体を含む複数の検体容器の画像を取り込むことを含む。モデル（例えば、訓練ＣＮＮなど）のグラウンドトゥルースラベル（Ｇｒｏｕｎｄ ｔｒｕｔｈ ｌａｂｅｌ）が訓練入力として入力される。訓練検体ごとに、干渉物質のタイプと、場合によっては測定済または検証済みの指標単位とが、試験ＣＮＮからの出力として必要なグラウンドトゥルースラベルとして提供されることができる。したがって、グラウンドトゥルースラベルは、例えば、Ｈ、Ｉ、および／またはＬ、またはＮ、および／または他の実施形態では、試験ＣＮＮからの出力であることが必要とされたＨ、Ｉ、および／またはＬのそれぞれに対するいくつかの離散した指標値であってよい。試験ＣＮＮは、一度訓練されたモデルであり、ＨＩＬＮに対して検体をテストできる。

画像データの前処理は、いくつかの実施形態では、例えば、背景除去またはチューブタイプ検出を達成するために、任意で使用されてもよい。このような前処理は、画像のサイズを縮小し（つまり、関連する関心エリアに）、収束の反復回数を低減し、訓練の全体的な時間を短縮する為に用いることができる。手動のグラフィカル入力の使用を回避するために、本明細書に記載されている方法および装置は、血清または血漿部分の領域候補の自動生成を備える。訓練のために自動的に生成される領域候補は、実施形態では、画像化されたエリアのサブ領域で構成される。例えば、サブ領域は、訓練画像の上に重ね合わされている仮想訓練グリッドのサブ領域に対応してもよい。言い換えれば、領域候補は異なる領域のサブ領域のコレクションであってもよく、それは仮想グリッド内のより小さな領域である。実施形態では、仮想訓練グリッドは、交差して、交差箇所で仮想グリッドの仮想ノードを形成する、垂直線および水平線を含んでもよい。仮想グリッド内のグリッド要素のコレクションまたはグルーピングは、領域候補を構成してもよい。

例えば、領域候補は、訓練画像内の長方形のサブ領域を包含してもよい。例えば、いくつかの実施形態では、領域候補は、仮想グリッド内の２つの仮想ノード（例えば、斜めに対向するコーナーノード）を選択することにより生成されてもよい。いくつかの実施形態では、特定の領域候補がランダムに選択されてもよい。数千の訓練画像が取り込まれて訓練ＣＮＮに入力されて、数千のランダムに生成された領域候補も生成されて、ＨＩＬＮおよび場合によってはＨＩＬ指標レベルについてのグラウンドトゥルース情報とともに、訓練ＣＮＮへと入力される。様々な領域候補のそれぞれは、入力された画像データ内の血清／血漿部分の場所との相関度（適合）を検証されてもよい。

例えば、各領域候補は、各領域候補内の光強度勾配を調べる等のフィルタリングによって試験／検証されてもよい。例えば、一致の程度は、訓練画像の特定の部分内の光強度の勾配を調べることによって識別されてもよい。これらの相関性の高い部分は保持されてもよく、一方、相関性の低い部分は破棄されることができる。したがって、入力された訓練画像との「一致」の程度に基づいて、複数（例えば、数千）の最良の候補を選択することができる、すなわち、最も高い相関を有する領域候補を使用することができる。

場合によっては、仮想グリッドは、幅（Ｗ）と高さ（Ｈ）のサイズを持つ長方形のグリッド要素で構成することができる。サイズと形状または血清あるいは血漿部分の適切な見積りを得る為に、適切に細かいグリッドが使用されるべきである。各領域候補が（例えばランダムに）生成され、訓練画像およびグラウンドトゥルースラベルとともに訓練ＣＮＮへの入力として送信され、収束の度合いが試験される。収束とは、ケースの８０％、または９０％、または９５％、またはそれ以上で、正しい結果が得られることを意味する。もしも十分な収束が訓練中に得られたならば、訓練を停止できる。適切な訓練の考察は、ＨＩＬ分類部（ＳｏｆｔＭａｘ）の損失の考察によって達成され得る。

訓練ＣＮＮが一旦十分に訓練されると、様々な特徴および／またはモデルの重みが転送され得て、検体容器内の検体の血清または血漿部分を自動的に認識して適切な分類を提供するように構成された試験ＣＮＮの一部として使用され得て、適切なＨ、Ｉ、および／またはＬまたはＮの分類を提供し得て、もしモデルがそのように訓練されているならば、そのＨ、Ｉ、またはＬ指標等の分類を提供し得る。

したがって、一旦訓練されると、試験ＣＮＮは、検体の血清または血漿部分中のＨ、Ｉ、および／またはＬ、またはＮ（以下「ＨＩＬＮ」）、またはその幾つかのＨＩＬサブセット等の干渉物質の存在を決定するように使われてよい。この方法およびニューラルネットワーク（例えば、試験ＣＮＮ）は、ｎクラスＨ（例えば、Ｈ１、Ｈ２、Ｈ３、またはそれ以上）、ｎクラスＩ（例えば、Ｉ１、Ｉ２、Ｉ３、またはそれ以上）、および／またはｎクラスＬ（例えば、Ｌ１、Ｌ２、Ｌ３、またはそれ以上）、またはＮを決定するように構成されてもよい。一部の実施形態では、テストＣＮＮは、ｎクラスＨ、およびｎクラスＩ、およびｎクラスＬの３つ全てを特定することができる。試験ＣＮＮが特に示されているが、ｎ＝４、５、６、７、８、またはそれ以上のような他の数の結果を使用してもよい。

１つ以上のラベルが様々な程度で検体容器を包むことがあるため、１つ以上のラベルを含む領域からの血清および血漿部分の区別は、特に厄介な問題である。したがって、血清または血漿部分のクリアな視界を得ることが困難になるかもしれないように、１つ以上のラベルが１つ以上の視点を遮蔽する可能性がある。したがって、血清または血漿部分の分類は、１つ以上のラベルからの妨害の為に極めて困難になる可能性があり、その配置は、１つの検体容器から次の事前スクリーニングが行われるまで実質的に様々になり得る。

特に、１つ以上のラベルによって生じる遮蔽は、１つ以上のラベルが背面に表示され、前面で受信される光の透過率に影響を与える場合に、様々な視点などからのスペクトル応答に重大な影響を与える可能性がある。これを前提として、訓練ＣＮＮへの入力は、前処理（例えば、統合、正規化）されて複数の画像取込デバイスから取得される、複数スペクトル、複数露出の画像データであってもよい。例えば、画像取込デバイスは、複数の視点（例えば、３つの横方向の視点）から画像を取り込むように配置および構成された複数の画像取込デバイスを含んでもよい。

訓練方法の幾つかの実施形態では、幾つかのより簡単な訓練例（例えば、ラベルなし）は、様々なレベルのＨＩＬおよびＮで、複数の視点から、最初に訓練されてもよい。次に、様々な位置と多くのラベル（例えば、最大２つのラベル）を含む、より難しい訓練の例を、複数の視点で訓練検体として入力されてもよい。その結果、血清または血漿領域を認識する訓練ＣＮＮのより効果的な訓練が、ラベル障害物が存在する場合に提供されてもよい。

定義
本明細書で使用される「干渉物質」は、検体の血清または血漿部分における溶血（Ｈ）、黄疸（Ｉ）、または脂肪血症（Ｌ）の少なくとも１つの存在を意味する。溶血（Ｈ）、黄疸（Ｉ）、および脂肪血症（Ｌ）は、本明細書では総称的に「ＨＩＬ」と呼ばれる。

「溶血」は、処理中に赤血球が破壊され、血清または血漿部分が赤みがかった色合いになるような、赤血球から血清または血漿部分へのヘモグロビンの放出をもたらす、血清または血漿部分の状態として定義される。溶血の程度（Ｈ）は、溶血指数を割り当てることで定量化してもよい。

「黄疸」は、血清または血漿部分が胆汁色素（ビリルビン）の蓄積によって引き起こされる暗黄色に変色する血液の状態として定義される。黄疸の程度（Ｉ）は、黄疸指数を割り当てることで定量化してもよい。

「脂肪血症」は、血清または血漿部分が白っぽいまたは乳白色の外観を含むような、異常に高濃度の乳化脂肪の血中の存在として定義される。脂肪血症の程度（Ｌ）は、脂質指数を割り当てることによって定量化してもよい。

「正常」は、許容できるほど少量のＨ、Ｉ、およびＬを含む血清または血漿部分として定義され、本明細書ではＮと指定される。

「血清または血漿部分」は、血液の液体成分である。それは、分別（例えば、遠心分離による）後の沈殿した血液部分の上に見られる。血漿と血清は凝固成分、主にフィブリノーゲンの含有量が異なる。血清が血漿を指す一方で、血漿は凝固していない液体であり、内因性酵素または外因性成分のどちらの影響下でも凝固され得る。

「沈降血液部分」とは、白い血液細胞（白血球）、赤い血液細胞（赤血球）、血小板（ｐｌａｔｅｌｅｔｓ、ｔｈｒｏｍｂｏｃｙｔｅｓ）などの固まった半固体の血液細胞であり、凝集して、血清または血漿部分から分離している。沈殿した血液部分は、分別後の血清または血漿部分の下の検体容器の底部に見られる。

「画像取込デバイス」とは、デジタルカメラ、ＣＣＤ（電荷結合デバイス）、ＣＭＯＳ（相補型金属酸化膜半導体）、センサまたは光検出器のアレイなど、分析用のピクセル化画像（例えば、デジタルイメージ）を取り込める任意のデバイスである。

本明細書で使用される「ピクセル化画像」は、複数のピクセルを含むスーパーピクセルまたはイメージパッチ（パッチ）などの、単一のピクセルまたはピクセルグループのいずれかで構成される画像を意味する。

「ラベル」は、識別情報（すなわち、しるし）を含むように適合された検体容器の外側上の領域として定義される。ラベルは、不透明な紙、プラスチック、塗料、または検体容器の外側表面に貼り付けられた他の材料であってもよい。しるしは、バーコード、アルファベット文字、数字、またはそれらの組み合わせであってもよい。ラベルは、製造業者ラベルであってもよいし、瀉血専門医またはその後の検体処理エンティティによって後付けされたラベルであってもよく、バーコードを含んでいてもよい。

「ＬＡ」は、液体−空気界面として定義され、血清あるいは血漿部分の上方の、血清あるいは血漿部分と空気との間の境界線（横から見た）である。

「ＳＢ」は血清−血液界面であり、血清あるいは血漿部分と沈降した血液部分との間の境界線（横から見た）である。

「ＴＣ」は、チューブ−キャップ境界面であり、空気とキャップとの間の境界面にある境界線（横から見た）である。

「ＨＴ」はチューブの高さであり、チューブの最下部からキャップの底までの高さとして定義される。

「ＨＳＰ」は、ゲルセパレータが使用されていない場合には、血清または血漿部分の高さであり、血清または血漿部分の最上部から、沈殿した血液部分の最上部まで、つまりＬＡからＳＢまでの高さと定義される。

「ＨＳＰ」は、ゲルセパレータが使用される場合（図３Ａ）には、血清または血漿部分の高さであり、血清または血漿部分の上部のＬＡからゲルの上部のＳＧまで、つまりＬＡからＳＧまでの高さと定義される。

「ＨＳＢ」は、ゲルセパレータが使用されていない場合には、沈降血部分の高さであり、沈降血液部分の底から沈降血液部分の上部のＳＢまでの高さと定義される。

「ＨＳＢ」は、ゲルセパレータが使用されている場合には、沈降した血液部分の高さであり、沈降した血液部分の底からゲルセパレータの底のＢＧまでの高さとして定義される。

「ＨＴＯＴ」は、ゲルセパレータが使用されていない場合には、検体の全高さであり、ＨＳＰ＋ＨＳＢに等しい。

「ＨＴＯＴ」は、ゲルセパレータが使用されている場合には、検体の全高さであり、ＨＳＰ＋ＨＳＢ＋ゲルセパレータの高さに等しい。

「Ｔｗ」は検体容器の壁厚である。

「Ｗ」は検体容器の外幅である。

「Ｗｉ」は検体容器の内幅である。

「キャリア」は、ラボラトリーオートメーションシステム（ＬＡＳ）内などで、検体容器を支持および輸送するように構成されたデバイスである。

「ＶＳＰ」は、検体容器内の血清または血漿部分の体積である。

「ＶＳＢ」は、検体容器内の沈降した血液部分の体積である。

本明細書で使用される「溶血指数」は、血清または血漿部分に存在する溶血の決定された含有量（程度または量）に基づいて、特定の検体に与えられた等級を意味する。

本明細書で使用される「黄疸指数」は、血清または血漿部分に存在する黄疸の決定された含有量（程度または量）に基づいて、特定の検体に与えられた等級を意味する。

本明細書で使用される「脂肪血症指数」は、血清または血漿部分に存在する脂肪血症の決定された含有量（程度または量）に基づいて、血清または血漿部分に与えられた等級を意味する。

本明細書で使用される「畳込」は、学習してフィルタカーネルを適用する処理ステップを意味する。前方パスの最中にドット積を計算することにより、フィルタは入力画像データに適用される。これにより、そのフィルタのアクティベーションマップが作成される。したがって、ネットワークは、入力画像データのある空間位置で特定のタイプの特徴を処理が検出したときにアクティブになるフィルタを学習する。

本明細書で使用される「プーリング」は、非線形ダウンサンプリングを実行する処理ステップを意味する。一般的に、最大プーリングが適用される。最大プーリングは、描画の重複しないサブ領域に最大フィルタを適用することで実現される。

本明細書で使用される「ＳｏｆｔＭａｘ」は、互いに排他的なクラスの単一クラスＮを予測するための損失である。

遠心分離直後かつ１つ以上の分析装置による分析の前にＨＩＬＮに対して事前スクリーニングする能力は、分析に適切な品質ではない検体の分析への無駄な時間を有利に最小化し、誤った検査結果を回避または最小化し、患者の検査結果の遅延を最小化し、そして患者の検体の無駄を避けることができる。さらに、１つ以上の実施形態では、検体の血清または血漿部分内に許容できないレベルのＨ、Ｉ、および／またはＬが特定されるＨＩＬＮに対して事前にスクリーニングした後に是正措置を行うことができる。

モデルの訓練（訓練ＣＮＮ）に提供される検体容器は、異なる幅と異なる高さを含む異なるサイズであってもよく、したがって、多くの異なる物理構成の訓練とその後の事前スクリーニングのために供給されてもよい。例えば、検体容器は、例えば、１３ｍｍ×７５ｍｍ、１３ｍｍ×１００ｍｍ、１６ｍｍ×１００ｍｍ、および１６ｍｍ×１２５ｍｍのようなサイズを有することができる。他の適切な検体容器サイズに出会うかもしれない。

本明細書に記載されている方法は、訓練ＣＮＮならびに試験ＣＮＮへの入力として、検体容器および血清あるいは血漿部分の高ダイナミックレンジ（ＨＤＲ）画像処理を使用することができる。ＨＤＲイメージングは、複数の露出の取り込みを含み、一方で複数のスペクトル照明を使用するが、これは下記で明らかにする。

１つ以上の実施形態では、品質検査モジュールは、本明細書で説明される訓練方法および試験方法を実行するように構成されてよい。品質検査モジュールはＬＡＳの任意の適切な領域に実装されてよいが、ロボット機構（例えば、グリッパーフィンガーロボット）または軌道がそこへの検体容器の輸送を促進することができる領域が好ましい。いくつかの実施形態では、品質検査モジュールは、検体試験装置の軌道上または軌道に沿って提供されてよく、検査容器を支持するキャリアは、画像ベースの品質検査モジュールでＨＩＬＮを識別するように訓練する為に、検体を品質検査モジュール内の画像取込場所に移動するように構成されてもよい。

しかしながら、いくつかの実施形態では、訓練は、あるいは、検体試験装置の試験場所とは異なる場所にある訓練モジュールで行われてもよい。ここで、その訓練モジュールは、事前スクリーニングに使用される品質検査モジュールの正確な複製である。いくつかの実装形態では、軌道は、検体を事前スクリーニング場所に運んでもよく、そして、キャリア上の分析機器での分析（例えば、臨床化学試験またはアッセイ）のための１つ以上の遠隔場所にも運んでよい。実施形態では、訓練検体容器は、ホルダーなどによって、訓練（および試験）中に直立位置に保持されてもよい。ホルダーは、それぞれの画像の取得中に検体容器をほぼ垂直に直立した向きに保持する指または他の適切な物品を含んでもよい。いくつかの実施形態では、ホルダーはキャリアの一部であってもよい。

いくつかの実施形態では、訓練画像は、複数の視点（例えば、複数の横方向の視点）から訓練画像を取り込むように配置された複数の画像取込デバイスによって取得されてもよい。複数の訓練画像は、品質検査モジュールで取得されてよく、複数のスペクトルの照明（例えばバックライト）を提供されながら、複数の露出（例えば露出時間）で取り込まれてもよい。ここで、各スペクトルは異なる公称波長を持っている。

照明の複数のスペクトルは、例えば、赤（Ｒ）、緑（Ｇ）、および／または青（Ｂ）色光の放射光を含んでもよい。他の実施形態では、白色（Ｗ）、赤外線（ＩＲ）および／または近赤外線（ＮＩＲ）を照明に使用してもよい。前述の照明源の任意の組み合わせを使用してもよい。照明はバックライト照明を含んでもよく、その場合、画像取込デバイスは片側に配置され、バックライト光源は検体容器の反対側に配置される。露出時間は、使用される照明強度とスペクトル、および画像取込デバイスの特徴に基づいて変えてもよい。複数の露出時間（例えば、４〜８の異なる露出）が、各スペクトル毎および各画像取込デバイス（つまり、各視点）毎に使用されてもよい。他の多数の露出が使用されてもよい。

画像データの前処理操作では、特定のスペクトル（異なる露出時間）での複数の取込画像の各対応するピクセル（またはパッチ単位の処理を使用している場合はパッチ）に対して、最適な画像強度を示すピクセル（またはパッチ）が選択されてもよい。最適な画像強度を示すこれらの選択されたピクセル（またはパッチ）も正規化されてよい。結果は、複数の統合および正規化されたカラー画像データセット、各明の各異なるスペクトル（例えば、Ｒ、Ｇ、Ｂ、Ｗ、ＩＲ、および／またはＮＩＲ）毎の１つの画像データセット、および各視点毎の１つの画像データセットであってよい。これらの統合および正規化されたデータセットは、訓練ＣＮＮへの層としてデータマトリックスの形式で提供されてもよい。適切に訓練されると、各試験検体から取得された画像（試験画像）は、ＨＩＬＮを決定するために試験ＣＮＮによって操作されることができる。いくつかの実施形態では、干渉物質のタイプ（ＨＩＬ）の決定は、試験ＣＮＮからの出力として提供される。他の実施形態では、試験ＣＮＮの出力は、ｎクラスＨＩＬまたは通常（Ｎ）であってよい。

本発明の訓練方法および該訓練方法を実行するように構成された訓練品質検査モジュールのさらなる詳細は、本明細書の図１〜８を参照してさらに説明される。

図１は、検体２１２を含む複数の検体容器１０２（例えば、図２〜３Ｂを参照）を自動的に処理することができる検体試験装置１００を示す。検体容器１０２は、輸送の前、および検体試験装置１００の周囲に配置されている１つ以上の分析器（例えば、それぞれ、第１、第２、および第３の分析器１０６、１０８、および／または１１０）による分析の前に、積載エリア１０５の１つ以上のラック１０４に提供されてもよい。使用される分析器の数はより多くまたはより少なくすることができる。分析器は、臨床化学分析装置および／またはアッセイ機器などの任意の組み合わせであってもよい。検体容器１０２は、採血チューブ、試験管、サンプルカップ、キュベット、またはその中に含まれる検体２１２を収容および画像化することができる他の透明または不透明なガラスまたはプラスチック容器などの、適切に透明または半透明の任意の容器でよい。検体容器１０２は、上述のようにサイズが様々であってよい。

検体２１２は、検体容器１０２に入れられて検体試験装置１００に提供されてもよく、検体容器１０２はキャップ２１４で蓋をされてもよい。キャップ２１４は、様々なキャップ色（例えば、赤色、ロイヤルブルー、淡青色、緑色、灰色、黄褐色、黄色、または色の組み合わせ）を有してもよく、これは、検体容器１０２が何の試験に用いられるか、そこに含まれる添加剤のタイプ、容器がゲルセパレータを含むかどうかなどの意味を持つことができる。他の色を用いてもよい。

各検体容器１０２はラベル２１８を備えてもよく、ラベル２１８は、バーコード、アルファベット、数字、またはそれらの組み合わせなどの識別情報２１８ｉ（すなわち、しるし）をその上に含むことができる。識別情報２１８ｉは、検体試験装置１００近くの様々な場所で機械読取可能であってもよい。機械読取可能な情報は、簡単に画像化できるコントラストを有するために、ラベルの材質（例えば、白）よりも暗く（例えば、黒）あってもよい。識別情報２１８ｉは、例えば、ラボラトリーインフォーメーションシステム（ＬＩＳ）１４７を介して、患者の識別ならびに検体２１２に対して達成されるべき試験または他の情報を示してもよく、そうでなければそれらに相関付けされてもよい。このような識別情報２１８ｉはラベル２１８上に提供されてもよく、ラベル２１８は、チューブ２１５の外面に付着、またはそうでなければ、チューブ２１５の外側表面に提供されてもよい。図２の図示された実施形態では、ラベル２１８は、検体容器１０２の周り全体に延在していなくてもよく、または検体容器１０２の長さに沿った全体に延在していなくてもよい。したがって、示される特定の正面の視点から、血清または血漿部分２１２ＳＰの大部分が明確に視認され得て、画像化され得て（点線で示される部分）おり、ラベル２１８によって遮蔽されていない。

しかしながら、いくつかの実施形態では、（検体容器１０２を扱った複数の施設からなどから）複数のラベル２１８が提供されている場合があり、それらはある程度重なり合っている場合がある。例えば、２つのラベル（例えば、製造業者のラベルとバーコードラベル）が提供され、重なり合っていて、一部の視点を遮蔽する（妨害する）場合がある。したがって、いくつかの実施形態では、ラベル２１８が検体２１２の一部分（遮蔽部分）を遮ることがあるが、検体２１２の一部分および血清および血漿部分２１２ＳＰ（非遮蔽部分）が、少なくとも１つの視点からは見え得ることを理解されたい。したがって、本開示の別の態様によれば、訓練方法を実行するように構成された訓練ＣＮＮの実施形態は、改善されたＨＩＬＮ検出が提供され得るように、遮蔽および非遮蔽部分を認識するように訓練され得る。

再び図２を参照すると、検体２１２は、チューブ２１５内に含有された血清あるいは血漿部分２１２ＳＰおよび沈降血液部分２１２ＳＢを含んでもよい。空気２１６は、血清および血漿部分２１２ＳＰの上に提供されてもよく、それらの間の境界は、液体−空気界面（ＬＡ）として定義される。血清あるいは血漿部分２１２ＳＰと沈降血液部分２１２ＳＢとの間の境界は、血清−血液界面（ＳＢ）として定義される。空気２１６とキャップ２１４との間の界面は、チューブ−キャップ界面（ＴＣ）として定義される。チューブの高さ（ＨＴ）は、チューブ２１５の最底部からキャップ２１４の底までの高さとして定義されており、画像化されてチューブの高さを決定するために使用されてもよい。血清または血漿部分２１２ＳＰの高さは（ＨＳＰ）であり、血清または血漿部分２１２ＳＰの上部から、沈降血液部分２１２ＳＢの最上部までの高さとして定義される。沈降血液部分２１２ＳＢの高さは（ＨＳＢ）であり、沈降血液部分２１２ＳＢの底部から、ＳＢでの沈降血液部分２１２ＳＢの最上部までの高さとして定義される。ＨＴＯＴは、検体２１２の全高であり、ＨＳＰとＨＳＢとを足したものに等しい。

ゲルセパレータ３１３が使用される場合（図３Ａ）、血清または血漿部分２１２ＳＰの高さは（ＨＳＰ）であり、ＬＡでの血清または血漿部分２１２ＳＰの最上部から、ＳＧでのゲルセパレータ３１３の最上部までの高さとして定義され、ここで、ＳＧは、血清または血漿部分２１２ＳＰとゲルセパレータ３１３との間の界面である。沈降血液部分２１２ＳＢの高さは（ＨＳＢ）であり、沈降血液部分２１２ＳＢの底部から、ＢＧでのゲルセパレータ３１３の底部までの高さとして定義され、ここで、ＢＧは、沈降血液部分２１２ＳＢとゲルセパレータ３１３との界面である。ＨＴＯＴは、検体２１２の全高であり、ＨＳＰとＨＳＢとゲルセパレータ３１３の高さとを足したものに等しい。それぞれの場合において、Ｔｗは壁の厚さ、Ｗは外幅であり、これは検体容器１０２のサイズを決定するためにも使用でき、Ｗｉは検体容器１０２の内幅である。

より詳細には、検体試験装置１００は、軌道１２１を取り付けることができる基部１２０（例えば、枠、床、または他の構造物）を含んでもよい。軌道１２１は、レール付き軌道（例えば、モノレールまたはマルチレール）、コンベアベルトの集合、コンベアチェーン、可動プラットフォーム、または任意の他の適切なタイプの搬送機構であってもよい。軌道１２１は、円形または任意の他の適切な形状であってもよく、いくつかの実施形態では、閉じた軌道（例えば、エンドレス軌道）であってもよい。軌道１２１は、稼働中に、軌道１２１の近くに空けられた様々な場所に、キャリア１２２に入った個々の検体容器１０２を輸送できる。

キャリア１２２は、受動的な、軌道１２１上で単一の検体容器１０２を運べるように構成されたな非電動化パック（ｐｕｃｋ）であってもよく、または任意選択で、軌道１２１の近辺を動き、事前に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たリニアモータなどの、内蔵駆動モーターを含む自動化キャリアであってもよい。他の構成のキャリア１２２が使用されてもよい。キャリア１２２はそれぞれ、規定された直立位置および向きで検体容器１０２を保持するように構成されたホルダ１２２Ｈ（図３Ｂ）を含んでもよい。ホルダー１２２Ｈは、検体容器１０２をキャリア１２２に固定する複数のフィンガーまたは板ばねを含んでもよいが、いくつかは、異なるサイズ（直径）の検体容器１０２の収容するために可動性または可撓性であってもよい。いくつかの実施形態では、キャリア１２２は、１つ以上のラック１０４から降ろされた後に積載エリア１０５から離れてもよい。積載エリア１０５は、事前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から積載エリア１０５への検体容器１０２の再積載も可能にする２重の機能を提供してもよい。訓練検体の送達とルーティングが同じ取り組みを使用してもよい。

ロボット１２４は、積載エリア１０５に設けられてもよく、１つ以上のラック１０４から検体容器１０２を把持し、検体容器１０２を軌道１２１の入流レーン上などのキャリア１２２上に積載するように構成されてもよい。ロボット１２４はまた、検体容器１０２をキャリア１２２から１つ以上のラック１０４に再装填するように構成されてもよい。ロボット１２４は、１つ以上（例えば、少なくとも２つ）のロボットアームまたはＸ（横）およびＺ（垂直−紙面外、示されるように）、ＹおよびＺ、Ｘ、Ｙ、およびＺ、またはｒ（放射状）およびシータ（回転）動作が可能なコンポーネントを含んでもよい。ロボット１２４は、門型ロボット、関節式ロボット、Ｒ−シータロボット、または他の適切なロボットであってもよく、ここで、ロボット１２４は、検体容器１０２を拾い上げて置くように、配向、サイズ決定、構成されたロボットグリッパーフィンガーを備えてもよい。

軌道１２１に装填されると、キャリア１２２によって運ばれる検体容器１０２は、第１の前処理ステーション１２５に進むことができる。例えば、第１の前処理ステーション１２５は、検体２１２の分別を実行するように構成された自動遠心分離機であってもよい。検体容器１０２を運んでいるキャリア１２２は、入流レーンまたは他の適切なロボットによって、第１の前処理ステーション１２５に方向転換されてもよい。遠心分離された後、検体容器１０２は、出流レーン上へ出るか、そうでなければロボットによって遠心分離機から除去され、軌道１２１に沿って存続することができる。図示の実施形態では、キャリア１２２内の検体容器１０２は、次に、本明細書でさらに説明されるように、訓練または事前スクリーニングを実行するために品質検査モジュール１３０に運ばれてもよい。各検体２１２のＨＩＬＮの程度ならびにラック１０５内の容器サイズは、訓練中に既知になっており、したがって、ラベル２１８との関係を介して訓練ＣＮＮに提供されることができる。

品質検査モジュール１３０は、一旦訓練されると、事前スクリーニングするように構成され、試料２１２に含まれるＨ、Ｉ、および／またはＬの存在およびできる限りに程度を、または試料が正常（Ｎ）かどうかを自動的に決定するように構成される。正常（Ｎ）だと見なされるような実質的に少量のＨ、Ｉ、および／またはＬを含むことが判明した場合、検体２１２は軌道１２１上に存続し、次いで、１つ以上の分析器（例えば、第１、第２、および／または第３の分析器１０６、１０８、および／または１１０）で分析されてもよい。その後、検体容器１０２は、１つ以上のラック１０４に再積載するために積載エリア１０５に戻されてもよい。

検体試験装置１００は、軌道１２１の周囲の１つ以上の場所に多くのセンサ１１６を含んでもよい。センサ１１６は、識別情報２１８ｉ、または各キャリア１２２上に提供される同様の情報（図示せず）を読み取ることによって、軌道１２１上の検体容器１０２の位置を検出するために使われてもよい。近接センサなど、位置を追跡するための任意の適切な手段を使用してもよい。全てのセンサ１１６は、各検体容器１０２の位置が常に知られ得るように、コンピュータ１４３と接続することができる。センサ１１６は、訓練中に、訓練のために品質検査モジュール１３０にルーティングされた検体２１２を識別するために使用されてもよい。

前処理ステーションおよび分析器１０６、１０８、１１０は、軌道１２１からキャリア１２２を軌道１２１から除去するように構成されたロボット機構および／または入流レーン、ならびにキャリア１２２を軌道１２１に再投入するように構成されたロボット機構および／または出流レーンを備えてもよい。

検体試験装置１００はコンピュータ１４３によって制御されてもよく、それは、様々なシステム構成要素を稼働させるための適切なメモリおよび適切な調整電子部品およびドライバを有する、マイクロプロセッサベースの中央処理装置ＣＰＵであってもよい。コンピュータ１４３は、検体試験装置１００の基部１２０の一部として、またはそれとは別に収容されてもよい。コンピュータ１４３は、積載エリア１０５へのおよびからのキャリア１２２の移動、軌道１２１近辺での動き、第１の前処理ステーション１２５へのおよびからの動きならびに第１の前処理ステーション１２５（例えば、遠心分離機）の稼働、品質検査モジュール１３０へのおよびからの動きならびに品質検査モジュール１３０の稼働、各分析器１０６、１０８、１１０へのおよび各分析器１０６、１０８、１１０からの動きならびに様々なタイプの試験（例えば、アッセイまたは臨床化学）を実行するための各分析器１０６、１０８、１１０の稼働を制御するように稼働してもよい。訓練中、コンピュータ１４３は、訓練ＣＮＮの訓練を達成するために使用されてもよい。必要に応じて、別のコンピュータがモデル訓練を実行してもよい。

品質検査モジュール１３０を除く全てについて、コンピュータ１４３は、ソフトウェア、ファームウェア、および／またはハードウェアコマンドまたはニューヨークのターリータウンのシーメンスヘルスケア・ダイアグノスティクス株式会社によって販売されているＤｉｍｅｎｓｉｏｎ（登録商標）臨床化学分析装置で使用されるようなサーキットに従って、検体試験装置１００を制御してもよい。そして、このような制御は、コンピュータベースの電気機械制御プログラミングの当業者にとって典型的であり、本明細書ではこれ以上説明しない。しかしながら、検体試験装置１００を制御するために他の適切なシステムを使用してもよい。品質検査モジュール１３０の制御もコンピュータ１４３によって提供されてもよいが、本明細書で詳細に説明される方法による。特に、検体試験装置１００の迅速な訓練を達成するための方法および装置が提供される。

本明細書に記載の特徴付け／試験および訓練方法のために実行される画像処理に使用されるコンピュータ１４３は、ＣＰＵまたはＧＰＵと、十分な処理能力およびＲＡＭと、適切な記憶装置とを含んでよい。一例において、コンピュータ１４３は、１つ以上のＧＰＵと、８ＧＢ以上のＲＡＭと、１テラバイト以上のストレージとを備えた、マルチプロセッサ装備のＰＣであってもよい。別の例において、コンピュータ１４３は、ＧＰＵを装備したＰＣ、または任意選択で、ＣＰＵを装備した並列化モードで動作するＰＣであってもよい。ＭＫＬが、８ＧＢ以上のＲＡＭおよび適切なストレージのみならず、使用できる。

本開示の試験実施形態は、ユーザが様々な制御およびステータス表示画面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を使用して実現されてもよい。これらの制御およびステータス表示画面は、検体２１２の準備および分析に使用される複数の相互に関連する自動化デバイスのいくつかまたは全ての態様を表示および制御可能にしてもよい。ＣＩＭ１４５は、複数の相互に関連する自動化デバイスの動作状態に関する情報、ならびに任意の検体２１２の位置を示す情報、ならびに検体２１２に対して実行されるまたは実行されている試験の状態を提供するために導入されてもよい。したがって、ＣＩＭ１４５は、オペレータと検体試験装置１００との間のインターフェースを容易にするように適合されている。ＣＩＭ１４５は、それらを通してオペレータが検体試験装置１００とインターフェースし得るアイコン、スクロールバー、ボックス、およびボタンを含むメニューを表示するように適合された表示画面を含んでもよい。メニューは、検体試験装置１００の機能的側面を表示および／または操作するようにプログラムされたいくつかの機能態様を含んでもよい。

迅速な訓練方法を詳細に説明する前に、訓練にも使用できる品質検査モジュール１３０の構成について説明する。図４Ａ〜図４Ｂに示すように、ＨＩＬＮ特徴付けならびに訓練方法を実行するように構成された品質検査モジュール１３０が提供される。品質検査モジュール１３０は、検体２１２を画像取込するように構成され、検体２１２（その血清または血漿部分２１２ＳＰ内）における干渉物質（例えば、Ｈ、Ｉ、および／またはＬまたはＮ）の存在を、１つ以上の分析器１０６、１０８、１１０による分析の前に、事前スクリーニングするように適合されてよい。

ここで図１、４Ａ、および４Ｂを参照すると、品質検査モジュール１３０の第１の実施形態が、複数の画像取込デバイス４４０Ａ〜４４０Ｃを含んで示されている。３つの画像取込デバイス４４０Ａ〜４４０Ｃが示され、好ましいものであるが、任意選択で、１つ、または２つ以上、または４つ以上の画像取込デバイスを使用することができる。画像取込デバイス４４０Ａ〜４４０Ｃは、ピクセル化された画像を画像取込できる従来のデジタルカメラ、電荷結合デバイス（ＣＣＤ）、光検出器のアレイ、１つ以上のＣＭＯＳセンサなどの、明確なデジタル画像を画像取込する任意の適切なデバイスであってもよい。例えば、図４Ａに示される画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃは、３つの異なる横方向の視点（１、２、および３にラベル付けされた視点）から画像を取り込むように構成される。例えば、取り込まれた画像サイズは、例えば、約２５６０×６９４ピクセルであってもよい。別の実施形態では、画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃは、例えば、約１２８０×３８７ピクセルであろう画像サイズを画像取込してもよい。他の画像サイズおよびピクセル密度が用いられてもよい。

画像取込デバイス４４０Ａ、４４０Ｂ、および４４０Ｃのそれぞれは、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横方向画像を取り込むように構成され、操作可能であってもよい。例えば、画像取込デバイス４４０Ａ〜４４０Ｃは、図３Ｂに示されるような、ラベル２１８の一部および血清または血漿部分２１２ＳＰの一部または全部を含む画像３１５を取り込むことができる。例えば、いくつかの例では、視点１〜３の一部がラベル２１８によって部分的に遮蔽されていてもよい。いくつかの実施形態では、視点１〜３のうちの１つまたは複数が完全に遮蔽されていてもよく、すなわち、血清または血漿部分２１２ＳＰの明確な視野が無いことが可能である。ただし、視点１−３の側面（前面または背面）が１つ以上のラベル２１８によって完全に遮蔽されている場合であっても、適切に訓練されると、特徴付け方法は、１つ以上の遮蔽しているラベル２１８を通して、血清または血漿部分２１２ＳＰの境界を依然として区別することができる。

示される実施形態では、複数の画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃは、画像取込場所４３２で、複数の視点１〜３から、検体容器１０２および検体２１２の横方向の画像を取り込むように構成される。図示されるように、視点１〜３は、互いに約１２０°などのように、互いにほぼ等間隔になるように離間されてもよい。図示されているように、画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃは、軌道１２１の周囲に配置することができる。画像取込デバイスの他の配置で使用されてもよい。このようにして、検体容器１０２が画像取込場所４３２でキャリア１２２内にある間に、検体容器１０２内の検体２１２の画像を取得することができる。画像取込デバイス４４０Ａ、４４０Ｂ、および４４０Ｃによって取得された複数の画像の視野は、円周方向にわずかに重なり合っていてもよい。

１つ以上の実施形態では、キャリア１２２は、画像取込場所４３２などの品質検査モジュール１３０内の所定の位置、すなわち、画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃのそれぞれからの法線ベクトルが交差する点などで停止してもよい。ゲートまたはキャリア１２２のリニアモータが、複数の品質の画像を取り込むことができるように、画像取込場所４３２でキャリア１２２を停止することができるように提供されてもよい。訓練画像は、訓練中に画像取込場所４３２で取り込まれてもよい。品質検査モジュール１３０にゲートがある実施形態では、１つ以上の（センサ１１６のような）センサが、品質検査モジュール１３０でのキャリア１２２の存在を判定するために用いられてもよい。

画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃは、画像３１５のサイズを有する画像位置４３２での画像ウィンドウを取り込むために近接および焦点を合わせて、提供されてもよい。ここで、画像ウィンドウは、検体容器１０２の予想される場所を含むエリアである。したがって、いくつかの実施形態では、検体容器１０２は、それが画像ウィンドウのほぼ中央に、そしてこのように画像３１５の中央に配置されるように停止されてもよい。

品質検査モジュール１３０の操作において、コンピュータ１４３によって送信される通信線４４３Ａ、４４３Ｂ、４４３Ｃで提供されるトリガー信号に応答して、各訓練および試験画像の取込が引き起こされて実行されてもよい。取り込まれた画像のそれぞれは、コンピュータ１４３によって処理されてもよい。特に効果的な方法の１つにおいては、高データレート（ＨＤＲ）処理が、画像データの取り込みと、取り込まれた画像からの画像データ処理とに用いられてもよい。より詳細には、１つ以上の異なるスペクトルで順次照明されている間に、複数の異なる露出（例えば、異なる露出時間）で、品質検査モジュール１３０で検体２１２の複数の画像が取り込まれる。例えば、各画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃは、複数のスペクトルのそれぞれにおける異なる露出時間での、血清または血漿部分２１２ＳＰを含む検体容器１０２の４〜８の画像を取得してもよい。例えば、検体２１２が赤色のスペクトルを有する光源４４４Ａでバックライト照明されている間に、視点１で画像取込デバイス４４０Ａによって４〜８の画像を取得してもよい。各画像は露出が異なっていてもよい。追加の同様の画像は、例えば、視点２および３で順次取得されてもよい。

いくつかの実施形態では、複数のスペクトル画像は、異なるスペクトル照明を放つ異なる光源４４４Ａ〜４４４Ｃを使用して達成されてもよい。光源４４４Ａ〜４４４Ｃは、（図示のように）検体容器１０２をバックライト照明してもよい。複数の異なるスペクトル光源４４４Ａ−４４４Ｃは、６３４ｎｍ＋／−３５ｎｍ（赤）、５３７ｎｍ＋／−３５ｎｍ（緑）、および４５５ｎｍ＋／−３５ｎｍ（青）の公称波長を放つＬＥＤなどの、ＲＧＢ光源であってもよい。他の実施形態では、光源４４４Ａ〜４４４Ｃは、白色光源であってもよい。ラベル２１８が複数の視点を遮蔽する場合には、ＩＲバックライトまたはＮＩＲバックライトが任意で使用されてもよい。さらに、ＲＧＢ光源は、ラベル遮蔽が存在する場合でさえも、使用されてもよい。他の実施形態では、光源４４４Ａ〜４４４Ｃは、約７００ｎｍ〜約１２００ｎｍの公称波長を有する１つ以上のスペクトルを放ってもよい。

非限定的な例として、第１の波長で画像を取り込むために、３つの赤色光源４４４Ａ〜４４４Ｃ（約６３４ｎｍ＋／−３５ｎｍの波長）を、３つの横方向位置から検体２１２を順次照明するために使用してもよい。光源４４４Ａ〜４４４Ｃによる赤色照明は、異なる露出時間での複数の画像（例えば、４〜８画像以上）が各視点１〜３から各画像取込デバイス４４０Ａ〜４４０Ｃによって取り込まれるときに起きてもよい。いくつかの実施形態では、露出時間は約０．１ミリ秒から２５６ミリ秒の間であってもよい。他の露出時間を用いてもよい。いくつかの実施形態では、各画像取込デバイス４４０Ａ〜４４０Ｃの各画像のそれぞれは、例えば、連続して取得されてもよい。したがって、各視点１〜３に対して、赤色のスペクトルバックライト照明および複数（例えば、異なる露出時間などにおける４〜８の露出）の画像のグループが順次得られる。画像は、例えば、視点１からの全ての画像が取得され、連続して視点２および３が続き、コントローラ１４３のメモリに保存されるラウンドロビン方式（ａ ｒｏｕｎｄ ｒｏｂｉｎ ｆａｓｈｉｏｎ）で取得されてもよい。このシーケンスは、訓練画像に対して、ならびに後の取り込まれた試験画像に対して達成されてもよい。

各実施形態では、品質検査モジュール１３０は、外部照明の影響を最小限に抑えるために軌道１２１を少なくとも部分的に取り囲むかまたは覆うことができるハウジング４４６を含んでもよい。検体容器１０２は、画像取得シーケンス中はハウジング４４６の内部に配置されてもよい。ハウジング４４６は、キャリア１２２がハウジング４４６に入ることおよび／または出ることを可能にするための、１つ以上のドア４４６Ｄを含んでもよい。いくつかの実施形態では、上から可動ロボットフィンガーを含むロボットによって検体容器１０２がキャリア１２２に積載されるように、天井は開口部４４６０を含んでもよい。

図４Ａ〜４Ｂの実施形態で赤色照明画像が一旦取り込まれると、別の光のスペクトル、例えば緑色スペクトル光源４４４Ａ〜４４４Ｃ（約＋／−３５ｎｍの帯域幅の公称波長約５３７ｎｍ）が順次点灯されてもよく、そして露出時間が異なる複数の画像（例えば、４〜８以上の画像）が、各画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃによって順次取り込まれてもよい。これは、各画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃに対して、青色スペクトル光源４４４Ａ〜４４４Ｃ（約＋／−３５ｎｍの帯域幅の公称波長約４５５ｎｍ）を用いて繰り返されてもよい。異なる公称波長スペクトル光源４４４Ａ〜４４４Ｃは、例えば、選択的に点灯および消灯することができる異なる所望のスペクトル光源（例えば、Ｒ、Ｇ、Ｂ、Ｗ、ＩＲ、および／またはＮＩＲ）の並びを含む光パネルによって作り上げることができる。他のバックライト手段が使用されてもよい。

それぞれの波長スペクトルに対して複数の露出（例えば、露出時間）で取得された複数の画像は、例えば、複数の視点１〜３からの検体容器１０２および検体２１２のバックライト付き画像の全収集物を数秒未満で得ることができるようになど、迅速に連続して得られてもよい。一例では、画像取込デバイス４４０Ａ、４４０Ｂ、４４０ＣとＲＧＢ光源４４４Ａ−４４４Ｃによるバックライトとを使用した、３つの視点１〜３の各波長毎に４つの異なる露出の画像は、４画像×３スペクトル×３画像取込デバイス＝３６画像になる。別の例では、画像取込デバイス４４０Ａ、４４０Ｂ、４４０ＣおよびＲ、Ｇ、Ｂ、Ｗ、ＩＲ、ＮＩＲ光源４４４Ａ〜４４４Ｃによるバックライトを使用した、３つの視点での各波長毎の４つの異なる露出の画像は、４画像×６スペクトル×３カメラ＝７２画像になる。このシーケンスは、後で説明するように、訓練や試験に使用できる。

特徴付け方法の実施形態によれば、画像データの処理は、各スペクトルおよび各視点１〜３に対する最適に露出された画像データを生成するために、例えば、各波長スペクトルでの異なる露出時間での、および各画像取込デバイス４４０Ａ〜４４０Ｃに対する、複数の取込画像からの最適に露出されたピクセルの選択等の前処理ステップを含んでもよい。これは、本明細書では「画像統合（ｉｍａｇｅ ｃｏｎｓｏｌｉｄａｔｉｏｎ）」と呼ばれる前処理ステップである。

各対応するピクセル（またはパッチ）毎に、各画像取込デバイス４４０Ａ〜４４０Ｃからの画像のそれぞれ毎に、最適な画像強度を示すピクセル（またはパッチ）が、視点１〜３のそれぞれ毎の異なる露出画像のそれぞれから選択されてもよい。一実施形態では、最適な画像強度は、例えば、強度が所定の範囲内（例えば、０〜２５５のスケールで１８０〜２５４の間）にあるピクセル（またはパッチ）であってもよい。別の実施形態では、最適な画像強度は、例えば、０〜２５５のスケールで１６〜２５４の間であってもよい。２つの露出画像の対応するピクセル（またはパッチ）位置にある１より多いピクセル（またはパッチ）が最適に露出されていると判断された場合、２つの内の高い方が選択される可能性がある。

最適な画像強度を示す選択されたピクセル（またはパッチ）は、それぞれの露出時間によって正規化されてもよい。結果は、照明スペクトル（例えば、用いられた組み合わせに応じて、Ｒ、Ｇ、Ｂ、白色光、ＩＲおよび／またはＮＩＲ）毎の、各画像キャプチャデバイス４４０Ａ〜４４０Ｃ毎の、複数の正規化および統合されたスペクトル画像データセットである。ここで、全てのピクセル（またはパッチ）は、最適に露出され（例えば、スペクトル毎に１つの画像データセット）、正規化されている。言い換えれば、各視点１〜３毎に、コンピュータ１４３によって実行されたデータの前処理は、使用された各照明スペクトル毎に、最適に露出され正規化された複数の画像データセットをもたらす。この方法で取得されたデータセットは、訓練と試験（システムが訓練された後で）の両方に使用できる。

訓練方法を実行するように構成された訓練装置５００ＴＲの一実施形態の機能コンポーネントが図５Ａに示されている。訓練装置５００ＴＲは、品質検査モジュール１３０として具現化され、訓練装置として構成されてもよい。上述したように、検体２１２を含む検体容器１０２は、品質検査モジュール１３０の画像取込場所４３２（図４Ａ〜４Ｂ）に提供される。各検体容器タイプの複数の訓練画像は、訓練検体２１２を含みながら取り込まれることができる。訓練画像は、画像取込場所（例えば、画像取込場所４３２）または画像取込場所４３２と同じ照明条件の同様の場所で取得される。

複数スペクトル、複数露出の画像は、１つ以上の画像取込デバイス（例えば、画像取込デバイス４４０Ａ〜４４０Ｃまたはそのサブセット）によって５０４で取り込まれる。複数スペクトル、複数露出の画像のそれぞれの画像データは、統合され、最適に露出され、正規化された複数の画像データセット（以下、「画像データセット」）を提供するために、上述のように５０６で前処理されてもよい。訓練方法に続いた試験中、試験検体２１２から同様に生成された画像データセットは、層として（行列として）供給され、前以てＨＩＬＮ間の認識と分類とを訓練された試験ＣＮＮ５００ＴＥの試験ＣＮＮ５３５（図５Ｂ）に入力されてもよい。結果として、任意の画像化された検体２１２の血清または血漿部分２１２ＳＰのＨＩＬＮの決定が提供されてもよい。

（試験に先行する）訓練方法の間に、訓練検体２１２の複数セットが、訓練ＣＮＮ５３５ＴＲを訓練するために使用される。訓練ＣＮＮ５３５ＴＲは、訓練検体２１２を含む多数の検体容器１０２を（例えば、品質検査モジュール１３０またはその実質的な複製を用いて）画像化することによる訓練方法に従って訓練される。検体画像の数は、数千（例えば、５，０００以上、１０，０００以上、またはさらには１５，０００以上）を含んでもよい。画像は、上述のように５０４で取得され、５０６で画像の統合および正規化を提供するための画像データの前処理を含んでもよい。グラウンドトゥルースラベル５０８は、訓練ＣＮＮ５３５ＴＲへの訓練入力として、画像取込デバイス５０４から取り込まれた画像に加えて、各訓練検体２１２に対応するＨＩＬＮ値（例えば、干渉物質のタイプおよび／またはＨＩＬ指標のグラデーション）を確立するために、提供される。検体容器１０２のサイズもまた、訓練入力であってもよい。

図示された実施形態では、試験ＣＮＮ５３５（図５Ｂ）の所望の結果は、ｎクラス溶血性、ｎクラス黄疸、ｎクラス脂肪血症、および正常（Ｎ）である。したがって、入力値としてのグラウンドトゥルースラベル５０８は、予想されるＨＩＬおよびＮの値の範囲全体にわたるＨＩＬおよびＮの値を含むだろう。グラウンドトゥルースラベル５０８として入力されるＨＩＬＮ訓練値は、干渉物質のタイプあるいはＮと干渉物質が存在するならば場合によってはその指標とを提供する為の個別のＨＩＬＮ試験を介して、各訓練検体２１２に対して事前に決定されている。試験ＣＮＮ５３５では、試験ＣＮＮ５３５の出力は、溶血性、黄体性、および脂肪血性のそれぞれとＮ正常の１つに対して、ｎセット点値（ｎは整数値）にマッピングされてもよい。ｎの値は、例えば、３と７の間であってよい。しかしながら、他の値のｎが使用されてもよい。例えば、試験ＣＮＮ５３５の結果は、各ｎ毎の特定の事前確立された範囲内にあることに基づいて（例えば、ｎ＝３に対しては、範囲は＋／−１６．５％であってよい）、特定の結果に割り当てられてもよい。試験ＣＮＮ５３５の利用可能な出力の１つにマッピングするために、任意の適切な集約方式が採用されてもよい。

再び図５Ａを参照すると、訓練ＣＮＮの５００ＴＲは、領域候補生成器５１１を用いて領域候補３１９（図３Ｃ）を生成してもよい。領域候補３１９は、ランダムに生成された領域であり得て、これは、画像３１５のエリアのサブ領域である。領域候補３１９は、エリアおよび位置が訓練検体２１２の血清または血漿部分２１２ＳＰに対応する画像３１５内の領域の推定を提供する試みである。領域候補生成器５１１で生成された領域候補３１９は、適切な手段によって生成することができる。一実施形態では、領域候補３１９は、領域候補生成器５１１によってランダムに生成することができる。例えば、領域候補３１９は、図３Ｃに示されるように、画像３１５上に重ねられる仮想グリッド３１７から、任意の適切な手段を介して、サブ領域（例えば、長方形のボックス）をランダムに選択することにより生成されてもよい。

仮想グリッド３１７は、Ｘ方向に沿って配置された厚さＴ、Ｙ方向に沿って配置された高さＨの複数のグリッド要素３１７Ｇを含んでもよい。例えば、仮想グリッド３１７のＸ方向のＴのグラデーションの数は、検体容器１０２の幅に沿って、約１０から約２０単位幅の間であってよく、一方、Ｙ方向のＨのグラデーションの数は、検体容器１０２の長さ／高さに沿って２０から４０単位の間であってよい。ＸおよびＹ方向に他の数のグリッド要素３１７Ｇを使用することが可能である。ＸとＹのグラデーションは、各訓練検体２１２の血清または血漿部分２１２ＳＰのエリアの良好な表記（例えば、９０％以上の一致領域）が見つけられ得るように十分に細かくする必要がある。図３Ｃを参照すると、悪い領域候補３１９Ｂの例は、画像３１５の左上の領域に長方形のボックスとして示されており、一方、良い領域候補３１９Ｇは、位置とサイズが、血清または血漿部分２１２ＳＰのエリアと密接に対応して示されている。５１１で十分なランダムな候補が生成されると、最終的に、訓練画像３１５のそれぞれは、適切に近い領域候補３１９とほぼ一致する、すなわち、血清または血漿部分２１２ＳＰのエリア、場所、および形状とほぼ一致する。

領域候補は、任意の適切な手段によって生成されてもよい。いくつかの実施形態では、仮想グリッド３１７内の２つのノード３１７Ｎをランダムに選択することにより、領域候補３１９の対角コーナーが生成されてもよい。選択されたノードは、領域候補３１９のはす向かいのコーナーである。領域候補３１９のノード／コーナーを選択するために、任意の適切な選択スキームが用いられてもよい。例えば、悪い領域候補３１９Ｂを参照すると、左下ノード（Ｘ１、Ｙ１）および右上ノード（Ｘ２、Ｙ２）がランダムに選択され、仮想グリッド３１７内の領域候補３１９の左下および右上コーナーを定義することができる。複数のそのような領域候補３１９（例えば、数千）が生成されてもよい。このように、様々な長方形形状（幅および高さ）および仮想グリッド３１７内の位置の領域候補３１９が生成され、仮想グリッド３１７内の複数の異なるサブ領域を包含することになる。幾つかの領域候補３１９は、特定の訓練検体２１２の血清または血漿部分２１２ＳＰのエリアと良好に適合するであろうが（例えば、良好な領域候補３１９Ｇ）、一方、他はそうでない（例えば、悪い領域候補３１９Ｂ）。何千もの画像３１５が取り込まれて処理され、何千もの領域候補３１９が領域候補生成器５１１によって生成されるであろう。

当然のことながら、領域候補３１９の適合が試験／検証され、訓練検体２１２の血清または血漿部分２１２ＳＰの領域と最も適合（「一致」）した領域候補３１９（例えば、トップ２，０００以上の領域候補）が選択される。いくつかの実施形態では、領域候補生成器５１１は、同じ長方形の領域候補が決して二度生成されないように構成されてもよい。仮想グリッド３１７内の領域候補３１９の長方形形状を選択するための他の手段が使用されてもよい。例えば、中央ノード３１７Ｎが選択され、次いで、ランダムな幅およびランダムな高さが、各領域候補３１９を生成するためにランダムに選択されてもよい。

領域候補３１９を血清または血漿部分２１２ＳＰの関連エリアへと導くために、適切な賢い収束スキームを使用してもよい。例えば、様々な手段を使用して、領域候補３１９が生成される仮想グリッド３１７内の領域を縮小または制限してもよく、そうでなければ仮想グリッド３１７のサイズを縮小してもよい。例えば、図３Ｄに示されるように、検体容器１０２の幅Ｗの知見があれば、仮想グリッド３１７のサイズを幅Ｗを包含する領域のみに制限することができる。例えば、検体容器１０２の幅Ｗは、５０８においてグラウンドトゥルースラベルとして提供されてもよい。

次に、領域候補３１９は、図５Ａに示すように、訓練中にニューラルネットワークへの（例えば、訓練ＣＮＮ５３５への）入力として提供される。領域候補３１９の生成は自動的であり、従来技術で必要であったようなオペレータによるグラフィカルな入力（例えば、グラフィカルな輪郭のアノテーション）を必要としない。

いくつかの実施形態では、領域候補生成器５１１によって領域候補３１９が生成される元である仮想グリッド３１７の開始サイズをさらに制限するために、血清または血漿２１２ＳＰの領域の既知のサイズおよび位置に関する履歴データを使用してもよい。数千の訓練画像３１５に加えて、サイズと場所が異なる数千の領域候補３１９が訓練中に訓練ＣＮＮ５３５に送られる。適切な数の画像３１５と領域候補３１９を入力した後、前述のとおり、それまでに入力された領域候補３１９がニューラルネットワーク（例えば、ＣＮＮ５３５）の十分なパフォーマンスを提供するかどうかを判断する為に、ニューラルネットワークの収束の度合い（例えば、訓練ＣＮＮ５３５）を試験することができる。

領域候補３１７が訓練検体２１２の血清または血漿部分２１２ＳＰと良好に一致するかどうかを試験／検証するために、様々な領域候補３１９内の強度勾配を分析することができる。例えば、各訓練画像３１５の各グリッド要素３１７Ｇは、ピクセルの複数の行および列を含んでもよく、各ピクセルは、各スペクトルに関連する強度値を有してもよい。領域候補３１７の特定の部分は、比較的高い強度勾配を有するグリッド要素３１７Ｇを含み得る。そのような強度勾配は、ピクセル（または特定のグリッド要素３１７Ｇ内のパッチ）の平均強度であってもよい。

各領域候補３１９は、各領域候補３１９内の光強度の勾配の審査等のフィルタリングによって試験／検証されてもよい。例えば、一致の程度は、訓練画像３１５の幾つかの領域内のみの光強度の勾配を審査することによって識別されてもよい。例えば、各領域候補３１７の周辺境界に沿った勾配が最初に定量化されてもよい。領域候補３１７の１つ以上のサブ領域内の比較的高い勾配は、例えば、液体−空気界面（ＬＡ）、血清−血液界面（ＳＢ）、または血清−ゲル界面（ＳＧ）などの界面の存在に相関し得る強度の変化を示す。したがって、上部界面（ＬＡ）および／または下部界面（ＳＢ）または血清−ゲル界面（ＳＧ）は、そのサブ領域内で識別されている強度の変化と画像３１５で入力されたグラウンドトゥルースラベル５０８とに基づいて、識別されてもよい。

いくつかの実施形態では、生成された領域候補３１９（例えば、長方形の形状を有する）の周囲に沿って位置する仮想グリッド３１７内の個々のグリッド要素３１７Ｇ内の強度勾配は、定量化されてもよい。領域候補３１９の周辺に位置するグリッド要素３１７Ｇのそれぞれに対するこれらの強度勾配値（例えば、平均強度勾配）は、各領域候補３１９毎に合計、および／または合計ならび平均されてもよい。大きな合計または平均は、画像化された血清または血漿部分２１２ＳＰと領域候補３１９との間に良好な相関関係（例えば、良好な一致）があることを意味し得る。小さな合計または平均は、相関性が低い（例えば、不十分な一致）ことを意味し得る。したがって、複数の領域候補３１９から、複数の最良な領域候補（例えば、数千の最良な一致の領域候補）が、入力された訓練画像３１５との「一致」の程度に基づいて選択されてもよい。すなわち、最も高い合計または平均を有する領域候補３１９が選択され、他の候補は破棄されるか使用されない。

例えば、画像３１５において、液体−空気界面ＬＡは、グリッド３１７Ｇの特定の範囲の行（例えば、履歴データに基づいて）と検体容器１０２の既知のサイズとの間に位置すると予想される。同様に、血清−血液界面ＳＢは、グリッド３１７Ｇの別の範囲の行の間に存在すると予想される（例えば、再び履歴データに基づく）。ゲルセパレータ３１３が提供される場合、血清−ゲル界面ＳＧは、グリッド３１７Ｇのさらに別の範囲の行の間に存在すると予想される。横寸法に沿って、グリッド要素３１７Ｇに対する強度の変化は、チューブ２１５のエッジ（チューブ／空気界面）が存在すること、またはラベル２１８のエッジが存在することを意味し得る。訓練ＣＮＮ５３５ＴＲは、ＨＤＲ画像に見える利用可能な勾配強度情報を使用してバウンディングボックスの仮設を検証することにより、血清または血漿部分２１２Ｐに対応するであろう領域候補３１９を自動的に決定する。検体２１２に見える様々な領域の特性により、流体領域（例えば、血清または血漿部分２１２ＳＰ）と空気２１６との間の変わり目は、明確な強度勾配をもたらし、これを定量化して、バウンディングボックスの候補が変わり目を捕捉するかどうかを検証するために使用することができる。沈殿した血液部分２１２ＳＢ、ゲル部分３１３、または空気２１６などの領域を、訓練中に候補生成の一部として選択してもよい。しかしながら、訓練中のＳｏｆｔＭａｘの分類部の損失を縮小するには内容が十分に識別可能ではないために、学習プロセスの収束は満たされないであろう。

これらの領域におけるグリッド要素３１７Ｇ内の強度の変化は、このような界面または側面が存在することを示し得る。界面の存在は、グリッド３１７の行に沿ってまたは列に沿ってなどのパターンとしてグリッド３１７内に存在している強度勾配によって、さらに確認することができる。強度勾配は、周囲に沿ったグリッド要素３１７Ｇの平均強度値を比較することによって決定されてもよい。血清または血漿部分２１２ＳＰが存在し得る領域として特定される仮想グリッド３１７のグリッドサブ領域が、実行可能な領域のみにさらに限定するために審査され、一方で、予想されるサブ領域の外側のそれらのグリッド要素３１７Ｇは無視されてもよい。例えば、グラウンドトゥルースラベル５０８にチューブの高さＨＴが含まれている場合、キャップ２１４または沈殿した血液の部分２１２ＳＢのみを含むことができるエリアは無視でき、領域候補３１９を、これらのエリアを含まないグリッド３１７のサブ領域からのみ選択することができる。例えば、グリッド３１７の特定の領域を選択し得て除外するために、仮想マスクまたは他の仮想手段を使用してもよい。他の実施形態では、検体容器１０２の幅Ｗの知見をグランドトゥルースラベル５０８として、仮想グリッド３１７のサイズを縮小する為に用いることができる。したがって、試験／検証に利用できる領域候補３１９の選択肢が少ないおかげで、収束はより速くなるはずである。直径および／またはチューブ高さの入力がグラウンドトゥルースラベル５０８として訓練方法中に一度提供され、その後に同じサイズの多数の検体を使用した訓練を、別のサイズに切り替える前に行うことができる。したがって、直径および／または高さの入力は、サイズが変更されたときのグラウンドトゥルースラベル５０８としての入力のみを必要とする。

図５Ｂの本実施形態では、出力５２９での試験ＣＮＮ５３５からの出力は、各溶血性のｎクラス（Ｈ１〜Ｈ３）、黄疸のｎクラス（Ｉ１〜Ｉ３）、および脂肪血症のｎクラス（Ｌ１〜Ｌ３）である。５２９での試験ＣＮＮ５３５からの通常（Ｎ）としての出力も利用できる。訓練と同様に試験中に、品質検査モジュール１３０は、試験検体２１２の血清または血漿部分２１２ＳＰを含む検体容器１０２の複数の画像を取り込むように構成された画像取込デバイス（例えば、４４０Ａ〜４４０Ｃ）を備えることができる。画像取込デバイスに接続されたコンピュータ１４３は、複数の画像からニューラルネットワーク（例えば、図５Ｂの試験ＣＮＮ５３５）に画像データを入力するように操作され、血清または血漿部分の領域候補を生成するように構成されることができる。領域候補は、領域候補生成器５１１によって生成されてもよい。バウンディングボックスリグレッサ５１５は、領域候補３１９を、試験検体２１２の血清または血漿部分２１２ＳＰの実際のサイズ、形状、および位置に収束させるように機能してもよい。バウンディングボックスリグレッサ５１５は、入力された領域候補３１９をリグレッサ５１５の応答（ネットワークの出力）と幾何学的に比較することにより収束する。もし適切なエリアの一致が得られたならば、リグレッサ５１５は収束している。８０％を超えるエリアの一致は一致と見なすことができるが、さらに高いパーセンテージ（例えば、９０％を超える、９５％を超える、９７％を超えるなど）は、より正確な結果を与えることができる。ニューラルネットワーク（試験ＣＮＮ５３５）からの出力は、血清または血漿部分２１２ＳＰの、溶血性、黄疸、脂肪血症、および正常の１つ以上であるとする分類である。

領域候補生成器５１１によって生成された領域候補３１９内のそれぞれ（ピクセルまたはパッチ）は、試験ＣＮＮ５３５によって処理され、ＨＩＬＮのうちの１つへの出力を有する。これらのピクセル毎（またはパッチ毎）の結果は、出力チャンネル（例えば、１〜１０）にマップされ、任意の適切な方法とＨＩＬＮのどれが最終の領域候補内で最も高いカウントであるかに基づいて決定されたＨＩＬＮとによって、合計または集約される。

ＨＩＬＮへの改善された最終投票を提供するために、いくつかの実施形態では、他の視点（例えば、視点１〜３）からカウントを精査するための後処理が提供されてもよい。したがって、全ての発生（カウント）にわたるヒストグラムを生成することができ、全ての視点を考慮した検体２１２の平均ＨＩＬＮを生成することができる。

より詳細には、以前の訓練中と同様に、試験中に、複数のスペクトル、複数の露出の、統合および正規化された画像データセットが、画像データセットとして試験ＣＮＮ５３５に入力され、試験ＣＮＮ５３５によって操作および処理される。試験ＣＮＮ５３５による処理の出力は、ＨＩＬまたはＮのそれぞれに対しての、そしてもちろん各視点に対しての、複数の出力の可能性（ｎクラス）であってもよい。

試験装置５００ＴＥの場合、ＨＩＬＮに対するチャンネル毎の信頼レベル（ＣＬ）を使用してもよい。ここで、５２９の各チャンネル１〜１０は、特定のクラスタイプ（例えば、Ｈ１、Ｈ２、Ｈ３、Ｉ１、Ｉ２、Ｉ３、Ｌ１、Ｌ２、Ｌ３、およびＮ）に相関がある。したがって、バウンディングボックスリグレッサ５１５によって決定された最終の領域候補（一致候補）の各ピクセル（またはパッチ）に対して、出力されたクラス（Ｈ１〜Ｎ）が提供される。これらのピクセル毎（またはパッチ毎）の出力は、出力５２９において、各チャンネル（例えば、示されたチャンネル１〜１０）の結果を合計、そうでなければ処理し、利用可能なクラス（例えば、Ｈ１、Ｈ２、Ｈ３、Ｉ１、Ｉ２、Ｉ３、Ｌ１、Ｌ２、Ｌ３、およびＮ）からＨＩＬＮの全体的な決定に到達する為に、任意の適切な後処理ルーチンによって集約されてもよい。最終的なピクセルクラス＝最大ＣＬなどの任意の適切な投票方式を使用し、その後に血清または血漿部分２１２ＳＰの最大ＣＬの数を合算してもよい。これと同じ処理が、視点毎に実行されてもよい。使用された様々な視点の分類結果は、合計されるか、そうでなければ統合または平均化されてもよい。

使用可能な訓練ＣＮＮ５３５ＴＲおよび試験ＣＮＮ５３５の１つの例示的なアーキテクチャが図５Ａ〜５Ｂに示されている。ここで説明するＣＮＮは、バークレービジョンアンドラーニングセンター（ＢＶＬＣ）から入手可能なＣａｆｆｅ、Ｔｈｅａｎｏ、数式の高速計算用Ｐｙｔｈｏｎフレームワーク、ＴｅｎｓｏｒＦｌｏｗ、Ｔｏｒｃｈなどの任意の適切な科学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されてもよい。

より詳細には、ＣＮＮ５３５ＴＲ、５３５は、深層学習（ｄｅｅｐ ｌｅａｒｎｉｎｇ）を提供するために適切な数の操作層を含んでもよい。例えば、ＣＮＮ５３５ＴＲ、５３５は、畳込（Ｃｏｎｖ１、Ｃｏｎｖ２）およびプーリング（プール１およびプール２）を含む少なくとも２つの層、および少なくとも２つの追加の完全畳込（ＦＣ）層を含むアーキテクチャを備えていてもよい。図示された実施形態では、２つの操作層５３８、５４０および１つの追加の操作層５４２を提供することができる。完全畳込（ＦＣ）層は、少なくとも２つの操作層５３８、５４０の後と、バウンディングボックスリグレッサ５１５およびＳｏｆｔＭａｘ５４８のそれぞれの前とに提供されてもよい。損失層５４４は、訓練ＣＮＮ５３５ＴＲ内に提供されてもよく、バウンディングボックスリグレッサ５１５およびＳｏｆｔＭａｘ５４８を含んでもよい。ＣＮＮ５３５ＴＲ、５３５の説明されたアーキテクチャは、各それぞれの画像に対して適切な領域候補３１９を見つけるために使用されてもよい。当然、リグレッサ５１５は、血清／血漿部分２１２ＳＰの潜在的なバウンディングボックスのアノテーションを提供する。訓練中に、バウンディングボックスの候補（領域候補３１９）がリグレッサ５１５に提供される。結果は、画像の内容を考慮した結果としてネットワークによって与えられる。リグレッサ５１５への入力と収束したバウンディングボックスとの間の偏差が与えられた最小誤差に到達している（例えば、４つのコーナー点間の適切な低い幾何学的差異または適切なパーセンテージよりも大きい％エリアの一致）ならば、それは与えられた入力画像のセット（例えば、１０，０００の訓練検体２１２）とともに堅実に算出されているに違いなく、リグレッサ５１５は収束していると仮定されることができる。

試験ＣＮＮ５３５では、一旦適切な領域候補３１９が取得されると、チャンネル１〜１０での出力を決定して５２９で出力を集約して後処理するために、その領域候補の画像データの各層は、移動ウィンドウの接近によってスキャンされてもよい。出力は、任意の適切な投票スキームに基づいて集計されてもよい。入力パッチの移動ウィンドウは、例えば、６４×６４パッチ（６４×６４ピクセル）であってもよい。ただし、他のサイズのパッチを使用することもできる。例えば、３つの主要な操作層（Ｃｏｎｖ１＋プール１、Ｃｏｎｖ２＋プール２、およびＣｏｎｖ３＋プール３）が示されている。第１の層５３８は非常に局所的な構造のエッジを抽出することができ、第２の層５４０はエッジの組み合わせであるテクスチャを学習することができ、そして、第３の層５４２は部品を形成することができる。ＣＮＮ５３５、５３５ＴＲの層５３８、５４０、５４２のそれぞれは、処理されるマルチチャンネル入力（例えば、複数のスペクトル、複数の露出の情報）から恩恵を得る。様々な入力層、特に３つの入力層（例えば、ＲＧＢ）に対するこれらの操作は、深層学習ネットワークで簡単に取り扱い、表現することができる。このフレームワークは、低、中、高レベルの特徴を自然に集積し、多層分類へと導く。訓練ＣＮＮ５３５ＴＲから得られた特徴（例えば、訓練重みを備えたネットワーク）は、コンピュータ１４３に保存され、後の試験に使用することができる。訓練は、訓練ＣＮＮ５３５ＴＲで適切な信頼が達成されるまででよい。

再び図５Ａおよび５Ｂを参照すると、ＣＮＮ５３５ＴＲ、５３５は、畳込層（Ｃｏｎｖ１）を含む第１の層５３８を含むことができ、それは例えば、サイズが５×５×１２の１０個のフィルタを含んでもよい。他の数のフィルタおよびフィルタサイズを用いてもよい。結果の１０個の特徴マップは、次いで最大プーリング（プール１）に送られる。最大プーリングは、最大２×２を超える空間的近傍を１のストライドとともに、チャンネル毎に個別に取得するであろう。この層の目的は、特に単純なエッジなど、低レベルの特徴を抽出することである。これに、サイズ５×５×２０の１０個のフィルタを持つであろう畳込層（Ｃｏｎｖ２）を含む２番目の層５４０と、最大３×３を超える空間的近傍を２のストライドとともに取得するであろう最大プーリング層（プール２）とが続く。第２層５４０の目的は、テクスチャを形成するための単純なエッジの異なる組み合わせを学習することである。その後、結果の特徴マップは、パーツを形成するためのテクスチャの組み合わせを学ぶために、サイズが３×３×２０の２０のフィルタを持つであろう畳込層（Ｃｏｎｖ３）と、最大２×２を超える空間近傍を２のストライドとともに取得するであろう最大プーリング層（プール３）とを含む第３層５４２に送られる。前述の最大プーリング層は、畳込ネットワークの出力を、ローカル変換に対してより堅牢にする。最後に、最上層は完全畳込（ＦＣ）層であり、各出力ユニットは全ての入力に接続されている。これらの層は、パーツ間の相関を取り込むことができる。最後の完全畳込層（ＦＣ）の出力は、ｎクラスの出力チャンネルを超えた分配を生成するｎ路（ｎ−ｗａｙ）のＳｏｆｔＭａｘ（ここで、ｎ＝３は可能な出力クラスの数）に送られる。要するに、各パッチが訓練されたＣＮＮ５３５で分類されている入力パッチの移動ウィンドウは、ｎクラスの１つに応答を与える。バウンディングボックスリグレッサ５１５による回帰後に見い出された最終的な領域候補は、分類される領域を識別する。この領域外の全ての領域は無視される。対応する画像データセットの分類は、これらの出力からの過半数の投票結果に基づいてもよい。複数の視点の結果の平均化などによって信頼できる決定を得る為に、視点毎の結果が複数の視点に集約できる追加のステップが適用されてもよい。

図６Ａおよび６Ｂは、画像取込デバイス４４０Ａ、４４０Ｂ（図６Ｄを参照）の、第１の視点１および第２の視点２からの前面の意味的な画像６１５Ａ、６１５Ｂを示す。図６Ａおよび６Ｂでは、血清または血漿部分２１２ＳＰの一部はラベル２１８によって遮蔽され、光源４４４Ａ、４４４Ｂ（図６Ｄ）から照射されたバックライトの幾部分は背面図ラベル２１８Ｂによって遮蔽されている（すなわち、遮蔽されている血清または血漿部分２１２ＳＰの部分は点線で示されている）。

図６Ｃは、画像取込デバイス４４０Ｃ（図６Ｄ）の視点３からの前面の意味的な画像６１５Ｃを示す。図６Ｃでは、血清または血漿部分２１２ＳＰの全てが、視点３からのラベル２１８によって遮蔽されている。これらの視点１、２、３のそれぞれに対して、試験ＣＮＮ５３５は、血清または血漿部分２１２ＳＰのＨＩＬＮを出力してもよい。さらに、特徴付け方法は、各視点１、２、３の結果を集約して、ＨＩＬＮの全体的な決定を提供してもよい。いずれの場合も、試験ＣＮＮ５３５は、視認可能だが背面図ラベル２１８Ｂで遮蔽された領域でもある血清または血漿部分２１２ＳＰに取り入る。

したがって、試験ＣＮＮ５３５ＴＥは５２９でｎクラスの出力またはＮを出力する。例えば、もしも最終の領域候補からのピクセル（またはパッチ）の過半数がＮとして分類されるならば、血清または血漿部分２１２ＳＰは正常である（Ｎ）として分類されてよい。もしもピクセル（またはパッチ）の過半数がＨとして分類されるならば、血清または血漿部分２１２ＳＰは溶血を含むものとして分類されてよい（例えば、Ｈ１、Ｈ２、またはＨ３にマッピングされる）。同様に、もしも最終決定された領域候補のピクセル（またはパッチ）の過半数がＩまたはＬとして分類されるならば、血清または血漿部分２１２ＳＰは黄疸（例えば、Ｉ１、Ｉ２、またはＩ３にマッピングされる）、または脂肪血症（例えば、Ｌ１、Ｌ２、またはＬ３にマッピングされる）として分類されてよい。いくつかの実施形態では、重み付けされた多数決方式も、ＨＩＬＮ結果からの確率（ＣＬ）を重みとして使用して、検体２１２を分類するために使用されてもよい。血清または血漿部分２１２ＳＰを全体として特徴付けるために他の手段が用いられてもよい。

図７は、本開示の実施形態による訓練方法７００のフローチャートを示している。訓練方法７００は、品質検査モジュール１３０（またはその実質的な複製）によって実行されてもよく、そして本明細書に記載されるようにニューラルネットワーク（例えば、訓練ＣＮＮ５３５ＴＲ）を訓練するように操作可能である。特に、訓練方法７００は、１つ以上の実施形態に従って、検体２１２の血清または血漿部分２１２ＳＰの干渉物質（例えば、Ｈ、Ｉ、および／またはＬ）の存在または正常性Ｎを決定するための試験ニューラルネットワーク（例えば、テストＣＮＮ５３５）の特徴を確立するために使用されてもよい。有利なことに、訓練方法７００は、どのような手動のグラフィカルなアノテーション（例えば、血清または血漿部分２１２ＳＰまたは他の領域のグラフィカルな輪郭）も必要としない。訓練方法７００は、７０２において、画像取込場所（例えば、画像取込場所４３２）での訓練検体（例えば、検体２１２）を含む検体容器（例えば、検体容器１０２）の訓練画像を取り込むことを含む。訓練検体２１２は、血清または血漿部分（例えば、血清または血漿部分２１２ＳＰ）を含む。複数の画像の取込は、複数の視点（例えば、視点１、２、および３）からであってもよい。さらに、検体容器１０２は、その上に１つ以上のラベル（例えば、ラベル２１８）を含んでもよい。画像化された最初の検体容器１０２は、訓練効率を向上するためにラベル２１８を欠いていてもよい。取り込まれた訓練画像は、１つ以上の画像取込デバイス（例えば、画像取込デバイス４４０Ａ〜４４０Ｃ）を使用して取り込まれたデジタルなピクセル化された画像であってもよい。

訓練方法７００はさらに、７０４において、背景除去またはチューブタイプの検出を任意で含む。この画像データ前処理５０６は、画像取込場所４３２で、ＣＮＮを訓練するために使用された様々な照明および露出条件下で、空の検体容器１０２の画像を取り込むことと、次いで検体２１２およびラベル２１８に関連した強度のみを残す為にそれらのピクセル強度値を差し引くこととで発生してもよい。任意選択で、もしも検体容器１０２の幅Ｗがグラウンドトゥルースラベル５０８の入力から分かるならば、仮想グリッド３１７の幅を減らすことができる。上記で論じたように、５０４で画像取込デバイス４４０Ａ、４４０Ｂ、４４０Ｃによって取り込まれた複数スペクトル、複数露出の画像を含む生画像データは、画像データ前処理５０６で統合および正規化することもできる。

訓練方法７００は、７０６において、ニューラルネットワーク（例えば、ＣＮＮ５３５ＴＲ）への入力のための血清または血漿部分（例えば、血清または血漿部分２１２ＳＰ）の領域候補（例えば、領域候補３１９）を生成することをさらに含む。複数の取り込まれた画像（例えば、画像３１５）からの画像データ（例えば、統合され正規化された画像データセット）は、領域候補３１９と共にニューラルネットワーク（例えば、訓練ＣＮＮ５３５ＴＲ）に送られ、そこで処理される。処理は、本明細書で説明されているコンピュータ１４３によって達成されてもよい。

訓練方法７００は、７０８において、領域候補（例えば、領域候補３１９）のうちのどれが訓練検体２１２の血清または血漿部分２１２ＳＰと最良な一致を与えるのかを決定することをさらに含む。上述のように、周辺強度勾配データに基づいて、領域候補３１９の上位パーセンテージまたは多数を取得することにより、最良な一致を選択することができる。しかしながら、最良な一致を選択するために他の手段が使用されてもよい。

この方法に従って、７１０で訓練ＣＮＮ５３５ＴＲが一旦十分に訓練されれば、訓練ＣＮＮ５３５ＴＲから得られた特徴（例えば、ネットワークおよび重み）は、試験ニューラルネットワーク（例えば、試験ＣＮＮ５３５）で使用されてもよい。したがって、前述に基づいて、訓練検体２１２の血清または血漿部分２１２ＳＰの手動のグラフィカルなアノテーション入力を実質的に無くすことにより、ニューラルネットワーク（例えば、ＣＮＮ）の訓練を容易にする、改善された訓練方法７００が提供されることは明らかである。

図８は、本開示の実施形態に従った試験方法８００のフローチャートを示す。試験方法８００は、本明細書で説明されるように、品質検査モジュール１３０によって実行されてもよい。特に、試験方法８００は、１つ以上の実施形態に従って、検体２１２中の干渉物質の存在を決定し得る。特徴付け方法８００は、８０２において、検体（例えば、検体２１２）の血清または血漿部分（例えば、血清または血漿部分２１２ＳＰ）を含む検体容器（例えば、検体容器１０２）の複数の画像を取り込むことを含む。複数の画像の取込は、複数の視点（例えば、視点１、２、および３）からであってもよい。さらに、検体容器１０２は、その上に１つ以上のラベル（例えば、ラベル２１８）を含んでもよい。１つ以上の画像は、１つ以上の画像取込デバイス（例えば、画像取込デバイス４４０Ａ〜４４０Ｃ）を使用して取り込まれたデジタルなピクセル化された画像であってもよい。

特徴付け方法８００は、本明細書に記載されるように、８０４において、背景除去またはチューブタイプ検出を任意で含むことができる。明らかに、本明細書で概説されるように、これは、領域候補３１９の選択のための仮想グリッド３１７内のサブ領域が、限定されたエリアになることを可能にする。特徴付け方法８００はさらに、８０６において、複数の画像からの画像データ（例えば、統合され正規化された画像データセット）をニューラルネットワーク（例えば、畳込ニューラルネットワーク−試験ＣＮＮ５３５）に入力することを含む。

特徴付け方法８００はさらに、８０８において、血清または血漿部分２１２ＳＰの領域候補（例えば、領域候補３１９）を生成することと、８１０において、検証済領域を提供する為に、回帰を通じて領域候補３１９を収束することとを含む。検証済領域は、血清または血漿部分２１２ＳＰのサイズ、形状、および位置と厳密に一致する領域である。収束は上述のように（例えば、幾何学的測定に基づいて）決定される。そこでは、領域候補生成器５１１から入力された領域候補３１９は、定義されたエラーコリドー（ｅｒｒｏｒ ｃｏｒｒｉｄｏｒ）内でリグレッサ５１５の出力に十分に対応するはずである。

最後に、方法８００は、８１２において、検証済領域および１つ以上のＨＩＬＮを畳込ニューラルネットワーク（例えば、試験ＣＮＮ５３５）で特徴付けることを含む。特に、特徴付け方法８００は、畳込ニューラルネットワーク（例えば、試験ＣＮＮ５３５）から、血清または血漿部分２１２ＳＰに対応した検証済領域の分類を、溶血性、黄疸、脂肪血症、および正常（すなわち、Ｈ、Ｉ、Ｌ、ＨとＩ、ＨとＬ、ＩとＬ、Ｈ、ＩとＬ、またはＮ）のうちの１つ以上として出力できる。

複数の画像は、異なる露出時間および／または異なるスペクトル照明（例えば、Ｒ、Ｇ、Ｂ、白色光、ＩＲ、および／またはＮＩＲ）で各視点から取り込まれた複数の画像を含んでもよい。例えば、異なるスペクトル照明条件下で、各視点で異なる露出時間で、４〜８以上の異なる露出であってもよい。他の露出数およびスペクトル照明を使用してもよい。

したがって、前述に基づいて、領域候補（例えば、領域候補３１９）を使用することによって、血清または血漿部分２１２ＳＰを容易に特徴付ける改善された特徴付け方法８００が提供されることは明らかな筈である。明らかなように、上記の特徴付け方法８００は、１つ以上のラベル２１８を含み検体２１２の血清または血漿部分２１２ＳＰを含有する検体容器１０２の複数の画像を複数の視点（例えば、複数の視点１〜３）から取り込むように構成されて、画像取込場所（例えば、画像取込場所４３２）の周りに配置されている複数の画像取込デバイス（例えば、画像取込デバイス４４０Ａ〜４４０Ｃ）と、複数の画像取込デバイスに接続され、複数の画像の画像データを処理するように適合されたコンピュータ（例えば、コンピュータ１４３）とを備えている品質検査モジュール（例えば、品質検査モジュール１３０）を使用して実行されてもよい。コンピュータ（例えば、コンピュータ１４３）は、ＨＩＬＮの決定を提供するために、複数の視点（例えば、視点１〜３）からの複数の画像を処理するように構成され、操作可能であってよい。

様々な選択された構成要素、特徴、または実施形態が、本明細書で個別に説明され得る。そのような構成要素、特徴、または実施形態は、他の個別に説明される構成要素、特徴、または実施形態の代わりに、または本明細書の他の説明される構成要素、特徴、または実施形態と組み合わせてでも、実用的に使用できることに留意されたい。本開示の実施形態は、様々な改変および代替形態が可能であるが、特定の装置、システム、および方法が、図面に実施例として示されており、本明細書で詳細に説明されている。しかしながら、特定の開示された装置、システム、および方法に開示を限定することを意図するものではなく、逆に、その意図は、請求の範囲内にあるすべての改変、等価物、および代替物をカバーすることであることを理解されたい。

Claims (23)

1. ニューラルネットワークを訓練する方法であって、
   画像取込場所での訓練検体を含む検体容器の訓練画像の取込と、
   ニューラルネットワークへの入力のための血清または血漿部分の領域候補の生成と、
   訓練検体の血清または血漿部分への最良の一致を与える領域候補の選択と
   を備える、方法
2. 前記領域候補が、前記訓練画像の上に重ね合わされた仮想グリッドのサブ領域を備える、請求項１に記載の方法。
3. 前記仮想グリッドが、幅Ｗ×高さＨの寸法の複数のグリッド要素を備える、請求項２に記載の方法。
4. 前記領域候補のそれぞれが、前記仮想グリッド内の長方形のサブ領域を備える、請求項２に記載の方法。
5. 前記領域候補がランダムに選択される、請求項２に記載の方法。
6. 前記の領域候補の選択が、生成された前記領域候補のうちの最良の２０００以上を選択することを備える、請求項１に記載の方法。
7. 前記訓練検体の血清または血漿部分への前記の最良の一致は、それぞれの前記領域候補内の強度勾配に基づく、請求項１に記載の方法。
8. 前記訓練検体の血清または血漿部分への前記の最良の一致は、それぞれの前記領域候補の周辺での強度勾配に基づく、請求項１に記載の方法。
9. 前記訓練検体の血清または血漿部分への前記の最良の一致は、それぞれの前記領域候補の周辺での強度勾配の合計に基づく、請求項１に記載の方法。
10. 前記畳込ニューラルネットワークは、畳込およびプーリングを実行するように構成された少なくとも２つの層と、少なくとも２つの追加の完全畳込層とを含むアーキテクチャを備える、請求項１に記載の方法。
11. 前記畳込ニューラルネットワークは、バウンディングボックスリグレッサによる損失層を含むアーキテクチャを備える、請求項１に記載の方法。
12. 前記畳込ニューラルネットワークは、バウンディングボックスリグレッサおよびＳｏｆｔＭａｘによる損失層を含むアーキテクチャを備える、請求項１に記載の方法。
13. 前記畳込ニューラルネットワークは、畳込およびプーリングを含む少なくとも３つの層と、少なくとも２つの完全畳込層と、バウンディングボックスリグレッサおよびＳｏｆｔＭａｘによる損失層とを含むアーキテクチャを備える、請求項１に記載の方法。
14. 前記の訓練画像の取込は、複数のスペクトルのそれぞれに対して異なる露出を備える、請求項１に記載の方法。
15. 前記の訓練画像の取込は、赤、緑、および青のそれぞれのスペクトルに対して異なる露出時間を提供することを備える、請求項１に記載の方法。
16. 前記の訓練画像の取込は、複数の視点から、各視点毎に、複数スペクトル、複数露出の画像で、画像を取り込むことを含む、請求項１に記載の方法。
17. 訓練されたニューラルネットワークを使用して検体を特徴付ける方法であって、
    画像取込場所における検体を含む検体容器の画像の取込と、
    ニューラルネットワークへの入力のための、血清または血漿部分の領域候補の生成と、
    検証済領域を提供するための回帰による、検体の血清または血漿部分への一致を提供するための領域候補の収束とを備える、
    訓練されたニューラルネットワークを使用して検体を特徴付ける方法。
18. 訓練されたニューラルネットワークによって、溶血、黄疸、脂肪血症の１つ以上を含んでいる、または正常であるとする検証領域の特徴付けを備える、
    請求項１７に記載の訓練されたニューラルネットワークを使用して検体を特徴付ける方法。
19. 品質検査モジュールであって、
    検体の血清または血漿部分を含む検体容器の複数の画像を取り込むように構成された画像取込デバイスと、
    該画像取込デバイスに接続されたコンピュータとを備え、
    該コンピュータは、
    該複数の画像からニューラルネットワークに画像データを入力することと、
    血清または血漿部分の領域候補を生成することと、
    検証済みの領域を提供するために回帰によって該領域候補を収束することと、
    該ニューラルネットワークから、溶血性、黄疸、脂肪血症、および正常の１つ以上であるとして、該検証済領域の分類を出力することとを行うように構成され、操作され得る、
    品質検査モジュール。
20. 前記ニューラルネットワークが、バウンディングボックスリグレッサおよびＳｏｆｔＭａｘを含むアーキテクチャを備える、請求項１９に記載の品質検査モジュール。
21. 前記ニューラルネットワークが、畳込およびプーリングを含む少なくとも３つの層と、少なくとも２つの完全畳込層と、バウンディングボックスリグレッサと、ＳｏｆｔＭａｘとを含むアーキテクチャを備える、請求項１９に記載の品質検査モジュール。
22. 前記複数の画像が、複数スペクトル、複数露出の画像として取り込まれる、請求項１９に記載の品質検査モジュール。
23. 前記複数の画像が、複数の視点から、各視点毎の、複数スペクトル、複数露出の画像で取り込まれる、請求項１９に記載の品質検査モジュール。

Images