CN114586033B

CN114586033B - 用于在自动化诊断分析系统中对患者进行表征期间保护患者信息的方法和装置

Info

Publication number: CN114586033B
Application number: CN202080076075.1A
Authority: CN
Inventors: V·纳拉辛哈墨菲; V·辛赫; 张耀仁; B·S·波拉克; A·卡普尔; R·R·P·纳拉姆文卡特
Original assignee: Siemens Healthcare Diagnostics Inc
Current assignee: Siemens Healthcare Diagnostics Inc
Priority date: 2019-10-31
Filing date: 2020-10-22
Publication date: 2025-09-16
Anticipated expiration: 2040-10-22
Also published as: WO2021086719A1; JP7373659B2; JP2023500838A; US20240169093A1; CN114586033A; EP4052162B1; EP4052162A1; EP4052162A4; US12299172B2

Abstract

一种在自动化诊断分析系统中表征待分析的试样和试样容器的方法。该方法可以提供对试样的分割确定和/或HILN确定（溶血、黄疸、高脂血或正常），同时保护患者信息。该方法包括：经由图像捕获设备来捕获试样容器的图像；经由匿名化网络在所捕获的图像中标识附着到试样容器的标签；以及经由匿名化网络来编辑所捕获的图像以掩蔽该标签中存在的一些或所有信息，使得从所捕获的图像中移除该信息。还描述了被配置成执行该方法的品质检查模块和系统作为其他方面。

Description

用于在自动化诊断分析系统中对患者进行表征期间保护患者信息的方法和装置

相关申请的交叉引用

本申请要求2019年10月31日提交的题为“METHODS AND APPARATUS FORPROTECTING PATIENT INFORMATION DURING CHARACTERIZATION OF A SPECIMEN IN ANAUTOMATED DIAGNOSTIC ANALYSIS SYSTEM”的美国临时专利申请No.62/929,062的优先权和权益，该临时专利申请的公开内容通过引用出于所有目的整体地并入于此。

技术领域

本公开涉及用于在自动化诊断分析系统中表征试样的方法和装置。

背景技术

自动化诊断分析系统可以分析试样，诸如例如尿液、血清、血浆、间质液、脑脊髓液等，以标识试样中的分析物或其他成分。这种试样通常被包含在试样容器（例如，试样收集管）中，该试样容器可以经由自动化轨道被运送到自动化诊断分析系统内的各种预处理、预筛选（包括数字成像）和分析器站。

作为该分析的一部分，试样可以使用一种或多种试剂和可能地添加到其中的其他材料来处理，并且然后在一个或多个分析器站处被分析。在反应之后，可以通过使用询问辐射束（beam of interrogating radiation）、通过读取荧光或发光发射等经由光度或荧光读数对经处理的试样执行分析性测量。分析性测量允许使用公知的技术来确定试样中的分析物或其他成分的量。

在一些实例中，可能由患者状况或样本预处理导致的试样中的干扰物（例如，溶血、黄疸和/或高脂血（lipemia））的存在可能会不利地影响从一个或多个分析器获得的分析物或成分测量的结果。例如，试样中的溶血（H）的存在——这可能与患者的疾病状态无关——可能会导致对患者疾病状况的不同解释。类似地，试样中的黄疸（I）和/或高脂血（L）的存在也可能导致对患者疾病状况的不同解释。

因此，可以在自动化诊断分析系统中执行用于表征试样的预筛选过程。试样的预筛选表征可以包括确定待分析的试样中的干扰物（诸如H、I和/或L）的存在以及在某些情况下确定该干扰物的程度。试样的表征还可以包括分割确定，该分割确定可以标识试样容器和试样的各种区域。该预筛选过程可以基于在自动化诊断分析系统的一个或多个成像站（在其他情况下被称为“品质检查站”）处捕获的试样容器中的试样的一个或多个图像（例如，数字图像）。图像可以被存储在计算机存储器中。

然而，连同试样和试样容器，该图像还可以包括附着到试样容器的一个或多个标签的图像。一个或多个标签可以包含打印或条形码信息，该信息可以包括敏感的患者信息（例如，姓名、出生日期、地址、患者号和/或其他个人信息）、连同其他信息，诸如要执行的测试、获得试样的时间和日期、医学设施信息、跟踪和路线信息等。

发明内容

根据第一方面，提供了一种在自动化诊断分析系统中表征试样的方法。该方法包括：利用图像捕获设备来捕获试样容器的图像；利用匿名化网络在该图像中标识附着到试样容器的标签；以及利用该匿名化网络来编辑该图像以掩蔽（mask）所标识的标签，使得从该图像中移除该标签中存在的信息以产生经编辑的图像。

根据第二方面，提供了一种在自动化诊断分析系统中表征试样容器的方法。该方法包括：捕获试样容器的图像；利用该自动化诊断分析系统的匿名化网络在该图像中标识附着到试样容器的标签；以及利用该匿名化网络来编辑该图像以掩蔽该标签，使得从该图像中移除该标签上存在的一些或所有信息。

根据另一方面，提供了一种自动化诊断分析系统的品质检查模块。该品质检查模块包括：在成像位置周围布置的多个图像捕获设备，该多个图像捕获设备被配置成从多个视点捕获试样容器的多个图像；以及耦合到该多个图像捕获设备的计算机。该计算机经由编程指令被配置并且可操作以将由该多个图像捕获设备中的一个取得的所捕获的图像输入到在该计算机上执行的匿名化网络，其中所捕获的图像至少描绘了试样容器和附着到试样容器的标签。该计算机还经由编程指令被配置并且可操作以经由该匿名化网络在所捕获的图像中标识附着到试样容器的标签，并且经由该匿名化网络来编辑所捕获的图像以掩蔽所标识的标签，使得从所捕获的图像中移除该标签中存在的一些或所有信息、以及特别是敏感的患者信息。可以输出经编辑的图像，以用于经由在该计算机上执行的HILN网络对试样容器中的试样进行分割或干扰物确定（例如，HILN——溶血、黄疸、高脂血或正常）。

本公开的仍其他方面、特征和优点可以容易地从包括预期用于实施本发明的最佳模式的多个示例实施例和实现方式的以下描述和图示中变得明显。本公开还可以具有其他和不同的实施例，并且其若干个细节可以在各个方面被修改，所有这些都不脱离本公开的范围。本公开意图覆盖落入权利要求范围内的所有修改、等同物和替代物。

附图说明

下面描述的附图用于说明性目的，并且不一定按比例绘制。因此，附图和描述本质上被认为是说明性的，而不是限制性的。附图不意图以任何方式限制本发明的范围。

图1图示了根据一个或多个实施例的包括一个或多个品质检查模块的自动化诊断分析系统的俯视示意图，该品质检查模块被配置成执行成像和标签匿名化、以及分割和/或HILN（溶血、黄疸、高脂血、正常）确定方法。

图2图示了试样容器的侧视图，该试样容器包括具有血清或血浆部分的被分离的试样，该血清或血浆部分可能包含干扰物并且进一步包含标签，该标签在其上包含患者信息和/或条形码。

图3图示了图2的试样容器的侧视图，该试样容器以竖直取向被保持在保持器中，该保持器可以在图1的自动化诊断分析系统内的轨道上被运送。

图4A图示了根据一个或多个实施例的品质检查模块（其中移除了顶部）的示意性俯视图，该品质检查模块包括多个视点（例如，视点1-3），并且被配置成捕获和分析多个图像以实现标签匿名化以及分割和/或HILN确定。

图4B图示了根据一个或多个实施例的沿着图4A的剖面线4B-4B截取的图4A的品质检查模块（其中移除了前围壁（front enclosure wall））的示意性侧视图。

图5图示了根据一个或多个实施例的HILN网络的功能框图，该HILN网络可操作以输出试样容器中的试样的分割数据和干扰物确定和分类索引（index），并且该框图进一步包括匿名化网络（AN），该匿名化网络可操作以编辑所捕获的图像以便掩蔽标签上的一些或所有信息。

图6图示了根据一个或多个实施例的从匿名化网络输出的试样容器中的试样的经编辑的图像，其中附着到试样容器的标签上存在的信息（例如，患者信息和条形码）已经被掩蔽和移除。

图7是根据一个或多个实施例的在包括标签匿名化的自动化诊断分析系统中表征试样的方法的流程图。

具体实施方式

使患者信息被包括在所存储的试样容器图像中可能会潜在地损害患者隐私。因此，存在如下未满足的需要：即，提供一种允许表征试样容器中的试样、同时在自动化诊断分析系统中保护附着到试样容器的一个或多个标签中可能存在的患者信息的方法、系统和装置。

可以在自动化诊断分析系统的品质检查模块处自动执行对试样容器中包含的试样的预筛选。根据一个或多个实施例的预筛选可以包括：在成像站（例如，品质检查模块的成像站）处捕获试样容器中包含的试样的一个或多个图像（例如，一个或多个数字图像）；编辑所捕获的图像以掩蔽附着到试样容器的一个或多个标签中可能存在的患者信息，而不影响试样的所成像的流体特性；以及将经编辑的图像存储在计算机存储器或数据库中（其中不存储描绘标签信息的原始捕获的图像）。然后，使用经编辑的图像，预筛选可以自动执行分割确定和/或HILN确定。分割确定可以标识试样容器和试样的各种区域，诸如例如血清或血浆部分、沉降血液部分、凝胶分离剂（separator）（如果使用的话）、空气区域、一个或多个标签区域、试样容器的类型（指示例如高度和宽度/直径）、和/或试样容器盖的类型和/或颜色。HILN确定可以确定血液试样的血清或血浆部分中的干扰物的存在以及在一些实施例中确定该干扰物的程度、或者试样是否正常（N），正常（N）指示该试样要么包含可接受的低量干扰物、要么根本不包含干扰物。

干扰物可以是溶血（H）、黄疸（I）或高脂血（L）。溶血可以被定义为血清或血浆部分中的如下状况：其中红血细胞在预处理期间被破坏，这导致血红蛋白从红血细胞释放到血清或血浆部分中，使得血清或血浆部分呈现微红色调。溶血的程度可以通过指派溶血索引（例如，在一些实施例中是H0-H6，并且在其他实施例中更多或更少）来量化。黄疸可以被定义为血液的如下状况：其中血清或血浆部分是褪色的暗黄色，这是由胆汁色素（胆红素）的积聚所引起的。黄疸的程度可以通过指派黄疸索引（例如，在一些实施例中是I0-I6，并且在其他实施例中更多或更少）来量化。高脂血可以被定义为血液中异常高浓度的乳化脂肪的存在，使得血清或血浆部分具有泛白或乳白色的外观。高脂血的程度可以通过指派高脂血索引（例如，在一些实施例中是L0-L4，并且在其他实施例中更多或更少）来量化。在一些实施例中，预筛选过程可以包括确定尚未离心的试样的血清或血浆部分的未离心（U）类别。

一种被配置成执行预筛选表征方法的自动化诊断分析系统的品质检查模块可以包括匿名化网络和HILN网络，该匿名化网络和HILN网络均经由在品质检查模块的计算机中可执行的编程指令来实现。匿名化网络可以是通用对抗网络（GAN）或变分自编码器（VAE）。替代地，匿名化网络可以是能够进行图像修补（image inpainting）以便掩蔽标签上的一些或所有信息的任何合适的机器学习算法或方法。特别地，可以对专利信息进行修补。在Guilin Liu等人的“Image Inpainting For Irregular Holes Using PartialConvolutions”，NVIDIA Corporation，Version 2，last revised December 15，2018中描述了可能合适的示例匿名化网络，其在此通过引用并入本文中。

根据一个或多个实施例的匿名化网络可以被配置成修补试样和试样容器的所捕获的图像中的一个或多个标签，以便掩蔽（移除、替换或擦除）一个或多个标签上的所有条形码和打印文本，同时保留试样的所成像的流体特性，使得经编辑的图像将不会影响随后的试样分割和/或HILN确定。经编辑的图像中的一个或多个经修补的标签可能在经编辑的图像中看起来为纯白色标签，尽管其他颜色也是可能的。在一些实施例中，匿名化网络被配置成重建/生成没有任何标签的试样和试样容器的图像。在一些实施例中，匿名化网络可以被配置成在所捕获的图像中没有描绘试样容器、和/或所捕获的图像缺少条形码和/或标签的情况下报告错误。在一些实施例中，匿名化网络可以被配置成在所捕获的图像中移除由例如机器/相机设置和/或校准中的变化引起的一些噪声。

自动化诊断分析系统的品质检查模块还可以包括HILN网络，该HILN网络可以是例如分割卷积神经网络（SCNN），该网络从匿名化网络接收一个或多个经编辑的图像作为输入。在一些实施例中，SCNN可以包括多于100个操作层，包括例如BatchNorm、ReLU激活、卷积（例如，2D）、丢弃（dropout）和去卷积（例如，2D）层，以提取特征，诸如简单边缘、纹理、以及血清或血浆部分和含标签区域的部分。顶部层（诸如，全卷积层）可以用于提供部分之间的相关性。该层的输出可以被馈送到SoftMax层，该SoftMax层在每像素（或每片块——包括n×n个像素）的基础上产生关于每个像素或片块是否包括HILN的输出。在一些实施例中，SCNN可以仅提供HILN的输出。在其他实施例中，SCNN的输出可以包括多于20个类别的HILN，使得针对存在的每种干扰物，还获得该干扰物的水平（索引）的估计。SCNN还可以包括前端容器分割网络（CSN），以确定容器类型和容器边界。更特别地，CSN可以对试样容器和试样的各种区域进行分类（或“分割”），这些区域诸如血清或血浆部分、沉降血液部分、凝胶分离剂（如果使用的话）、空气区域、一个或多个标签区域、试样容器的类型（指示例如高度和宽度/直径）、和/或试样容器盖的类型和/或颜色。还可以对试样容器保持器或背景进行分类。替代地，可以使用其他类型的HILN网络。

如果发现试样包含H、I和L中的一个或多个，则可以向操作者提供合适的通知，和/或可以将该试样容器从线上拿走（take off line），（1）以执行补救从而纠正H、I或L中的一个或多个，（2）以重新抽取（redraw）试样，或者（3）以执行其他处理。因此，在由一个或多个分析器进行的分析之前针对HILN进行预筛选的能力可以有利地（a）最小化分析具有不适合用于分析的品质的试样所浪费的时间；（b）避免或最小化错误的测试结果；（c）最小化患者测试结果延迟；和/或（d）避免对患者试样的浪费，这些全部是在保护患者信息的同时进行的。不正确/低置信度的样本试样可以被存储在本地数据库或基于云的系统中。

本文中将参考图1-7来进一步描述本发明的表征方法、被配置成执行本发明的表征方法的品质检查模块、以及包括一个或多个品质检查模块的自动化诊断分析系统的进一步细节。

图1图示了能够自动处理包含试样212（参见图2）的多个试样容器102的自动化诊断分析系统100。试样容器102可以在运送到在自动化诊断分析系统100周围布置的一个或多个分析器（例如，第一分析器106、第二分析器108和/或第三分析器110）并且由其分析之前被提供在装载区域105处的一个或多个架子（rack）104中。该系统中可以有更多或更少数量的分析器。分析器可以是任何数量的临床化学分析器、化验仪器等或其组合。试样容器102可以是任何合适的透明或半透明容器，诸如血液收集管、试管、样本杯、小玻璃管（cuvette）、或能够包含试样212并允许对其中包含的试样212进行成像的其他透明或不透明玻璃或塑料容器。试样容器102在大小上可以变化。

试样212（参见图2）可以在试样容器102中被提供给自动化诊断分析系统100，试样容器102可以用盖214盖住。盖214可以具有不同的类型和/或颜色（例如，红色、宝蓝色、浅蓝色、绿色、灰色、棕褐色、黄色或颜色组合），这可以在如下方面具有意义：试样容器102被用于什么测试、其中包括的添加剂的类型、容器是否包括凝胶分离剂等。也可以使用其他颜色。在一个实施例中，盖类型可以通过本文中描述的表征方法来确定。

每一个试样容器102可以被提供有一个或多个标签218，标签218可以在其上包括标识信息218（即，标记），诸如条形码、字母字符、数字字符或其组合。标识信息218i可以包括例如患者信息（例如，姓名、出生日期、地址和/或其他个人信息）、要执行的测试、获得试样的时间和日期、医学设施信息、跟踪和路线信息等。其他信息也可以被包括在内。标识信息218i可以在关于自动化诊断分析系统100的各个位置处是机器可读的。机器可读信息可以比标签材料（例如，白色）更深（例如，黑色），使得它可以容易地被成像。标识信息218i可以经由实验室信息系统（LIS）147来指示患者的标识以及要对试样212执行的测试、或者以其他方式与其关联。这种标识信息218i可以被提供在标签218上，标签218可以粘附到或以其他方式被提供在管215的外表面上。如图2中所示，标签218可能不会一直围绕试样容器102延伸，或者不会一直沿着试样容器102的长度延伸，使得从所示的特定前部视点，血清或血浆部分212SP的大部分是可见的（用虚线示出的部分）并且不被标签218遮挡。

试样212可以包括被包含在管215内的血清或血浆部分212SP和沉降血液部分212SB。空气216可以被提供在血清和血浆部分212SP上方，并且它们之间的分界线被定义为液体-空气界面（LA）。血清或血浆部分212SP与沉降血液部分212SB之间的分界线被定义为血清-血液界面（SB）。空气216与盖214之间的界面被定义为管-盖界面（TC）。管的高度（HT）被定义为从管215的最底部部分到盖214的底部的高度，并且可以用于确定管大小。血清或血浆部分212SP的高度是HSP，并且被定义为从血清或血浆部分212SP的顶部到沉降血液部分212SB的顶部的高度。沉降血液部分212SB的高度是HSB，并且被定义为从沉降血液部分212SB的底部到SB处的沉降血液部分212SB的顶部的高度。HTOT是试样212的总高度，并且等于HSP加上HSB。

更详细地，自动化诊断分析系统100可以包括基座120（图1）（例如，框架、地板或其他结构），轨道121可以安装在基座120上。轨道121可以是有导轨的轨道（例如，单轨或多轨）、传送带集合、传送链、可移动平台或任何其他合适类型的传送机构。轨道121可以是圆形或任何其他合适的形状，并且在一些实施例中可以是闭合轨道（例如，环形轨道）。在操作中，轨道121可以将试样容器102中的个体试样容器用载体122运送到关于轨道121而间隔开的各种位置。

载体122可以是被动的、非马达驱动的圆盘，该圆盘可以被配置成在轨道121上承载单个试样容器102，或者载体122可选地是自动化载体，其包括板载驱动马达，诸如被编程为关于轨道121而移动并且在预编程的位置处停止的线性马达。可以使用载体122的其他配置。载体122可以均包括保持器122H（参见图3），该保持器122H被配置成以限定的竖直位置和取向来保持试样容器102（如所示出）。保持器122H可以包括多个指状物或片簧，该指状物或片簧将试样容器102固定在载体122上，但是一些指状物或片簧是可移动的或柔性的以容纳不同大小的试样容器102。在一些实施例中，载体122可以在从一个或多个架子104被卸载之后从装载区域105离开。装载区域105可以起到双重功能，即，还允许在预筛选和/或分析完成之后将试样容器102从载体122重新装载到装载区域105。

机器人124可以被提供在装载区域105处，并且可以被配置成从一个或多个架子104抓取（grasp）试样容器102，并且将试样容器102装载到载体122上，诸如装载到轨道121的输入通道上。机器人124还可以被配置成将试样容器102从载体122重新装载到一个或多个架子104。机器人124可以包括一个或多个（例如，至少两个）机器人臂或组件，该机器人臂或组件能够进行X（横向）和Z（垂直——从该页面离开，如所示出）、Y和Z、X、Y和Z、或r（径向）和θ（theta）（旋转）运动。机器人124可以是高架式（gantry）机器人、关节型机器人、R-θ机器人或其他合适的机器人，其中机器人124可以配备有机器人夹具指状物，该夹具指状物被定向、形成尺寸并配置成拾取和放置试样容器102。

在被装载到轨道121上时，由载体122承载的试样容器102可以前进到第一预处理站125。例如，第一预处理站125可以是被配置成实施对试样212的分级分离（fractionation）的自动化离心机。承载试样容器102的载体122可以通过流入通道或其他合适的机器人而被转移到第一预处理站125。在被离心之后，试样容器102可以在流出通道上离开，或者以其他方式由机器人移除，并且沿着轨道121继续。在所描绘的实施例中，载体122中的试样容器102接下来可以被运送到品质检查模块130以执行预筛选，如将在本文中进一步描述的那样。

品质检查模块130被配置成进行预筛选并且执行本文中描述的表征方法，以自动确定试样212中包含的H、I和/或L的存在并且可选地确定其限度（extent）或程度、或者试样是否正常（N）。如果发现包含有效低量的H、I和/或L，从而被认为是正常的（N），则试样212可以在轨道121上继续，并且然后可以由一个或多个分析器（例如，第一、第二和/或第三分析器106、108和/或110）基于分析器106、108和/或110的测试订单和相应测试菜单来分析。此后，试样容器102可以被返回到装载区域105以用于重新装载到一个或多个架子104。

在一些实施例中，除了HILN检测之外，还可以进行对试样容器102和试样212的分割。根据分割数据，可以使用后处理来量化试样212（即，确定HSP、HSB、HTOT、以及确定SB或SG和LA的位置）。在一些实施例中，对试样容器102的物理属性（例如，大小——高度和宽度/直径）的表征可以在品质检查模块130处进行。这种表征可以包括确定HT和W，并且可能地确定TC和/或Wi。根据该表征，可以提取试样容器102的大小。此外，在一些实施例中，品质检查模块130还可以确定盖类型，盖类型可以用作安全性检查并且可以捕捉错误的管类型是否已经被用于所订购的测试。盖214的颜色和/或形状可以指示用于特定所订购测试的试样容器102中包含的化学添加剂（抗凝血剂等）的类型。

在一些实施例中，远程站132可以被提供在不直接链接到轨道121的自动化诊断分析系统100上。例如，独立的机器人133（用虚线示出）可以将包含试样212的试样容器102携带到远程站132，并且在测试/预处理之后将它们返回。可选地，试样容器102可以被手动移除和返回。例如，远程站132可以用于针对某些成分（诸如，溶血水平）进行测试，或者可以用于进一步处理，诸如以通过一次或多次添加和/或通过附加的处理来降低高脂血水平，或者移除凝块、气泡或泡沫。使用本文中描述的HILN检测方法的其他预筛选可以在远程站132处完成。

可以在轨道121上的或沿着轨道121的一个或多个位置处提供（一个或多个）附加站。（一个或多个）附加站可以包括去盖站、等分取样站、一个或多个附加品质检查模块130等。

自动化诊断分析系统100可以包括在轨道121周围的一个或多个位置处的多个传感器116。传感器116可以用于借助于读取标识信息218i或被提供在每个载体122上的类似信息（未示出）来检测轨道121上的试样容器102的位置。可以使用用于跟踪位置的任何合适的部件，诸如接近传感器。所有传感器116可以与计算机143对接，使得每个试样容器102的位置可以在任何时候都是已知的。

预处理站和分析器106、108和110可以配备有被配置成从轨道121移除载体122的机器人机构和/或流入通道，并且配备有被配置成使载体122重新进入轨道121的机器人机构和/或流出通道。

自动化诊断分析系统100可以由计算机143控制，计算机143可以是基于微处理器的中央处理单元CPU，该中央处理单元CPU具有合适的存储器和合适的调节电子器件和驱动器，以用于操作各种系统组件。计算机143可以被容纳作为自动化诊断分析系统100的基座120的一部分或者与其分离。计算机143可以操作以控制载体122往返于装载区域105的移动、关于轨道121的运动、往返于第一预处理站125的运动以及第一预处理站125（例如，离心机）的操作、往返于品质检查模块130的运动以及品质检查模块130的操作、以及往返于每个分析器106、108、110的运动。用于执行各种类型的测试（例如，化验或临床化学）的每个分析器106、108、110的操作可以由可以与计算机143通信的分析器的工作站和/或计算机来本地提供。

对于除了品质检查模块130之外的所有模块，计算机143可以根据软件、固件和/或硬件命令或电路来控制自动化诊断分析系统100，该软件、固件和/或硬件命令或电路诸如在由纽约州塔里敦的西门子医疗保健诊断公司销售的Dimension®临床化学分析器上使用的那些，并且这种控制对于基于计算机的机电控制编程领域的技术人员来说是典型的，并且本文中将不再进一步描述。可以使用用于控制自动化诊断分析系统100的其他合适的系统。品质检查模块130的控制也可以由计算机143但是根据本文中详细描述的本发明的表征方法来提供。

用于图像处理以及执行本文中描述的表征方法的计算机143可以包括CPU或GPU、足够的处理能力和RAM以及合适的存储装置。在一个示例中，计算机143可以是配备有多处理器的PC，该PC具有一个或多个GPU、8 GB Ram或更多、以及太字节（Terabyte）或更多的存储装置。在另一示例中，计算机143可以是配备有GPU的PC，或者可选地是以并行化模式操作的配备有CPU的PC。也可以使用MKL，8 GB RAM或更多、以及合适的存储装置。

本公开的实施例可以使用计算机接口模块（CIM）145来实现，该计算机接口模块145允许用户容易且快速地访问各种控制和状态显示屏。这些控制和状态显示屏可以显示并且使得能够控制用于制备和分析试样212的多个相互关联的自动化设备的一些或所有方面。CIM 145可以被采用以提供关于多个相互关联的自动化设备的操作状态的信息、以及描述了任何试样212的位置和要在试样212上执行或正在试样212上执行的测试的状态的信息。因此，CIM 145被适配成便于操作者与自动化诊断分析系统100之间的交互。CIM 145可以包括显示屏，该显示屏可操作以显示包括图标、滚动条、框和按钮的菜单，操作者可以通过该菜单与自动化诊断分析系统100进行对接。菜单可以包括被编程为显示和/或操作自动化诊断分析系统100的功能方面的多个功能元件。

图4A和图4B示出了品质检查模块130的实施例，该品质检查模块130被配置成执行如本文中所示出和描述的表征方法。品质检查模块130可以用编程指令来配置，以在由一个或多个分析器106、108、110进行分析之前针对试样212中的（例如，其血清或血浆部分212SP中的）干扰物（例如，H、I和/或L）的存在和程度进行预筛选。以此方式进行的预筛选允许对试样212进行附加的处理、附加的量化或表征、和/或丢弃和/或重新抽取，而不会浪费有价值的分析器资源或者不会可能地使干扰物的存在影响测试结果的真实性。

除了本文中描述的干扰物检测方法之外，还可以在品质检查模块130处对试样容器102中包含的试样212进行其他检测方法。例如，可以在品质检查模块130处执行一种方法以提供分割数据。分割数据可以在后处理步骤中用于量化试样212，例如以确定试样212的某些物理尺寸特性，诸如LA和SB，和/或确定HSP、HSB和/或HTOT。量化还可以涉及估计例如血清或血浆部分的体积（VSP）和/或沉降血液部分的体积（VSB）。此外，品质检查模块130可以用于量化试样容器102的几何形状，即量化试样容器102的某些物理尺寸特性，诸如试样容器102的TC、HT和/或W或Wi的位置。还可以确定其他可量化的几何特征。

品质检查模块130可以包括壳体446，壳体446可以至少部分地围绕或覆盖轨道121以最小化外部光照影响。在图像取得序列期间，试样容器102可以位于壳体446内部。壳体446可以包括一个或多个门446D，以允许载体122进入壳体446和/或从壳体446离开。在一些实施例中，顶板（ceiling）可以包括开口446O，以允许由包括可移动机器人指状物的机器人从上方将试样容器102装载到载体122中或从载体122中移除。

如图4A和4B中所示，品质检查模块130可以包括多个图像捕获设备440A-440C，图像捕获设备440A-440C被配置成从多个视点（被标记为1、2和3的视点）捕获成像位置432处的试样容器102和试样212的横向图像。虽然三个图像捕获设备440A-440C被示出并且是优选的，但是可选地，可以使用两个、四个或更多个。视点1-3可以被布置成使得它们彼此近似相等地间隔开，诸如彼此间隔大约120°，如所示出。图像可以以循环（round robin）的方式取得，例如其中来自视点1的一个或多个图像可以通过视点2和3顺序地（sequentially）取得。可以使用其他图像取得序列。光源444A-444C可以对试样容器102进行背部光照（如所示出）。因为从视点1-3取得的一个或多个图像可能被一个或多个标签218部分地或完全地遮挡（即，没有血清或血浆部分212SP的清晰视图），所以多个视点是有利的。

如所描绘的，图像捕获设备440A、440B、440C可以在轨道121周围来布置。可以使用多个图像捕获设备440A、440B和440C的其他布置。以这种方式，当试样容器102在成像位置432处驻留于载体122中时，可以取得试样容器102中的试样212的图像。由图像捕获设备440A、440B和440C获得的多个图像的视场可以在圆周范围（circumferential extent）内略微重叠。

图像捕获设备440A-440C可以是用于捕获良好限定的数字图像的任何合适的设备，诸如能够捕获像素化图像的传统数字相机、电荷耦合器件（CCD）、光电检测器阵列、一个或多个CMOS传感器等。所捕获的图像大小可以是例如大约2560×694像素。在另一个实施例中，图像捕获设备440A、440B、440C可以捕获例如可以是大约1280×387像素的图像大小。可以使用其他图像大小和像素密度。

响应于从计算机143接收到在通信线路443A、443B和443C中提供的触发信号，可以在品质检查模块130处触发和捕获每个图像。根据一个或多个实施例，每个所捕获的图像可以由计算机143来处理。在一个特别有效的方法中，可以使用高动态范围（HDR）处理来捕获和处理来自所捕获图像的图像数据。

图5示出了功能HILN网络架构500，该架构500被配置成执行本文中描述的表征方法和标签匿名化。功能架构500可以在品质检查模块130中实现，并且由计算机143经由合适的编程指令来执行。如上所讨论，可以在品质检查模块130的成像位置432（图4A和图4B）处提供试样容器102，如功能框502处所表示。可以由多个图像捕获设备440A-440C来捕获试样容器102的多视点图像（例如，来自视点1、2和3），如功能框504处所表示。可选地，可以初始处理每一个多视点图像的图像数据，以提供多个最佳曝光和归一化的图像数据集（下文中为“图像数据集”），如功能框506处所表示。根据一个或多个实施例，可以将试样212（和试样容器102）的所捕获图像的图像数据（即，像素数据）作为输入提供给匿名化网络508。在一些实施例中，来自多个视点的各种数字图像可以以数字方式被并排接合（joined side-to-side），以提供包括一个或多个标签的360度图像。

匿名化网络508——其可以是品质检查模块130的一部分——接收试样容器和其中的试样的所捕获图像的图像数据集，并且在所捕获的图像中标识可以附着到试样容器的一个或多个标签。已知试样容器具有不同的标签配置，包括不同数量的标签、重叠程度以及定位（垂直地和周向地）。匿名化网络508可能先前已经被训练成经由任何标签标识方法来标识所捕获的图像中的一个或多个标签218。例如，可以使用标签配置数据库，该数据库包括在匿名化网络508的训练阶段期间所捕获的具有各种配置的标签218的试样容器102的数百或甚至数千个训练图像上的标签数据。可以使用图像比较技术来比较和选择最接近的图像。图像比较可以是逐像素的比较，其中将所捕获的图像中的每一个像素颜色与训练图像中的等效像素进行比较。如果所有像素颜色匹配，则两个图像相同。图像比较工具可以具有要调整的参数，诸如像素/颜色容差，该容差可以被设置为被允许在两个图像之间有区别的像素的数量。因此，可以容忍训练图像与所捕获图像之间的一些差异。可选地，匿名化网络508可以包括可以用于标识标签218的经训练的卷积神经网络（CNN）。可以使用用于定义图像中作为标签218的区域或像素的其他合适的方法。匿名化网络508的训练阶段可以在任何预筛选（表征）之前在品质检查模块130中执行。

在稍后的表征期间，一旦标识了标签，匿名化网络508就可以编辑所捕获的图像。该编辑可以经由修补来掩蔽所标识的标签，使得从所捕获的图像中移除或以其他方式替换该标签中存在的一些或所有信息。例如，可以通过匹配所标识的标签218的背景颜色、利用与标签背景相同的颜色（白色）来执行修补。可选地，可以修补标签218的整个所标识的区域。可以使用其他掩蔽技术来移除标签中存在的信息，诸如以图案（诸如，一个或多个宽线）或者利用除了标签218的背景颜色之外的另一个颜色来编校（redact）该图像中的标签218。修补可以用于改变被标识为先前包含患者信息的标签的像素的颜色，使得先前的专利信息被掩蔽（移除）。此外，匿名化网络508在经编辑的图像中保留了试样的所成像的流体特性，使得随后的试样分割和/或HILN确定不受该掩蔽所影响。来自匿名化网络508的经编辑的图像509可以被存储在计算机143的计算机存储器或数据库和/或（一个或多个）其他存储位置中，并且可以作为输入被提供给可执行分割和/或执行HILN确定的HILN网络535。包含具有患者信息的标签的所捕获的图像（在功能框504处表示）和图像数据（在可选功能框506处表示）不会被永久地存储在任何ROM存储器或数据库中，并且不可由HILN网络535来访问，以便保护患者信息。匿名化网络508可以是通用对抗网络（GAN），该通用对抗网络（GAN）有时也被称为生成对抗网络。GAN技术学习利用与训练集相同的统计信息来生成新数据。例如，在包括标签的照片上训练的GAN可以生成看起来像标签218的新图像。可选地，可以使用变分自编码器（VAE）或能够对图像数据进行图像修补或其他合适的掩蔽的任何其他合适的机器学习算法。

图6示出了可以从匿名化网络508输出的经编辑的图像609的显示。经编辑的图像609描绘了具有经修补的（例如，纯白色）标签618的试样容器602，其中一些或所有打印信息和条形码信息已经通过被移除、替换、修补或编校而被掩蔽。例如，图2和3的试样容器102可能已经是所捕获的图像的源对象，该所捕获的图像作为输入被提供给产生经编辑的图像609的匿名化网络508。在一些实施例中，经编辑的图像609可以包括来自多个视点的图像，这些图像已经以数字方式被缝合在一起（例如，接合）以提供增强的图像，这是因为该标签是从包括该标签的一部分的多个视点观看的。

返回图5，可以是分割卷积神经网络（SCNN）（可以采用其他类型的HILN网络来提供分割和/或HILN确定）的HILN网络535可以提供对试样容器（诸如例如，试样容器602）的经编辑的图像的详细表征。这可以包括例如将试样容器与其背景分离、以及了解血清或血浆部分的含量（content）。这些任务可以利用能够执行像素级分类的HILN网络535来完成。给定来自匿名化网络508的经编辑的输入图像509（即，像素数据），HILN网络535可操作以基于该图像的像素数据值所指示的其局部外观而将分类索引指派给该图像的每个像素。HILN网络535可以进一步处理所提取的像素索引信息，以确定血清或血浆部分212SP的最终HILN分类索引。在一些实施例中，分类索引可以包括21个血清类别，包括未离心类别、正常类别、以及19个HIL类别/子类别，如下面更详细描述的那样。

确定HILN分类索引的挑战可能是由H、I和L类别的每个子类别内的小外观差异而产生的。也就是说，相邻子类别的像素数据值非常相似。为了克服这些挑战，HILN网络535可以包括非常深的语义分割网络（DSSN）538，在一些实施例中，该语义分割网络（DSSN）538包括多于100个操作层。

为了克服可能由试样容器类型（例如，大小和/或形状）中的变化引起的外观差异，HILN网络535还可以包括在DSSN 538的前端处的容器分割网络（CSN）536。CSN 536被配置并且可操作以确定并输出容器类型和边界分割信息539，该信息539例如在适用时可以包括血清或血浆部分212SP、沉降血液部分212SB、凝胶分离剂（如果使用的话）、空气区域216、一个或多个标签区域218的位置、大小、面积和/或体积、试样容器的类型（指示例如高度和宽度/直径）、和/或试样容器盖214的类型和/或颜色。在一些实施例中，CSN 536可以具有与DSSN538类似但是更浅（即，具有少得多的层）的网络结构。

如图5中所示，HILN网络535的输出可以是分类索引540，在一些实施例中，该分类索引540可以包括未离心类别540U、正常类别540N、溶血类别540H、黄疸类别540I和高脂血类别540L。在一些实施例中，溶血类别540H可以包括子类别H0、H1、H2、H3、H4、H5和H6。黄疸类别540I可以包括子类别I0、I1、I2、I3、I4、I5和I6。并且高脂血类别540L可以包括子类别L0、L1、L2、L3和L4。在其他实施例中，溶血类别540H、黄疸类别540I和/或高脂血类别540L中的每一个可以具有其他数量的细粒度子类别。

图7图示了根据一个或多个实施例的表征方法700的流程图。如本文中描述，表征方法700可以由品质检查模块130（结合执行编程指令的计算机143）来执行，并且可以包括：在过程框702处，经由图像捕获设备来捕获试样容器的图像。例如，图像可以由（图4A和图4B的）图像捕获设备440A-440C中的一个或多个来捕获，其中每个图像可以是数字的、像素化的图像。所捕获的图像可以被单独地处理，或者以数字方式被接合作为一个所捕获的图像并且被处理。

表征方法700可以进一步包括：在过程框704中，经由该品质检查模块的匿名化网络（诸如，图5的匿名化网络508）在所捕获的图像中标识附着到试样容器的标签。

在过程框706中，表征方法700可以包括：经由该匿名化网络（例如，匿名化网络508）来编辑所捕获的图像，以掩蔽所标识的标签（例如，标签218），使得从经编辑的图像中移除该标签中存在的一些或所有信息。例如，参考图5和图6，经编辑的图像可以是经编辑的图像609，其中所成像的标签618已经被掩蔽，使得可能已经存在于试样容器102的标签218（参见图2和图3）上的打印信息和任何条形码信息218i从经编辑的图像中被移除。移除可以包括修补或以其他方式替换包含打印信息和任何条形码信息218i的像素。在一些实例中，移除可以包括编校。

在过程框708中，表征方法700可以包括：输出经编辑的图像，以用于经由该品质检查模块的HILN网络对试样容器中的试样进行分割和/或HILN（溶血、黄疸、高脂血、正常）确定。例如，如图5中所示，匿名化网络508的输出（例如，经编辑的图像509）可以被提供给HILN535以用于分割和/或HILN确定。HILN确定可以是分类索引540（例如，540U、540N、540H、540I或540L），并且在一些实施例中，还可以包括子类别，诸如540H（H0、H1、H2、H3、H4、H5、H6）、540I（I0、I1、I2、I3、I4、I5、I6）和540L（L0、L1、L2、L3和L4）。

因此，基于前述内容，应当清楚的是，提供了改进的表征方法700，该表征方法700在自动化分割和/或HILN确定期间保护患者信息。

同样应当清楚的是，上述表征方法可以使用品质检查模块（例如，品质检查模块130）来执行，该品质检查模块包括多个图像捕获设备（例如，图像捕获设备）440A-440C，该图像捕获设备440A-440C在成像位置（例如，成像位置432）周围布置，并且被配置成从一个或多个视点（例如，图4A的视点1-3）来捕获包括一个或多个标签218并且包含试样212的试样容器102的一个或多个图像。该品质检查模块还包括计算机（例如，计算机143），该计算机耦合到多个图像捕获设备并且被配置成处理一个或多个图像的像素数据。该计算机（例如，计算机143）还可以被配置成并且能够被操作以掩蔽附着到该试样的一个或多个所捕获的图像中描绘的试样容器的标签中存在的任何信息，并且基于其中标签信息被掩蔽的该试样的一个或多个经编辑的图像来提供HILN确定。在一些实施例中，包括标签218中存在的信息的图像不会被永久存储，并且仅作为框704和706的标识和编辑过程的一部分被临时存储。

虽然本公开容许有各种修改和替代形式，但是特定方法和装置实施例已经在附图中以示例方式被示出，并且在本文中详细描述。然而，应当理解的是，本文中公开的特定方法和装置并不意图限制本公开，而是相反地，要覆盖落入权利要求范围内的所有修改、等同物和替代物。

Claims

1.一种在自动化诊断分析系统中表征试样的方法，包括：

利用图像捕获设备来捕获试样容器的图像；

利用匿名化网络在所述图像中标识附着到试样容器的标签；以及

利用所述匿名化网络来编辑所述图像以掩蔽所述标签，使得从所述图像中移除所述标签中存在的信息以产生经编辑的图像，

其中所述匿名化网络：

-是品质检查模块的一部分，或

-包括通用对抗网络，或

-包括变分自编码器，或

-被配置成修补试样和试样容器的所述图像中的所述标签，以便擦除所述标签上的所有条形码和打印文本，并且在经编辑的图像中形成经修补的标签，或

-被配置成修补所述标签，以便掩蔽所述标签上的所有条形码，或

-被配置成修补所述标签，以便掩蔽所述标签上的所有打印文本。

2.根据权利要求1所述的方法，包括：输出经编辑的图像，以用于利用品质检查模块的溶血、黄疸、高脂血或正常HILN网络对试样容器中的试样进行分割或干扰物确定，其中所述HILN网络被配置成基于所编辑的图像来执行对试样容器中的试样的分割或干扰物确定。

3.根据权利要求1所述的方法，其中经修补的标签在经编辑的图像中看起来为白色标签。

4.根据权利要求1所述的方法，其中分割卷积神经网络(SCNN)从所述匿名化网络接收一个或多个经编辑的图像作为输入。

5.根据权利要求1所述的方法，在任何表征之前，在训练阶段中训练所述匿名化网络。

6.根据权利要求1所述的方法，其中利用所述匿名化网络对所述图像的编辑在经编辑的图像中保留了试样的所成像的流体特性。

7.根据权利要求1所述的方法，其中为了保护患者信息，不永久存储包含具有患者信息的标签的所捕获的图像。

8.根据权利要求1所述的方法，其中所述信息是患者信息。

9.根据权利要求1所述的方法，其中利用所述匿名化网络对所述图像的所述编辑移除了所述标签上存在的所有信息。

10.根据权利要求1所述的方法，包括：从其他视点捕获试样容器的图像。

11.一种在自动化诊断分析系统中表征试样容器的方法，包括：

捕获试样容器的图像；

标识附着到试样容器的标签；

利用匿名化网络来编辑所述图像以掩蔽所述标签，使得从所述图像中移除所述标签上存在的一些或所有打印信息以形成经编辑的图像；以及

存储经编辑的图像，

其中所述匿名化网络：

-是品质检查模块的一部分，或

-包括通用对抗网络，或

-包括变分自编码器，或

12.一种自动化诊断分析系统的品质检查模块，包括：

多个图像捕获设备，其在成像位置周围布置，所述多个图像捕获设备被配置成从多个视点捕获试样容器的多个图像；以及

计算机，其耦合到所述多个图像捕获设备，所述计算机经由编程指令被配置并且可操作，以便：

将由所述多个图像捕获设备中的一个取得的所捕获的图像输入到在所述计算机上执行的匿名化网络，所捕获的图像至少描绘了试样容器和附着到试样容器的标签，

经由所述匿名化网络在所捕获的图像中标识附着到试样容器的标签，以及

经由所述匿名化网络来编辑所捕获的图像以产生经编辑的图像，以掩蔽所标识的标签，使得从所捕获的图像中移除所述标签中存在的信息，

其中所述匿名化网络：

-是品质检查模块的一部分，或

-包括通用对抗网络，或

-包括变分自编码器，或

13.根据权利要求12所述的品质检查模块，其中所述计算机进一步经由编程指令被配置并且可操作，以便：

输出经编辑的图像，以用于经由在所述计算机上执行的溶血、黄疸、高脂血或正常HILN网络对试样容器中的试样进行分割或干扰物确定，其中所述HILN网络被配置成基于所编辑的图像来执行对试样容器中的试样的分割或干扰物确定。

14.根据权利要求13所述的品质检查模块，其中所述计算机进一步经由编程指令被配置并且可操作以显示经编辑的图像，其中所述标签上的信息从所捕获的图像中被移除。