JP7438345B2 - 診断分析器のモデルを訓練する装置および方法 - Google Patents

Description

関連出願の相互参照
本出願は、２０１９年１０月３１日に出願された「ＡＰＰＡＲＡＴＵＳ ＡＮＤ ＭＥＴＨＯＤＳ ＯＦ ＩＤＥＮＴＩＦＹＩＮＧ ＴＵＢＥ ＡＳＳＥＭＢＬＩＥＳ」という名称の米国仮特許出願第６２／９２９，０７１号の利益を主張し、その開示全体がすべての目的のために参照により本明細書に組み入れられる。

本開示の実施形態は、管アセンブリを識別する装置および方法に関する。

自動検査システムは、血液血清、血漿、尿、間質液、脳脊髄液などの生体試料中の分析物または他の成分を識別するために、１つまたはそれ以上の試薬を使用して臨床化学またはアッセイを行うことができる。利便性および安全上の理由により、これらの試料は、ほとんどの場合に試料管（たとえば採血管）に含まれている。試料管にはキャップがかぶせられ、場合によって、このキャップは、実施予定の検査の種類、管に含まれる添加物の種類（たとえば、血清分離剤、トロンビンなどの凝固剤、またはＥＤＴＡもしくはクエン酸ナトリウムのような、抗凝固剤およびその特定の種類、または抗解糖添加物）、管が真空機能を備えているか否か、などに関する情報を提供する色および／または形状を含み得る。

特定の自動検査システムでは、試料容器および試料は、キャップの種類および色を識別できるように、コンピュータ支援デジタル撮像システムなどを用いてデジタル撮像およびデジタル処理される。撮像中に、試料管（キャップを含む）および試料の１つまたはそれ以上の画像が取り込まれる。

しかし、このようなシステムは、特定の条件下では性能のばらつきをもたらし、場合によっては管タイプを不適切に特徴付けることがある。したがって、デジタル撮像およびデジタル処理によって試料管を特徴付ける改善された方法および装置が求められている。

第１の実施形態によれば、診断装置のモデルを訓練する方法が提供される。この方法は：第１のタイプの１つまたはそれ以上の第１の管アセンブリを診断装置に提供する工程と；第２のタイプの１つまたはそれ以上の第２の管アセンブリを診断装置に提供する工程と；撮像デバイスを使用して、１つまたはそれ以上の第１の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第１の画像を取り込む工程と；撮像デバイスを使用して、１つまたはそれ以上の第２の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第２の画像を取り込む工程と；１つまたはそれ以上の第１の画像および１つまたはそれ以上の第２の画像に基づいて、第１のタイプの管アセンブリおよび第２のタイプの管アセンブリを識別するようにモデルを訓練する工程と；第１のタイプの管アセンブリを第１のグループにグループ分けする工程と；第２のタイプの管アセンブリを第２のグループにグループ分けする工程とを含む。

第２の実施形態によれば、診断装置を動作させる方法が提供される。この方法は、診断装置のモデルを訓練する工程を含み、この工程は：第１のタイプの１つまたはそれ以上の第１の管アセンブリを診断装置に提供すること；第２のタイプの１つまたはそれ以上の第２の管アセンブリを診断装置に提供すること；撮像デバイスを使用して、１つまたはそれ以上の第１の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第１の画像を取り込むこと；撮像デバイスを使用して、１つまたはそれ以上の第２の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第２の画像を取り込むこと；ならびに１つまたはそれ以上の第１の画像および１つまたはそれ以上の第２の画像に基づいて、第１のタイプの管アセンブリおよび第２のタイプの管アセンブリを識別するようにモデルを訓練することを含む。この方法はさらに：第１のタイプの管アセンブリを第１のグループにグループ分けする工程と；第２のタイプの管アセンブリを第２のグループにグループ分けする工程と；検体を中に含む１つまたはそれ以上の管アセンブリを診断装置に装填する工程と；検体を含む１つまたはそれ以上の管アセンブリを撮像する工程と；モデルを用いて、検体を含む１つまたはそれ以上の管アセンブリを第１のタイプまたは第２のタイプとして識別する工程と；検体を含む１つまたはそれ以上の管アセンブリを、その識別に基づいて第１のグループまたは第２のグループにグループ分けする工程とを含む。

第３の実施形態によれば、診断装置が提供される。この装置は：第１のタイプの１つまたはそれ以上の第１の管アセンブリ、および第２のタイプの１つまたはそれ以上の第２の管アセンブリを収納するように構成された場所と；１つまたはそれ以上の第１の管アセンブリの少なくとも一部分、および１つまたはそれ以上の第２の管アセンブリの少なくとも一部分を撮像するように構成された撮像デバイスと；１つまたはそれ以上の第１の管アセンブリ、および１つまたはそれ以上の第２の管アセンブリを少なくとも撮像デバイスまで輸送するように構成された輸送デバイスと；メモリに連結されたプロセッサを含むコントローラとを含み、メモリには、プロセッサによって実行されたときに：第１のタイプの管アセンブリおよび第２のタイプの管アセンブリを識別するようにモデルを訓練し；第１のタイプの管アセンブリを第１のグループに、第２のタイプの管アセンブリを第２のグループにグループ分けする命令が記憶されている。

本開示のさらに他の態様、構成、および利点は、いくつかの例示的な実施形態および実施態様を示す以下の説明から容易に明らかになろう。本開示はまた、他の別の実施形態の余地があり、そのいくつかの細目は様々な点で修正され、すべてが本発明の範囲から逸脱することがない。したがって、図面および説明は、限定的ではなく、本質的に説明的なものとみなされるべきである。本開示は、特許請求の範囲に入るすべての修正形態、等価物、および代替形態を包含するものである。

以下の図面は、例示を目的とし、必ずしも原寸に比例していない。したがって、図面および説明は、限定的なものではなく、説明的な性質のものとみなされるべきである。図面は、本発明の範囲を何ら限定するものではない。同じ数字が、全体を通して同じまたは同様の要素を示すために用いられている。

１つまたはそれ以上の実施形態による、管アセンブリを識別およびグループ化するように構成された診断装置の上面概略図である。 １つまたはそれ以上の実施形態による、管アセンブリを管タイプによって分類するように診断装置を訓練する方法を示すフローチャートである。 １つまたはそれ以上の実施形態による、管アセンブリを管タイプによって分類するように構成されている診断装置内の、トレイに配置された管アセンブリを示す図である。 １つまたはそれ以上の実施形態による、管アセンブリを管タイプによって分類するように構成されている診断装置内の、トレイに配置された管アセンブリを示す。 １つまたはそれ以上の実施形態による、ランタイム検査用の診断装置内のトレイに配置された管アセンブリを示す図である。 １つまたはそれ以上の実施形態による、様々なタイプの管アセンブリの例を示す図である。 １つまたはそれ以上の実施形態による、様々なタイプの管アセンブリの例を示す図である。 １つまたはそれ以上の実施形態による、様々なタイプの管アセンブリの例を示す図である。 １つまたはそれ以上の実施形態による、様々なタイプの管アセンブリの例を示す図である。 １つまたはそれ以上の実施形態による、１つのカメラからの、パックスロットに配置された管アセンブリの元の画像の一例を示す図であり、パックが管アセンブリの画像の一部分を覆い隠している。 １つまたはそれ以上の実施形態による、図４Ａの画像に対応するバイナリマスクを示す図である。 １つまたはそれ以上の実施形態による、図４Ｂのバイナリマスクを使用して画像から抽出されたキャップパッチを示す図である。 １つまたはそれ以上の実施形態による、色抽出に使用されたキャップの画像の諸領域を示し、様々な画素が分類されている色クラスタを含む図であり、ベタ黒の背景は、元の画像の明度が無視されている画素を含む背景クラスを表す。 １つまたはそれ以上の実施形態による、診断装置によって検出され、ユーザに表示されるキャップの色を示す図である。 １つまたはそれ以上の実施形態による、マスク画像が図３Ａの第１の管アセンブリと位置合わせされる場所を示すボックスを含む、第１の管の第１のキャップのマスク画像の概略図である。 １つまたはそれ以上の実施形態による、マスク画像が図３Ｂの第２の管アセンブリと位置合わせされる場所を示すボックスを含む、第２の管の第２のキャップのマスク画像の概略図である。 １つまたはそれ以上の実施形態による、行勾配を決定するために解析されるキャップを含む、第１の管アセンブリの一部分を示す図である。 １つまたはそれ以上の実施形態による、図９Ａに示された第１の管アセンブリの垂直位置の関数として、幅を示すグラフである。 図９Ｂのグラフにプロットされた第１の管アセンブリのプロットの１次導関数を示すグラフである。 １つまたはそれ以上の実施形態による、行勾配を決定するために解析されるキャップを含む、第２の管アセンブリの一部分を示す図である。 １つまたはそれ以上の実施形態による、図１０Ａに示された第２の管アセンブリの垂直位置の関数として、幅を示すグラフである。 １つまたはそれ以上の実施形態による、図１０Ｂのグラフにプロットされた第２の管アセンブリのプロットの１次導関数を示すグラフである。 １つまたはそれ以上の実施形態による、第１の管アセンブリを通過し、撮像デバイスによって取り込まれた例示的な光スペクトル（たとえば、Ｒ、Ｇ、Ｂ）の棒グラフを示す。 １つまたはそれ以上の実施形態による、第２の管アセンブリを通過し、撮像デバイスによって取り込まれた例示的な光スペクトル（たとえば、Ｒ、Ｇ、Ｂ）のグラフを示す。 １つまたはそれ以上の実施形態による、図１１Ａのグラフが得られた、後方照明された第１の管アセンブリの一部分の写真画像を示す図である。 １つまたはそれ以上の実施形態による、図１１Ｂのグラフが得られた、後方照明された第２の管アセンブリの一部分の写真画像を示す図である。 異なる規格ごとに同じおよび／または異なる管タイプに使用されるキャップの、異なる色の組み合わせを示す図である。 （様々な製造業者の管タイプのセットについて）純粋に色に依拠して管タイプを分別しようとする、ＨＳＶ色空間内のＬＤＡ（線形判別解析）プロットを示す図である。 １つまたはそれ以上の実施形態による、管タイプを撮像および識別するように適用された診断装置の概略図である。 １つまたはそれ以上の実施形態による、診断装置のモデルを訓練する方法を示すフローチャートである。 １つまたはそれ以上の実施形態による、診断装置を動作させる方法を示すフローチャートである。

診断検査室では、１つまたはそれ以上の検査を行うことが望まれる検体を含むのに、様々な製造業者の試験管（たとえば、管アセンブリ）を使用することができる。管アセンブリは、キャップが取り付けられている底部閉鎖管などの管を含み得る。異なる管アセンブリタイプ（たとえば、管タイプ）は、異なるサイズおよび異なる化学添加物などの、異なる特徴を有し得る。たとえば、多くの管タイプは化学的に活性である。つまり、管は、検体の状態を変化させる、もしくは保持するために、またはそれとは別に検体の処理を補助するために使用される、１つまたはそれ以上の添加化学物質を含む。たとえば、管の内壁は、１つまたはそれ以上の添加物でコーティングされ、または添加物が管のどこか他の場所に提供される。たとえば、管に含まれる添加物の種類は、血清分離剤、トロンビンなどの凝固剤、ＥＤＴＡもしくはクエン酸ナトリウムのような抗凝固剤、抗解糖添加物、または検体の特性を変化させる、または保持するための他の添加物とすることができる。管アセンブリ製造業者は、管のキャップの色を、管に含まれる特定のタイプの化学添加物と関連付けることができる。

様々な製造業者が、キャップ色およびキャップ形状などの管アセンブリの構成を管アセンブリの特定の特性と関連付けるための、独自の基準を有し得る。たとえば、その構成は、管の内容物に関連し、または場合によって、管が真空機能を備えているか否かに関連している。いくつかの実施形態では、ある製造業者は、たとえば、灰色のキャップを有するすべての管アセンブリを、グルコースおよび乳酸を検査するように構成されたシュウ酸カリウムおよびナトリウムフルオレートを含む管と関連付け、緑色のキャップを有するすべての管アセンブリを、ナトリウム、カリウム、塩化物、および重炭酸などのｓｔａｔ電解質用のヘパリンを含む管と関連付けることができる。ラベンダ色のキャップでは、ＣＢＣ ｗ／ｄｉｆｆ、ＨｇＢＡ１ｃ、および副甲状腺ホルモンを検査するように構成されたＥＤＴＡ（エチレンジアミン四酢酸－抗凝固剤）を含む管を識別することができる。赤、黄、水色、藤紫色、ピンク、オレンジ、および黒などの他のキャップ色が、他の添加物を示すために、または、ある添加物がないことを示すために使用される。別の実施形態では、ＥＤＴＡとゲル分離剤の組み合わせに黄色とラベンダ、またはリチウムヘパリンとゲル分離剤に緑と黄色などの、キャップの色の組み合わせが使用される。

検査室では、この色情報を管の別の処理に使用することができる。これらの管は、化学的に活性であり得るので（通常は、凝固剤、抗凝固剤、抗解糖化合物などの物質でライニングが施されている）、どの検査をどの管タイプで実施できるかを関連付けることは、検査がほとんど常に内容物に固有であるので重要になる。したがって、検査室では、管内の検体に対して実施されている検査が適正な検査であることを、キャップの色を解析することによって確認することができる。

製造業者に依拠するこれらの基準は、地域によって異なり得る。たとえば、ある製造業者が、ある管タイプにヨーロッパでは第１のキャップ色を使用し、同じ管タイプに米国では第２のキャップ色を使用することがある。規格が一貫していないので、現状では、診断装置が管の化学物質内容物をキャップの色だけに基づいて自動的に決定することは不可能である。上記のように、検査室では、管内の検体をさらに検査するために管タイプ情報を用いる。各管タイプは化学的に活性であり得るので、どの検査をどの管アセンブリで実施できるかを知ることが必要である。

類似している管タイプに使用される異なるキャップ規格の例を示す、図１２を参照する。図１２に示すように、異なるキャップ規格のいくつかでは、類似しているキャップタイプおよび／またはキャップカラーが異なる管タイプに使用されることがある。検査室における現行の仕事の流れでは、検査室の技師がこれらの管タイプ規格に極めて精通していることが期待されている。検査室の現場で使用される診断装置にはこれらの規格が未知であるので、管の内容物および検査室技師が望む機能を記述するために、一つ一つの管アセンブリの手入力が前もって行われる。新規の管タイプ、新規の管タイプ規格、および新規または既存の製造業者からの管アセンブリが検査室で使用されるときには、検査技師は、新しい管タイプおよび規格に精通するようになる必要がある。

本明細書で開示される方法および装置は、検査室技師が１つまたはそれ以上のモデル（たとえば、機械学習モデル）を様々な管タイプについて訓練するプロセスを提供することによって、管アセンブリごとに情報を手入力する労力を軽減することができる。検体検査中、訓練済みモデルは、様々なタイプの管アセンブリをリアルタイムで分類することができる。この方法および装置はまた、検査室間および／または診断装置間での機械学習モデルの転送を可能にする。

モデルの訓練は、診断装置のユーザによって行われる。ユーザは、同一の検査に使用される管アセンブリを入手し、これらの管アセンブリを診断装置に入れることができる。たとえば、ユーザは、第１の管タイプである第１の複数の管アセンブリを診断分析器に装填することができる。次に、診断分析器は、第１の複数の管アセンブリの画像を取り込むことができ、この画像は、モデルを訓練するために後で使用される。第２の管タイプの第２の複数の管アセンブリもまた、モデルをさらに訓練するために、診断分析器によって同様に撮像される。このモデルおよび／または診断分析器は、第１のタイプの管アセンブリを第１のグループに、また第２のタイプの管アセンブリを第２のグループにグループ分けする動作を行うことができる。第１のグループの管アセンブリは、診断分析器によって行われる特定の検査と関連付けられ、第２のグループの管アセンブリは、別の検査と関連付けられる。

いくつかの実施形態では、キャップの１つまたはそれ以上の色が画像から抽出または識別され、特定の管タイプを識別および／または分類するようにモデルを訓練する際に、ユーザを支援するための注釈が付けられる。他の実施形態では、管高および／または管径、管材料（半透明または透明）、キャップ材料、キャップ不透明度またはキャップ半透明度、キャップ形状、キャップ寸法、キャップ寸法勾配、キャップ重量などの、管アセンブリの画像からの他の情報が、モデルを訓練するために用いられる。このような他の情報は、画像から直接取得され、そうでなければ、モデルを訓練するオペレータによって注釈が付けられる。

本明細書に開示された検査方法および装置では、人工知能を使用して、すなわち、ニューラルネットワーク（たとえば、畳み込みニューラルネットワーク－ＣＮＮ）などの１つまたはそれ以上の訓練済みモデル（たとえば、分類または識別モデル）を使用して、管アセンブリを管タイプによって識別および分類することができる。ディープラーニングが、管アセンブリを識別および分類するように特定のモデルを訓練するために使用される。管のいくつかの物理的特性および／または管に取り付けられたキャップの物理的特性および色が、様々な管アセンブリの管タイプを識別するために訓練済みモデルによって識別される。

本明細書に記載された装置および方法は、診断分析器で使用されるすべての管タイプを診断検査室で区別することを可能にし、このことは、従来の装置および方法に対して有利である。本明細書に開示された方法および装置により、オペレータが管アセンブリ情報を手入力するのに費やす時間を低減することができる。あらゆる実現可能な管タイプおよび／または管アセンブリのための統合モデルが不必要になり得る。その理由は、すべての実現可能な管タイプの小さいサブセットのみでよい、検査室および／または分析器で使用される管タイプについてだけ、オペレータがモデルを訓練すればよいからである。訓練は、診断分析器であっても診断分析器を含んでもよい訓練サイトにおいて容易にオフサイトで行うことができるので、モデルをオンサイトで訓練する時間が節約される。オフサイトで訓練されているモデルは、新規の診断装置に、セットアップ時に移植される（たとえば、ダウンロードされる）。訓練済みモデルを使用する診断装置は、リアルタイムで管内容物／機能の判定をすることができるので、多くの冗長な手入力情報は、前もって訓練されたモデルに基づいて自動的に推論される。

いくつかの実施形態では、本明細書に開示された方法および装置は、診断装置のユーザが、検査室の要件に合わせて管アセンブリの機能性をカスタマイズするために使用される、管アセンブリの独自の分類を画成することを可能にする。たとえば、本明細書に開示された訓練方法および装置は、ユーザが、診断分析器または検査室に特有の管タイプ、添加物および／または管機能に基づいて、管タイプを区別すること、および管アセンブリの部類またはグループを作成することを可能にし得る。

上記の方法および装置を本明細書の図１～図１６に関してさらに詳細に説明する。

ここで、図１を参照する。この図は、診断装置１００の一実施形態の上面概略図を示す。診断装置１００は、管アセンブリ１０２内に配置された検体に対して、１つまたはそれ以上の検査（アッセイおよび／または化学的検査）を行うように構成される。管アセンブリ１０２は、診断装置１００内の場所１０４で収納され、入力され、場合によっては出力される。図１に示された実施形態では、場所１０４は、複数のトレイ１１１を保持する容器または他の器具を含むことができ、各トレイ１１１は、１つまたはそれ以上の管アセンブリ１０２を保持することができる。

１つまたはそれ以上の撮像デバイス１０６は、診断装置１００に配置、隣接、または連結されているビジョンシステム１０７に配置され、管アセンブリ１０２を撮像するように構成されている。いくつかの実施形態では、１つまたはそれ以上の撮像デバイス１０６は、撮像モジュール１０８の内部に、またはその一部として配置される。図１に示された実施形態では、撮像モジュール１０８の上部が、撮像モジュール１０８の内部に配置された構成要素を図示するために取り除かれている。１つまたはそれ以上の光源１１０は、撮像モジュール１０８内に配置され、本明細書に記載のように、管アセンブリ１０２を後方照明および／または前方照明するように構成されている。

診断装置１００は、管アセンブリ１０２を少なくとも場所１０４から１つまたはそれ以上の撮像デバイス１０６までの間で、さらには１つまたはそれ以上の分析器モジュール１１８まで、搬送するように構成されている輸送デバイス１１２を含み得る。輸送デバイス１１２は、ロボット１１４およびコンベアまたはトラック１１６を含むことができ、ロボット１１４は、管アセンブリ１０２を場所１０４から、すなわちトレイ１１１の１つから、トラック１１６までの間で移動させるように構成されている。トラック１１６は、管アセンブリ１０２を少なくとも場所１０４から、管アセンブリを事前スクリーニングするためのビジョンシステム１０７までの間で輸送するように構成されている。

診断装置１００は、管アセンブリ１０２内の試料に対して臨床化学検査またはアッセイを行うように構成された、１つまたはそれ以上の分析器モジュール１１８（たとえば、診断分析器またはイムノアッセイ機器など）を含むことができ、管アセンブリ１０２は、トラック１１６を経由して１つまたはそれ以上の分析器モジュール１１８にアクセスすることができる。いくつかの実施形態では、管アセンブリ１０２は、トラック１１６上で管アセンブリ１０２の動きを容易にするために、キャリア１２０（たとえばパック）に入れられる。トラック１１６まわりの所望の位置で停止するようにプログラムされたリニアモータデバイスなどの、他の適切なキャリアも使用される。

診断装置１００は、少なくともロボット１１４と、トラック１１６と、キャリア１２０と、１つまたはそれ以上の撮像デバイス１０６と、１つまたはそれ以上の光源１１０とに連結されたコントローラ１２２を含み得る。コントローラ１２２は、少なくともロボット１１４、および１つまたはそれ以上の撮像デバイス１０６からデータを受けるように構成される。コントローラ１２２はまた、コマンドを少なくともロボット１１４と、１つまたはそれ以上の撮像デバイス１０６と、１つまたはそれ以上の光源１１０とに送出するように構成される。メモリ１２２Ａには、プロセッサ１２２Ｂによって実行されたときに、本明細書に記載の様々なタイプの管アセンブリを識別するように１つまたはそれ以上のモデルを訓練するための命令が記憶されている。モデルは、他のタイプの管アセンブリ１０２を識別するように訓練される。プログラムされた命令はまた、コントローラ１２２に、様々なタイプの管アセンブリ１０２を様々なグループに分類するように指示することもできる。

図２Ａをさらに参照する。この図は、診断装置１００（図１）で使用されるモデルを訓練する方法２００の一実施形態を示すフローチャートを表している。図２Ｂ～２Ｃもまた参照する。これらの図は、モデルが異なる段階の訓練を受けているときの診断装置１００の実施形態の一部分を示す。図２Ｂ～２Ｃに示された実施形態では、管アセンブリ１０２は、診断装置１００の複数のトレイ１１１に配置されている。診断装置１００の実施形態では、場所１０４（図１）は、複数のトレイ１１１が配置されている引き出し２１７（たとえば、１つの場所）を含み得る。いくつかの実施形態では、診断装置１００は、複数の引き出しを含むことができ、複数の引き出しのそれぞれは、１つまたは複数のトレイ１１１または容器を保持することができる。本明細書に記載のトレイ１１１は、モデルの訓練中に同一の管タイプの管アセンブリを一緒に分離するために使用される。図２Ｂ～２Ｃの実施形態では、引き出し２１７は、第１のトレイ２１１Ａ（たとえば、第１の容器）、第２のトレイ２１１Ｂ（たとえば、第２の容器）、第３のトレイ２１１Ｃ（たとえば、第３の容器）、および第４のトレイ２１１Ｄ（たとえば、第４の容器）として個別に表されている、４つのトレイ１１１を含む。類似している管アセンブリ同士を離すために、他のデバイスが診断装置１００で使用されることもある。

本明細書に記載の実施形態では、モデルを訓練するように適用された診断装置１００に４つのタイプの管アセンブリ１０２（管タイプ）が配置され、トレイ１１１のそれぞれに１つの管タイプが訓練中に装填されている。装填は、たとえば、検査室オペレータによって手作業で行われる。別の個数のトレイ１１１および管タイプも使用される。管アセンブリ１０２の個々のタイプは、同一または非常に類似している物理的特性を有し得る。たとえば、類似している（たとえば、同一の）管タイプは、同じ製造業者からのものであっても、同一のキャップの色および／もしくは寸法、または高さ、幅および／もしくは重量などの他の特性を有し得る。

いくつかの実施形態では、異なる管タイプが、抗凝固機能、凝固機能、または他の機能などの、同一の機能を果たすように構成される。たとえば、第１の製造業者は、特定の化学添加物を含み、第１のタイプの検査に使用するように構成されている赤色のキャップを有する、第１の管タイプを供給することができる。第２の製造業者は、第１の管タイプと同じ化学添加物を含み、第１のタイプの検査に使用するように構成されている、色の異なる（たとえば、青色のキャップ）第２の管タイプを供給することができる。いくつかの実施形態では、本明細書に開示された方法および装置により、第１の管タイプと第２の管タイプを、これらは第１のタイプの検査で使用されるのと同じ化学物質を含むので一緒に分類するように、または一緒に（ソフトウェアで）グループ化するように、診断装置１００のモデルを訓練することができる。

ブロック２０８でモデルを訓練するために、異なる管アセンブリタイプの様々な識別特性が、異なる管アセンブリタイプを分類するのに使用される。たとえば、識別特性には、キャップ色または２色以上のキャップ色の組み合わせ、キャップ形状、キャップ材料、キャップの不透明度または半透明度、キャップ重量、キャップ寸法または１つもしくはそれ以上の寸法勾配、管高、管径、管材料などの、特定の組み合わせが含まれ得る。いくつかの実施形態では、管タイプは、キャップ色またはキャップ色の組み合わせ（たとえば、灰色と赤）だけで画成される。

図２Ｂ～２Ｃに開示された実施形態では、４つの管アセンブリタイプ（管タイプ）が図示されており、これらは個別に、第１の管タイプ２０２Ａ、第２の管タイプ２０２Ｂ、第３の管タイプ２０２Ｃ、および第４の管タイプ２０２Ｄと呼ばれる。第１の管タイプ２０２Ａは、図示のように、横線で参照される。第２の管タイプ２０２Ｂは、図示のように、十字の線で参照される。第３の管タイプ２０２Ｃは、図示のように、斜線で参照される。第４の管タイプ２０２Ｄは、図示のように、縦線で参照される。もっと少ない、または多い管タイプも使用される。

さらに図３Ａ～３Ｄを参照する。これらの図は、異なる管アセンブリ（管タイプ）の各実施形態の立面図を示す。図３Ａは、第１の管タイプ２０２Ａの第１の管アセンブリ３２０の立面図を示す。図３Ｂは、第２の管タイプ２０２Ｂの第２の管アセンブリ３２２の立面図を示す。図３Ｃは、第３の管タイプ２０２Ｃの第３の管アセンブリ３２４を示す立面図を示す。図３Ｄは、第４の管タイプ２０２Ｄの第４の管アセンブリ３２６の立面図を示す。第１の管アセンブリ３２０は、第１のキャップ３２０Ａおよび第１の管３２０Ｂを含み得る。第２の管アセンブリ３２２は、第２のキャップ３２２Ａおよび第２の管３２２Ｂを含み得る。第３の管アセンブリ３２４は、第３のキャップ３２４Ａおよび第３の管３２４Ｂを含み得る。第４の管アセンブリ３２６は、第４のキャップ３２６Ａおよび第４の管３２６Ｂを含み得る。

たとえば、第１の管アセンブリ３２０は第１の製造業者から提供され、第２の管アセンブリ３２２は第２の製造業者から提供され、第３の管アセンブリ３２４は第３の製造業者から提供され、第４の管アセンブリ３２６は第４の製造業者から提供される。いくつかの実施形態では、管アセンブリ３２０～３２６の全部または一部が同一の製造業者から提供される。第１の管アセンブリ３２０および第２の管アセンブリ３２２は、同一のタイプの検査で使用されるように構成されている。第３の管アセンブリ３２４および第４の管アセンブリ３２６は、異なるタイプの検査で使用されるように構成されている。図３Ａ～３Ｃに示すように、第１のキャップ３２０Ａ、第２のキャップ３２２Ａ、および第３のキャップ３２４Ａは異なる幾何学的特性を有し、キャップ３２０Ａ～３２６Ａは異なるキャップ色、さらには異なるキャップ色の組み合わせさえも有し得る。加えて、いくつかの管タイプは、高さおよび／または幅に関して異なり得る。たとえば、第２の管３２２Ｂは第１の管３２０Ｂよりも短く、第１の管３２０Ｂは他の管よりも幅広い。

診断装置１００のオペレータまたはユーザは、同じ管タイプの複数のインスタンスを個々のトレイ１１１に装填することによって、ブロック２０６に記載され図２Ａに示されている訓練方法２００を開始することができる。たとえば、オペレータは、トレイ１１１のそれぞれに個々の管タイプを装填することができる。いくつかの実施形態では、管アセンブリ間の製造公差などのばらつきに対処するように訓練するために、同一の管タイプのいくつかのインスタンス（コピー）がトレイ１１１のそれぞれに提供される。このプロセスにより、管タイプごとに訓練される非常に厳密な管タイプモデルが得られる。

図２Ｂの実施形態では、第１の管タイプ２０２Ａは第１のトレイ２１１Ａに装填され、第２の管タイプ２０２Ｂは第２のトレイ２１１Ｂに装填され、第３の管タイプ２０２Ｃは第３のトレイ２１１Ｃに装填され、第４の管タイプ２０２Ｄは第４のトレイ２１１Ｄに装填されている。

管アセンブリ１０２が適切なトレイ２１１Ａ～２１１Ｄに装填された後、輸送デバイス１１２（図１）は、モデルをブロック２０８で訓練するために、管アセンブリ１０２をビジョンシステム１０７まで輸送することができる。たとえば、ロボット１１４は、管アセンブリ１０２をトラック１１６まで移動させることができ、ここで管アセンブリ１０２は、コントローラ１２２からのコマンドに応答して管アセンブリ１０２の画像を取り込むことができる、ビジョンシステム１０７の１つまたはそれ以上の撮像デバイス１０６まで輸送される。取り込まれる画像は画素化画像でよく、各画素化画像は複数の画素を含み得る。画像が取り込まれた後、輸送デバイス１１２は次に、管アセンブリ１０２をトレイ１１１まで戻すことができる。

いくつかの実施形態では、管アセンブリ１０２は、ビジョンシステム１０７まで１つずつ送られ撮像される。たとえば、各管アセンブリ１０２は、輸送デバイスまたはキャリア１２０（たとえば、パック）に入れられ、ビジョンシステム１０７まで輸送される。以下で説明するように、アルゴリズムにより各画像を解析することができる。以前に取得された参照画像（たとえば、管アセンブリが入っていない空のキャリア１２０）と、同一のキャリアスロットまたはレセプタクル（たとえば、パックスロットまたはレセプタクル）内の管アセンブリ１０２の画像とを使用して、バックグラウンド除去が行われてバイナリマスクが得られ、このバイナリマスクは、管アセンブリ１０２に対応する画像内の画素を強調するために使用される。

図４Ａは、パックスロットに配置された第２の管アセンブリ３２２の元の画像の１つの撮像デバイス（他の実施形態では、３つのカメラなどの別の個数の撮像デバイスを使用できる）の一例を示し、パック（たとえば、キャリア１２０、図１）が、第２の管３２２Ｂの画像のいくつかの下方部分を覆い隠している。図４Ｂは、図４Ａの画像に対応するバイナリマスク４２８を示す。バイナリマスク４２８は、いくらかの外部ノイズを含むことがあり、このノイズは後でフィルタリングされる。

各管タイプのバイナリマスク４２８は、管アセンブリのどの部分がキャップに対応しているかを判定するために解析される。バイナリマスクの最上部は、キャップ（キャップ３２０Ａ～３２６Ａ、管タイプによる）の最上部画素に対応し、最下部画素は、形態素後処理を適用してキャップ領域を強調し、連結成分を用いてノイズを除去した後に、マスクのどの点で幅が最大であるかを推論することによって計算される。たとえば、画像またはマスクの最も幅広い部分Ｗ４は、キャップの底部であり得る。図５は、バイナリマスク４２８を使用して抽出された、結果として得られたキャップパッチ５３０（何らかの緩衝部付き、これは第２の管３２２Ｂの上部であり得る）の一例を示す。キャップパッチ５３０を生成することは、バイナリマスク４２８の最も幅広い部分Ｗ４を識別し、最も幅広い部分Ｗ４の上方の画素を第２のキャップ３２２Ａとして指定する、アルゴリズムを必要とし得る。最も幅広い部分Ｗ４を含む画素、および最も幅広い部分Ｗ４の下方のいくつかの画素はまた、第２のキャップ３２２Ａとして指定される。第２のキャップ３２２Ａの下方の画素は、緩衝部と呼ばれる。いくつかの実施形態では、図５のキャップパッチ５３０は、図４Ａの画像の先端の切り落とし部分であり得る。

キャップパッチ５３０の画像キャップ領域（何らかの緩衝部付き）は、画像を前から減算することにより生じるノイズなどのノイズを除去するために抽出され、後処理される。ノイズは、マスクおよび連結成分のまわりのノイズに対処するための（たとえば、予想マスク外側の外部ノイズに対処するための）形態素動作によって除去される。プロセスのこの時点で、キャップに対応する画像中の画素は既知である。画素の色および強度が抽出され、これらの画素のそれぞれが、たとえば、色相－飽和－値（ＨＳＶ）色空間に変換される。ＨＳＶ色空間にマッピングされたキャップの一例が図１３に示されている。教師なしクラスタリングが、３次元円錐（ＨＳＶ）色空間を正規化２次元円空間にマッピングしてキャップから２色を抽出することによって実施される。

図６は、色抽出に使用される図５からのキャップパッチ５３０の例示的な領域と、画素がどの色クラスタに入るかとを示す。図６の実施形態では、２つの色は、それぞれが画素を含み得る、明領域６０４および暗領域６０２として示されている。明領域６０４は、たとえば、キャップの青色部分であり得、暗領域６０２は、たとえば、第２のキャップ３２２Ａの濃青色部分であり得る。キャップパッチ５３０について抽出された２色に関して、２次元円空間上のこれらの色間の距離が差分閾値に対して参照されて、その距離が第３のキャップ３２４Ａ（図３Ｃ）などの多色キャップに対応するか否かが判定される。第３のキャップ３２４Ａの実施形態では、明領域６０４は、たとえば、赤とすることができ、暗領域６０２は、たとえば、灰色とすることができる。ベタ黒の背景は、元の画像の部分の明度が無視されている画素を含む、背景クラスを表し得る。

診断装置１００によって検出された色は、ユーザに表示される。多色キャップ（たとえば、第３のキャップ３２４Ａ）などで、２つの色が検出された場合、両方の色、または２つの色のそれぞれの平均が表示される。たとえば、各色が２次元円空間において近接している場合には、両方の色の平均が表示される。キャップ色の表示７４０の一例が図７に示されている。第１のチャート７５０は、ビジョンシステム１０７（図１）によって撮像された第１のキャップの色であり得る、複数の個別セル７５０Ａを示す。図７の実施形態では、個々のセル７５０Ａは、ビジョンシステム１０７によって撮像されたラベンダ色のキャップの相違または異なる濃淡を示す。たとえば、個々のセル７５０Ａのうちの１つまたはそれ以上が、ビジョンシステム１０７によって撮像されたラベンダ色を示すことができ、１つまたはそれ以上の他の個々のセル７５０Ａが、ビジョンシステム１０７によって撮像された明ラベンダ色を示すことができる。診断装置１００のユーザは、第１のチャート７５０に示された色が正しいこと、およびそれぞれの管アセンブリタイプがすべて同一の管タイプとして分類予定であることを確認することができる。

第２のチャート７５２は、青色キャップの色の相違を示し、これらのキャップは、同一の管タイプとして分類され、または単色キャップから分類される。たとえば、個々のセル７５２Ａは、異なる青色の濃淡を示し得るが、ユーザは、全部が同一の管タイプに属することを確認することができる。第３のチャート７５４は、紫色のキャップの色の相違を示し、これらのキャップは、同一の管タイプとして分類され、または単色キャップから分類される。たとえば、個々のセル７５４Ａは、異なる紫色の濃淡を示し得るが、ユーザは、全部が同一の管タイプに属することを確認することができる。第４のチャート７５６は、赤色および灰色を含むキャップの色の相違を示す。個々のセル７５６Ａは、各キャップで撮像された２つの色を示している。第４のチャート７５６によって表されるキャップは、多色キャップ（たとえば、第３のキャップ３２４Ａ、図３）からのものとして分類される。

訓練の結果（たとえば、訓練済みモデル）は、たとえば、メモリ１２２Ａ（図１）に記憶される。いくつかの実施形態では、訓練の結果は、以下で説明するデータベースの形とすることができ、いくつかの目的に役立ち得る。このデータベースは、データベースまたは訓練済みモデルを他の診断装置へ転送することを可能にするように、移植性を提供することができる。データベースは、画像から抽出された構成がデータベースに記憶され、かつ訓練済みモデルによって将来の解析に使用されるので、管アセンブリの画像を記憶する必要性を無くすことができる。いくつかの実施形態では、撮像された管アセンブリのタイプに応じて１つまたは２つ（またはそれ以上）の色をユーザに表示するにもかかわらず、将来の解析のために、データベースは両方の色を（すべての場合に）記憶することができる。

モデルは、管アセンブリ１０２の画像および本明細書に記載の関連する画像処理によって識別される、管アセンブリ１０２の物理的特性に基づいて訓練される。訓練済みモデルは、本明細書に記載のように、管タイプによって管アセンブリを識別および分類する機械学習モデルおよび／またはニューラルネットワーク（たとえば、畳み込みニューラルネットワークＣＮＮ）などの、１つまたはそれ以上の訓練済み分類モデルを含み得る。したがって、モデルを訓練することは、たとえば、識別モデルを訓練すること、ニューラルネットワークを訓練すること、畳み込みニューラルネットワークを訓練すること、および／またはサポートベクターマシンを訓練することを含み得る。いくつかの実施形態では、本明細書に記載のように、管アセンブリを識別および分類するようにモデルを訓練するのに、ディープラーニングが使用される。

いくつかの実施形態では、診断装置１００および／またはユーザは、訓練済み管タイプモデルを検証することができる。診断装置１００および／またはユーザはまた、図２Ａのブロック２１０に示すように、分類された２つの異なる管タイプが類似し過ぎている場合に競合を修正することもできる。診断装置１００は、訓練プロセス中にエラー（たとえば、管アセンブリのうちの１つが異なるタイプである、１つの管に間違ったキャップが付いていた、など）が何もなかったことを保証するために、チェックを実行することができる。上述の実施形態では、ある管タイプの内部の管アセンブリごとに２つの色値が記憶されている場合があるので、色空間におけるこれらの点の両方が、その管タイプの他の管アセンブリと比較されて、これらの点が色空間において同一の管タイプを成すのに十分なだけ互いに近接していることを保証することができる。たとえば、これらの色は、色空間内で互いに所定の距離内にあり得る。このように間隔をとることの一例が、図１３の第１のキャップ色１３０２および第２のキャップ色１３０４で示されている。第１のキャップ色１３０２と第２のキャップ色１３０４の両方が、本明細書に記載のように、同一の管タイプとして、または同一のグループ内にあるとして分類されている。

上述のように、管タイプモデルが訓練されていると、オペレータは、管タイプを１つまたはそれ以上のグループに割り当てることができ、個々のグループは、本明細書に記載のように、かつブロック２０８（図２Ａ）に記述されているように、ある管アセンブリの内容物、またはある管タイプの特定の機能に関連している。いくつかの実施形態では、この割り当ては、モデルの訓練中に行われる。少なくとも１つのグループは、特定の検査の実施中に使用される管アセンブリを含み得る。たとえば、特定の一組の基準に従って、検査室では、図２Ｃに示すように、第１のトレイ２１１Ａ内の第１の管タイプ２０２Ａの第１の管アセンブリ３２０と、第２のトレイ２１１Ｂ内の第２の管タイプ２０２Ｂの第２の管アセンブリ３２２とを１つのグループ（グループＡ）に割り当てることができる。グループＡは、グルコース検査などの特定の検査に用いられる画成された機能または化学添加物付きの管アセンブリを含むように画成される。グループＢおよびグループＣの管アセンブリは、特定の検査用の他の機能を実施するために使用される。

厳密に画成された管タイプモデルでは、ある管タイプが第１のグループにグループ分け（たとえば、分類）され、第１のグループの管タイプと他のグループの管タイプとの間に明確な境界を作成するエンベロープが計算される。いくつかの実施形態では、ユーザが、ある管タイプを代表し得る各トレイを１つのグループに割り当てることができる。このグループは、本明細書に記載のように、新規のグループでも既存のグループでもよい。たとえば、新規の管タイプのアセンブリは、本明細書に記載のように識別され、新規または既存のグループに割り当てられる。

グループが画成された後、グループ間に重複がないか調べられる。異なるグループ間に分離境界を画成することを困難にし得る、類似色のキャップ付きの管アセンブリが異なるグループ（たとえば、分類）に割り当てられていることがあるかどうかを、重複がないかを調べることにより確認することができる。たとえば、赤いプラスチックキャップ付きの管タイプと赤いゴムキャップ付きの管タイプは、異なるグループに割り当てられるが、診断装置はこれらのキャップを区別できない可能性がある。管タイプの画成が厳密に色に基づく実施形態では、対応する管アセンブリは同一のグループに属さなければならない場合があり、さもなければ診断装置は、実行時に信頼性のない分類結果を得る可能性がある。

いくつかの実施形態では、診断装置１００またはそのユーザは、図２Ａのブロック２１０に記述されているように、２つの学習済みグループが類似し過ぎている場合に競合を修正することができる。そうでなければ、診断装置１００は、検査を進めることができる。モデルの訓練が成功している（すなわち、グループ間に重複がない）場合、訓練済みモデルは他の診断装置に移植（コピー）される。次に、別の診断装置の特性評価方法でその訓練済みモデルを使用して、本明細書に記載のように、管アセンブリを実行時（たとえば、検査中）に分類することができる。

実行時に、管アセンブリ１０２は、図２Ｄに示すように、トレイ１１１にランダムに装填される。診断装置１００は、パックスロット占有、流量推定、バーコード読み取り、ＨＩＬＮ（溶血、黄疸、脂肪血症、および正常判定）、アーチファクト検出（たとえば、血餅、泡または気泡の検出）などの、多数の機能を実施することができる。これらの機能に加えて、訓練に使用されるものなどのキャップおよび他の構成が抽出され、訓練済みモデルのすべてのグループに対して参照される。それに応じて、管アセンブリ１０２のうちの１つまたはそれ以上がデータベース内のグループの１つに分類され、その管グループに関連した対応する特性／機能は、管アセンブリに適用される。分類の後、オペレータは、モニタに表示された管内容物の特性が、上述のグループの形で事前情報を用いて自動的に取り込まれるのを見ることができる。たとえば、グループＡ（図２Ｃ）、グループＢ、およびグループＣの管アセンブリの管内容物は、自動的に取り込まれモニタ１２３（図１）上に表示される。いくつかの実施形態では、オペレータは、管アセンブリ内の検体が、管アセンブリのグループまたは分類によって適切な検査に割り当てられていることを確認することができる。

本明細書に記載されたモデルの訓練は、既存の診断装置１００を補完することができる。たとえば、訓練により多種多様な管タイプをサポートできるので、管タイプのうちのいくつかにしか視覚ベースのグループ分け競合があり得ないが、この競合は、本明細書に記載の他の方法によって解決される。加えて、本明細書に記載の訓練方法は、モデルを訓練するときに用いられる手作業の注釈付けが少ないので、検査室で使用される管タイプを識別するようにオペレータがモデルを迅速に訓練することを可能にし得る。

本明細書に記載のモデルおよび方法は、診断装置１００（図１）が、グループに割り当てられた管タイプとの競合を、上述のように２つの類似している管タイプが異なるグループに割り当てられる場合などに、強調することを可能にし得る。さらに、実行時に、管アセンブリは、グループのうちの１つに手入力することに頼るのではなく、グループのうちの１つに迅速に分類される。加えて、グループは、オペレータによってカスタマイズされる。管タイプをグループにグループ分けすることによって、オペレータは、適正な管タイプが特定の検査に使用されていることを確信することができる。たとえば、方法およびモデルは、実行時に分類される管タイプと、管アセンブリ内の検体に対して指示されている１つまたはそれ以上の検査とを比較することによって、誤った管タイプが使用された場合の発見を容易にする。特定の分析器モジュール１１８の検査メニューなどに記憶されている、データベースまたは他の比較方法が、管タイプと特定の検査に許可された管タイプとを比較するために用いられる。

上記に加えて、本明細書に開示された方法、装置、およびモデルでは、異なる管タイプを区別するために、キャップ形状、キャップ色、ならびにキャップおよび管の他の特性を用いることができる。色および形状を含むキャップおよび／または管の構成は、管アセンブリを識別するために、線形サポートベクターマシンなどの多次元識別モデルでもよいモデルに入力される。これらの方法および装置では、管アセンブリ１０２の特性を識別するために、管アセンブリ１０２（図１）の前方照明および／または後方照明を使用することができる。たとえば、いくつかの実施形態では、１つまたはそれ以上のパネル光源などの、１つまたはそれ以上の光源１１０は、管アセンブリの前面を照明することができ、反射光の画像が取り込まれる。他の実施形態では、パネル光源などの１つまたはそれ以上の光源１１０が、管アセンブリを後方照明することができ、撮像デバイスが、管アセンブリを通過する光の画像を取り込むことができる。しかし、前方照明は、少なくとも色の識別の改善をもたらすことができる。

いくつかの実施形態では、キャップとして識別された領域の画像の、色決定アルゴリズムを使用するさらなる処理により、キャップの色を抽出または識別することができる。さらなる処理は、モデルを訓練するために使用され、かつ／または管アセンブリ１０２（図１）を分類するためにモデルによって使用される。上述のように、アルゴリズムにより、多色キャップ（たとえば、第３のキャップ３２４Ａ、図３Ｃ）の色を決定することができる。これらの実施形態では、キャップを表す画素のそれぞれの色値が特定される。画素の全部または１つのパッチの色値の平均（平均色）は、コンピュータアルゴリズムを使用することなどによって決定される。平均色の色成分が次に決定され、モデルを訓練するために使用され、かつ／または管アセンブリ１０２を分類するためにモデルによって使用される。

いくつかの実施形態では、平均色は、色相、彩度、および値成分を得るためにＨＳＶ（色相、彩度、値）色空間で計算される。ＨＳＶ色空間にマッピングされた管アセンブリの一例が図１３に提供されている。これらの色成分は、管タイプを明確に分類する助けになるモデル（たとえば、識別モデル）に入力される、３つの大きさまたはベクトルを提供する。ＨＳＬ、ＲＧＢ（赤、緑、青）、Ａｄｏｂｅ ＲＧＢ、ＹＩＱ、ＹＵＶ、ＣＩＥＬＣＡＢ、ＣＩＥＬＵＶ、ＰｒｏＰｈｏｔｏ、ｓＲＧＢ、Ｌｕｍａ ｐｌｕｓ Ｃｈｒｏｍａ、ＣＭＹＫなどを使用して、他の色特性評価方法も用いられる。

いくつかの実施形態では、キャップ形状に関連する構成がモデルに入力される。たとえば、寸法勾配（たとえば、寸法の変化率を示す行勾配および／または列勾配）に関連する幾何学的構成が、モデルに入力される。アルゴリズムにより、たとえば、キャップの画像を上部から下部または下部から上部へ走査（たとえば、ラスター走査）して、キャップの幅を垂直位置の関数として（たとえば、ｙ軸に沿って）決定することができ、ここで幅は、横軸すなわちｘ軸に沿って計算される。たとえば、このアルゴリズムでは、マスクされたキャップ画像を上部から下部へ走査し、キャップの形状を解析し、キャップの画像のｙ軸に沿った幅の絶対値と１次導関数の両方を記憶することができる。１次導関数は、単一軸については、式（１）で次のように計算される：

式（１）により、行勾配が得られる。ＲＧ－ｍａｘとして表される行勾配の最大値が計算される。ＲＧ－ｍａｘの値は、キャップの幅の最も急な変化の関数であり、その変化に関連しており、モデルへのベクトル入力であり得る。他の実施形態では、キャップの他の幾何学的構成が解析され、モデルに入力される。たとえば、キャップの上面に沿った輪郭が解析され、モデルに入力される。他の実施形態では、キャップ高の勾配が解析され、モデルに入力される。

いくつかの実施形態では、モデルに入力される１つまたはそれ以上の他の差別化特性を得るために、キャップの材料が解析される。キャップの材料を解析することには、キャップの不透明度の目安を計算することが含まれ得る。たとえば、あるアルゴリズムでは、複数の光スペクトル（波長）にわたって多くの露出時間にキャップの後方照明画像を使用することができ、その結果を解析することができる。いくつかの実施形態では、３つの可視光スペクトル（ＲＧＢ）が使用される。たとえば、後方照明赤チャネル画像は、約１０３０９μｓの間露出され、後方照明緑チャネル画像は、約２０６１５μｓの間露出され、後方照明青チャネル画像は、約１０３１０μｓの間露出される。色チャネルのそれぞれの統計値が計算され、訓練中にモデルに入力される。たとえば、ＲＧＢの各波長の高露出画像の平均値が計算される。これらの３つの平均値（Ｒ－ｍｅａｎ、Ｇ－ｍｅａｎ、Ｂ－ｍｅａｎ）を含めて、モデルは、多次元（７次元）の識別構成空間（Ｈ、Ｓ、Ｖ、ＲＧ－ｍａｘ、Ｒ－ｍｅａｎ、Ｇ－ｍｅａｎ、Ｂ－ｍｅａｎ）をキャップ識別および／または分類のために用いることができる。

ｎ次元構成空間（この実施形態ではｎ＝７）において、モデル（たとえば、識別モデルまたは識別器）が、管タイプを適切に識別するように訓練される。識別器などのモデルの一例が線形サポートベクターマシン（ＳＶＭ）であり、これは、高次元構成空間において各キャップおよび／または管タイプのまわりに決定超境界を描く。次に、キャップおよび／または管タイプが識別される。いくつかの実施形態では、キャップの高さ、直径、または他の視覚ベースの構成などの、より多くの構成がモデルの追加次元として含まれる。キャップ重量が、撮像段階の後のキャップ除去ステーションなどでも利用される。他の実施形態では、他の後方照明光または非可視光（たとえば、ＩＲまたは近ＩＲ）が、より強力なモデルを追加して色空間の次元の複雑さを活用するために使用される。

本明細書に記載のモデルおよびアルゴリズムは、キャップの色だけに依存することなく、特定のキャップをその適切な管タイプと関連付けることができる。これらのモデルおよびアルゴリズムは、オペレータからの入力がなくてもこれらのタスクを実施することができる。すなわち、識別が自動化される。以下の説明では、管に取り付けられたキャップに基づいて管タイプを識別するために上述の方法および装置を実施するという一例を提供する。他の実施形態では、管アセンブリの特性が解析され、その解析に基づいて、これらのモデルおよびアルゴリズムで管タイプを決定することができる。

図３Ａ～３Ｄを再び参照すると、第１のキャップ３２０Ａは第１の色を有していてもよく、第２のキャップ３２２Ａは第２の色を有していてもよい。いくつかの実施形態において、第１の色は第２の色と類似していることがあり、それにより、色だけのコンピュータアルゴリズムでは第１の色を第２の色と区別することができない可能性がある。他の実施形態では、第１の色は第２の色と異なっていることがある。本明細書に記載の方法および装置は、上述の構成および色を解析して、第１のキャップ３２０Ａを第２のキャップ３２２Ａと区別すること、それゆえに第１の管アセンブリ３２０の管タイプを第２の管アセンブリ３２２の管タイプと区別することができる。

第１の管アセンブリ３２０および第２の管アセンブリ３２２の１つまたはそれ以上の画像は、１つまたはそれ以上の撮像デバイス１０６（図１）によって取り込まれる。画像は、画素で構成された画素化画像でもよく、各画像は複数の画素を含む。さらに図８Ａおよび図８Ｂを参照すると、図８Ａは、第１の管３２０Ｂから取り外された第１のキャップ３２０Ａのマスク画像の概略図を示し、図８Ｂは、第２の管３２２Ｂから取り外された第２のキャップ３２２Ａのマスク画像の概略図を示している。いくつかの実施形態では、コントローラ１２２で実行されるアルゴリズムにより、画像中の画素をキャップとして分類することができ、これらの画素を追加の処理のために分離することができる。図８Ａおよび図８Ｂのまわりのボックスは、マスク画像が、同様のボックスを含む図３Ａの第１の管アセンブリ３２０および図３Ｂの第２の管アセンブリ３２２と位置が合うところを示す。

図８Ａの画像中の画素位置は、第１のキャップ３２０Ａの色を決定するために元のカラー画像を解析するのに使用される。第１のキャップ３２０Ａの色を決定することは、画素の平均色、画素の中央色、画素の最頻値、または画素の他の色値を計算することによって行われる。また、ｋ平均クラスタリングなどの、より高度な教師なし機械学習法もまた、色クラスタを作成するために用いられる。平均色は、第１の管アセンブリ３２０のモデルへの入力用のＨＳＶ色モデルの３つの色構成次元（Ｈ－色相、Ｓ－彩度、およびＶ－値（明るさ））を生成するために、ＨＳＶ色空間内で計算される。同一のプロセスが、第２の管アセンブリ３２２のモデルへの入力用の３つの色構成次元を生成するために、図８Ｂの画素位置に適用される。

モデルへの入力用の追加の寸法は、第１のキャップ３２０Ａおよび／または第１の管３２０Ｂを含む第１の管アセンブリと、第２のキャップ３２２Ａおよび／または第２の管３２２Ｂを含む第２の管アセンブリ３２２との幾何学的構成を解析することによって得られる。コントローラ１２２上で実行されるアルゴリズムにより、第１のキャップ３２０Ａの行勾配などの寸法勾配を解析すること、および第１の管３２０Ｂの一部分を含むことができる。同様に、このアルゴリズムにより、第２のキャップ３２２Ａの行勾配などの寸法勾配を解析すること、および第２の管３２２Ｂの一部分を含むことができる。

図９Ａを参照する。この図は、行勾配などの幾何学的勾配を決定するために解析される、第１の管アセンブリ３２０の一部分を示す。図１０Ａもまた参照する。この図は、行勾配などの幾何学的勾配を決定するために解析される、第２の管アセンブリ３２２の一部分を示す。図９Ａを参照すると、アルゴリズムにより、第１のキャップ３２０Ａおよび第１の管３２０Ｂの一部分を上部から下部へ走査して、第１のキャップ３２０Ａおよび第１の管３２０Ｂの一部分の形状を示す数値を決定することができる。図３Ａの実施形態では、これらの数値は、第１のキャップ３２０Ａと第１の管３２０Ｂの上部との様々な幅である。

さらに図９Ｂを参照する。この図は、図９Ａに示される第１の管アセンブリ３２０に沿った垂直寸法の関数としての様々な幅寸法をグラフで示す。図９Ａおよび図９Ｂに示すように、第１の管アセンブリ３２０は、垂直位置Ｖ３１において幅Ｗ３１、および垂直位置Ｖ３２において幅Ｗ３２を有している。第１の管アセンブリ３２０は、垂直位置Ｖ３３で幅Ｗ３３を有しており、この幅は、第１の管３２０Ｂの幅である。これらの幅は、垂直位置の関数としての幅に関して、第１の管アセンブリ３２０の特有の幾何学的特性を表し得る。

さらに図９Ｃを参照する。この図は、第１の管アセンブリ３２０の図９Ｂの寸法グラフ（垂直寸法に対する幅寸法）の１次導関数を示す。式（１）が、図９Ｃのグラフを得るために図９Ｂのグラフに適用される。第１のキャップ３２０Ａの最上部の行は処理中に無視されるので、式（１）が最上部の行の画素に適用されたときに１次導関数が無限大に近づかないことに留意されたい。図９Ｃのグラフのｙ軸は、ΔＷｉｄｔｈと呼ばれる。ＲＧ－ｍａｘ１と呼ばれるΔＷｉｄｔｈの最大値が図９Ｃのグラフに示されており、別のモデル入力として第１の管アセンブリ３２０のモデルに入力される。

さらに図１０Ｂを参照する。この図は、図１０Ａに示される第２の管アセンブリ３２２の様々な幅を垂直寸法（位置）の関数としてグラフで示す。図１０Ａおよび図１０Ｂに示すように、第２の管アセンブリ３２２は、垂直位置Ｖ４１において幅Ｗ４１、および垂直位置Ｖ４２において幅Ｗ４２を有している。第２の管アセンブリ３２２は、垂直位置Ｖ４３において幅Ｗ４３を有しており、この幅は、第２の管３２２Ｂの幅である。これらの幅は、第２の管アセンブリ３２２の特有の幾何学的特性を表し得る。

さらに図１０Ｃを参照する。この図は図１０Ｂのグラフにプロットされた第２の管アセンブリ３２２の１次導関数を示す。式（１）が、図１０Ｃのグラフを得るために図１０Ｂのグラフに適用される。第２のキャップ３２２Ａの最上部の行は処理中に無視されるので、第１の行の導関数が計算されるときに１次導関数が無限大に近づかないことに留意されたい。図１０Ｃのグラフのｙ軸は、ΔＷｉｄｔｈと呼ばれる。ＲＧ－ｍａｘ２と呼ばれるΔＷｉｄｔｈの最大ピークの値が図１０Ｃのグラフに示されており、別のモデル入力として第２の管アセンブリ３２２のモデルに入力される。したがって、第１の管アセンブリ３２０および第２の管アセンブリ３２２の勾配は、管アセンブリを第１のキャップ３２０Ａおよび第２のキャップ３２２Ａの色に関係なく識別および／または区別するために使用される。いくつかの実施形態では、ΔＷｉｄｔｈの最小値は、管アセンブリを識別および／または区別するために使用される。

第１の管アセンブリ３２０および第２の管アセンブリ３２２の別の差別化特性は、キャップ材料および／または管材料とすることができ、これらは、不透明度の目安を計算することによって決定される。この特性を評価するために、キャップを含む管アセンブリの一部分が後方照明され、管アセンブリの画像が多くの露出時間に取り込まれ、また複数の光スペクトルにわたっても取り込まれる。いくつかの実施形態では、３つの可視光スペクトル（赤（Ｒ）、緑（Ｇ）、および青（Ｂ））により第１の管アセンブリ３２０および第２の管アセンブリ３２２を後方照明することができる。

図１１Ａを参照する。この図は、第１の管アセンブリ３２０を通過し１つまたはそれ以上の撮像デバイス１０６によって取り込まれた、例示的な光スペクトルのグラフを示す。図１１Ｂもまた参照する。この図は、第２の管アセンブリ３２２を通過し１つまたはそれ以上の撮像デバイス１０６によって取り込まれた、例示的な光スペクトルのグラフを示す。図１１Ａおよび図１１Ｂのグラフは、０から２５５までの強度スケールでグラフ化されており、０は受けた光がないこと、２５５は管アセンブリによって遮断された光がないことを表している。図１１Ａのグラフによって表された第１の管アセンブリ３２０の部分は図９Ａに示されており、図１１Ｂのグラフによって表された第２の管アセンブリ３２２の部分は図１０Ａに示されている。いくつかの実施形態では、後方照明赤チャネル画像は約１０３０９μｓの間露出され、後方照明緑チャネル画像は約２０６１５μｓの間露出され、後方照明青チャネル画像は約１０３１０μｓの間露出される。

図１１Ｃをさらに参照する。この図は、第１の管アセンブリ３２０の一部分の写真画像を示す。最も上の写真画像は、フルＲＧＢ色スペクトルの前景照明を用いて取り込まれた、第１の管アセンブリ３２０の一部分である。第２の画像は、赤色の背景照明で取り込まれた、第１の管アセンブリ３２０の一部分の単色写真画像である。第３の画像は、緑色の背景照明で取り込まれた、第１の管アセンブリ３２０の一部分の単色写真画像である。第４の画像は、青色背景照明で取り込まれた、第１の管アセンブリ３２０の一部分の単色写真画像である。

図１１Ｄをさらに参照する。この図は、第２の管アセンブリ３２２の一部分の写真画像を示す。最も上の写真画像は、フルＲＧＢ色スペクトルの前景照明を用いて取り込まれた、第２の管アセンブリ３２２の一部分である。第２の画像は、赤色の背景照明で取り込まれた、第２の管アセンブリ３２２の一部分の単色写真画像である。第３の画像は、緑色の背景照明で取り込まれた、第２の管アセンブリ３２２の一部分の単色写真画像である。第４の画像は、青色背景照明で取り込まれた、第２の管アセンブリ３２２の一部分の単色写真画像である。

図１１Ａおよび図１１Ｂのグラフにより、第１の管アセンブリ３２０が、波長（Ｒ、Ｇ、Ｂ）のいずれでもほぼ完全な不透明度を有し、第２の管アセンブリ３２２が、３つの波長すべてで多量の光を遮断することが示されている。いくつかの実施形態では、高露出画像の各波長の平均値が計算され、それぞれＲ－ｍｅａｎ、Ｇ－ｍｅａｎ、およびＢ－ｍｅａｎと呼ばれる。いくつかの実施形態では、高露出画像の各波長の中央値が計算される。

上述のすべての次元が計算された場合、管アセンブリごとに７次元の識別構成空間（Ｈ、Ｓ、Ｖ、ＲＧ－ｍａｘ、Ｒ－ｍｅａｎ、Ｇ－ｍｅａｎ、Ｂ－ｍｅａｎ）があり得る。ｎ次元の構成空間（この実施形態ではｎ＝７）において、モデルは、様々な管タイプを適切に識別するように訓練される。このようなモデル（たとえば、識別器または判別モデル）の一例が線形ＳＶＭであり、これは、この高次元構成空間において各管タイプのまわりに決定超境界を描く。前述のモデルに基づいて、第１の管アセンブリ３２０は、第１のキャップ３２０Ａと第２のキャップ３２２Ａがたとえ同一または同様の色であっても、第２の管アセンブリ３２２と区別される。キャップ不透明度、キャップ重量、キャップ垂直高さ、直径、もしくは他の視覚ベースの幾何学的構成などの、より多くの構成、または異なる背景照明もしくは非可視光（たとえば、ＩＲまたは近ＩＲ）を使用する照明などの、追加の画像タイプを用いて、さらに強力な識別モデルが、空間の次元の複雑さを活用するために使用される。

本明細書に記載の装置および方法は、診断検査室および上述のアルゴリズムが、検査室を通過し得る多くの異なる管タイプを区別できるようにする。キャップの色だけに依拠すると、製造業者および／または地域特有の基準が異なるので、信頼性の低い結果になる可能性がある。上記に基づいて、本明細書に開示された装置および方法は、キャップ色自体では様々な管タイプを区別するのに不十分である場合に、様々な管タイプの識別を改善するとともに、その区別の助けになる。このことは、診断デバイスまたは診断機が、オペレータによる手入力を必要とすることなく、診断デバイスまたは診断機に配置された１つまたはそれ以上のセンサにより管タイプ（それゆえに、対応する構成）を決定できるようになるので、有利である。本明細書に記載の装置および方法の利点に寄与する技法的な構成には、１つまたはそれ以上の搭載センサから収集されたデータを用いる各管タイプの高次元構成ベクトルと、管タイプを適切に決定するための高次元空間の識別モデルとが含まれ得る。このような高次元モデルを使用すると、試料処理の作業の流れを速めることができ、また、管に対して指示されたアッセイと、管の化学添加物または幾何学的特性との間の不整合を適正に識別することができる。

図１４は、第１のキャップ３２０Ａおよび第１の管３２０Ｂで構成された第１の管アセンブリ３２０の、１つまたはそれ以上の画像を取り込むように構成されている撮像システム８００を示し、その１つまたはそれ以上の画像は画素で構成された画素化画像でもよく、各画像は複数の画素を含む。撮像システム８００は、ビジョンシステム１０７（図１）で使用される。撮像システム８００は、光源１１０（図１）でもよい光パネルなどの、前方光源８１０Ｂを含む。いくつかの実施形態では、撮像デバイス８０６のどちらかの側面に位置する光パネルなどの、１つまたはそれ以上の前方光源が使用される。いくつかの実施形態では、たとえば、不透明度を決定するための背面光を提供するための１つまたはそれ以上の光パネルなどの、１つまたはそれ以上の背面光の光源８１０Ａが設けられる。他の配置も可能である。

撮像システム８００は、撮像デバイス８０６および光源８１０Ａ、８１０Ｂに通信可能に連結されたコントローラ８２２をさらに含み得る。コントローラ８２２は、コントローラ１２２（図１）と同じでもよく、本明細書に記載のモデルの形などの、実行可能なプログラム命令を記憶し実行するのに適しているプロセッサおよびメモリを含む、任意の適切なコンピュータでもよい。コントローラ８２２は、信号を適切な時間に光源８１０Ａ、８１０Ｂへ送出して、前方照明および／または後方照明を提供することができる。コントローラ８２２は、撮像デバイス８０６によって生成された画像データを受け、その画像データを本明細書に記載のように処理して、モデルを訓練すること、ならびに／または管アセンブリ１０２（図１）を分類および／もしくは識別することができる。

ここで、図１５を参照する。この図は、診断装置（たとえば、診断装置１００）のモデルを訓練する方法１５００を示す。方法１５００は、１５０２で、第１のタイプ（たとえば、第１のタイプ２０２Ａ）の１つまたはそれ以上の第１の管アセンブリ（たとえば、第１の管アセンブリ３２０）を診断装置に提供する工程を含む。方法１５００は、１５０４で、第２のタイプ（たとえば、第２のタイプ２０２Ｂ）の１つまたはそれ以上の第２の管アセンブリ（たとえば、第２の管アセンブリ３２２）を診断装置に提供する工程を含む。この方法は、１５０６で、撮像デバイス（たとえば、撮像デバイス１０６）を使用して、１つまたはそれ以上の第１の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第１の画像を取り込む工程を含む。方法１５００は、１５０８で、撮像デバイスを使用して、１つまたはそれ以上の第２の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第２の画像を取り込む工程を含む。方法１５００は、１５１０で、１つまたはそれ以上の第１の画像および１つまたはそれ以上の第２の画像に基づいて、第１のタイプの管アセンブリおよび第２のタイプの管アセンブリを識別するようにモデルを訓練する工程を含む。方法１５００は、１５１２で、第１のタイプの管アセンブリを第１のグループにグループ分けする工程を含む。方法１５００は、１５１４で、第２のタイプの管アセンブリを第２のグループにグループ分けする工程を含む。

図１６を参照する。この図は、診断装置（たとえば、診断装置１００）を動作させる方法１６００を示す。方法１６００は、１６０２で、診断装置のモデルを訓練する工程を含み、この訓練する工程は：第１のタイプ（たとえば、第１のタイプ２０２Ａ）の１つまたはそれ以上の第１の管アセンブリ（たとえば、第１の管アセンブリ３２０）を診断装置に提供すること；第２のタイプ（たとえば、第２のタイプ２０２Ｂ）の１つまたはそれ以上の第２の管アセンブリ（たとえば、第２の管アセンブリ３２２）を診断装置に提供すること；撮像デバイス（たとえば、撮像デバイス１０６）を使用して、１つまたはそれ以上の第１の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第１の画像を取り込むこと；撮像デバイスを使用して、１つまたはそれ以上の第２の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第２の画像を取り込むこと；ならびに、１つまたはそれ以上の第１の画像および１つまたはそれ以上の第２の画像に基づいて、第１のタイプの管アセンブリと第２のタイプの管アセンブリを識別するようにモデルを訓練することを含む。方法１６００は、１６０４で、第１のタイプの管アセンブリを第１のグループにグループ分けする工程を含む。方法１６００は、１６０６で、第２のタイプの管アセンブリを第２のグループにグループ分けする工程を含む。方法１６００は、１６０８で、検体を中に含む１つまたはそれ以上の管アセンブリを診断装置に装填する工程を含む。方法１６００は、１６１０で、検体を含む１つまたはそれ以上の管アセンブリを撮像する工程を含む。方法１６００は、１６１２で、モデルを用いて、検体を含む１つまたはそれ以上の管アセンブリを第１のタイプまたは第２のタイプとして識別する工程を含む。方法１６００は、１６１４で、検体を含む１つまたはそれ以上の管アセンブリを、その識別に基づいて第１のグループまたは第２のグループにグループ分けする工程を含む。

本開示には、様々な修正形態および代替形態が可能であるが、特定のシステムおよび装置の実施形態とその方法とを図に例として示し、本明細書で詳細に説明している。しかし、本開示を、開示された特定の装置または方法に限定することは意図されていなく、それとは対照的に、その意図は、本開示の範囲に入るすべての修正形態、等価物、および代替形態を包含することであると理解されたい。

Claims (20)

1. 生体試料の分析のための診断装置のモデルを訓練する方法であって：
   第１のタイプの１つまたはそれ以上の第１の管アセンブリを診断装置に提供する工程と；
   第２のタイプの１つまたはそれ以上の第２の管アセンブリを診断装置に提供する工程と；
   前記診断装置に配置された撮像デバイスを使用して、１つまたはそれ以上の第１の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第１の画像を取り込む工程と；
   前記撮像デバイスを使用して、１つまたはそれ以上の第２の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第２の画像を取り込む工程と；
   １つまたはそれ以上の第１の画像および１つまたはそれ以上の第２の画像に基づいて、第１のタイプの管アセンブリおよび第２のタイプの管アセンブリを識別するようにモデルを訓練する工程と；
   訓練されたモデルにより第１のタイプの管アセンブリを第１のグループにグループ分けする工程であって、第１のグループは診断装置によって行われる第１の検査または第１のタイプ中の第１の化学添加物もしくは内容物と関連付けられる、工程と；
   訓練されたモデルにより第２のタイプの管アセンブリを第２のグループにグループ分けする工程であって、第２のグループは診断装置によって行われる第２の検査または第２のタイプ中の第２の化学添加物もしくは内容物と関連付けられる、工程とを含む、前記方法。
2. １つまたはそれ以上の第１の管アセンブリを、診断装置に配置された撮像デバイスまで輸送する工程と；
   １つまたはそれ以上の第２の管アセンブリを前記撮像デバイスまで輸送する工程とをさらに含む、請求項１に記載の方法。
3. 第１の管アセンブリを提供する工程、および第２の管アセンブリを提供する工程は、第１のタイプの１つまたはそれ以上の第１の管アセンブリを第１の容器に配置すること、および第２のタイプの１つまたはそれ以上の第２の管アセンブリを第２の容器に配置することを含む、請求項１に記載の方法。
4. 第３のタイプの１つまたはそれ以上の第３の管アセンブリを診断装置に提供する工程と；
   撮像デバイスを使用して、１つまたはそれ以上の第３の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第３の画像を取り込む工程とを含み、
   ここで、モデルを訓練する工程は、１つまたはそれ以上の第３の画像に基づいて、第３のタイプの管アセンブリを識別するようにモデルを訓練することを含み、
   さらに、第３のタイプの管アセンブリを第３のグループにグループ分けする工程を含む、請求項１に記載の方法。
5. 第１のタイプの管アセンブリおよび第３のタイプの管アセンブリを第１のグループにグループ分けする工程と、第２のタイプの管アセンブリを第２のグループにグループ分けする工程とを含む、請求項４に記載の方法。
6. モデルを訓練する工程は、識別モデルを訓練することを含む、請求項１に記載の方法。
7. モデルを訓練する工程は、ニューラルネットワークを訓練することを含む、請求項１に記載の方法。
8. モデルを訓練する工程は、畳み込みニューラルネットワークを訓練することを含む、請求項１に記載の方法。
9. モデルを訓練する工程は、サポートベクターマシンを訓練することを含む、請求項１に記載の方法。
10. モデルを訓練する工程は、１つまたはそれ以上の第１の画像を解析して、１つまたはそれ以上の第１の管アセンブリの少なくとも１つの特性を識別すること、ならびに、１つまたはそれ以上の第２の画像を解析して、１つまたはそれ以上の第２の管アセンブリの少なくとも１つの特性を識別することを含む、請求項１に記載の方法。
11. １つまたはそれ以上の第１の管アセンブリはキャップを含み、少なくとも１つの特性はキャップの色である、請求項１０に記載の方法。
12. １つまたはそれ以上の第１の管アセンブリのキャップの少なくとも１つの色の画像を表示する工程をさらに含む、請求項１１に記載の方法。
13. １つまたはそれ以上の第１の管アセンブリはキャップを含み、少なくとも１つの特性はキャップの幾何学的構成である、請求項１０に記載の方法。
14. １つまたはそれ以上の第１の管アセンブリはキャップを含み、少なくとも１つの特性はキャップの不透明度である、請求項１０に記載の方法。
15. 少なくとも１つの特性は、少なくとも１つの波長の光の不透明度である、請求項１４に記載の方法。
16. モデルを訓練することにより訓練済みモデルを生成し、その訓練済みモデルを別の診断装置まで輸送する工程をさらに含む、請求項１に記載の方法。
17. 第１のグループの管アセンブリが生体試料の第１の分析に使用され、第２のグループの管アセンブリが生体試料の第２の分析に使用される、請求項１に記載の方法。
18. 生体試料の分析のための診断装置を動作させる方法であって：
    前記診断装置のモデルを訓練する工程であり：
    第１のタイプの１つまたはそれ以上の第１の管アセンブリを診断装置に提供すること；
    第２のタイプの１つまたはそれ以上の第２の管アセンブリを診断装置に提供すること；
    前記診断装置に配置された撮像デバイスを使用して、１つまたはそれ以上の第１の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第１の画像を取り込むこと；
    前記撮像デバイスを使用して、１つまたはそれ以上の第２の管アセンブリのそれぞれの少なくとも一部分の、１つまたはそれ以上の第２の画像を取り込むこと；ならびに
    １つまたはそれ以上の第１の画像および１つまたはそれ以上の第２の画像に基づいて、第１のタイプの管アセンブリおよび第２のタイプの管アセンブリを識別するようにモデルを訓練することを含む工程と；
    訓練されたモデルにより第１のタイプの管アセンブリを第１のグループにグループ分けする工程であって、第１のグループは診断装置によって行われる第１の検査または第１のタイプ中の第１の化学添加物もしくは内容物と関連付けられる、工程と；
    訓練されたモデルにより第２のタイプの管アセンブリを第２のグループにグループ分けする工程であって、第２のグループは診断装置によって行われる第２の検査または第２のタイプ中の第２の化学添加物もしくは内容物と関連付けられる、工程と；
    検体を中に含む１つまたはそれ以上の管アセンブリを診断装置に装填する工程と；
    検体を含む１つまたはそれ以上の管アセンブリを撮像する工程と；
    モデルを用いて、検体を含む１つまたはそれ以上の管アセンブリを第１のタイプまたは第２のタイプとして識別する工程と；
    検体を含む１つまたはそれ以上の管アセンブリを、その識別に基づいて第１のグループまたは第２のグループにグループ分けする工程と
    を含む、前記方法。
19. モデルを訓練する工程は、１つまたはそれ以上の第１の画像を解析して、１つまたはそれ以上の第１の管アセンブリの少なくとも１つの特性を識別すること、ならびに、１つまたはそれ以上の第２の画像を解析して、１つまたはそれ以上の第２の管アセンブリの少なくとも１つの特性を識別することを含む、請求項１８に記載の方法。
20. 生体試料の分析のための診断装置であって：
    第１のタイプの１つまたはそれ以上の第１の管アセンブリ、および第２のタイプの１つまたはそれ以上の第２の管アセンブリを収納するように構成された場所と；
    １つまたはそれ以上の第１の管アセンブリの少なくとも一部分、および１つまたはそれ以上の第２の管アセンブリの少なくとも一部分を撮像するように構成された撮像デバイスと；
    １つまたはそれ以上の第１の管アセンブリ、および１つまたはそれ以上の第２の管アセンブリを少なくとも撮像デバイスまで輸送するように構成された輸送デバイスと；
    メモリに連結されたプロセッサを含むコントローラとを含み、メモリには、プロセッサによって実行されたときに：
    第１のタイプの管アセンブリおよび第２のタイプの管アセンブリを識別するようにモデルを訓練し；
    第１のタイプの管アセンブリを第１のグループに、第２のタイプの管アセンブリを第２のグループにグループ分けする命令が記憶され、
    第１のグループは診断装置によって行われる第１の検査または第１のタイプ中の第１の化学添加物もしくは内容物と関連付けられ、
    第２のグループは診断装置によって行われる第２の検査または第２のタイプ中の第２の化学添加物もしくは内容物と関連付けられている、前記診断装置。

Images