JP2021535369A - インテリジェントモニタリング構造を用いた画像ベースのアッセイ - Google Patents
インテリジェントモニタリング構造を用いた画像ベースのアッセイ Download PDFInfo
- Publication number
- JP2021535369A JP2021535369A JP2021507893A JP2021507893A JP2021535369A JP 2021535369 A JP2021535369 A JP 2021535369A JP 2021507893 A JP2021507893 A JP 2021507893A JP 2021507893 A JP2021507893 A JP 2021507893A JP 2021535369 A JP2021535369 A JP 2021535369A
- Authority
- JP
- Japan
- Prior art keywords
- sample
- image
- plate
- processing device
- sample card
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 658
- 238000003556 assay Methods 0.000 title claims description 357
- 238000010801 machine learning Methods 0.000 claims abstract description 230
- 239000000523 sample Substances 0.000 claims description 1925
- 238000000034 method Methods 0.000 claims description 783
- 238000003384 imaging method Methods 0.000 claims description 424
- 238000012545 processing Methods 0.000 claims description 284
- 238000001514 detection method Methods 0.000 claims description 184
- 230000003287 optical effect Effects 0.000 claims description 154
- 238000012549 training Methods 0.000 claims description 114
- 230000007547 defect Effects 0.000 claims description 98
- 239000012472 biological sample Substances 0.000 claims description 66
- 238000005259 measurement Methods 0.000 claims description 64
- 239000003550 marker Substances 0.000 claims description 62
- 239000002086 nanomaterial Substances 0.000 claims description 54
- 238000004458 analytical method Methods 0.000 claims description 50
- 238000004519 manufacturing process Methods 0.000 claims description 50
- 238000012360 testing method Methods 0.000 claims description 36
- 230000004071 biological effect Effects 0.000 claims description 34
- 239000000428 dust Substances 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 26
- 239000000126 substance Substances 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 22
- 238000002372 labelling Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 14
- 238000003672 processing method Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 239000012535 impurity Substances 0.000 claims description 8
- 241001465754 Metazoa Species 0.000 claims description 4
- 239000002061 nanopillar Substances 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000003702 image correction Methods 0.000 claims description 2
- 238000013450 outlier detection Methods 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000009828 non-uniform distribution Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 23
- 239000010410 layer Substances 0.000 description 236
- 238000004422 calculation algorithm Methods 0.000 description 182
- 125000006850 spacer group Chemical group 0.000 description 176
- 238000004590 computer program Methods 0.000 description 102
- 230000008569 process Effects 0.000 description 102
- 230000009466 transformation Effects 0.000 description 100
- 230000003321 amplification Effects 0.000 description 52
- 238000003199 nucleic acid amplification method Methods 0.000 description 52
- 239000002516 radical scavenger Substances 0.000 description 42
- 239000007790 solid phase Substances 0.000 description 40
- 230000000877 morphologic effect Effects 0.000 description 38
- 238000009826 distribution Methods 0.000 description 35
- 210000004369 blood Anatomy 0.000 description 34
- 239000008280 blood Substances 0.000 description 34
- 239000000463 material Substances 0.000 description 32
- 239000012530 fluid Substances 0.000 description 30
- 230000014759 maintenance of location Effects 0.000 description 30
- 238000000844 transformation Methods 0.000 description 28
- 210000004027 cell Anatomy 0.000 description 26
- 239000003795 chemical substances by application Substances 0.000 description 24
- 238000013527 convolutional neural network Methods 0.000 description 24
- 238000001914 filtration Methods 0.000 description 24
- 108020004707 nucleic acids Proteins 0.000 description 24
- 102000039446 nucleic acids Human genes 0.000 description 24
- 150000007523 nucleic acids Chemical class 0.000 description 24
- 210000001519 tissue Anatomy 0.000 description 24
- 238000006243 chemical reaction Methods 0.000 description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 20
- 239000007769 metal material Substances 0.000 description 20
- 230000000737 periodic effect Effects 0.000 description 20
- 108090000623 proteins and genes Proteins 0.000 description 20
- IUVCFHHAEHNCFT-INIZCTEOSA-N 2-[(1s)-1-[4-amino-3-(3-fluoro-4-propan-2-yloxyphenyl)pyrazolo[3,4-d]pyrimidin-1-yl]ethyl]-6-fluoro-3-(3-fluorophenyl)chromen-4-one Chemical compound C1=C(F)C(OC(C)C)=CC=C1C(C1=C(N)N=CN=C11)=NN1[C@@H](C)C1=C(C=2C=C(F)C=CC=2)C(=O)C2=CC(F)=CC=C2O1 IUVCFHHAEHNCFT-INIZCTEOSA-N 0.000 description 18
- 206010036790 Productive cough Diseases 0.000 description 18
- 238000000513 principal component analysis Methods 0.000 description 18
- 102000004169 proteins and genes Human genes 0.000 description 18
- 210000003802 sputum Anatomy 0.000 description 18
- 208000024794 sputum Diseases 0.000 description 18
- 210000000601 blood cell Anatomy 0.000 description 16
- 238000012937 correction Methods 0.000 description 16
- 201000010099 disease Diseases 0.000 description 16
- 210000003608 fece Anatomy 0.000 description 16
- 238000011049 filling Methods 0.000 description 16
- 235000013305 food Nutrition 0.000 description 16
- 230000001052 transient effect Effects 0.000 description 16
- 108020004414 DNA Proteins 0.000 description 14
- 239000003153 chemical reaction reagent Substances 0.000 description 14
- 239000003989 dielectric material Substances 0.000 description 14
- 239000007788 liquid Substances 0.000 description 14
- 210000002751 lymph Anatomy 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 14
- 230000009467 reduction Effects 0.000 description 14
- 239000002356 single layer Substances 0.000 description 14
- 238000013459 approach Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000007797 corrosion Effects 0.000 description 12
- 238000005260 corrosion Methods 0.000 description 12
- 238000009499 grossing Methods 0.000 description 12
- 230000036541 health Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 12
- 239000002184 metal Substances 0.000 description 12
- 210000003097 mucus Anatomy 0.000 description 12
- 108090000765 processed proteins & peptides Proteins 0.000 description 12
- 238000011002 quantification Methods 0.000 description 12
- 230000001629 suppression Effects 0.000 description 12
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 10
- 238000001069 Raman spectroscopy Methods 0.000 description 10
- 210000001124 body fluid Anatomy 0.000 description 10
- 239000010839 body fluid Substances 0.000 description 10
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 10
- 150000001875 compounds Chemical class 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 10
- 238000000151 deposition Methods 0.000 description 10
- 229940079593 drug Drugs 0.000 description 10
- 239000003814 drug Substances 0.000 description 10
- 210000003743 erythrocyte Anatomy 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000007787 solid Substances 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000002360 preparation method Methods 0.000 description 9
- 206010028980 Neoplasm Diseases 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 8
- 239000002105 nanoparticle Substances 0.000 description 8
- 210000003296 saliva Anatomy 0.000 description 8
- 210000000582 semen Anatomy 0.000 description 8
- 210000002966 serum Anatomy 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 210000004243 sweat Anatomy 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 210000001138 tear Anatomy 0.000 description 8
- 210000002700 urine Anatomy 0.000 description 8
- 235000002566 Capsicum Nutrition 0.000 description 6
- 241001494479 Pecora Species 0.000 description 6
- 239000006002 Pepper Substances 0.000 description 6
- 241000722363 Piper Species 0.000 description 6
- 235000016761 Piper aduncum Nutrition 0.000 description 6
- 235000017804 Piper guineense Nutrition 0.000 description 6
- 235000008184 Piper nigrum Nutrition 0.000 description 6
- 241000700605 Viruses Species 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 239000000090 biomarker Substances 0.000 description 6
- 238000004820 blood count Methods 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 230000002496 gastric effect Effects 0.000 description 6
- 210000004209 hair Anatomy 0.000 description 6
- 210000004251 human milk Anatomy 0.000 description 6
- 235000020256 human milk Nutrition 0.000 description 6
- 238000012880 independent component analysis Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 6
- 210000002381 plasma Anatomy 0.000 description 6
- 238000003825 pressing Methods 0.000 description 6
- 102000004196 processed proteins & peptides Human genes 0.000 description 6
- 238000000746 purification Methods 0.000 description 6
- 210000004915 pus Anatomy 0.000 description 6
- 238000000926 separation method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- -1 vitreous body Substances 0.000 description 6
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- 241000282412 Homo Species 0.000 description 4
- 208000005228 Pericardial Effusion Diseases 0.000 description 4
- 210000003567 ascitic fluid Anatomy 0.000 description 4
- 238000003705 background correction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000012620 biological material Substances 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 4
- 210000001772 blood platelet Anatomy 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 4
- 239000006227 byproduct Substances 0.000 description 4
- 210000000845 cartilage Anatomy 0.000 description 4
- 210000000078 claw Anatomy 0.000 description 4
- 210000002808 connective tissue Anatomy 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 238000005401 electroluminescence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000000981 epithelium Anatomy 0.000 description 4
- 239000011536 extraction buffer Substances 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 210000004211 gastric acid Anatomy 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 238000003707 image sharpening Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 210000000265 leukocyte Anatomy 0.000 description 4
- 230000031700 light absorption Effects 0.000 description 4
- 238000004020 luminiscence type Methods 0.000 description 4
- 210000004880 lymph fluid Anatomy 0.000 description 4
- 230000009245 menopause Effects 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 210000004912 pericardial fluid Anatomy 0.000 description 4
- 230000004962 physiological condition Effects 0.000 description 4
- 210000004910 pleural fluid Anatomy 0.000 description 4
- 108091033319 polynucleotide Proteins 0.000 description 4
- 102000040430 polynucleotide Human genes 0.000 description 4
- 239000002157 polynucleotide Substances 0.000 description 4
- 235000021395 porridge Nutrition 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 210000002374 sebum Anatomy 0.000 description 4
- 239000010865 sewage Substances 0.000 description 4
- 150000003384 small molecules Chemical class 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 241000193738 Bacillus anthracis Species 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010050337 Cerumen impaction Diseases 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 2
- 241000557829 Herbertus Species 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 208000030852 Parasitic disease Diseases 0.000 description 2
- 208000001280 Prediabetic State Diseases 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000011449 brick Substances 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229940077731 carbohydrate nutrients Drugs 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 210000002939 cerumen Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004737 colorimetric analysis Methods 0.000 description 2
- 239000002361 compost Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 239000004567 concrete Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 239000002359 drug metabolite Substances 0.000 description 2
- 238000003255 drug test Methods 0.000 description 2
- 231100000317 environmental toxin Toxicity 0.000 description 2
- 230000029142 excretion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003722 extracellular fluid Anatomy 0.000 description 2
- 230000002550 fecal effect Effects 0.000 description 2
- 210000004700 fetal blood Anatomy 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 210000004905 finger nail Anatomy 0.000 description 2
- 230000005714 functional activity Effects 0.000 description 2
- 238000011331 genomic analysis Methods 0.000 description 2
- 230000000762 glandular Effects 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 239000004009 herbicide Substances 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000003688 hormone derivative Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 230000002458 infectious effect Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 150000002484 inorganic compounds Chemical class 0.000 description 2
- 229910010272 inorganic material Inorganic materials 0.000 description 2
- 208000017169 kidney disease Diseases 0.000 description 2
- 201000006370 kidney failure Diseases 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 229920002521 macromolecule Polymers 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 108020004999 messenger RNA Proteins 0.000 description 2
- 108091070501 miRNA Proteins 0.000 description 2
- 239000002679 microRNA Substances 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 244000005706 microflora Species 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000003470 mitochondria Anatomy 0.000 description 2
- 125000003729 nucleotide group Chemical group 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 239000000825 pharmaceutical preparation Substances 0.000 description 2
- 229940127557 pharmaceutical product Drugs 0.000 description 2
- 238000011548 physical evaluation Methods 0.000 description 2
- 210000002826 placenta Anatomy 0.000 description 2
- 229920001184 polypeptide Polymers 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 201000009104 prediabetes syndrome Diseases 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 235000021067 refined food Nutrition 0.000 description 2
- 239000005871 repellent Substances 0.000 description 2
- 230000002940 repellent Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001568 sexual effect Effects 0.000 description 2
- 229910052709 silver Inorganic materials 0.000 description 2
- 239000004332 silver Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- 230000004797 therapeutic response Effects 0.000 description 2
- 239000010891 toxic waste Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 210000004127 vitreous body Anatomy 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/2813—Producing thin layers of samples on a substrate, e.g. smearing, spinning-on
- G01N2001/282—Producing thin layers of samples on a substrate, e.g. smearing, spinning-on with mapping; Identification of areas; Spatial correlated pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Sampling And Sample Adjustment (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Image Analysis (AREA)
Abstract
Description
本出願は、米国特許仮出願第62/719,129号(2018年8月16日に出願)及び米国特許仮出願第62/764,886号(2018年8月16年に出願)の優先権の利益を主張する。これらの内容を基にしており、それらはその全体において参照により本明細書に組み込まれている。本明細書で述べる任意の刊行物または特許文献の全体の開示は、参照により全体的に組み込まれている。
とりわけ、本発明は、生物学的及び化学的アッセイ、コンピューテーショナル画像化、人工知能、及び機械学習を行うデバイス及び方法に関する。
生物学的及び化学的アッセイ(全血球計算を含む)において、精度は極めて重要である。しかし、器具の使用及び動作においてエラーは避けられない。特に、低コスト器具を用いるとき及びリソースが限られた状態においてそうである。本発明では、とりわけ、サンプルにおける画像ベースの生物学的/化学的アッセイングの精度を向上させるためのデバイス及び方法を提供する。
以下の概要では、本発明のすべての特徴及び態様を含むことは意図していない。
(a)互いに面する第1のプレート及び第2のプレートと、一方または両方のプレートのサンプル接触面上の複数のモニタリング構造とを含むサンプルホルダを有することであって、モニタリング構造は、幾何学的及び/または光学的特性の少なくとも1つの予めデザインされた所定のパラメータを有し、サンプル接触面はサンプルと接触する、有することと、
(b)検体を含むかまたは含むと疑われるサンプルを2つのプレートの対応するサンプル接触面の間に挟んで200um厚以下の薄層を形成することであって、サンプル接触面上のサンプルを試薬と混合して反応させ、挟むこと、混合させること、または反応させることはエラーの影響を受けやすい、形成することと、
(c)画像化装置を用いて、サンプルとサンプル接触面積上のモニタリング構造とを同時に画像化することであって、画像化装置は画像化における欠陥の影響を受けやすく、画像化動作はエラーの影響を受けやすい、画像化することと、
(d)ステップ(c)で取り込んだ画像をアルゴリズムを用いて解析して、検体に関係するパラメータを検出することであって、解析には、画像を、少なくとも1つの予めデザインされた所定のパラメータと比較することと、少なくとも1つの予めデザインされた所定のパラメータを用いて欠陥及びエラーを検出及び/または補正することとが含まれる、検出することと、を含む方法。
以下の詳細な説明では、本発明のいくつかの実施形態を一例として限定としてではなく例示する。本明細書で用いるセクションヘッディング及びサブタイトルは、単に構成上の目的であり、決して記載の主題を限定するものと解釈してはならない。セクションヘッディング及び/またはサブタイトル下の内容は、セクションヘッディング及び/またはサブタイトルには限定されず、本発明の全体の記載に適用される。
サンプルには鼻咽頭洗浄液が含まれていてもよい。鼻腔スワブ、咽頭スワブ、糞便サンプル、毛髪、指の爪、耳垢、呼気、及び他の固体、半固体、または気体サンプルを、その分析の前に、たとえば、固定時間または可変時間の間、抽出緩衝液内で処理してもよい。次に抽出緩衝液またはその一定分量を、必要に応じて他の流体サンプルと同様に処理してもよい。被検者の組織サンプルの例としては以下を挙げてもよいが、これらに限定されない。結合組織、筋肉組織、神経組織、上皮組織、軟骨、がんサンプル、または骨。特定の実施形態において、サンプルを被検者(たとえば、ヒト)から取得してもよく、被検者アッセイにおいて使用する前に処理してもよい。たとえば、分析前に、タンパク質/核酸を、使用前の組織サンプルから既知の方法で抽出してもよい。特定の実施形態において、サンプルは臨床サンプル、たとえば、患者から収集したサンプルであってもよい。サンプルは食品、環境などのサンプルとすることもできる。サンプルのいくつかは、形状が変形できるが自由流動性ではない(たとえば痰)。
A1−1.画像化装置を用いてサンプル中の微小特徴をアッセイするためのデバイスであって、
(a)微小特徴を含むサンプルと接触するためのサンプル接触面積を含む固相表面と、
(b)1つ以上のモニタリングマークであって、
i.サンプルからの異なる材料で形成され、
ii.微細構造のアッセイ中は、サンプル中部にあり、サンプルはサンプル接触面積上に厚さ200um未満の薄層を形成し、
iii.横直線寸法が約1um(ミクロン)以上であり、
iv.少なくとも1つの横直線寸法が300um以下である、モニタリングマークと
を含み、
アッセイ中に、少なくとも1つのモニタリングマークが、検体のアッセイ中に用いられる画像化装置によって画像化され、モニタリングマークの幾何学的パラメータ(たとえば形状及びサイズ)及び/またはモニタリングマーク間のピッチは、(a)予め決められて検体のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、デバイス。
微小特徴を含むサンプルと接触するためのサンプル接触面積を含む固相表面と、
1つ以上のモニタリングマークであって、各モニタリングマークは固相表面からの突起物または溝を含み、
i.突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
ii.平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、
iii.平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
iv.少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
v.平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、モニタリングマークと
を含む、デバイス。
A2−1.画像化装置を用いてサンプル中の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
i.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
ii.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触面積を含む内面を含み、
iii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iv.スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
v.モニタリングマークはサンプルからの異なる材料で形成され、
vi.モニタリングマークは微細構造のアッセイ中にサンプルの内部にあり、サンプルはサンプル接触面積上に厚さ200um未満の薄層を形成し、
vii.モニタリングマークは横直線寸法が約1um(ミクロン)以上であり、少なくとも1つの横直線寸法が300um以下であり、
アッセイ中に、少なくとも1つのモニタリングマークが、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう1つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触面積によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である。
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
i.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
ii.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触面積を含む内面を含み、
iii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iv.スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
v.各モニタリングマークは一方または両方のサンプル接触面積上に突起物または溝を含み、
vi.突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
vii.平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、
viii.平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
ix.少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
x.平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触面積によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)検体を含むサンプルをアッセイするときに用いる画像化装置と
が含まれる、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)検体を含むサンプルをアッセイするときに用いる画像化装置と、
(c)デバイスのモニタリングマークを用いて検体に関係する特性を決定するアルゴリズムと
を含む、システム。
本発明の別の態様は、サンプル保持デバイスのピラーまたはモニタリングマークを、コンピューテーショナル画像化、人工知能、及び/または機械学習とともに用いることである。画像を処理して画像内の物体を現実世界でのその実際の寸法にマッピングするアルゴリズムを用いて、測定値から画像を形成するプロセスを有する。本発明では機械学習(ML)を適用して、MLモデルによって取り込まれ、画像化装置が取り込んだサンプル画像から構築及びトレーニングされたサンプル中の物体の顕著な特徴を学習する。本発明の推論プロセスにインテリジェントな決定ロジックを組み込んで適用して、MLモデルに埋め込まれた知識によりサンプル中の対象物体を検出して分類する。
1.アッセイング用の画像を入力として取得する
2.画像変換モデルTModelを適用してアッセイング用の入力画像を変換して、本明細書で説明した白色マスクでピラーまたはモニタリングマークを覆い、残りの面積を黒色マスクで覆った画像にする
3.変換画像内のピラーまたはモニタリングマークを検出する
4.検出ピラーまたはモニタリングマーク中心を原入力画像に再マッピングして戻す5.検出ピラーまたはモニタリングマークの場所で、原入力画像に対して、サンプル保持デバイス内の予めデザインされたピラーまたはモニタリングマーク構造からの制限を用いてエラー補正を行う
6.サンプル画像内の検出ピラーまたはモニタリングマークの中心を決定して、それらの場所の精緻化を、サンプル保持デバイス内でのそれらの既知の分布構造の制約に従って行う
7.サンプル画像上での正則変換を、検出ピラーまたはモニタリングマーク中心に基づいて推定して、以後の画像ベースのアッセイングに対するTLD/FoVを決定する
本明細書で説明するTLD/FoV推定の方法によって、画像ベースのアッセイングにおける他の応用例に対する可能性が開かれる。本発明のいくつかの実施形態では、画像ベースのアッセイングにおいて欠陥(たとえば、気泡、ホコリなど)除去することに適用される。気泡及びホコリは、環境、アッセイング操作、及びアッセイング用に用いているサンプルのタイプに応じて、サンプル中に生じる可能性がある。アッセイング用のサンプル中のこれらの欠陥は、アッセイング精度を上げるためにサンプルから取り去らなければならない。しかし、これは、これらの欠陥が生じてサンプル保持デバイスの閉空間内に閉じ込められたら、極めて難しい可能性がある。さらに、多くの場合に、デバイスは押圧シールされていて、再び開けてはならない。
1.アッセイング用サンプルの画像を入力として取得する
2.(1)からのサンプル画像のTLD/FoVを面積、サイズに対して推定して、結果としてサンプル体積推定を行う
3.アッセイング用サンプルの画像内の欠陥(たとえば、気泡、ホコリなど)を検出して、サンプル中のこれらの欠陥の画像を、トレーニングされた機械学習モデルによってセグメント化する
4.サンプル画像内のセグメント化された欠陥の全面積を推定して、それらの実際の面積サイズを、サンプル保持デバイスのピラー及びモニタリングマークを用いて(2)から推定したTLD/FoVを用いることによって計算する
5.アッセイング用サンプルの画像内の検出した欠陥の全表面積に対応するサンプルの実際の体積を、(4)からの面積推定値とサンプル保持デバイス内のサンプルの既知の高さとから推定する
6.アッセイング用サンプルの画像内の検出した欠陥の表面積を取り除いて、サンプルの全体積の更新を、サンプル画像内の検出した欠陥の表面積の下の全体積に対応する欠陥体積推定値を(5)から差し引くことによって行う
7.(6)からの更新したサンプル体積を伴う更新したサンプル画像内の選択面積上で画像ベースのアッセイングを行う
いくつかの実施形態では、対象物体(たとえば細胞)が単層を形成する(すなわちサンプル層に垂直な方向において物体間の著しい重なりがない)ように、サンプルの厚さは薄い厚さに設定されている。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスは、2つの移動可能なプレート、スペーサ、及び1つ以上のモニタリングマークを含み、モニタリングマークはサンプル接触面積内にある、取得することと、
(b)画像化装置を取得することと、
(c)(a)のデバイスのサンプル接触面積内にサンプルを堆積させて、2つのプレートを強制的に閉構成にすることと、
(d)画像化装置を用いて、薄いサンプル層の1つ以上の画像を取り込むことと、
(e)モニタリングマークの画像を用いてQMAXカードの製造品質を決定することと
を含む、方法。
(a)先行する実施形態におけるデバイスを取得することであって、デバイスは、2つの移動可能なプレート、スペーサ、及び1つ以上のモニタリングマークを有し、モニタリングマークはサンプル接触面積内にある、取得することと、
(b)画像化装置を取得することと、
(c)(a)のデバイスのサンプル接触面積内にサンプルを堆積させて、2つのプレートを強制的に閉構成にすることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことと、
(e)モニタリングマークの画像を用いてQMAXカードの製造品質を決定することと
を含む、方法。
i.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
ii.第1のプレート及び第2のプレートはそれぞれ、分析しているサンプルと接触するためのサンプル接触面積を含む内面を含み、
iii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iv.モニタリングマークはその寸法の少なくとも1つが、(a)予め決められて分かっており、(b)画像化装置によって観察可能であり、
v.モニタリングマークは、少なくとも1つの横直線寸法が300um以下の微細構造であり、
vi.モニタリングマークはサンプルの内部にあり、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
もう一つの構成は閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触面積によって制限され、プレート及びスペーサによって調整され、
2つのプレートを閉構成に到達させるときに力を用いた後に、モニタリングマークを画像化して、(i)2つのプレートが意図する閉構成に到達した結果、サンプル厚さがほぼ所定の厚さに調整されたか否かを判定し、及び/または(ii)サンプルが要望どおりに装着されたか否かを判定する。
a)任意の先行する実施形態のデバイスを取得することであって、デバイスは、2つの移動可能なプレート、スペーサ、及び1つ以上のモニタリングマークを含み、モニタリングマークはサンプル接触面積内にある、取得することと、
b)画像化装置を取得することと、
c)(a)のデバイスのサンプル接触面積内にサンプルを堆積させて、2つのプレートを強制的に閉構成にすることと、
d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことと、
e)モニタリングマークの画像を用いて、(i)2つのプレートが意図する閉構成に到達した結果、サンプル厚さがほぼ所定の厚さに調整されたか否か、または(ii)サンプルが要望どおりに装着されたか否かを判定することと
を含む、方法。
単一プレート
AA−1.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触面積を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
I.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能である、エッジを有し、
II.少なくとも1つの横直線寸法が300um以下の微細構造であり、
III.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触面積を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
i.固相表面からの突起物または溝を含み、
ii.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能であり、エッジを有し、iii.少なくとも1つの横直線寸法が300um以下の微細構造であり、
iv.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−2.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、及び1つ以上のモニタリングマークを含み、
i.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触面積を含む内面を含み、
ii.サンプルの少なくとも一部は、第1及び第2のプレートによって、200um以下の実質的に一定の厚さの薄層内に制限され、
iii.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iv.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
v.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−3.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
a.第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
ii.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
iii.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触面積を含む内面を含み、
iv.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
v.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
vi.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
vii.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化され、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触面積によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である、デバイス。
BB−1.サンプル中の微小特徴の画像取り込みを改善するための装置であって、
(c)いずれかの先行するデバイス実施形態のデバイスと、
(d)微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と、を含み、
画像化装置は画像を取り込み、少なくとも1つの画像はサンプルの一部及びモニタリングの両方を含む、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と、
(c)マークをパラメータとして用いるとともに、次の画像に対する画像化装置の設定を調整する画像化処理方法を用いるアルゴリズムと
を含む、システム。
CC−1.サンプル中の微小特徴の画像の解析を改善するための装置であって、
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)マークと、微小特徴を含むかまたは含むと疑われるサンプルとの画像を受け取る際に用いられるコンピューテーションデバイスと、を含み、
コンピューテーションデバイスは、マークをパラメータとして用いるとともに画像の画質を向上させる画像化処理方法を用いるアルゴリズムを実行する、装置。
(b)微小特徴を含むかまたは含むと疑われるサンプルをサンプル及びマークの1つまたは複数の画像を取り込むことによってアッセイする際に用いられる画像化装置と、
(c)マークをパラメータとして用いるとともに(c)で取り込んだ少なくとも1つの画像の画質を向上させる画像化処理方法を用いるアルゴリズムと、を含むシステム。
(a)サンプル及びモニタリングマーク(複数可)の画像を受け取ることであって、サンプルはいずれかの先行するデバイス請求項のデバイス内に装着され、画像は画像化装置が取り込む、受け取ることと、
(b)画像を処理及び解析して微小特徴の量を計算することであって、解析では、機械学習とモニタリングマーク(複数可)の画像によって得られる情報とに基づく検出モデルを用いる、計算することと、に適用及び適応されるコンピュータプログラムコードが含まれる、コンピュータプログラム製品。
単一プレート
AA−1.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触面積を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
i.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
ii.少なくとも1つの横直線寸法が300um以下の微細構造であり、
iii.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触面積を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
i.固相表面からの突起物または溝を含み、
ii.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iii.少なくとも1つの横直線寸法が300um以下の微細構造であり、
iv.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−2.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、及び1つ以上のモニタリングマークを含み、i.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触面積を含む内面を含み、
ii.サンプルの少なくとも一部は、第1及び第2のプレートによって、200um以下の実質的に一定の厚さの薄層内に制限され、
iii.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iv.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
v.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−3.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
I.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
i.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触面積を含む内面を含み、
ii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iii.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iv.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
v.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化され、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触面積によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(a)スペーサとは異なる構造であるか、または(b)スペーサとして用いられるものと同じ構造である、デバイス。
BB−1.サンプル中の微小特徴の画像取り込みを改善するための装置であって、
(e)いずれかの先行するデバイス実施形態のデバイスと、
(f)微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と
を含み、
画像化装置は画像を取り込み、少なくとも1つの画像はサンプルの一部及びモニタリングの両方を含む、装置。
i.いずれかの先行するデバイス実施形態のデバイスと、
ii.微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と、
iii.命令を有する非一時的コンピュータ可読媒体であって、命令は、実行されると、マークをパラメータとして用いるとともに、次の画像に対する画像化装置の設定を調整する画像化処理方法を用いる、非一時的コンピュータ可読媒体と
を含む、システム。
CC−1.サンプル中の微小特徴の画像の解析を改善するための装置であって、
a)いずれかの先行するデバイス実施形態のデバイスと、
b)マークと、微小特徴を含むかまたは含むと疑われるサンプルとの画像を受け取る際に用いられるコンピューテーションデバイスと
を含み、
コンピューテーションデバイスは、マークをパラメータとして用いるとともに画像の画質を向上させる画像化処理方法を用いるアルゴリズムを実行する、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むかまたは含むと疑われるサンプルをサンプル及びマークの1つまたは複数の画像を取り込むことによってアッセイする際に用いられる画像化装置と、
(c)命令を有する非一時的コンピュータ可読媒体であって、命令は、実行されると、マークをパラメータとして用いるとともに、(c)で取り込んだ少なくとも1つの画像の画質を向上させる画像化処理方法を用いる、非一時的コンピュータ可読媒体と
を含む、システム。
(a)サンプル及びモニタリングマーク(複数可)の画像を受け取ることであって、サンプルはいずれかの先行するデバイス請求項のデバイス内に装着され、画像は画像化装置が取り込む、受け取ることと、
(b)画像を処理及び解析して微小特徴の量を計算することであって、解析では、機械学習とモニタリングマーク(複数可)の画像によって得られる情報とに基づく検出モデルを用いる、計算することと
に適用及び適応されるコンピュータプログラムコード手段が含まれる、コンピュータプログラム製品。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触面積内に1つ以上のモニタリングマークが含まれる、取得することと、(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)のデバイスのサンプル接触面積内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み、(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、方法。
AA1.サンプルの薄層の画像化を改善するための方法であって、
(a)マーキングされたサンプルホルダを取得することであって、サンプルはサンプル接触面積内に1つ以上のモニタリングマークが含まれる、取得することと、
(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)のデバイスのサンプル接触面積内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み、
(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
T1.歪んだ画像から、サンプルホルダ上のサンプルの真の横寸法(TLD)を決定するための方法であって、
i.任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触面積内に1つ以上のモニタリングマークが含まれる、取得することと、
ii.画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的なコンピュータ可読媒体とを取得することと、
iii.(a)のデバイスのサンプル接触面積内に、微小特徴を含む薄いサンプル層を堆積させることと、
iv.画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
v.アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み、
(a)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(b)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
(a)微小特徴を含むサンプルと接触するためのサンプル接触面積を含む固相表面と、
(b)1つ以上のモニタリングマークであって、モニタリングマークは、
i.サンプルからの異なる材料で形成され、
ii.微細構造のアッセイ中にサンプルの内部にあり、サンプルはサンプル接触面積上に厚さ200um未満の薄層を形成し、
iii.その横直線寸法が約1um(ミクロン)以上であり、
iv.少なくとも1つの横直線寸法が300um以下であり、
アッセイ中に、少なくとも1つのモニタリングマークが、検体のアッセイ中に用いられる画像化装置によって画像化され、モニタリングマークの幾何学的パラメータ(たとえば形状及びサイズ)及び/またはモニタリングマーク間のピッチは、(a)予め決められて検体のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、デバイス。
微小特徴を含むサンプルと接触するためのサンプル接触面積を含む固相表面と、
1つ以上のモニタリングマークであって、各モニタリングマークは固相表面からの突起物または溝を含む1つ以上のモニタリングマークと、を含み、
(a)突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
(b)平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、(c)平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
(d)少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
(e)平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、デバイス。
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
(a)第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
(b)第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触面積を含む内面を含み、
(c)第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
(d)スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
(e)モニタリングマークはサンプルからの異なる材料で形成され、
(f)モニタリングマークは微細構造のアッセイ中にサンプルの内部にあり、サンプルはサンプル接触面積上に厚さ200um未満の薄層を形成し、
(g)モニタリングマークは横直線寸法が約1um(ミクロン)以上であり、少なくとも1つの横直線寸法が300um以下であり、
アッセイ中に、少なくとも1つのモニタリングマークが、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触面積によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である、デバイス。
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
(a)第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
(b)第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触面積を含む内面を含み、
(c)第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
(d)スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
(e)各モニタリングマークは一方または両方のサンプル接触面積上に突起物または溝を含み、
(f)突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
(g)平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、
(h)平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
(i)少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
(j)平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
a.構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触面積によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である、デバイス。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むサンプルをアッセイする際に用いられる画像化装置と
を含む、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むサンプルをアッセイする際に用いられる画像化装置と、
(c)命令を含む非一時的コンピュータ可読媒体であって、命令は、実行されると、デバイスのモニタリングマークを用いて微小特徴に関係する特性を決定する、非一時的コンピュータ可読媒体と
を含む、システム。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むサンプルをアッセイする際に用いられる画像化装置と、
(c)命令を含む非一時的コンピュータ可読媒体であって、命令は、実行されると、デバイスのモニタリングマークを用いて微小特徴に関係する特性をアッセイし、命令には機械学習が含まれる、非一時的コンピュータ可読媒体と
を含む、システム。
(a)任意の先行する実施形態のデバイス、装置、またはシステムを取得することと、
(b)サンプルを取得して、(a)におけるデバイス、装置、またはシステム内のサンプル接触面積上にサンプルを堆積させることであって、サンプルには微小特徴が含まれる、堆積させることと、
(c)微小特徴をアッセイすることと
を含む、方法。
(a)任意の先行する実施形態のデバイス、装置、またはシステムを取得することと、
(b)サンプルを取得して、(a)におけるデバイス、装置、またはシステム内のサンプル接触面積上にサンプルを堆積させることであって、サンプルには微小特徴が含まれる、堆積させることと、
(c)微小特徴をアッセイすることであって、アッセイングには機械学習を用いるステップが含まれる、アッセイすることと
を含む、方法。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触面積内に1つ以上のモニタリングマークが含まれる、取得することと、(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)のデバイスのサンプル接触面積内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み。
(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触面積内に1つ以上のモニタリングマークが含まれる、取得することと、
(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)におけるデバイスのサンプル接触面積内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いて、物理的評価基準(たとえばマイクロメートル)によって、画像化したサンプルの現実世界での真の横寸法及び座標を決定することと
を含み、
(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
(a)サンプルを取得することと、
(b)サンプルを、サンプル保持デバイス(たとえば、QMAXデバイス)内に装着することであって、モニタリングマークが存在し、モニタリングマークは、サンプル中に浸漬しておらず、画像ベースのアッセイにおいて画像化装置が上方から画像化することができるデバイス内に存在する、装着することと、
(c)微小特徴とモニタリングマークとを含むサンプル装着デバイス内のサンプルの画像を取り込むことと、
(d)画像化装置が取り込んだサンプル画像内のモニタリングマークを検出することと、
(e)サンプル画像を非重複領域に分割することと、
(f)局所領域で検出された4つを超える非共線のモニタリングマークを用いて、領域ベースのマークグリッドを各非重複領域に対して作成することと、
(g)画像化装置が取り込んだサンプル画像から検出されたモニタリングマークに基づいて、(f)にない他のすべての領域に対してマークグリッドを作成することと、
(h)(f)の各領域に対して領域特定のホモグラフィ変換を、(f)から作成したその独自の領域ベースのマークグリッドに基づいて計算することと、
(i)(g)で作成したマークグリッドに基づいて、(f)にない他のすべての領域に対してホモグラフィ変換を計算することと、
(j)(g)の領域ベースのホモグラフィ変換に基づいて、(f)の各領域に対して領域ベースのTLDを推定することと、
(k)(i)のホモグラフィ変換に基づいて、(f)にない他の領域に対してTLDを推定することと、
(l)(j)及び(k)から推定したTLDを適用して、画像ベースのアッセイにおいて各画像分割における画像化された微小特徴の面積及び濃度を決定することと
を含む、任意の先行する実施形態の方法、デバイス、またはシステム。
i.サンプルを、画像ベースのアッセイにおいて前記デバイス内にモニタリングマークが存在するサンプル保持デバイスに装着することと、
ii.微小特徴とモニタリングマークとを含むサンプル保持デバイス内のサンプルの画像を取り込むことと、
iii.サンプル保持デバイス上で画像化装置が取り込んだサンプル画像内のモニタリングマークを検出して、画像ベースのアッセイにおいてTLDを決定して面積推定値を計算し、画像化した物体のサイズを画像内の画素から決定し、現実世界でのマイクロメートルでのその物理的寸法を決定する任意の先行する実施形態の方法、デバイス、またはシステム。
i.デジタル画像内のモニタリングマークを検出することと、
ii.モニタリングマークグリッドを作成することと、
iii.モニタリングマークグリッドに基づいて画像変換を計算することと、
iv.画像ベースのアッセイにおいてサンプル画像内の物体の面積と現実世界でのその物理的寸法とを推定することと
を含む、任意の先行する実施形態の方法、デバイス、またはシステム。
i.画像ベースのアッセイにおいて画像化装置が取り込んだサンプル画像を非重複領域に分割することと、
ii.画像内の局所的なモニタリングマークを検出することと、
iii.領域内で4つを超える非共線のモニタリングマークが検出された場合にその領域に対する領域ベースのマークグリッドを作成することと、
iv.画像化装置が取り込んだサンプル画像内で検出されたモニタリングマークに基づいて、他のすべての領域に対するマークグリッドを作成することと、
v.(iii)の各領域に対して、作成した領域ベースのマークグリッドから領域ベースのホモグラフィ変換を計算することと、
vi.(iv)で作成したマークグリッドに基づいて、(iii)にない他のすべての領域に対してホモグラフィ変換を計算することと、
vii.(v)及び(vi)から生成したホモグラフィ変換に基づいて、各領域に対してTLDを推定し、画像ベースのアッセイにおいて各領域におけるサンプルの画像内での物体の面積と現実世界でのそのサイズとを決定することと
が含まれる、任意の先行する実施形態の方法、デバイス、またはシステム。
(a)サンプル画像を受け取ることであって、サンプルはQMAXデバイス内に装着され、画像はQMAXデバイスに接続された画像化装置が取り込み、画像にはサンプル及びモニタリングマークの両方が含まれる、受け取ることと、
(b)検出モデルを用いて画像を解析して画像の2Dデータアレイを作成することであって、2Dデータアレイには画像内の各場所に対する微小特徴の確率データが含まれ、検出モデルはトレーニングプロセスを通して設定され、トレーニングプロセスには、
i.注釈付きデータセットを畳み込みニューラルネットワークに供給することであって、注釈付きデータセットは、テストサンプルと同じタイプのサンプルからであり、同じ微小特徴に対するものである、供給することと、
ii.畳み込みによって検出モデルをトレーニングして設定することと
が含まれる、作成することと、
(c)2Dデータアレイを解析して、局所的な信号ピークを、
i.信号リストプロセス、または
ii.局所的な検索プロセス
を用いて検出することと、
(d)局所的な信号ピーク情報に基づいて微小特徴の量を計算することと
に適応される、任意の先行する実施形態の方法、デバイス、またはシステム。
前記プログラムをコンピューティングデバイス上でまたはネットワーク接続によってコンピューティングクラウドにおいて実行したときに、
(a)サンプル中の物体とサンプル保持デバイス上で画像化装置が取り込んだサンプル画像内の前記物体の画素輪郭マップとの間の推論のパターンを表すことと、
(b)サンプル画像内の推論パターンから検出した少なくとも1つの物体の画像を数値的に再構成して、物体にフォーカスが合っている場合に推論モジュールによって特定された物体を囲む輪郭マスクを作成することと、
(c)サンプル画像の少なくとも1つの部分を、サンプル画像の選択部分における少なくとも1つの物体に対して特定することと、
(d)、前記少なくとも1つの部分から物体の少なくとも1つの特徴を計算して、画像化装置が取り込んだサンプル画像の選択部分における物体を特定することと、
(e)サンプル画像の選択部分から、選択部分における検出した物体のカウント及びその濃度を計算することと
に適用及び適応される、任意の先行する実施形態の方法、デバイス、またはシステム。
(a)サンプル画像を受け取ることであって、サンプルはQMAXデバイス内に装着され、画像はQMAXデバイスに接続された画像化装置が取り込み、画像にはサンプル及びモニタリングマークの両方が含まれる、受け取ることと、
(b)画像を解析して微小特徴の量を計算することであって、解析では機械学習とモニタリングマークの画像によって得られる情報とに基づく検出モデルを用いる、計算することと
に適応される、任意の先行する実施形態の方法、デバイス、またはシステム。
第1のプレート、第2のプレート、表面増幅層、及び捕捉剤を含み、
(a)第1及び第2のプレートは、互いに対して移動して異なる構成になることができ、その対応する表面上に、標的検体を含むサンプルに接触するためのサンプル接触面積を有し、
(b)表面増幅層はサンプル接触面積の1つ上にあり、
(c)捕捉剤は表面増幅層上に固定化され、捕捉剤は標的検体に特異的に結合し、表面増幅層は標的検体または標的検体に取り付けられた標識からの光信号を、それらが表面増幅層の付近にあるときに、それらがミクロン以上離れているときよりもはるかに大きく増幅し、
構成の1つは開構成であり、2つのプレートの内面間の平均間隔は少なくとも200umであり、
構成のもう一つは閉構成であり、サンプルの少なくとも一部は2つのプレート間にあり、プレートの内面間の平均間隔は200um未満である、デバイス。
第1のプレート、第2のプレート、表面増幅層、及び捕捉剤を含み、
(a)第1及び第2のプレートは、互いに対して移動して異なる構成になることができ、その対応する表面上に、標的検体を含むサンプルに接触するためのサンプル接触面積を有し、
(b)表面増幅層はサンプル接触面積の1つ上にあり、
(c)捕捉剤は表面増幅層上に固定化され、捕捉剤は標的検体に特異的に結合し、
表面増幅層は標的検体に取り付けられた標識からの光信号を、それが表面増幅層の付近にあるときに、それがミクロン以上離れているときよりもはるかに大きく増幅し、構成の1つは開構成であり、2つのプレートの内面間の平均間隔は少なくとも200umであり、
構成のもう一つは閉構成であり、サンプルの少なくとも一部は2つのプレート間にあり、プレートの内面間の平均間隔は200um未満であり、
閉構成におけるサンプルの厚さ、閉構成においてサンプルに溶解した標識の濃度、及び表面増幅層の増幅率は、捕捉剤に直接または間接的に結合された任意の標識が閉構成において未結合標識を洗い流すことなく見えるように、構成されている、デバイス。
任意の先行する実施形態のいずれかのデバイスを取得することと、
プレートが開構成にあるときにサンプルを一方または両方のプレート上に堆積させることと、
プレートを閉じて閉構成にすることと、
サンプル接触面積を読み取りデバイスを用いて読み取って信号の画像を形成することと
によって行う、任意の先行する実施形態の方法。
本発明では、いくつかの実施形態において、マークはスペーサと同じ形状を有する。
本発明では、いくつかの実施形態において、画像化アッセイに対する光学システはム「限定された画像化光学系」を有している。限定された画像化光学系のいくつかの実施形態には、限定することなく、以下が含まれる。
1.限定された画像化光学系システムであって、
結像レンズと、
画像化センサと、を含み、
画像化センサはスマートフォンのカメラの一部であり、
結像レンズの少なくとも1つはスマートフォンのカメラの一部である、限定された画像化光学系システム。
2.物理による光学解像度が、1um、2um、3um、5um、10um、50umよりも悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
3.物理による光学解像度が、1um、2um、3um、5um、10um、50umよりも悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
4.物理あたりの好ましい光学解像度は1um〜3umである任意の先行する実施形態の限定された画像化光学系システム。
5.開口数が1、0.15、0.2、0.2、0.25、0.3、0.35、0.4、0.45、0.5未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
6.好ましい開口数は0.2〜0.25である任意の先行する実施形態の限定された画像化光学系システム。
7.作動距離が0.2mm、0.5mm、1mm、2mm、5mm、10mm、20mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
8.作動距離が0.2mm、0.5mm、1mm、2mm、5mm、10mm、20mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
9.好ましい作動距離は0.5mm〜1mmである任意の先行する実施形態の限定された画像化光学系システム。
10.焦点深度が100nm、500nm、1um、2um、10um、100um、1mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
11.焦点深度が100nm、500nm、1um、2um、10um、100um、1mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
12.画像センサはスマートフォンカメラモジュールの一部である任意の先行する実施形態の限定された画像化光学系システム。
13.画像センサの対角長さは、1インチ、1/2インチ、1/3インチ、1/4インチ未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
14.結像レンズは少なくとも2つのレンズを含み、1つのレンズはスマートフォンのカメラモジュールの一部である任意の先行する実施形態の限定された画像化光学系システム。
15.少なくとも1つの外部レンズはスマートフォンの内部レンズと対になっている任意の先行する実施形態の限定された画像化光学系システム。
16.外部レンズの光軸はスマートフォンの内部レンズと位置合わせされており、位置合わせ許容範囲は、0.1mm、0.2mm、0.5mm、1mm未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
17.外部レンズの高さは、2mm、5mm、10mm、15mm、20m未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
18.外部レンズの好ましい高さは3mm〜8mmである任意の先行する実施形態の限定された画像化光学系システム。
19.外部レンズの好ましい高さは3mm〜8mmである任意の先行する実施形態の限定された画像化光学系システム。
20.外部レンズの直径が、2mm、4mm、8mm、10mm、15mm、20mm未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
21.物理あたりの光学倍率が、0.1X、0.5X、1X、2X、4X、5X、10X未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
22.物理あたりの好ましい光学倍率は0.1X、0.5X、1X、2X、4X、5X、10X未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
本発明では、いくつかの実施形態において、画像化アッセイに対するサンプル位置決めシステムが「限定されたサンプル操作」を有している。限定されたサンプル操作のいくつかの実施形態には、限定することなく、以下が含まれる。
1.限定されたサンプル操作システムであって、
サンプルホルダを含み、
サンプルホルダはサンプルカードを収容するための容器を有する限定されたサンプル操作システム。
2.光軸に沿った方向でサンプルを位置決めする精度は、0.1um、1um、10um、100um、1mmより悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定されたサンプル操作システム。
3.光軸に沿った方向でサンプルを位置決めする好ましい精度は50um〜200umである任意の先行する実施形態の限定されたサンプル操作システム。
4.光軸に垂直な平面内でサンプルを位置決めする精度は、0.01um、0.1um、1um、10um、100um、1mmより悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定されたサンプル操作システム。
5.光軸に垂直な平面内でサンプルを位置決めする好ましい精度は100um〜1mmである任意の先行する実施形態の限定されたサンプル操作システム。
6.サンプルカードを位置決めするレベル誤差は、0.01度、0.1度、0.5度、1度、10度より悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定されたサンプル操作システム。
7.サンプルカードを位置決めする好ましいレベル誤差は0.5度〜10度である任意の先行する実施形態の限定されたサンプル操作システム。
8.サンプルカードを位置決めする好ましいレベル誤差は0.5度〜10度である任意の先行する実施形態の限定されたサンプル操作システム。
用語「鋭い光学的エッジ」は、以下の特性を伴う特定の光学システムが取り込んだ画像内の物体のエッジまたは境界を指す。画像内の物体のエッジまたは境界において、光強度(R、G、B、グレー、色相、輝度を含むが、これらに限定されない)が場所に対して大きく変化する。たとえば、定量的には、図19に示すように、境界において、規格化強度が90%から10%まで減少する距離(X90%)は、このような光学システムによる画像内の物体の長さの5%未満でなければならない。言い換えれば、境界勾配=90%/X90%>1800%/物体の長さである。鋭いエッジの例は、平坦な頂部とほぼ90度の側壁とを有するピラースペーサのエッジである。鋭いエッジがない物体の例は球体である。
図7Aに、本発明のいくつかの実施形態で用いるサンプル保持デバイス、QMAXデバイス、及びそのモニタマーク、ピラーの実施形態を示す。QMAXデバイス内のピラーによって、サンプル保持デバイスの2つの平行なプレート間のギャップが均一になる。ギャップは狭く、検体がギャップ内で単層を形成する場合に検体のサイズに関連している。また、QMAXデバイス内のモニタリングマークはピラーの特別な形態であり、結果として、それらはサンプルによって浸漬されておらず、画像ベースのアッセイにおいて画像化装置によってサンプルとともに画像化することができる。
TLD及び真の体積推定に対する本発明のいくつかの実施形態では、モニタマーク(ピラー)を検出可能アンカーとして用いる。しかし、モニタリングマークの検出を、画像ベースのアッセイにおけるTLD推定に適した精度で行うのは難しい。その理由は、これらのモニタリングマークはサンプル保持デバイスの内部の検体に浸透して周りを囲まれているからである。それらは、レンズからの歪み、サンプル中の微小物体からの光回折、微視的レベルでの欠陥、フォーカシングの誤位置合わせ、サンプル画像内のノイズなどが原因で画像内で歪んでボケている。また画像化装置が汎用デバイスからのカメラ(たとえばスマートフォンからのカメラ)だとさらに難しくなる。なぜならば、このようなカメラは、いったん製造を離れると、専用のハードウェアによって較正されることはないからである。
(1)サンプルをサンプル保持デバイス(たとえば、QMAXデバイス)に装着することであって、既知の構成を伴うモニタマークがデバイス内に存在し、モニタマークはサンプル中に浸漬しておらず、画像化装置によって画像化することができる、装着すること。
(2)検体とモニタマークとを含むサンプル保持デバイス内のサンプルの画像を取り込むこと。
(3)サンプル画像内のモニタマークを検出するように機械学習(ML)モデルを構築及びトレーニングすること。
(4)(3)からの前記ML検出モデルを用いて、サンプル画像から、サンプル保持デバイス内のモニタマークを検出して場所を特定すること。
(5)(4)で検出したモニタマークからマークグリッドを作成すること。
(6)作成したモニタマークグリッドに基づいてホモグラフィ変換を計算すること。
(7)(6)からのホモグラフィ変換から、サンプル画像の真の横寸法を推定して保存すること。
(8)(7)から推定したTLDを以後の画像ベースのアッセイにおいて適用して検体の面積、サイズ、体積、及び濃度を決定すること。
(1)サンプルをサンプル保持デバイス(たとえば、QMAXデバイス)に装着することであって、デバイス内にモニタマークが存在し、モニタはサンプル中に浸漬しておらず、画像ベースのアッセイにおいて画像化装置によって画像化することができる、装着すること。
(2)検体とモニタマークとを含むサンプル保持デバイス内のサンプルの画像を取り込むこと。
(3)画像化装置が取り込んだサンプル画像からモニタリングマークを検出するために、機械学習(ML)モデルを構築及びトレーニングすること。
(4)画像化装置が取り込んだサンプル画像を非重複領域に分割すること。
(5)(3)のMLモデルを用いて、画像化装置が取り込んだサンプル画像からモニタマークを検出して場所を特定すること。
(6)局所領域で検出された4つを超える非共線のモニタマークを用いて各領域に対する領域ベースのマークグリッドを作成すること。
(7)画像化装置が取り込んだサンプル画像から検出したモニタマークに基づいて、(6)にないすべての領域に対してマークグリッドを形成すること。
(8)(6)の各領域に対して領域特定のホモグラフィ変換を、(6)で作成したその独自の領域ベースのマークグリッドに基づいて計算すること。
(9)(7)で作成したマークグリッドに基づいて、他のすべての領域に対してホモグラフィ変換を計算すること。
(10)(8)で生成した領域ベースのホモグラフィ変換に基づいて、(6)の各領域に対して領域ベースのTLDを推定すること。
(11)(9)からのホモグラフィ変換に基づいて、他の領域に対してTLDを推定すること。
(12)(10)及び(11)から推定したTLDを保存して、分割した領域上での以後の画像ベースのアッセイにおいて適用すること。
1.シャッタ速度
2.ISO
3.フォーカス(レンズ位置)
4.露出補正
5.ホワイトバランス:温度、色合い
6.ズーミング(倍率)
本発明のいくつかの実施形態では、画像処理/解析を、本発明におけるモニタリングマークを用いて適用して強化している。それらには、以下の画像処理アルゴリズム及び方法が含まれるが、これらに限定されない。
1.ヒストグラムベースの演算として以下が挙げられるが、これらに限定されない。
a.コントラストストレッチング
b.均等化
c.最小値フィルタ
d.中央値フィルタ
e.最大値フィルタ
2.数学ベースの演算としては以下が挙げられるが、これらに限定されない。
a.二項演算:NOT、OR、AND、XOR、SUBなど
b.算術ベースの演算:ADD、SUB、MUL、DIV、LOG、EXP、SQRT、TRIG、INVERTなど
3.空間及び周波数ドメイン両方における畳み込みベースの演算としては、フーリエ変換、DCT、整数変換、ウェーブレット変換などが挙げられるが、これらに限定されない。
4.平滑化演算としては以下が挙げられるが、これらに限定されない。
a.線形フィルタ:均一フィルタ、三角フィルタ、ガウシアンフィルタなど
b.非線形フィルタ:中間フィルタ、桑原フィルタなど
5.微分ベースの演算としては以下が挙げられるが、これらに限定されない。
a.一次微分:勾配フィルタ、基本的な微分フィルタ、プレヴィット勾配フィルタ、ソーベル勾配フィルタ、代替的な勾配フィルタ、ガウシアン勾配フィルタ、など
b.二次微分:基本的な二次微分フィルタ、周波数ドメインラプラシアン、ガウシアン二次微分フィルタ、代替的なラプラシアンフィルタ、勾配方向での二次微分(SDGD)フィルタなど
c.より高次数微分による他のフィルタなど
6.形態ベースの演算としては以下が挙げられるが、これらに限定されない。
a.拡張及び腐食
b.ブール型畳み込み
c.開閉
d.ヒットアンドミス演算
e.セグメンテーション及び輪郭
f.スケルトン
g.伝搬
h.グレー値形態処理:グレーレベル拡張、グレーレベル腐食、グレーレベル開口、グレーレベル閉鎖など
i.形態学的平滑化、形態学的勾配、形態学的ラプラシアンなど。
本発明のいくつかの実施形態では、画像処理/解析アルゴリズムを、モニタリングマークとともに用いてこれによって向上させている。それらには以下が含まれるが、これらに限定されない。
1.画像の向上及び復元としては以下が挙げられるが、これらに限定されない。
a.シャープニング及びアンシャープニング
b.ノイズ抑制
c.歪み抑制
2.画像セグメンテーションとしては以下が挙げられるが、これらに限定されない。
a.閾値化−固定閾値化、ヒストグラム由来の閾値化、ISOデータアルゴリズム、背景対称性アルゴリズム、三角アルゴリズム、など
b.エッジ発見−勾配ベースの手順、ゼロ交差ベースの手順、プラスベースの手順など
c.二値数学的形態−ソルトオアペッパーフィルタリング、孔を伴う物体の分離、物体内の孔の充填、境界接触物体の除去、エクソスケルトン、接触物体、など
d.グレー値数学形態−トップハット変換、適応性のある閾値化、局所的コントラストストレッチングなど
3.特徴抽出及びマッチングとしては以下が挙げられるが、これらに限定されない。
a.独立成分分析
b.ISOマップ
c.主成分分析及びカーネル主成分分析
d.潜在意味解析
e.最小二乗及び部分的最小二乗
f.多因子次元削減及び非線形次元削減
g.多重線形主成分分析
h.多重線形部分空間学習
i.半定値埋め込み
j.オートエンコーダ/デコーダ
4.物体検出、分類、及び場所特定。
5.画像理解。
本発明におけるモニタリングマークを使用することを用いて、微視的画像化におけるフォーカスを向上させる。詳細には、鋭いエッジを伴うモニタリングマークによって、特に弱光環境及び微視的画像化における特定のフォーカス設定のフォーカス状態を解析するためのフォーカス評価アルゴリズムに対する検出可能な(目に見える特徴)が得られる。画像ベースのアッセイの実施形態では、フォーカス評価アルゴリズムはオートフォーカス実施態様における中心である。
本発明では、いくつかの実施形態において、サンプル保持デバイスは、画像ベースのアッセイにおける微視的特徴を解析するためのいくつかの特別なモニタリングマークを伴う平坦面を有する。いくつかの典型的な実施形態を以下のように列記する。
機械学習を用いて、サンプル画像内の検体を検出するとともに、検体をそれらの場所に対して覆う境界ボックスを計算する1つの方法を、処理の推論プロセスにおいてトレーニングされた機械学習モデルを用いて行う。機械学習法を用いてサンプル画像内の検体を検出して場所を特定する別の方法は、画素レベルでのサンプル画像内の検体の注釈を伴う検出及びセグメンテーションモデルを構築及びトレーニングすることである。このアプローチでは、画像ベースのアッセイにおいて検体を覆う密な二値画素マスクを用いて、サンプル画像内の検体を検出して場所を特定することができる。
E−1.アッセイ及び画像化用のQMAXデバイス
本発明によれば、生物学的検体の検出及び場所特定用のデバイスとして、QMAXデバイス、画像化装置、及びコンピューティングユニットを含むものが開示されている。QMAXデバイス上で生物学的サンプルが疑われている。本開示によって、サンプルに含まれる検体のカウント及び場所を取得する。
開示した検体検出及び場所特定では機械学習深層学習を用いる。機械学習アルゴリズムは、データから学習することができるアルゴリズムである。機械学習のより厳密な定義は、「コンピュータプログラムがタスクT及び性能指標Pのあるクラスに対して経験Eから学習すると言われるのは、Tのタスクにおけるその性能(Pによって測定される)が経験Eによって向上する場合である」である。データから学習してデータを予測することができるアルゴリズムの研究及び構築を探索する。このようなアルゴリズムでは、サンプル入力からモデルを構築することを通してデータ駆動の予測または判定を行うことによって、厳密に静的なプログラム命令に従うことが打開される。
トレーニングステージでは、注釈付きトレーニングデータが畳み込みニューラルネットワーク内に送られる。畳み込みニューラルネットワークは、既知の格子状トポロジを有するデータを処理するための特殊な種類のニューラルネットワークである。例としては、時系列データ(一定の時間間隔でサンプルを取り込む1Dグリッドと考えられる)及び画像データ(2Dグリッドの画素と考えられる)が挙げられる。畳み込みネットワークは実際の応用においてかなりの成功を収めている。名称「畳み込みニューラルネットワーク」は、ネットワークが畳み込みと言われる数学演算を用いていることを示している。畳み込みは特殊な種類の線形動作である。畳み込みネットワークは単に、それらの層の少なくとも1つにおいて汎用行列乗算の代わりに畳み込みを用いるニューラルネットワークである。
予測ステージでは、入力画像に検出コンポーネントを適用し、続いて場所特定コンポーネントを適用する。予測ステージの出力は、サンプルに含まれる検体のカウントとともに各検体の場所である。
入力:
ヒートマップ
出力:
座位
座位←{}
ソート(ヒートマップ)
while(ヒートマップが空でない){
s←ポップ(ヒートマップ)
D←{半径Rを伴うsとしてのディスク中心}
ヒートマップ=ヒートマップ\D//ヒートマップからDを取り除く
座位にsを加える
}
・取り除く項目がxr、その前の項目がxp、その後の項目がxfであると仮定する。
・前の項目xpに対して、その後の項目を、取り除く項目の後の項目と再規定する。したがって、xpの後の項目は今度はxfとなる。
・取り除く項目xrに対して、その前の項目及び後の項目を規定しない。その結果、取り除く項目が、順序付きリストから取り除かれる。
・後の項目xfに対して、その前の項目を、取り除いた項目の前の項目に再規定する。したがって、xfの前の項目は今度はxpとなる。
入力:
s:出発地(x、y)
ヒートマップ
出力:
s:局所的なピークの場所
値>0の画素のみを考える。アルゴリズムカバー(s、ヒートマップ)
入力:
s:局所的なピークの場所
ヒートマップ:
出力:
カバー:ピークによってカバーされる画素の組:
これは、sから始まる幅優先探索アルゴリズムであり、訪問点の条件の一つが変更されいる。ヒートマップ[p]>0及びヒートマップ[p]<=ヒートマップ[q]の場合に、現在位置qの隣pをカバーに加えるだけである。したがって、カバー内の各画素には局所的なピークsに至る非下降経路がある。
入力:
ヒートマップ
出力:
座位
座位←{}
画素←{ヒートマップからのすべての画素}
while画素が空でない{
s←画素からの任意の画素
s←ローカルサーチ(s、ヒートマップ)//sは今度は局所的なピークである
sを囲む半径Rの局所領域を精査して、より良好な局所的なピークを探す
r←カバー(s、ヒートマップ)
画素←画素\r//カバー内のすべての画素を取り除く
座位にsを加える
EA1.データ分析用の深層学習の方法であって、
(f)テストサンプルの画像を受け取ることであって、サンプルはQMAXデバイス内に装着され、画像はQMAXデバイスに接続された画像化装置が取り込み、画像にはテストサンプル中の検体からの検出可能信号が含まれる、受け取ることと、
(g)検出モデルを用いて画像を解析して画像の2Dデータアレイを作成することであって、2Dデータアレイには画像内の各場所に対する検体の確率データが含まれ、検出モデルはトレーニングプロセスを通して設定され、トレーニングプロセスには、iii.注釈付きデータセットを畳み込みニューラルネットワークに供給することであって、注釈付きデータセットは、テストサンプルと同じタイプのサンプルからのもので、同じ検体に対するものである、供給することと、
iv.畳み込みによって検出モデルをトレーニングして設定することと、が含まれる、作成することと、
(h)2Dデータアレイを解析して、
iii.信号リストプロセスまたは
iv.局所的な検索プロセスを用いて、局所的な信号ピークを検出することと、
(i)局所的な信号ピーク情報に基づいて検体の量を計算することと、が含まれる方法。
QMAXデバイス、画像化装置、及びコンピューティングユニットを含み、
(a)QMAXデバイスは、テストサンプルの少なくとも一部を極めて均一な厚さの層に圧縮するように構成され、
(b)画像化装置は、均一な厚さの層においてサンプルの画像を形成するように構成され、画像にはテストサンプル中の検体からの検出可能信号が含まれ、
(c)コンピューティングユニットは、
i.画像化装置から画像を受け取ることと、
ii.検出モデルを用いて画像を解析して、画像の2Dデータアレイを作成することであって、2Dデータアレイには画像内の各場所に対する検体の確率データが含まれ、検出モデルはトレーニングプロセスを通して設定され、トレーニングプロセスには、
注釈付きデータセットを畳み込みニューラルネットワークに供給することであって、注釈付きデータセットは、テストサンプルと同じタイプのサンプルからのもので、同じ検体に対するものである、供給することと、
畳み込みによって検出モデルをトレーニングして設定することと、が含まれる作成することと、
iii.(c)2Dデータアレイを解析して、信号リストプロセスまたは局所的な検索プロセスを用いて局所的な信号ピークを検出することと、
iv.局所的な信号ピーク情報に基づいて検体の量を計算することと、を行うように構成される、システム。
i.2Dデータアレイから局所的なピークを反復的に検出し、検出した局所的なピークを囲む局所面積を計算し、検出ピークを取り除いて局所面積データを信号リストに順番に入れることによって、信号リストを設けることと、
ii.信号リストから最高信号を、また最高信号の周りから信号を順次かつ繰り返して取り除くことによって、局所的な信号ピークを検出することと、が含まれる実施形態EA1の方法。
i.ランダム点から始めることによって2Dデータアレイ内の極大値を探すことと、ii.ピークを囲むが値がより小さい局所面積を計算することと、
iii.2Dデータアレイから極大値と周囲のより小さい値とを取り除くことと、
iv.ステップi〜iiiを繰り返して局所的な信号ピークを検出することと、が含まれるEA実施形態の任意の実施形態の方法。
いくつかの実施形態では、アッセイの信頼性を向上させるための方法であって、(a)QMAXカード上のサンプルを画像化することと、
(b)エラー危険因子を分析することと、
(c)エラー危険因子が閾値よりも高い場合に、カードがカードの測定結果を報告することを拒否することと、を含み、
エラー危険因子は、以下の因子のうちの1つまたはそれらの任意の組み合わせである、方法。因子は以下であるが、これらに限定されない。(1)血液のエッジ、(2)血液中の気泡、(3)血液量が少なすぎるかまたは血液量が多すぎる、(4)スペーサの下の血球、(5)塊状の血球、(6)溶解した血球、(7)サンプル画像が露出過多である、(8)サンプル画像が露出不足である、(8)サンプルのフォーカスが不十分である、(9)間違ったレバー位置としての光学システムエラー、(10)カードが閉じていない、(11)スペーサがないカードとしての間違ったカード、(12)カード内のホコリ、(13)カード内のオイル、(14)カード上の焦点面から汚れが出ている、(15)カードが読取機の内部の正しい位置にない、(16)カードが空である、(17)カード内の製造エラー、(18)他の応用例に対する間違ったカード、(19)血液が乾燥している、(20)カードの有効期限が切れている、(21)血球の分布が大きく変化している、(22)血液サンプルではないかまたは標的血液サンプルではないなど。
閾値は機械学習から決定する。
モニタリングマークはエラー危険因子を特定するための対照として用いる。
モニタリングマークはエラー危険因子の閾値を評価するための対照として用いる。
例A1は、画像化ベースのアッセイを改善する装置を使用する方法である。方法には以下が含まれていてもよい。複数のモニタリング構造を含むサンプルホルダのサンプル画像を受け取ることであって、複数のモニタリング構造はサンプルホルダの少なくとも1つのプレートの接触面上に一体化され、複数のモニタリング構造はパターンに従って配置され、接触面は、複数の検体を含むサンプルと接触している、受け取ることと、機械学習モデルを用いてサンプル画像内の複数のモニタリング構造を検出することと、任意的に、検出した複数のモニタリング構造のエラー補正を、複数のモニタリング構造に付随する所定の構造特性を用いて行うことと、検出した複数のモニタリング構造に基づいて、サンプル画像に付随する真の横寸法値を決定することと、真の横寸法値に基づいて、サンプル画像内の検出した複数のモニタリング構造の場所と、サンプルホルダに関係づけられる実際の画像プランにおける複数のモニタリング構造に対する所定の分布パターンとの間のホモグラフィ変換を決定することと、ホモグラフィ変換に基づいて、複数の検体を含むサンプル画像を実際の画像プランにおける対応する斜視図に変換することと、サンプル画像内の複数の検体の少なくとも1つに付随する少なくとも1つの形態的特性を計算すること。
a)複数のモニタリング構造を含むサンプルホルダのサンプル画像を受け取ることであって、複数のモニタリング構造は、サンプルホルダの少なくとも1つのプレートの接触面上に一体化され、複数のモニタリング構造はパターンに従って配置され、接触面は複数の検体を含むサンプルと接触している、受け取ることと、
b)機械学習モデルを用いてサンプル画像内の複数のモニタリング構造を検出することと、
c)検出した複数のモニタリング構造のエラー補正を、複数のモニタリング構造に付随する所定の構造特性を用いて行うことと、
d)検出した複数のモニタリング構造に基づいて、サンプル画像に付随する真の横寸法値を決定することと、
e)真の横寸法値に基づいて、サンプル画像内の検出した複数のモニタリング構造の場所と、サンプルホルダに関係づけられる実際の画像プランにおける複数のモニタリング構造に対する所定の分布パターンとの間のホモグラフィ変換を決定することと、f)ホモグラフィ変換に基づいて、複数の検体を含むサンプル画像を実際の画像プランにおける対応する斜視図に変換することと、
g)サンプル画像内の複数の検体の少なくとも1つに付随する少なくとも1つの形態的特性を計算することと、を含む方法。
少なくとも4つの非共線点を含む複数のモニタリング構造の検出した中心に基づいてホモグラフィ変換を決定することと、をさらに含むA1の方法。
a)サンプル保持デバイス内のアッセイング用のサンプルの画像を取り込むことであって、サンプル保持デバイスはA1(a)に記載したものであり、サンプル保持デバイス内のサンプルは既知の均一な高さを含み、検体は対象面積内で単層を形成する、取り込むことと、
b)(a)からのサンプル画像のTLD/FoVを推定して、結果として、画像ベースのアッセイングにおける面積、サイズ、及び体積を得ることと、
c)アッセイング用サンプルの画像内での気泡またはホコリを含む欠陥を検出して、トレーニングされた機械学習モデルによってサンプル中のこれらの欠陥の画像をセグメント化することと、
d)サンプル画像内のセグメント化された欠陥の全面積を推定して、(b)から推定したTLD/FoVを用いてそれらの実際の面積サイズを計算することと、
e)(d)からの面積推定値とサンプル保持デバイス内のサンプルの既知の高さとにより、アッセイング用サンプルの画像内の検出した欠陥の全表面積に対応するサンプルの実際の体積を推定することと、
f)アッセイング用サンプルの画像内の検出した欠陥の表面積を取り除き、残りのサンプルの全体積を、検出した欠陥の表面積の下の全体積に対応する(e)から欠陥体積推定値を差し引くことによって更新することと、
g)更新したサンプル画像の選択面積とマイクロ選択的画像アッセイングに対する(f)からの更新したサンプル体積とに対して、画像ベースのアッセイングを行うことと、を含む方法。
a)気泡及びホコリを含むサンプル中の欠陥の分布と、
b)アッセイング用サンプルの画像内でのピラー及びモニタリングマーク及び他の人工物の場所と、
c)アッセイング用サンプルの画像内での検体の分布及び状態(たとえば、検体クラスタリングの状態及びフォーカシング状態)を含む他の選択基準に基づくA4の方法。
a)サンプル保持デバイス内の欠落しているピラーまたは壊れたピラーを検出することであって、欠落しているピラーまたは壊れたピラーはアッセイングに対する有効なサンプル体積に影響する、検出することと、
b)ピラーまたはモニタリングマーク上の物体または検体を検出することであって、物体または検体は、サンプル保持デバイス内のサンプルの高さ及び結果としてアッセイング用のサンプルの有効な体積に影響する、検出することと、
c)サンプル画像内の気泡及びホコリを検出して、アッセイング操作における欠点またはサンプル保持デバイス内の欠陥を示すことと、を含む方法。
別に定義がない限り、本明細書で用いる技術及び科学用語はすべて、本開示が属する技術分野において通常の知識を有する者によって広く理解されるものと同じ意味を有する。本教示を実施または試験する際に、本明細書で説明したものと同様または同等である任意の方法及び材料を用いることもできるが、ここではいくつかの典型的な方法及び材料について説明する。
本出願は、米国特許仮出願第62/719,129号(2018年8月16日に出願)及び米国特許仮出願第62/764,886号(2018年8月16年に出願)の優先権の利益を主張する。これらの内容を基にしており、それらはその全体において参照により本明細書に組み込まれている。本明細書で述べる任意の刊行物または特許文献の全体の開示は、参照により全体的に組み込まれている。
とりわけ、本発明は、生物学的及び化学的アッセイ、コンピューテーショナル画像化、人工知能、及び機械学習を行うデバイス及び方法に関する。
生物学的及び化学的アッセイ(全血球計算を含む)において、精度は極めて重要である。しかし、器具の使用及び動作においてエラーは避けられない。特に、低コスト器具を用いるとき及びリソースが限られた状態においてそうである。本発明では、とりわけ、サンプルにおける画像ベースの生物学的/化学的アッセイングの精度を向上させるためのデバイス及び方法を提供する。
以下の概要では、本発明のすべての特徴及び態様を含むことは意図していない。
(a)互いに面する第1のプレート及び第2のプレートと、一方または両方のプレートのサンプル接触面上の複数のモニタリング構造とを含むサンプルホルダを有することであって、モニタリング構造は、幾何学的及び/または光学的特性の少なくとも1つの予めデザインされた所定のパラメータを有し、サンプル接触面はサンプルと接触する、有することと、
(b)検体を含むかまたは含むと疑われるサンプルを2つのプレートの対応するサンプル接触面の間に挟んで200um厚以下の薄層を形成することであって、サンプル接触面上のサンプルを試薬と混合して反応させ、挟むこと、混合させること、または反応させることはエラーの影響を受けやすい、形成することと、
(c)画像化装置を用いて、サンプルとサンプル接触領域上のモニタリング構造とを同時に画像化することであって、画像化装置は画像化における欠陥の影響を受けやすく、画像化動作はエラーの影響を受けやすい、画像化することと、
(d)ステップ(c)で取り込んだ画像をアルゴリズムを用いて解析して、検体に関係するパラメータを検出することであって、解析には、画像を、少なくとも1つの予めデザインされた所定のパラメータと比較することと、少なくとも1つの予めデザインされた所定のパラメータを用いて欠陥及びエラーを検出及び/または補正することとが含まれる、検出することと、を含む方法。
[本発明1001]
画像処理及び機械学習を用いた携帯型アッセイング(QMAXカード付き)の方法及び装置−濃度推定(CBC)、セグメンテーションなどに対する例。
AA−1.
薄層サンプルを含む画像システムのシステムエラーを補正するための方法であって、
前記画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードに付随する画像及び第1のパラメータを受け取ることと、
前記処理装置によって、第1の機械学習モデルを用いることによって、前記画像システムの前記システムエラーを、前記第1のパラメータを前記サンプルカードの製造中に決定される前記モニタ基準に付随する第2のパラメータと比較することによって決定することと、
前記処理装置によって、前記システムエラーを考慮して前記サンプルカードの前記画像を補正することと、
前記処理装置によって、前記補正した画像を用いることによって、前記サンプルの生物学的特性を決定することと
を含む、前記方法。
[本発明1002]
AA−2.
前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、例AA−1の方法。
[本発明1003]
AA−3.
前記サンプルは、動物から収集した生物学的サンプルである、例AA−1の方法。
[本発明1004]
ピラーを用いたTLD(FoV)推定と、マーカー(ピラー)を用いてQカードの前記画像化からの画像補正を行うことに対する例
BA−1.
インテリジェントアッセイモニタ方法であって、
サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を、処理装置によって受け取ることと、
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記処理装置によって、前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記処理装置によって、前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記処理装置によって、前記補正した画像を用いることによって、前記生物学的サンプルの生物学的特性を決定することと
を含む、前記インテリジェントアッセイモニタ方法。
[本発明1005]
BA−2.
前記サンプルカードには、第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、が含まれる、例BA−1の方法。
[本発明1006]
BA−3.
前記複数のモニタマークは前記複数のピラーに対応する、例BA−2の方法。
[本発明1007]
BA−4.
前記複数のピラーのうち少なくとも2つが真の横寸法(TLD)によって分離され、
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することには、前記処理装置によって、前記画像に対して前記第1の機械学習モデルを実行することによって、前記TLDを決定することが含まれる、
例BA−3の方法。
[本発明1008]
BB−1.
画像システムであって、
第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、を含むサンプルカードと、
コンピューティングデバイスと
を含み、
前記コンピューティングデバイスは、
光学センサに通信可能に結合された処理装置を含み、前記処理装置は、
前記光学センサから、前記サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を受け取ることと、
前記画像に対して第1の機械学習モデルを用いることによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記補正した画像に基づいて、前記生物学的サンプルの生物学的特性を決定することと
を行う、
前記画像システム。
[本発明1009]
アッセイングにおける前記カードの不適切な閉検出に対するピラー上の物体の検出に対する例
CA−1.
薄層サンプルのアッセイ画像に記録された人間操作エラーを補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルカードの第1のプレート上に一体化された複数のナノ構造が含まれ、前記サンプルは、前記サンプルカードの開構成において前記第1のプレート上に堆積され、前記サンプルカードの閉構成において前記サンプルカードの第2のプレートによって囲まれる、前記受け取ることと、
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノ構造に対応する第2のサブ領域とにセグメント化することと、
前記処理装置によって、前記第2のサブ領域を、前記サンプルの製造中に与えられる前記モニタ基準と比較して、前記第2のサブ領域のうちの少なくとも1つに前記ナノ構造以外の異物が含まれるか否かを判定することと、
前記第2のサブ領域のうちの少なくとも1つに前記ナノ構造以外の異物が含まれるという決定に応じて、前記サンプルカードの操作に付随するエラーを決定することと、
前記画像から前記少なくとも1つのサブ領域を取り除くことによって前記サンプルカードの前記画像を補正することと
を含む、前記方法。
[本発明1010]
CA−2.
前記異物は前記サンプルの一部、気泡、または不純物のうちの1つである、例CA−1の方法。
[本発明1011]
アッセイングにおける欠陥(たとえば気泡、ホコリなど)及び補助構造(たとえば、ピラー)除去に対する例
DA−1.
薄層サンプルカード内のサンプルの体積を測定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに垂直に一体化された複数のピラーが含まれ、前記複数の各ピラーは高さ(H)が実質的に同一である、前記受け取ることと、
前記処理装置によって、機械学習モデルを用いることによって、複数の無サンプルサブ領域を決定することであって、前記複数の無サンプルサブ領域は、ピラー、気泡、または不純物要素のうちの少なくとも1つに対応する、前記決定することと、
前記処理装置によって、前記画像から前記複数の無サンプルサブ領域を取り除くことによって前記サンプルによって占有された面積を計算することと、
前記処理装置によって、前記計算した面積及び前記高さ(H)に基づいて前記サンプルの体積を計算することと、
前記処理装置によって、前記体積に基づいて、前記サンプルの生物学的特性を決定することと
を含む、前記方法。
[本発明1012]
ESX105信頼(1028_03)に対する例−アッセイ結果の信頼を判断するために用いる
a.MLベースの境界ボックス検出と画像処理ベースの形状決定とを結合する形状セグメンテーション
b.アッセイングにおける検体検出の一様性(IQRベースの外れ値検出)
c.MLを用いた塊状検体検出
d.MLを用いたカード上の乾燥テクスチャ検出
e.MLを用いた欠陥(たとえば、ホコリ、オイルなど)検出
f.MLを用いた気泡検出
EA−1.
画像アッセイ結果に付随する信頼価値測定値を決定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに一体化された複数のナノ構造が含まれる、前記受け取ることと、
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノ構造に対応する第2のサブ領域とにセグメント化することと、
前記処理装置によって、第1の機械学習モデルを用いることによって、前記第1のサブ領域または前記第2のサブ領域のうちの少なくとも1つにおける不適合な要素を決定することと、
前記処理装置によって、前記第1のサブ領域及び前記第2のサブ領域に基づいて、前記サンプルの生物学的特性を決定することと、
前記処理装置によって、前記不適合な要素の統計分析に基づいて、前記生物学的特性に付随する前記信頼価値測定値を計算することと、
前記処理装置によって、前記信頼価値測定値に基づいて、前記サンプルに対するさらなる操作を決定することと
を含む、前記方法。
[本発明1013]
EA−2.
前記処理装置によって、前記信頼価値測定値に基づいて、前記生物学的特性は信頼性が高いと判定することと、
前記処理装置によって、前記生物学的特性を表示デバイスに送ることと
をさらに含む、例EA−1の方法。
[本発明1014]
EA−3.
前記処理装置によって、前記信頼価値測定値に基づいて、前記生物学的特性はそれほど信頼性は高くないと判定することと、
前記処理装置によって、前記生物学的特性及び前記対応する信頼価値測定値を表示デバイスに送って前記生物学的特性を受け入れるか廃棄するかをユーザが判定できるようにすることと
をさらに含む、例EA−1の方法。
[本発明1015]
EA−4.
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノ構造に対応する第2のサブ領域とにセグメント化すること、
前記処理装置によって、画像処理方法を用いることによって、前記画像に対して第1の画像セグメンテーションを行うことによって、第1のセグメンテーション結果を生成することと、
前記処理装置によって、第2の機械学習モデルを用いることによって、前記画像に対して第2の画像セグメンテーションを行うことによって、第2のセグメンテーション結果を生成することと、
前記処理装置によって、前記第1のセグメンテーション結果と前記第2のセグメンテーション結果とを結合することによって、前記画像を、前記サンプルに対応する前記第1のサブ領域と前記複数のナノ構造に対応する前記第2のサブ領域とにセグメント化すること
、
例EA−1の方法。
[本発明1016]
EA−5.
前記処理装置によって、第1の機械学習モデルを用いることによって、前記第1のサブ領域または前記第2のサブ領域のうちの少なくとも1つにおける不適合な要素を決定することには、
前記処理装置によって、前記サンプル中の少なくとも1つの検体の分布不均一に基づいて、前記不適合要素を決定すること、
前記処理装置によって、前記サンプルの塊状検体検出に基づいて、前記不適合要素を決定すること、
前記処理装置によって、前記サンプル中の乾燥テクスチャの検出に基づいて、前記不適合要素を決定すること、
前記処理装置によって、前記サンプル中の不純物の検出に基づいて、前記不適合要素を決定すること、または
前記処理装置によって、前記サンプル中の気泡の検出に基づいて、前記不適合要素を決定すること
のうちの少なくとも1つが含まれる、例EA−1の方法。
[本発明1017]
セグメンテーションに基づく中身を伴う単一カードに対するマルチセグメント化された試験に対する例
FA−1.
単一のサンプルカードを用いて複数の検体の測定値を決定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに一体化された複数のナノ構造が含まれる、前記受け取ることと、
前記処理装置によって、第1の機械学習モデルを用いることによって、前記画像を、前記サンプルに含まれる第1の検体に付随する第1のサブ領域と、前記サンプルに含まれる第2の検体に付随する第2の領域と、前記複数のナノ構造に対応する第3のサブ領域とにセグメント化することと、
前記処理装置によって、前記複数のナノ構造に対応する前記第3のサブ領域に基づいて、2つの隣接するナノ構造間の真の横方向距離(TLD)を決定することと、
前記処理装置によって、前記TLDに基づいて、前記第1のサブ領域の第1の累積面積を決定し、さらに前記第1の累積面積と前記複数のナノ構造に付随する高さとに基づいて第1の体積を決定することと、
前記処理装置によって、前記TLDに基づいて、前記サブ領域の第2の累積面積を決定し、さらに前記第2の累積面積と前記複数のナノ構造に付随する高さとに基づいて第2の体積を決定することと、
前記処理装置によって、前記第1の体積内の前記第1の検体のカウントに基づいて、前記第1の検体の第1の測定値を決定することと、
前記処理装置によって、前記第2の体積内の前記第2の検体のカウントに基づいて、前記第2の検体の第2の測定値を決定することと
を含む、前記方法。
[本発明1018]
ピラーベースの分光光度計のシステム及び装置に対する例
GA−1.
複数のナノピラーを含むサンプルカード内に与えられたサンプルの生物学的特性を測定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに一体化された複数のナノ構造が含まれる、前記受け取ることと、
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノピラーに対応する第2のサブ領域とにセグメント化することと、
前記処理装置によって、前記第1のサブ領域の第1の分光光度測定値を決定することと、
前記処理装置によって、前記第2のサブ領域の第2の分光光度測定値を決定することと、
前記処理装置によって、前記第1の分光光度測定値と第2の分光光度測定値との間の比に基づいて、前記サンプルの生物学的特性を決定することと
を含む、方法。
[本発明1019]
大量の小さくて繰り返される物体の標識化に対する例
HA−1.
トレーニングデータを作成するために画像内の複数の物体を標識化するための方法であって、
処理装置によって、グラフィックユーザインターフェースにおける前記画像を受け取ることと、
前記処理装置によって、前記グラフィックユーザインターフェースを通して、前記画像内の位置の選択を受け取ることと、
前記処理装置によって、前記位置の近くの複数の画素に基づいて、前記位置を囲む境界ボックスを計算することと、
前記処理装置によって、前記グラフィックユーザインターフェースにおける前記画像に重ねられた前記境界ボックスの表示をもたらすことと、
ユーザ確認を受け取ることに応じて、前記境界ボックス内の領域をトレーニングデータとして標識化することと
を含む、前記方法。
[本発明1020]
IA−1.
アッセイ画像を作成するための方法であって、
複数のマーカー要素を含むサンプルカードを用意することと、
開構成の前記サンプルカードの第1のプレート上にサンプルを堆積させることと、
前記サンプルカードを閉じて、前記サンプルカードの第2のプレートを前記第1のプレートに対して押して、閉構成にすることであって、前記閉構成にある前記第1のプレート及び前記第2のプレートは、略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む薄層を形成する、前記閉構成にすることと、
処理装置と命令を記憶する非一時的な記憶媒体とを含む画像システムを用意することであって、前記命令は前記処理装置によって実行されると、
略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む前記サンプルカードの画像を取り込むことと、
前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの非理想因子を決定することと、
前記非理想因子を補正するように前記サンプルカードの前記画像を処理することと
を行う、前記用意することと
を含む、前記方法。
[本発明1021]
IB−1.
アッセイ画像を作成するための方法であって、
複数のマーカー要素を含むサンプルカードを用意することと、
開構成の前記サンプルカードの第1のプレート上にサンプルを堆積させることと、
前記サンプルカードを閉じて、前記サンプルカードの第2のプレートを前記第1のプレートに対して押して、閉構成にすることであって、前記閉構成にある前記第1のプレート及び前記第2のプレートは、略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む薄層を形成する、前記閉構成にすることと、
処理装置と命令を記憶する非一時的な記憶媒体とを含む画像システムを用意することであって、前記命令は前記処理装置によって実行されると、
略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む前記サンプルカードの画像を取り込むことと、
前記画像を複数のサブ領域に分割することと、
機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記第1のサブ領域を適合していると標識化することと、
前記画像の前記適合しているサブ領域を用いてアッセイ分析を実行することと
を行う、前記用意することと
を含む、前記方法。
[本発明1022]
IC−1.
画像システムの非理想因子を補正するための方法であって、
前記画像システムの処理装置によって、サンプルカードの画像を受け取ることであって、前記サンプルカードには、前記サンプルカードのプレート上に堆積された略均一な層のサンプルと前記サンプルカードに付随する複数のマーカー要素とが含まれる、前記受け取ることと、
前記処理装置によって、前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの前記非理想因子を決定することと、
前記サンプルカードの前記画像を処理して前記非理想因子を補正することと
を含む、前記方法。
[本発明1023]
ID−1.
画像システムの非理想因子を補正するための方法であって、
前記画像システムの処理装置によって、サンプルカードの画像を受け取ることであって、前記サンプルカードには、前記サンプルカードのプレート上に堆積された略均一な層のサンプルと前記サンプルカードに付随する複数のマーカー要素とが含まれる、前記受け取ることと、
前記処理装置によって、前記画像を複数のサブ領域に分割することと、
前記処理装置によって、機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記処理装置によって、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記処理装置によって、前記第1のサブ領域を適合していると標識化することと、
前記処理装置によって、前記画像の前記適合しているサブ領域を用いてアッセイ分析を行うことと
を含む、前記方法。
[本発明1024]
IE−1.
画像システムであって、
第1のプレート、第2のプレート、及び複数のマーカー要素を含むサンプルカードを保持するアダプタと、
前記アダプタに結合されたモバイルコンピューティングデバイスと
を含み、
前記モバイルコンピューティングデバイスは、
前記複数のマーカー要素及び前記サンプルカードの画像を取り込む光学センサであって、前記サンプルカードには、前記サンプルカードの前記第1のプレートと前記第2のプレートとの間に堆積された略均一な層のサンプルが含まれる、前記光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ前記画像を受け取ることと、
前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの非理想因子を決定することと、
前記非理想因子を補正するように前記サンプルカードの前記画像を処理することと
を行う、
前記画像システム。
[本発明1025]
IF−1.
画像システムであって、
第1のプレート、第2のプレート、及び複数のマーカー要素を含むサンプルカードを保持するアダプタと、
前記アダプタに結合されたモバイルコンピューティングデバイスと
を含み、
前記モバイルコンピューティングデバイスは、
前記複数のマーカー要素及び前記サンプルカードの画像を取り込む光学センサであって、前記サンプルカードには、前記サンプルカードの前記第1のプレートと前記第2のプレートとの間に堆積された略均一な層のサンプルが含まれる、前記光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ前記画像を受け取ることと、
前記画像を複数のサブ領域に分割することと、
機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記第1のサブ領域を適合していると標識化することと、
前記画像の前記適合しているサブ領域を用いてアッセイ分析を実行することと
を行う、
前記画像システム。
[本発明1026]
IG−1.
モバイル画像化デバイスであって、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ画像を受け取ることであって、前記画像には、複数のマーカー要素と、サンプルカードの第1のプレートと第2のプレートとの間に堆積された略均一な層のサンプルとが含まれる、前記受け取ることと、
前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの非理想因子を決定することと、
前記非理想因子を補正するように前記サンプルカードの前記画像を処理することと
を行う、
前記モバイル画像化デバイス。
[本発明1027]
IH−1.
モバイル画像化デバイスであって、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ前記画像を受け取ることであって、前記画像には、複数のマーカー要素と、サンプルカードの第1のプレートと第2のプレートとの間に堆積された略均一な層のサンプルとが含まれる、前記受け取ることと、
前記画像を複数のサブ領域に分割することと、
機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記第1のサブ領域を適合していると標識化することと、
前記画像の前記適合しているサブ領域を用いてアッセイ分析を実行することと
を行う、
前記モバイル画像化デバイス。
[本発明1028]
II−1.
インテリジェントアッセイモニタ方法であって、
サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を、処理装置によって受け取ることと、
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記処理装置によって、前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記処理装置によって、前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記処理装置によって、前記補正した画像を用いることによって、前記生物学的サンプルの生物学的特性を決定することと
を含む、前記インテリジェントアッセイモニタ方法。
[本発明1029]
II−2.
前記サンプルカードには、第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、が含まれる、例II−1の方法。
[本発明1030]
II−3.
前記複数のモニタマークは前記複数のピラーに対応する、発明II−2の方法。
[本発明1031]
II−4.
前記複数のモニタマークは、前記第1のプレートまたは前記第2のプレートの少なくとも一方内に与えられる、発明II−2の方法。
[本発明1032]
II−5.
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する前記幾何学的特徴の前記測定値を決定することには、
前記処理装置によって、第1の機械学習モデルを実行することによって、前記画像から前記複数のモニタマークを特定することと、
前記処理装置によって、前記特定した複数のモニタマークに基づいて、前記幾何学的特徴の前記測定値を決定することと
がさらに含まれる、II−1の方法。
[本発明1033]
II−6.
前記処理装置によって、前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の前記変化を決定することには、
前記処理装置によって、システムエラーまたは人間操作エラーの一方を決定することと、
前記システムエラーまたは前記人間操作エラーの前記決定した一方を、前記処理装置に付随する表示デバイス上に示すことと
がさらに含まれる、請求項II−1の方法。
[本発明1034]
II−7.
画像システムであって、
第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、を含むサンプルカードと、
コンピューティングデバイスと
を含み、
前記コンピューティングデバイスは、光学センサに通信可能に結合された処理装置を含み、
前記処理装置は、
前記光学センサから、前記サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を受け取ることと、
前記画像に対して第1の機械学習モデルを用いることによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記補正した画像に基づいて、前記生物学的サンプルの生物学的特性を決定することと
を行う、
前記画像システム。
[本発明1035]
IJ−1.
薄層サンプルのアッセイ画像における非理想因子を補正するための方法であって、
モニタ基準を含むサンプルカードであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含む、前記サンプルカードを用意することと、
前記サンプルカードの前記プレート上にサンプルを堆積させることと、
処理装置と命令を記憶する非一時的な記憶媒体とを含む画像システムを用意することであって、前記命令は前記処理装置によって実行されると、
前記サンプルと前記モニタ基準とを含む前記サンプルカードの画像を取り込むことと、
前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、前記用意することと
を含む、前記方法。
[本発明1036]
IJ−2.
薄層サンプルのアッセイ画像における非理想因子を補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を含む、前記方法。
[本発明1037]
IJ−3.
薄層サンプルのアッセイ画像における非理想因子を補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、機械学習モデルを用いて、前記画像システムの非理想因子を決定することであって、前記サンプルカードの画像を前記サンプルカードの製造中に決定される前記モニタ基準の幾何学的値と比較することによって、前記機械学習モデルをトレーニングする、前記決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を含む、前記方法。
[本発明1038]
IJ−4.
モバイル画像化デバイスであって、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記モバイル画像化システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、
前記モバイル画像化デバイス。
[本発明1039]
IJ−5.
画像システムであって、
モニタ基準を含むサンプルカードを保持するアダプタであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、サンプルは前記プレート上に堆積されている、前記アダプタと、
前記アダプタに結合されたモバイルコンピューティングデバイスと
を含み、
前記モバイルデバイスは、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記サンプルカードの画像を受け取ることと、
前記プレート上に堆積された前記サンプルを含むサンプルカードの前記画像を、前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、
前記画像システム。
[本発明1040]
IJ−6.
サンプルカードであって、
前記サンプルカードのプレート上に複数のナノ構造を含むモニタ基準であって、サンプルは前記プレート上に堆積され、前記サンプルカードを、処理装置と光学センサとを含む画像システムに結合されたアダプタに差し込んで、前記サンプルカードの画像を取り込む、前記モニタ基準を含み、
前記処理装置は、
前記サンプルカードの前記画像を受け取ることと、
前記プレート上に堆積された前記サンプルを含むサンプルカードの前記画像を、前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、
前記サンプルカード。
[本発明1041]
IJ−7.
薄層サンプルを含む画像システムのシステムエラーを補正するための方法であって、
前記画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードに付随する画像及び第1のパラメータを受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、前記第1のパラメータを前記サンプルカードの製造中に決定される前記モニタ基準に付随する第2のパラメータと比較することによって、前記画像システムの前記システムエラーを決定することと、
前記システムエラーを考慮して前記サンプルカードの前記画像を補正することと
を含む、前記方法。
[本発明1042]
IJ−8.
薄層サンプルのアッセイ画像に記録された人間操作エラーを補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、機械学習モデルを用いて、前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像内に反映された人間操作エラーを決定することであって、前記人間操作エラーには前記画像システムの取り扱いミスが含まれる、前記決定することと、
前記画像内に反映された前記人間操作エラーを取り除くことによって前記サンプルカードの前記画像を補正することと
を含む、前記方法。
以下の詳細な説明では、本発明のいくつかの実施形態を一例として限定としてではなく例示する。本明細書で用いるセクションヘッディング及びサブタイトルは、単に構成上の目的であり、決して記載の主題を限定するものと解釈してはならない。セクションヘッディング及び/またはサブタイトル下の内容は、セクションヘッディング及び/またはサブタイトルには限定されず、本発明の全体の記載に適用される。
サンプルには鼻咽頭洗浄液が含まれていてもよい。鼻腔スワブ、咽頭スワブ、糞便サンプル、毛髪、指の爪、耳垢、呼気、及び他の固体、半固体、または気体サンプルを、その分析の前に、たとえば、固定時間または可変時間の間、抽出緩衝液内で処理してもよい。次に抽出緩衝液またはその一定分量を、必要に応じて他の流体サンプルと同様に処理してもよい。被検者の組織サンプルの例としては以下を挙げてもよいが、これらに限定されない。結合組織、筋肉組織、神経組織、上皮組織、軟骨、がんサンプル、または骨。特定の実施形態において、サンプルを被検者(たとえば、ヒト)から取得してもよく、被検者アッセイにおいて使用する前に処理してもよい。たとえば、分析前に、タンパク質/核酸を、使用前の組織サンプルから既知の方法で抽出してもよい。特定の実施形態において、サンプルは臨床サンプル、たとえば、患者から収集したサンプルであってもよい。サンプルは食品、環境などのサンプルとすることもできる。サンプルのいくつかは、形状が変形できるが自由流動性ではない(たとえば痰)。
A1−1.画像化装置を用いてサンプル中の微小特徴をアッセイするためのデバイスであって、
(a)微小特徴を含むサンプルと接触するためのサンプル接触領域を含む固相表面と、
(b)1つ以上のモニタリングマークであって、
i.サンプルからの異なる材料で形成され、
ii.微細構造のアッセイ中は、サンプル中部にあり、サンプルはサンプル接触領域上に厚さ200um未満の薄層を形成し、
iii.横直線寸法が約1um(ミクロン)以上であり、
iv.少なくとも1つの横直線寸法が300um以下である、モニタリングマークと
を含み、
アッセイ中に、少なくとも1つのモニタリングマークが、検体のアッセイ中に用いられる画像化装置によって画像化され、モニタリングマークの幾何学的パラメータ(たとえば形状及びサイズ)及び/またはモニタリングマーク間のピッチは、(a)予め決められて検体のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、デバイス。
微小特徴を含むサンプルと接触するためのサンプル接触領域を含む固相表面と、
1つ以上のモニタリングマークであって、各モニタリングマークは固相表面からの突起物または溝を含み、
i.突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
ii.平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、
iii.平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
iv.少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
v.平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、モニタリングマークと
を含む、デバイス。
A2−1.画像化装置を用いてサンプル中の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
i.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
ii.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触領域を含む内面を含み、
iii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iv.スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
v.モニタリングマークはサンプルからの異なる材料で形成され、
vi.モニタリングマークは微細構造のアッセイ中にサンプルの内部にあり、サンプルはサンプル接触領域上に厚さ200um未満の薄層を形成し、
vii.モニタリングマークは横直線寸法が約1um(ミクロン)以上であり、少なくとも1つの横直線寸法が300um以下であり、
アッセイ中に、少なくとも1つのモニタリングマークが、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう1つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触領域によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である。
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
i.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
ii.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触領域を含む内面を含み、
iii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iv.スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
v.各モニタリングマークは一方または両方のサンプル接触領域上に突起物または溝を含み、
vi.突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
vii.平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、
viii.平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
ix.少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
x.平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触領域によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)検体を含むサンプルをアッセイするときに用いる画像化装置と
が含まれる、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)検体を含むサンプルをアッセイするときに用いる画像化装置と、
(c)デバイスのモニタリングマークを用いて検体に関係する特性を決定するアルゴリズムと
を含む、システム。
本発明の別の態様は、サンプル保持デバイスのピラーまたはモニタリングマークを、コンピューテーショナル画像化、人工知能、及び/または機械学習とともに用いることである。画像を処理して画像内の物体を現実世界でのその実際の寸法にマッピングするアルゴリズムを用いて、測定値から画像を形成するプロセスを有する。本発明では機械学習(ML)を適用して、MLモデルによって取り込まれ、画像化装置が取り込んだサンプル画像から構築及びトレーニングされたサンプル中の物体の顕著な特徴を学習する。本発明の推論プロセスにインテリジェントな決定ロジックを組み込んで適用して、MLモデルに埋め込まれた知識によりサンプル中の対象物体を検出して分類する。
1.アッセイング用の画像を入力として取得する
2.画像変換モデルTModelを適用してアッセイング用の入力画像を変換して、本明細書で説明した白色マスクでピラーまたはモニタリングマークを覆い、残りの面積を黒色マスクで覆った画像にする
3.変換画像内のピラーまたはモニタリングマークを検出する
4.検出ピラーまたはモニタリングマーク中心を原入力画像に再マッピングして戻す5.検出ピラーまたはモニタリングマークの場所で、原入力画像に対して、サンプル保持デバイス内の予めデザインされたピラーまたはモニタリングマーク構造からの制限を用いてエラー補正を行う
6.サンプル画像内の検出ピラーまたはモニタリングマークの中心を決定して、それらの場所の精緻化を、サンプル保持デバイス内でのそれらの既知の分布構造の制約に従って行う
7.サンプル画像上での正則変換を、検出ピラーまたはモニタリングマーク中心に基づいて推定して、以後の画像ベースのアッセイングに対するTLD/FoVを決定する
本明細書で説明するTLD/FoV推定の方法によって、画像ベースのアッセイングにおける他の応用例に対する可能性が開かれる。本発明のいくつかの実施形態では、画像ベースのアッセイングにおいて欠陥(たとえば、気泡、ホコリなど)除去することに適用される。気泡及びホコリは、環境、アッセイング操作、及びアッセイング用に用いているサンプルのタイプに応じて、サンプル中に生じる可能性がある。アッセイング用のサンプル中のこれらの欠陥は、アッセイング精度を上げるためにサンプルから取り去らなければならない。しかし、これは、これらの欠陥が生じてサンプル保持デバイスの閉空間内に閉じ込められたら、極めて難しい可能性がある。さらに、多くの場合に、デバイスは押圧シールされていて、再び開けてはならない。
1.アッセイング用サンプルの画像を入力として取得する
2.(1)からのサンプル画像のTLD/FoVを面積、サイズに対して推定して、結果としてサンプル体積推定を行う
3.アッセイング用サンプルの画像内の欠陥(たとえば、気泡、ホコリなど)を検出して、サンプル中のこれらの欠陥の画像を、トレーニングされた機械学習モデルによってセグメント化する
4.サンプル画像内のセグメント化された欠陥の全面積を推定して、それらの実際の面積サイズを、サンプル保持デバイスのピラー及びモニタリングマークを用いて(2)から推定したTLD/FoVを用いることによって計算する
5.アッセイング用サンプルの画像内の検出した欠陥の全表面積に対応するサンプルの実際の体積を、(4)からの面積推定値とサンプル保持デバイス内のサンプルの既知の高さとから推定する
6.アッセイング用サンプルの画像内の検出した欠陥の表面積を取り除いて、サンプルの全体積の更新を、サンプル画像内の検出した欠陥の表面積の下の全体積に対応する欠陥体積推定値を(5)から差し引くことによって行う
7.(6)からの更新したサンプル体積を伴う更新したサンプル画像内の選択面積上で画像ベースのアッセイングを行う
いくつかの実施形態では、対象物体(たとえば細胞)が単層を形成する(すなわちサンプル層に垂直な方向において物体間の著しい重なりがない)ように、サンプルの厚さは薄い厚さに設定されている。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスは、2つの移動可能なプレート、スペーサ、及び1つ以上のモニタリングマークを含み、モニタリングマークはサンプル接触領域内にある、取得することと、
(b)画像化装置を取得することと、
(c)(a)のデバイスのサンプル接触領域内にサンプルを堆積させて、2つのプレートを強制的に閉構成にすることと、
(d)画像化装置を用いて、薄いサンプル層の1つ以上の画像を取り込むことと、
(e)モニタリングマークの画像を用いてQMAXカードの製造品質を決定することと
を含む、方法。
(a)先行する実施形態におけるデバイスを取得することであって、デバイスは、2つの移動可能なプレート、スペーサ、及び1つ以上のモニタリングマークを有し、モニタリングマークはサンプル接触領域内にある、取得することと、
(b)画像化装置を取得することと、
(c)(a)のデバイスのサンプル接触領域内にサンプルを堆積させて、2つのプレートを強制的に閉構成にすることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことと、
(e)モニタリングマークの画像を用いてQMAXカードの製造品質を決定することと
を含む、方法。
i.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
ii.第1のプレート及び第2のプレートはそれぞれ、分析しているサンプルと接触するためのサンプル接触領域を含む内面を含み、
iii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iv.モニタリングマークはその寸法の少なくとも1つが、(a)予め決められて分かっており、(b)画像化装置によって観察可能であり、
v.モニタリングマークは、少なくとも1つの横直線寸法が300um以下の微細構造であり、
vi.モニタリングマークはサンプルの内部にあり、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
もう一つの構成は閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触領域によって制限され、プレート及びスペーサによって調整され、
2つのプレートを閉構成に到達させるときに力を用いた後に、モニタリングマークを画像化して、(i)2つのプレートが意図する閉構成に到達した結果、サンプル厚さがほぼ所定の厚さに調整されたか否かを判定し、及び/または(ii)サンプルが要望どおりに装着されたか否かを判定する。
a)任意の先行する実施形態のデバイスを取得することであって、デバイスは、2つの移動可能なプレート、スペーサ、及び1つ以上のモニタリングマークを含み、モニタリングマークはサンプル接触領域内にある、取得することと、
b)画像化装置を取得することと、
c)(a)のデバイスのサンプル接触領域内にサンプルを堆積させて、2つのプレートを強制的に閉構成にすることと、
d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことと、
e)モニタリングマークの画像を用いて、(i)2つのプレートが意図する閉構成に到達した結果、サンプル厚さがほぼ所定の厚さに調整されたか否か、または(ii)サンプルが要望どおりに装着されたか否かを判定することと
を含む、方法。
単一プレート
AA−1.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触領域を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
I.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能である、エッジを有し、
II.少なくとも1つの横直線寸法が300um以下の微細構造であり、
III.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触領域を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
i.固相表面からの突起物または溝を含み、
ii.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能であり、エッジを有し、iii.少なくとも1つの横直線寸法が300um以下の微細構造であり、
iv.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−2.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、及び1つ以上のモニタリングマークを含み、
i.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触領域を含む内面を含み、
ii.サンプルの少なくとも一部は、第1及び第2のプレートによって、200um以下の実質的に一定の厚さの薄層内に制限され、
iii.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iv.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
v.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−3.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
a.第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
ii.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
iii.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触領域を含む内面を含み、
iv.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
v.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
vi.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
vii.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化され、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触領域によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である、デバイス。
BB−1.サンプル中の微小特徴の画像取り込みを改善するための装置であって、
(c)いずれかの先行するデバイス実施形態のデバイスと、
(d)微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と、を含み、
画像化装置は画像を取り込み、少なくとも1つの画像はサンプルの一部及びモニタリングの両方を含む、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と、
(c)マークをパラメータとして用いるとともに、次の画像に対する画像化装置の設定を調整する画像化処理方法を用いるアルゴリズムと
を含む、システム。
CC−1.サンプル中の微小特徴の画像の解析を改善するための装置であって、
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)マークと、微小特徴を含むかまたは含むと疑われるサンプルとの画像を受け取る際に用いられるコンピューテーションデバイスと、を含み、
コンピューテーションデバイスは、マークをパラメータとして用いるとともに画像の画質を向上させる画像化処理方法を用いるアルゴリズムを実行する、装置。
(b)微小特徴を含むかまたは含むと疑われるサンプルをサンプル及びマークの1つまたは複数の画像を取り込むことによってアッセイする際に用いられる画像化装置と、
(c)マークをパラメータとして用いるとともに(c)で取り込んだ少なくとも1つの画像の画質を向上させる画像化処理方法を用いるアルゴリズムと、を含むシステム。
(a)サンプル及びモニタリングマーク(複数可)の画像を受け取ることであって、サンプルはいずれかの先行するデバイス請求項のデバイス内に装着され、画像は画像化装置が取り込む、受け取ることと、
(b)画像を処理及び解析して微小特徴の量を計算することであって、解析では、機械学習とモニタリングマーク(複数可)の画像によって得られる情報とに基づく検出モデルを用いる、計算することと、に適用及び適応されるコンピュータプログラムコードが含まれる、コンピュータプログラム製品。
単一プレート
AA−1.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触領域を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
i.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
ii.少なくとも1つの横直線寸法が300um以下の微細構造であり、
iii.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
(a)厚さが200um以下であり微小特徴を含むかまたは含むと疑われる薄いサンプルと接触するためのサンプル接触領域を含む固相表面と、
(b)1つ以上のマークと、を含み、マークは、
i.固相表面からの突起物または溝を含み、
ii.鋭いエッジであって、(i)予め決められて分かっている形状及び寸法を有し、(ii)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iii.少なくとも1つの横直線寸法が300um以下の微細構造であり、
iv.サンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−2.1.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、及び1つ以上のモニタリングマークを含み、i.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触領域を含む内面を含み、
ii.サンプルの少なくとも一部は、第1及び第2のプレートによって、200um以下の実質的に一定の厚さの薄層内に制限され、
iii.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iv.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
v.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化される、デバイス。
AA−3.画像化装置を用いて、薄いサンプル内の微小特徴をアッセイするためのデバイスであって、
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
I.第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
i.第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むかまたは含むと疑われるサンプルと接触するためのサンプル接触領域を含む内面を含み、
ii.第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
iii.モニタリングマークは、鋭いエッジであって、(a)予め決められて分かっている形状及び寸法を有し、(b)微小特徴を画像化する画像化装置によって観察可能であるエッジを有し、
iv.モニタリングマークは少なくとも1つの横直線寸法が300um以下の微細構造であり、
v.モニタリングマークはサンプルの内部にあり、
マークの少なくとも1つはアッセイ中に画像化装置によって画像化され、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触領域によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(a)スペーサとは異なる構造であるか、または(b)スペーサとして用いられるものと同じ構造である、デバイス。
BB−1.サンプル中の微小特徴の画像取り込みを改善するための装置であって、
(e)いずれかの先行するデバイス実施形態のデバイスと、
(f)微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と
を含み、
画像化装置は画像を取り込み、少なくとも1つの画像はサンプルの一部及びモニタリングの両方を含む、装置。
i.いずれかの先行するデバイス実施形態のデバイスと、
ii.微小特徴を含むかまたは含むと疑われるサンプルをアッセイする際に用いられる画像化装置と、
iii.命令を有する非一時的コンピュータ可読媒体であって、命令は、実行されると、マークをパラメータとして用いるとともに、次の画像に対する画像化装置の設定を調整する画像化処理方法を用いる、非一時的コンピュータ可読媒体と
を含む、システム。
CC−1.サンプル中の微小特徴の画像の解析を改善するための装置であって、
a)いずれかの先行するデバイス実施形態のデバイスと、
b)マークと、微小特徴を含むかまたは含むと疑われるサンプルとの画像を受け取る際に用いられるコンピューテーションデバイスと
を含み、
コンピューテーションデバイスは、マークをパラメータとして用いるとともに画像の画質を向上させる画像化処理方法を用いるアルゴリズムを実行する、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むかまたは含むと疑われるサンプルをサンプル及びマークの1つまたは複数の画像を取り込むことによってアッセイする際に用いられる画像化装置と、
(c)命令を有する非一時的コンピュータ可読媒体であって、命令は、実行されると、マークをパラメータとして用いるとともに、(c)で取り込んだ少なくとも1つの画像の画質を向上させる画像化処理方法を用いる、非一時的コンピュータ可読媒体と
を含む、システム。
(a)サンプル及びモニタリングマーク(複数可)の画像を受け取ることであって、サンプルはいずれかの先行するデバイス請求項のデバイス内に装着され、画像は画像化装置が取り込む、受け取ることと、
(b)画像を処理及び解析して微小特徴の量を計算することであって、解析では、機械学習とモニタリングマーク(複数可)の画像によって得られる情報とに基づく検出モデルを用いる、計算することと
に適用及び適応されるコンピュータプログラムコード手段が含まれる、コンピュータプログラム製品。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触領域内に1つ以上のモニタリングマークが含まれる、取得することと、(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)のデバイスのサンプル接触領域内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み、(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、方法。
AA1.サンプルの薄層の画像化を改善するための方法であって、
(a)マーキングされたサンプルホルダを取得することであって、サンプルはサンプル接触領域内に1つ以上のモニタリングマークが含まれる、取得することと、
(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)のデバイスのサンプル接触領域内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み、
(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
T1.歪んだ画像から、サンプルホルダ上のサンプルの真の横寸法(TLD)を決定するための方法であって、
i.任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触領域内に1つ以上のモニタリングマークが含まれる、取得することと、
ii.画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的なコンピュータ可読媒体とを取得することと、
iii.(a)のデバイスのサンプル接触領域内に、微小特徴を含む薄いサンプル層を堆積させることと、
iv.画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
v.アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み、
(a)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(b)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
(a)微小特徴を含むサンプルと接触するためのサンプル接触領域を含む固相表面と、
(b)1つ以上のモニタリングマークであって、モニタリングマークは、
i.サンプルからの異なる材料で形成され、
ii.微細構造のアッセイ中にサンプルの内部にあり、サンプルはサンプル接触領域上に厚さ200um未満の薄層を形成し、
iii.その横直線寸法が約1um(ミクロン)以上であり、
iv.少なくとも1つの横直線寸法が300um以下であり、
アッセイ中に、少なくとも1つのモニタリングマークが、検体のアッセイ中に用いられる画像化装置によって画像化され、モニタリングマークの幾何学的パラメータ(たとえば形状及びサイズ)及び/またはモニタリングマーク間のピッチは、(a)予め決められて検体のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、デバイス。
微小特徴を含むサンプルと接触するためのサンプル接触領域を含む固相表面と、
1つ以上のモニタリングマークであって、各モニタリングマークは固相表面からの突起物または溝を含む1つ以上のモニタリングマークと、を含み、
(a)突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
(b)平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、(c)平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
(d)少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
(e)平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられる、デバイス。
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
(a)第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
(b)第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触領域を含む内面を含み、
(c)第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
(d)スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
(e)モニタリングマークはサンプルからの異なる材料で形成され、
(f)モニタリングマークは微細構造のアッセイ中にサンプルの内部にあり、サンプルはサンプル接触領域上に厚さ200um未満の薄層を形成し、
(g)モニタリングマークは横直線寸法が約1um(ミクロン)以上であり、少なくとも1つの横直線寸法が300um以下であり、
アッセイ中に、少なくとも1つのモニタリングマークが、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触領域によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である、デバイス。
第1のプレート、第2のプレート、スペーサ、及び1つ以上のモニタリングマークを含み、
(a)第1のプレート及び第2のプレートは、互いに対して移動して異なる構成になることができ、
(b)第1のプレート及び第2のプレートはそれぞれ、微小特徴を含むサンプルと接触するためのサンプル接触領域を含む内面を含み、
(c)第1のプレート及び第2のプレートの一方または両方は、対応するプレートの内面に永続的に固定されるスペーサを含み、
(d)スペーサは200ミクロン以下の略均一な高さと固定のスペーサ間距離(ISD)とを有し、
(e)各モニタリングマークは一方または両方のサンプル接触領域上に突起物または溝を含み、
(f)突起物または溝は、突起物または溝に隣接する固相表面の一部である隣接表面と実質的に平行な平坦面を含み、
(g)平坦面と隣接表面との間の距離は約200ミクロン(um)以下であり、
(h)平坦面は(a)直線寸法が少なくとも約1um以上で(b)少なくとも1つの直線寸法が150um以下の面積であり、
(i)少なくとも1つのモニタリングマークの平坦面は、微小特徴のアッセイ中に用いられる画像化装置によって画像化され、
(j)平坦面の形状、平坦面の寸法、平坦面と隣接表面との間の距離、及び/またはモニタリングマーク間のピッチは、(a)予め決められて微小特徴のアッセイ前に分かっており、(b)微小特徴に関係する特性を決定するアルゴリズム内でパラメータとして用いられ、
a.構成の1つは開構成であり、2つのプレートは部分的または完全に分離して離れており、プレート間の間隔はスペーサによって調整されず、サンプルは一方または両方のプレート上に堆積され、
構成のもう一つは閉構成であり、開構成でサンプルが堆積された後に構成され、力面積に不正確な押圧を印加することによってプレートが強制的に閉構成にされ、閉構成では、サンプルの少なくとも一部が、2つのプレートによって圧縮されて極めて均一な厚さの層になり、プレートに対して実質的に停滞しており、均一な厚さの層は2つのプレートのサンプル接触領域によって制限され、プレート及びスペーサによって調整され、
モニタリングマークは、(i)スペーサとは異なる構造であるか、または(ii)スペーサとして用いられるものと同じ構造である、デバイス。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むサンプルをアッセイする際に用いられる画像化装置と
を含む、装置。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むサンプルをアッセイする際に用いられる画像化装置と、
(c)命令を含む非一時的コンピュータ可読媒体であって、命令は、実行されると、デバイスのモニタリングマークを用いて微小特徴に関係する特性を決定する、非一時的コンピュータ可読媒体と
を含む、システム。
(a)いずれかの先行するデバイス実施形態のデバイスと、
(b)微小特徴を含むサンプルをアッセイする際に用いられる画像化装置と、
(c)命令を含む非一時的コンピュータ可読媒体であって、命令は、実行されると、デバイスのモニタリングマークを用いて微小特徴に関係する特性をアッセイし、命令には機械学習が含まれる、非一時的コンピュータ可読媒体と
を含む、システム。
(a)任意の先行する実施形態のデバイス、装置、またはシステムを取得することと、
(b)サンプルを取得して、(a)におけるデバイス、装置、またはシステム内のサンプル接触領域上にサンプルを堆積させることであって、サンプルには微小特徴が含まれる、堆積させることと、
(c)微小特徴をアッセイすることと
を含む、方法。
(a)任意の先行する実施形態のデバイス、装置、またはシステムを取得することと、
(b)サンプルを取得して、(a)におけるデバイス、装置、またはシステム内のサンプル接触領域上にサンプルを堆積させることであって、サンプルには微小特徴が含まれる、堆積させることと、
(c)微小特徴をアッセイすることであって、アッセイングには機械学習を用いるステップが含まれる、アッセイすることと
を含む、方法。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触領域内に1つ以上のモニタリングマークが含まれる、取得することと、(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)のデバイスのサンプル接触領域内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いてサンプルの真の横寸法を決定することと
を含み。
(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
(a)任意の先行する実施形態のデバイスを取得することであって、デバイスにはサンプル接触領域内に1つ以上のモニタリングマークが含まれる、取得することと、
(b)画像化装置と、コンピューテーションハードウェアと、アルゴリズムを含む非一時的コンピュータ可読媒体とを取得することと、
(c)(a)におけるデバイスのサンプル接触領域内に、微小特徴を含む薄いサンプル層を堆積させることと、
(d)画像化装置を用いて、薄いサンプル層とともにモニタリングマークの1つ以上の画像を取り込むことであって、画像化装置は薄いサンプル層の上方に位置する、取り込むことと、
(e)アルゴリズムを用いて、物理的評価基準(たとえばマイクロメートル)によって、画像化したサンプルの現実世界での真の横寸法及び座標を決定することと
を含み、
(i)アルゴリズムは、コンピュータシステム上で実行されるコンピュータコードであり、
(ii)アルゴリズムはモニタリングマークの画像をパラメータとして用いる、
方法。
(a)サンプルを取得することと、
(b)サンプルを、サンプル保持デバイス(たとえば、QMAXデバイス)内に装着することであって、モニタリングマークが存在し、モニタリングマークは、サンプル中に浸漬しておらず、画像ベースのアッセイにおいて画像化装置が上方から画像化することができるデバイス内に存在する、装着することと、
(c)微小特徴とモニタリングマークとを含むサンプル装着デバイス内のサンプルの画像を取り込むことと、
(d)画像化装置が取り込んだサンプル画像内のモニタリングマークを検出することと、
(e)サンプル画像を非重複領域に分割することと、
(f)局所領域で検出された4つを超える非共線のモニタリングマークを用いて、領域ベースのマークグリッドを各非重複領域に対して作成することと、
(g)画像化装置が取り込んだサンプル画像から検出されたモニタリングマークに基づいて、(f)にない他のすべての領域に対してマークグリッドを作成することと、
(h)(f)の各領域に対して領域特定のホモグラフィ変換を、(f)から作成したその独自の領域ベースのマークグリッドに基づいて計算することと、
(i)(g)で作成したマークグリッドに基づいて、(f)にない他のすべての領域に対してホモグラフィ変換を計算することと、
(j)(g)の領域ベースのホモグラフィ変換に基づいて、(f)の各領域に対して領域ベースのTLDを推定することと、
(k)(i)のホモグラフィ変換に基づいて、(f)にない他の領域に対してTLDを推定することと、
(l)(j)及び(k)から推定したTLDを適用して、画像ベースのアッセイにおいて各画像分割における画像化された微小特徴の面積及び濃度を決定することと
を含む、任意の先行する実施形態の方法、デバイス、またはシステム。
i.サンプルを、画像ベースのアッセイにおいて前記デバイス内にモニタリングマークが存在するサンプル保持デバイスに装着することと、
ii.微小特徴とモニタリングマークとを含むサンプル保持デバイス内のサンプルの画像を取り込むことと、
iii.サンプル保持デバイス上で画像化装置が取り込んだサンプル画像内のモニタリングマークを検出して、画像ベースのアッセイにおいてTLDを決定して面積推定値を計算し、画像化した物体のサイズを画像内の画素から決定し、現実世界でのマイクロメートルでのその物理的寸法を決定する任意の先行する実施形態の方法、デバイス、またはシステム。
i.デジタル画像内のモニタリングマークを検出することと、
ii.モニタリングマークグリッドを作成することと、
iii.モニタリングマークグリッドに基づいて画像変換を計算することと、
iv.画像ベースのアッセイにおいてサンプル画像内の物体の面積と現実世界でのその物理的寸法とを推定することと
を含む、任意の先行する実施形態の方法、デバイス、またはシステム。
i.画像ベースのアッセイにおいて画像化装置が取り込んだサンプル画像を非重複領域に分割することと、
ii.画像内の局所的なモニタリングマークを検出することと、
iii.領域内で4つを超える非共線のモニタリングマークが検出された場合にその領域に対する領域ベースのマークグリッドを作成することと、
iv.画像化装置が取り込んだサンプル画像内で検出されたモニタリングマークに基づいて、他のすべての領域に対するマークグリッドを作成することと、
v.(iii)の各領域に対して、作成した領域ベースのマークグリッドから領域ベースのホモグラフィ変換を計算することと、
vi.(iv)で作成したマークグリッドに基づいて、(iii)にない他のすべての領域に対してホモグラフィ変換を計算することと、
vii.(v)及び(vi)から生成したホモグラフィ変換に基づいて、各領域に対してTLDを推定し、画像ベースのアッセイにおいて各領域におけるサンプルの画像内での物体の面積と現実世界でのそのサイズとを決定することと
が含まれる、任意の先行する実施形態の方法、デバイス、またはシステム。
(a)サンプル画像を受け取ることであって、サンプルはQMAXデバイス内に装着され、画像はQMAXデバイスに接続された画像化装置が取り込み、画像にはサンプル及びモニタリングマークの両方が含まれる、受け取ることと、
(b)検出モデルを用いて画像を解析して画像の2Dデータアレイを作成することであって、2Dデータアレイには画像内の各場所に対する微小特徴の確率データが含まれ、検出モデルはトレーニングプロセスを通して設定され、トレーニングプロセスには、
i.注釈付きデータセットを畳み込みニューラルネットワークに供給することであって、注釈付きデータセットは、テストサンプルと同じタイプのサンプルからであり、同じ微小特徴に対するものである、供給することと、
ii.畳み込みによって検出モデルをトレーニングして設定することと
が含まれる、作成することと、
(c)2Dデータアレイを解析して、局所的な信号ピークを、
i.信号リストプロセス、または
ii.局所的な検索プロセス
を用いて検出することと、
(d)局所的な信号ピーク情報に基づいて微小特徴の量を計算することと
に適応される、任意の先行する実施形態の方法、デバイス、またはシステム。
前記プログラムをコンピューティングデバイス上でまたはネットワーク接続によってコンピューティングクラウドにおいて実行したときに、
(a)サンプル中の物体とサンプル保持デバイス上で画像化装置が取り込んだサンプル画像内の前記物体の画素輪郭マップとの間の推論のパターンを表すことと、
(b)サンプル画像内の推論パターンから検出した少なくとも1つの物体の画像を数値的に再構成して、物体にフォーカスが合っている場合に推論モジュールによって特定された物体を囲む輪郭マスクを作成することと、
(c)サンプル画像の少なくとも1つの部分を、サンプル画像の選択部分における少なくとも1つの物体に対して特定することと、
(d)、前記少なくとも1つの部分から物体の少なくとも1つの特徴を計算して、画像化装置が取り込んだサンプル画像の選択部分における物体を特定することと、
(e)サンプル画像の選択部分から、選択部分における検出した物体のカウント及びその濃度を計算することと
に適用及び適応される、任意の先行する実施形態の方法、デバイス、またはシステム。
(a)サンプル画像を受け取ることであって、サンプルはQMAXデバイス内に装着され、画像はQMAXデバイスに接続された画像化装置が取り込み、画像にはサンプル及びモニタリングマークの両方が含まれる、受け取ることと、
(b)画像を解析して微小特徴の量を計算することであって、解析では機械学習とモニタリングマークの画像によって得られる情報とに基づく検出モデルを用いる、計算することと
に適応される、任意の先行する実施形態の方法、デバイス、またはシステム。
第1のプレート、第2のプレート、表面増幅層、及び捕捉剤を含み、
(a)第1及び第2のプレートは、互いに対して移動して異なる構成になることができ、その対応する表面上に、標的検体を含むサンプルに接触するためのサンプル接触領域を有し、
(b)表面増幅層はサンプル接触領域の1つ上にあり、
(c)捕捉剤は表面増幅層上に固定化され、捕捉剤は標的検体に特異的に結合し、表面増幅層は標的検体または標的検体に取り付けられた標識からの光信号を、それらが表面増幅層の付近にあるときに、それらがミクロン以上離れているときよりもはるかに大きく増幅し、
構成の1つは開構成であり、2つのプレートの内面間の平均間隔は少なくとも200umであり、
構成のもう一つは閉構成であり、サンプルの少なくとも一部は2つのプレート間にあり、プレートの内面間の平均間隔は200um未満である、デバイス。
第1のプレート、第2のプレート、表面増幅層、及び捕捉剤を含み、
(a)第1及び第2のプレートは、互いに対して移動して異なる構成になることができ、その対応する表面上に、標的検体を含むサンプルに接触するためのサンプル接触領域を有し、
(b)表面増幅層はサンプル接触領域の1つ上にあり、
(c)捕捉剤は表面増幅層上に固定化され、捕捉剤は標的検体に特異的に結合し、
表面増幅層は標的検体に取り付けられた標識からの光信号を、それが表面増幅層の付近にあるときに、それがミクロン以上離れているときよりもはるかに大きく増幅し、構成の1つは開構成であり、2つのプレートの内面間の平均間隔は少なくとも200umであり、
構成のもう一つは閉構成であり、サンプルの少なくとも一部は2つのプレート間にあり、プレートの内面間の平均間隔は200um未満であり、
閉構成におけるサンプルの厚さ、閉構成においてサンプルに溶解した標識の濃度、及び表面増幅層の増幅率は、捕捉剤に直接または間接的に結合された任意の標識が閉構成において未結合標識を洗い流すことなく見えるように、構成されている、デバイス。
任意の先行する実施形態のいずれかのデバイスを取得することと、
プレートが開構成にあるときにサンプルを一方または両方のプレート上に堆積させることと、
プレートを閉じて閉構成にすることと、
サンプル接触領域を読み取りデバイスを用いて読み取って信号の画像を形成することと
によって行う、任意の先行する実施形態の方法。
本発明では、いくつかの実施形態において、マークはスペーサと同じ形状を有する。
本発明では、いくつかの実施形態において、画像化アッセイに対する光学システはム「限定された画像化光学系」を有している。限定された画像化光学系のいくつかの実施形態には、限定することなく、以下が含まれる。
1.限定された画像化光学系システムであって、
結像レンズと、
画像化センサと、を含み、
画像化センサはスマートフォンのカメラの一部であり、
結像レンズの少なくとも1つはスマートフォンのカメラの一部である、限定された画像化光学系システム。
2.物理による光学解像度が、1um、2um、3um、5um、10um、50umよりも悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
3.物理による光学解像度が、1um、2um、3um、5um、10um、50umよりも悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
4.物理あたりの好ましい光学解像度は1um〜3umである任意の先行する実施形態の限定された画像化光学系システム。
5.開口数が1、0.15、0.2、0.2、0.25、0.3、0.35、0.4、0.45、0.5未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
6.好ましい開口数は0.2〜0.25である任意の先行する実施形態の限定された画像化光学系システム。
7.作動距離が0.2mm、0.5mm、1mm、2mm、5mm、10mm、20mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
8.作動距離が0.2mm、0.5mm、1mm、2mm、5mm、10mm、20mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
9.好ましい作動距離は0.5mm〜1mmである任意の先行する実施形態の限定された画像化光学系システム。
10.焦点深度が100nm、500nm、1um、2um、10um、100um、1mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
11.焦点深度が100nm、500nm、1um、2um、10um、100um、1mmであるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
12.画像センサはスマートフォンカメラモジュールの一部である任意の先行する実施形態の限定された画像化光学系システム。
13.画像センサの対角長さは、1インチ、1/2インチ、1/3インチ、1/4インチ未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
14.結像レンズは少なくとも2つのレンズを含み、1つのレンズはスマートフォンのカメラモジュールの一部である任意の先行する実施形態の限定された画像化光学系システム。
15.少なくとも1つの外部レンズはスマートフォンの内部レンズと対になっている任意の先行する実施形態の限定された画像化光学系システム。
16.外部レンズの光軸はスマートフォンの内部レンズと位置合わせされており、位置合わせ許容範囲は、0.1mm、0.2mm、0.5mm、1mm未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
17.外部レンズの高さは、2mm、5mm、10mm、15mm、20m未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
18.外部レンズの好ましい高さは3mm〜8mmである任意の先行する実施形態の限定された画像化光学系システム。
19.外部レンズの好ましい高さは3mm〜8mmである任意の先行する実施形態の限定された画像化光学系システム。
20.外部レンズの直径が、2mm、4mm、8mm、10mm、15mm、20mm未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
21.物理あたりの光学倍率が、0.1X、0.5X、1X、2X、4X、5X、10X未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
22.物理あたりの好ましい光学倍率は0.1X、0.5X、1X、2X、4X、5X、10X未満であるか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定された画像化光学系システム。
本発明では、いくつかの実施形態において、画像化アッセイに対するサンプル位置決めシステムが「限定されたサンプル操作」を有している。限定されたサンプル操作のいくつかの実施形態には、限定することなく、以下が含まれる。
1.限定されたサンプル操作システムであって、
サンプルホルダを含み、
サンプルホルダはサンプルカードを収容するための容器を有する限定されたサンプル操作システム。
2.光軸に沿った方向でサンプルを位置決めする精度は、0.1um、1um、10um、100um、1mmより悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定されたサンプル操作システム。
3.光軸に沿った方向でサンプルを位置決めする好ましい精度は50um〜200umである任意の先行する実施形態の限定されたサンプル操作システム。
4.光軸に垂直な平面内でサンプルを位置決めする精度は、0.01um、0.1um、1um、10um、100um、1mmより悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定されたサンプル操作システム。
5.光軸に垂直な平面内でサンプルを位置決めする好ましい精度は100um〜1mmである任意の先行する実施形態の限定されたサンプル操作システム。
6.サンプルカードを位置決めするレベル誤差は、0.01度、0.1度、0.5度、1度、10度より悪いか、またはいずれか2つの値の間の範囲にある任意の先行する実施形態の限定されたサンプル操作システム。
7.サンプルカードを位置決めする好ましいレベル誤差は0.5度〜10度である任意の先行する実施形態の限定されたサンプル操作システム。
8.サンプルカードを位置決めする好ましいレベル誤差は0.5度〜10度である任意の先行する実施形態の限定されたサンプル操作システム。
用語「鋭い光学的エッジ」は、以下の特性を伴う特定の光学システムが取り込んだ画像内の物体のエッジまたは境界を指す。画像内の物体のエッジまたは境界において、光強度(R、G、B、グレー、色相、輝度を含むが、これらに限定されない)が場所に対して大きく変化する。たとえば、定量的には、図19に示すように、境界において、規格化強度が90%から10%まで減少する距離(X90%)は、このような光学システムによる画像内の物体の長さの5%未満でなければならない。言い換えれば、境界勾配=90%/X90%>1800%/物体の長さである。鋭いエッジの例は、平坦な頂部とほぼ90度の側壁とを有するピラースペーサのエッジである。鋭いエッジがない物体の例は球体である。
図7Aに、本発明のいくつかの実施形態で用いるサンプル保持デバイス、QMAXデバイス、及びそのモニタマーク、ピラーの実施形態を示す。QMAXデバイス内のピラーによって、サンプル保持デバイスの2つの平行なプレート間のギャップが均一になる。ギャップは狭く、検体がギャップ内で単層を形成する場合に検体のサイズに関連している。また、QMAXデバイス内のモニタリングマークはピラーの特別な形態であり、結果として、それらはサンプルによって浸漬されておらず、画像ベースのアッセイにおいて画像化装置によってサンプルとともに画像化することができる。
TLD及び真の体積推定に対する本発明のいくつかの実施形態では、モニタマーク(ピラー)を検出可能アンカーとして用いる。しかし、モニタリングマークの検出を、画像ベースのアッセイにおけるTLD推定に適した精度で行うのは難しい。その理由は、これらのモニタリングマークはサンプル保持デバイスの内部の検体に浸透して周りを囲まれているからである。それらは、レンズからの歪み、サンプル中の微小物体からの光回折、微視的レベルでの欠陥、フォーカシングの誤位置合わせ、サンプル画像内のノイズなどが原因で画像内で歪んでボケている。また画像化装置が汎用デバイスからのカメラ(たとえばスマートフォンからのカメラ)だとさらに難しくなる。なぜならば、このようなカメラは、いったん製造を離れると、専用のハードウェアによって較正されることはないからである。
(1)サンプルをサンプル保持デバイス(たとえば、QMAXデバイス)に装着することであって、既知の構成を伴うモニタマークがデバイス内に存在し、モニタマークはサンプル中に浸漬しておらず、画像化装置によって画像化することができる、装着すること。
(2)検体とモニタマークとを含むサンプル保持デバイス内のサンプルの画像を取り込むこと。
(3)サンプル画像内のモニタマークを検出するように機械学習(ML)モデルを構築及びトレーニングすること。
(4)(3)からの前記ML検出モデルを用いて、サンプル画像から、サンプル保持デバイス内のモニタマークを検出して場所を特定すること。
(5)(4)で検出したモニタマークからマークグリッドを作成すること。
(6)作成したモニタマークグリッドに基づいてホモグラフィ変換を計算すること。
(7)(6)からのホモグラフィ変換から、サンプル画像の真の横寸法を推定して保存すること。
(8)(7)から推定したTLDを以後の画像ベースのアッセイにおいて適用して検体の面積、サイズ、体積、及び濃度を決定すること。
(1)サンプルをサンプル保持デバイス(たとえば、QMAXデバイス)に装着することであって、デバイス内にモニタマークが存在し、モニタはサンプル中に浸漬しておらず、画像ベースのアッセイにおいて画像化装置によって画像化することができる、装着すること。
(2)検体とモニタマークとを含むサンプル保持デバイス内のサンプルの画像を取り込むこと。
(3)画像化装置が取り込んだサンプル画像からモニタリングマークを検出するために、機械学習(ML)モデルを構築及びトレーニングすること。
(4)画像化装置が取り込んだサンプル画像を非重複領域に分割すること。
(5)(3)のMLモデルを用いて、画像化装置が取り込んだサンプル画像からモニタマークを検出して場所を特定すること。
(6)局所領域で検出された4つを超える非共線のモニタマークを用いて各領域に対する領域ベースのマークグリッドを作成すること。
(7)画像化装置が取り込んだサンプル画像から検出したモニタマークに基づいて、(6)にないすべての領域に対してマークグリッドを形成すること。
(8)(6)の各領域に対して領域特定のホモグラフィ変換を、(6)で作成したその独自の領域ベースのマークグリッドに基づいて計算すること。
(9)(7)で作成したマークグリッドに基づいて、他のすべての領域に対してホモグラフィ変換を計算すること。
(10)(8)で生成した領域ベースのホモグラフィ変換に基づいて、(6)の各領域に対して領域ベースのTLDを推定すること。
(11)(9)からのホモグラフィ変換に基づいて、他の領域に対してTLDを推定すること。
(12)(10)及び(11)から推定したTLDを保存して、分割した領域上での以後の画像ベースのアッセイにおいて適用すること。
1.シャッタ速度
2.ISO
3.フォーカス(レンズ位置)
4.露出補正
5.ホワイトバランス:温度、色合い
6.ズーミング(倍率)
本発明のいくつかの実施形態では、画像処理/解析を、本発明におけるモニタリングマークを用いて適用して強化している。それらには、以下の画像処理アルゴリズム及び方法が含まれるが、これらに限定されない。
1.ヒストグラムベースの演算として以下が挙げられるが、これらに限定されない。
a.コントラストストレッチング
b.均等化
c.最小値フィルタ
d.中央値フィルタ
e.最大値フィルタ
2.数学ベースの演算としては以下が挙げられるが、これらに限定されない。
a.二項演算:NOT、OR、AND、XOR、SUBなど
b.算術ベースの演算:ADD、SUB、MUL、DIV、LOG、EXP、SQRT、TRIG、INVERTなど
3.空間及び周波数ドメイン両方における畳み込みベースの演算としては、フーリエ変換、DCT、整数変換、ウェーブレット変換などが挙げられるが、これらに限定されない。
4.平滑化演算としては以下が挙げられるが、これらに限定されない。
a.線形フィルタ:均一フィルタ、三角フィルタ、ガウシアンフィルタなど
b.非線形フィルタ:中間フィルタ、桑原フィルタなど
5.微分ベースの演算としては以下が挙げられるが、これらに限定されない。
a.一次微分:勾配フィルタ、基本的な微分フィルタ、プレヴィット勾配フィルタ、ソーベル勾配フィルタ、代替的な勾配フィルタ、ガウシアン勾配フィルタ、など
b.二次微分:基本的な二次微分フィルタ、周波数ドメインラプラシアン、ガウシアン二次微分フィルタ、代替的なラプラシアンフィルタ、勾配方向での二次微分(SDGD)フィルタなど
c.より高次数微分による他のフィルタなど
6.形態ベースの演算としては以下が挙げられるが、これらに限定されない。
a.拡張及び腐食
b.ブール型畳み込み
c.開閉
d.ヒットアンドミス演算
e.セグメンテーション及び輪郭
f.スケルトン
g.伝搬
h.グレー値形態処理:グレーレベル拡張、グレーレベル腐食、グレーレベル開口、グレーレベル閉鎖など
i.形態学的平滑化、形態学的勾配、形態学的ラプラシアンなど。
本発明のいくつかの実施形態では、画像処理/解析アルゴリズムを、モニタリングマークとともに用いてこれによって向上させている。それらには以下が含まれるが、これらに限定されない。
1.画像の向上及び復元としては以下が挙げられるが、これらに限定されない。
a.シャープニング及びアンシャープニング
b.ノイズ抑制
c.歪み抑制
2.画像セグメンテーションとしては以下が挙げられるが、これらに限定されない。
a.閾値化−固定閾値化、ヒストグラム由来の閾値化、ISOデータアルゴリズム、背景対称性アルゴリズム、三角アルゴリズム、など
b.エッジ発見−勾配ベースの手順、ゼロ交差ベースの手順、プラスベースの手順など
c.二値数学的形態−ソルトオアペッパーフィルタリング、孔を伴う物体の分離、物体内の孔の充填、境界接触物体の除去、エクソスケルトン、接触物体、など
d.グレー値数学形態−トップハット変換、適応性のある閾値化、局所的コントラストストレッチングなど
3.特徴抽出及びマッチングとしては以下が挙げられるが、これらに限定されない。
a.独立成分分析
b.ISOマップ
c.主成分分析及びカーネル主成分分析
d.潜在意味解析
e.最小二乗及び部分的最小二乗
f.多因子次元削減及び非線形次元削減
g.多重線形主成分分析
h.多重線形部分空間学習
i.半定値埋め込み
j.オートエンコーダ/デコーダ
4.物体検出、分類、及び場所特定。
5.画像理解。
本発明におけるモニタリングマークを使用することを用いて、微視的画像化におけるフォーカスを向上させる。詳細には、鋭いエッジを伴うモニタリングマークによって、特に弱光環境及び微視的画像化における特定のフォーカス設定のフォーカス状態を解析するためのフォーカス評価アルゴリズムに対する検出可能な(目に見える特徴)が得られる。画像ベースのアッセイの実施形態では、フォーカス評価アルゴリズムはオートフォーカス実施態様における中心である。
本発明では、いくつかの実施形態において、サンプル保持デバイスは、画像ベースのアッセイにおける微視的特徴を解析するためのいくつかの特別なモニタリングマークを伴う平坦面を有する。いくつかの典型的な実施形態を以下のように列記する。
機械学習を用いて、サンプル画像内の検体を検出するとともに、検体をそれらの場所に対して覆う境界ボックスを計算する1つの方法を、処理の推論プロセスにおいてトレーニングされた機械学習モデルを用いて行う。機械学習法を用いてサンプル画像内の検体を検出して場所を特定する別の方法は、画素レベルでのサンプル画像内の検体の注釈を伴う検出及びセグメンテーションモデルを構築及びトレーニングすることである。このアプローチでは、画像ベースのアッセイにおいて検体を覆う密な二値画素マスクを用いて、サンプル画像内の検体を検出して場所を特定することができる。
E−1.アッセイ及び画像化用のQMAXデバイス
本発明によれば、生物学的検体の検出及び場所特定用のデバイスとして、QMAXデバイス、画像化装置、及びコンピューティングユニットを含むものが開示されている。QMAXデバイス上で生物学的サンプルが疑われている。本開示によって、サンプルに含まれる検体のカウント及び場所を取得する。
開示した検体検出及び場所特定では機械学習深層学習を用いる。機械学習アルゴリズムは、データから学習することができるアルゴリズムである。機械学習のより厳密な定義は、「コンピュータプログラムがタスクT及び性能指標Pのあるクラスに対して経験Eから学習すると言われるのは、Tのタスクにおけるその性能(Pによって測定される)が経験Eによって向上する場合である」である。データから学習してデータを予測することができるアルゴリズムの研究及び構築を探索する。このようなアルゴリズムでは、サンプル入力からモデルを構築することを通してデータ駆動の予測または判定を行うことによって、厳密に静的なプログラム命令に従うことが打開される。
トレーニングステージでは、注釈付きトレーニングデータが畳み込みニューラルネットワーク内に送られる。畳み込みニューラルネットワークは、既知の格子状トポロジを有するデータを処理するための特殊な種類のニューラルネットワークである。例としては、時系列データ(一定の時間間隔でサンプルを取り込む1Dグリッドと考えられる)及び画像データ(2Dグリッドの画素と考えられる)が挙げられる。畳み込みネットワークは実際の応用においてかなりの成功を収めている。名称「畳み込みニューラルネットワーク」は、ネットワークが畳み込みと言われる数学演算を用いていることを示している。畳み込みは特殊な種類の線形動作である。畳み込みネットワークは単に、それらの層の少なくとも1つにおいて汎用行列乗算の代わりに畳み込みを用いるニューラルネットワークである。
予測ステージでは、入力画像に検出コンポーネントを適用し、続いて場所特定コンポーネントを適用する。予測ステージの出力は、サンプルに含まれる検体のカウントとともに各検体の場所である。
入力:
ヒートマップ
出力:
座位
座位←{}
ソート(ヒートマップ)
while(ヒートマップが空でない){
s←ポップ(ヒートマップ)
D←{半径Rを伴うsとしてのディスク中心}
ヒートマップ=ヒートマップ\D//ヒートマップからDを取り除く
座位にsを加える
}
・取り除く項目がxr、その前の項目がxp、その後の項目がxfであると仮定する。
・前の項目xpに対して、その後の項目を、取り除く項目の後の項目と再規定する。したがって、xpの後の項目は今度はxfとなる。
・取り除く項目xrに対して、その前の項目及び後の項目を規定しない。その結果、取り除く項目が、順序付きリストから取り除かれる。
・後の項目xfに対して、その前の項目を、取り除いた項目の前の項目に再規定する。したがって、xfの前の項目は今度はxpとなる。
入力:
s:出発地(x、y)
ヒートマップ
出力:
s:局所的なピークの場所
値>0の画素のみを考える。アルゴリズムカバー(s、ヒートマップ)
入力:
s:局所的なピークの場所
ヒートマップ:
出力:
カバー:ピークによってカバーされる画素の組:
これは、sから始まる幅優先探索アルゴリズムであり、訪問点の条件の一つが変更されいる。ヒートマップ[p]>0及びヒートマップ[p]<=ヒートマップ[q]の場合に、現在位置qの隣pをカバーに加えるだけである。したがって、カバー内の各画素には局所的なピークsに至る非下降経路がある。
入力:
ヒートマップ
出力:
座位
座位←{}
画素←{ヒートマップからのすべての画素}
while画素が空でない{
s←画素からの任意の画素
s←ローカルサーチ(s、ヒートマップ)//sは今度は局所的なピークである
sを囲む半径Rの局所領域を精査して、より良好な局所的なピークを探す
r←カバー(s、ヒートマップ)
画素←画素\r//カバー内のすべての画素を取り除く
座位にsを加える
EA1.データ分析用の深層学習の方法であって、
(f)テストサンプルの画像を受け取ることであって、サンプルはQMAXデバイス内に装着され、画像はQMAXデバイスに接続された画像化装置が取り込み、画像にはテストサンプル中の検体からの検出可能信号が含まれる、受け取ることと、
(g)検出モデルを用いて画像を解析して画像の2Dデータアレイを作成することであって、2Dデータアレイには画像内の各場所に対する検体の確率データが含まれ、検出モデルはトレーニングプロセスを通して設定され、トレーニングプロセスには、iii.注釈付きデータセットを畳み込みニューラルネットワークに供給することであって、注釈付きデータセットは、テストサンプルと同じタイプのサンプルからのもので、同じ検体に対するものである、供給することと、
iv.畳み込みによって検出モデルをトレーニングして設定することと、が含まれる、作成することと、
(h)2Dデータアレイを解析して、
iii.信号リストプロセスまたは
iv.局所的な検索プロセスを用いて、局所的な信号ピークを検出することと、
(i)局所的な信号ピーク情報に基づいて検体の量を計算することと、が含まれる方法。
QMAXデバイス、画像化装置、及びコンピューティングユニットを含み、
(a)QMAXデバイスは、テストサンプルの少なくとも一部を極めて均一な厚さの層に圧縮するように構成され、
(b)画像化装置は、均一な厚さの層においてサンプルの画像を形成するように構成され、画像にはテストサンプル中の検体からの検出可能信号が含まれ、
(c)コンピューティングユニットは、
i.画像化装置から画像を受け取ることと、
ii.検出モデルを用いて画像を解析して、画像の2Dデータアレイを作成することであって、2Dデータアレイには画像内の各場所に対する検体の確率データが含まれ、検出モデルはトレーニングプロセスを通して設定され、トレーニングプロセスには、
注釈付きデータセットを畳み込みニューラルネットワークに供給することであって、注釈付きデータセットは、テストサンプルと同じタイプのサンプルからのもので、同じ検体に対するものである、供給することと、
畳み込みによって検出モデルをトレーニングして設定することと、が含まれる作成することと、
iii.(c)2Dデータアレイを解析して、信号リストプロセスまたは局所的な検索プロセスを用いて局所的な信号ピークを検出することと、
iv.局所的な信号ピーク情報に基づいて検体の量を計算することと、を行うように構成される、システム。
i.2Dデータアレイから局所的なピークを反復的に検出し、検出した局所的なピークを囲む局所面積を計算し、検出ピークを取り除いて局所面積データを信号リストに順番に入れることによって、信号リストを設けることと、
ii.信号リストから最高信号を、また最高信号の周りから信号を順次かつ繰り返して取り除くことによって、局所的な信号ピークを検出することと、が含まれる実施形態EA1の方法。
i.ランダム点から始めることによって2Dデータアレイ内の極大値を探すことと、ii.ピークを囲むが値がより小さい局所面積を計算することと、
iii.2Dデータアレイから極大値と周囲のより小さい値とを取り除くことと、
iv.ステップi〜iiiを繰り返して局所的な信号ピークを検出することと、が含まれるEA実施形態の任意の実施形態の方法。
いくつかの実施形態では、アッセイの信頼性を向上させるための方法であって、(a)QMAXカード上のサンプルを画像化することと、
(b)エラー危険因子を分析することと、
(c)エラー危険因子が閾値よりも高い場合に、カードがカードの測定結果を報告することを拒否することと、を含み、
エラー危険因子は、以下の因子のうちの1つまたはそれらの任意の組み合わせである、方法。因子は以下であるが、これらに限定されない。(1)血液のエッジ、(2)血液中の気泡、(3)血液量が少なすぎるかまたは血液量が多すぎる、(4)スペーサの下の血球、(5)塊状の血球、(6)溶解した血球、(7)サンプル画像が露出過多である、(8)サンプル画像が露出不足である、(8)サンプルのフォーカスが不十分である、(9)間違ったレバー位置としての光学システムエラー、(10)カードが閉じていない、(11)スペーサがないカードとしての間違ったカード、(12)カード内のホコリ、(13)カード内のオイル、(14)カード上の焦点面から汚れが出ている、(15)カードが読取機の内部の正しい位置にない、(16)カードが空である、(17)カード内の製造エラー、(18)他の応用例に対する間違ったカード、(19)血液が乾燥している、(20)カードの有効期限が切れている、(21)血球の分布が大きく変化している、(22)血液サンプルではないかまたは標的血液サンプルではないなど。
閾値は機械学習から決定する。
モニタリングマークはエラー危険因子を特定するための対照として用いる。
モニタリングマークはエラー危険因子の閾値を評価するための対照として用いる。
例A1は、画像化ベースのアッセイを改善する装置を使用する方法である。方法には以下が含まれていてもよい。複数のモニタリング構造を含むサンプルホルダのサンプル画像を受け取ることであって、複数のモニタリング構造はサンプルホルダの少なくとも1つのプレートの接触面上に一体化され、複数のモニタリング構造はパターンに従って配置され、接触面は、複数の検体を含むサンプルと接触している、受け取ることと、機械学習モデルを用いてサンプル画像内の複数のモニタリング構造を検出することと、任意的に、検出した複数のモニタリング構造のエラー補正を、複数のモニタリング構造に付随する所定の構造特性を用いて行うことと、検出した複数のモニタリング構造に基づいて、サンプル画像に付随する真の横寸法値を決定することと、真の横寸法値に基づいて、サンプル画像内の検出した複数のモニタリング構造の場所と、サンプルホルダに関係づけられる実際の画像プランにおける複数のモニタリング構造に対する所定の分布パターンとの間のホモグラフィ変換を決定することと、ホモグラフィ変換に基づいて、複数の検体を含むサンプル画像を実際の画像プランにおける対応する斜視図に変換することと、サンプル画像内の複数の検体の少なくとも1つに付随する少なくとも1つの形態的特性を計算すること。
a)複数のモニタリング構造を含むサンプルホルダのサンプル画像を受け取ることであって、複数のモニタリング構造は、サンプルホルダの少なくとも1つのプレートの接触面上に一体化され、複数のモニタリング構造はパターンに従って配置され、接触面は複数の検体を含むサンプルと接触している、受け取ることと、
b)機械学習モデルを用いてサンプル画像内の複数のモニタリング構造を検出することと、
c)検出した複数のモニタリング構造のエラー補正を、複数のモニタリング構造に付随する所定の構造特性を用いて行うことと、
d)検出した複数のモニタリング構造に基づいて、サンプル画像に付随する真の横寸法値を決定することと、
e)真の横寸法値に基づいて、サンプル画像内の検出した複数のモニタリング構造の場所と、サンプルホルダに関係づけられる実際の画像プランにおける複数のモニタリング構造に対する所定の分布パターンとの間のホモグラフィ変換を決定することと、f)ホモグラフィ変換に基づいて、複数の検体を含むサンプル画像を実際の画像プランにおける対応する斜視図に変換することと、
g)サンプル画像内の複数の検体の少なくとも1つに付随する少なくとも1つの形態的特性を計算することと、を含む方法。
少なくとも4つの非共線点を含む複数のモニタリング構造の検出した中心に基づいてホモグラフィ変換を決定することと、をさらに含むA1の方法。
a)サンプル保持デバイス内のアッセイング用のサンプルの画像を取り込むことであって、サンプル保持デバイスはA1(a)に記載したものであり、サンプル保持デバイス内のサンプルは既知の均一な高さを含み、検体は対象面積内で単層を形成する、取り込むことと、
b)(a)からのサンプル画像のTLD/FoVを推定して、結果として、画像ベースのアッセイングにおける面積、サイズ、及び体積を得ることと、
c)アッセイング用サンプルの画像内での気泡またはホコリを含む欠陥を検出して、トレーニングされた機械学習モデルによってサンプル中のこれらの欠陥の画像をセグメント化することと、
d)サンプル画像内のセグメント化された欠陥の全面積を推定して、(b)から推定したTLD/FoVを用いてそれらの実際の面積サイズを計算することと、
e)(d)からの面積推定値とサンプル保持デバイス内のサンプルの既知の高さとにより、アッセイング用サンプルの画像内の検出した欠陥の全表面積に対応するサンプルの実際の体積を推定することと、
f)アッセイング用サンプルの画像内の検出した欠陥の表面積を取り除き、残りのサンプルの全体積を、検出した欠陥の表面積の下の全体積に対応する(e)から欠陥体積推定値を差し引くことによって更新することと、
g)更新したサンプル画像の選択面積とマイクロ選択的画像アッセイングに対する(f)からの更新したサンプル体積とに対して、画像ベースのアッセイングを行うことと、を含む方法。
a)気泡及びホコリを含むサンプル中の欠陥の分布と、
b)アッセイング用サンプルの画像内でのピラー及びモニタリングマーク及び他の人工物の場所と、
c)アッセイング用サンプルの画像内での検体の分布及び状態(たとえば、検体クラスタリングの状態及びフォーカシング状態)を含む他の選択基準に基づくA4の方法。
a)サンプル保持デバイス内の欠落しているピラーまたは壊れたピラーを検出することであって、欠落しているピラーまたは壊れたピラーはアッセイングに対する有効なサンプル体積に影響する、検出することと、
b)ピラーまたはモニタリングマーク上の物体または検体を検出することであって、物体または検体は、サンプル保持デバイス内のサンプルの高さ及び結果としてアッセイング用のサンプルの有効な体積に影響する、検出することと、
c)サンプル画像内の気泡及びホコリを検出して、アッセイング操作における欠点またはサンプル保持デバイス内の欠陥を示すことと、を含む方法。
別に定義がない限り、本明細書で用いる技術及び科学用語はすべて、本開示が属する技術分野において通常の知識を有する者によって広く理解されるものと同じ意味を有する。本教示を実施または試験する際に、本明細書で説明したものと同様または同等である任意の方法及び材料を用いることもできるが、ここではいくつかの典型的な方法及び材料について説明する。
Claims (42)
- 画像処理及び機械学習を用いた携帯型アッセイング(QMAXカード付き)の方法及び装置−濃度推定(CBC)、セグメンテーションなどに対する例。
AA−1.
薄層サンプルを含む画像システムのシステムエラーを補正するための方法であって、
前記画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードに付随する画像及び第1のパラメータを受け取ることと、
前記処理装置によって、第1の機械学習モデルを用いることによって、前記画像システムの前記システムエラーを、前記第1のパラメータを前記サンプルカードの製造中に決定される前記モニタ基準に付随する第2のパラメータと比較することによって決定することと、
前記処理装置によって、前記システムエラーを考慮して前記サンプルカードの前記画像を補正することと、
前記処理装置によって、前記補正した画像を用いることによって、前記サンプルの生物学的特性を決定することと
を含む、前記方法。 - AA−2.
前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、例AA−1に記載の方法。 - AA−3.
前記サンプルは、動物から収集した生物学的サンプルである、例AA−1に記載の方法。 - ピラーを用いたTLD(FoV)推定と、マーカー(ピラー)を用いてQカードの前記画像化からの画像補正を行うことに対する例
BA−1.
インテリジェントアッセイモニタ方法であって、
サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を、処理装置によって受け取ることと、
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記処理装置によって、前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記処理装置によって、前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記処理装置によって、前記補正した画像を用いることによって、前記生物学的サンプルの生物学的特性を決定することと
を含む、前記インテリジェントアッセイモニタ方法。 - BA−2.
前記サンプルカードには、第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、が含まれる、例BA−1に記載の方法。 - BA−3.
前記複数のモニタマークは前記複数のピラーに対応する、例BA−2に記載の方法。 - BA−4.
前記複数のピラーのうち少なくとも2つが真の横寸法(TLD)によって分離され、
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することには、前記処理装置によって、前記画像に対して前記第1の機械学習モデルを実行することによって、前記TLDを決定することが含まれる、
例BA−3に記載の方法。 - BB−1.
画像システムであって、
第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、を含むサンプルカードと、
コンピューティングデバイスと
を含み、
前記コンピューティングデバイスは、
光学センサに通信可能に結合された処理装置を含み、前記処理装置は、
前記光学センサから、前記サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を受け取ることと、
前記画像に対して第1の機械学習モデルを用いることによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記補正した画像に基づいて、前記生物学的サンプルの生物学的特性を決定することと
を行う、
前記画像システム。 - アッセイングにおける前記カードの不適切な閉検出に対するピラー上の物体の検出に対する例
CA−1.
薄層サンプルのアッセイ画像に記録された人間操作エラーを補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルカードの第1のプレート上に一体化された複数のナノ構造が含まれ、前記サンプルは、前記サンプルカードの開構成において前記第1のプレート上に堆積され、前記サンプルカードの閉構成において前記サンプルカードの第2のプレートによって囲まれる、前記受け取ることと、
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノ構造に対応する第2のサブ領域とにセグメント化することと、
前記処理装置によって、前記第2のサブ領域を、前記サンプルの製造中に与えられる前記モニタ基準と比較して、前記第2のサブ領域のうちの少なくとも1つに前記ナノ構造以外の異物が含まれるか否かを判定することと、
前記第2のサブ領域のうちの少なくとも1つに前記ナノ構造以外の異物が含まれるという決定に応じて、前記サンプルカードの操作に付随するエラーを決定することと、
前記画像から前記少なくとも1つのサブ領域を取り除くことによって前記サンプルカードの前記画像を補正することと
を含む、前記方法。 - CA−2.
前記異物は前記サンプルの一部、気泡、または不純物のうちの1つである、例CA−1に記載の方法。 - アッセイングにおける欠陥(たとえば気泡、ホコリなど)及び補助構造(たとえば、ピラー)除去に対する例
DA−1.
薄層サンプルカード内のサンプルの体積を測定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに垂直に一体化された複数のピラーが含まれ、前記複数の各ピラーは高さ(H)が実質的に同一である、前記受け取ることと、
前記処理装置によって、機械学習モデルを用いることによって、複数の無サンプルサブ領域を決定することであって、前記複数の無サンプルサブ領域は、ピラー、気泡、または不純物要素のうちの少なくとも1つに対応する、前記決定することと、
前記処理装置によって、前記画像から前記複数の無サンプルサブ領域を取り除くことによって前記サンプルによって占有された面積を計算することと、
前記処理装置によって、前記計算した面積及び前記高さ(H)に基づいて前記サンプルの体積を計算することと、
前記処理装置によって、前記体積に基づいて、前記サンプルの生物学的特性を決定することと
を含む、前記方法。 - ESX105信頼(1028_03)に対する例−アッセイ結果の信頼を判断するために用いる
a.MLベースの境界ボックス検出と画像処理ベースの形状決定とを結合する形状セグメンテーション
b.アッセイングにおける検体検出の一様性(IQRベースの外れ値検出)
c.MLを用いた塊状検体検出
d.MLを用いたカード上の乾燥テクスチャ検出
e.MLを用いた欠陥(たとえば、ホコリ、オイルなど)検出
f.MLを用いた気泡検出
EA−1.
画像アッセイ結果に付随する信頼価値測定値を決定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに一体化された複数のナノ構造が含まれる、前記受け取ることと、
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノ構造に対応する第2のサブ領域とにセグメント化することと、
前記処理装置によって、第1の機械学習モデルを用いることによって、前記第1のサブ領域または前記第2のサブ領域のうちの少なくとも1つにおける不適合な要素を決定することと、
前記処理装置によって、前記第1のサブ領域及び前記第2のサブ領域に基づいて、前記サンプルの生物学的特性を決定することと、
前記処理装置によって、前記不適合な要素の統計分析に基づいて、前記生物学的特性に付随する前記信頼価値測定値を計算することと、
前記処理装置によって、前記信頼価値測定値に基づいて、前記サンプルに対するさらなる操作を決定することと
を含む、前記方法。 - EA−2.
前記処理装置によって、前記信頼価値測定値に基づいて、前記生物学的特性は信頼性が高いと判定することと、
前記処理装置によって、前記生物学的特性を表示デバイスに送ることと
をさらに含む、例EA−1に記載の方法。 - EA−3.
前記処理装置によって、前記信頼価値測定値に基づいて、前記生物学的特性はそれほど信頼性は高くないと判定することと、
前記処理装置によって、前記生物学的特性及び前記対応する信頼価値測定値を表示デバイスに送って前記生物学的特性を受け入れるか廃棄するかをユーザが判定できるようにすることと
をさらに含む、例EA−1に記載の方法。 - EA−4.
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノ構造に対応する第2のサブ領域とにセグメント化すること、
前記処理装置によって、画像処理方法を用いることによって、前記画像に対して第1の画像セグメンテーションを行うことによって、第1のセグメンテーション結果を生成することと、
前記処理装置によって、第2の機械学習モデルを用いることによって、前記画像に対して第2の画像セグメンテーションを行うことによって、第2のセグメンテーション結果を生成することと、
前記処理装置によって、前記第1のセグメンテーション結果と前記第2のセグメンテーション結果とを結合することによって、前記画像を、前記サンプルに対応する前記第1のサブ領域と前記複数のナノ構造に対応する前記第2のサブ領域とにセグメント化すること
、
例EA−1に記載の方法。 - EA−5.
前記処理装置によって、第1の機械学習モデルを用いることによって、前記第1のサブ領域または前記第2のサブ領域のうちの少なくとも1つにおける不適合な要素を決定することには、
前記処理装置によって、前記サンプル中の少なくとも1つの検体の分布不均一に基づいて、前記不適合要素を決定すること、
前記処理装置によって、前記サンプルの塊状検体検出に基づいて、前記不適合要素を決定すること、
前記処理装置によって、前記サンプル中の乾燥テクスチャの検出に基づいて、前記不適合要素を決定すること、
前記処理装置によって、前記サンプル中の不純物の検出に基づいて、前記不適合要素を決定すること、または
前記処理装置によって、前記サンプル中の気泡の検出に基づいて、前記不適合要素を決定すること
のうちの少なくとも1つが含まれる、例EA−1に記載の方法。 - セグメンテーションに基づく中身を伴う単一カードに対するマルチセグメント化された試験に対する例
FA−1.
単一のサンプルカードを用いて複数の検体の測定値を決定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに一体化された複数のナノ構造が含まれる、前記受け取ることと、
前記処理装置によって、第1の機械学習モデルを用いることによって、前記画像を、前記サンプルに含まれる第1の検体に付随する第1のサブ領域と、前記サンプルに含まれる第2の検体に付随する第2の領域と、前記複数のナノ構造に対応する第3のサブ領域とにセグメント化することと、
前記処理装置によって、前記複数のナノ構造に対応する前記第3のサブ領域に基づいて、2つの隣接するナノ構造間の真の横方向距離(TLD)を決定することと、
前記処理装置によって、前記TLDに基づいて、前記第1のサブ領域の第1の累積面積を決定し、さらに前記第1の累積面積と前記複数のナノ構造に付随する高さとに基づいて第1の体積を決定することと、
前記処理装置によって、前記TLDに基づいて、前記サブ領域の第2の累積面積を決定し、さらに前記第2の累積面積と前記複数のナノ構造に付随する高さとに基づいて第2の体積を決定することと、
前記処理装置によって、前記第1の体積内の前記第1の検体のカウントに基づいて、前記第1の検体の第1の測定値を決定することと、
前記処理装置によって、前記第2の体積内の前記第2の検体のカウントに基づいて、前記第2の検体の第2の測定値を決定することと
を含む、前記方法。 - ピラーベースの分光光度計のシステム及び装置に対する例
GA−1.
複数のナノピラーを含むサンプルカード内に与えられたサンプルの生物学的特性を測定するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準には前記サンプルの第1のプレートに一体化された複数のナノ構造が含まれる、前記受け取ることと、
前記処理装置によって、前記画像を、前記サンプルに対応する第1のサブ領域と前記複数のナノピラーに対応する第2のサブ領域とにセグメント化することと、
前記処理装置によって、前記第1のサブ領域の第1の分光光度測定値を決定することと、
前記処理装置によって、前記第2のサブ領域の第2の分光光度測定値を決定することと、
前記処理装置によって、前記第1の分光光度測定値と第2の分光光度測定値との間の比に基づいて、前記サンプルの生物学的特性を決定することと
を含む、方法。 - 大量の小さくて繰り返される物体の標識化に対する例
HA−1.
トレーニングデータを作成するために画像内の複数の物体を標識化するための方法であって、
処理装置によって、グラフィックユーザインターフェースにおける前記画像を受け取ることと、
前記処理装置によって、前記グラフィックユーザインターフェースを通して、前記画像内の位置の選択を受け取ることと、
前記処理装置によって、前記位置の近くの複数の画素に基づいて、前記位置を囲む境界ボックスを計算することと、
前記処理装置によって、前記グラフィックユーザインターフェースにおける前記画像に重ねられた前記境界ボックスの表示をもたらすことと、
ユーザ確認を受け取ることに応じて、前記境界ボックス内の領域をトレーニングデータとして標識化することと
を含む、前記方法。 - IA−1.
アッセイ画像を作成するための方法であって、
複数のマーカー要素を含むサンプルカードを用意することと、
開構成の前記サンプルカードの第1のプレート上にサンプルを堆積させることと、
前記サンプルカードを閉じて、前記サンプルカードの第2のプレートを前記第1のプレートに対して押して、閉構成にすることであって、前記閉構成にある前記第1のプレート及び前記第2のプレートは、略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む薄層を形成する、前記閉構成にすることと、
処理装置と命令を記憶する非一時的な記憶媒体とを含む画像システムを用意することであって、前記命令は前記処理装置によって実行されると、
略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む前記サンプルカードの画像を取り込むことと、
前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの非理想因子を決定することと、
前記非理想因子を補正するように前記サンプルカードの前記画像を処理することと
を行う、前記用意することと
を含む、前記方法。 - IB−1.
アッセイ画像を作成するための方法であって、
複数のマーカー要素を含むサンプルカードを用意することと、
開構成の前記サンプルカードの第1のプレート上にサンプルを堆積させることと、
前記サンプルカードを閉じて、前記サンプルカードの第2のプレートを前記第1のプレートに対して押して、閉構成にすることであって、前記閉構成にある前記第1のプレート及び前記第2のプレートは、略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む薄層を形成する、前記閉構成にすることと、
処理装置と命令を記憶する非一時的な記憶媒体とを含む画像システムを用意することであって、前記命令は前記処理装置によって実行されると、
略均一な厚さの前記サンプルと前記複数のマーカー要素とを含む前記サンプルカードの画像を取り込むことと、
前記画像を複数のサブ領域に分割することと、
機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記第1のサブ領域を適合していると標識化することと、
前記画像の前記適合しているサブ領域を用いてアッセイ分析を実行することと
を行う、前記用意することと
を含む、前記方法。 - IC−1.
画像システムの非理想因子を補正するための方法であって、
前記画像システムの処理装置によって、サンプルカードの画像を受け取ることであって、前記サンプルカードには、前記サンプルカードのプレート上に堆積された略均一な層のサンプルと前記サンプルカードに付随する複数のマーカー要素とが含まれる、前記受け取ることと、
前記処理装置によって、前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの前記非理想因子を決定することと、
前記サンプルカードの前記画像を処理して前記非理想因子を補正することと
を含む、前記方法。 - ID−1.
画像システムの非理想因子を補正するための方法であって、
前記画像システムの処理装置によって、サンプルカードの画像を受け取ることであって、前記サンプルカードには、前記サンプルカードのプレート上に堆積された略均一な層のサンプルと前記サンプルカードに付随する複数のマーカー要素とが含まれる、前記受け取ることと、
前記処理装置によって、前記画像を複数のサブ領域に分割することと、
前記処理装置によって、機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記処理装置によって、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記処理装置によって、前記第1のサブ領域を適合していると標識化することと、
前記処理装置によって、前記画像の前記適合しているサブ領域を用いてアッセイ分析を行うことと
を含む、前記方法。 - IE−1.
画像システムであって、
第1のプレート、第2のプレート、及び複数のマーカー要素を含むサンプルカードを保持するアダプタと、
前記アダプタに結合されたモバイルコンピューティングデバイスと
を含み、
前記モバイルコンピューティングデバイスは、
前記複数のマーカー要素及び前記サンプルカードの画像を取り込む光学センサであって、前記サンプルカードには、前記サンプルカードの前記第1のプレートと前記第2のプレートとの間に堆積された略均一な層のサンプルが含まれる、前記光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ前記画像を受け取ることと、
前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの非理想因子を決定することと、
前記非理想因子を補正するように前記サンプルカードの前記画像を処理することと
を行う、
前記画像システム。 - IF−1.
画像システムであって、
第1のプレート、第2のプレート、及び複数のマーカー要素を含むサンプルカードを保持するアダプタと、
前記アダプタに結合されたモバイルコンピューティングデバイスと
を含み、
前記モバイルコンピューティングデバイスは、
前記複数のマーカー要素及び前記サンプルカードの画像を取り込む光学センサであって、前記サンプルカードには、前記サンプルカードの前記第1のプレートと前記第2のプレートとの間に堆積された略均一な層のサンプルが含まれる、前記光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ前記画像を受け取ることと、
前記画像を複数のサブ領域に分割することと、
機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記第1のサブ領域を適合していると標識化することと、
前記画像の前記適合しているサブ領域を用いてアッセイ分析を実行することと
を行う、
前記画像システム。 - IG−1.
モバイル画像化デバイスであって、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ画像を受け取ることであって、前記画像には、複数のマーカー要素と、サンプルカードの第1のプレートと第2のプレートとの間に堆積された略均一な層のサンプルとが含まれる、前記受け取ることと、
前記画像内の前記複数のマーカー要素を検出することと、
前記検出した複数のマーカー要素を前記サンプルカードに付随するモニタ基準と比較して、前記複数のマーカー要素と前記モニタ基準との間の幾何学的マッピングを決定することと、
前記幾何学的マッピングに基づいて前記画像システムの非理想因子を決定することと、
前記非理想因子を補正するように前記サンプルカードの前記画像を処理することと
を行う、
前記モバイル画像化デバイス。 - IH−1.
モバイル画像化デバイスであって、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記光学センサが取り込んだ前記画像を受け取ることであって、前記画像には、複数のマーカー要素と、サンプルカードの第1のプレートと第2のプレートとの間に堆積された略均一な層のサンプルとが含まれる、前記受け取ることと、
前記画像を複数のサブ領域に分割することと、
機械学習モデル及び前記複数のマーカー要素を用いて、前記複数の各サブ領域が前記画像システムの要求を満たすか否かを判定することと、
サブ領域が前記要求を満たさないという判定に応じて、前記第1のサブ領域を不適合であると標識化することと、
前記サブ領域が前記要求を満たすという判定に応じて、前記第1のサブ領域を適合していると標識化することと、
前記画像の前記適合しているサブ領域を用いてアッセイ分析を実行することと
を行う、
前記モバイル画像化デバイス。 - II−1.
インテリジェントアッセイモニタ方法であって、
サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を、処理装置によって受け取ることと、
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記処理装置によって、前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記処理装置によって、前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記処理装置によって、前記補正した画像を用いることによって、前記生物学的サンプルの生物学的特性を決定することと
を含む、前記インテリジェントアッセイモニタ方法。 - II−2.
前記サンプルカードには、第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、が含まれる、例II−1に記載の方法。 - II−3.
前記複数のモニタマークは前記複数のピラーに対応する、請求項II−2に記載の方法。 - II−4.
前記複数のモニタマークは、前記第1のプレートまたは前記第2のプレートの少なくとも一方内に与えられる、請求項II−2に記載の方法。 - II−5.
前記処理装置によって、前記画像に対して第1の機械学習モデルを実行することによって、前記複数のモニタマークに付随する前記幾何学的特徴の前記測定値を決定することには、
前記処理装置によって、第1の機械学習モデルを実行することによって、前記画像から前記複数のモニタマークを特定することと、
前記処理装置によって、前記特定した複数のモニタマークに基づいて、前記幾何学的特徴の前記測定値を決定することと
がさらに含まれる、II−1に記載の方法。 - II−6.
前記処理装置によって、前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の前記変化を決定することには、
前記処理装置によって、システムエラーまたは人間操作エラーの一方を決定することと、
前記システムエラーまたは前記人間操作エラーの前記決定した一方を、前記処理装置に付随する表示デバイス上に示すことと
がさらに含まれる、請求項II−1に記載の方法。 - II−7.
画像システムであって、
第1のプレートと、前記第1のプレートの表面に実質的に垂直に一体化された複数のピラーと、前記第1のプレートを囲んで前記生物学的サンプルが堆積する薄層を形成することができる第2のプレートと、を含むサンプルカードと、
コンピューティングデバイスと
を含み、
前記コンピューティングデバイスは、光学センサに通信可能に結合された処理装置を含み、
前記処理装置は、
前記光学センサから、前記サンプルカード内に堆積する生物学的サンプルの第1の情報と複数のモニタマークの第2の情報とをエンコードする画像を受け取ることと、
前記画像に対して第1の機械学習モデルを用いることによって、前記複数のモニタマークに付随する幾何学的特徴の測定値を決定することと、
前記幾何学的特徴の前記測定値と前記サンプルカードによって与えられる前記幾何学的特徴のグラウンドトゥルース値との間の変化を決定することと、
前記変化に基づいて、前記第1の情報及び前記第2の情報をエンコードする前記画像を補正することと、
前記補正した画像に基づいて、前記生物学的サンプルの生物学的特性を決定することと
を行う、
前記画像システム。 - IJ−1.
薄層サンプルのアッセイ画像における非理想因子を補正するための方法であって、
モニタ基準を含むサンプルカードであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含む、前記サンプルカードを用意することと、
前記サンプルカードの前記プレート上にサンプルを堆積させることと、
処理装置と命令を記憶する非一時的な記憶媒体とを含む画像システムを用意することであって、前記命令は前記処理装置によって実行されると、
前記サンプルと前記モニタ基準とを含む前記サンプルカードの画像を取り込むことと、
前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、前記用意することと
を含む、前記方法。 - IJ−2.
薄層サンプルのアッセイ画像における非理想因子を補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を含む、前記方法。 - IJ−3.
薄層サンプルのアッセイ画像における非理想因子を補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、機械学習モデルを用いて、前記画像システムの非理想因子を決定することであって、前記サンプルカードの画像を前記サンプルカードの製造中に決定される前記モニタ基準の幾何学的値と比較することによって、前記機械学習モデルをトレーニングする、前記決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を含む、前記方法。 - IJ−4.
モバイル画像化デバイスであって、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記モバイル画像化システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、
前記モバイル画像化デバイス。 - IJ−5.
画像システムであって、
モニタ基準を含むサンプルカードを保持するアダプタであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、サンプルは前記プレート上に堆積されている、前記アダプタと、
前記アダプタに結合されたモバイルコンピューティングデバイスと
を含み、
前記モバイルデバイスは、
光学センサと、
前記光学センサに通信可能に結合された処理装置と
を含み、
前記処理装置は、
前記サンプルカードの画像を受け取ることと、
前記プレート上に堆積された前記サンプルを含むサンプルカードの前記画像を、前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、
前記画像システム。 - IJ−6.
サンプルカードであって、
前記サンプルカードのプレート上に複数のナノ構造を含むモニタ基準であって、サンプルは前記プレート上に堆積され、前記サンプルカードを、処理装置と光学センサとを含む画像システムに結合されたアダプタに差し込んで、前記サンプルカードの画像を取り込む、前記モニタ基準を含み、
前記処理装置は、
前記サンプルカードの前記画像を受け取ることと、
前記プレート上に堆積された前記サンプルを含むサンプルカードの前記画像を、前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像システムの非理想因子を決定することと、
前記非理想因子を考慮して前記サンプルカードの前記画像を補正することと
を行う、
前記サンプルカード。 - IJ−7.
薄層サンプルを含む画像システムのシステムエラーを補正するための方法であって、
前記画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードに付随する画像及び第1のパラメータを受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、前記第1のパラメータを前記サンプルカードの製造中に決定される前記モニタ基準に付随する第2のパラメータと比較することによって、前記画像システムの前記システムエラーを決定することと、
前記システムエラーを考慮して前記サンプルカードの前記画像を補正することと
を含む、前記方法。 - IJ−8.
薄層サンプルのアッセイ画像に記録された人間操作エラーを補正するための方法であって、
画像システムの処理装置によって、サンプルとモニタ基準とを含むサンプルカードの画像を受け取ることであって、前記モニタ基準は前記サンプルカードのプレート上に複数のナノ構造を含み、前記サンプルは前記プレート上に堆積されている、前記受け取ることと、
前記処理装置によって、機械学習モデルを用いて、前記サンプルカードの前記画像を前記サンプルカードの製造中に決定される前記モニタ基準の複数の幾何学的値と比較することによって、前記画像内に反映された人間操作エラーを決定することであって、前記人間操作エラーには前記画像システムの取り扱いミスが含まれる、前記決定することと、
前記画像内に反映された前記人間操作エラーを取り除くことによって前記サンプルカードの前記画像を補正することと
を含む、前記方法。
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862764886P | 2018-08-16 | 2018-08-16 | |
US201862764887P | 2018-08-16 | 2018-08-16 | |
US201862719129P | 2018-08-16 | 2018-08-16 | |
US62/719,129 | 2018-08-16 | ||
US62/764,886 | 2018-08-16 | ||
US62/764,887 | 2018-08-16 | ||
US201862719201P | 2018-08-17 | 2018-08-17 | |
US62/719,201 | 2018-08-17 | ||
PCT/US2019/046971 WO2020055543A1 (en) | 2018-08-16 | 2019-08-16 | Image-based assay using intelligent monitoring structures |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021535369A true JP2021535369A (ja) | 2021-12-16 |
Family
ID=69776888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021507893A Pending JP2021535369A (ja) | 2018-08-16 | 2019-08-16 | インテリジェントモニタリング構造を用いた画像ベースのアッセイ |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3837525A4 (ja) |
JP (1) | JP2021535369A (ja) |
CN (1) | CN113227754A (ja) |
WO (1) | WO2020055543A1 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220148177A1 (en) * | 2019-06-02 | 2022-05-12 | Essenlix Corporation | Fast staining of biomaterials enhanced by image processing and artificial intelligence |
CN116783660A (zh) * | 2020-10-08 | 2023-09-19 | Essenlix 公司 | 减少测定错误 |
CN117222892A (zh) * | 2020-12-07 | 2023-12-12 | 上海宜晟生物科技有限公司 | 用于液体样品控制和测定的基座卡和方法 |
KR102509215B1 (ko) * | 2021-02-08 | 2023-03-14 | 국민대학교산학협력단 | 인쇄회로기판의 코팅 영역 검출 방법 및 장치 |
CN113344783B (zh) * | 2021-06-08 | 2022-10-21 | 哈尔滨工业大学 | 一种热力图感知的金字塔人脸超分辨率网络 |
CN116109982B (zh) * | 2023-02-16 | 2023-07-28 | 哈尔滨星云智造科技有限公司 | 一种基于人工智能的生物样本采集有效性检验方法 |
CN117556245B (zh) * | 2024-01-04 | 2024-03-22 | 信联电子材料科技股份有限公司 | 一种四甲基氢氧化铵生产过滤杂质检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014069248A1 (ja) * | 2012-11-02 | 2014-05-08 | ソニー株式会社 | 画像処理装置および画像処理方法、並びにプログラム |
JP2015514997A (ja) * | 2012-04-20 | 2015-05-21 | スリップチップ, エルエルシー | サンプル調製または自律分析のための流体デバイスおよびシステム |
JP2015533086A (ja) * | 2012-10-03 | 2015-11-19 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 組み合わされた試料検査 |
JP2018063187A (ja) * | 2016-10-13 | 2018-04-19 | ヤマハ発動機株式会社 | 容器構造体及びこれを用いた撮像システム |
WO2018102748A1 (en) * | 2016-12-01 | 2018-06-07 | Berkeley Lights, Inc. | Automated detection and repositioning of micro-objects in microfluidic devices |
US20180202903A1 (en) * | 2015-08-10 | 2018-07-19 | Essenlix Corporation | Bio/chemical assay devices and methods for simplified steps, small samples, accelerated speed, and ease-of-use |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6905881B2 (en) * | 2000-11-30 | 2005-06-14 | Paul Sammak | Microbead-based test plates and test methods for fluorescence imaging systems |
EP1405269A2 (en) * | 2001-05-04 | 2004-04-07 | Legend Films, Llc | Image sequence enhancement system and method |
GB201105474D0 (en) * | 2011-03-31 | 2011-05-18 | Albagaia Ltd | Testing apparatus |
US8774515B2 (en) * | 2011-04-20 | 2014-07-08 | Xerox Corporation | Learning structured prediction models for interactive image labeling |
US9060685B2 (en) * | 2012-03-26 | 2015-06-23 | Nec Laboratories America, Inc. | Whole tissue classifier for histology biopsy slides |
JP7166253B2 (ja) * | 2016-12-08 | 2022-11-07 | エッセンリックス コーポレーション | アッセイ試料カードおよびアダプタならびにそれらの使用法 |
US9756324B1 (en) * | 2017-04-10 | 2017-09-05 | GELT Inc. | System and method for color calibrating an image |
-
2019
- 2019-08-16 EP EP19860313.6A patent/EP3837525A4/en active Pending
- 2019-08-16 CN CN201980068655.3A patent/CN113227754A/zh active Pending
- 2019-08-16 WO PCT/US2019/046971 patent/WO2020055543A1/en active Search and Examination
- 2019-08-16 JP JP2021507893A patent/JP2021535369A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015514997A (ja) * | 2012-04-20 | 2015-05-21 | スリップチップ, エルエルシー | サンプル調製または自律分析のための流体デバイスおよびシステム |
JP2015533086A (ja) * | 2012-10-03 | 2015-11-19 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 組み合わされた試料検査 |
WO2014069248A1 (ja) * | 2012-11-02 | 2014-05-08 | ソニー株式会社 | 画像処理装置および画像処理方法、並びにプログラム |
US20180202903A1 (en) * | 2015-08-10 | 2018-07-19 | Essenlix Corporation | Bio/chemical assay devices and methods for simplified steps, small samples, accelerated speed, and ease-of-use |
JP2018063187A (ja) * | 2016-10-13 | 2018-04-19 | ヤマハ発動機株式会社 | 容器構造体及びこれを用いた撮像システム |
WO2018102748A1 (en) * | 2016-12-01 | 2018-06-07 | Berkeley Lights, Inc. | Automated detection and repositioning of micro-objects in microfluidic devices |
Also Published As
Publication number | Publication date |
---|---|
EP3837525A1 (en) | 2021-06-23 |
WO2020055543A1 (en) | 2020-03-19 |
CN113227754A (zh) | 2021-08-06 |
EP3837525A4 (en) | 2023-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11674883B2 (en) | Image-based assay performance improvement | |
US11719618B2 (en) | Assay accuracy improvement | |
JP2021535369A (ja) | インテリジェントモニタリング構造を用いた画像ベースのアッセイ | |
US10755406B2 (en) | Systems and methods for co-expression analysis in immunoscore computation | |
CN111512383B (zh) | 用于图像处理的自动测定评估和归一化 | |
US12007320B2 (en) | Assay detection, accuracy and reliability improvement | |
US9697582B2 (en) | Methods for obtaining and analyzing images | |
CN112689757A (zh) | 使用crof和机器学习的基于图像测定的系统和方法 | |
US20220351860A1 (en) | Federated learning system for training machine learning algorithms and maintaining patient privacy | |
US20220351379A1 (en) | Non-tumor segmentation to support tumor detection and analysis | |
CN113966522A (zh) | 基于成像的测定的有效训练和准确度改进 | |
US20230408534A1 (en) | Assay Error Reduction | |
US20220404342A1 (en) | Improvements of Lateral Flow Assay and Vertical Flow Assay | |
EP4260324A1 (en) | Systems and methods for generating histology image training datasets for machine learning models | |
Can et al. | Techniques for cellular and tissue-based image quantitation of protein biomarkers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210524 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220810 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230616 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20230620 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230626 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230925 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20240208 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20240319 |