【技术实现步骤摘要】
【国外来华专利技术】使用智能监测结构的基于图像的测定相关申请的交叉引用本申请要求于2018年8月16日提交的美国临时专利申请第62/719,129号和于2018年8月16日提交的美国临时专利申请第62/764,886号的优先权权益，其内容通过引用整体并入本文。本文提及的任何出版物或专利文献的全部公开内容通过引用整体并入。
其中，本专利技术涉及执行生物和化学测定、计算成像、人工智能和机器学习的装置和方法。
技术介绍
在生物和化学测定(包括全血细胞计数)中，准确度是必要的。然而，在使用低成本仪器和资源有限的条件下，仪器和操作的误差是不可避免的。本专利技术尤其提供了用于改善样品中基于图像的生物/化学测定的准确度的装置和方法。
技术实现思路
以下简要概述并不旨在包括本专利技术的所有特征和方面。本专利技术的一个方面是一种使用具有特别设计的监测结构的样品保持装置改善基于成像的测定的方法，所述监测结构用于测定准确度、效率、误差检测、监测或其任何组合。本专利技术的另一方面是一种微选择性图像测定(MSIA)的方法，其可以对由成像器拍摄的样品的单个图像执行多个测定应用。本专利技术的另一方面是一种从用于测定的样品的图像中检测监测结构并定位它们的中心的方法，其中该方法使用与多个监测结构相关联的预定结构特性将机器学习与误差校正相结合。本专利技术的另一方面是在基于图像的测定中估计真实横向尺寸(TLD)的方法，由此可以确定样品图像中分析物的实际尺寸或形态特征。本专利技术的另一方面是一种确定样...
【技术保护点】
1.利用图像处理和机器学习进行
【技术特征摘要】
【国外来华专利技术】20180816 US 62/719,129;20180816 US 62/764,886;20181.利用图像处理和机器学习进行移动测定(利用QMAX卡)的方法和装置的示例-浓度估计(CBC)、分割等。
AA-1.一种用于校正含有薄层样品的图像系统的系统误差的方法，所述方法包含：
由图像系统的处理装置接收图像和与包含样品和监测标准的样品卡相关联的第一参数；
由所述处理装置使用第一机器学习模型，通过将所述第一参数与第二参数进行比较来确定所述图像系统的系统误差，所述第二参数与在所述样品卡的制造期间确定的所述监测标准相关联；
考虑所述系统误差，由处理装置校正样品卡的图像；以及
由所述处理装置使用所述经校正的图像来确定所述样品的生物特性。
AA-2.如示例AA-1所述的方法，其中所述监测标准包含所述样品卡的板上的多个纳米结构，并且其中所述样品沉积在所述板上。
AA-3.如示例AA-1所述的方法，其中所述样品是从动物收集的生物样品。
利用柱和使用标记(柱)从Q卡的成像进行图像校正的TLD(FoV)估计的示例
BA-1.一种智能测定监测方法，包含：
由处理装置接收对沉积在样品卡中的生物样品的第一信息和多个监测标记的第二信息进行编码的图像；
由所述处理装置对图像执行第一机器学习模型来确定与多个监测标记相关联的几何特征的测量；
由所述处理装置确定几何特征的测量与样品卡提供的几何特征的基准真值之间的变化；
由所述处理装置基于所述变化校正对所述第一信息和所述第二信息进行编码的图像；以及
由所述处理装置使用所述经校正的图像来确定所述生物样品的生物特性。
BA-2.如示例BA-1所述的方法，其中所述样品卡包含第一板、基本上垂直于所述第一板的表面集成的多个柱，和能够包围所述第一板以形成其中沉积所述生物样品的薄层的第二板。
BA-3.如示例BA-2所述的方法，其中多个监测标记对应于多个柱。
BA-4.如示例BA-3所述的方法，其中所述多个柱中的至少两个由真实横向尺寸(TLD)分开，并且其中由所述处理装置对图像执行第一机器学习模型来确定与多个监测标记相关联的几何特征的测量，包含由所述处理装置对所述图像执行所述第一机器学习模型来确定所述TLD。
BB-1.一种图像系统，包含：
样品卡，包含第一板、基本上垂直于所述第一板的表面集成的多个柱，和能够包围所述第一板以形成其中沉积所述生物样品的薄层的第二板；
计算装置，包含：
处理装置，通信地耦合到光学传感器，以：
从所述光学传感器接收对沉积在所述样品卡中的生物样品的第一信息和多个监测标记的第二信息进行编码的图像；
使用所述图像上的第一机器学习模型来确定与所述多个监测标记相关联的几何特征的测量；
确定几何特征的测量与样品卡提供的几何特征的基准真值之间的变化；
基于所述变化校正对所述第一信息和所述第二信息进行编码的图像；以及
基于所述经校正的图像确定所述生物样品的生物特性。
用于测定中卡闭合不当检测的柱上对象的检测示例
CA-1.一种用于校正记录在薄层样品的测定图像中的人工操作误差的方法，所述方法包含：
由图像系统的处理装置接收包含样品和监测标准的样品卡的图像，其中所述监测标准包含集成在所述样品卡的第一板上的多个纳米结构，并且其中所述样品以所述样品卡的开放构造沉积在所述第一板上，并且以所述样品卡的闭合构造由所述样品卡的第二板包围；
由所述处理装置将图像分割成对应于样品的第一子区域和对应于多个纳米结构的第二子区域；
由所述处理装置将所述第二子区域与在所述样品的制造期间提供的所述监测标准进行比较，以确定所述第二子区域中的至少一个是否包含除所述纳米结构之外的异物；
响应于确定所述第二子区域中的至少一个含有除所述纳米结构之外的异物，确定与操作所述样品卡相关联的误差；以及
通过从所述图像中去除所述至少一个子区域来校正所述样品卡的图像。
CA-2.如示例CA-1所述的方法，其中所述异物是所述样品的一部分、气泡或杂质中的一种。
在测定中缺陷(例如气泡、灰尘等)和辅助结构(例如柱)去除的示例
DA-1.一种用于测量薄层样品卡中的样品的体积的方法，所述方法包含：
由图像系统的处理装置接收包含样品和监测标准的样品卡的图像，其中所述监测标准包含与所述样品的第一板垂直集成的多个柱，并且所述多个柱中的每一个具有基本相同的高度(H)；
由所述处理装置使用机器学习模型确定多个非样品子区域，其中多个非样品子区域对应于柱、气泡或杂质元素中的至少一个；
由所述处理装置通过从图像中去除多个非样品子区域来计算样品所占据的面积；
由所述处理装置基于所述计算的面积和高度(H)计算所述样品的体积，以及
由所述处理装置基于所述体积确定所述样品的生物特性。
用于确定测定结果的可信性的ESX-105可信性(1028_03)的示例
a.组合基于ML的边界框检测和基于图像处理的形状确定的形状分割
b.测定中分析物检测的均匀性(基于IQR的异常值检测)
c.使用ML的聚集分析物检测
d.使用ML的卡上干燥纹理检测
e.使用ML的灰尘、油等缺陷检测
f.使用ML的气泡检测
EA-1.一种用于确定与图像测定结果相关联的可信性测量的方法，所述方法包含：
由图像系统的处理装置接收包含样品和监测标准的样品卡的图像，所述监测标准包含集成到所述样品的第一板的多个纳米结构；
由所述处理装置将图像分割成对应于样品的第一子区域和对应于多个纳米结构的第二子区域；
由所述处理装置使用第一机器学习模型来确定所述第一子区域或所述第二子区域中的至少一个中的非顺应性元素；
由所述处理装置基于所述第一子区域和所述第二子区域确定所述样品的生物特性；
由所述处理装置基于对所述非顺应性元素的统计分析来计算与所述生物特性相关联的可信性测量；以及
由所述处理装置基于所述可信性测量来确定对所述样品的进一步动作。
EA-2.由示例EA-1所述的方法，进一步包含：
由所述处理装置基于所述可信性测量来确定所述生物特性是可靠的；以及
由所述处理装置向显示装置提供所述生物特性。
EA-3.由示例EA-1所述的方法，进一步包含：
由所述处理装置基于所述可信性测量来确定所述生物特性不太可靠；以及
由所述处理装置将所述生物特性和对应的可信性测量提供给显示装置，以允许用户确定是接受还是丢弃生物特性。
EA-4.如示例EA-1所述的方法，其中由所述处理装置将图像分割成对应于所述样品的第一子区域和对应于所述多个纳米结构的第二子区域：
由所述处理装置使用图像处理方法对图像执行第一图像分割以产生第一分割结果；
由所述处理装置使用第二机器学习模型对图像执行第二图像分割以产生第二分割结果；以及
由所述处理装置组合所述第一分割结果和所述第二分割结果以将图像分割成对应于所述样品的所述第一子区域和对应于所述多个纳米结构的所述第二子区域。
EA-5.如示例EA-1所述的方法，其中由所述处理装置使用第一机器学习模型来确定所述第一子区域或所述第二子区域中的至少一个中的非顺应性元素包含：以下中的至少一个
由所述处理装置基于所述样品中至少一种分析物的分布不均匀性来确定所述非顺应性元素；
由所述处理装置基于对所述样品的聚集分析物检测来确定所述非顺应性元素；
由所述处理装置基于对所述样品中的干纹理检测来确定所述非顺应性元素；
由所述处理装置基于对所述样品中的杂质检测来确定非顺应性元素；或
由所述处理装置基于对所述样品中的气泡检测来确定非顺应性元素。
使用基于分割的内容对单卡进行多分割测试的示例
FA-1.一种用于使用单样品卡来确定多种分析物的测量的方法，所述方法包含：
由图像系统的处理装置接收包含样品和监测标准的样品卡的图像，其中所述监测标准包含集成到所述样品的第一板的多个纳米结构；
由所述处理装置使用第一机器学习模型将所述图像分割成与包含在所述样品中的第一分析物相关联的第一子区域、与包含在所述样品中的第二分析物相关联的第二区域和对应于所述多个纳米结构的第三子区域；
由所述处理装置基于对应于所述多个纳米结构的所述第三子区域确定两个相邻纳米结构之间的真实横向距离(TLD)；
由所述处理装置基于所述TLD确定所述第一子区域的第一累积面积，并进一步基于所述第一累积面积和与所述多个纳米结构相关联的高度确定第一体积；
由所述处理装置基于所述TLD确定所述子区的第二累积面积，并进一步基于所述第二累积面积和与所述多个纳米结构相关的高度确定第二体积；
由所述处理装置基于所述第一体积中的所述第一分析物的计数确定所述第一分析物的第一测量；以及
由所述处理装置基于所述第二体积中的所述第二分析物的计数来确定所述第二分析物的第二测量。
柱式分光光度计系统及设备的示例
GA-1.一种用于测量样品卡中提供的样品的生物特性的方法，所述样品卡包括多个纳米柱，所述方法包含：
由图像系统的处理装置接收包含样品和监测标准的样品卡的图像，所述监测标准包含集成到所述样品的第一板的多个纳米结构；
由所述处理装置将图像分割成与所述样品对应的第一子区域和与所述多个纳米柱对应的第二子区域；
由所述处理装置确定所述第一子区域的第一分光光度测量；
由所述处理装置确定所述第二子区域的第二分光光度测量；以及
由所述处理装置基于所述第一分光光度测量与第二分光光度测量之间的比例来确定所述样品的生物特性。
用于标记大量小和重复对象的示例
HA-1.一种用于标记图像中的多个对象以准备训练数据的方法，所述方法包含：
由处理装置接收图形用户界面中的图像；
由所述处理装置通过所述图形用户界面接收对图像中的位置的选择；
由所述处理装置基于所述位置局部的多个像素计算所述位置周围的边界框；
由所述处理装置提供叠加在图形用户界面中的图像上的边界框的显示；以及
响应于接收到用户确认，将边界框内的区域标记为训练数据。
IA-1.一种用于制备测定图像的方法，所述方法包含：
提供包含多个标记元素的样品卡；
将样品沉积在处于开放构造的所述样品卡的第一板上；
闭合所述样品卡以将所述样品卡的第二板按压所述第一板压至闭合构造，其中在所述闭合构造中所述第一板和所述第二板形成包含所述样品和所述多个标记元素的基本上均匀的厚度的薄层；以及
提供包含处理装置和存储指令的非瞬态存储介质的图像系统，当由所述处理装置执行所述指令时，用于：
捕获样品卡的图像，其包含基本上均匀厚度的样品和多个标记元素；
检测所述图像中的所述多个标记元素；
将所述检测到的多个标记元素与关联于所述样品卡的监测标准进行比较，以确定所述多个标记元素与所述监测标准之间的几何映射；
基于所述几何映射确定所述图像系统的非理想因子；以及
处理所述样品卡的所述图像以校正所述非理想因子。
IB-1.一种用于制备测定图像的方法，所述方法包含：
提供包含多个标记元素的样品卡；
将样品沉积在处于开放构造的所述样品卡的第一板上；
闭合所述样品卡以将所述样品卡的第二板按压所述第一板压至闭合构造，其中在所述闭合构造中所述第一板和所述第二板形成包含所述样品和所述多个标记元素的基本上均匀的厚度的...
【专利技术属性】
技术研发人员：斯蒂芬·Y·周，丁惟，周芜，田军，张越成，吴明权，李星，
申请(专利权)人：ESSENLIX公司，
类型：发明
国别省市：美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。