JP6888770B2 - 試料内のアーチファクトを分類する方法と装置 - Google Patents

Description

本発明は、生体試料を検査するための方法及び装置に関し、より詳細には、試料内のアーチファクトの存在を判定する方法及び装置に関する。

自動検査システムは、尿、血清、血漿、間質液、脳脊髄液などの生体試料中の分析物又は他の成分を識別するために、１つ以上の試料を用いて臨床化学又は化学分析を行うことができる。便宜上及び安全上の理由から、これらの試料は、殆ど例外なく試料容器（例えば、採血管）に収容される。化学分析又は検査反応は、様々な変化を生じ得るものであり、読み取り及び／又は他の方法により操作して試料内に存在する分析物または他の成分の濃度を判定することができる。

自動化された検査技術の改良には、実験室自動化システム（ＬＡＳ）の一部であってもよい自動分析前試料調製システムによる分類、バッチ処理や搭載、試料成分を分離するための試料の遠心分離、試料アクセスを容易にするためのキャップ除去などの分析前サンプル調製及び取り扱い操作における対応する進歩が伴う。ＬＡＳは、試料容器内に収容された試料を、多数の分析前試料処理ステーション及び化学分析装置及び／又は化学分析装置を含む分析ステーションに自動的に搬送することができる。

ＬＡＳは、バーコードラベル付き試料容器に収容される多数の異なる試料を一度に処理してもよい。ＬＡＳは、すべての異なるサイズ及び種類の試料容器を取り扱うことができ、それらは混在していてもよい。バーコードラベルは、病院の実験室情報システム（ＬＩＳ）に入力される人口統計情報に関連付けることができる受託番号を、検査の順番及び他の情報と共に含んでいてもよい。オペレータは、ラベル付き試料容器を、例えば遠心分離、キャップ取り外し及び一定分量調製などの分析前操作のために試料容器を自動的に搬送してもよいＬＡＳシステム上に置くことができる。これらはすべて、試料に対して、実際に臨床分析が行われる前、又はＬＡＳの一部である１つ以上の分析装置又は機器による化学分析が行われる前に実施される。場合によっては、複数のラベルが試料容器に付着して、試料が見えなくなることがある。

特定の検査では、分別（例えば、遠心分離）によって全血から得られる血清又は血漿部分を使用することができる。場合によっては、ゲルセパレータを試料容器に添加して、血清又は血漿部分から沈降した血液部分の分離を補助してもよい。分別及びその後のキャップ取り外し処理の後、試料容器は、吸引によって血清又は血漿部分を試料容器から抽出し、血清又は血漿部分を反応容器（例えば、キュベット又は他の容器）中の１つ以上の試料と組み合わせることができる適切な分析装置又は機器に搬送してもよい。分析測定は、例えば、照会放射のビームを使用して、又は測光若しくは蛍光測定吸収読み取りなどを使用して実行されることが多い。測定値から、終点又は速度値を判定し、それらから既知の技術を用いて分析物又は他の成分の濃度を判定する。

米国特許公開公開第２０１２／０１４０２３０号

残念なことに、サンプル処理により、試料中に特定のアーチファクトが存在すると、分析物の検査結果、又は分析装置又は機器から得られた成分測定値の精度に悪影響を及ぼす可能性がある。例えば、患者の疾患状態と無関係である可能性のある試料中の凝塊（例えば、血塊）は、患者の疾患状態の解釈が変わってしまう可能性がある。さらに、凝塊を吸引すると、汚染、又は洗浄のためのシャットダウン時間などの他の問題を引き起こす可能性がある。また、気泡及び／又は泡が存在すると、患者の病状の解釈が変わってしまう可能性もある。

先行技術では、試料の血清又は血漿部分の完全性は、熟練した検査技師であれば視覚的に検査できる。これには、試料の血清又は血漿部分の色の検査及び凝塊、気泡及び泡についての目視検査が含まれ得る。正常な血清又は血漿部分は淡黄色から琥珀色を呈し、凝塊、気泡及び泡がない。しかし、視覚検査は非常に主観的であり、労働集約的であり、人為的ミスの可能性を伴う。

手動検査には上記の問題が含まれているため、検査技師による目視検査を使用せずに、実用的な範囲内で自動予備検査方法を使用することにより、試料の完全性を評価することがますます重要になってきている。予備検査方法は分析装置又は機器で分析する前に実施する。しかしながら、時には、試料容器に直接貼付されたバーコードラベルが、試料の視野を部分的に遮り、試料の血清又は血漿部分を通常の自動化法で視覚的に観察することができない場合もある。

ミラー氏に対する米国特許公開公報２０１２／０１４０２３０のようないくつかのシステムでは、試料容器を回転させ、ラベルによって遮られることのないビューウィンドウを見つけることができる技術が記載されている。しかしながら、そのようなシステムは、自動化し難い可能性がある。

凝塊、気泡、又は泡などのようなアーチファクトが、臨床分析の対象となる試料内に存在する場合に起き得る問題により、そうしたアーチファクトの存在を容易に且つ自動的に判定できるように構成された方法と装置についての未充足ニーズが存在する。この方法及び装置は、分析又は化学分析の検査結果を得る速度に、目につくほどの悪影響を及ぼすべきではない。さらに、方法及び装置は、１つ以上のラベルが試料の一部を遮るようなラベル付き試料容器上でも使用可能でなければならない。

第１の態様によれば、試料容器内に収容された試料におけるアーチファクトの存在を判定する方法が提供される。この方法は、試料容器に分離され、収容された試料を提供することと、また複数の異なる露光及び複数の異なる波長で前記試料の画像をキャプチャすることと、各波長における前記異なる露光で前記キャプチャした画像から最適に露光された画素を選択して各波長において最適に露光された画像データを生成することと、前記異なる波長で最適に露光された画素の統計を計算して統計データを生成することと、前記試料の血清又は血漿部分を統計データに基づいて識別することと、前記統計データに基づいてアーチファクトが前記血清又は血漿部分の１つ以上の領域内に存在するか、或いは前記血清又は血漿部分内には存在しないかを分類することとを含む。

別の態様によれば、試料容器内に収容された試料におけるアーチファクトの存在を判定するように構成された品質チェックモジュールが提供される。品質チェックモジュールは、試料容器の周囲に配置され、複数の視点から試料容器の複数の画像をキャプチャするように構成され、それぞれ、複数の異なる露光時間と、複数の異なる波長で撮影された複数の画像を生成するように構成された複数のカメラと、前記複数のカメラに結合され、前記画像から画像データを処理するように構成されたコンピュータであって、異なる露光時間で画像から最適に露光された画素を選択して、各波長について最適に露光された画像データを生成し、統計データを生成するために各波長における前記最適に露光された画素の統計を計算し、試料の血清又は血漿部分を識別し、前記統計データに基づいてアーチファクトが前記血清又は血漿部分の１つ以上の領域内に存在するか、或いは血清又は血漿部分内には存在しないかを分類するように構成され、操作可能なコンピュータとを含む。

別の態様によれば、試料容器内に収容された試料におけるアーチファクトの存在を判定するように構成された検査装置が提供される。前記検査装置は、トラックと、前記試料容器を収容するように構成されたトラック上のキャリアと、前記トラックの周囲に配置され、複数の視点から前記試料容器の複数の画像をキャプチャするように構成され、それぞれ、複数の異なる露光及び複数の異なる波長で複数の画像を生成するように構成された複数のカメラと、前記カメラに連結され、前記複数の画像から画像データを処理するように構成され、異なる露光で複数の画像から最適に露光された画素を選択して、各波長について最適に露光された画像データを生成し、前記異なる波長で最適に露光された画素の統計を計算して統計データを生成し、試料の血清又は血漿部分を識別し、前記統計データに基づいてアーチファクトが前記血清又は血漿部分の１つ以上の領域内に存在するか、或いは前記血清又は血漿部分内には存在しないかを分類するように構成され、操作可能なコンピュータとを含む。

本発明のさらに他の態様、特徴及び利点は、本発明を実施するために考えられる最良の形態を含む多くの例示的な実施形態及び事項を示すことによって、以下の説明から容易に明らかになるであろう。本発明は、他の異なる実施形態も可能であり、そのいくつかの詳細は、本発明の範囲から逸脱することなく、様々な点で変更してもよい。したがって、図面及び説明は、本質的に例示的であると見なされるべきであり、限定的とみなされるべきではない。本発明は、添付の特許請求の範囲に含まれるすべての修正、均等物及び代替物を含有するものである。

以下に説明する図面は、説明のためのものであり、必ずしも一定の縮尺で描かれているわけではない。図面は、決して本発明の範囲を限定するものではない。図面を通して使用する同様の数字は同様の要素を表すものである。
１つ以上の実施形態による１つ以上の品質チェックモジュールと１つ以上の分析装置（臨床化学又は化学分析装置）とを含む試料検査装置の上面図である。 １つ以上の実施形態によるアーチファクト検出方法を使って判定可能な凝塊アーチファクトを含む分離した試料を含むラベル付き試料容器の側面図である。 １つ以上の実施形態によるアーチファクト検出方法を使って判定可能な気泡アーチファクトを含む分離した試料を含むラベル付き試料容器の側面図である。 １つ以上の実施形態によるアーチファクト検出方法を使って判定可能な泡アーチファクトを含む分離した試料を含むラベル付き試料容器の側面図である。 １つ以上の実施形態による、アーチファクト（例えば、凝塊、気泡、及び／又は泡）の存在のために複数の画像をキャプチャし、分析するように構成された品質チェックモジュールの概略上面図を示す図である（理解しやすいように上部の筐体部分は取り除いてある）。 １つ以上の実施形態による図５Ａの品質チェックモジュールの概略側面図である（理解しやすいように側面の筐体部分は取り除いてある）。 １つ以上の実施形態によるアーチファクト（例えば、凝塊、気泡、及び／又は泡）の存在のために複数の画像をキャプチャし、分析するように構成された別の品質チェックモジュールの概略上面図を示す図である（理解しやすいように上部の筐体部分は取り除いてある）。 １つ以上の実施形態による図５Ｃの品質チェックモジュールの概略側面図である（理解しやすいように側面の筐体部分は取り除いてある）。 １つ以上の実施形態による、試料内のアーチファクトの存在を判定するように構成された品質チェックモジュールの機能構成要素のフローチャートを示す。 １つ以上の実施形態による、アーチファクトの存在を判定することを含む試料についての情報を判定するように構成された広範な画像化方法のフローチャートである。 １つ以上の実施形態による試料容器内に収容された試料中のアーチファクトを判定するための方法のフローチャートを示す。

第１の広範な態様では、本発明の実施形態は、試料の血清又は血漿部分に１つ以上のアーチファクトが存在するかどうか、或いは血清又は部位が「正常」すなわち、アーチファクトを含まないかどうかを判定するための画像化方法及び装置を提供する。本明細書では、「アーチファクト」とは、試料の血清又は血漿部分内の凝塊、気泡、又は泡を意味する。本明細書では、「凝塊」とは、全血の凝固によって生成された血清又は血漿部分に存在する凝固塊として定義する。本明細書では、「気泡」とは、泡ではない血清又は血漿部分内の隔離された気体の略球体のポケットのことをいう。気泡は、例えば約０．２ｍｍから約１．０ｍｍの間の直径を有する。本明細書では、「泡」とは、血清又は血漿部分の上部に密集して集まる小さい略球状の気体のポケットの集合又は群のことを意味する。泡の気体の球状ポケットの個々の直径は例えば、約０．１ｍｍから約０．５ｍｍの範囲である。血清又は部位に１つ以上のアーチファクトが存在すると、例えば、溶血（Ｈ）、黄疸（Ｉ）、及び／又は脂肪血（Ｌ）のようなインターフェレントの検査など、他の分析前検査の結果の解釈だけでなく、その後の分析検査の解釈にも影響を及ぼす可能性がある。凝塊が存在すると、後で血清又は血漿部分の吸引に使用するピペットも詰まってしまい、検査プロセスの中断を引き起こす可能性もある。

本明細書に記載の試料は、採血管のような試料容器に採取することができ、分別（例えば、遠心分離による分離）後の沈降した血液部分及び血清及び血漿部分を含んでいてもよい。沈降した血液部分は、白血球、赤血球及び血小板などの血液細胞で構成され、通常は実施中の遠心分離によって血清又は血漿部分から凝集分離される。沈降した血液部分は、概ね、試料容器の底部に見られる。血清又は血漿部分は、沈降した血液部分の一部以外の血液の液体構成要素である。これは、概ね、沈降した血液部分の上にある。血漿及び血清は、凝固成分、主にフィブリノーゲンの含有量が異なる。血漿は、凝固していない液体であり、血清は、内因性酵素又は外因性構成要素のような凝固剤の影響下で凝固することが可能な血漿を指す。血清又は血漿部分は、凝固剤に曝されているかどうかに応じて、血清又は血漿で作られる。いくつかの試料容器では、小さなゲルセパレータを使用してもよく、これは、通常遠心分離中に沈降した血液部分と血清又は血漿部分との間に位置させる。これは、２つの部分の間の分離障壁として機能する。

１つ以上の実施形態によれば、この方法は、事前分析検査方法として、すなわち、臨床分析装置又は分析装置で分析を実施する前のスクリーニングとして実施することができる。１つ以上の実施形態では、この方法は、インターフェレント（例えば、溶血、黄疸、又は脂肪血（ＨＩＬ））の存在を特徴とする試料に先立って、又はそれと同時に実施することができる。特に、本発明の１つ以上の実施形態は、品質チェックモジュールにおいて１つ以上のアーチファクトの存在について事前に検査された後に、さらに事前分析検査又は分析検査のための試料を提供する。

１つ以上の実施形態では、この方法は、アーチファクトの存在の判断を助けるために、試料の血清又は血漿部分の高ダイナミックレンジ（ＨＤＲ）画像処理を使用する。もちろん、いくつかの実施形態では、血清又は血漿部分及び／又は他の成分の様々な物理的境界の位置の識別を、ＨＤＲを使用して行うこともできる。

この方法により、アーチファクトが存在しないと判断された場合、血清又は血漿部分を、溶血、黄疸及び／又は脂肪血（以下、「ＨＩＬ」）のようなインターフェレントの存在について検査してもよい。血清又は血漿部分にアーチファクトが含まれていることが実際に判明した場合、いつくかの実施形態では、試料にさらなる処理を施すことができる。例えば、識別された凝塊、気泡又は泡は、補助ステーションに運ばれ、オペレータによる凝塊、気泡又は泡の手動による除去が行われる。このような改善の後、試料は、インターフェレント分析（ＨＩＬ分析）のようなさらなるプレスクリーニングを継続する又は実施することを許され、或いは１つ以上の分析装置及び／又は化学分析機器に送られて定常的な分析を行う。

いくつかの実施形態では、アーチファクト検出方法を実行するように構成される品質チェックモジュールが提供される。品質チェックモジュールは、ロボット又は搬送機構が試料容器に収容された試料を品質チェックモジュールに搬送することができるような領域に設けられてもよい。いくつかの実施形態では、品質チェックモジュールは、コンベヤトラック上に設けられてもよく、コンベヤトラックは、試料を遠隔位置に運んで分析装置及び／又は機器上の分析（例えば、分析検査又は化学分析）を行う。特定の実施形態では、トラック上にある間に、アーチファクトの存在について試料を検査することができるように、品質チェックモジュールをトラック上に設けることができる。

１つ以上の実施形態では、処理されたＨＤＲデータは、アーチファクト検出及びＨＩＬ検出の両方に使用されてもよい。この場合、アーチファクトを含むことが分かっている画素は、アーチファクトの位置及び範囲が分かっているので、データに基づいてＨＩＬのその後の判定を実行する際に単に無視してもよい。試料がアーチファクト又は１つ以上のＨＩＬを含むことが判明した場合、試料をラインから降ろし、アーチファクト、１つ以上のＨＩＬを調整、破棄及び再採集するための改善を実行してもよい。

本明細書の方法によって使用される全てのキャプチャした画像は、複数の画素を含む画素化された画像である。本明細書で使用する画素とは、単一画素又はスーパー画素などの画素の群を意味する。個々の画素１１個×１１個のサイズのスーパー画素がうまく機能することが分かった。他のサイズのスーパー画素を使用してもよい。

本発明の１つ以上の実施形態の別の態様では、アーチファクト分析から得られたデータを用いて、血清又は血漿部分の体積、そして、場合によっては沈降した血液部分の体積を判定することができる。このデータは、泡が存在する場合であっても真の液体と空気との界面（ＬＡ）、血清又は血漿部分と沈降血液部分との界面（ＳＢ）、及び血清又は血漿部分とゲルセパレータとの間の界面（ＳＧ）、又はゲルセパレータが存在する場合は沈降した血液部分とゲルセパレータとの間の界面（ＢＧ）を判定するのに使用することができる。

ＨＤＲ処理を含むアーチファクト検出方法は、複数の露光時間、複数の波長、及び複数の視点で、複数の画像を品質チェックモジュールでキャプチャすることを含んでいてもよい。１つ以上の実施形態では、複数の画像が、複数の露光時間で複数の視点からのカメラによって複数の波長で品質チェックモジュールでキャプチャされる。本明細書で使用される「カメラ」は、分析のために画像（例えば、デジタル画像）をキャプチャすることができる任意の装置を意味する。

次いで、複数のカメラによってキャプチャされた画像は、コンピュータによって処理され、試料のセグメント化が判定される。セグメント化プロセスの間、各画像の各画素について、最適な画像強度を示す画素を選択し、結合して、統合カラー画像データセットを生成することができる。その結果、全ての画素が最適に露光される複数の統合されたカラー画像データセット（例えば、赤（Ｒ）、緑（Ｇ）、青（Ｂ））（例えば、波長スペクトル（例えばＲ，Ｇ，Ｂ）ごとに１つの画像データセット）が得られる。統合されたカラーデータセットからのデータを統計分析の対象として、その各画素上の統計データ（例えば、平均、標準偏差、及び共分散）を判定してもよい。「共分散」とは、２つ以上のカラー画素がどれだけ一緒に変化するかの尺度である。次いで、この統計データは、１つ以上のデータ行列の形式で、マルチクラス分類器によって操作することができる。これから、試料及び試料容器試料の様々な領域のセグメント化を判定することができる。特に、試料の血清又は血漿部分を含む液体領域を識別することができる。マルチクラス分類器は、複数のトレーニングセットからトレーニングされたサポートベクトルマシン（ＳＶＭ）又はランダム判定ツリーであってもよい。

液体領域（すなわち、血清又は血漿部分）がセグメント化プロセスに基づいて判定されれば、１つ以上のアーチファクト分類器モデルを使用して、液体領域にアーチファクトが存在するかどうかを判定することができる。１つ以上のアーチファクト分類器モデルは、凝塊であるか凝塊でないか、気泡であるか気泡でないか、又は泡であるか泡でないかとしてそれぞれ各画素を分類する、予めトレーニングされたバイナリモデルでもよい。アーチファクト分類器モデルは、それぞれサポートベクトルマシン（ＳＶＭ）又はランダム判定ツリーであってもよく、各アーチファクトを認識するために数百のサンプルで適切にトレーニングされていてもよい。

正常又はアーチファクトを含むかについての血清又は血漿部分の各画素の分類に続いて、いくつかの実施形態では他のモデル（例えば、インターフェレント分類子モデル）を使用して、画素がノーマル（Ｎ）であるか、或いは溶血（Ｈ）、黄疸（Ｉ）、又は脂肪血（Ｌ）などインターフェレントを含んでいるかを分類することができる。画素分類結果に基づいて、全体として血清又は血漿部分のインターフェレントタイプを判定することができる。判定されたインターフェレントタイプのインターフェレントレベルを提供するようにしてもよい。

本発明のアーチファクト検出方法、品質チェックモジュール、及び品質チェックモジュールを含む試料検査システムのさらなる詳細については、本明細書の図１〜図８を参照してさらに説明する。

図１は、１つ以上の分析装置（例えば、それぞれ試料検査システム１００の周囲に設けられた第１、第２、及び第３の分析装置１０６、１０８、１１０）による分析に先立って、ローディングエリア１０５に設けられた１つ以上のラック１０４に収容できる複数の試料容器１０２を自動的に処理することができ、操作可能な試料検査システム１００を示す。より多くの数又は少ない数の分析装置を使用できることは明らかである。分析装置は、１つ以上の臨床化学分析装置及び／又は１つ以上の分析機器など、又はそれらの組み合わせであってもよい。試料容器１０２は、採血管のような概してクリア又は透明な容器であればよい（図２参照）。

典型的には、自動的に処理される試料２１２（図２）は、キャップ２１４（図２−またはストッパと呼ばれる）でキャップされ得る試料容器１０２内で試料検査システム１００に提供される。キャップ２１４は、異なる形状又は色（例えば、赤、ロイヤルブルー、ライトブルー、緑色、グレー、黄褐色、黄色、又は他の色）を有していてもよい。この色が、実行されるテストに関する有用な情報を提供する場合もある。各試料容器１０２は、識別情報２１５を備えた透明又は半透明の本体を含んでいてもよい。識別情報２１５は、試料検査システム１００の周囲の様々な位置で、機械により読み出されるバーコード、アルファベット、数字、英数字又はそれらの組み合わせを含んでいてもよい。識別情報２１５は、患者の身分証明情報又は、例えば、試料２１２に対して指示されている検査又は他の情報と相関させることができる。この識別情報２１５は例えば概ね、試料容器１０２に接着された、又は試料容器１０２の側面に設けられたラベル２１８上に設けてもよい。ラベル２１８は、概して、試料容器１０２の周囲全体、又は試料容器１０２の長さ全体に亘って延びるものではない。したがって、ラベル２１８は、試料２１２の一部を遮ることがあるが、試料２１２の一部は、依然として、見ることができる。いくつかの実施形態では、複数のわずかに重複するラベル２１８が存在してもよい。いくつかの実施形態では、ラック１０４は、追跡に使用できるような追加の識別情報を有してもよい。試料容器１０２上の識別情報２１５は、検査指示、結果、及び他の情報にアクセスするために、ＬＩＳ１４７とインターフェースをとることができる。

分別後、試料２１２は、管２１２Ｔ内に収容された血清又は血漿部分２１２ＳＰ及び沈降した血液部分２１２ＳＢを含んでいてもよい。空気２１２Ａは、血清及び血漿部分２１２ＳＰの上に提供され、空気２１２Ａと血清又は血漿部分２１２ＳＰとの間の線又は境界を、本明細書では液体−空気界面（ＬＡ）として定義する。血清又は血漿部分２１２ＳＰと沈降した血液部分２１２ＳＢとの間の境界線を、本明細書では血清−血液界面（ＳＢ）として定義する。空気２１２Ａとキャップ２１４との間の界面を、本明細書では管−キャップ界面（ＴＣ）と称する。管の高さ（ＨＴ）は、本明細書では、管２１２Ｔの物理的最下部からキャップ２１４の底部までの高さとして定義する。血清又は血漿部分２１２ＳＰの高さ（ＨＳＰ）は、沈降した血液部分２１２ＳＢの頂部から血清又は血漿部分２１２ＳＰの上面、すなわちＳＢからＬＡまでの高さとして定義する。沈降した血液部分２１２ＳＢの高さ（ＨＳＢ）は、沈降した血液部分２１２ＳＢの底部から沈降血液部２１２ＳＢの上面までの高さとして定義する。ゲルセパレータ４１３が使用される実施形態では、図４では、血清又は血漿部分２１２ＳＰとゲルセパレータ４１３との間の界面（ＳＧ）が存在する。同様に、沈降血液部分２１２ＳＢとゲルセパレータ４１３との間の界面（ＢＧ）が存在する。ＨＴＯＴはＨＳＢ＋ＨＳＰである。Ｗは管２１２Ｔの幅である。

より詳細には、試料検査システム１００は、トラック１２１を取り付ける又は支持するベース１２０（例えば、フレーム又は他の構造体）を含んでいてもよい。トラック１２１は、レール付きトラック（例えば、モノレールトラック又はマルチレールトラック）、コンベヤベルトの集合、チェーン、プラットフォーム、又は他の適切な種類の搬送機構であってもよい。トラック１２１は、円形又は蛇行形状を有してもよく、いくつかの実施形態では、閉鎖したトラックであってもよい。トラック１２１は、キャリア１２２内のトラック１２１上に担持され得る試料容器１０２を個別に搬送するか、又はいくつかの実施形態においては、複数搬送してもよい。

１つ以上の実施形態では、キャリア１２２は、１つの試料容器１０２を運ぶように構成されたパックであってもよい。いくつかの実施形態では、キャリア１２２は、停止または始動するようプログラムされた、試料容器１０２をトラック１２１の周りに移動させるように構成された、リニアモータなどのオンボード駆動モータを含む。キャリア１２２はそれぞれ、規定の直立位置に試料容器１０２を保持して固定するように構成されたホルダ（保持部）を含んでいてもよい。ホルダは、３本以上の細い梁を含んでいてもよい。

いくつかの実施形態では、キャリア１２２は、そこにある１つ以上のラック１０４を有するローディングエリア１０５から退出してもよい。ローディングエリア１０５は、処理後に、キャリア１２２から試料容器１０２を外すことを許容する二重の機能を果たすことができる。ロボット１２４は、ローディングエリア１０５に設けてもよく、１つ以上のラック１０４から試料容器１０２を把持し、試料容器１０２をトラック１２１の入力レーンのようなキャリア１２２上に移動して搭載するように構成してもよい。入力レーンは、トラック１２１の主要部分の一部であってもよいし、それから離れていてもよい。ロボット１２４はまた、検査の完了時にキャリア１２２から試料容器１０２を除去するように構成されてもよい。ロボット１２４は、Ｘ及びＺ、Ｙ及びＺ、Ｘ、Ｙ及びＺ、又はｒ及びθ運動が可能な１つ以上の（例えば、少なくとも２つの）ロボットアーム又はコンポーネントを含んでいてもよく、ロボット１２４は、試料容器１０２を取り上げる及び載置するように構成されたロボットの挟持フィンガを備えていてもよい。しかし、適切なタイプのロボット１２４であればいかなるロボットを使用してもよい。

ロボット１２４によってトラック１２１上に搭載されると、キャリア１２２によって担持された試料容器１０２は、遠心分離機１２５（例えば、試料２１２の分別を行うように構成可能な自動遠心分離機）に進むことができ、流入レーン１２６によって遠心分離機１２５へ進むことができる。遠心分離後、試料容器１０２は流出レーン１２８を退出して、引き続きトラック１２１上を進んでもよい。いくつかの実施形態では、キャリア１２２は、図５Ａ及び図５Ｂを参照して本明細書でさらに説明する品質チェックモジュール１３０に移動することができる。任意で、遠心分離は前もって行われてもよく、試料容器１０２に収容された試料２１２は、入力レーンの一部のようなローディングエリア１０５に配置された品質チェックモジュール１３０に直接装填されてもよい。

品質チェックモジュール１３０は、試料検査システム１００によって処理される試料２１２に含まれる１つ以上のアーチファクトの存在を自動的に判定するように構成される。アーチファクトが存在しないということが分かると、試料２１２をトラック１２１上で引き続き移動させて、さらに、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）で分析してから、各試料容器１０２をローディングエリア１０５に移動して降ろす。いくつかの実施形態では、さらに試料２１２は、品質チェックモジュール１３０においてＨＩＬの存在について検査してもよい。他の特徴付けが、品質チェックモジュール１３０によって実行されてもよい。

いくつかの実施形態では、試料２１２の定量化（すなわち、ＨＳＢ、ＨＳＰ、又はＨＴＯＴの判定、ならびにＳＢ、ＬＡ、ＳＧ、及び／又はＢＧの位置の判定）を品質チェックモジュール１３０で行ってもよい。いくつかの実施形態では、試料容器１０２の物理的属性の定量化（すなわち、ＨＴ、キャップの色、キャップの種類、ＴＣ、管の種類及び／又は管幅Ｗ）を品質チェックモジュール１３０で行うことができる。ホルダも識別することができるが、後で画像を処理するときに無視されることがあるのは明らかである。

さらに、遠隔ステーション１３２は、遠隔ステーション１３２が、試料検査システム１００のトラック１２１に直接リンクされていなくても、自動化された試料検査システム１００によって修理されてもよい。例えば、独立したロボット１３３（点線で示す）は、試料容器１０２を遠隔ステーション１３２に搬送し、それらを検査／処理の後に戻すことができる。任意で、試料容器１０２は、手動で取り出して戻すことができる。遠隔ステーション１３２を使用して、溶血レベルなどの特定の構成要素を検査することができ、或いは、さらなる処理によって脂肪血症レベルを低下させるため、或いは、例えば凝塊、気泡又は泡などのような、試料２１２で見つかったアーチファクトを除去するためなどのさらなる処理を行ってもよい。他の検査又は処理は、遠隔ステーション１３２で達成してもよい。

試料検査システム１００は、トラック１２１の周囲の１つ以上の位置に多数のセンサ１１６を含んでいてもよい。センサ１１６を使用して、バーコードのような試料容器１０２上に置かれた識別情報２１５（図２）又は各キャリア１２２に設けられた同様の情報（図示せず）を読み取ることによって、トラック１２１に沿って試料容器１０２の位置を検出してもよい。キャリア１２２の位置をトラッキングするための他の手段、例えば近接センサなどを使用してもよい。全てのセンサ１１６は、各試料容器１０２の位置を常に知ることができるように、コンピュータ１４３とインターフェースをとる。コンピュータ１４３はＬＩＳ１４７とインターフェースをとり、周知の方法で通信してもよい。

遠心分離機１２５及び分析装置１０６、１０８、１１０はそれぞれ、概ね、キャリア１２２をトラック１２１から除去する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、キャリア１２２をトラック１２１上に再投入す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）を備えていてもよい。

試料検査システム１００は、コンピュータ１４３によって制御してもよく、コンピュータ１４３は、適切なメモリと適切な調整用電子機器と、様々なシステム構成要素を操作するためのドライバと、を有するマイクロプロセッサベースの中央処理装置ＣＰＵであってもよい。コンピュータ１４３は、試料検査システム１００のベース１２０の一部として、又はベース１２０から分離して収容してもよい。コンピュータ１４３は、キャリア１２２のローディングエリア１０５への移動及びローディングエリア１０５からの動作、トラック１２１周りの移動、遠心分離機１２５への及びそこからの移動、遠心分離機１２５の駆動、品質チェックモジュール１３０の駆動並びに品質チェックモジュール１３０への及びそこからの移動、各分析装置１０６、１０８、１１０への及びそれらからの移動、場合によっては、様々なタイプの検査（例えば、化学分析又は臨床化学）を行う各分析装置１０６、１０８、１１０の駆動を制御するように動作してもよい。

品質チェックモジュール１３０以外の全てについて、コンピュータ１４３は、ニューヨーク、タリータウンのシーメンスヘルスケアダイアグノスティックス株式会社（ＳｉｅｍｅｎｓＨｅａｌｔｈｃａｒｅ Ｄｉａｇｎｏｓｔｉｃｓ Ｉｎｃ．）によって販売されているディメンション（登録商標）臨床化学分析装置で使用されるものなどのソフトウェア、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従って試料検査システム１００を制御してもよく、このような制御は、コンピュータベースの電気機械制御プログラミングの当業者にとって典型的であるので、本明細書ではこれ以上説明しない。しかしながら、他の適切なシステムを使用して、試料検査システム１００を制御してもよい。品質チェックモジュール１３０の制御は、本明細書で詳細に説明するように、本発明のモデル型方法によれば、コンピュータ１４３によって提供してもよい。

本発明の実施形態は、ユーザが様々な制御及びステータス表示画面に容易且つ迅速にアクセス可能とするコンピュータインターフェースモジュール（ＣＩＭ）１４５を使用して実施してもよい。これらの制御及びステータス画面で、試料２１２の調製及び分析に使用される複数の相互に関係する自動化装置のいくつか又はすべての態様を説明することができる。ＣＩＭ１４５を採用して複数の相互に関係する自動化装置の動作状態についての情報を提供してもよく、また、任意の試料２１２の位置を記述する情報及び試料２１２上で実行する、又は実行されている検査のステータスを記述する情報を提供してもよい。ＣＩＭ１４５は、オペレータと試料検査システム１００が相互作用しやすくなるように構成してもよい。ＣＩＭ１４５は、オペレータが試料検査システム１００とインターフェースをとるアイコン、スクロールバー、ボックス、及びボタンを含むメニューを表示するように構成された表示画面を含んでいてもよい。メニューは、試料検査システム１００の機能的な態様を表示するようにプログラムされた多数の機能ボタンを含んでいてもよい。

図２、３及び４には、様々なアーチファクトを含む試料容器１０２が示されている。アーチファクトは凝塊、気泡、又は泡を含む群から選択される。図２は、沈降した血液部分２１２ＳＢではない血液に関して、どろどろした、粘性の、又は凝固した塊又は塊である凝塊２３５であるアーチファクトを示す。凝塊２３５は血清又は血漿部分２１２ＳＰ内を自由に浮遊していてもよい。凝塊２３５であるアーチファクトの存在について試料容器１０２をプレスクリーニングすることにより、確実に試料２１２が１つ以上の分析装置１０６、１０８、及び／又は１１０に進まないよう、阻止することができる。このようにして、分析装置のピペットの目詰まり又は不正確な試験結果を回避することができる。この方法により凝塊アーチファクトが存在すると判定した場合、試料容器１０２を、修復処置（例えば、凝塊除去）のために、遠隔ステーション１３２へなど、ラインから外し、又は場合によっては試料２１２を再採集してもよい。

図３は、試料容器１０２内の試料２１２を示す。アーチファクトは、血清又は血漿部分２１２ＳＰに含まれる実質的に円形の気体のポケットである１つ以上の気泡３３６である。気泡３３６は、例えば、試料容器１０２の壁に付着している場合もあり、また、血清又は血漿部分２１２ＳＰの上面に配置されている場合もある。１つ以上の気泡３３６の存在について試料容器１０２内の試料２１２をプレスクリーニングすることにより、希望であれば、確実に試料２１２が１つ以上の分析装置１０６、１０８、及び／又は１１０に進まないよう、阻止することができる。このようにして、気泡３３６、すなわち空気が分析装置１０６、１０８、１１０で使用されるピペットに吸引される可能性を回避することによって、不正確な結果を回避できる可能性がある。アーチファクトを判定する方法が、１つ以上の気泡アーチファクトが実際に存在することを特徴付ける場合、試料容器１０２を例えば遠隔ステーション１３２などに外して修正動作（例えば、気泡除去）を行えばよい。

図４は、試料容器１０２内の試料２１２を示し、アーチファクトは、例えば、血清又は血漿部分２１２ＳＰの上面に沿って位置する、血清又は血漿部分２１２ＳＰに含まれる、実質的に円形の気体のポケットの集合又は群である泡４３８である。泡４３８の存在について試料容器１０２をプレスクリーニングすることにより、希望であれば、確実に試料２１２が１つ以上の分析装置１０６、１０８、及び／又は１１０に進まないよう、阻止することができる。このようにして、泡４３８を吸引する可能性を回避又は減少させることによって、不正確な結果を回避できる可能性がある。アーチファクト判定方法で泡アーチファクトが存在すると判定された場合、試料容器１０２を例えば遠隔ステーション１３２などに外して修正動作（例えば、泡４３８の除去）を行えばよい。任意で、試料２１２は分析のため分析装置１０６、１０８、１１０に進むことが可能であり、今やＬＡインターフェースにおける血清又は血漿部分２１２ＳＰの上部の真の位置が分かっているので、泡４３８を吸引する傾向が実質的に減少するように、血清又は血漿部分２１２ＳＰの吸引中にピペットを泡４３８より十分下の位置に移動させることができる。

１つ以上の実施形態では、アーチファクトがアーチファクト検出方法によって認識された場合、この方法は、アーチファクトの範囲及び位置を判定して、画像内の任意のアーチファクトを含む画素は他のプレスクリーニング（例えば、ＨＩＬ又は試料の定量化のためのプレスクリーニング）のために無視するようにしてもよい。

図５Ａ及び図５Ｂを参照しながら、品質チェックモジュール１３０の第１の実施形態を示し、説明する。品質チェックモジュール１３０は、試料２１２内の（例えば、その血清又は血漿部分２１２ＳＰ中の）１つ以上のアーチファクト（例えば、凝塊２３５、気泡３３６、及び／又は泡４３８）の存在を自動的に判定するように構成してもよい。この方法は、１つのアーチファクト（例えば、凝塊２３５、気泡３３６、又は泡４３８）のみを識別するために、いくつかの試験装置で使用することもできる。しかし、他の実施形態では、この方法を使用して、３つのアーチファクトのすべてをシームレスに識別することができる。１つ以上のアーチファクトの存在は、１つ以上の分析装置１０６、１０８、１１０によって自動的に処理される前に、品質チェックモジュール１３０で検出してもよい。このようにして、試料２１２がアーチファクトを含む場合に、追加の処理、破棄、又は試料２１２の再採取を行い、貴重な分析装置リソースを浪費することなく、おそらくアーチファクトの存在が試験結果の真実性に影響を及ぼすこともない。

アーチファクト検出方法に加えて、品質チェックモジュール１３０において試料容器１０２に含まれる試料２１２に対して他の検出方法を行ってもよい。例えば、検出方法を使用して、品質チェックモジュール１３０で試料容器１０２を定量化することができる。例えば、品質チェックモジュール１３０を使用して、試料２１２を定量すること、すなわち、試料２１２の特定の物理的寸法特徴（例えば、ＬＡ、ＳＢ、ＳＧ及び／又はＢＧの物理的位置、及び／又はＨＳＰ、ＨＳＢ、及び／又はＨＴＯＴの判定、及び／又は血清又は血漿部分の体積（ＶＳＰ）及び／又は沈降した血液部分の体積（ＶＳＢ）など）を判定してもよい。

さらに、品質チェックモジュール１３０を使用して、試料容器１０２を定量化する、すなわち、試料容器１０２のＴＣ、ＨＴ、及び／又はＷの位置、又はキャップ２１４の色及び／又は種類などのような試料容器１０２の特定の物理的寸法特徴を定量化することができる。品質チェックモジュール１３０を使ってホルダを定量化して、後に画像を処理する際にそのホルダを無視するようにしてもよい。

再び図１、図５Ａ及び図５Ｂを参照すると、品質チェックモジュール１３０は、複数のカメラ（例えば、２つ以上、３つ以上、４つ以上）を含んでいてもよい。カメラは、従来のデジタルカメラ（例えば、カラー又はモノクロカメラ）、電荷結合素子（ＣＣＤ）、光検出器のアレイ、１つ以上のＣＭＯＳセンサ、分光光度計などであってもよい。例えば、３つのカメラ５４０Ａ、５４０Ｂ、５４０Ｃが図５Ａに示されており、３つの異なる視点から画像をキャプチャするように構成されてもよい。他の数のカメラを使用してもよい。各カメラ５４０Ａ、５４０Ｂ、５４０Ｃは、デジタル画像（すなわち、画素化画像）をキャプチャすることができる装置であってもよい。各画像の画像解像度は、例えば、約０．５×３メガ画素であってもよい。他の画素密度を使用してもよい。各カメラ５４０Ａ、５４０Ｂ、５４０Ｃは、試料容器１０２の少なくとも１つのセグメント又は側方部分及び試料２１２の少なくとも一部の側方画像をキャプチャし、おそらくは、ラベル２１８及びキャップ２１４の一部をキャプチャするように構成及び動作可能である。最終的に、複数の画像から、試料容器１０２内の試料２１２の複合画像を作成することができる。いくつかの実施形態では、最終的な統合画像は３Ｄ画像でもよい。

図示の実施形態では、複数のカメラ５４０Ａ、５４０Ｂ、及び５４０Ｃは、試料２１２の周囲に配置され、複数の視点から画像をキャプチャするように構成される。視点は、互いにほぼ等間隔で離間していてもよい。図示のように、３つのカメラ５４０Ａ、５４０Ｂ、５４０Ｃを使用するとき、間隔は互いに約１２０度であってもよい。図示の実施形態では、カメラ５４０Ａ、５４０Ｂ、５４０Ｃは、トラック１２１の側部の周りに配置されてもよい。複数のカメラ５４０Ａ、５４０Ｂ、及び５４０Ｃの他の構成を使用してもよい。このようにして、試料容器１０２内の試料２１２の画像は、試料容器１０２がトラック１２１上のキャリア１２２に存在し、保持されている間に撮影される。

１つ以上の実施形態では、カメラ５４０Ａ、５４０Ｂ、及び５４０Ｃの焦点それぞれからの法線ベクトルが交差する点などのような、キャリア１２２を品質チェックモジュール１３０内の所定の位置で停止させることができる。いくつかの実施形態では、キャリア１２２を停止させるためにゲートを設けて、良好な品質の画像をキャプチャすることができる。他の実施形態では、キャリア１２２は、品質チェックモジュール１３０のような、キャリア１２２を所望の位置に開始及び停止させるように構成されたリニアモータを含んでいてもよい。

カメラ５４０Ａ、５４０Ｂ、５４０Ｃは、画像ウィンドウ、すなわち、試料容器１０２の面の予想される位置を含む領域に、近接して向けて、又は焦点を合わせて設けてキャプチャするようにしてもよく、試料容器１０２は、画像ウィンドウのほぼ中心に位置してもよい。構成されたように、カメラ５４０Ａ、５４０Ｂ、５４０Ｃは、血清又は血漿部分２１２ＳＰの一部、沈降した血液部分２１２ＳＢの一部、キャップ２１４の一部又は全部を含む画像をキャプチャしてもよい。キャプチャされた画像内には、１つ以上の参照データが存在してもよい。参照データは、試料２１２及び／又は試料容器１０２のさらなる定量化にも役立つ。参照データは、ＴＣ又は試料容器１０２の最底面、又はその両方であってもよい。任意で、試料容器１０２自体は、マーク又は他の位置決めマークをその上に含んでいてもよい。

動作中、キャプチャされた各画像をトリガしてトリガ信号に応答してキャプチャしてもよい。トリガ信号は、コンピュータ１４３によって生成され、コンピュータ１４３に結合された通信線５４３Ａ、５４３Ｂ、５４３Ｃに供給してもよい。キャプチャされた画像の各々は、本明細書で提供される方法の１つ以上の実施形態に従って処理してもよい。特に、ＨＤＲを使用して複数の画像をキャプチャして処理することができる。

より詳細には、複数の異なる露光時間、１つ以上の異なる波長で複数の画像が試料２１２からキャプチャされる。例えば、各カメラ５４０Ａ、５４０Ｂ、５４０Ｃは、異なる露光時間及び１つ以上の波長で約４〜８枚の画像を撮ることができる。

複数の波長の画像は、異なる方法で得ることができる。一実施形態では、複数の画像は、異なる色の光源５４４Ａ〜５４４Ｃを使用して照明することによってキャプチャすることができる。光源５４４Ａ〜５４４Ｃは、試料容器１０２を（図５Ａ〜図５Ｂに示すように）背面照明することができ、例えば、光パネルとして実施することができる。光パネルは、異なる公称波長を有して異なるスペクトルを有する異なる光のアレイを含んでいてもよく、或いは異なる色の光をそこにポンピングするための手段を含んでいてもよい。いくつかの実施形態では、光拡散器を光源５４４Ａ〜５４４Ｃと共に使用することができる。この実施形態では、カメラ５４０Ａ〜５４０Ｃはデジタルモノクロカメラであってもよい。光源５４４Ａ〜５４４Ｃは、約±３５ｎｍの比較的狭い帯域幅を有する異なる公称波長を有する様々なスペクトルによって照射された画像をキャプチャすることができる。光源は、それぞれ約６３４ｎｍ（赤色）、５３７ｎｍ（緑色）、及び４５５ｎｍ（青色）に発光ピークを有することができる。しかしながら、他の波長が使用されてもよく、３つより多い又は少ない光源が使用されてもよい。次いで、マルチスペクトル、マルチ露光時間画像は、異なる視点からカメラ５４０Ａ〜５４０Ｃの各々によってキャプチャすることができる。スペクトル的に照射された画像（狭帯域の公称波長によって表される）の各々は、様々な露光時間（例えば、４〜８回の露光又はそれ以上）でキャプチャされる。アーチファクト検出方法のために、透過率画像を計算することができ、各透過率画像（Ｒ、Ｇ、Ｂ）は、以下から明らかなように、最適に露光された画像及び参照画像から計算される。

しかしながら、任意の実施形態では、例えば、図５Ｃ及び図５Ｄに最もよく示すように、カメラ５４０Ａ、５４０Ｂ、５４０Ｃに隣接して（すなわち、上方、下方、側方、又はそれらの組み合わせで、ただし試料容器１０２に対しそれぞれのカメラ５４０Ａ〜５４０Ｃと同じ側に）配置された光源５４４Ｄ、５４４Ｅ、及び５４４Ｆを備えることにより、試料容器１０２を、品質チェックモジュール１３０Ａで前面照明することができる。この実施形態では、カメラ５４０Ａ〜５４０Ｃは、それぞれ、約６３５ｎｍ、５６０ｎｍ、及び４５０ｎｍのＲＧＢピークを有するデジタルカラーカメラであってもよいが、ＲＧＢカラーのそれぞれは、モノクロカメラと組み合わせて使用される離散光源に比べて比較的広い波長範囲を有する。この実施形態では、光源５４４Ｄ、５４４Ｅ、及び５４４Ｆはそれぞれ白色光源である。例えば、白色光源５４４Ｄ〜５４４Ｆ（約４００ｎｍ〜約７００ｎｍの波長範囲）を用いて試料２１２を照明し、異なる露出（例えば、露光時間）での複数の画像を各カメラ５４０Ａ〜５４０Ｃによって撮影することができる。キャプチャした各白色光画像は、複数の波長で２つ以上の色成分に分離され、約４００ｎｍ〜約７００ｎｍの間の少なくとも２つの波長を含む。例えば、ＲＧＢ成分をコンピュータ１４３によって分離して、マルチスペクトルの多重時間露光画像を生成することができる。画像は、ライン５４３Ａ〜５４３Ｃのコンピュータ１４３からの信号を介してキャプチャしてもよい。

第１の実施形態による第１の公称波長を有する第１のスペクトルで照射された画像をキャプチャするために、３つの赤色光源（約６３５ｎｍの波長ピーク）を用いて試料２１２を同時に照明することができる。光源５４４Ａ〜５４４Ｃによる赤色照明は、異なる露光時間で複数の画像（例えば、４〜８画像以上）が、例えばすべてのカメラ５４０Ａ〜５４０Ｃで各露光時間で同期して各カメラ５４０Ａ〜５４０Ｃによってキャプチャされると起きる場合がある。いくつかの実施形態では、露光時間は、約０．１ｍｓと約２５６ｍｓとの間でよい。他の露光時間を使用してもよい。例えば、１回の露光は１ｍｓ、別の露光は３２ｍｓ、別の露光は６４ｍｓ、そして別の露光は１２８ｍｓを使用してもよい。他の数の露光及び時間間隔を使用して、複数の露光時間画像をキャプチャすることができる。赤色光源５４４Ａ〜５４４Ｃは、画像をキャプチャするのに十分な長さだけオンにしてから、オフにすればよい。

赤色光源５４４Ａ〜５４４Ｃを使用して画像をキャプチャした後、それらをオフにして、例えば２つ以上の緑色光源５４４Ａ〜５４４Ｃを含む別のスペクトル等の異なる公称波長の光をオン（約５６０ｎｍの波長のピーク）にすることができ、異なる露光時間の複数の画像（例えば、４〜８画像以上）を異なる視点に配置された各カメラ５４０Ａ〜５４０Ｃによって、その波長でキャプチャすることができる。これは、各カメラ５４０Ａ〜５４０Ｃに対し、２つ以上の青色光源５４４Ａ〜５４４Ｃ（約６３５ｎｍの公称波長）で繰り返すことができる。したがって、結果は、複数の画像が異なる露光量、異なる波長、及び異なる視点からキャプチャされることになる。他の公称波長又は露光回数を任意に、又は追加して使用することができる。異なる波長光源５４４Ａ〜５４４Ｃは、例えば、交換可能なカラーバンドパスフィルタ、又は例えば、選択的にオン／オフすることができる異なる狭帯域の色のＲＧＢ光源のバンクを使用することによって達成することができる。効果的に照明するための他の手段を使用することもできる。

第２の実施形態による画像をキャプチャするために、３つの白色光源５４４Ｄ〜５４４Ｆを使用して、試料２１２を同時に照明することができる。光源５４４Ｄ〜５４４Ｆによって照明されると、異なる露光時間で、複数の画像（例えば、４〜８画像以上）が、例えば、同期して、各カメラ５４０Ａ〜５４０Ｃによって撮影される。いくつかの実施形態では、露光時間は、約０．１ｍｓ〜２５６ｍｓの間でよい。他の露光時間を使用してもよい。例えば、１回の露光は１ｍｓ、別の露光は３２ｍｓ、別の露光は６４ｍｓ、そして別の露光は１２８ｍｓとすることができる。他の数の露光及び時間間隔を使用して、複数の露光時間画像をキャプチャすることができる。複数の露光画像は、コンピュータ１４３によってさらに処理されて、露光時間の各々で個々のＲＧＢ画像（明らかに低い画素密度で）を抽出することができる。よって結果として異なる露光時間及び異なる公称波長での複数の画像が得られる。

実施形態それぞれについて、それぞれの波長又は波長範囲（例えば、白色光）ごとに多重露光時間に撮影されたこれらの複数のスペクトル画像のすべてを迅速に連続して得ることができ、複数の視点からの試料２１２の画像収集全体が、例えば、約２秒未満もしくはさらに短い時間で得られるようにしてもよい。

各試料２１２についてキャプチャされた画像の数を例示するために、以下に例を示す。第１の実施形態によれば、照明用ＲＧＢ光源と、波長ごとに４つの異なる時間露光画像とを使用し、３つの視点でモノクロカメラを提供すると、４つの露出×３つの色×３つの視点＝３６画像が得られる。第２の実施形態によれば、白色光源と４つの異なる時間露光画像とを使用し、３つの視点でカラーカメラを提供すると、４つの露出×３視点＝１２画像が得られる。しかし、これらの１２枚の画像はコンピュータ１４３によってＲＧＢ画像に分離されるので、最終的には３６枚の画像が得られるが、これらの画像の画素密度は第１の実施形態の方法の約三分の一である。いずれの場合でも、多重露光画像データは、コンピュータ１４３のメモリに格納され、その後、処理される。

１つ以上の実施形態では、品質チェックモジュール１３０は、トラック１２１を少なくとも部分的に囲むか、もしくは覆い、画像キャプチャのための閉鎖された又は半閉鎖された環境を提供する筐体５４６を含んでいてもよい。試料容器１０２は、各画像キャプチャ中に筐体５４６の内側に配置されてもよい。筐体５４６は、キャリア１２２が筐体５４６に入る及び／又はそこから出ることを可能にするための１つ以上のドア５４６Ｄを含んでいてもよい。いくつかの実施形態では、天井は、開口５４６Ｏを含み、品質チェックモジュール１３０がローディングエリア１０５に配置されているときなどに、上から移動可能なロボットフィンガを含むロボット（例えば、ロボット１２４）によって、試料容器１０２を筐体５４６内に配置されたキャリア１２２に搭載できるようになっている。前面照明が使用される場合（図５Ｃ〜５Ｄ）、品質チェックモジュール１３０は、画像コントラストを改善するバックストップ壁５４７を含んでいてもよい。バックストップ壁５４７は、試料２１２の予想される色の範囲以外などであれば任意の適切な色でよい。いくつかの実施形態では、黒色の材料を使用してもよい。

一態様では、液体部分（例えば、血清又は血漿部分２１２ＳＰ）が識別できるように、マルチスペクトルの複数時間露光画像のデータの処理は、試料２１２の第１のセグメント化を判定するために行ってもよい。処理は、まず、例えば、各カメラについて異なる露光時間及び各波長でキャプチャされた複数の画像それぞれから最適に露光された画素を選択すること、そして、各波長、そして各カメラ５４０Ａ〜５４０Ｃに最適に露光された画像データセットを生成することを含む。各画素について得られた各最適化された強度値は、その露光時間に関して正規化されてもよい。選択及び正規化のこのプロセスを、ここでは「画像統合」と呼ぶ。画像統合中、各色について、時間露光画像の各々について対応する位置の画素が比較され、最適画像強度を示す画素のみが、異なる露光時間画像のそれぞれから選択される。最適な画像強度の画素は、例えば、所定の強度範囲内（例えば、０〜２５５のスケールでは１８０〜２５４）にある画素であってもよい。しかし、他の実施形態では、０〜２５５のスケールで１６〜２５４の強度の所定の範囲を使用することができる。他のスケール及び最適範囲が使用されてもよい。２つの画像の対応する位置にある２つ以上の画素が最適に露光される場合、２つのうちのより高い方を選択してもよい。その結果、全ての画素が最適に露光され正規化された、カメラ５４０Ａ〜５４０Ｃごとの、複数の統合されたカラー画像データセット（例えば、赤、緑、及び青の照明で）（例えば、公称波長ごとに１つの画像データセット（例えば、赤、緑、青）が得られる。

品質チェックモジュール１３０の調整（キャリブレーション）処理の一部として、試料容器１０２又はキャリア１２２のない参照画像を撮影してもよい。単数又は複数の参照画像は、試料容器１０２及びキャリア１２２を品質チェックモジュール１３０にロードする前に、また、画像キャプチャの間に後で使用されるすべての露光時間及び照明条件で撮影してもよい。このようにして、各画像データセットから背景を除去することができる。これは、本明細書において「背景除去」と称する。

最適に露光された画素を含む画像データセットそれぞれについて、流体の特徴付けプロセスを行って、統合された画像データセット内の画素の各々を分類することができる。これは、試料２１２及び試料容器１０２の様々なセグメントを特徴付けることができる点、すなわちそれらの境界を判定することができる点で「セグメント化」と呼ばれる。これは、液体部分（例えば、血清又は血漿部分２１２ＳＰ）、ゲルセパレータ４１３（存在する場合）、沈降した血液成分２１２ＳＢ、及び成分同士の境界線（例えば、ＬＡ、ＳＢ、ＳＧ、ＢＧ）を識別するのに使用することができる。セグメント化は、最適に露光された画像データ内の画素を、分類器モデルに基づくクラスに属するものとして分類することに基づいていてもよい（図６）。分類器モデルは、複数のトレーニングセットから生成されたマルチクラス分類器６１５に基づいて行うことができる。マルチクラス分類器６１５は、例えば、サポートベクトルマシン（ＳＶＭ）又はランダム判定ツリーを備えることができる。

分類を実行するために、異なる公称波長（例えば、赤、緑、青）での最適に露光され、正規化された画素のそれぞれについて、及び各カメラ５４０Ａ〜５４０Ｃについて第１の統計データを計算してもよい。統計データは、２次までの平均値、分散及び共分散を含んでいてもよい。各画素位置について、統計的記述を小さなスーパー画素パッチ（例えば、１１×１１画素）内で抽出することができる。各スーパー画素パッチは、トレーニング及び評価プロセスで考えられる記述子を提供する。典型的には、分類器は特徴記述子上で動作し、検査／評価中にトレーニング用のクラスラベルと出力クラスラベルを使用する。

一度生成されると、統計データは、マルチクラス分類器６１５に送られるとともに、そこで操作される。マルチクラス分類器６１５は、画像内の画素を、１ー血清又は血漿部分、２―沈降した血液部分、３―キャップ、４―ラベル、５―試料容器、６―空気、７―ゲルセパレータ（使用する場合）などのような複数のクラスラベルの１つに属するものとして分類することができる。キャリア１２２も分類してもよい。このセグメント化から、液体領域、すなわち、血清及び血漿部分２１２ＳＰを構成する画素を識別することができる。

次いで、マルチクラス分類器６１５の結果は、アーチファクトが液体領域内に存在するか否かを識別するように構成された１つ以上のアーチファクト分類器６２０に供給される。よって、効果的に１つ以上のアーチファクト分類器６２０は、前記統計データに基づいて、アーチファクトが１つ以上の血清又は血漿部分２１２ＳＰ内に存在するか、或いは血清又は血漿部分２１２ＳＰ内には存在しないかを識別する。１つ以上の実施形態では、アーチファクト分類器６２０は、凝塊モデル、気泡モデル、及び泡モデルなどの１つ以上の異なるアーチファクトタイプのモデルとして具体化されてもよい。各アーチファクトタイプモデルは、２進分類モデルであってもよい。液体領域として以前に定義されたデータを操作した結果、血清又は血漿部分２１２ＳＰ中のアーチファクトの存在又は不在を判定できる。

アーチファクト検出方法の簡単なフローチャートを図６に示す。まず、キャリア１２２によって担持された試料２１２を含む試料容器１０２を、６０２の品質チェックモジュール１３０に設ける。複数の露光画像が、６０４でキャプチャされる。その複数の露光画像とは、上述したように、複数の異なる露光時間で、また、複数の異なる公称波長で（及び／又は波長範囲で）撮影されたマルチスペクトル画像である。そして複数の画像は、コンピュータ１４３のメモリに格納してもよい。これらの画像から、背景を６０８の背景除去フェーズで任意に除去して計算負荷を低減することができる。背景除去は、６１０で撮影した参照画像を減算することによって達成してもよく、これは、試料容器１０２及びキャリア１２２が品質チェックモジュール１３０に到着する前に、調整の一部として、又は方法の一部として撮影することができる。

画像キャプチャ及び可能な背景除去の後、６１１に示すように、各カメラ５４０Ａ〜５４０Ｃの多重露光、多重スペクトルデータセットでセグメント化プロセスを達成することができる。セグメント化は、６１２で行うことが可能な画像統合フェーズを含んでいてもよい。この画像統合プロセスの間、各色（例えば、公称波長）の様々な画像が画素ごとにレビューされ、最適に露光される画素を判定する。それぞれの対応する画素位置ごとに、最適に露光された任意の画素のうちの最良のものが選択され、最適に露光された画像データセットに含まれる。したがって、６１２での画像統合に続いて、波長ごとに１つの最適に露光された画像データセットが生成される。各画素強度の露出時間による正規化を行ってもよい。

画像統合に続いて、又は、おそらくそれと並行して、６１４で統計生成プロセスを行う。６１４では、中央値、標準偏差、及び／又は共分散のような各画素について統計が生成される。次いで、最適に露光されたデータセットからの統計データと色情報は、マルチクラス分類器６１５によって操作され、６１６で画素クラスを識別する。この６１６の分類プロセスから、各カメラ５４０Ａ〜５４０Ｃに統合された画像の各画素を複数のクラスタイプの１つとなるように分類する。クラスタイプとしては、例えば、液体（血清又は血漿部分２１２ＳＰ）、沈降した血液部分２１２ＳＢ、透明材料（例えば、管２１２Ｔ）、ラベル２１８、ゲルセパレータ４１３、又は空気２１２Ａ、又はキャップ２１４であってもよい。

ここから、６１８において、液体のクラス（血清又は血漿部分２１２ＳＰ）のすべての画素を収集して液体領域を判定する。最後に、液体領域のデータセットをアーチファクト分類器６２０によって操作して、液体領域内に存在するあらゆるアーチファクト（例えば、凝塊、気泡、泡）を検出する。アーチファクト分類器６２０は、いくつかの実施形態では、凝塊検出、気泡検出、及び泡検出のそれぞれについて１つずつ、別々の２進分類モデルであってもよい。

６１８における液体領域の特定には、液体（血清又は血漿部分２１２ＳＰ）と空気２１２Ａ（すなわちＬＡ）との間の上部の界面の位置、ＳＢ又はＳＰＧ（ゲルセパレータ４１３を使用する場合）と幅（Ｗ）を識別することを含んでいてもよい。これは、これらの境界区域の画素を選択し、それらの位置値を平均化することによって達成することができる。この情報から、血清又は血漿部分２１２ＳＰの量を判定することができる。管２１２Ｔの幅Ｗに基づいて試料の実際の幅を判定するためには、平均壁厚（Ｔｗ）値を使用して、試料の幅（Ｗｓ）がＷ−２Ｔｗに等しくなるように、コントローラによって計算されるようにすればよい。もちろん、血清又は血漿部分２１２ＳＰの利用可能な実際の体積をさらに正確に測定するために、アーチファクト検出方法を６２２で採用して、凝塊、気泡又は泡が存在することを識別してもよい。存在する１つ以上のアーチファクトのそれぞれの推定体積は、液体モデルに基づいて血清又は血漿部分の推定体積から差し引かれてもよい。

図７は、より広範な特徴付け方法７００のフローチャートを示す。試料２１２に存在する１つ以上のアーチファクトの特徴付けは、より広範な方法７００によって特徴付けられる又は分類される多くの項目のうちの１つに過ぎない。方法７００の１つ以上の実施形態によれば、例えば複数のカメラ（カメラ５４０Ａが示されている）によって画像がキャプチャされる。カメラ５４０Ａでキャプチャされた画像について説明する処理は、他の視点の他のカメラ５４０Ｂ、５４０Ｃについても同じであり、ライン７０５のそれらの入力を使用して、試料２１２の３Ｄモデルを展開することができる。カメラ５４０Ａ及び他のカメラ５４０Ｂ、５４０Ｃによってキャプチャされた画像は、上述したように、マルチスペクトル及び多重露光画像であってもよい。特に、７０４Ａで使用される光照明の公称波長ごとに、多重露光（例えば、４〜８回以上の露光）を行ってもよい。図５Ａ〜図５Ｂに示すように、各カメラ５４０Ａ〜５４０Ｃの各露光時それぞれの画像は、モノクロカメラと背面照明光源５４４Ａ〜５４４Ｃを使用して同時に取得することができる。任意で、白色光源５４４Ｄ〜５４４Ｆを使用して、前面照明された多重露光画像は、カラーカメラを使用して７０４Ｂで取得してもよい。

その後、任意に実行される背景除去方法として上述したように、画像を６０８で処理して、参照画像６１０を使用して背景を除去してもよい。その後、画像をさらに処理して、上述したように６１１でセグメント化を判定してもよい。いくつかの実施形態では、７０４Ｂからの前面照明カメラ５４０Ａ〜５４０Ｃ（図５Ｃ〜５Ｄ参照）からの画像は、６１１のセグメント化に最もよく使用できるかもしれない。同様に、７０４Ａでキャプチャされた画像は、７２１のＨＩＬＮの特徴付けに最もよく使用されるかもしれない。しかしながら明らかに、７０４Ｂでキャプチャされた画像は、６１１のセグメント化で使用できる。

６２２において、画像を処理して、アーチファクト分類器６２０（図６）を使用して血清又は血漿部分２１２ＳＰ中のアーチファクトの有無を判定してもよい。例えば、一実施形態では、方法７００は、試料２１２の血清又は血漿部分２１２ＳＰ中の凝塊の存在を判定するためのものである。別の実施形態では、方法７００は、試料２１２の血清又は血漿部分２１２ＳＰ中の気泡の存在を判定するためのものである。別の実施形態では、方法７００は、試料２１２の血清又は血漿部分２１２ＳＰ中の泡の存在を判定するためのものである。６２２におけるアーチファクト検出の出力は、７２１でＨＩＬＮ分類に入力することに使用でき、アーチファクトの存在がＨＩＬＮ結果を歪ませないようにする。６２２で識別されたアーチファクトを含むそれらの画素は、７２１のＨＩＬＮ分類では無視される。

セグメント化が６１１で完了すると、７２３で流体を定量化することができる。これは、ＬＡ、ＳＢ、ＳＧ及び／又はＢＧの物理的位置のような試料２１２の特定の物理的寸法特徴の判定、及び／又はＨＳＰ、ＨＳＢ及び／又はＨＴＯＴ、及び／又は血清又は血漿部分（ＶＳＰ）の体積及び／又は沈降した血液部分（ＶＳＢ）の体積の判定、などを含んでいてもよい。アーチファクト検出６２２からの入力は、泡アーチファクトが存在する場合にＬＡをよりよく特徴付けるために使用され、存在する任意のアーチファクトの体積の推定を差し引くことによって血清又は血漿部分（ＶＳＰ）のより良い推定を行うのに役立つ場合もある。

６１１のセグメント化の結果を使用して、７２５でバーコードを読み取ってもよい。従来のバーコード読み取りソフトウェアは、ラベル２１８が６１１のセグメント化で識別されると、使用できる。

試料容器１０２の特徴付けは、７２７でより広い方法７００に従って達成してもよい。特徴付けは、７２９の管タイプ、７３１のキャップタイプ、及び／又は７３３のキャップカラーを判定することができる。これらすべての出力は、３Ｄモデル７３５に供給され、さらに、３Ｄ推論又は２Ｄ結果の検証に使用することができる。

図８は、本発明の１つ以上の実施形態による試料容器１０２内に収容された試料２１２にアーチファクト（例えば、凝塊、気泡及び／又は泡の１つ以上）が存在するかどうかを判定する方法のフローチャートを示す。方法８００は、８０２において、分離された試料（例えば、試料２１２）を提供することを含む。試料２１２は、試料容器１０２に収容され、少なくとも血清又は血漿部分２１２ＳＰ及び沈降した血液部分２１２ＳＢを含んでいてもよいが、いくつかの実施形態ではゲルセパレータ４１３を含んでいてもよい。試料２１２は、遠心分離又は他の適切な手段によって分離が可能である。８０４において、方法８００は、複数の異なる露光時間で、及び複数の異なる公称波長の照明で、分離された試料２１２の画像をキャプチャすることを含む。例えば、いくつかの実施形態では、４〜８又はそれ以上の異なる露光が行われてもよい。いくつかの画像は、前面照明のために白色光を用いてキャプチャされ、一部は、背面照明光源５４４Ａ〜５４４Ｃとして、赤、青及び緑のような複数の異なる公称波長の狭帯域光源を用いてキャプチャできる。白色光画像は、上述したように、Ｒ、Ｇ、及びＢスペクトル画像に分解されてもよい。それぞれの場合において、複数のカメラ５４０Ａ〜５４０Ｃによって複数の視点から画像を撮影してもよい。

８０６において、方法８００は、任意に背景除去を含んでいてもよい。背景除去は、試料画像から、調整プロセスの一部として撮影された参照画像８０８を減算することによって達成することができる。参照画像８０８は、試料２１２の画像と同じ露光時間で撮影することができるが、品質チェックモジュール１３０において試料容器１０２又はキャリア１２２なしでキャプチャすることができる。

方法８００はさらに、８１０において、照明の各公称波長での異なる露光時間で、（背景除去を実行済みかもしれない）キャプチャ画像から最適に露光された画素を選択して、各スペクトルに対して最適に露光された画像データを生成する。特定の波長スペクトルにおける各画像内の対応する画素ごとに、（露光不足でも、又は露光しすぎでもない）最良に露光された画素が選択される。最適な露光範囲は、上述したようなものでよい。この最適に露光された画素の選択は、画像統合フェーズ（例えば、画像統合６１２）で行われる。したがって、ＲＧＢスペクトルのそれぞれについて、最適に露光された画素のデータセットが生成される。次に、最適に露光された画素のデータセットを正規化することができる。

８１２において、方法８００は、統計データを生成するために異なるスペクトルにおける最適に露光された画素に関する統計データを計算することを含み、次いで、８１４において、最適に露光された画素の統計データを操作して、少なくとも血清又は血漿部分２１２ＳＰ（すなわち、分離された試料２１２の液体部分）を識別することを含む。少なくとも血清又は血漿部分２１２ＳＰ（６１８参照）を識別することは、マルチクラス分類器８１６を用いて最適に露光された画素の統計データを操作して、血清又は血漿部分２１２ＳＰとして識別される特定のクラスの画素を識別することによって達成することができる。他のクラス（例えば、沈降した血液部分２１２ＳＢ、ゲルセパレータ４１３、管２１２Ｔ、ラベル２１８、空気２１２Ａ、キャップ２１４）は、６１６のようなセグメント化によって識別されてもよい。

１つ以上の実施形態では、マルチクラス分類器８１６は、線形又はカーネルベースいずれかのサポートベクトルマシン（ＳＶＭ）であってもよい。任意で、マルチクラス分類器８１６は、適応ブースティング分類器（例えば、ＡｄａＢｏｏｓｔ、ＬｏｇｉｔＢｏｏｓｔなど）のようなブースティング分類器、任意の人工ニューラルネットワーク、ツリーベースの分類器（例えば、判定木、ランダム判定フォレスト）、分類子としてのロジスティック回帰などである。ＳＶＭは、液体と非液体との間の分類に特に有効であり、これは、血清又は血漿部分２１２ＳＰを識別するために使用することが望ましい。ＳＶＭは、データを分析してパターンを認識する関連する学習アルゴリズムを備えた監督された学習モデルである。ＳＶＭは、分類及び回帰分析に使用される。

マルチクラス分類器８１６をトレーニングするために複数セットのトレーニング例が使用され、次いで、画素は、マルチクラス分類器８１６によって操作され、上述のように、複数のクラスのうちの１つに属するものとしてマークされる。ＳＶＭトレーニングアルゴリズムは、マルチクラス分類器８１６を構築し、任意の新しい例をクラスの１つに割り当てる。したがって、いくつかの実施形態では、マルチクラス分類器８１６は非確率的線形分類器であってもよい。ＳＶＭモデルは、空間における点としての例を表し、その別々のクラスの例は、可能な限り広い明確な隙間で分割されるようにマッピングさている。最適に露光された画像データセットからの画素は、その同じ空間にマップされ、どこにあるかに基づいて特定のクラスに属することを予測する。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分類器）と称されるものを使用して非線形分類を効率的に実行し、その入力を高次元の特徴空間に暗黙的にマッピングしてもよい。ＳＶＭ及びブースティングを使用することもできる。他の種類のマルチクラス分類器を使用してもよい。

マルチクラス分類器８１６は、ラベル２１８によって遮られている、血清又は血漿部分２１２ＳＰ及び沈降血液部分２１２ＳＢのレベル、その他など種々の試料条件を有する試料容器１０２の複数の例において、様々な領域（例えば、血清又は血漿部分２１２ＳＰ、沈降血液部分２１２ＳＢ、ゲルセパレータ４１３、空気２１２Ａ、管２１２Ｔ、キャップ２１４、ラベル２１８など）の輪郭を描くことによってトレーニングを行ってもよい。５００以上もの画像を使用してマルチクラス分類器８１６のトレーニングを行ってもよい。各トレーニング画像は、手動で輪郭を描いて、各クラスに属する領域を識別し、マルチクラス分類器８１６に教示してもよい。他のトレーニング方法を使用してもよい。

８１８において、方法８００は、血清又は血漿部分の１つ以上の領域（例えば、血清又は血漿部分２１２ＳＰ）内にアーチファクト（例えば、凝塊、気泡及び／又は泡）が存在するかどうか、又は血清又は血漿部分内には存在しないかどうかを統計データに基づいて分類することを含む。前の分類と同様に、アーチファクトの存在の分類は、１つ以上のアーチファクト分類器８２２を使用して実行してもよい。いくつかの実施形態では、アーチファクト分類器８２２は、それぞれが異なるアーチファクトを識別するようにトレーニングされた、一連のトレーニングされた分類モデルであってもよい。例えば、分類は、個々の凝塊分類器、気泡分類器、及び泡分類器を用いて血清又は血漿部分に含まれる画素を操作することによって行うことができる。他の実施形態では、アーチファクト分類器は、アーチファクト（例えば、凝塊、気泡及び／又は泡）の各々を識別することができるマルチクラス分類器であってもよい。

方法８００は、アーチファクト分類器８２０を使用して各画素がアーチファクトを含むか又は含まないかで分類されると、次に、８２２において、血清又は血漿部分２１２ＳＰ内の１つ以上のインターフェレントの存在を判定してもよい。１つ以上の実施形態では、１つ以上のインターフェレントの存在を判定することは、画素のうちの個々のそれぞれをノーマル（Ｎ）であるか又は溶血（Ｈ）、黄疸（Ｉ）又は脂肪血（Ｌ）を含むかのいずれかとして特徴づけるために、その画素と以前生成した統計データとをまず分析することを含む。他の実施形態では、異なるデータセット（例えば、ＲＧＢ背景照明光源で撮影された複数の画像からのデータセット）を使用することができる。この判定から、血清又は血漿部分２１２ＳＰの全体的な分類が提供される。血清又は血漿部分２１２ＳＰの全体的な分類は、正常（Ｎ）であるか、又は特定のタイプ又はインターフェレントのタイプを含んでいるかでもよい。例えば、血清又は血漿部分２１２ＳＰにおける特定のインターフェレントタイプは、Ｈ、Ｉ及び／又はＬの１つ以上であると判定されてもよい。

上述したマルチクラス分類器８１６と同様に、インターフェレント分類器８２４は、上述したような任意の適切な監視分類モードを含んでいてもよい。インターフェレント分類器８２４を使用して、液体として分類された画素がＮ、Ｈ、Ｉ、又はＬのクラスの１つであるかどうかを判定することができる。インターフェレント分類器８２４は、複数のインターフェレント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ているマルチクラス分類器モデルに基づいていてもよい。インターフェレント分類器８２４（例えば、４クラス分類モデル）は、サポートベクトルマシン（ＳＶＭ）、サポートベクトルネットワーク、又はブースティングクラスアルゴリズムであってもよい。サポートベクトルマシン及びネットワークの例は、「C. Cortes and V.Vapnik, ”Support-vectorNetworks”, Machine Learning Vol. 20, Issue 3, page 273-297」と題する論文及び、「J. Friedman, T. Hastie, R. Tibshirani (1998), “AdditiveLogistic Regression: A Statistical View of Boosting”」、及び「Y. Freund and R. E.Schapire (1999), “A Short Introduction to Boosting”」と題する論文で説明されている。

方法８００は、インターフェレント分類器８２４によって画素がＮ、Ｈ、Ｉ又はＬであると分類されると、試料２１２の血清又は血漿部分２１２ＳＰが全体として正常（Ｎ）であるかどうかを判定することを含み、正常（Ｎ）でない場合には、インターフェレントタイプを全体として特徴付けることを含んでいてもよい。試料２１２が正常（Ｎ）であり、アーチファクトを含まないとみなされる場合、試料２１２は、単にトラック１２１を、指示された検査のための分析装置（例えば、分析装置１０６、１０８、及び／又は１１０）まで進めてもよい。

試料２１２が非正常である場合、インターフェレントタイプは、Ｎ、Ｈ、Ｉ、又はＬであると以前分類された液体領域内の多数の画素を加えることによって判定することができる。正常（Ｎ）であるかインターフェレントを含むかどうかの分類は、各クラスの最大数、又はいくつかの実施形態における重み付け方式に基づくものであってもよい。したがって、一実施形態では、画素の大部分がＮとして分類される場合、試料２１２は正常（Ｎ）として分類してもよい。画素の大部分がＨとして分類される場合、試料２１２は溶血（Ｈ）として分類されてもよい。同様に、画素の大部分がＩ又はＬとして分類される場合、試料２１２は、黄疸（Ｉ）又は脂肪血（Ｌ）としてそれぞれ分類されてもよい。他の実施形態では、重み付け多数決方式を用いて、画素分類器４５８からの確率を重みとして使用して試料２１２を分類することもできる。他の手段を使用して、試料２１２を全体として特徴付けることもできる。

或いは、試料２１２が、２つ以上のインターフェレントクラス（例えば、Ｈ及びＩ、Ｈ及びＬ、Ｉ及びＬ、又はＨＩＬ）に分類される比較的多量の画素を有する場合、本方法は、複数のインターフェレントタイプが試料２１２に存在すると報告するようにしてもよい。

試料２１２にインターフェレント（例えば、Ｈ、Ｉ及び／又はＬ）を含有するような特徴付けが与えられると、インターフェレントレベル検出器を使用して、試料２１２の１つ以上のインターフェレントタイプのインターフェレントレベルを提供することができる。インターフェレント分類器８２４によって液体であると判定された画素を、監視された回帰モデルのようなレベル特徴付けモデルに通すことによって、インターフェレントレベル検出器は、特定のインターフェレントに対するインターフェレントレベルを得ることができる。サポートベクトル回帰（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することができる。

溶血回帰モデル、黄疸回帰モデル、及び脂肪血回帰モデルなどの異なる回帰モデルを、各インターフェレントタイプの各画素に使用することができる。１つ以上の実施形態では、回帰モデルのそれぞれはＳＶＲマシンであってもよく、その特定のタイプのインターフェレント（例えば、Ｈ、Ｉ又はＬ）を示す液体領域のみを用いてトレーニングされてもよい。例えば、溶血回帰モデルは、予測される溶血レベルの多様な範囲にわたって溶血レベルを有する広範囲の溶血試料２１２を用いてトレーニングすることができる。例えば、溶血範囲は、約５０〜５２５の溶血レベルを含んでいてもよい。同様に、黄疸回帰モデルは、約１．７〜３０の黄疸レベルを含む様々な範囲の予測レベルにわたる黄疸レベルを有する、広範な黄疸試料２１２でトレーニングすることができる。同様に、脂肪血回帰モデルは約１２５〜１０００の脂肪血症レベルを含む、様々な範囲の予想レベルにわたる脂肪血症レベルを有する広範な脂質試料２１２でトレーニングすることができる。

いくつかの実施形態では、インターフェレントレベルを離散化することができる。例えば、溶血回帰モデルでは、５０、１５０、２５０及び５２５の離散した溶血レベルを使用することができる。黄疸回帰モデルでは、１．７、６．６、１６及び３０の離散した黄疸レベルを使用することができ、脂肪血回帰モデルでは、１２５、２５０、５００及び１０００の離散した脂肪血レベルを使用することができる。

したがって、上記に基づいて、品質チェックモジュール１３０によって実行されるモデルベースのアーチファクト検出方法８００は、試料２１２が正常であるか、又は１つ以上のアーチファクトを含むかどうか、迅速に特徴付けできることは明らかである。別の態様では、方法８００は、インターフェレントが存在するかどうかを判定し、存在する場合、存在するインターフェレントのタイプを識別し、存在するインターフェレントのタイプそれぞれについてインターフェレントレベルを判定することもできる。

品質チェックモジュール１３０が図１に示されているが、プレスクリーニングが遠心分離機１２５での遠心分離の直後に行われるように配置されているので、いくつかの実施形態、又は他の場所では、品質チェックモジュール１３０を分析装置（例えば、分析装置１０６、１０８、及び／又は１１０）上に直接含めることが有利な場合もある。例えば、自動試料容器取り扱いシステムに接続されていない独立型分析装置は、品質チェックモジュール１３０を使用して分析前に試料２１２を確認することができる。さらに、いくつかの実施形態では、品質チェックモジュール１３０をローディングエリア１０５に配置し、ロボット１２４が試料容器１０２をキャリア１２２にロードするとすぐに品質チェックを実施することができるように、ラック１０４をローディングエリア１０５にロードする前に遠心分離を行ってもよい。品質チェックモジュールは他の位置に配置することも可能である。

本発明は様々な変更及び代替形態が可能であるが、特定のシステム及び装置の実施形態及びその方法は、図面の例として示されており、本明細書で詳細に説明してきた。しかしながら、開示された特定のシステム、装置、又は方法に本発明を限定することを意図するものではなく、反対に、本発明の範囲内に入るすべての修正、均等物及び代替物を網羅することを意図するものであることを理解されたい。

１００ 試料検査システム
１０２ 試料容器
１０４ ラック
１０６、１０８、１１０ 分析装置
１２１ トラック
１２２ キャリア
１２２Ｈ ホルダ
１３０ 品質チェックモジュール
１４３ コンピュータ
２１２ 試料
２１２ＳＢ 沈降した血液部分
２１２ＳＰ 血清又は血漿部分
２１２Ｔ 管
２１４ キャップ
２１５ 識別情報
２１８ ラベル
２３５ 凝塊
３３６ 気泡
４３８ 泡
５４０Ａ〜５４０Ｃ カメラ
６１５、８１６ マルチクラス分類器

Claims (19)

1. 試料容器内に収容された試料内のアーチファクトを判定する方法であって、
   試料容器に分離され収容された試料を提供し、
   複数の異なる露光及び複数の異なる波長で前記試料の画像をキャプチャし、
   各波長における最適に露光された画像を生成するために、各波長における前記異なる露光で前記キャプチャされた画像から最適に露光された画素を選択し、
   統計データを生成するために前記異なる波長で前記最適に露光された画素の統計を計算し、
   前記統計データに基づいて前記試料の血清又は血漿部分を識別し、
   前記統計データに基づいてアーチファクトが前記血清又は血漿部分の１つ以上の領域内に存在するか、又は前記血清又は血漿部分には存在しないかを分類し、
   前記アーチファクトは、凝塊、気泡及び泡を含む群の中から識別されることを特徴とする、
   方法。
2. 前記試料は遠心分離され、分離された血液部分と血清又は血漿部分とを有する請求項１に記載の方法。
3. 前記試料の画像をキャプチャすることは、複数の視点から撮影された複数の画像をキャプチャすることを含む請求項１又は２に記載の方法。
4. 前記複数の視点の数は３以上である請求項３に記載の方法。
5. 前記試料の提供は、前記試料を収容する前記試料容器を保持部に固定することを含む請求項１〜４のいずれか１つに記載の方法。
6. 前記複数の異なる波長は、約４００ｎｍから約７００ｎｍの間の少なくとも２つの波長を含む請求項１〜５のいずれか１つに記載の方法。
7. 前記複数の波長は、約４５５ｎｍ、約５３７ｎｍ、及び約６３４ｎｍの群から選択される少なくとも２つの波長を含む請求項１〜６のいずれか１つに記載の方法。
8. 前記複数の露光の時間は、約０．１ｍｓから約２５６ｍｓの間を含む請求項１〜７のいずれか１つに記載の方法。
9. 最適に露光された画素を選択することは、０から２５５の強度範囲に基づいて約１８０から２５４の間の強度を含む画素を前記画像から選択することを含む請求項１〜８のいずれか１つに記載の方法。
10. 血清又は血漿部分を識別することは、複数のトレーニングセットから生成されたマルチクラス分類器に基づいて、最適に露光された画像データの画素を分類することに基づく請求項１〜９のいずれか１つに記載の方法。
11. 前記マルチクラス分類器は、サポートベクトルマシン又はランダム判定ツリーをさらに含む請求項１０に記載の方法。
12. 前記統計データに基づいて、アーチファクトが前記血清又は血漿部分の１つ以上の領域内に存在するか、又は前記血清又は血漿部分に存在しないかを分類することは、複数のアーチファクトトレーニングセットから生成された１つ以上の分類子に基づいている請求項１〜１１のいずれか１つに記載の方法。
13. 前記１つ以上の分類子は、凝塊、気泡及び泡それぞれのための別々の２進分類子を有する請求項１２に記載の方法。
14. 各波長についての前記最適に露光された画像データから前記最適に露光された画素の統計を計算することは、それぞれの波長からの対応する画素の集合から平均値、標準偏差、又は共分散のうちの少なくとも１つを計算することを含む請求項１〜１３のいずれか１つに記載の方法。
15. 前記キャプチャした画像内のバーコードを解読することに基づいて前記試料の固有性を判定することを含む請求項１〜１４のいずれか１つに記載の方法。
16. ３Ｄモデルを形成するために、前記試料の前記最適に露光された画像データを処理してセグメント化を行うことを含む請求項１〜１５のいずれか１つに記載の方法。
17. 前記分離された試料の血清又は血漿部分を識別することは、前記画像内の保持部の一部
    分を無視する請求項１〜１６のいずれか１つに記載の方法。
18. 試料容器内に収容された試料中のアーチファクトの存在を判定するように構成された品質チェックモジュールであって、
    前記試料容器の周りに配置され、複数の視点から前記試料容器の複数の画像をキャプチャするように構成され、複数の異なる露光時間及び複数の異なる波長で撮影された複数の画像を生成するようにそれぞれ構成された複数のカメラと、
    前記複数のカメラに接続され、前記画像から画像データを処理するように構成されたコンピュータであって、
    それぞれの波長において最適に露光された画像データを生成するために、前記異なる露光時間で前記画像から最適に露光された画素を選択し、
    統計データを生成するために、それぞれの前記波長で前記最適に露光された画素の統計を計算し、
    前記試料の血清又は血漿部分を識別し、
    前記統計データに基づいて、アーチファクトが血清又は血漿部分の１つ以上の領域内に存在するか、又は血清又は血漿部分に存在しないかを分類するように構成され操作可能な前記コンピュータと、
    を有し、
    前記アーチファクトは、凝塊、気泡及び泡を含む群の中から識別されることを特徴とする、
    品質チェックモジュール。
19. 試料容器内に収容された試料中のアーチファクトの存在を判定するように構成された検査装置であって、
    トラックと、
    前記試料容器を収容するように構成された前記トラック上のキャリアと、
    前記トラックの周囲に配置され、複数の視点から前記試料容器の複数の画像をキャプチャするように構成され、複数の異なる露光及び複数の異なる波長で複数の画像を生成するように構成された複数のカメラと、
    前記カメラに接続され、前記複数の画像から画像データを処理するように構成されたコンピュータであって、
    各波長に対して最適に露光された画像データを生成するために、前記異なる露光で前記複数の画像から最適に露光された画素を選択し、
    統計データを生成するために前記異なる波長で前記最適に露光された画素の統計を計算し、
    前記試料の血清又は血漿部分を識別し、
    前記統計データに基づいて、アーチファクトが前記血清又は血漿部分の１つ以上の領域内に存在するか、又は前記血清又は血漿部分には存在しないか、を分類するように構成され操作可能なコンピュータと、
    を有し、
    前記アーチファクトは、凝塊、気泡及び泡を含む群の中から識別されることを特徴とする、
    する検査装置。

Images