JP6858243B2 - 試料容器の容器キャップを識別するためのシステム、方法及び装置 - Google Patents

Description

関連出願の相互参照
本願は、２０１６年７月２５日提出の米国仮特許出願６２／３６６，３５０、名称「試料容器キャップを識別するためのシステム、方法及び装置」の優先権を主張し、この米国仮特許出願は、あらゆる目的でここに援用される。

また、本願は、２０１７年１月２４日提出の国際出願ＰＣＴ／ＵＳ２０１７／０１４７７３、名称「複数の横方向の視界から試料容器を識別するように構成された方法及び装置」に関連すると共にその優先権を主張し、この国際出願は、あらゆる目的でここに援用される。

本発明は生体試料検査において使用される検査前処理方法及び装置に関し、より詳しくは、試料容器の容器キャップの構成を決定するための方法及び装置に関する。

尿、血清、血漿、組織液、脳脊髄液などの試料中の分析物又はその他の成分を識別するために、自動検査システムは、１つ以上の試薬を使用してアッセイ（測定）又は臨床分析を行うことが可能である。利便性及び安全性の理由から、これらの試料は、ほぼ例外なく、容器キャップで蓋をできる試料容器（例えば血液採取管など）内に収容される。アッセイ／検査反応は様々な変化を発生させる。その変化を読み取り、場合によっては処置することによって、試料内に含まれる分析物又はその他の成分の濃度を決定することが可能であり、その濃度により患者の病状を示す場合もある。

自動化検査技術における改良は、ラボラトリーオートメーションシステム（ＬＡＳ）と呼ばれる自動化システムによる、仕分け、バッチ準備、試料成分分離のための試料容器の遠心分離、流体通路を容易とするための容器キャップの取り外し、試料容器運搬などの検査前試料準備及び取り扱い動作におけるそれぞれの進化を伴ってきた。ＬＡＳは、試料容器に入った試料を１つ以上の検査前試料処理ステーションに自動的に搬送することによって、分析を実行する前にそれに対して様々な処置を実行することができる。

これらのＬＡＳは、バーコードがラベル付けされた標準的な試料管に収容された様々な試料を数多く取り扱う場合が多い。このバーコードラベルは、検査オーダー及びその他の必要な情報とともに受け入れ番号を含む場合があり、この受け入れ番号は、病院のラボラトリー情報システム（ＬＩＳ）に入力され得る人口統計情報と相関可能である。操作者はラベル付けされた試料容器をＬＡＳシステムに設置し、ＬＡＳシステムは、遠心分離、キャップ取り外し、及び一定分量準備などの検査前処置のために試料容器を自動的に仕分けしてルートを決定する。これらはすべて、ＬＡＳの一部でもあり得る１つ以上の分析器による臨床分析を試料が実際に受ける前に実行され得る。

検査システムにおいて、分析を受けるために提示される試料容器は、様々な高さ及び様々な直径などの様々なサイズを有し、さらにゲルセパレーター、粉末ガラス凝固活性剤やトロンビン系活性剤などの凝固剤、エチレンジアミン四酢酸（ＥＤＴＡ）、ヘパリンナトリウムやリチウムなどの抗凝固剤、又は、クエン酸デキストロース（ＡＣＤ）、フッ化ナトリウム及びシュウ酸カリウムなどの抗解糖添加剤などの様々な物質を収容することが可能である。容器キャップ色は、様々な添加剤を識別するために利用可能であり、試料に対して実行される検査タイプ又は単純に管のタイプを示し得る。例えば、赤色の容器キャップは血清採取管を指すために使用される場合があり、一般に凝固活性剤などの凝固剤を含む場合が多く、さらにゲルセパレーターを含む場合もある。オレンジ色の容器キャップは、トロンビン系の凝固活性剤を含む場合があり、凝固が迅速に必要とされるＳＴＡＴ検査のためにも使用可能である。紫色などの抗凝固キャップ色はＥＤＴＡを含む場合があり、血液型の検査及び細胞数の計測のために使用される基本的な血液採取管を識別することも可能である。水色の容器キャップ色は凝固のためのクエン酸ナトリウムの添加及び血小板機能検査を識別することができる。緑色の容器キャップは、血漿検査のためのヘパリンリチウム／ナトリウムを含む管を識別することができる。黄色はポリアネトールスルホン酸ナトリウムを含む場合があり、細菌増殖及び微生物学的検査のために使用される場合がある。

ヒューマンエラーの傾向のために、検査室の技術者による視覚的な検査を使用することなく、自動化された方法によって容器キャップを含む試料容器のサイズ及びタイプを評価することが望ましい。さらに、試料容器は、試料容器に直接貼り付けられたバーコードラベルを含む場合がある。１つ以上のラベルは試料を部分的に遮蔽する場合があるため、試料の血清又は血漿部分を視覚的に観察する明確な機会がない場合がある。Ｍｉｌｌｅｒの特許文献１に記載されるような他のシステムでは、ラベルによって邪魔されないビューウィンドウを見つけるために試料容器を回転させた後、光学撮像システムを使用して試料容器の相対的サイズ及び容器キャップタイプを計測することが説明されている。ただし、そのようなシステムは簡単には自動化できない傾向にある。

米国特許出願公開２０１２／０１４０２３０

試料容器及び容器キャップのサイズ又はタイプの決定に際しての上記の難点を理由として、前スクリーニング処理の一部としてサイズ及びタイプを容易に決定するように構成された方法及び装置を求める必要性は、未だ満たされていない。前スクリーニングを実行する方法及び装置は、分析検査結果が得られる速度に対して顕著に悪影響を及ぼすべきではなく、すなわち検査処理全体の速度を顕著に低下させるべきではない。さらに、そのような方法及び装置は、ラベル付けされた試料容器に対して使用できなくてはならず、その回転が不要でなければならない。

一態様によれば、管、容器キャップ、及びラベルを少なくとも含む試料容器の容器キャップを識別する方法が提供される。該方法は、試料容器を撮像位置へ供給し、複数の異なる公称波長を使用すると共に該公称波長のそれぞれで異なる露光の長さ（露光時間）を適用して容器キャップの背面照明画像を撮像し、公称波長のそれぞれにおいて異なる露光の長さで撮像された複数の画像から、公称波長毎に最適露光画素を選択し、該選択した最適露光画素を利用して公称波長毎に最適露光の画像データセットを生成し、この生成した画像データセットの最適露光画素を、少なくとも管、容器キャップ、及びラベルのうちの１つであるとして分類し、この分類により容器キャップとして分類した最適露光画素と公称波長毎の画像データセットとに基づいて容器キャップの形状を識別することを含む。

他の態様によれば、管、容器キャップ、及びラベルを少なくとも含む試料容器の容器キャップを識別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。この品質チェックモジュールは、試料容器を受け入れるように構成された撮像位置の周辺の複数の視点に配置された複数のカメラであって、複数の異なる公称波長を使用すると共に該公称波長のそれぞれで異なる露光の長さ（露光時間）を適用して容器キャップの少なくとも一部の複数の背面照明画像を前記複数の視点から撮像するように構成された、複数のカメラと、当該複数のカメラに接続されたコンピュータとを含み、そのコンピュータは、公称波長のそれぞれにおいて異なる露光の長さで撮像された複数の画像から、公称波長毎に最適露光画素を選択し、該選択した最適露光画素を利用して公称波長毎に最適露光の画像データセットを生成し、この生成した画像データセットの最適露光画素を、少なくとも管、容器キャップ、及びラベルのうちの１つであるとして分類し、この分類により容器キャップとして分類した最適露光画素と公称波長毎の画像データセットとに基づいて容器キャップの形状を識別するように構成され動作可能である。

別の態様によれば、試料検査装置が提供される。この検査装置は、トラックと、該トラック上を移動可能な試料搬送機器であって、管、容器キャップ、及びラベルを少なくとも含む試料容器を搬送するように構成された試料搬送機器と、トラックに配置されて容器キャップを識別するように構成された品質チェックモジュールとを含み、品質チェックモジュールは、試料容器を受け入れるように構成された撮像位置の周辺の複数の視点に配置された複数のカメラであって、複数の異なる公称波長を使用すると共に該公称波長のそれぞれで異なる露光の長さ（露光時間）を適用して容器キャップの複数の背面照明画像を前記複数の視点から撮像するように構成されたカメラと、当該複数のカメラに接続されたコンピュータとを含み、そのコンピュータは、公称波長のそれぞれにおいて異なる露光の長さで撮像された複数の画像から、公称波長毎に最適露光画素を選択し、該選択した最適露光画素を利用して公称波長毎に最適露光の画像データセットを生成し、この生成した画像データセットの最適露光画素を、少なくとも管、容器キャップ、及びラベルのうちの１つであるとして分類し、この分類により容器キャップとして分類した最適露光画素と公称波長毎の画像データセットとに基づいて容器キャップの形状を識別するように構成され動作可能である。

本発明の他の態様、特徴及び利点は、本発明を実施するにあたり熟慮されたベストモードを含む数多くの実施形態及び実施例を例示することによって、以下の説明から容易に明らかとなる。本発明の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修正可能である。したがって、図面及び明細書は本質的に例示目的とみなすべきものであり、限定的としてみなすべきではない。本発明は、特許請求の範囲に入るすべての修正、同等物、及び代替案に及ぶ。

以下に説明する図面は例示目的に過ぎず、正確な縮尺率ではない。図面は、いかなる場合においても本発明の範囲を限定することを意図したものではない。図面全体において、同様の番号は同様の要素を指すものとする。
図１は、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及び１つ以上の分析器（臨床化学又はアッセイ器具）を含む試料検査装置の上面図を示す。 図２は、１つ以上の実施形態による、寸法定量化方法によって定量化可能な、分離された試料を含むラベル付けされた試料容器の側面図を示す。 図３は、１つ以上の実施形態による、寸法定量化方法によって定量化可能な、分離された試料を含むラベル付けされた試料容器の側面図を示す。 図４Ａは、１つ以上の実施形態による、複数の画像を撮像及び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（図示を容易にするためハウジング上部は取り除いてある）。 図４Ｂは、１つ以上の実施形態による、図４Ａの品質チェックモジュールの概略側面図を示す（図示を容易にするためハウジング側部は取り除いてある）。 図４Ｃは、１つ以上の実施形態による、複数の画像を撮像及び分析するように構成された代替の品質チェックモジュールの概略上面図を示す（図示を容易にするためハウジング上部は取り除いてある）。 図４Ｄは、１つ以上の実施形態による、図４Ｃの品質チェックモジュールの概略側面図を示す（図示を容易にするためハウジング側部は取り除いてある）。 図５は、１つ以上の実施形態による、試料容器を定量化するように適応された品質チェックモジュールの機能的構成要素のフローチャートを示す。 図６は、１つ以上の実施形態による、試料容器を定量化するように適応された上位の撮像方法のフローチャートを示す。 図７は、１つ以上の実施形態による、試料容器を定量化する方法のフローチャートを示す。 図８は、１つ以上の実施形態による、異なる露光の長さにおいて白色光を用いて撮像された第１の容器キャップ例を含む容器の一連の画像を示す。 図９は、１つ以上の実施形態による、異なる露光の長さにおいて赤色光を用いて撮像された第１の容器キャップ例を含む容器の一連の画像を示す。 図１０は、１つ以上の実施形態による、異なる露光の長さにおいて緑色光を用いて撮像された第１の容器キャップ例を含む容器の一連の画像を示す。 図１１は、１つ以上の実施形態による、異なる露光の長さにおいて青色光を用いて撮像された第１の容器キャップ例を含む容器の一連の画像を示す。 図１２は、１つ以上の実施形態による、異なる露光の長さにおいて白色光を用いて撮像された第２の容器キャップ例を含む容器の一連の画像を示す。 図１３は、１つ以上の実施形態による、異なる露光の長さにおいて赤色光を用いて撮像された第２の容器キャップ例を含む容器の一連の画像を示す。 図１４は、１つ以上の実施形態による、異なる露光の長さにおいて緑色光を用いて撮像された第２の容器キャップ例を含む容器の一連の画像を示す。 図１５は、１つ以上の実施形態による、異なる露光の長さにおいて青色光を用いて撮像された第２の容器キャップ例を含む容器の一連の画像を示す。

第１の広範な態様において、本発明の実施形態は、外部及び内部の両方から、試料容器の容器キャップの形状及び寸法など、容器キャップの物理的属性を判断するように構成され動作することが可能（動作可能）な撮像方法及び装置を提供する。１つ以上の実施形態において、本方法は、容器キャップの存否を判断し、容器キャップの内部構造及び外部構造の形状に基づいて容器キャップタイプと容器キャップ色のどちらか又は両方を識別することが可能である。１つ以上の実施形態において、さらに、試料容器の保持装置を識別することによって、特徴付けにおけるその影響を除去する、又は少なくとも最小限に抑えることができる。

臨床ラボ自動化手順における課題は、試料の容器（試料容器）の全体論的な特徴付けである。特に、試料容器タイプの強固な（ロバストな）判別、すなわち容器キャップタイプ及び試料容器タイプ自体の分類は、診断自動化及び強固な意思決定にとって最重要である。例えば、分析中の予測される液体構造に関する重要な情報を与える。通常、試料容器は様々な紙タグ（例えば、製造者紙タグやバーコードなどを有するタグ）が貼り付けられている。試料容器タイプに関連した特徴は遮蔽されているため不可視で正確な判断のためには使用できないことから、その現実世界での状況が分類を困難にしている。ＲＧＢ形式の写真（例えば、白色光照明下での撮像）は、色と形状のどちらか又は両方の情報に基づいた分類を実行するために使用可能である。様々な特徴表現が判別のために利用可能であり、色ベース又は傾きベースの特徴は、高度に研究された機械学習技術（すなわち、ＳＶＭ、決定木、ニューラルネットワークなど）を使用した分類の根拠を提供し得る。ただし、異なる試料容器タイプ及び容器キャップタイプの間での眼で見える偏差はわずかな場合があるため、強固に分類することは難しい。さらに、紙タグによる遮蔽など現実世界の状態が、従来の照明、例えば周辺照明又は前面照明を使用しての課題解決を困難にしている。

本発明の実施形態は、（１）可視の容器キャップを、事前に定義して訓練した容器キャップタイプのプールから抽出した一意のタイプに分類し、（２）試料容器タイプを、訓練した試料容器の一意のタイプに分類することによって、試料容器及び容器キャップを強固に特徴付ける、光学的且つ自動的で非接触の方法を提供する。容器キャップのプールは、容器キャップ色（単色又は二色モード）及び幾何学的形状などの様々な外見をした３０以上の異なるタイプ（例えばキャップされた試料容器、ＴＴＳＣ（ｔｕｂｅ ｔｏｐ ｓａｍｐｌｅ ｃｕｐ：管上部試料カップ）又は通常の試料容器など）を含み得る。多くの場合、様々な容器キャップタイプの判別はかなり単純であるが、いくつかのタイプは、例えば通常の（前面）照明下では不可視の内部構造など、詳細を考慮してのみ判別可能である。試料容器タイプ自体は材料及び構造において様々に異なる。一般的には通常の試料容器が使用されるが、キャピラリー試料容器や二重底の試料容器がシステムに提示される場合がある。いくつかの実施形態において、試料容器が識別される前にすべての試料容器タイプが既知であるものと仮定する。

本発明の実施形態は、異なる露光の長さ（露光時間）において異なる公称波長（波長範囲）の高輝度照明（例えば白色光）を透過させる試料容器材料の物理的特性を使用する。光源は試料容器の背後に配置されるため、撮像画像の各容器キャップの画素は、所定の露光時間（すなわち長さ）及び波長で容器キャップ材料を透過した光量を符号化している。試料容器の内部構造は一意のサインを生成（紙タグなどの繊維質の材料を通してでも生成）するため、機械学習ベースの手続時には判別のために使用可能である。

典型的に、光（複数の波長からなる）が材料にぶつかると、光の成分はその材料によって吸収、散乱、透過し得る。光源が固定の場合、この効果の振る舞いは使用される材料に応じて変化する。光の透過を可能とする材料、すなわちＴＴＳＣ（管上部試料カップ）又は容器キャップのない試料容器に使用されるガラスのような材料は透光性である。不透明な材料は、すなわち暗い色の固形キャップ又はある数の紙タグが重なったものなどは、いずれの光波周波数も透過できない。大部分の材料は特定の光周波数の吸収において選択的である材料からなり、すなわちスペクトルの一部を吸収する（すなわち、異なる容器キャップの主要グループ（例えば有色のプラスチック系材料）、変形の主要グループ、繊維質材料（例えば紙タグ）がある）。

詳細には後述するが、特定の露光の長さにおいて、内部試料容器構造は可視であり（例えば紙タグを通してでも可視）、そのため容器キャップタイプを含む異なる試料容器タイプ間における判別のために使用可能である。特に、本発明の実施形態は、紙タグが試料容器の大部分を遮蔽し得る二重底の試料容器を識別する点で大きな利点を有する。したがって、照明のための光エネルギーが特定の量に達すると、判別対象の内部構造の視覚化が可能となり、さらに異なる材料色における波長特定の反応に応じた特定のパターンを提示する。試料容器は、様々な露光時間及び波長における背面照明を透過させる。長い露光時間で撮像されたパッチは、紙タグを通してでも内部キャップ構造を視覚化する上で明確な助けとなる。白色光照明を使用可能であるが、異なる公称波長を用いた照明からの反応の合成も使用可能である。複数の色反応があれば、試料容器タイプの異なる色の判別が容易になる。いくつかの実施形態において、１つ以上のカメラセンサを用いて十分な光エネルギーを収集するために様々な露光時間が使用される。

試料容器の特徴付けは、容器キャップを含む試料容器の広範囲にわたる３６０度の視界を撮像するように構成されたシステムによって得られた画像を使用することによって実行される。このような仕組みは、個別であるがわずかに重なっている画像をシステムに供給する。個々の画像は、死角を避けるように異なる視点から容器キャップを含む試料容器の横方向のビューを示す。いくつかの実施形態において、照明はＬＣＤパネルによって制御される。試料容器はカメラとＬＣＤパネルとの間に配置される。さらに、本方法のいくつかの実施形態において、試料容器がとり得る位置又は方向に関して条件とされる前提はない。試料容器の３６０度の観察結果が利用可能となることによって、遮蔽に対する一貫した分類が可能となり、さらに複数のビューからの意思決定を改善するために冗長な試料容器の観察結果（すなわち重複した領域）を作成する。例えば、個々の分類は、３つの異なる視点と、その３つの観察結果を集約した結果とから実行可能である（例えば、Late Fusion）。いくつかの実施形態において、単一の分類処理の際に３つのビューを組み合わせて共に使用できる（例えばEarly Ffusion）。

試料容器タイプの分類のために、本発明の実施形態では、規定の露光の長さで撮像された多重スペクトル画像のスタックを使用できる。多重スペクトル画像は、赤色部、緑色部、青色部を示すそれぞれの色（吸収及び反射）に応じた様々な波長（及びかなり小帯域幅）において収集された画像からなっていてもよい。また、結果として従来のＲＧＢ画像となる（例えば３層の情報）白色光構成を用いて入力画像となり得る画像を収集してもよい。

いくつかの実施形態において、前処理工程から、容器キャップ部を残して試料の容器の試料容器部をマスクしたバイナリ画像が想定される。このマスクは、基準画像と試料を示した観察結果とを使用することによって生成することができる。基本的な差及び閾値の演算によって結果的にバイナリマスクが得られる。このバイナリマスクは、例えば容器キャップのみを示す矩形の二次元パッチの抽出を目的とする。可能な正規化画像パッチのサイズは、２００×２００画素でもよい。この画像パッチのサイズは、検査時の処理時間に影響する場合がある。例えば、画像毎に約１００ｍｓ以下の範囲の応答時間が実現可能である。試料容器タイプの分類のため、関連領域の抽出を試みる代わりにバイナリマスク全体を使用可能である。

容器キャップタイプ及び試料容器タイプの両方の分類のため、教師あり機械学習方法を使用可能である。この方法は、訓練段階（訓練フェーズ）及び試験段階（試験フェーズ）を含む。分類における効率と確実な最新技術の結果を理由として、「深層学習」に基づく分類技術を適用可能である。この場合の「深層学習」において、第１の層は入力として正規化画像パッチをとり、出力層はクラスラベルを供給し、すなわち容器キャップタイプ又は試料容器タイプの一方に対する決定を実現する。いくつかの実施形態において、Ｗ×Ｈ×３のサイズの画像パッチが考えられる。この場合、３層の情報が白色光照明から直接生成されるか、もしくはＲ・Ｇ・Ｂ色を示す３つの異なる波長反応から構成される。

いくつかの実施形態において、畳み込みニューラルネットワーク（ＣＮＮ）が使用される。例えば、試料容器関連の認識の文脈において、「ＬｅＮｅｔ」の拡張版を画像分類のために使用可能である。「深層学習」のその他の利点は、訓練処理中の大量のデータを取り扱う機能であり、それによってデータのサンプル化を回避する。

「深層学習」は、考慮された訓練データから判別可能な特徴表現を直接生成する優れた処理能力を示してきた。それによって、事前に特定の特徴記述子を設計する必要がない。特に、背面照明された試料容器を使用することによって視覚化される微細構造は弁別力を提供可能であるため、「深層学習」は試料容器分類の課題解決に対して有効である。

訓練段階において、分類器はターゲットのグランドトゥルースラベルを使用する。これらのラベルは試料容器のレベルで生成可能であり、これは試料毎にシステムが容器キャップのタイプを説明するのに対応する単一の一意のラベルを前提とすることを意味する。訓練処理の間、ネットワークパラメータ（すなわち重み付け）の勾配降下最適化を用いることによって損失関数が最小限に抑えられ、例えば、グランドトゥルース訓練ラベルを考慮した場合にネットワークによってなされるエラーを最小限に抑える。検査／分類段階においては、各画像パッチは、ネットワークを介して解析され、それぞれの特定の容器キャップクラス又は試料容器タイプクラスに対する信頼値が最終的に割り当てられる。最終的なオブジェクトクラスは、信頼値のセットの最大点集合化を行うことによって抽出可能である。試料容器観察結果に対する最終決定を生成するために、複数のビューにおける集約が考慮されてもよい。

本発明の実施形態は、多数の異なる容器キャップタイプ（例えばタイプの数は３０種以上）を判別するための画像ベース及び非接触の分類、複雑な試料容器タイプを判別するための画像ベース及び非接触の分類、様々な波長による背面照射を用いた容器キャップタイプの自動ソフトウェアベースの分類、様々な波長による背面照射を用いた試料容器タイプの自動ソフトウェアベースの分類、高エネルギー照明に起因して視覚化された内部構造を用いての容器キャップタイプの自動ソフトウェアベースの分類、高エネルギー照明に起因して視覚化された内部構造を用いての試料容器タイプの自動ソフトウェアベースの分類、試料容器材料の物理的特性に基づいた判別、試料容器及び容器キャップタイプの効率的な分類のためにデータ特定の特徴表現の学習を実現する。

試料容器の幅（Ｗ）が既知であれば試料の様々な部分の定量化（例えば、量又は深さ）に使用でき、例えば血清もしくは血漿部、沈殿血液部、又はその両方の定量化などに使用できる。正しい試料容器がオーダーされた検査に対して使用されたかを検証するため、又は、オーダーされた検査が試料容器内に存在する添加剤によって悪影響を受けないことを確認するため、あるいはこれら両方のために、容器キャップタイプと容器キャップ色のどちらか又は両方をＬＩＳからの検査要求と相関させてもよい。試料容器の高さ（ＨＴ）をロボットシステムが使用することによって、吸引システムのピペットの基準高さを設定し、試料容器とピペットとの衝突を最小限にすることもできる。さらに、ＨＴを使用することによって、ロボットの把持部が試料容器を適切に把持可能となる。

本明細書で説明するような試料は、血液採取管などの試料容器に採取される場合があり、分画（例えば遠心分離による分離）後の血清及び血漿部及び沈殿血液部を含む場合がある。沈殿血液部は白色血液細胞（白血球）、赤色血液細胞（赤血球）及び血小板などの血液細胞からなり、通常遠心分離にかけられて血清又は血漿部から凝集して分離される。沈殿血液部は、試料容器の下部で一般に見られる。血清又は血漿部は、沈殿血液部の一部ではない、血液の液体構成要素である。一般に沈殿血液部の上に見られる。

血漿及び血清は、主にフィブリノーゲンである凝集成分の含有量が異なる。血漿は凝固しない液体である一方、血清は内因性の酵素又は外因性の成分などの凝固剤の影響を受けて凝固が可能であった血漿を指す。血清又は血漿部は、凝固剤に露出されたかに応じて血清又は血漿からなる。場合によって、血液試料は抗凝固剤に露出される場合がある。いくつかの試料容器においては、少量のゲルセパレーターが使用される場合があり、そのようなゲルセパレーターは遠心分離時の沈殿血液部と血清又は血漿部との間に一般に位置する。２つの部分間の分離バリアの役割を果たす。

１つ以上の実施形態によれば、この方法は、検査前検査方法として、すなわち臨床分析器又はアッセイ器具での分析を実行する前の前スクリーニング方法として実行することもできる。１つ以上の実施形態において、この方法は、試料がアーチファクト（例えば、塊、気泡、又は泡）の存否と干渉成分（例えば、溶血、黄疸、又は脂肪血症（ＨＩＬ））の存否のどちらか又は両方を調べるために定量化及び特徴付けされる前又はそれと同時に実行可能である。これによって、１つ以上の実施形態において、本発明は、さらなる検査前検査のため、又は品質チェックモジュールにおける物理的寸法の事前検査後の分析検査のために、容器キャップを含む試料容器の寸法の有効な特徴付けを実現する。

１つ以上の実施形態において、本方法は、試料容器の容器キャップの物理的構造を決定する際の支援となるようにハイダイナミックレンジ（ＨＤＲ）画像処理を使用する。当然ながら、いくつかの実施形態において、ＨＤＲ画像処理を使用して、血清又は血漿部と他の血液成分のどちらか又は両方の様々な物理的境界の場所の識別を行ってもよい。

いくつかの実施形態において、寸法特徴付け方法を実行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、ロボット又は搬送機構が上記のような試料容器に収容された試料を品質チェックモジュールへ搬送する場所に設けることができる。いくつかの実施形態において、品質チェックモジュールは搬送トラック上に設けられてもよい。この場合、搬送トラックは、分析（例えば分析検査又はアッセイ）のために試料を遠隔位置に搬送する。化学分析又はアッセイは適切な分析器で行われてもよい。本明細書で使用されるような「分析器」という用語は、臨床化学分析器やアッセイ器具などを意味する。いくつかの実施形態において、品質チェックモジュールがトラック上に設けられることによって、試料容器は、入力レーン又はトラック上の他の場所など、トラック上に存在していながら寸法の特徴付けがなされてもよい。

１つ以上の実施形態において、処理後のＨＤＲデータを寸法特徴付けのために使用してもよいが、量定量化、アーチファクト検出、ＨＩＬ検出のいずれか１つ以上のためにも使用され得る。本明細書における寸法定量化方法で使用されるすべての撮像画像は、複数の画素を含む画素化された画像である。本明細書で使用されるような画素は、単一画素又はスーパーピクセルなどの画素のグループを意味する。１１個の個別画素×１１個の個別画素のサイズを有するスーパーピクセルは、スキャニングや処理などに有効に働くことがわかっている。その他の適切なサイズのスーパーピクセルが使用されてもよい。

本発明の１つ以上の実施形態のある側面において、血清又は血漿部の深度又は量、さらに場合によっては沈殿血液部の深度又は量を決定するために、セグメンテーションから得られた境界情報とともに、寸法特徴付けから得られた試料容器の幅（Ｗ）に関するデータを使用可能である。

ＨＤＲ処理を含む特徴付け方法は、異なる公称波長を有する複数の異なる光によって照明され、さらには複数の視点からの複数の露光（例えば露光の長さ）における、品質チェックモジュールでの複数の画像の撮像を含んでもよい。いくつかの実施形態において、画像は品質チェックモジュール内に配置された複数のカメラで撮像してもよい。本明細書で使用されるような「カメラ」は、分析のための画像（例えばデジタル画像）を撮像可能なあらゆる装置を意味する。

複数のカメラによって撮像された画像は、その後、容器キャップの形状及び寸法を決定するためにコンピュータによって処理され、試料の深度と量のどちらか又は両方を定量化するために使用可能である。セグメンテーション処理の間、画像のそれぞれにおける各画素に対して、使用される波長毎に最適な画像輝度（すなわち最適な露光）を示す画素が選択され、その他の画素位置からの他の最適な画素と合成されて強化画像データセットを生成する。その結果として、画素のすべてが最適に露光されている（例えば、色（例えば、Ｒ、Ｇ及びＢ）毎に１つの画像データセット）、複数の正規化強化画像データセット（例えば赤（Ｒ）、緑（Ｇ）、青（Ｂ））が得られる。

正規化された強化色データセットからのデータは、画素毎の統計データ（例えば、平均及び共分散行列）を決定する統計的分析にかけることができる。「共分散」は、輝度などの画素属性のうちの２つ以上の属性がどのくらい相関しているかの大きさである。その後、この１つ以上のデータ行列の形態をした統計データはマルチクラス分類器によって演算可能である。これから、容器キャップの形状が分類可能である。特に、容器キャップの外部形状及び構造が識別可能である。さらに、容器キャップの内部形状及び構造、容器キャップのタイプ、容器キャップの色も判断可能である。

マルチクラス分類器を使用して上記のセグメンテーションのタスクを実行してもよい。この分類器は、複数の訓練セットから訓練された、例えばサポートベクターマシン（ＳＶＭ）又はランダム決定木でもよい。ただし、その他のタイプの分類器を使用してもよい。

容器キャップを含む試料容器の寸法は、セグメンテーション処理からの出力に基づいて決定可能である。液体部分（すなわち血清又は血漿部）は分類器によっても定義可能であり、寸法特徴付け方法によって取得された幅（Ｗ）とともに境界データを使用することによって、液体部分（例えば血清又は血漿部）の量を決定することができる。

本発明の寸法特徴付け方法、品質チェックモジュール、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を図１〜図１５を参照して説明する。

図１は、１つ以上の分析器（例えば試料検査装置１００に関して配置された第１、第２、及び第３の分析器１０６，１０８，１１０）による分析の前に積載領域１０５に設けられた１つ以上のラック１０４に収容され得る試料容器１０２のうちの複数の試料容器を自動的に処理する能力をもち動作可能な試料検査装置１００を示す。なお、使用可能な分析器の数は上記よりも多くても少なくてもよいことは明らかである。分析器は、１つ以上の臨床化学分析器、１つ以上のアッセイ器具、これらと同様のもの、又はその組み合わせでもよい。試料容器１０２は、血液採取管など、一般に透明又は半透明の容器であり得る（図２参照）。

典型的に、自動処理対象の試料２１２（図２）は、容器キャップ２１４（図２、ストッパとも呼ばれる）をする場合もある試料容器１０２に入って試料検査装置１００に供給される。容器キャップ２１４は、様々な形状、外部構造、内部構造及び色（例えば、赤、ロイヤルブルー、水色、緑色、灰色、黄褐色、黄色又はその他の色）を有する。色は、実行される検査、又は場合によっては試料容器１０２に入れて供給される添加剤に関する有用な情報を提供する。試料容器１０２のそれぞれは、バーコード、アルファベット、数字、文字数字式表示又はその組み合わせなど、試料検査装置１００に関して様々な位置で機械判読可能な識別情報２１５を提示可能な管２１２Ｔを含んでもよい。識別情報２１５は、患者の個体情報識を示し、場合によっては例えば試料２１２に対して実行される検査を示す。識別情報２１５は、オーダーされた検査などに関する追加情報を提供するためにラボラトリー情報システム（ＬＩＳ）１４７と連係する。このような識別情報２１５は、一般に、試料容器１０２に貼り付けられるか、その側部に設けることが可能なラベル２１８で提供される。ラベル２１８は、一般に、試料容器１０２の全周、全長を覆って設けられることはない。したがって、ラベル２１８は試料２１２の一部を遮蔽する場合があるが、試料２１２の一部は可視として残される。いくつかの実施形態において、複数のわずかに重なったラベル２１８が存在する場合がある。いくつかの実施形態において、ラック１０４は、追跡のために使用可能な追加の識別情報をその表面上に有する。

分画後、試料２１２は管２１２Ｔ内に収容された状態で血清又は血漿部２１２ＳＰ及び沈殿血液部２１２ＳＢを含み得る。空気２１２Ａが血清及び血漿部２１２ＳＰの上に供給されており、空気２１２Ａと血清又は血漿部２１２ＳＰとの間の境界線は、ここでは液体−空気界面（ＬＡ）として定義される。血清又は血漿部２１２ＳＰと沈殿血液部２１２ＳＢとの間の境界線は、ここでは血清−血液界面（ＳＢ）として定義される。空気２１２Ａと容器キャップ２１４との間の界面は、ここでは管−キャップ界面（ＴＣ）と呼ばれる。管の高さ（ＨＴ）は、管２１２Ｔの物理的最下部から容器キャップ２１４の下縁までの高さとして定義される。血清又は血漿部２１２ＳＰの高さ（ＨＳＰ）は、沈殿血液部２１２ＳＢの上端から血清又は血漿部２１２ＳＰの上端まで、すなわちＳＢからＬＡまでの高さとして定義される。沈殿血液部２１２ＳＢの高さ（ＨＳＢ）は、沈殿血液部２１２ＳＢの下端から沈殿血液部２１２ＳＢの上端までの高さとして定義される。図３などのゲルセパレーター３１３が使用される実施形態において、血清又は血漿部２１２ＳＰとゲルセパレーター３１３との間の界面（ＳＧ）が存在する。同様に、沈殿血液部２１２ＳＢとゲルセパレーター３１３との間の界面（ＢＧ）が存在する。この場合、ＨＴＯＴはＨＳＢにＨＳＰを加算したものである。Ｗは管２１２Ｔの幅である。

詳細には、試料検査装置１００は、トラック１２１が取り付けられる、又はそれが支持される基部１２０（例えばフレーム又はその他の構造）を含んでいる。トラック１２１は、レール状トラック（例えばモノレールトラック又は複数レールトラック）、ベルトコンベアの集合、チェーン、可動プラットフォーム、又はその他の適切な搬送機構である。トラック１２１は円形、蛇行形、又はその他の形状を有し、いくつかの実施形態において閉トラック（すなわち循環トラック）でもよい。トラック１２１は、搬送機器１２２に載せてトラック１２１上を運搬可能な試料容器１０２を個々に搬送し、又はいくつかの実施形態において試料容器１０２を複数搬送する。試料容器１０２は、トラック１２１を移動可能な搬送機器１２２の置き場で受け入れられるように構成可能である。

１つ以上の実施形態において、搬送機器１２２は単一の試料容器１０２を運ぶように構成された吸盤でもよい。いくつかの実施形態において、搬送機器１２２は、プログラミングされた命令に従って停止及び発進しながらトラック１２１に関して試料容器１０２を移動するように構成されたリニアモータなどの搭載型（オンボード）ドライブモータを含んでもよい。搬送機器１２２は、それぞれ、規定の直立姿勢で試料容器１０２を保持及び固定するように構成された保持具１２２Ｈを含んでもよい。保持具１２２Ｈは、３つ以上の薄いリーフスプリング又はフィンガを含む。

いくつかの実施形態において、搬送機器１２２は、１つ以上のラック１０４を有する積載領域１０５から出発する。積載領域１０５は、処理後に搬送機器１２２から試料容器１０２を降ろすことができる二重機能を提供し得る。ロボット１２４が積載領域１０５に設けられ、１つ以上のラック１０４から試料容器１０２を把持し、例えばトラック１２１の入力（投入）レーン上などの搬送機器１２２に試料容器１０２を移動させて積載するように構成される。入力レーンは、トラック１２１の主要部の一部又はトラック１２１からの分岐部でもよい。ロボット１２４は、さらに、検査完了に際して搬送機器１２２から試料容器１０２を取り出すように構成可能である。ロボット１２４は、Ｘ及びＺ、Ｙ及びＺ、Ｘ、Ｙ、及びＺ、又はγ及びθ運動が可能なロボットアーム又は部品を１つ以上（例えば少なくとも２つ）含み、この場合、ロボット１２４は試料容器１０２を持ち上げて配置するように構成されたロボットクランプフィンガを備え得る。ただし、あらゆる適切な種類のロボット１２４を使用可能である。

ロボット１２４によってトラック１２１に搬入されると、搬送機器１２２によって搬送される試料容器１０２は、遠心分離機１２５（例えば、試料２１２の分画を実行するように構成された自動遠心分離機）に進み、いくつかの実施形態においては、流入レーン１２６によって遠心分離機１２５へ分岐する。遠心分離後、試料容器１０２は流出レーン１２８から出てトラック１２１に進む。いくつかの実施形態において、搬送機器１２２は品質チェックモジュール１３０に移動する。これについて図４Ａ〜４Ｄを参照してさらに説明する。場合によっては、遠心分離は事前に済んでおり、試料容器１０２に収容された試料２１２は入力レーンの一部などの積載領域１０５に配置された品質チェックモジュール１３０に直接搬入される。

品質チェックモジュール１３０は、試料検査装置１００による処理対象の試料２１２を収容する試料容器１０２（容器キャップ２１４を含む）の物理的属性を自動的に決定／特徴付けるように構成される。特徴付けは、管のサイズ、容器キャップタイプ、容器キャップ色のいずれか１つ以上の特徴付けを含む。特徴付けが行われると、試料２１２は試料２１２の深度と量のどちらか又は両方を決定するために特徴付けされ、ＨＩＬと１つ以上のアーチファクトの存在のどちらか又は両方によって選別され得る。ＨＩＬとアーチファクトのどちらか又は両方が全く含まれないと判断された場合、試料２１２はトラック１２１に進んだ後、１つ以上の分析器（例えば、第１、第２、第３の分析器１０６，１０８，１１０）で分析されて、該各試料容器１０２は、積載領域１０５に戻って降ろされる。

いくつかの実施形態において、容器キャップ２１４を含む試料容器１０２の物理的属性の定量化は、品質チェックモジュール１３０で行われる（すなわち、ＨＴ、容器キャップ色、容器キャップタイプ、ＴＣ、管タイプ、Ｗのいずれか１つ以上の決定が行われる）。いくつかの実施形態において、試料２１２の定量化は品質チェックモジュール１３０で行われ、ＨＳＢ、ＨＳＰ、ＨＴＯＴの決定を含み、ＳＢ、ＬＡ、ＳＧ、ＢＧのいずれか１つ以上の垂直位置の決定も含む。後述するように、保持具１２２も識別可能であるが、様々な画像を後で処理する際には無視可能である。

さらに、遠隔ステーション１３２が試料検査装置１００のトラック１２１に直接連結されていない場合でも、自動化試料検査装置１００によるサービスの提供を受けることができる。例えば、独立ロボット１３３（破線で示す）が、遠隔ステーション１３２まで試料容器１０２を運び、検査／処理後にそれらを返す。場合によっては、試料容器１０２は手作業で取り出し、返却することも可能である。遠隔ステーション１３２は溶血レベルなどの特定の成分を検査するために使用可能であり、追加の処理を加えて脂肪血症レベルを低下させる、又は例えば塊、気泡、泡などの試料２１２において発見されたアーチファクトを取り除くなどのさらなる処理のために使用可能である。その他の検査又は処理を遠隔ステーション１３２において実現可能である。

試料検査装置１００は、トラック１２１周辺の１つ以上の場所に複数のセンサ１１６を含む。センサ１１６は、試料容器１０２に配置された識別情報２１５（図２）又はバーコードなどの各搬送機器１２２に設けられた同様の情報（不図示）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の位置を検出するために使用される。搬送機器１２２の位置を追跡するために他の手段を使用してもよい。センサ１１６のすべてはコンピュータ１４３とインタフェース接続しているため、試料容器１０２及び試料２１２の位置は常に既知である。コンピュータ１４３は既知の方法でＬＩＳ１４７とインタフェース接続及び通信可能である。

遠心分離機１２５及び分析器１０６，１０８，１１０のそれぞれは、一般に、トラック１２１から搬送機器１２２を取り出すように構成されたロボット機構と流入レーン（例えば流入レーン１２６，１３４，１３８，１４４）のどちらか又は両方と、さらには搬送機器１２２をトラック１２１に再進入させるように構成されたロボット機構と流出レーン（例えば、流出レーン１２８，１３６，１４１，１４６）のどちらか又は両方とを備えている。

試料検査装置１００は、マイクロプロセッサベースの中央演算処理部ＣＰＵを含むコンピュータ１４３によって制御され、適切なメモリ、ソフトウェア、及び様々なシステム構成要素を動作させるための適切な調節電気機器及びドライバを有する。コンピュータ１４３は、試料検査装置１００の基部１２０の一部に収納されるか、又は分離されている。コンピュータ１４３は、積載領域１０５への搬送機器１２２の移動及びそこからの移動、トラック１２１に関する動作、遠心分離機１２５への移動及びそこからの移動、遠心分離機１２５の動作、品質チェックモジュール１３０の動作とともに品質チェックモジュール１３０への移動及びそこからの移動、及び各分析器１０６，１０８，１１０への移動及びそこからの移動、さらには場合によっては様々なタイプの検査（例えばアッセイ、臨床化学などの１つ以上）を実行する各分析器１０６，１０８，１１０の動作を制御するように動作する。

品質チェックモジュール１３０以外のすべてに対して、コンピュータ１４３は、ニューヨーク，TarrytownのSiemens Healthcare Diagnostics Inc.によって販売されているＤｉｍｅｎｓｉｏｎ（登録商標）臨床化学分析器で使用されているようなソフトウェア、ファームウェア、ハードウェアコマンド又は回路のいずれか１つ以上に従って試料検査装置１００を制御することが可能であり、当該制御はコンピュータベースの電気機械的な制御プログラミングの当業者にとっては一般的であり、ここでは詳述しない。ただし、試料検査装置１００を制御するためのその他の適切なシステムも使用可能である。試料容器及び容器キャップの特徴付けを行うための品質チェックモジュール１３０の制御はコンピュータ１４３によって実現可能であるが、本モデルベースの方法によるものであり、本明細書で詳述する。場合によっては、コンピュータ１４３に接続された個別のコンピュータによっても実現可能である。

本発明の実施形態は、ユーザが様々な制御及び状態表示画面に容易かつ迅速にアクセス可能なコンピュータインタフェースモジュール（ＣＩＭ）１４５を使用して実現可能である。これらの制御及び状態画面は、試料２１２の準備及び分析のために使用される複数の相互関係のある自動化装置の一部又はすべての態様を説明してもよい。ＣＩＭ１４５は、複数の相互関係のある自動化装置の動作状態に関する情報とともに、試料２１２の位置と試料２１２に実行される、もしくは実行されているスクリーニング又は検査の状態を説明する情報を供給するように使用される。ＣＩＭ１４５は、操作者と試料検査装置１００との間の相互作用を容易とするように構成可能である。ＣＩＭ１４５は、操作者が試料検査装置１００とインタフェース接続可能なアイコン、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む。このメニューは、試料検査装置１００の機能面を表示するようにプログラミングされた複数の機能ボタンを含んでいる。

図４Ａ〜図４Ｂを参照して、品質チェックモジュール１３０の第１の実施形態を図示及び説明する。品質チェックモジュール１３０は、容器キャップ２１４を含む試料容器１０２の物理的構造（例えばサイズ）を自動的に特徴付けるように構成される。寸法及び構造特徴付け方法は、分析器１０６，１０８，１１０のうちの１つ以上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によって実行され得る。これにより、試料容器のサイズ及び容器キャップの形状及び構造は、以降の処理に対して既知となる。品質チェックモジュール１３０は、試料容器１０２を定量化するため、すなわちＴＣの位置、ＨＴ、試料容器１０２のＷ及びＷｉのどちらか又は両方、そして、容器キャップ２１４の色、内部構造、外部構造、タイプのいずれか１つ以上など、試料容器１０２の所定の物理的寸法特徴の定量化のために使用可能である。保持具１２２Ｈを後で画像を処理する際に無視し得るように、品質チェックモジュール１３０は保持具１２２Ｈを定量化するためにも使用される。

試料容器及び容器キャップ定量化方法に加えて、品質チェックモジュール１３０で、試料容器１０２に収容された試料２１２に対して他の検出方法も実行し得る。例えば、品質チェックモジュール１３０は、試料２１２を定量化する、すなわち試料２１２の所定の物理的寸法特徴（例えば、ＬＡ、ＳＢ、ＳＧ、ＢＧの１つ以上の物理的位置、ＨＳＰ、ＨＳＢ、ＨＴＯＴの１つ以上の判断、血清又は血漿部（ＶＳＰ）の量と沈殿血液部（ＶＳＢ）の量のどちらか又は両方）を決定するためにも使用し得る。

図１、図４Ａ、図４Ｂを参照すると、品質チェックモジュール１３０は、複数（例えば２台以上、３台以上、４台以上）のカメラを含む。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、２つ以上のＣＭＯＳセンサなどである。例えば、３台のカメラ４４０Ａ，４４０Ｂ，４４０Ｃが図４Ａに図示され、３つの異なる視点から、撮像位置の画像を撮像するように構成されている。その他の数のカメラを使用してもよい。各カメラ４４０Ａ，４４０Ｂ，４４０Ｃは、撮像位置のデジタル画像（すなわち画素化された画像）を撮像可能な装置でよい。各画像の画像解像度は例えば０．５ＭＰ〜３ＭＰなどである。その他の画素解像度を使用してもよい。各カメラ４４０Ａ，４４０Ｂ，４４０Ｃは、撮像位置にある試料容器１０２及び容器キャップ２１４の少なくともセグメント又は横方向の一部、及び少なくとも試料２１２の一部の横方向の画像を撮像し、場合によってはラベル２１８の一部を撮像するように構成され、動作可能である。画像はわずかに重なっていてもよい。最終的に、複数の画像から、容器キャップ２１４と試料容器１０２に入っている試料２１２の合成画像が現像可能である。いくつかの実施形態において、最終的な合成画像は、複数のカメラ４４０Ａ，４４０Ｂ，４４０Ｃからの画像に基づいた、撮像位置における試料容器１０２と、容器キャップ２１４と、収容された試料２１２との三次元画像である。

図示した実施形態において、複数のカメラ４４０Ａ，４４０Ｂ，４４０Ｃは、撮像位置に配置された試料２１２の周囲に配置され、複数の視点から、横方向の画像を撮像するように構成されている。視点は、互いにほぼ等間隔で放射状に離れて配置されている。図示するように、３台のカメラ４４０Ａ，４４０Ｂ，４４０Ｃが使用されているとき、その間隔は互いから１２０度前後である。図示する実施形態において、カメラ４４０Ａ，４４０Ｂ，４４０Ｃはトラック１２１の側方周囲に配置されている。複数のカメラ４４０Ａ，４４０Ｂ，４４０Ｃのその他の配置も適用可能である。このように、試料容器１０２がトラック１２１上の搬送機器１２２に存在して保持されている間に、試料容器１０２、容器キャップ２１４及び試料２１２の画像が撮像位置で撮像される。

１つ以上の実施形態において、各カメラ４４０Ａ，４４０Ｂ，４４０Ｃの法線ベクトルが交差する点など、品質チェックモジュール１３０における所定の撮像位置に搬送機器１２２が停止する。いくつかの実施形態において、搬送機器１２２を停止させるためにゲートが設けられ、それによって高品質の画像が撮像可能となる。一連の画像を撮像した後、ゲートは搬送機器１２２を解放する。他の実施形態において、搬送機器１２２は、品質チェックモジュール１３０の位置など、予定位置へ搬送機器１２２を発進させ停止させるように構成及びプログラミングされたリニアモータを含む。搬送機器１２２を停止させるその他の適切な手段が使用可能である。

カメラ４４０Ａ，４４０Ｂ，４４０Ｃは、画像ウィンドウ、すなわち試料容器１０２及び容器キャップ２１４の表面の想定位置を含む領域に近接して設けられて、画像ウィンドウを捉えるように訓練され、焦点を合わせる。この場合、試料容器１０２と容器キャップ２１４のどちらか又は両方が画像ウィンドウのほぼ中心に配置されるのがよい。この構成によりカメラ４４０Ａ，４４０Ｂ，４４０Ｃは、血清又は血漿部２１２ＳＰの一部、沈殿血液部２１２ＳＢの一部、及び容器キャップ２１４の全部を含む画像を撮像可能である。撮像された画像内には、１つ以上の基準データが存在する。基準データは、試料２１２、試料容器１０２、容器キャップ２１４の１つ以上のさらなる定量化を助けることが可能である。基準データは、ＴＣ又は試料容器１０２の最下部表面、又はその両方でもよい。場合によっては、試料容器１０２自体はあらゆる視点から見える位置に設けられたマーク又はその他の位置特定表示を含んでいてもよい。

作動中に品質チェックモジュール１３０によってキャプチャされる画像のそれぞれは、トリガ信号に応答してトリガされることで撮像される。トリガ信号はコンピュータ１４３によって発生可能であり、コンピュータ１４３に接続された通信線４４３Ａ，４４３Ｂ，４４３Ｃで供給される。撮像画像のそれぞれは、ここに示す方法の１つ以上の実施形態にしたがって処理される。特に、複数の画像を撮像及び処理するためにＨＤＲ画像処理が使用される。

より詳細には、異なる公称波長を有する１つ以上の異なる光源で照明を行いながら、複数の異なる露光（例えば露光の長さ）で試料容器１０２の複数の画像が撮像される。例えば、異なる公称波長を有する１つ以上の光源を使用して異なる露光の長さ（露光時間）で、各カメラ４４０Ａ，４４０Ｂ，４４０Ｃが４〜８枚程度以上の画像を撮影する。その他の数の複数の露光でも採用可能である。

複数の画像の撮像はいくつかの異なる方法で実現可能である。いくつかの実施形態において、複数の画像が異なる色をした光源４４４Ａ〜４４４Ｃを使用して撮像される。光源４４４Ａ〜４４４Ｃは、試料容器１０２及び容器キャップ２１４を背面から照明する（図４Ａ〜図４Ｂに図示する通り）、例えば光パネルとして実施可能である。光源４４４Ａ〜４４４Ｃは撮像位置４４１を囲む背面照明を実現している。光源４４４Ａ〜４４４Ｃは光パネルである。各光パネルは、異なる色をした照明器具のアレイを含み、あるいは、異なる色の光を発する手段を含む。いくつかの実施形態において、光源４４４Ａ〜４４４Ｃとともに光拡散器を使用してもよい。パネルは、目的のスペクトル色又は波長範囲の均一照明を供給する。本実施形態において、カメラ４４０Ａ〜４４０Ｃはデジタルモノクロカメラでもよい。光源４４４Ａ〜４４４Ｃにより、＋／−３５ｎｍ程度のかなり狭い帯域幅を有する様々なスペクトルで画像を撮像可能である。いくつかの実施形態において、光源４４４Ａ〜４４４Ｃは、例えば約６３４ｎｍ（赤）、５３７ｎｍ（緑）、及び４５５ｎｍ（青）に公称発光ピークを有する。ただし、その他の公称波長を使用してもよく、３台よりも多い又は少ない光源を使用することも可能である。異なる視点からカメラ４４０Ａ〜４４０Ｃのそれぞれによって多重波長、多重露光長さの画像を撮像可能である。カラー画像のそれぞれ（かなり狭い波長帯域を有する公称波長によって表わされる）が様々な露光の長さで次々と撮像される（例えば、４〜８以上の露光で、各露光の長さは前の露光の長さよりも８ｍｓ〜６４ｍｓ程度長くてもよい）。その他の露光の長さも使用可能である。この画像は、複数の露光の長さで赤、複数の露光の長さで緑、複数の露光の長さで青など、いかなる順番でも撮像され得る。検出方法として、透過画像を算出してもよい。この場合、それぞれの透過画像（Ｒ、Ｇ、Ｂ照明毎）は最適露光画像及び参照画像から算出される。詳細を以下に説明する。最適露光画像は、それぞれの画素毎輝度によって正規化される。

一実施形態において、図４Ｃ及び図４Ｄに図示するように、試料容器１０２は、例えばカメラ４４０Ａ，４４０Ｂ，４４０Ｃに隣接して、すなわち、上方に、下方に、側部に、又はこれらの組み合わせで配置され、試料容器１０２に対するカメラ４４０Ａ〜４４０Ｃと同じ側に配置された光源４４４Ｄ，４４４Ｅ，４４４Ｆを含むことによって、品質チェックモジュール１３０Ａを前面照明する。本実施形態において、カメラ４４０Ａ〜４４０Ｃはそれぞれ６３４ｎｍ、５３７ｎｍ、及び４５５ｎｍ前後のＲＧＢピークを有するデジタルカラーカメラでもよいが、ＲＧＢカラーのそれぞれは、モノクロカメラを使用した上記実施形態で使用した分離光源と比較すると、相対的に広い波長範囲を有する。本実施形態において、光源４４４Ｄ，４４４Ｅ，４４４Ｆはそれぞれ白色光源でもよい。例えば、光源４４４Ｄ〜４４４Ｆは４００ｎｍ〜７００ｎｍほどの波長範囲を射出し、試料２１２を照明するために使用される。各カメラ４４０Ａ〜４４０Ｃによって、異なる露光の長さの画像を複数撮像可能である。撮像された各白色光画像は、約４００ｎｍと約７００ｎｍとの間の少なくとも２つの公称波長からなる倍数ｎの公称波長の２つ以上のカラースペクトル成分に分離可能である。例えば、多重スペクトル、多重時間の露光画像を生成するために、ＲＧＢスペクトル成分は、コンピュータ１４３によって画像から分離することが可能である。画像は、矢印線４４３Ａ〜４４３Ｃに示すように、コンピュータ１４３からの信号によって撮像可能である。

いくつかの実施形態において、前面照明及び背面照明の画像の両方が撮像可能なように、品質チェックモジュールは、容器キャップ２１４を含む試料容器１０２の前面及び背面照明を含むことが可能である。例えば、いくつかの実施形態において、白色光を使用して前面照明画像が撮像可能であり、それぞれ白色光を使用して異なる露光の長さで一連の背面照明の画像が撮像可能であり、赤色光を使用して前面照明画像が撮像可能であり、それぞれ赤色光を使用して異なる露光の長さで一連の背面照明の画像が撮像可能であり、緑色光を使用して前面照明画像が撮像可能であり、それぞれ緑色光を使用して異なる露光の長さで一連の背面照明の画像が撮像可能であり、青色光を使用して前面照明画像が撮像可能であり、それぞれ青色光を使用して異なる露光の長さで一連の背面照明の画像が撮像可能である。

第１の実施形態により、第１の波長で画像を撮像するために、３つの赤色光源（＋／−３５ｎｍ前後のスペクトル帯域幅で６３４ｎｍ前後の公称波長ピーク）を使用して、試料２１２を同時に照明する。異なる露光の長さの複数画像（例えば４〜８枚以上の画像）を各カメラ４４０Ａ〜４４０Ｃによって例えば同時に撮像する間、光源４４４Ａ〜４４４Ｃによる赤色照明を継続する。いくつかの実施形態において、露光時間は０．１ｍｓと２５６ｍｓとの間程度である。その他の露光時間も使用可能である。例えば、露光時間は８ｍｓ、別の露光時間は３２ｍｓ、別の露光時間は６４ｍｓ、そして別の露光時間は１２８ｍｓである。その他の数の露光及び時間間隔を使用して多重露光時間画像を撮像してもよい。赤色光源４４４Ａ〜４４４Ｃは、複数の赤色背面照明画像を撮像するのに十分なだけ長時間ＯＮ状態としてもよく、その後ＯＦＦに切り換えてもよい。

赤色光源４４４Ａ〜４４４Ｃを使用して画像を撮像後、それらをＯＦＦに切り換えて、別の色の光、例えば２つ以上の緑色光源４４４Ａ〜４４４ＣをＯＮ状態にし（＋／−３５ｎｍ前後のスペクトル帯域幅で５３７ｎｍ前後の公称波長ピーク）、異なる露光の長さの複数の画像（例えば、４〜８枚以上の画像）を、異なる視点に配置された各カメラ４４０Ａ〜４４０Ｃによってそのスペクトルで撮像可能である。これは、各カメラ４４０Ａ〜４４０Ｃに対し２つ以上の青色光源４４４Ａ〜４４４Ｃ（＋／−３５ｎｍ前後のスペクトル帯域幅を有する４５５ｎｍ前後の公称波長ピーク）で繰り返され得る。これによって、結果として、異なる露光の長さ、異なるスペクトル、異なる視点で撮像された複数の画像が得られる。その他のスペクトル、露光時間の数、又は視点が代替的に又は追加して使用可能である。異なる波長の光源４４４Ａ〜４４４Ｃは、例えば選択的にＯＮ及びＯＦＦできる異なる狭帯域のカラーＲＧＢ光源の例えば交換可能なカラーフィルタ又はバンクを使用することによって実現可能である。効果的な背面照明のための他の手段も使用可能である。同様に、ＲＧＢ以外の色も使用可能である。

第２の実施形態による画像の撮像のために、容器キャップ２１４を同時に照明する３つの白色光源４４４Ｄ〜４４４Ｆを使用可能である。光源４４４Ｄ〜４４４Ｆによって照明している間に、各カメラ４４０Ａ〜４４０Ｃによって例えば同時に異なる露光時間で複数の画像（例えば、４〜８枚以上の画像）を撮像する。いくつかの実施形態において、露光時間は、例えば０．１ｍｓと２５６ｍｓとの間程度である。その他の露光時間を使用してもよい。例えば、１つの露光時間が８ｍｓ、別の露光時間が３２ｍｓ、さらに別の露光時間が６４ｍｓ、さらに別の露光時間が１２８ｍｓでもよい。複数の露光時間で画像を撮像するために、その他の数の露光及び時間間隔を使用してもよい。これら複数の露光画像は、個々のＲＧＢ画像（例えば低画素密度）を露光時間及び視点のそれぞれで抽出するためにコンピュータ１４３によってさらに処理できる。それによって、結果として、異なる露光の長さで異なる公称波長を有する異なる光源によって照明されて撮像されたカメラ毎の複数の画像が得られる。

各実施形態に関し、それぞれの波長又は波長範囲（例えば白色光）において複数の露光の長さで撮像したすべての多重スペクトル画像を高速に連続して得て、例えば２秒未満で複数の視点からの容器キャップ２１４（及び試料２１２）の画像の集合全体が得られるようにしてもよい。

各試料２１２について撮像する画像の数の例を説明するために、以下の例を挙げる。第１の実施形態によれば、ＲＧＢ光源と各波長に対して４つの異なる露光時間の画像を使用し、３つの視点にモノクロカメラを設けた結果、４露光×３色×３視点＝３６枚の画像が得られる。第２の実施形態によれば、白色光源と４つの異なる露光の長さの画像を使用し、３つの視点にカラーカメラを設けた結果、４露光×３視点＝１２枚の画像が得られる。ただし、その後、これら１２枚の画像をコンピュータ１４３によってＲＧＢ画像に分離することによって、最終的に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１／３となる。それぞれの場合において、多重露光の画像はコンピュータ１４３のメモリに格納され、その後にコンピュータ１４３によって処理される。第３の実施形態によれば、まず第１の露光の前面照明のために白色光源を使用し、そして３つの異なる露光の長さにおける背面照明のために白色光源を使用して画像を撮像し、３つの視点にカメラを設け、Ｒ、Ｇ及びＢ光源のそれぞれに対して繰り返すと、結果として４露光×４波長（又は波長スペクトラム（例えば白色光））×３視点＝４８枚の画像が得られることになる。

１つ以上の実施形態において、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又はカバーするハウジング４４６を含み、画像撮像のために閉鎖又は半閉鎖環境を提供する。試料容器１０２は、各画像撮像の間ハウジング４４６の内側に配置される。ハウジング４４６は、搬送機器１２２がハウジング４４６に進入し、そこから退出できるように、１つ以上の扉４４６Ｄを含む。いくつかの実施形態において、天井部は、品質チェックモジュール１３０が積載領域１０５に配置されている場合など、上述した通り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、ハウジング４４６の内側に止められた搬送機器１２２に試料容器１０２を積載可能とする開口部４４６Ｏを含む。前面照明が使用される場合（図４Ｃ〜４Ｄ）、画像コントラストを改善させるために、品質チェックモジュール１３０はバックストップ壁４４７を含んでもよい。バックストップ壁４４７は、容器キャップ２１４の色の予想される範囲以外の色など、あらゆる適切な色を適用する。いくつかの実施形態において、黒色をした材料が使用可能である。

一実施形態において、多重波長、多重露光長さの画像のデータ処理は、まず試料２１２のセグメンテーションを決定することに向けられ、管２１２Ｔ及び容器キャップ２１４が識別される。このセグメンテーションは、液体部分（例えば血清又は血漿部２１２ＳＰ）を識別することも可能である。この処理は、例えば、各カメラ４４０Ａ〜４４０Ｃの各波長に関し最適露光の画像データセットを生成するために、カメラ毎に異なる露光時間及び各波長で撮像された複数の撮像画像のそれぞれから、最適露光の画素を選択することを含む。ここでは、これを「画像強化」と呼ぶ。画像強化の際に、スペクトル色毎に、異なる露光時間画像のそれぞれの対応する場所の画素が比較され、異なる露光時間画像のそれぞれから最適画像輝度を示す画素のみが選択される。一実施形態において、最適画像輝度の画素は、例えば所定の輝度範囲内（例えば、０〜２５５の尺度において１８０〜２５４の間など）の画素である。別の実施形態において、最適画像輝度は、例えば０〜２５５の尺度において１６〜２５４の間でもよい。その他の非最適画素は、露光不足又は過露光として廃棄される。その他の尺度及び最適範囲でも使用可能である。２つの画像の対応する位置の複数の画素が最適に露光されている場合、２つのうちの輝度が高い方の画素が選択される。その後、最適露光画素輝度のそれぞれは、露光時間毎に正規化される。その結果として、各カメラ４４０Ａ〜４４０Ｃ毎に画素のすべてが最適に露光している複数の正規化及び強化されたスペクトル（例えば赤、緑、青）画像データセットが得られる（例えばスペクトル（例えば赤、緑、青）毎に１つの画像データセット）。

品質チェックモジュール１３０の校正処理の一部として、試料容器１０２がない基準画像が撮像される。この基準画像は、試料容器１０２及び搬送機器１２２が品質チェックモジュールに入る前の時点のもので、後に画像撮像の際に使用されるはずの露光時間及び照明条件のすべてにおいて、各カメラ４４０Ａ〜４４０Ｃによって撮像される。このように、各画像データセットから場合によって背景（すなわち試料容器１０２の外側の領域）を差し引いて前景画像のみを残すことによって、コンピュータ１４３の計算負荷が最小限に抑えられる。これを、ここでは「背景除去」と呼ぶ。

正規化及び最適露光画素を含むスペクトル画像データセット毎に、画像データセット内の画素のそれぞれを分類するためにセグメンテーション処理が実行される。試料容器１０２、容器キャップ２１４、及び試料２１２の様々なセグメントが特徴付けられ、すなわちその様々なクラスと境界がそれぞれ決定される。これは、管２１２Ｔ、すなわち透明又は半透明領域と、容器キャップ２１４とを識別するために使用可能である。これは、液体部（例えば血清又は血漿部２１２ＳＰ）、ゲルセパレーター３１３（存在する場合）、沈殿血液部２１２ＳＢ、及びそれら成分の境界線（例えば、ＬＡ、ＳＢ、ＳＧ、ＢＧ）を識別するために使用され得る。背景と搬送機器１２２も同様にセグメント化可能である。このセグメンテーションは、最適露光画像データ中の画素を分類器モデル（図５）に基づくクラスに属するとして分類することに基づく。この分類器モデルは、複数の訓練セットから生成されたマルチクラス分類器５１５に基づく。マルチクラス分類器５１５は、例えば、サポートベクターマシン（ＳＶＭ）又はランダム決定木を含む。その他の種類のマルチクラス分類器も使用可能である。

この分類を実行するために、まず、異なる波長における（例えば、赤、緑、青）最適露光画素のそれぞれについて、そして、各カメラ４４０Ａ〜４４０Ｃについて、統計データが算出される。この統計データは、第２のオーダーまでの平均値及び分散を含む。生成されると、統計データはマルチクラス分類器５１５に供給されて演算され、分類器５１５が画像中の画素を、１−血清又は血漿部、２−沈殿血液部、３−容器キャップ、４−ラベル、５−試料容器、６−空気、７−ゲルセパレーター（使用されている場合）、８−管（例えば透明な領域）などの複数の一意のクラスラベルの１つに属するとして分類する。搬送機器１２２も同様に分類可能である。このセグメンテーションから、管２１２Ｔ及び容器キャップ２１４を構成する画素が識別可能である。

マルチクラス分類器５１５の演算の結果は、クラス３−容器キャップ及びクラス８−管であるすべての画素を識別することである。試料容器特徴づけ方法の単純なフローチャートを図５に示す。まずステップ５０２において、搬送機器１２２によって搬送されている試料２１２を含む試料容器１０２が品質チェックモジュール１３０に供給される。ステップ５０４で複数の露光の画像が撮像され、この場合の複数の露光の画像は、上述したように、複数の異なる露光時間及び複数の異なるスペクトル（又は波長範囲かこれらの組み合わせ）で撮像された多重スペクトル画像である。その後、当該複数画像はコンピュータ１４３のメモリに記憶される。計算負荷を低減するために、場合によっては、背景除去のステップ５０８でこれらの画像から背景を差し引いてもよい。背景除去はステップ５１０において撮像された基準画像を差し引くことによって実現される。この場合の基準画像は、搬送機器１２２及び試料容器１０２が撮像場所４４１に供給される前に、校正の一部として、又は当該方法の一部として撮像される。

画像撮像後、及び場合によっては背景除去後、ステップ５１１に示すように、カメラ４４０Ａ〜４４０Ｃのそれぞれにおける複数の露光及び複数の波長のデータセットに対してセグメンテーション処理が実行される。セグメンテーション処理５１１は、画像強化のステップ５１２の実行を含む。ステップ５１２で画像強化するときに、最適露光の画素を判断するために、各色（例えば公称波長）の様々な画像を画素毎に調べる。対応する画素位置ごとに、最良の最適露光画素が選択され、最適露光画像データセットに含まれる。各画素輝度値は、露光時間によって正規化される。これによって、ステップ５１２における画像強化の後、各公称波長又は波長範囲（例えば色）に対して１つの正規化及び最適露光の画像データセットが得られる。

ステップ５１２での画像強化後、又は場合によってはそれと同時に、統計生成処理のステップ５１４が実行される。この統計生成処理では、平均と共分散行列のどちらか又は両方などの統計が画素毎に生成される。その後、この正規化された最適露光のデータセットからの統計データ及び輝度情報がマルチクラス分類器５１５によって演算されて、ステップ５１６において画像データセット中の全画素における画素クラスの識別が実現する。この分類処理のステップ５１６から、カメラ４４０Ａ〜４４０Ｃごとの強化画像の各画素には、上記リストした複数のクラスタイプの１つとして分類が与えられる。分類時、画像はスキャンされ、画素位置ごとに、マルチクラス分類器を使用することによってクラスラベルが導出される。いくつかの実施形態において、カメラ４４０Ａ〜４４０Ｃのノイズレベルに対して統計的既述をより強固にするために、画素位置周囲に小さい超画素（スーパーピクセル）パッチが使用される（例えば１１×１１画素）。

これから、管２１２Ｔ及び容器キャップ２１４である画素が識別される。容器キャップ２１４として分類される全画素がともに収集される。これから、容器キャップ２１４の形状（例えば、容器キャップ２１４の内部及び外部構造の両方の形状）は、例えば、識別された形状をコンピュータ１４３のメモリに記憶されている基準キャップ内部及び外部形状のデータベース、例えばルックアップテーブル５３１Ｌ又は他のデータベースに対して照合することにより、ステプ５３１においてブラブ又はその他の適切形状分析技術によって識別される。ステップ５３１において容器キャップ２１４の内部及び外部形状により容器キャップタイプを識別する。容器キャップ２１４の内部及び外部形状は、尿、糞便、さらには容器が真空下であるかなど、試料容器中に存在する材料の種類を示す。容器キャップ２１４の内部及び外部形状は、さらに、試料容器が真空にされたかを示し得る。いくつかの実施形態において、形状分析に加えて、又はその代替案として、容器キャップ２１４の寸法（例えば、高さ、幅、直径、厚さなど）が、容器キャップを表わすとして識別された画素から判断可能である。

容器キャップ２１４を表わすと識別された画素の１つの集合は、平均Ｒ・Ｇ・Ｂを求めるため、又は複数の色を有する容器キャップの場合はクラスタリング法のために、定量化され、このＲＧＢデータから、ステップ５３３においてルックアップテーブル５３３Ｌに記憶されている既知の容器キャップ色とのＲＧＢ値の個々の範囲の照合に基づいて容器キャップ２１４の色が識別される。識別された容器キャップ領域に対して、実際の色値が抽出される。検査前の好適な時間に色校正が行われる。それぞれの実際の色値又は複数の色値は、すべての容器キャップ色が表わされたデータベースのエントリ（例えばルックアップテーブル又は他の関連情報）と照合される。

管２１２Ｔは、ステップ５１６においてガラス管と識別された様々な画素を収集することによって定量化される。その後、ステップ５１８において幅（Ｗ）を計算及び抽出するために、ほぼ垂直に整列している管２１２Ｔの画素の最も外側の各線間の画素空間における位置が減算される。幅（Ｗ）は、対応する高さの対応する画素間の距離の平均として計算され得る。ステップ５１８で計測される画素は、管−キャップ界面ＴＣよりも下にある画素である。ここで、試料容器１０２下部の曲線部にある画素は無視する。

その後、ステップ５２０において高さ（ＨＴ）が抽出される。高さ（ＨＴ）は、管２１２Ｔとして分類された最下部の画素と管−キャップ界面ＴＣとの間で計測される。この高さ（ＨＴ）の値は、ステップ５２９において例えばルックアップテーブル５２９Ｌに記憶されているあり得るサイズのリスト（例えば、１０．２５×４７、１０．２５×６４、１０．２５×８４、１３×７５、１６×１００、１３×１００、すべてｍｍ×ｍｍ）から、試料容器１０２のサイズを識別及び特徴付けするために、幅（Ｗ）とともに採用される。その他の標準的なサイズがリストされ得る。

これらの値から、ステップ５３５において推定内部幅（Ｗｉ）が決定される。この内部幅（Ｗｉ）は、血清又は血漿部２１２ＳＰの量と沈殿血液部２１２ＳＢの量のどちらか又は両方を計算するために使用される。内部幅（Ｗｉ）は、各サイズの試料容器１０２ごとに実測又は推定の壁厚（Ｔｗ）に基づいて推定される。これら内部幅（Ｗｉ）の値は、ルックアップテーブル５３５Ｌなどでメモリに記憶されて、管のサイズが識別されたら量（容量）計測のために使用可能である。

図６は上位の特徴付け方法６００のフローチャートを示す。この場合、試料２１２を含む試料容器１０２（容器キャップ２１４を含む）の特徴付けは、品質チェックモジュール１３０を使用して上位の方法６００によって特徴付け又は分類され得る多くの項目のうちの１つである。方法６００の１つ以上の実施形態によれば、画像は複数のカメラ（カメラ５４０Ａを図示）などによって撮像される。ただし、その他のカメラ５４０Ｂ，５４０Ｃをその他の視点からの画像を撮像するために使用してもよい。カメラ５４０Ａにおいて撮像された画像に関して説明される処理は、その他の視点における他のカメラ５４０Ｂ，５４０Ｃでも同じであり、線６０５におけるそれら（他のカメラ）の入力は、試料２１２の三次元モデルを発展させるために使用される。カメラ５４０Ａ及びその他のカメラ５４０Ｂ，５４０Ｃによって撮像された画像は、上述した通り、多重スペクトル及び多重露光の画像である。特に、ステップ６０４Ａにおいて、複数の露光（例えば４〜８以上の露光）を、使用される光の各波長に対して使用する。各カメラ５４０Ａ〜５４０Ｃ毎の各露光におけるそれぞれの画像は、図４Ａ及び図４Ｂで説明したように、モノクロカメラと背面照明光源５４４Ａ〜５４４Ｃを使用して同時に得られる。場合に応じて、白色光源５４４Ｄ〜５４４Ｆを用いて前面照明された多重露光画像が、ステップ６０４Ｂにおいてカラーカメラを使用して得られる。

その後、場合によってはステップ５０８において、それらの画像は、背景除去方法において上述したように基準画像５１０を用いて背景除去をするために処理される。その後、当該画像は、上述したようにしてステップ５１１においてセグメンテーションを決定するためにさらに処理される。いくつかの実施形態において、ステップ６０４Ｂによる前面照明カメラ５４０Ａ〜５４０Ｃ（図４Ｃ〜４Ｄ参照）からの画像をステップ５１１におけるセグメンテーションに使用するのが適している。同様に、ステップ６０４Ａにおいて撮像された画像は、ステップ６２１におけるＨＩＬＮの特徴付けのために使用するのが適している。ただし、ステップ６０４Ｂで撮像された画像もステップ５１１におけるセグメンテーションのために使用可能であるのはもちろんである。

ステップ５１１におけるセグメンテーション後に、ステップ６２３において液体の識別及び定量化が実行されてもよい。ステップ６２３における液体の定量化は、ＬＡ、ＳＢ、ＳＧ、ＢＧのいずれか１つ以上の物理的位置など、試料２１２の所定の物理的寸法特徴付けの決定、ＨＳＰ、ＨＳＢ、ＨＴＯＴのいずれか１つ以上の決定、そして、血清又は血漿部（ＶＳＰ）の量と沈殿血液部（ＶＳＢ）の量のどちらか又は両方、のうちの１つ以上を含む。上述したように、試料容器特徴付けのステップ６２７から内部幅（Ｗｉ）が得られる。上記の識別は、それらの境界領域における画素の選択、及びＬＡ、ＳＢ又はＳＰＧに対する値を得るための画素空間におけるそれらの位置値を平均化することによって実現可能である。この情報から、血清又は血漿部２１２ＳＰの量が決定可能である。画素空間から機械的計測への相関性は、画素をｍｍに変換する適切な校正を使用することによって実現可能である。

血清又は血漿部２１２ＳＰの実際の量のより近い計測値を利用可能にするために、ステップ６２２においてアーチファクト検出方法を用いて、塊、気泡又は泡の存在を識別する。より良好な量推定を実現するためには、存在する１つ以上のアーチファクトのそれぞれの推定量を、上記決定された血清又は血漿部２１２ＳＰの推定量から差し引いてもよい。その後、当該画像は、アーチファクト分類器を使用してステップ６２２において血清又は血漿部２１２ＳＰにおけるアーチファクトの存否を決定するために処理される。ステップ６２２におけるアーチファクト検出において識別されたアーチファクトを含む画素は、ステップ６２１におけるＨＩＬＮ分類では無視されてよい。いくつかの実施形態において、アーチファクトの検出が治療の開始にもつながる。

ステップ５１１におけるセグメンテーションの結果を使用して、バーコードなどの識別情報２１５を含んだラベルを識別できる。バーコードはステップ６２５で読み取ってもよい。ラベル２１８がステップ５１１におけるセグメンテーションによって識別されたら、従来のバーコード読取ソフトウェアを使用することもできる。当画像が十分に読み取ることのできるバーコードを含んでいない場合、外部カメラから得られたその他の画像からバーコードを読み取ることができる。

上位の方法６００により、試料容器１０２のさらなる特徴付けも実現可能である。ステップ５２９における管タイプ、ステップ５３１における容器キャップタイプ、及びステップ５３３における容器キャップ色の特徴付けはステップ６３５における三次元推論に供給されて、各カメラからの画像に対する処理に基づいて同一の特徴付けが実現したことを検証してもよい。わずかに異なる値が得られた場合、それらの値は平均化される。ステップ６２１におけるＨＩＬＮ分類、ステップ６２３における液体定量化、ステップ６２２におけるアーチファクトの検出、及びステップ６２７における試料容器検出からの出力のすべてはステップ６３５における三次元推論に供給されて、三次元モデルを生成するために使用される。

図７は、１つ以上の実施形態による、容器キャップ２１４を含む試料容器１０２の特徴付けを決定する方法のフローチャートを示す。方法７００は、ステップ７０２において試料容器（例えば容器キャップをした血液採取管などの試料容器１０２）を供給することを含む。次に、方法７００は、ステップ７０４において、異なる露光の長さ及び異なる波長で試料容器及び容器キャップの画像を撮像する。例えば、いくつかの実施形態において、４〜８以上の異なる露光が存在する。いくつかの画像は、前面照明用に白色光を使用して撮像され、またいくつかの画像は、背面照明光源５４４Ａ〜５４４Ｃとして、赤、青、及び緑などの単一波長ピークかつ狭帯域の複数の光源を用いて撮像される。白色光画像は、上述したように、コンピュータ１４３によってキャプチャされる際にＲ、Ｇ、及びＢの画像に分解される。各例において、複数の視点から複数のカメラ５４０Ａ〜５４０Ｃによって画像が撮像される。

方法７００は、計算負荷を低減するために、場合に応じて、ステップ７０６において背景を差し引く背景除去を行う。背景除去は、校正処理の一部として得られる基準画像を撮像試料画像から差し引くことによって実現可能である。基準画像は、試料容器１０２の試料画像と同一の露光時間、スペクトル、照明条件で撮像され得るが、試料容器１０２又は搬送機器１２２なしで撮像する。

方法７００は、ステップ７１０において、各波長における最適露光画像データを生成するために、各波長で異なる露光時間による画像から最適露光画素を選択することを含む。特定のスペクトルにおける各画像の対応する画素ごとに、良好な露光の画素（露光不足又は過露光ではない）が選択される。最適露光範囲は上述した通りでもよい。この最適露光画素の選択は、画像強化ステップ（例えばステップ５１２における画像強化）において行われる。これにより、ＲＧＢのスペクトルごとに、最適露光画素のデータセットが生成される。

次に、方法７００は、ステップ７１２において最適露光画素を管２１２Ｔ、ラベル２１８、又は容器キャップ２１４として分類することを含む。分類は、異なる波長における最適露光画素の統計データを演算して統計データを生成した後、最適露光画素の統計データに対して演算を行って管２１２Ｔ、ラベル２１８、又は容器キャップ２１４の少なくとも１つを識別することによって実現可能である。その他のクラス（例えば血清又は血漿部２１２ＳＰ、沈殿血液部２１２ＳＢ、ゲルセパレーター３１３、空気２１２Ａのいずれか１つ以上）はセグメンテーションによって識別される。

１つ以上の実施形態において、マルチクラス分類器は、線形又はカーネルベースのいずれかのサポートベクターマシン（ＳＶＭ）である。場合に応じて、マルチクラス分類器は、適応型ブースティング分類器（例えばＡｄａＢｏｏｓｔ、ＬｏｇｉｔＢｏｏｓｔ）などのブースティング分類器、人工ニューラルネットワーク、木ベースの分類器（例えば、決定木、ランダム決定フォレスト）、分類器としてのロジスティック回帰などでもよい。ＳＶＭは、液体（例えば血清又は血漿部２１２ＳＰ）と、容器キャップ、管、又はラベルなどの非液体との分類に対して特に効果的である。ＳＶＭは、データを分析してパターンを認識する関連学習アルゴリズムを有する教師つき学習モデルである。ＳＶＭは、分類及び回帰分析のために使用される。

訓練例の複数のセットを使用してマルチクラス分類器を訓練した後、そのマルチクラス分類器によって画素が演算され、上述したような複数のクラスのうちの１つに属するとして印付けが行われる。訓練アルゴリズムはマルチクラス分類器を構築し、新しい例をクラスのうちの１つに割り当てる。したがって、いくつかの実施形態において、このマルチクラス分類器は非統計論的線形分類器でもよい。このＳＶＭモデルは、マッピングされた空間における点として例を表わすことによって別々のクラスの例ができるだけ幅広い明確な間隙によって分割される。最適露光画像データセットからの画素は、同一の特徴空間にマッピングされ、それらが区分される場所に基づいて特定のクラスに属すると予想される。いくつかの実施形態において、ＳＶＭはいわゆるカーネルトリック（例えばカーネルベースのＳＶＭ分類器）を用いて非線形分類を効率的に実行し、それらの入力を高次元特徴空間に暗示的にマッピングする。ＳＶＭ及びブースティングも使用してよい。その他のタイプのマルチクラス分類器も使用してよい。

このマルチクラス分類器は、様々な管サイズを有する試料容器１０２と容器キャップのタイプ及び色のいずれか又は両方、及びラベル２１８の多数の例における様々な領域（例えば管２１２Ｔ、容器キャップ２１４、空気２１２Ａ、及びラベル２１８）の輪郭を図上で描くことによって訓練することも可能である。マルチクラス分類器を訓練するために、５００以上もの多くの画像が使用され得る。どの領域が各クラスに属するかを識別してマルチクラス分類器に教示するために、各訓練画像は手作業で輪郭が描かれる。その他の訓練方法も使用可能である。

最後に、方法７００は、ステップ７１４において、各波長の最適露光画像データに基づいて試料容器の幅、高さ、又は幅及び高さを識別することを含む。

いくつかの実施形態において、試料容器１０２に対し例えば試料２１２の高さ及び幅、量に基づいてサイズの特徴付けを与えると、試料容器１０２の内部幅（Ｗｉ）が得られる。この内部幅（Ｗｉ）は、試料容器１０２のサイズに基づいたルックアップテーブルを使用することによってなどしてステップ７１６において決定される。内部幅（Ｗｉ）を使用することによって、血清又は血漿部２１２ＳＰの量と沈殿血液部２１２ＳＢの量のどちらか又は両方を正確に計算可能である。

したがって、以上のことにより、品質チェックモジュール１３０によって実行されたモデルベースの試料容器特徴付け方法７００の結果として、管サイズ、容器キャップタイプ及び容器キャップ色など、試料容器１０２の物理的属性の高速な特徴付けが実現することが明らかである。この情報に基づいて、正確な量が決定され、オーダーされた検査と使用された試料容器との間の照合、及び存在する添加剤がオーダーされた検査と一致しているかの検証が実現する。

品質チェックモジュール１３０は、遠心分離機１２５での遠心分離後すぐに前スクリーニングが実行されるように配置されるとして図１に示したが、いくつかの実施形態又は他の場合において、品質チェックモジュール１３０を分析器（例えば分析器１０６，１０８，１１０のいずれか１つ以上）に直接含むことが有効な場合がある。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スタンドアロン型分析器は、分析の前に、品質チェックモジュール１３０を使用して試料２１２を検証してもよい。さらに、いくつかの実施形態において、ラック１０４を積載領域１０５に投入する前に遠心分離を実行してもよく、それによって、いくつかの実施形態において、品質チェックモジュール１３０は積載領域１０５に配置され、品質チェックは、ロボット１２４が試料容器１０２を搬送機器１２２に積載するとすぐに実行可能である。品質チェックモジュール１３０のその他の位置も可能である。

図８〜図１１及び図１２〜図１５において、画像の例示セットを２つ示す。図８〜図１１の第１の例示セットの画像の第１のグループ８００に示すように、白色光（例えば、３９０ｎｍ〜７００ｎｍ前後の範囲の可視光スペクトル）を使用して、第１の前面照明画像８０２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像８０４，８０６，８０８を撮像した。図からわかるように、背面照明画像の露光の長さが長いほど容器キャップの様々な異なる濃度を透過する光透過度が高くなり、それによって容器キャップの相対的に濃度の高い内部構造ほど可視性が高くなる一方、濃度が相対的に低い部分は色がさめている。同様に、図８〜図１１の第１の例示セットの画像の第２のグループ９００に示すように、赤色光（例えば６３４ｎｍ前後の公称波長を有する）を使用して、第１の前面照明画像９０２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像９０４，９０６，９０８を撮像した。同様に、図８〜図１１の第１の例示セットの画像の第３のグループ１０００に示すように、緑色光（例えば５３７ｎｍ前後の公称波長を有する）を使用して、第１の前面照明画像１００２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像１００４，１００６，１００８を撮像した。同様に、図８〜図１１の第１の例示セットの画像の第４のグループ１１００に示すように、青色光（例えば４５５ｎｍ前後の公称波長を有する）を使用して、第１の前面照明画像１１０２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像１１０４，１１０６，１１０８を撮像した。

異なる容器キャップの例を図１２〜図１５における画像の第２の例示セットで示す。図１２〜図１５は、異なる露光の長さにおいて異なる波長光を用いて容器キャップを照明する利点をさらに示す。図１２〜図１５の第２の例示セットの画像の第１のグループ１２００に示すように、白色光（例えば、３９０ｎｍ〜７００ｎｍ前後の範囲の可視光スペクトル）を使用して、第１の前面照明画像１２０２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像１２０４，１２０６，１２０８を撮像した。図からわかるように、背面照明画像の露光の長さが長いほど容器キャップの様々な異なる濃度を透過する光透過度が高くなり、それによって容器キャップの相対的に濃度の高い内部構造ほど可視性が高くなる一方、濃度が相対的に低い部分は色がさめている。同様に、図１２〜図１５の第２の例示セットの画像の第２のグループ１３００に示すように、赤色光（例えば６３４ｎｍ前後の公称波長を有する）を使用して、第１の前面照明画像１３０２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像１３０４，１３０６，１３０８を撮像した。同様に、図１２〜図１５の第２の例示セットの画像の第３のグループ１４００に示すように、緑色光（例えば５３７ｎｍ前後の公称波長を有する）を使用して、第１の前面照明画像１４０２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像１４０４，１４０６，１４０８を撮像した。同様に、図１２〜図１５の第２の例示セットの画像の第４のグループ１５００に示すように、青色光（例えば４５５ｎｍ前後の公称波長を有する）を使用して、第１の前面照明画像１５０２と、異なる露光の長さ（例えば８ｍｓ、１６ｍｓ、及び３２ｍｓ）をそれぞれ適用した一連の背面照明画像１５０４，１５０６，１５０８を撮像した。

画像の２つの例示セット（図８〜図１１に示す管１及び図１２〜図１５に示す管２）は、容器キャップにおいて、本発明の方法及び装置がどの程度明確に差異を示すかを示す。管１は、赤色容器キャップを有し、構造のほぼすべての部分が赤色光に対して吸収される。赤色光（例えば４５０ｎｍの公称波長）と１６ｍｓの露光時間で撮像された背面照明画像９０４は、管１の容器キャップの内部構造を最も明確に示す。管２は緑色をした容器キャップを有し、図からもわかるように緑色のスペクトル部分が透明になっている。緑色光（例えば５６０ｎｍの公称波長）と６４ｍｓの露光時間で撮像された背面照明画像１４０８は、管２の容器キャップの内部構造を最も明確に示す。２つの容器キャップの画像間の違いは、容器キャップを作製するために使用された材料が異なることを明確に示す。特に、管２の緑色の容器キャップは管１の赤色の容器キャップよりも濃度が高い。

いくつかの実施形態において、容器キャップを背面照明するのに使用した照明は、公称波長の少なくとも１つで撮像された画像のうちの少なくともいくつかにおいて容器キャップの内部構造及び形状を示すのに十分な輝度を有する。すなわち、いくつかの実施形態において、この背面照明の輝度は、識別対象の既知の容器キャップタイプに少なくとも一部の光が透過するように選択される。いくつかの実施形態において、２Ｗ／ｍ^２〜４Ｗ／ｍ^２前後の範囲の輝度を有する背面光源が使用可能であり、いくつかの実施形態において、３Ｗ／ｍ^２前後の光源が使用可能である。その他の輝度レベルの背面照明も使用可能である。異なる色の容器キャップは異なる公称波長を様々に吸収するため、複数の公称波長（例えば少なくとも３つの異なる公称波長）を使用することによって、白色光が使用された場合又は単一の公称波長が使用された場合に必要とされるよりも低い全体的な輝度を有する光を使用して、容器キャップの内部構造を明らかにする画像を撮像できる。なお、使用電力が低い（例えば低輝度）照明が望ましい実施形態において、より長い露光の長さが使用可能である。さらに、高速での撮像が所望される実施形態において、高電力（例えば高輝度）照明を使用すると、露光の長さを短縮できる。

本発明は様々な修正及び代替形態を許容可能であるが、装置の具体例とその方法が図面において例として図示され、本明細書で詳細に説明されている。しかしながら、開示した特定の装置又は方法に本発明を限定する意図はなく、逆に、本発明の範囲に属する全ての修正、同等物及び代替案が包含されることは当然である。

１００ 試料検査装置
１０２ 試料容器
１０４ ラック
１０６，１０８，１１０ 分析器
１２１ トラック
１２２ 搬送機器
１３０ 品質チェックモジュール
２１２Ｔ 管
２１４ 容器キャップ
２１８ ラベル
４４０ カメラ
５１５ マルチクラス分類器

Claims (20)

1. 管、容器キャップ、及びラベルを少なくとも含む試料容器の前記容器キャップを識別する方法であって、
   前記試料容器を撮像位置へ供給し、
   複数の異なる公称波長を使用すると共に該公称波長のそれぞれで異なる露光の長さを適用して前記容器キャップの背面照明画像を撮像し、
   前記公称波長のそれぞれにおいて前記異なる露光の長さで撮像された複数の画像から、前記公称波長毎に最適露光画素を選択し、該選択した最適露光画素を利用して前記公称波長毎に最適露光の画像データセットを生成し、
   該生成した画像データセットの前記最適露光画素を、少なくとも前記管、容器キャップ、及びラベルのうちの１つであるとして分類し、
   該分類により前記容器キャップとして分類した最適露光画素と前記公称波長毎の画像データセットとに基づいて前記容器キャップの形状を識別する、ことを含む方法。
2. 前記識別した容器キャップの形状に基づいて前記試料容器の容器キャップタイプを識別することをさらに含む、請求項１に記載の方法。
3. 前記容器キャップの背面照明画像を撮像するときに、複数の異なる視点から複数の画像を撮ることを含む、請求項１又は２に記載の方法。
4. 前記複数の異なる視点として３つ以上の異なる視点を含む、請求項３に記載の方法。
5. 前記最適露光画素を分類するときに、複数の訓練セットから生成されたマルチクラス分類器に基づいて分類する、請求項１〜４のいずれか１項に記載の方法。
6. 前記マルチクラス分類器がサポートベクターマシンを含む、請求項５に記載の方法。
7. 前記複数の異なる公称波長として３つ以上の異なる公称波長を含む、請求項１〜６のいずれか１項に記載の方法。
8. 前記複数の異なる公称波長に、赤色、緑色、青色の光スペクトルにおける公称波長を含む、請求項７に記載の方法。
9. 前記異なる露光の長さの少なくともいくつかを設定する光の輝度及び持続時間は、背面照明光が前記容器キャップの少なくとも一部を透過するように選択する、請求項１〜８のいずれか１項に記載の方法。
10. 管、容器キャップ、及びラベルを少なくとも含む試料容器の前記容器キャップを識別するように構成される品質チェックモジュールであって、
    前記試料容器を受け入れるように構成された撮像位置の周辺の複数の視点に配置され、複数の異なる公称波長を使用すると共に該公称波長のそれぞれで異なる露光の長さを適用して前記複数の視点から前記容器キャップの複数の画像を撮像するように構成された、複数のカメラと、
    該複数のカメラに接続されたコンピュータとを含み、
    前記コンピュータは、
    前記公称波長のそれぞれにおいて前記異なる露光の長さで撮像された複数の画像から、前記公称波長毎に最適露光画素を選択し、該選択した最適露光画素を利用して前記公称波長毎に最適露光の画像データセットを生成し、
    該生成した画像データセットの前記最適露光画素を、少なくとも前記管、容器キャップ、及びラベルのうちの１つであるとして分類し、
    該分類により前記容器キャップとして分類した最適露光画素と前記公称波長毎の画像データセットとに基づいて前記容器キャップの形状を識別するように構成され動作可能である、品質チェックモジュール。
11. 前記撮像位置を囲むハウジングを含む、請求項１０に記載の品質チェックモジュール。
12. 前記撮像位置を囲む背面照明用光源を含む、請求項１０又は１１に記載の品質チェックモジュール。
13. 前記撮像位置を囲む前面照明用光源を含む、請求項１０〜１２のいずれか１項に記載の品質チェックモジュール。
14. 前記撮像位置がトラック上にあり、前記試料容器は、前記トラックを移動可能な搬送機器の置き場で受け入れられるように構成されている、請求項１０〜１３のいずれか１項に記載の品質チェックモジュール。
15. 前記コンピュータは、前記識別した容器キャップの形状に基づいて前記試料容器の容器キャップタイプを識別するようにさらに動作可能である、請求項１０〜１４のいずれか１項に記載の品質チェックモジュール。
16. 前記コンピュータは、前記最適露光画素を分類するときに、複数の訓練セットから生成されたマルチクラス分類器に基づいて分類するように構成される、請求項１０〜１５のいずれか１項に記載の品質チェックモジュール。
17. 前記マルチクラス分類器がサポートベクターマシンを含む、請求項１６に記載の品質チェックモジュール。
18. 前記複数の異なる公称波長として３つ以上の異なる公称波長を含み、該公称波長として、赤色、緑色、及び青色の光スペクトルにおける公称波長を含む、請求項１０〜１７のいずれか１項に記載の品質チェックモジュール。
19. 前記異なる露光の長さの少なくともいくつかを設定する光の輝度及び持続時間は、前記背面照明用光源による背面照明光が前記容器キャップの少なくとも一部を透過するように選択する、請求項１２に記載の品質チェックモジュール。
20. トラックと、
    該トラックを移動可能であり、管、容器キャップ、及びラベルを少なくとも含む試料容器を搬送するように構成された試料搬送機器と、
    前記トラックに配置され、前記容器キャップを識別するように構成された品質チェックモジュールとを含む試料検査装置であって、
    前記品質チェックモジュールは、
    前記試料容器を受け入れるように構成された撮像位置の周辺の複数の視点に配置され、複数の異なる公称波長を使用すると共に該公称波長のそれぞれで異なる露光の長さを適用して前記複数の視点から前記容器キャップの複数の画像を撮像するように構成された、複数のカメラと、
    該複数のカメラに接続されたコンピュータとを含み、
    前記コンピュータは、
    前記公称波長のそれぞれにおいて前記異なる露光の長さで撮像された複数の画像から、前記公称波長毎に最適露光画素を選択し、該選択した最適露光画素を利用して前記公称波長毎に最適露光の画像データセットを生成し、
    該生成した画像データセットの前記最適露光画素を、少なくとも前記管、容器キャップ、及びラベルのうちの１つであるとして分類し、
    該分類により前記容器キャップとして分類した最適露光画素と前記公称波長毎の画像データセットとに基づいて前記容器キャップの形状を識別するように構成され動作可能である、試料検査装置。

Images