JP6927465B2 - 検体中の妨害因子を分類するためのモデルベース方法及び装置 - Google Patents

検体中の妨害因子を分類するためのモデルベース方法及び装置 Download PDF

Info

Publication number
JP6927465B2
JP6927465B2 JP2017542014A JP2017542014A JP6927465B2 JP 6927465 B2 JP6927465 B2 JP 6927465B2 JP 2017542014 A JP2017542014 A JP 2017542014A JP 2017542014 A JP2017542014 A JP 2017542014A JP 6927465 B2 JP6927465 B2 JP 6927465B2
Authority
JP
Japan
Prior art keywords
liquid
sample
sample container
pixels
interfering
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.)
Active
Application number
JP2017542014A
Other languages
English (en)
Other versions
JP2018511787A (ja
Inventor
パーク、ジンヒョン
チャーン、ヤオ−ジェン
ウー、ウエン
チェン、テレンス
ポラック、ベンジャミン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthcare Diagnostics Inc
Original Assignee
Siemens Healthcare Diagnostics Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare Diagnostics Inc filed Critical Siemens Healthcare Diagnostics Inc
Publication of JP2018511787A publication Critical patent/JP2018511787A/ja
Application granted granted Critical
Publication of JP6927465B2 publication Critical patent/JP6927465B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/462—Computing operations in or between colour spaces; Colour management systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/50—Measurement of colour; Colour measuring devices, e.g. colorimeters using electric radiation detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N21/03—Cuvette constructions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00594—Quality control, including calibration or testing of components of the analyser
    • G01N35/00613—Quality control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/59—Transmissivity
    • G01N21/5907—Densitometers
    • G01N2021/5915—Processing scan data in densitometry
    • G01N2021/5923—Determining zones of density; quantitating spots
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/59—Transmissivity
    • G01N21/5907—Densitometers
    • G01N2021/5969—Scanning of a tube, a cuvette, a volume of sample
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Description

関連出願
本出願は、２０１５年２月１７日に出願された「ＭＯＤＥＬ−ＢＡＳＥＤ ＭＥＴＨＯＤＳ ＡＮＤ ＡＰＰＡＲＡＴＵＳ ＦＯＲ ＣＬＡＳＳＩＦＹＩＮＧ ＡＮ ＩＮＴＥＲＦＥＲＥＮＴ ＩＮ ＳＰＥＣＩＭＥＮＳ」と題する米国仮出願第６２／１１７，２６３号明細書に対する優先権を請求し、この開示は、参照により全体が本明細書に組み込まれる。
本発明は、検体を試験するための方法及び装置に関し、より詳細には検体中の妨害因子の存在を決定するための方法及び装置に関する。
自動試験システムは、試薬を使用して分析を行って、尿、血清、血漿、間隙液、脳脊髄液などの検体中の分析物又は他の成分を識別できる。利便性と安全のために、そのような検体は、ほぼ一般にサンプル容器（例えば、サンプルチューブ）内に収容される。分析反応は、検体中の分析物又は他の成分の濃度を決定するために処理されうる種々の信号を生成する。
自動試験技術の改良には、検査室自動化システム（ＬＡＳ）と呼ばれる自動化された分析前サンプル調製システムによる、選別、バッチ調製、サンプル成分を分離するサンプル容器の遠心分離、流体アクセスを容易にするキャップ除去など、対応する分析前サンプル調製及び処理の進歩が伴ってきている。ＬＡＳは、サンプル容器内の検体をいくつかの分析前サンプル処理ステーションに自動的に移送できる。
そのようなＬＡＳは、標準のバーコードラベル付きサンプルチューブに収容された幾つかの異なる検体を処理できる。バーコードラベルは、病院の検査室情報システム（ＬＩＳ）に入力されうる人口統計学的情報と関連付けられうる受入番号を、試験順序及び他の所望の情報と共に含みうる。オペレータは、ラベル付きサンプル容器をＬＡＳシステム上に配置でき、ＬＡＳシステムは、遠心分離、キャップ除去、及びアリコット調製などの分析前処理のためにサンプル容器を自動的に選別し送出でき、その後で、検体は、ＬＡＳの一部でよい１つ以上の分析装置による臨床分析にかけられる。
特定の試験では、血清部分（遠心分離によって全血から得られた）が使用されうる。場合によって血清部分からの赤血球部分の分離を支援するために、サンプル容器に血清セパレータが追加されうる。遠心分離と次のキャップ除去プロセスの後、サンプル容器は、サンプル容器から検体を抽出しその検体を反応容器（例えば、キュベット）内の１つ以上の試薬と混合できる適切な分析装置に送られうる。次に、分析測定は、例えば問い合わせ放射ビームを使用し、光度測定又は蛍光測定吸収読み取りなどを使用して行なわれることが多い。この測定は、エンドポイント又は割合値の決定を可能にし、その値から、関連した分析物又は他の成分の量が、周知の技術によって決定される。
残念ながら、患者の状態又はサンプル処理の結果として検体中の特定成分（例えば、妨害因子（interferent））の存在は、分析装置から得られた分析物測定結果の精度に悪影響を及ぼす可能性がある。例えば、患者の病状と関連しない可能性がある検体（例えば、血清）中の妨害因子が、患者の病状の異なる解釈をもたらしうる。分析前変量は、溶血（破壊した赤血球）、黄疸（ビリルビン過多）、及び脂肪血（可視脂質含有量が高い）を含みうる。
従来、検体の血清の完全性は、熟練した検査技師によって視覚的に検査されてきた。これには、血清の色の調査が必要なことがある。正常な血清は、淡黄色から明るい琥珀色を有する。あるいは、溶血を含む血清は、色がかなり赤みがかることがある。例えば、静脈穿刺中、遠心分離中、又は長期保管後、過度の数の赤血球が損傷を受けた場合に、妨害因子が生じることがある。赤血球が損傷を受けたとき、赤血球は、低密度の赤みがかったモグロビンを検体中に放出し、「溶血」を示すと言われる赤みがかった色となる。検体のヘモグロビン濃度が、約２０ｍｇ／ｄｌを超えると、ヘモグロビンは、赤みがかった色により、分析装置内の検体の比色定量を妨げうる。
黄疸を含むサンプルは、色が暗い黄色又は茶色になりうる。そのような妨害因子は、例えば、過剰なビリルビンより生じることがあり、赤血球の崩壊の結果、脾臓内でビリルビンに変換される。ビリルビンのレベルが２〜３ｍｇ／ｄｌを超えると、黄色っぽく見え、特に、分析装置内の酵素ベース免疫測定試験に悪影響を及ぼしうる。そのような症状は、ビリルビン血症又は黄疸と呼ばれる。
脂肪血を含むサンプルは、色が白っぽいことがある。そのような妨害因子は、例えば、血液中の過剰な脂質の存在により血清の見掛けを白っぽくする。そのような状態は、脂肪血と呼ばれ、約５０ｍｇ／ｄｌを超える脂質レベルは、免疫測定法おける抗体結合を妨げることがあり、したがって、分析装置による免疫測定結果に影響を及ぼすことがある。
遠心分離の後で赤血球部分が血清から分離されたとき、熟練技術者が、血清部分を視覚的に検査でき、正常な淡黄色から琥珀色の色を有してないと判定した場合、検体を廃棄できる。そうでない場合、検体は、順序通り分析される。しかしながら、外観検査は、きわめて主観的で、労働集約型であり、人為的ミスの可能性に満ちている。したがって、検体の血清中に溶血、黄疸及び脂肪血（しばしば「ＨＩＬ」と呼ばれる）が存在するかどうか確認するために様々な方法が実施されてきた。
典型的には、検査技師は、溶血指数、黄疸指数及び脂肪血指数を検体の血清にその色に基づいて割り当てる。溶血指数、黄疸指数及び脂肪血指数の値に基づいて、分析装置による結果の解釈を評価できる。あるいは、溶血指数、黄疸指数及び脂肪血指数の１つ以上の値が高すぎる場合、検体は、分析装置によって分析されずに廃棄されるか、そうでない場合は改善策のために送られうる。
手動検査が労働集約的で、高価で、きわめて主観的なので、検査技師による外観検査を用いずに検体の完全性を評価することがますます重要になっている。しかしながら、いくつかの例では、サンプル容器に直接貼られたバーコードラベルが、検体を部分的に隠し、検体の血清を視覚的にはっきりと観察できない可能性がある。この問題を解決する１つの試みは、血清が検査装置のキュベットの１つに送られた後で、検体の血清を光学的に確認することを含む。しかしながら、この手法は、分析装置の機械時間を利用し、また検体の完全性が損なわれた場合は、追加の機械時間が浪費される。更に、この手法は、血清の追加前にキュベットに試薬を加える臨床分析装置と共に使用できない。
ミラー（Miller）に付与された特許文献１に記載されたシステムなどの他のシステムは、ラベルによって妨げられないビューウィンドウを見つけるサンプル容器の回転について述べている。しかしながら、そのようなシステムは、自動化しにくい傾向がある。
臨床分析される検体中に妨害因子が含まれるときに生じる問題のために、そのような妨害因子の存在を容易に決定するように適応された方法及び装置の必要性が満たされていない。方法及び装置は、分析試験結果が得られる速度にあまり悪影響を及ぼしてはならない。更に、この方法及び装置は、ラベルが検体の一部分を隠すラベル付きサンプル容器上でも使用できなければならない。
米国特許出願公開第２０１２／０１４０２３０号明細書
第１の態様によれば、サンプル容器内に収容された検体の特徴を決定する方法が提供される。この方法は、検体の画素化画像を生成すること、画素化画像内の画素の色成分を決定すること、画素化画像内の画素を液体又は非液体として分類すること、画素の分類に基づいて１つ以上の液体領域を画定すること、及び１つ以上の液体領域内の１つ以上の妨害因子の存在を決定することを含む。
別の態様によれば、サンプル容器内に収容された検体の特性を決定するように適応された装置が提供される。装置は、検体と、サンプル容器の少なくとも一部分と、存在する場合はサンプル容器に貼り付けられたラベルの少なくとも一部分との１つ以上の画像を取得するように構成され、その画像から画素化画像が生成されるように構成された１つ以上の画像取得装置と、液体分類モデルに基づいて、画素化画像内の画素を液体又は非液体として分類し１つ以上の液体領域を画定する働きをする液体又は非液体検出器と、マルチクラス分類モデルに基づいて、液体領域内の画素の正常、溶血、黄疸又は脂肪血としての分類を決定する働きをする画素クラシファイヤと、画素クラシファイヤの結果に基づいて、１つ以上の液体領域内の１つ以上の妨害因子タイプを検出する働きをする妨害因子タイプ検出器とを含む。
別の態様によれば、サンプル容器内に収容された検体の特徴を決定する方法が提供される。この方法は、品質管理ステーションにおいてサンプル容器内の検体の画素化画像を第１の色空間で生成することと、画素化画像を第１の色空間から第２の色空間に変換することと、第２の色空間の画素化画像内の画素の色成分を決定することと、液体分類モデルに基づいて画素化画像内の画素を液体又は非液体として分類することと、液体画素として分類された画素に基づいて１つ以上の液体領域を画定することと、液体画素のそれぞれを、マルチクラス分類モデルに基づいて、正常、溶血、黄疸又は脂肪血のいずれかとして分類することと、正常、溶血、黄疸又は脂肪血それぞれにおける液体画素の数に基づいて、１つ以上の液体領域が正常であるか又は１つ以上のタイプの妨害因子を含むかを決定することと、回帰モデルに基づいて、１つ以上のタイプの妨害因子のうちの少なくともいくつかの妨害因子レベルを決定することを含む。
別の態様では、サンプル容器内の検体の特徴を決定するように適応された試験装置が提供される。試験装置は、検体のまわりに配列されて、検体と、サンプル容器の少なくとも一部分と、存在する場合はサンプル容器に貼り付けられたラベルの少なくとも一部分との複数の画像を複数の視点から取得するように構成され、それらの画像から画素化画像が生成されるように構成された複数の画像取得装置と、液体分類モデルに基づいて、画素化画像内の各画素を液体又は非液体として分類し、１つ以上の液体領域を画定する働きをする液体又は非液体検出器と、マルチクラス分類モデルに基づいて、液体領域内の画素の正常、溶血、黄疸又は脂肪血としての分類を決定する働きをする画素クラシファイヤと、画素クラシファイヤの結果に基づいて、１つ以上の液体領域内の１つ以上の妨害因子タイプを検出する働きをする妨害因子タイプ検出器とを含む。
本発明の更に他の態様、特徴及び利点は、本発明を実行するための最良の形態を含むいくつかの例示的実施形態及び実施態様を示すことによって、以下の記述から容易に明らかになりうる。本発明は、また、他の異なる実施形態が可能であり、そのいくつかの詳細は、本発明の範囲から決して逸脱することなく、様々な点で修正されうる。したがって、図面と説明は、本質的に例示と見なされ限定と見なされるべきでない。本発明は、本発明の範囲以内にある全ての修正、等価物、及び代替を対象として含む。
以下に示した図面は、単に説明のためのものであり、必ずしも一律の縮尺で描かれていない。図面は、本発明を決して限定するものではない。
１つ以上の実施形態による、１つ以上の事前分析検体品質ステーションと１つ以上の分析装置とを含む自動検体試験システムの上面図である。 １つ以上の実施形態による、妨害因子の存在を分析できる、遠心分離された検体を含むラベル付きサンプル容器の側面図である。 １つ以上の実施形態による、妨害因子の存在を自動的に分析するように適応された試験装置の概略上面図である。 １つ以上の実施形態による、図３Ａの試験装置の概略側面図である。 １つ以上の実施形態による、画像取得装置によって取得された画像を含む画像ウィンドウの概略図である。 １つ以上の実施形態による、例示的な画素化画像の概略図である。 １つ以上の実施形態による、画素化画像から抽出された例示的液体領域の概略図である。 １つ以上の実施形態による、サンプル容器内の検体の特徴を決定するように適応された試験装置の機能的構成要素のブロック図である。 １つ以上の実施形態による、検体中の妨害因子の存在を決定するように適応された方法のフローチャートである。
第１の広義の態様では、本発明の実施形態は、検体（例えば、液体検体）中に１つ以上の妨害因子が存在するかどうか又は検体が正常かどうかを決定する方法及び装置を提供する。「妨害因子」は、本明細書で使用されるとき、分析装置の試験結果の解釈に影響を及ぼしうる任意の血清変量、任意の病状及び／又は任意の不透明性、着色又は微粒子を意味しまた含む。
方法は、検体が分析のために分析装置に提示される前に分析前方法として実行されうる。詳細には、本発明の１つ以上の実施形態は、検体品質ステーションで１つ以上の妨害因子の存在を事前検査した後で検体を解析的分析のために送ることを提供する。遠心分離手順の後、検体の血清部分が、溶血、黄疸、及び／又は脂肪血（以下では「ＨＩＬ」）などの妨害因子の存在に関して試験されうる。血清部分に妨害因子がないことが分かった場合、検体は、引き続き１つ以上の分析装置による通常の解析的分析を受けることが可能にされる。検体品質ステーションは、いくつかの実施形態ではコンベアトラック上にあり、検体がそばを通るときに１つ以上の妨害因子の存在を試験できる。
検体が、規定量を越える脂肪血を含むことが分かった場合、検体は、拒絶されるか、必要に応じて改善のために送られうる。例えば、検体が脂肪血を含むことが分かった場合、検体は、脂肪血の量を減らすように適応された特別の前処理操作にかけられることがある。次に、検体は、特別な前処理の後、妨害因子の存在に関して規定通り分析されるか、場合によっては再試験されうる。
検体が規定量を越える溶血を含むことが分かった場合、検体は、引き続き解析的分析のために規定通り処理されうる。しかしながら、分析結果と共に、溶血の程度又は度合いが報告されてもよい。あるいは、溶血のある検体は、溶血量がより高精度に決定されてもよく、それにより、検体に行なわれ溶血の存在による影響を受けない分析的試験が、規定通り完了されうる。溶血のある検体が、規定量を越える量の溶血を含み、行なわれる試験がその溶血による影響を受ける場合は、新しい検体の再抜き取りが指示され行われうる。
検体が規定量を越える黄疸を含むことが分かった場合、検体は、解析的分析のために規定通り処理されてもよく、分析結果と共に黄疸の程度又は度合いが報告されうる。
一般に、妨害因子が十分に高い妨害因子レベル（例えば、指数）を示すことが分かった場合、検査技術者は、試験装置から検体を取り出し、その特定患者から血液の新しいサンプルを要求できる。
本発明の実施形態は、サンプル容器内の検体の特徴（例えば、妨害因子の存在）を決定する方法を提供する。方法は、検体の画素化画像を生成すること（例えば、デジタルカメラなどの画像取得装置を使って）、画素化画像内の画素を液体又は非液体として分類すること、画素の分類に基づいて液体領域を画定すること、及び液体領域内の妨害因子の存在を決定することを含む。
取得した画素化画像の処理は、Ｌ＊ａ＊ｂ色空間に基づいてもよく、画素の色成分（ａ値とｂ値）が生成される。画素化画像内の画素の、液体又は非流体としての分類は、複数のトレーニングセットから生成されうる第１のモデル（例えば、液体分類モデル）に基づいてもよい。次に、画素は、いくつかの実施形態では第２のモデル（例えば、画素分類モデル）を使用して、正常（Ｎ）であるか、溶血（Ｈ）、黄疸（Ｉ）又は脂肪血（Ｌ）などの妨害因子を含むとして分類されうる。画素分類結果に基づいて、液体領域の妨害因子タイプが全体として決定されうる。決定された妨害因子タイプの妨害因子レベルが提供されうる。妨害因子レベルは、いくつかの実施形態では第３のモデル（例えば、回帰モデル）に基づいてもよい。回帰モデルは、種々の妨害因子レベルを示すサンプル検体に基づいて妨害因子タイプごとにトレーニングされうる。この方法によって複数の妨害因子タイプが決定されてもよく、決定された妨害因子タイプごとの妨害因子レベルが指定されてもよい。
方法を実行するための試験装置が、他の態様と同じように提供される。本発明の実施形態の以上その他の態様及び特徴は、本明細書で図１〜図５に関して提供される。
図１は、サンプル容器１０２（例えば、試験管又は血液収集チューブ、図２を参照）のうちの複数のものを自動的に前処理できる自動検体試験システム１００を示し、サンプル容器１０２は、１つ以上の分析装置（例えば、第１、第２、及び第３の分析装置それぞれ１０６、１０８及び１１０）による分析前に１つ以上のサンプルラック１０４内に収容されうる。必要に応じて、サンプル容器１０２は、サンプルカップ、キュベット又は他の透明ガラス若しくはプラスチック容器などの任意の概略透明又は透過性容器でよい。典型的には、自動的に処理される検体２１２は、サンプル容器１０２内で自動検体試験システム１００に提供されてもよく、サンプル容器１０２は、キャップ２１４が被せられてもよい（図２）。サンプル容器１０２はそれぞれ、例えばバーコード、英字、数字、又は英数字記号などの識別情報２１５が提供されてもよく、識別情報２１５は、１つ以上のセンサ１１６（例えば、バーコードリーダ）によって機械読み取り可能でよい。識別情報２１５は、例えば、患者の識別並びに中の検体２１２に行われる検定処理を指定できる。そのような識別情報２１５は、一般に、サンプル容器１０２に接着されるか、サンプル容器１０２の側面に他の方法で提供されたラベル２１８上に提供されてもよい。ラベル２１８は、一般に、必ずしもサンプル容器１０２のまわり全体又はサンプル容器１０２の長さ全体に沿って延在しなくてもよい。したがって、ラベル２１８は、検体２１２の一部分を隠しうるが、一部分は見えるままのことがある。いくつかの実施形態では、サンプルラック１０４上に追加の識別情報があってもよい。
自動検体試験システム１００は、コンベアトラック１２１（コンベヤベルト、チェーン及びプラットホームなどの集りでよい）又は他の適切な搬送機構が取り付けられうる台１２０（例えば、フレーム又は他の構造物）を含みうる。コンベアトラック１２１は、コンベアトラック１２１上でサンプル容器保持具１２２（例えば、単一検体キャリアパック）内に保持されうるサンプル容器１０２のそれぞれを移送できる。サンプル容器保持具１２２は、１つ以上のサンプルラック１０４と、サンプルラック１０４からサンプル容器１０２をつかみ取り、そのサンプル容器１０２をコンベアトラック１２１の入力レーン上のサンプル容器保持具１２２に装填し、試験完了時にサンプル容器１０２を取り出すように構成されたロボット１２５とを備えたサンプル容器装填／取り出しステーション１２３から出ることができる。コンベアトラック１２１に載せられたとき、サンプル容器保持具１２２によって保持されたサンプル容器１０２は、遠心分離機１２４（例えば、自動遠心分離機）に進み、流入レーン１２６によって遠心分離機１２４に進路変更されてもよい。遠心分離後、サンプル容器１０２は、流出レーン１２８上に出て、引き続きコンベアトラック１２１上で、図３Ａと図３Ｂを参照して本明細書で更に詳しく述べる検体品質ステーション１３０に進みうる。
検体品質ステーション１３０は、自動検体試験システム１００によって自動的に処理される検体２１２内の１つ以上の妨害因子の存在を自動的に決定するように構成され適応された試験装置１４０を含む。妨害因子を含まないこと（例えば、正常であること）が分かった場合、検体２１２は、コンベアトラック１２１上を進み続け、次に１つ以上の分析装置（例えば、第１、第２及び第３の分析装置１０６、１０８及び／又は１１０）内で分析された後、各サンプル容器１０２が、取り出しのためにサンプル容器装填／取り出しステーション１２３に戻されうる。コンベアトラック１２１によって結合されうる分析装置は３台より多くても少なくてもよいが、例示のために３台が示されていることを理解されたい。
更に、自動検体試験システム１００にリモート分析装置１３２が直接結合されていない場合でも、自動検体試験システム１００は、リモート分析装置１３２の要求に応えうる。例えば、独立ロボット１３３（点線で示された）は、検体２１２を含むサンプル容器１０２をリモート分析装置１３２まで保持し、試験後にそのサンプル容器１０２を戻してもよい。必要に応じて、サンプル容器１０２は、手動で取り出され戻されてもよい。リモート分析装置１３２は、例えば、溶血レベルを試験できる。リモート分析装置１３２で他の試験が行われうる。
自動検体試験システム１００は、１つ以上の位置にいくつかのセンサ１１６を含みうる。センサ１１６は、サンプル容器上に配置された識別情報２１５（図２）又は各サンプル容器保持具１２２上の同様の情報（図示せず）を読み取ることによって、コンベアトラック１２１に沿ったサンプル容器１０２の位置を検出しうる。いくつかの実施形態では、各サンプル容器保持具１２２に別個のＲＦＩＤチップが埋め込まれてもよく、また、例えば、追跡動作で従来のＲＦＩＤ読取りシステムが使用されてもよい。近接センサなどの位置を追跡するための他の手段が使用されうる。
遠心分離機１２４と各分析装置１０６、１０８、１１０は、一般に、コンベアトラック１２１からサンプル容器保持具１２２を取り出すように構成されたロボット機構及び／又は流入レーン（例えば、流入レーン１２６，１３４、１３８，１４４）と、コンベアトラック１２１からサンプル容器保持具１２２に再び入るように構成されたロボット機構及び／又は流出レーン（例えば、流出レーン１２８、１３６、１４１及び１４６）を備えてもよい。
装填／取り出しステーション１２３は、Ｘ及びＺ、Ｙ及びＺ、又はＸ、Ｙ及びＺ運動が可能な１つ以上（例えば、少なくとも２つ）のロボットアーム又は構成要素を含むロボット１２５を含んでもよく、ロボット１２５は、サンプル容器１０２を持ち上げ配置するように適応されたロボット締付ハンド又はフィンガを備えてもよい。しかしながら、任意の適切なタイプのロボット１２５が使用されうる。
自動検体試験システム１００は、システム構成要素のためのメモリ並びに適切な調整電子回路及びドライバを有するコンピュータ１４３、好ましくはマイクロプロセッサ中央処理装置ＣＰＵによって制御されうる。コンピュータ１４３は、自動検体試験システム１００の台１２０の一部として収容されてもよく、台１２０と別に収容されてもよい。コンピュータ１４３は、装填／取り出しステーション１２３、遠心分離機１２４、検体品質ステーション１３０、及び後述するような様々なタイプの試験（例えば、検定処理）を行なう各分析装置１０６，１０８、１１０に対するサンプル容器保持具１２２の動きを制御するように動作できる。
検体品質ステーション１３０を除き、コンピュータ１４３は、自動検体試験システム１００を、ニューヨーク州タリータウンのＳｉｅｍｅｎｓ Ｈｅａｌｔｈｃａｒｅ Ｄｉａｇｎｏｓｔｉｃｓ Ｉｎｃ．によって販売されているＤｉｍｅｎｓｉｏｎ（登録商標）臨床化学分析装置で使用されるようなソフトウェア、ファームウェア及び／又はハードウェアコマンド又は回路にしたがって制御してもよく、そのような制御は、コンピュータ電気機械制御プログラミングの業者にとって一般的であり、本明細書では更に詳しく述べない。しかしながら、自動検体試験システム１００を制御するための他の適切なシステムが使用されうる。検体品質ステーション１３０の制御は、また、本明細書で詳細に述べるように、発明のモデルベース方法にしたがってコンピュータ１４３によって提供されうる。
本発明の実施形態は、ユーザが様々な制御画面と状態表示画面に容易かつ迅速にアクセスすることを可能にするコンピュータインタフェースモジュール（ＣＩＭ）を使用して実現されうる。そのような制御及び表示画面は、検体２１２のサンプル調製及び分析に使用される複数の相関自動装置のうちのいくつか又は全ての態様を示しうる。そのようなＣＩＭは、複数の相関自動装置の動作状態に関するオンライン情報、任意の特定検体２１２の位置を示す情報、並びに検体２１２に行われるか又は行われている試験の状態を含む、複数の追加表示画面に直接結合された第１の表示画面を使用しうる。したがって、ＣＩＭは、オペレータと自動検体試験システム１００との相互作用を容易にするように適応される。ＣＩＭは、オペレータが自動検体試験システム１００と接続することを可能にするアイコン、スクロールバー、ボックス及びボタンを含むメニューを表示するように適応された視覚タッチスクリーンを含みうる。メニューは、自動検体試験システム１００の機能的態様を表示するようにプログラムされたいくつかの機能ボタンを含みうる。
図２は、血清部分２１２Ｓを赤血球部分２１２ＲＢＣから分離するために遠心分離機１２４で遠心分離を受けたサンプル容器１０２の平面図を示す。図示されたように、ラベル２１８は、血清部分２１２Ｓの一部分を隠すことがあり、したがって、従来の撮像による血清部分２１２Ｓの視覚化が難しくなる。本発明の実施形態は、これをサンプル容器１０２を回転させることなく考慮できる。したがって、検体２１２中の妨害因子の分析は、サンプル容器１０２が、コンベアトラック１２１上の試験装置１４０で停止するか、あるいはそのすぐ横を通過するとき行われうる。
図３Ａ〜図３Ｂで、図１の検体品質ステーション１３０で使用されうる試験装置１４０の第１の実施形態が提供される。試験装置１４０は、検体２１２中（例えば、その血清部分２１２Ｓ中）の１つ以上の妨害因子の存在を自動的に決定するように構成され適応されうる。妨害因子の存在は、分析装置１０６、１０８及び１１０の１つ以上によって自動的に処理される前に、検体品質ステーション１３０にある試験装置１４０によって検出されうる。このようにして、検体２１２が妨害因子を含む場合に、追加処理、廃棄又は再抜き取りが、貴重な分析装置資源を浪費せずに行われうる。
更に、試験装置１４０にあるサンプル容器１０２に収容された検体２１２上並びにサンプル容器１０２自体に他の検出方法が行われうる。例えば、試験装置１４０は、検体２１２の一定の物理寸法特徴（例えば、液体空気界面の位置、赤血球部分２１２ＲＢＣと血清部分２１２Ｓ間の界面の位置、基準面に対する赤血球部分２１２ＲＢＣの高さ、及び基準面に対する血清部分２１２Ｓの高さ）、及び／又はサンプル容器１０２の高さ若しくは幅、又はキャップ２１４の色などの特定の物理寸法特徴を決定するために使用されうる。
次に図１、図３Ａ及び図３Ｂを参照すると、試験装置１４０は、従来のデジタルカメラ、電荷結合素子（ＣＣＤ）、光検出器アレイ、ＣＭＯＳセンサ、分光測光器などの１つ以上の画像取得装置１４２を含みうる。各画像取得装置１４２は、デジタル画像を取得できる任意の装置でよい。画像取得装置１４２は、サンプル容器１０２の少なくとも一部分と検体２１２の少なくとも一部分を含む画像を取得し、場合によってはラベル２１８の一部を取得するように機能できる。画像取得装置１４２が、サンプル容器保持具１２２の一部分（その基準面（例えば、その上部又はその上のマーク）など）を取得できる。図示された実施形態では、複数の画像取得装置１４２が、検体２１２のまわりに配列され、検体２１２及びサンプル容器１０２の少なくとも一部分、並びに存在する場合はサンプル容器１０２に貼り付けられたラベル２１８の少なくとも一部分の画像を複数の視点から取得するように構成され、それらの画像から画素化画像３５０（図３Ｄ）が生成される。複数の画像取得装置１４２の他の構成が使用されうる。
画像取得装置１４２は、近くに提供され、画像ウィンドウ、即ち、サンプル容器１０２内の血清部分２１２Ｓの予想位置と、場合によっては赤血球部分２１２ＲＢＣの一部と、場合によっては基準面を含む領域を取得するようにトレーニングされるか合焦されうる。各取得画像は、通信線３４３Ａでトリガ信号に応じてトリガされ取得され、通信線３４３Ｂでコンピュータ１４３によって受け取られ、本明細書で提供された方法の１つ以上の実施形態にしたがって処理されうる。各画像取得装置１４２から取得された画像はそれぞれ、１つの画素化画像３５０として統合され融合されうる（図３Ｄ）。それぞれの画像は、連結前に重要でない部分を除去するために切り詰められてもよい。
いくつかの例では、サンプル容器保持具１２２を停止するためにゲート３４４が提供されてもよく、それにより、１つ以上の高品質画像が得られ、その画像を使用して画素化画像３５０を生成できる（図３Ｄ）。「画素化画像」は、本明細書で使用されるとき、画素を含む画像（例えば、デジタル画像）を意味する。画素は、個別の画素又はスーパ画素でよい。各取得画像は、約７００画素ｘ２５００画素の画素分解能を含んでもよく、例えば、画素化画像３５０は、結合されたとき、約２５００画素ｘ２５００画素を含んでもよい。他の画素濃度が使用されうる。検体品質ステーション１３０におけるサンプル容器保持具１２２の存在を決定し、画像取得装置１４２をトリガするトリガ信号を通信線３４３Ａで送るために、１つ以上のセンサ１１６が使用されうる。別の実施形態では、１つ以上のセンサ１１６を使用して、検体品質ステーション１３０におけるサンプル容器保持具１２２の存在を決定できるが、サンプル容器保持具１２２は停止されなくてもよく、即ち、ゲート３４４がない。この実施形態では、画像取得装置１４２は、サンプル容器保持具１２２がコンベアトラック１２１のそばを通るときに画像を取得できる高速度デジタルカメラでよい。
いずれの場合も、デジタル画像は、通信線３４３Ａでトリガ信号に応じて取得され、画像は、コンピュータ１４３のメモリに記憶されうる。次に、画素化画像３５０は、様々な視点から取得された画像から構成され、本発明の実施形態によって画素化画像３５０を分析して、１つ以上の妨害因子の存在と、場合によって、１）サンプル容器１０２の特定の寸法特徴、及び／又は２）検体２１２の特定の寸法特徴のうちの１つ以上を決定できる。
試験装置１４０は、コンベアトラック１２１を少なくとも部分的に取り囲みうるハウジング３４５を含んでもよく、サンプル容器１０２は、試験中にハウジング３４５内に配置されてもよい。試験装置１４０は、改善された画像コントラストを提供するために逆転防止装置３４６を含んでもよい。バックストップ３４６は、検体２１２の色の予想範囲以外の任意の適切な色でよい。いくつかの実施形態では、黒色材料が使用されうる。
試験装置１４０は、更に、必要に応じて、サンプル容器１０２の照明を提供するための光源（図示せず）を含みうる。光源は、非平行可視光（例えば、白色光）などの任意の適切な光源でよく、この光源は、光線をサンプル容器１０２上に誘導できる。光源からの光線の一様な場を成形し得るために拡散板が提供されうる。光源と拡散板は、サンプル容器１０２を適切に照明して画像取得結果の品質を改善する（例えば、ＨＩＬを決定する）働きをしうる。
画素化画像３５０は、本明細書で提供された方法を使用して分析されてもよい。詳細には、画素化画像３５０は、本明細書で述べるように、検体２１２内の１つ以上の妨害因子の存在と、場合によっては他の寸法特徴を決定するために、後述されコンピュータ１４３上に含まれる画像処理プログラムによって分析されうる。
溶血検出
第１の広義の態様によれば、本発明の実施形態は、遠心分離血液のサンプル容器１０２に含まれる溶血検体２１２を検出するために使用されうる方法及び装置を対象とする。この方法は、画素化画像の電子（デジタル）画像取得のための画像取得装置（例えば、デジタルカメラ）を利用し、次に画素化画像を分析して溶血を検出する。
溶血は、サンプル品質変色問題であり、特別な処理で解決できない。赤血球が破壊し、内部のヘモグロビンが、遠心分離された検体２１２の血清部分２１２Ｓ中に放出されたとき、溶血（ｈａｅｍｏｌｙｓｉｓとも綴られる）が生じうる。これは、血清部分２１２Ｓに赤みがかった色又は外観を与える。赤みがかった色と共に、血清部分２１２Ｓ中にカリウムが放出されうる。これにより、分析装置１０６、１０８及び／又は１１０で試験されたときに間違った結果となりうる。不適切な血液収集、取り扱い、保管及び／又は処理によって溶血が生じうる。
溶血の程度は、溶血レベル又は溶血指数によって評価される。「溶血指数」は、本明細書で使用されるとき、検体２１２中に存在する溶血の決定含有量に基づいて特定の検体に与えられる等級を意味する。一般に、観測のための評価スケールは、ゼロから４（０〜４）の範囲である。ゼロは、実質的に溶血がないことを表し、４は、かなり量の溶血を表わす。あるいは、スケールは、０〜１０、０〜２０、Ａ〜Ｆ又は他の範囲でよい。
十分に高い溶血指数を有する検体２１２は、試験装置１４０によって決定されたとき、拒否されうる。通常の手順は、患者から別の検体２１２を再び抜き取って、高品質の検体２１２が分析装置１０６、１０８及び／又は１１０に提示されるようにすることである。したがって、溶血を呈する検体２１２は、更に試験されることなく、サンプル装填／取り出しステーション１２３で拒否され除去されうる。
新しい検体２１２が処理され、試験装置１４０によって正常と見なされた後、検体は、妨害ヘモグロビンなしに首尾よく分析されうる。したがって、本発明の別の実施形態では、試験装置１４０は、検体品質ステーション１３０１３０で検体２１２中の溶血の存在を検出できる。さらなる評価及び／又は意志決定のための警告を検査技師に出すために、自動検体試験システム１００のコンピュータ１４３の表示装置（例えば、コンピュータ画面）上に警告が表示されうる。
溶血を含む検体２１２の評価を検査技師に伝える機能を高めるために、溶血を有する検体２１２を含むサンプル容器１０２の画像が表示されうる。この画像は、種々の既知の溶血検体の参考画像、比較用の色スペクトル、サンプルの溶血評価レベル及び／又は検査技師がとるべき行動の提案などの他の協力情報と共に表示されうるが、これらに限定されるものではない。いくつかの実施形態では、検体品質ステーション１３０で溶血検体２１２が検出された場合、検体２１２は、正確な溶血レベルを測定し評価できる分析機器（例えば、専用臨床分析装置１３５。図１）に送られうる。
黄疸検出
別の広義の態様によれば、本発明の実施形態は、遠心分離血液のサンプル容器１０２に含まれる検体２１２の黄疸を検出するために使用されうる方法及び装置を対象とする。黄疸妨害因子は、例えば、過剰なビリルビンから生じることがあり、赤血球破壊の結果が、脾臓内でビリルビンに変換される。ビリルビンレベルが２〜３ｍｇ／ｄｌを越えると、一般に、色が黄色っぽく又は茶色っぽく見え、特に、分析装置（例えば、分析装置１０６、１０８及び／又は１１０）で行われる酵素ベース免疫学的検定に悪影響を及ぼしうる。そのような状態は、ビリルビン血症とも呼ばれる。
黄疸検出方法は、溶血を検出するための方法と似ている。方法は、最初に、サンプル容器１０２を試験装置１４０内に収容できる。次に、デジタル電子画像取得のために適応された画像取得装置１４２が、検体２１２の画素化画像を取得しうる。次に、コンピュータ１４３は、本明細書で後述される方法によって、黄疸の存在について画素化画像の分析を行いうる。この方法によれば、溶血検出のために撮影されたのと同じデジタル画像が、黄疸検出に使用されうる。分析は、黄疸指数などの妨害因子レベルを決定しうる。「黄疸指数」は、本明細書で使用されるとき、存在する黄疸の決定含有量に基づいて特定の検体２１２に与えられる等級を意味する。一般に、観測のための評価スケールは、ゼロから４（０〜４）の範囲である。同様に、ゼロは黄疸が実質的にないことを表わし、一方、４は著しい黄疸が存在することを表わす。あるいは、スケールは、０〜１０、０〜２０、Ａ〜Ｆ又は他の範囲でよい。
脂肪血検出
別の広義の態様によれば、本発明の実施形態は、遠心分離血液のサンプル容器１０２に収容された検体２１２中の脂肪血を検出するために使用されうる方法及び装置を対象とする。脂肪血妨害因子は、血清の外観を白っぽくすることがあり、血液中の過度の脂質の存在から生じることがある。脂質レベルが約５０ｍｇ／ｄｌを越えると、免疫学的検定で抗体結合が妨げられ、したがって、分析装置による免疫学的検定結果に影響を及ぼしうる。
脂肪血検出方法は、溶血及び黄疸を検出するための方法と似ている。この方法は、最初に、サンプル容器を試験装置１４０内に収容しうる。次に、デジタル電子画像取得のために適応された画像取得装置１４２が、検体２１２の画素化画像を取得しうる。次に、コンピュータ１４３は、本明細書で後述される方法により、脂肪血の存在に関して取得画像の分析を行ってもよい。この方法によれば、溶血及び黄疸検出のために撮影されたのと同じデジタル画像が、脂肪血検出に使用されてもよい。この分析は、脂肪血指数などの妨害因子レベルを決定できる。「脂肪血指数」は、本明細書で使用されるとき、存在する脂肪血の決定含有量に基づいて検体２１２に与えられる等級を意味する。一般に、目視観測のための評価スケールは、ゼロから４（０〜４）の範囲である。同様に、ゼロは、脂肪血が実質的に存在しないことを表わし、一方、４は、著しい脂肪血の存在を表わす。あるいは、スケールは、０〜１０、０〜２０、Ａ〜Ｆ又は他の範囲でよい。
脂肪血は、特殊なサンプル品質変色欠陥であり、これは、検体２１２が分析装置（例えば、分析装置１０６、１０８及び１１０）で試験又は分析される前に特別な処理によって解決されうる。検査室で検体が脂肪血であることが分かった後、治療ステーション１３１で検体２１２を更に処理して脂質を除去又は減少できる。例えば、脂肪血の量を減らすために溶剤又は他の材料を導入できる。これが完了した後、検体２１２を分析装置（例えば分析装置１０６，１０８，１１０）のうちの１つ以上によって適切に分析でき、検査室は、試験結果の信頼性を高める。
検体２１２が、修正されるか更に処理された後、コンベアトラック１２１に戻され、分析のために分析装置（例えば、分析装置１０６、１０８及び１１０）上に直接配置されうる。いくつかの実施形態では、自動検体試験システム１００は、ユーザ対話なしに検体２１２にこの修正動作又は追加処理を実行できる。例えば、脂肪血検体のこの手順は、流入経路１２７を介して検体２１２を除去し、分析装置（例えば、分析装置１０６、１０８及び１１０）上の分析の前提条件として治療ステーション１３１で追加処理を行ない、次に流出経路１２９上で検体２１２を戻す。
したがって、本発明の実施形態が、検体２１２の遠心分離後に、第１の可能な実例（例えば、検体品質ステーション１３０）でＨＩＬを検出できることは明らかである。プロセスのこの時点でＨＩＬを検出することによって、検体２１２が浪費されず、間違った試験結果が防止され、患者の試験結果遅延が最小になる。
図３Ａ〜図３Ｅ、図４及び図５に関して、方法で対象とされる発明の実施形態及び試験装置１４０の機能構成要素が提供される。方法５００（図５）及び試験装置１４０（図４）は、次に詳細に述べるように、サンプル容器１０２内に収容された検体２１２の特徴を決定するように適応される。方法５００は、５０２で、検体２１２の画素化画像３５０を取得することを含む。画素化画像３５０は、コンピュータ１４３（図３Ａ〜図３Ｂ）のメモリにデジタル形式で記憶されてもよく、一実施形態では、画像取得装置１４２によって取得された画像から統合された画素情報の集合を含む（図３Ａ〜図３Ｂも参照）。画素化画像３５０は、様々な視点から得られたサンプル容器１０２の複数の統合ビュー（例えば、３つのビューが示された）を含みうる。
検体２１２は、サンプル容器１０２内に収容されてもよく、取得画像は、所定の画像ウィンドウ３４９（例えば、図３Ｃに示されたような特定のフレームサイズ）に制限されうる。所定の画像ウィンドウ３４９は、画像取得装置１４２で使用されるセンサ（例えば、ＣＭＯＳ又はＣＣＤセンサ）のサイズに基づいてもよいが、ハウジング３４５内の各画像取得装置１４２の近くに形成された特定サイズのマスクによって限定されてもよい。マスクは、いくつかの実施形態では、画像取得装置１４２のレンズの一部でよい。マスクは、すぐに廃棄できる画像内の領域を提供でき、したがって、取得画像のサイズが小さくなり処理する画素が少なくなる。画像ウィンドウ３４９内の取得画像のそれぞれから、一部分を、図３Ｃに示された点線３５１に沿ってクロップするか、統合するか、組み合わせるか、融合して、図３Ｄに示された画素化画像３５０を生成できる。いくつかの実施形態では、キャップ２１４は、除去されてもよい（サンプル容器１０２は、遠心分離後にキャップが除去される）。
次に、方法５００は、画素化画像３５０を処理し分析して検体２１２内の妨害因子の存在を決定する。例えば、一実施形態では、方法５００は、検体２１２の血清部分２１２Ｓ内の溶血、黄疸及び／又は脂肪血（ＨＩＬ）などの妨害因子の存在を決定する。
方法５００は、例えば赤緑青（ＲＧＢ）色空間などの第１の色空間で最初に取得されうる画素化画像３５０を処理してもよい。画像取得には他の第１の色空間が使用されうる。ＲＧＢ色空間画像は、例えば約０〜２５６のレベルなどのＲ、Ｇ及びＢ各色成分の色相又はレベル値を含みうる。特定の色は、ＲＧＢ成分のそれぞれに対応する数字によって表わされてもよい（例えば、（Ｒ１２５，Ｇ９７，Ｂ２０３））。ＲＧＢは、ｓＲＧＢを含み、例えば、ガンマ補正を含みうる。例えば、使用されうる他の任意の第１の色空間は、例えば、輝度（Luma）プラス色度（Chroma）色空間、又は色相（Hue）及び彩度（Saturation）（ＨＳＬ及びＨＳＶ）色空間である。
様々な照明状態を補正するために、ガンマ補正などの画像処理方法が、画素化画像３５０に適用され、その後、第１の色空間（例えば、ＲＧＢ画像）が、Ｌ＊ａ＊ｂ色空間、輝度プラス色度色空間、又は色相及び彩度（ＨＳＬ及びＨＳＶ）色空間などの第２の色空間に変換されうる。ガンマ補正は、例えば、Ｃｈａｒｌｅｓ Ａ．Ｐｏｙｎｔｏｎによる「Ｄｉｇｉｔａｌ Ｖｉｄｅｏ ａｎｄ ＨＤＴＶ：Ａｌｇｏｒｉｔｈｍｓ ａｎｄ Ｉｎｔｅｒｆａｃｅｓ」（２００３）と題する書籍に記載されている。
いくつかの実施形態では、画素化画像３５０は、第１の色空間（例えば、ＲＧＢ色空間）から第２の色空間に変換されうる。画素化画像３５０から、色成分が決定されうる。例えば、第２の色空間は、Ｌ＊ａ＊ｂ色空間でよい。Ｌ＊ａ＊ｂ色空間は、ルミネセンス値（Ｌ）、ａ値及びｂ値を含み、ここで、ａ値とｂ値は色成分である。ＲＧＢ色空間からＬ＊ａ＊ｂ色空間への変換は、１９７６年の国際照明委員会（ＣＩＥ）で開示されている。
５０４で、画素化画像３５０内の画素の色成分が決定される。変換された場合は、変換後に色成分の決定が行われる。変換は、Ｌ＊ａ＊ｂ色空間の画素化画像３５０内の画素のａ値とｂ値などの色成分の決定を含みうる。Ｌ値は、本明細書に示された方法５００の実施形態で使用されないことがある。したがって、第１の色空間からＬ＊ａ＊ｂ色空間への変換は、ａ値とｂ値の決定だけを含みうる。画素のａ値とｂ値は、コンピュータ１４３のメモリに記憶されうる。
方法５００は、更に、５０６で、液体又は非液体などの画素化画像３５０内の画素を分類することを含む。液体又は非流体などの分類は、液体分類モデル４５５を含みうる液体又は非液体検出器４５４によって達成されてもよく、液体分類モデル４５５は、画素化画像３５０内の画素をクラス（例えば、液体及び非液体）に分割又は分離する働きをするコンピュータ１４３上で実行可能なプログラム命令で構成されうる。液体分類モデル４５５は、線形又は非線形の任意の適切なタイプの監視分類モデルでよい。例えば、液体分類モデル４５５は、線形又はカーネルベースのサポートベクタマシン（ＳＶＭ）でよい。必要に応じて、液体分類モデル４５５は、適応ブーストクラシファイヤ（例えば、ＡｄａＢｏｏｓｔ、ＬｏｇｉｔＢｏｏｓｔなど）、任意の人工ニューラルネットワーク、ツリーベースクラシファイヤ（例えば、デシジョンツリー、ランダム決定フォレスト）、及びクラシファイとしてのロジスティック回帰などでよい。ＳＶＭは、特に、液体と非液体の分類に有効でよい。ＳＶＭは、データを分析しパターンを認識する関連学習アルゴリズムを有する監視学習モデルである。ＳＶＭは、分類及び回帰分析に使用される。
液体分類モデル４５５をトレーニングするために複数組のトレーニング例が使用され、次に画素が、液体分類モデル４５５に通され、２つのカテゴリ（液体又は非液体）の一方に属するようにマークされる。ＳＶＭトレーニングアルゴリズムは、任意の新しい例を１つのカテゴリ又は他のカテゴリに割り当てる液体分類モデル４５５を構成する。したがって、液体分類モデル４５５は、いくつかの実施形態では、非確率的線形クラシファイヤでよい。ＳＶＭモデルは、別個の液体又は非液体カテゴリの例ができるだけ広い透明ギャップによって分割されるようにマッピングされた空間内の点としての例を表わす。画素化画像３５０からの新しい画素は、その同じ空間内にマッピングされ、その画素が位置するギャップの側に基づいて特定クラス（液体又は非液体）に属することが予測されうる。いくつかの実施形態では、ＳＶＭは、カーネルトリック（例えば、カーネルベースのＳＶＭクラシファイヤ）と呼ばれるものを使用し、その入力を高次元特徴空間内に暗黙的にマッピングすることによって、非線形分類を効率的に実行できる。ＳＶＭ（ガウスカーネル）及びブースティングが特に好ましい。他のタイプの分類モデルを使用できる。
液体分類モデル４５５は、Ｌ＊ａ＊ｂ空間に変換された画素化画像３５０を取得し、次に画素を液体分類モデル４５５のモデルマップにかける。その結果、液体分類モデル４５５に通された各画素が、液体又は非液体として分類される。液体分類モデル４５５は、様々な検体状態、ラベル２１８による隠れ、血清部分２１２Ｓ及び赤血球部分２１２ＲＢＣのレベルなどを有するサンプリング容器１０２の複数の例で、液体領域３５６の輪郭を図形的に描くことによってトレーニングされうる。液体分類モデル４５５のトレーニングには５００以上もの画像が使用されうる。各トレーニング画像の輪郭は、どの領域が液体か非液体かを手動で識別し液体分類モデル４５５に教示するように描かれうる。
図３Ｅに示されたように、５０８で、画素を通した後、液体分類モデル４５５は、画素の分類に基づいて１つ以上の液体領域３５６を画定する結果を提供する。液体分類モデル４５５によって液体と見なされた全ての画素によって、１つ以上の液体領域３５６が画定される。サンプル容器１０２の一部分、キャップ２１４、ラベル２１８、赤血球部分２１２ＲＢＣ、及びサンプル容器保持具１２２などの非液体として分類された画素化画像３５０の全ての部分は、妨害因子の存在を決定するために必ずしも更に処理されないことがあるが、本明細書で後述されるような他の理由のために更に処理されることがある。
各画素が、液体分類モデル４５５を使用して液体又は非流体検出器４５４によって液体又は非液体として分類された後、方法５００は、５１０で、１つ以上の液体領域３５６内の１つ以上の妨害因子の存在を決定する。１つ以上の実施形態では、１つ以上の妨害因子の存在の決定は、最初に画素を分析して、画素のそれぞれが正常（Ｎ）か、又は溶血（Ｈ）、黄疸（Ｉ）若しくは脂肪血（Ｌ）を含むか評価することを伴う。この決定から、１つ以上の液体領域３５６の全体的な分類が行われる。全体的な分類は、正常（Ｎ）か、特定タイプの妨害因子を含むかでよい。例えば、１つ以上の液体領域３５６内の特定の妨害因子が、Ｈ、Ｉ及び／又はＬのうちの１つであることが決定されうる。
液体又は非液体検出器４５４と同じように、画素クラシファイヤ４５８は、前述したように任意の適切な監視分類モードを含みうる。画素クラシファイヤ４５８は、画素分類モデル４６０を利用して、液体として分類された画素が、Ｎ、Ｈ、Ｉ又はＬのクラスのいずれかを決定できる。画素分類モデル４６０は、複数の妨害因子トレーニングセットに基づいて十分にトレーニングされたマルチクラス分類モデルに基づいてもよい。マルチクラス分類モデル（例えば、４クラス分類モデル）は、サポートベクタマシン（ＳＶＭ）、サポートベクタネットワーク又はブースティングクラスアルゴリズムでよい。サポートベクタマシン及びネットワークの例は、Ｃ．Ｃｏｒｔｅｓ及びＶ．Ｖａｐｎｉｋによる「Ｓｕｐｐｏｒｔ−ｖｅｃｔｏｒ Ｎｅｔｗｏｒｋｓ」（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｖｏｌ．２０，第３版, ２７３〜２９７ページ）と題する論文、並びにＪ．Ｆｒｉｅｄｍａｎ、Ｔ．Ｈａｓｔｉｅ、Ｒ．Ｔｉｂｓｈｉｒａｎｉよる「Ａｄｄｉｔｉｖｅ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ：Ａ Ｓｔａｔｉｓｔｉｃａｌ Ｖｉｅｗ ｏｆ Ｂｏｏｓｔｉｎｇ」（１９９８）、及びＹ．ＦｒｅｕｎｄとＲ．Ｅ．Ｓｃｈａｐｉｒｅによる「Ａ Ｓｈｏｒｔ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｂｏｏｓｔｉｎｇ」（１９９９）と題する論文に記載されている。
画素が、画素クラシファイヤ４５８によって、Ｎ、Ｈ、Ｉ又はＬとして分類された後、方法５００は、検体２１２の１つ以上の液体領域３５６が、全体として正常（Ｎ）かどうかを決定し、正常（Ｎ）でない場合は、妨害因子タイプ検出器４６２を使用して、液体領域３５６の妨害因子タイプを全体として評価することを含む。検体２１２が、妨害因子タイプ検出器４６２によって正常（Ｎ）と見なされた場合、検体２１２は、コンベアトラック１２１上を単純に、試験が指示された分析装置（例えば、分析装置１０６、１０８及び／又は１１０）に進む。非正常な場合、妨害因子タイプ検出器４６２は、１つ以上の妨害因子タイプを決定する。５１２で、妨害因子レベル検出器４６４を使用して、各妨害因子タイプの妨害因子レベルを決定できる。
１つ以上の液体領域３５６が、全体として、正常（Ｎ）であるか、正常（Ｎ）でない場合に妨害因子タイプであるかの決定は、画素クラシファイヤ４５８によってＮ、Ｈ、Ｉ又はＬとして事前に分類された液体領域３５６内のいくつかの画素を加えることによって達成されうる。正常（Ｎ）としての分類又は妨害因子を含むような分類は、各クラス内の最大数、又はいくつかの実施形態では重み付け方式に基づいてもよい。したがって、一実施形態では、画素の大部分がＮとして分類された場合、液体領域３５６と検体２１２は、正常（Ｎ）として分類されうる。画素の大部分がＨとして分類された場合、液体領域３５６と検体２１２は、溶血（Ｈ）として分類されうる。同様に、画素の大部分が、Ｉ又はＬとして分類された場合、液体領域３５６と検体２１２は、それぞれ黄疸（Ｉ）又は脂肪血（Ｌ）として分類されうる。他の実施形態では、重み付けされた多数決方式も使用して、画素クラシファイヤ４５８からの確率を重みとして使用して検体２１２を分類できる。検体２１２を評価するための他の手段が全体として使用されうる。
あるいは、検体２１２が、２つ以上の妨害因子クラス（例えば、ＨとＩ、ＨとＬ、ＩとＬ、更にはＨＩＬ）で分類された比較的大量の画素を有する場合、方法は、検体２１２内に複数の妨害因子タイプがあることを報告できる。
検体２１２が、妨害因子タイプ検出器４６２から妨害因子（例えば、Ｈ、Ｉ、及び／又はＬ）を含むという評価を与えられた場合は、妨害因子レベル検出器４６４を使用して、検体２１２内の１つ以上の妨害因子タイプの妨害因子レベルを提供できる。妨害因子レベル検出器４６４は、液体又は非液体検出器４５４によって液体であると決定された画素を、監視回帰モデルなどのレベル評価モデルに通すことによって、特定の妨害因子の妨害因子レベルを取得できる。サポートベクタ回帰（ＳＶＲ）、ニューラルネットワーク回帰、ツリーベース回帰などの任意の適切な回帰モデルを使用できる。
各妨害因子タイプの各画素に、溶血回帰モデル４６５、黄疸回帰モデル４６７及び脂肪血回帰モデル４６９などの異なる回帰モデルを使用できる。１つ以上の実施形態では、回帰モデル４６５，４６７，４６９はそれぞれ、ＳＶＲマシンでよく、特定タイプの妨害因子（例えば、Ｈ、Ｉ又はＬ）を示す液体領域だけを使用してトレーニングされうる。例えば、溶血回帰モデル４６５は、様々な範囲の予想溶血レベルにわたる溶血レベルを有する広範囲の溶血検体２１２によってトレーニングされうる。例えば、溶血範囲は、約５０〜５２５の溶血レベルを含みうる。同様に、黄疸回帰モデル４６７は、約１．７〜３０の黄疸レベルを含む様々な範囲の予想レベルにわたる広範囲の黄疸レベルを有する黄疸検体２１２によってトレーニングされうる。同様に、脂肪血回帰モデル４６９は、約１２５〜１０００の脂肪血レベルを含む様々な範囲の予想レベルにわたる脂肪血レベルを有する広範囲の脂肪血検体２１２によってトレーニングされうる。
いくつかの実施形態では、妨害因子レベルは、離散化されうる。例えば、溶血回帰モデル４６５には、５０、１５０、２５０及び５２５の慎重な溶血レベルが使用されうる。黄疸回帰モデル４６７には、１．７、６．６、１６及び３０の慎重な黄疸レベルが使用され、脂肪血回帰モデル４６９には、１２５、２５０、５００及び１０００の離散化された脂肪血レベルが使用されうる。
最終的な妨害因子レベルは、所望の回帰モデル４６５、４６７及び４６９に通されるときに、その特定の妨害因子タイプの液体画素の回帰結果を融合させることによって決定される。モデルの妨害因子レベルが離散化された場合は、回帰モデル４６５、４６７及び４６９からの出力が、最も近いターゲットレベルへのマッピングによって個別化されうる。いずれの場合も、妨害因子レベルは、検体２１２内の検出妨害因子タイプごと提供されうる。
したがって、試験装置１４０によって実行されるモデルベース妨害因子検出及び分類方法５００によって、検体２１２が正常であるか１つ以上の妨害因子を含むかを迅速に評価できる。検体２１２が、１つ以上の妨害因子を含む場合、方法５００は、存在する妨害因子タイプを決定し、存在する妨害因子タイプごとの妨害因子レベルを決定できる。
１つ以上の追加の実施形態によれば、後でより詳しく述べるように、画素化画像３５０を利用して、検体２１２の物理的寸法特徴に関する追加情報を取得できる。更に、サンプル容器１０２の高さ（例えば、キャップ２１４とサンプル容器チューブの界面まで）、基準面（例えば、上面）から血清部分２１２Ｓの上部までの検体２１２の全体最大高さ、血清部分２１２Ｓのみの垂直高さ、及び／又はサンプル容器保持具１２２の基準面（例えば、上面）からの赤血球部分２１２ＲＢＣの垂直高さなど、サンプル容器１０２の特定の物理的寸法及び他のパラメータを決定でき、これらを使用してヘマトクリット値を定義できる。
更に、サンプル容器１０２の全幅も画素化画像３５０から得られる。したがって、サンプル容器１０２のサイズを分類できる。他の実施形態では、画素化画像３５０を使用してキャップ２１４の色を決定できる。サンプル容器１０２の物理的特徴はそれぞれ、ブロブ分析などの周知の方法によって取得されうる。
検体品質ステーション１３０は、遠心分離機１２４で遠心分離直後に事前選別が行なわれるように理想的に配置され示されているが、いくつかの実施形態又は他の場所では、分析装置（例えば、分析装置１０６，１０８及び／又は１１０）上に直接この機能を含むと有利なことがある。例えば、自動サンプル容器操作システムに接続されていない独立型分析装置は、この技術を使用して、分析前に検体２１２を検証できる。
更に、以上は、画素が様々なモデルに通されることを示す。本明細書で使用される画素は、Ｒａｄｈａｋｒｉｓｈｎａ Ａｃｈａｎｔａらによる「ＳＬＩＣ Ｓｕｐｅｒｐｉｘｅｌｓ Ｃｏｍｐａｒｅｄ ｔｏ Ｓｔａｔｅ−ｏｆ−ｔｈｅ−Ａｒｔ Ｓｕｐｅｒｐｉｘｅｌ ｍｅｔｈｏｄｓ」（ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｖｏｌ．３４，Ｎｏ．１１，２０１２）と題する論文に記載された個々の画素又は１組の画素（スーパ画素として知られる）を意味する。スーパ画素は、画素群を組み合わせることによって構成されうる。
別の態様では、検体２１２が、所定レベルの脂肪血、溶血又は黄疸を含まない場合、又は分析装置（例えば、分析装置１０６、１０８及び／又は１１０）に適合しない物理レベルや充填体積などを含む場合、検査員は、補正処理をとるように通知されうる。場合によって、補正処理は、改善ステーション１３１における自動化された改善処理でよい。必要に応じて、いくつかの実施形態では、分析装置（例えば、分析装置１０６，１０８及び／又は１１０）は、また、単純に検体２１２中の妨害因子（例えば、脂肪血）の測定を使用して、分析装置（例えば、分析装置１０６，１０８及び／又は１１０）の検出器に達しない散乱光を考慮するように分光測光器示度を補正できる。
本発明は、様々な修正及び代替形態が可能であるが、特定のシステム及び装置の実施形態及びその方法が、図面に例として示されており、本明細書に詳細に記載されている。しかしながら、本発明を開示された特定のシステム、装置又は方法に限定するものではなく、それどころか、本発明は、本発明の範囲内にある全ての修正、等価物及び代替を対象として含むことを理解されたい。
１０２ サンプル容器
１０６、１０８、１１０ 分析装置
１２１ コンベアトラック
１２２ サンプル容器保持具
１３０ 検体品質ステーション
１４０ 試験装置
１４２ 画像取得装置
１４３ コンピュータ
２１２ 検体
２１２ＲＢＣ 赤血球部分
２１２Ｓ 血清部分
２１４ キャップ
２１８ ラベル
３４３Ａ、３４３Ｂ 通信線
３５０ 画素化画像

Claims (22)

  1. サンプル容器内に収容された検体の特徴を決定する方法であって、
    複数の画像取得装置を用いて、前記サンプル容器を回転させることなく、前記検体と、前記サンプル容器の少なくとも一部分と、前記サンプル容器に貼り付けられたラベルの少なくとも一部分の複数の画像を複数の視点から生成するステップと、
    前記画像取得装置のそれぞれから生成した前記画像を組み合わせて画素化画像を生成するステップと、
    前記画素化画像内の画素の色成分を決定するステップと、
    前記画素化画像内の画素を液体又は非液体として分類するステップと、
    前記画素の前記分類に基づいて１つ以上の液体領域を画定するステップと、
    前記１つ以上の液体領域内の１つ以上の妨害因子の存在を決定するステップとを含む方法であって、
    前記非液体には、前記サンプル容器の一部分、キャップ、前記ラベル、赤血球部分、及びサンプル容器保持具を含むことができ、
    前記画素化画像内の前記画素を液体又は非液体として分類するステップが、様々な検体状態を有する前記サンプリング容器の複数の例で液体領域の輪郭を図形的に描くトレーニングセットから生成された液体分類モデルに基づく、
    方法。
  2. 前記画素化画像は、同時に生成された複数の画像を含む、請求項１に記載の方法。
  3. Ｌ＊ａ＊ｂ色空間の前記画素化画像内の前記画素のａ値とｂ値を決定するステップを含む、請求項１または２に記載の方法。
  4. 前記画素化画像が、前記分類前にガンマ補正にかけられる、請求項１または２に記載の方法。
  5. 前記画素化画像内の前記画素を液体又は非液体として分類するステップが、液体又は非液体検出器に基づく、請求項１または２に記載の方法。
  6. 前記液体領域の輪郭を図形的に描く際、前記サンプル容器に貼り付けられたラベルを非液体として分類する、請求項１または２に記載の方法。
  7. 前記液体分類モデルが、更に、サポートベクタマシンを含む、請求項１に記載の方法。
  8. 前記１つ以上の液体領域内の妨害因子の存在を決定する前記ステップが、複数の妨害因子トレーニングセットから生成されたマルチクラス分類モデルに基づく、請求項１または２に記載の方法。
  9. 液体として分類された前記画素化画像内の前記画素が、更に、画素分類器によって、正常として、又は脂肪血、溶血若しくは黄疸のうちの１つの妨害因子タイプより分類される、請求項１または２に記載の方法。
  10. 正常又は前記妨害因子タイプによる分類が、正常、脂肪血、溶血又は黄疸の各クラスで分類された前記画素それぞれの加算又は重み付けに基づく、請求項９に記載の方法。
  11. 前記液体領域内の妨害因子の存在を決定する前記ステップが、
    前記１つ以上の液体領域内の妨害因子タイプをマルチクラス分類モデルに基づいて決定するステップと、
    前記妨害因子タイプの妨害因子レベルを回帰モデルに基づいて決定するステップとを含む、請求項１または２に記載の方法。
  12. 前記回帰モデルが、種々の妨害因子レベルを示す複数のトレーニング検体に基づいて妨害因子タイプごとにトレーニングされる、請求項１１に記載の方法。
  13. 前記画素化画像を分析して前記サンプル容器の物理的寸法特徴を決定するステップを含む、請求項１または２に記載の方法。
  14. 前記画素化画像を分析して前記サンプル容器上のキャップの色を決定するステップを含む、請求項１または２に記載の方法。
  15. サンプル容器内の検体の特徴を決定するように適応された試験装置であって、
    前記サンプル容器を回転させることなく、前記検体と、前記サンプル容器の少なくとも一部分と、前記サンプル容器に貼り付けられたラベルの少なくとも一部分との複数の画像を複数の視点から取得するように構成された複数の画像取得装置と、
    前記取得した画像を組み合わせることで生成された画素化画像内の画素を、液体分類モデルに基づいて、液体又は非液体として分類し、１つ以上の液体領域を画定する働きをする液体又は非液体検出器と、
    マルチクラス分類モデルに基づいて、前記液体領域内の前記画素の正常、溶血、黄疸、又は脂肪血としての分類を決定する働きをする画素分類器と、
    前記画素分類器の結果に基づいて、前記１つ以上の液体領域内の１つ以上の妨害因子タイプを検出する働きをする妨害因子タイプ検出器とを含む試験装置であって、
    前記非液体には、前記サンプル容器の一部分、キャップ、前記ラベル、赤血球部分、及びサンプル容器保持具を含むことができ、
    前記液体分類モデルが、様々な検体状態を有する前記サンプリング容器の複数の例で液体領域の輪郭を図形的に描くトレーニングセットから生成される試験装置。
  16. 前記液体分類モデルが、更に、サポートベクタマシンを含む、請求項１５に記載の装置。
  17. 前記液体領域の輪郭を図形的に描く際、前記サンプル容器に貼り付けられたラベルを非液体として分類する、請求項１５に記載の装置。
  18. 検出された前記１つ以上の妨害因子タイプの妨害因子レベルを決定する働きをする妨害因子レベル検出器を含む、請求項１５に記載の装置。
  19. 前記１つ以上の妨害因子タイプが、
    脂肪血、
    溶血、及び
    黄疸からなる群から選択された少なくとも１つである、請求項１８に記載の装置。
  20. 前記妨害因子レベル検出器が、種々の妨害因子レベルを示す複数のトレーニング検体に基づいて妨害因子タイプごとにトレーニングされる回帰モデルを含む、請求項１８に記載の装置。
  21. 前記画像取得装置は、前記検体のまわりに少なくとも３つ配列され、
    前記画素化画像は、異なる視点から得られた少なくとも３つの画像を含む、請求項１５から２０のいずれかに記載の装置。
  22. サンプル容器内に収容された検体の特徴を決定する方法であって、
    品質管理ステーションにおいて、複数の画像取得装置を用いて、前記サンプル容器を回転させることなく、前記サンプル容器内の前記検体と、前記サンプル容器の少なくとも一部分と、前記サンプル容器に貼り付けられたラベルの少なくとも一部分の複数の画像を複数の視点から生成するステップと、
    前記画像取得装置のそれぞれから生成した前記画像を組み合わせて画素化画像を第１の色空間で生成するステップと、
    前記画素化画像を前記第１の色空間から第２の色空間に変換するステップと、
    前記第２の色空間の前記画素化画像内の画素の色成分を決定するステップと、
    前記画素化画像内の前記画素を、液体分類モデルに基づいて液体又は非液体として分類するステップと、
    液体画素として分類された画素に基づいて１つ以上の液体領域を画定するステップと、
    前記液体画素を、マルチクラス分類モデルに基づいて、正常、溶血、黄疸又は脂肪血のいずれかとして分類するステップと、
    前記１つ以上の液体領域が、正常であるか、１つ以上のタイプの妨害因子を含むかを、正常、溶血、黄疸又は脂肪血それぞれにおける液体画素の数に基づいて決定するステップと、
    前記１つ以上のタイプの妨害因子のうちの少なくともいくつかの妨害因子レベルを、回帰モデルに基づいて決定するステップとを含む方法であって、
    前記非液体には、前記サンプル容器の一部分、キャップ、前記ラベル、赤血球部分、及びサンプル容器保持具を含むことができ、
    前記液体分類モデルが、様々な検体状態を有する前記サンプリング容器の複数の例で液体領域の輪郭を図形的に描くトレーニングセットから生成される方法。
JP2017542014A 2015-02-17 2016-02-16 検体中の妨害因子を分類するためのモデルベース方法及び装置 Active JP6927465B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562117263P 2015-02-17 2015-02-17
US62/117,263 2015-02-17
PCT/US2016/018062 WO2016133900A1 (en) 2015-02-17 2016-02-16 Model-based methods and apparatus for classifying an interferent in specimens

Publications (2)

Publication Number Publication Date
JP2018511787A JP2018511787A (ja) 2018-04-26
JP6927465B2 true JP6927465B2 (ja) 2021-09-01

Family

ID=56692472

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017542014A Active JP6927465B2 (ja) 2015-02-17 2016-02-16 検体中の妨害因子を分類するためのモデルベース方法及び装置

Country Status (7)

Country Link
US (1) US11009467B2 (ja)
EP (1) EP3259578B1 (ja)
JP (1) JP6927465B2 (ja)
CN (1) CN108139320B (ja)
CA (1) CA2976769C (ja)
HK (1) HK1250394A1 (ja)
WO (1) WO2016133900A1 (ja)

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108139320B (zh) * 2015-02-17 2023-12-22 西门子医疗保健诊断公司 用于对试样中的干扰物进行分类的基于模型的方法和装置
JP6719901B2 (ja) * 2015-12-28 2020-07-08 あおい精機株式会社 検体処理装置
CN108738338B (zh) 2016-01-28 2022-01-14 西门子医疗保健诊断公司 用于检测样本中的干扰物的方法和装置
EP3488248B1 (en) 2016-07-21 2025-05-21 Siemens Healthcare Diagnostics Inc. Automated clinical analyzer system and method
BR112019008270A8 (pt) * 2016-10-28 2023-04-11 Beckman Coulter Inc Sistema de avaliação de preparação de substância
CN110199172B (zh) 2016-11-14 2021-05-07 美国西门子医学诊断股份有限公司 用于检测样本的溶血、黄疸、脂血、或常态的方法、设备和质量检验模块
US11132529B2 (en) * 2016-11-16 2021-09-28 Ventana Medical Systems, Inc. Convolutional neural networks for locating objects of interest in images of biological samples
JP7055818B2 (ja) * 2017-04-13 2022-04-18 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッド 畳み込みニューラルネットワークを用いたｈｉｌｎ評価方法及び装置
US11538159B2 (en) 2017-04-13 2022-12-27 Siemens Healthcare Diagnostics Inc. Methods and apparatus for label compensation during specimen characterization
WO2018188023A1 (en) 2017-04-13 2018-10-18 Siemens Healthcare Diagnostics Inc. Methods and apparatus for determining label count during specimen characterization
WO2019018314A1 (en) 2017-07-19 2019-01-24 Siemens Healthcare Diagnostics Inc. METHODS AND APPARATUS FOR SAMPLE CHARACTERIZATION USING HYPERSPECTRAL IMAGING
WO2019018313A1 (en) 2017-07-19 2019-01-24 Siemens Healthcare Diagnostics Inc. METHODS FOR COMPENSATION OF PARASITE LIGHT AND APPARATUS FOR CHARACTERIZING A SPECIMEN
US11657593B2 (en) 2017-07-28 2023-05-23 Siemens Healthcare Diagnostics Inc. Deep learning volume quantifying methods and apparatus
US20200256885A1 (en) * 2017-07-31 2020-08-13 Siemens Healthcare Diagnostics Inc. Methods and apparatus for ascertaining specimen and/or specimen container characteristics
CN112204381A (zh) * 2017-07-31 2021-01-08 Essenlix公司 减少干扰的测定
CN110914669A (zh) * 2017-07-31 2020-03-24 美国西门子医学诊断股份有限公司 用于对样本和/或样品容器进行成像的方法和设备
CN107703064B (zh) * 2017-08-18 2023-06-30 中国彩棉（集团）股份有限公司 一种天然彩棉颜色分级的方法
WO2019110583A1 (en) 2017-12-07 2019-06-13 Ventana Medical Systems, Inc. Deep-learning systems and methods for joint cell and region classification in biological images
CN111556961B (zh) 2018-01-10 2025-03-11 美国西门子医学诊断股份有限公司 用于使用具有经缩减的训练的神经网络的生物流体试样表征的方法和装置
US12089930B2 (en) 2018-03-05 2024-09-17 Marquette University Method and apparatus for non-invasive hemoglobin level prediction
WO2019174884A1 (en) * 2018-03-16 2019-09-19 Inveox Gmbh Automated identification, orientation and sample detection of a sample container
WO2019195783A1 (en) * 2018-04-05 2019-10-10 The Regents Of The University Of California Mapping and quantifying shear stress and hemolysis in patients having lvads
WO2019241134A1 (en) * 2018-06-15 2019-12-19 Siemens Healthcare Diagnostics Inc. Specimen container characterization using a single deep neural network in an end-to-end training fashion
US11927736B2 (en) 2018-06-15 2024-03-12 Siemens Healthcare Diagnostics Inc. Methods and apparatus for fine-grained HIL index determination with advanced semantic segmentation and adversarial training
US20210333298A1 (en) * 2018-09-20 2021-10-28 Siemens Healthcare Diagnostics Inc. Hypothesizing and verification networks and methods for specimen classification
EP3853615B1 (en) 2018-09-20 2024-01-17 Siemens Healthcare Diagnostics, Inc. Methods and apparatus for hiln determination with a deep adaptation network for both serum and plasma samples
US20210341504A1 (en) * 2018-09-20 2021-11-04 Siemens Healthcare Diagnostics Inc. Visualization analysis apparatus and visual learning methods
US11386551B2 (en) * 2018-11-08 2022-07-12 Perkinelmer Health Sciences, Inc. Method and apparatus for buffy coat imaging
JP7071301B2 (ja) * 2019-01-25 2022-05-18 株式会社日立ハイテク 生体試料検出装置
WO2020161520A1 (en) * 2019-02-05 2020-08-13 Azure Vault Ltd. Laboratory device monitoring
US20220383618A1 (en) * 2019-10-31 2022-12-01 Siemens Healthcare Diagnostics Inc. Apparatus and methods of training models of diagnostic analyzers
EP4052047A4 (en) * 2019-10-31 2023-01-11 Siemens Healthcare Diagnostics, Inc. Methods and apparatus for hashing and retrieval of training images used in hiln determinations of specimens in automated diagnostic analysis systems
EP4052180A4 (en) * 2019-10-31 2022-12-28 Siemens Healthcare Diagnostics Inc. METHODS AND APPARATUS FOR AUTOMATED SAMPLE CHARACTERIZATION USING A PERFORMANCE-BASED CONTINUOUS LEARNING DIAGNOSTIC ANALYSIS SYSTEM
CN114586033A (zh) * 2019-10-31 2022-06-03 美国西门子医学诊断股份有限公司 用于在自动化诊断分析系统中对患者进行表征期间保护患者信息的方法和装置
JP6989734B1 (ja) * 2020-06-02 2022-01-05 川崎重工業株式会社 検査システム
EP3933409A1 (en) * 2020-07-03 2022-01-05 F. Hoffmann-La Roche AG Photometric interference determination
CN112505049B (zh) * 2020-10-14 2021-08-03 上海互觉科技有限公司 基于蒙版抑制的精密零组件表面缺陷检测方法和系统
WO2024238303A2 (en) * 2023-05-15 2024-11-21 Siemens Healthcare Diagnostics Inc. Automatic region of interest selection for imaging based urine analyzers
AT527038B1 (de) * 2023-06-29 2024-10-15 Christoph Rampetsreiter Verfahren zum Bestimmen von Hämolyse, Ikterus und/oder Lipämie in einer Blutprobe
JP2025049901A (ja) * 2023-09-22 2025-04-04 株式会社日立ハイテク 試料状態判定装置、試料状態判定方法、および試料分析システム

Family Cites Families (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0194148A3 (en) 1985-03-06 1988-05-04 Lockwood Graders (U.K.) Limited Method and apparatus for detecting coloured regions, and method and apparatus for sorting articles thereby
EP0409898A4 (en) 1988-04-13 1992-03-18 International Integrated Systems, Inc. System of fluid inspection and/or identification
JPH09133687A (ja) 1995-11-13 1997-05-20 Meiji Denki Kogyo Kk 採血試験管における血清量測定装置
WO1997019340A1 (en) 1995-11-21 1997-05-29 Cme Telemetrix Inc. Apparatus and method for rapid spectrophotometric pre-test screen of specimen for a blood analyzer
US5911003A (en) 1996-04-26 1999-06-08 Pressco Technology Inc. Color pattern evaluation system for randomly oriented articles
JP3235501B2 (ja) 1997-02-26 2001-12-04 栗田工業株式会社 汚泥界面計測装置
US5911000A (en) * 1997-08-01 1999-06-08 Ortho Diagnostic Systems, Inc. Detecting abnormal reactions in a red blood cell agglutination
US20030087456A1 (en) * 2001-10-08 2003-05-08 Jones Howland D.T. Within-sample variance classification of samples
WO2003060483A1 (de) * 2002-01-19 2003-07-24 Pvt Probenverteiltechnik Gmbh Verfahren und vorrichtung zur analyse von körperflüssigkeiten
US7062079B2 (en) * 2003-02-14 2006-06-13 Ikonisys, Inc. Method and system for image segmentation
JP2005098832A (ja) * 2003-09-25 2005-04-14 Hitachi Eng Co Ltd 被検体検査装置
US7427508B2 (en) 2003-10-09 2008-09-23 Organotek Defense System Corporation Method for assaying multi-component mixtures
US7653227B2 (en) * 2004-02-09 2010-01-26 Siemens Medical Solutions Usa, Inc. Hierarchical modeling in medical abnormality detection
US7711174B2 (en) * 2004-05-13 2010-05-04 The Charles Stark Draper Laboratory, Inc. Methods and systems for imaging cells
US7223234B2 (en) * 2004-07-10 2007-05-29 Monitrix, Inc. Apparatus for determining association variables
US20060039603A1 (en) * 2004-08-19 2006-02-23 Koutsky Keith A Automated color classification for biological samples
US20060275906A1 (en) * 2005-06-03 2006-12-07 Devlin William J Sr Method for ascertaining interferents in small liquid samples in an automated clinical analyzer
US20070053794A1 (en) * 2005-09-08 2007-03-08 Beckman Coulter, Inc. Sample identification system having plural readers
WO2007044594A2 (en) * 2005-10-07 2007-04-19 Chemimage Corporation Motion invariant generalized hyperspectral targeting and identification methodology and apparatus therefor
US8126690B2 (en) * 2007-05-18 2012-02-28 The Regents Of The University Of Michigan Algorithms to predict clinical response, adherence, and shunting with thiopurines
JP4873745B2 (ja) 2007-11-08 2012-02-08 日立アロカメディカル株式会社 水薬調剤装置
US20110182881A1 (en) * 2008-06-26 2011-07-28 Dana-Farber Cancer Institute, Inc. Signature and determinants associated with metastasis and methods of use thereof
JP5606703B2 (ja) 2009-04-27 2014-10-15 株式会社東芝 液位計測装置
EP2464959B1 (en) * 2009-08-13 2024-09-25 Siemens Healthcare Diagnostics Inc. Methods and apparatus for ascertaining interferents in liquid samples to be analyzed by a clinical analyzer
US8493441B2 (en) 2009-09-11 2013-07-23 Thonhauser Gmbh Absorbance measurements using portable electronic devices with built-in camera
JP2011191081A (ja) 2010-03-12 2011-09-29 Incorporated Educational Institution Meisei 分析システムおよび分析方法
JP5547597B2 (ja) * 2010-09-29 2014-07-16 大日本スクリーン製造株式会社 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体
US9652655B2 (en) * 2011-07-09 2017-05-16 Gauss Surgical, Inc. System and method for estimating extracorporeal blood volume in a physical sample
BR112014011043A2 (pt) * 2011-11-07 2017-06-13 Beckman Coulter Inc detecção de recipiente de espécime
AU2011253980B2 (en) * 2011-12-12 2014-05-29 Canon Kabushiki Kaisha Method, apparatus and system for identifying distracting elements in an image
FR2991052B1 (fr) 2012-05-28 2015-05-01 Msc & Sgcc Procede optique d'inspection de recipients transparents ou translucides portant des motifs visuels
EP2885643B1 (en) 2012-08-20 2019-02-27 Siemens Healthcare Diagnostics Inc. Methods and apparatus for ascertaining specimen and/or sample container characteristics while in transit
WO2014138555A1 (en) * 2013-03-07 2014-09-12 Bernhard Sturm Multimodal segmentation in intravascular images
JP6143584B2 (ja) * 2013-07-04 2017-06-07 株式会社日立ハイテクノロジーズ 検出装置および生体試料分析装置
CN103745210B (zh) * 2014-01-28 2018-02-06 爱威科技股份有限公司 一种白细胞分类方法及装置
EP3033991B1 (en) * 2014-12-15 2018-02-28 Stichting IMEC Nederland System and method for blood pressure estimation
CN108139320B (zh) * 2015-02-17 2023-12-22 西门子医疗保健诊断公司 用于对试样中的干扰物进行分类的基于模型的方法和装置
CN108603835B (zh) * 2016-01-28 2022-06-03 西门子医疗保健诊断公司 被适配成根据多个侧视图来量化试样的方法和装置
JP6919139B2 (ja) * 2016-01-28 2021-08-18 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッドＳｉｅｍｅｎｓ Ｈｅａｌｔｈｃａｒｅ Ｄｉａｇｎｏｓｔｉｃｓ Ｉｎｃ． 複数の側面図から試料容器を識別するように構成された方法および装置
US10746753B2 (en) * 2016-01-28 2020-08-18 Siemens Healthcare Diagnostics Inc. Methods and apparatus for multi-view characterization
US11815446B2 (en) * 2016-01-28 2023-11-14 Siemens Healthcare Diagnostics Inc. Methods and apparatus for characterizing a specimen container and specimen
CN108770364A (zh) * 2016-01-28 2018-11-06 西门子医疗保健诊断公司 用于使用多个曝光来对样品容器和/或样品进行成像的方法和装置
CN108738338B (zh) * 2016-01-28 2022-01-14 西门子医疗保健诊断公司 用于检测样本中的干扰物的方法和装置
EP3408652B1 (en) * 2016-01-28 2020-12-16 Siemens Healthcare Diagnostics Inc. Methods and apparatus for classifying an artifact in a specimen
WO2018022280A1 (en) * 2016-07-25 2018-02-01 Siemens Healthcare Diagnostics Inc. Systems, methods and apparatus for identifying a specimen container cap
US9886826B1 (en) * 2016-07-28 2018-02-06 Datalogic Usa, Inc. Automatic barcode verifier
CN110199172B (zh) * 2016-11-14 2021-05-07 美国西门子医学诊断股份有限公司 用于检测样本的溶血、黄疸、脂血、或常态的方法、设备和质量检验模块
US11132529B2 (en) * 2016-11-16 2021-09-28 Ventana Medical Systems, Inc. Convolutional neural networks for locating objects of interest in images of biological samples
JP7055818B2 (ja) * 2017-04-13 2022-04-18 シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッド 畳み込みニューラルネットワークを用いたｈｉｌｎ評価方法及び装置
US11657593B2 (en) * 2017-07-28 2023-05-23 Siemens Healthcare Diagnostics Inc. Deep learning volume quantifying methods and apparatus

Also Published As

Publication number Publication date
CN108139320B (zh) 2023-12-22
CA2976769C (en) 2023-06-13
HK1250394A1 (zh) 2018-12-14
CA2976769A1 (en) 2016-08-25
US20180045654A1 (en) 2018-02-15
WO2016133900A1 (en) 2016-08-25
CN108139320A (zh) 2018-06-08
JP2018511787A (ja) 2018-04-26
EP3259578B1 (en) 2019-10-23
EP3259578A4 (en) 2018-04-04
EP3259578A1 (en) 2017-12-27
US11009467B2 (en) 2021-05-18

Similar Documents

Publication Publication Date Title
JP6927465B2 (ja) 検体中の妨害因子を分類するためのモデルベース方法及び装置
US11022620B2 (en) Methods, apparatus, and quality check modules for detecting hemolysis, icterus, lipemia, or normality of a specimen
US10816538B2 (en) Methods and apparatus for detecting an interferent in a specimen
US10746665B2 (en) Methods and apparatus for classifying an artifact in a specimen
EP3408640B1 (en) Methods and apparatus adapted to identify a specimen container from multiple lateral views
EP3408641B1 (en) Methods and apparatus for multi-view characterization
CN108603835B (zh) 被适配成根据多个侧视图来量化试样的方法和装置
EP3610270B1 (en) Methods and apparatus for label compensation during specimen characterization
JP2023501939A (ja) 管アセンブリタイプを識別する装置および方法
JP7458481B2 (ja) 自動診断分析システムにおいて検体のｈｉｌｎ決定に使用される訓練画像をハッシュおよび検索するための方法および装置
HK40007356B (zh) 用於檢測樣本的溶血、黃疸、脂血、或常態的方法、設備和質量檢驗模塊
HK1257096B (en) Methods and apparatus for detecting an interferent in a specimen
HK40007356A (en) Methods, apparatus, and quality check modules for detecting hemolysis, icterus, lipemia, or normality of a specimen
HK1255411B (en) Methods and apparatus adapted to quantify a specimen from multiple lateral views

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181121

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190930

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191008

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200107

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200721

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201014

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210302

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210423

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

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210706

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210720

R150 Certificate of patent or registration of utility model

Ref document number: 6927465

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250