CN108139320B - 用于对试样中的干扰物进行分类的基于模型的方法和装置 - Google Patents

Abstract

提供了针对诸如溶血、黄疸和/或脂血（HIL）之类的一个或多个干扰物的存在而检查试样的基于模型的方法。所述方法包括在第一颜色空间中生成试样的像素化图像，确定针对像素化图像中的像素的颜色分量（例如a值和b值），将像素分类为是或者液体或者非液体，基于被分类为液体的像素而定义一个或多个液体区，以及确定所述一个或多个液体区内的一个或多个干扰物的存在。液体分类是基于液体分类模型的。像素分类可以基于经训练的多类分类器。可以提供针对所述一个或多个干扰物的干扰水平。描述了被适配成实施该方法的测试装置，如作为其它方面。

Description

用于对试样中的干扰物进行分类的基于模型的方法和装置

相关申请

本申请要求享有2015年2月17日提交的题为“MODEL-BASED METHODS ANDAPPARATUS FOR CLASSIFYING AN INTERFERENT IN SPECIMENS”的美国临时申请序列号62/117,263的优先权，其公开内容以其整体通过引用并入本文。

技术领域

本发明涉及用于试样的测试的方法和装置，并且更特别地涉及用于确定试样中的干扰物的存在的方法和装置。

背景技术

自动化测试系统可以使用试剂来进行化验以识别诸如尿液、血液血清、血浆、间质液、脑脊髓液等之类的试样中的分析物或其它组分。出于便利和安全原因，在样本容器（例如样本管）内几乎到处都包含这些试样。化验反应生成可以被操纵以确定试样中的分析物或其它组分的浓度的各种信号。

自动化测试技术中的改进已经伴随有借由称为实验室自动化系统（LAS）的自动化分析前样本制备系统的分析前样本制备和处置操作（诸如分类、批量制备、分离样本组分的样本容器的离心分离（centrifugation）、促进流体进入的盖移除等）中的对应发展。LAS可以将样本容器中的试样自动传输至数个分析前样本处理站。

这些LAS可以处置标准、带条形码标签的样本管中所包含的数个不同试样。条形码标签可以包含可以与人口统计信息相关的存取编号，可以将所述人口统计信息连同测试次序和其它期望的信息一起录入到医院的实验室信息系统（LIS）中。操作者可以将带标签的样本容器放置到LAS系统上，LAS系统可以对样本容器进行自动分类和路由以用于诸如离心分析、脱盖和可分量制备（aliquot preparation）之类的分析前操作，并且全部在试样经受通过同样可以是LAS的部分的一个或多个分析器的临床分析之前。

对于某些测试，可能使用血清部分（通过离心分离从全血获取）。在一些情况下，可以向样本容器添加血清分离物以帮助红血细胞部分与血清部分的分离。在离心分离和随后的脱盖过程之后，可以将样本容器传输到适当的分析器，所述适当的分析器可以从样本容器提取试样并且将试样与反应器皿（例如试管）中的一个或多个试剂组合。然后可以执行分析测量，通常使用例如询问辐射射束，并且通过使用光度测定或荧光测定吸收读数等。测量允许端点或速率值的确定，使用公知的技术从所述端点或速率值确定分析物或其它相关组分的量。

不幸的是，作为患者状况或样本处理的结果的某些成分（例如干扰物）在试样中的存在可能不利地影响从分析器获取的分析物测量的结果的精度。例如，可能与患者疾病状态无关的试样（例如血清）中的干扰物可能导致患者的疾病状况的不同解释。分析前变量可以包括溶血（破裂的红血细胞）、黄疸（过量胆红素）和脂血（高、可见脂质含量）。

之前，由有经验的实验室技术人员视觉检查试样的血清的完整性。这可能牵涉其颜色的审查。正常血清具有浅黄色至浅琥珀色。可替换地，包含溶血的血清可能在颜色上相当泛红。例如如果过多数目的红血细胞受损，可能地在静脉穿刺、离心分离期间或在延长的存储之后，干扰物可能出现。当红血细胞受损时，它们将低密度、泛红色的血红蛋白释放到试样中，从而导致被说成是表现出“溶血”的泛红色。当试样的血红蛋白浓度超过大约20mg/dl时，由于泛红色，血红蛋白可能干扰分析器中的分析物的比色确定。

包含黄疸的样本在颜色上可能是深黄至棕色。这样的干扰物可能由胆红素的过量、衰败的红血细胞在脾脏中转换成胆红素的结果引起。高于2-3mg/dl的胆红素水平可见地泛黄，并且特别地，可能不利地影响分析器中的基于酶的免疫测定测试。这样的状况称为胆红素血或黄疸。

包含脂血的样本可能在颜色上泛白。这样的干扰物可能例如由于血液中的过量脂质的存在作为血清中的泛白外观而出现。这样的状况称为脂血，并且高于大约50mg/dl的脂质水平可能干扰免疫测定中的抗体结合并且可能因而影响来自分析器的免疫测定结果。

在离心分离之后，当已经从血清分离红血细胞部分时，有经验的技术人员可以在视觉上检查血清部分，并且如果断定不具有正常的浅黄至浅琥珀色，则可以丢弃试样。否则，将如命令地那样分析试样。然而，视觉检查是非常主观、劳动密集的，并且充满人工错误的可能性。因此，已经实现了各种方法以查明在试样的血清中是否存在溶血、黄疸和脂血（频繁地称为“HIL”）。

典型地，实验室技术人员将基于其颜色而向试样的血清指派溶血指数、黄疸指数和脂血指数。基于溶血指数、黄疸指数和脂血指数的值，可以评估来自分析器的结果的解释。可替换地，如果溶血指数、黄疸指数和脂血指数中的一个或多个的值过高，则试样可以被丢弃而不通过分析器的分析或者以其它方式被发送用于补救措施。

由于人工检查是劳动密集、昂贵且高度主观的，因此正在变得日益重要的是在没有使用通过实验室技术人员的视觉检查的情况下评估试样的完整性。然而，在一些实例中，直接贴附到样本容器的条形码标签可能部分地遮挡试样，使得可能不存在视觉上观察试样的血清的清晰机会。解决该问题的一种尝试牵涉在已经将血清输送至测试装置的试管之一之后光学查看试样的血清。然而，该方案利用分析器的机器时间，并且如果试样的完整性被损害，则浪费附加的机器时间。另外，该过程不能与在添加血清之前向试管添加试剂的临床分析器一起使用。

诸如在Miller的美国专利公开2012/0140230中描述的那些的其它系统描述了旋转样本容器以找到未被标签遮挡的查看窗口。然而，这样的系统可能不太易于简化自动化。

由于当在要进行临床分析的试样内包含干扰物时所遭遇的问题，存在对于被适配成容易地确定这样的干扰物的存在的方法和装置的未满足的需要。该方法和装置不应当明显地不利影响以其获取分析测试结果的速度。另外，该方法和装置应当能够甚至在带标签的样本容器上使用，其中标签遮挡试样中的一些。

发明内容

根据第一方面，提供了一种确定样本容器内包含的试样的特性的方法。所述方法包括生成试样的像素化图像，确定针对像素化图像中的像素的颜色分量，将像素化图像中的像素分类为是液体或非液体，基于对像素的分类而定义一个或多个液体区，以及确定所述一个或多个液体区内的一个或多个干扰物的存在。

根据另一方面，提供了一种被适配成确定样本容器内包含的试样的特性的装置。所述装置包括一个或多个图像捕获设备，其被配置成捕获试样和样本容器的至少一部分以及如果存在的话则粘附到样本容器的标签的至少一部分的一个或多个图像，从所述一个或多个图像生成像素化图像；液体/非液体检测器，基于液体分类模型，可操作成将像素化图像中的像素分类为是或者液体或者非液体，并且定义一个或多个液体区；像素分类器，基于多类分类模型，可操作成针对液体区中的像素确定作为正常、溶血、黄疸或脂血的分类；以及干扰物类型检测器，其可操作成基于像素分类器的结果而检测所述一个或多个液体区内的一个或多个干扰物类型。

在另一方面中，提供了一种确定样本容器内包含的试样的特性的方法。所述方法包括在第一颜色空间中在质量控制站处生成样本容器中的试样的像素化图像，将像素化图像从第一颜色空间转换到第二颜色空间，确定针对第二颜色空间中的像素化图像中的像素的颜色分量，基于液体分类模型而将像素化图像中的像素分类为是液体或非液体，基于被分类为液体像素的像素而定义一个或多个液体区，基于多类分类模型而将液体像素中的每一个分类为是正常、溶血、黄疸或脂血中的一个，基于正常、溶血、黄疸或脂血中的每一个中的液体像素的数目而确定所述一个或多个液体区或者是正常的，或者包括一个或多个类型的干扰物，以及基于回归模型而确定针对所述一个或多个类型的干扰物中的至少一些的干扰物水平。

在另一方面，提供了一种被适配成确定样本容器中的试样的特性的测试装置。所述测试装置包括多个图像捕获设备，所述多个图像捕获设备布置在试样周围并且被配置成从多个视点捕获试样和样本容器的至少一部分以及如果存在的话则粘附到样本容器的标签的至少一部分的多个图像，从所述多个图像生成像素化图像；液体/非液体检测器，基于液体分类模型，可操作成将像素化图像中的每一个像素分类为是或者液体或者非液体以及定义一个或多个液体区；像素分类器，基于多类分类模型，可操作成针对液体区中的像素确定作为正常、溶血、黄疸或脂血的分类；以及干扰物类型检测器，其可操作成基于像素分类器的结果而检测所述一个或多个液体区内的一个或多个干扰物类型。

本发明的再其它的方面、特征和优点可以通过说明数个示例实施例和实现方式，包括为了实施本发明所设想到的最佳模式，从以下描述是容易明显的。本发明还可以能够具有其它和不同的实施例，并且可以在各种方面修改其若干细节，全部不脱离本发明的范围。相应地，附图和描述要被视为本质上是说明性的，而不被视为约束性的。本发明要涵盖落在本发明的范围内的所有修改、等同物和可替换物。

附图说明

以下描述的附图仅仅出于图示的目的并且不一定按照比例绘制。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分析前试样质量站和一个或多个分析器的自动化试样测试系统的顶视图。

图2图示了根据一个或多个实施例的包括经离心分离的试样的带标签的样本容器的侧视图，可以针对干扰物的存在而分析所述经离心分离的试样。

图3A图示了根据一个或多个实施例的被适配成自动针对干扰物的存在而进行分析的测试装置的示意性顶视图。

图3B图示了根据一个或多个实施例的图3A的测试装置的示意性侧视图。

图3C图示了根据一个或多个实施例的包括由图像捕获设备捕获的图像的图像窗口的示意性视图。

图3D图示了根据一个或多个实施例的示例像素化图像的示意性视图。

图3E图示了根据一个或多个实施例的从像素化图像提取的示例液体区的示意性视图。

图4是根据一个或多个实施例的被适配成确定样本容器中的试样的特性的测试装置的功能组件的框图。

图5是根据一个或多个实施例的被适配成确定试样内的干扰物的存在的方法的流程图。

具体实施方式

在第一宽泛方面中，本发明的实施例提供了用于确定是否在试样（例如液体试样）中存在一个或多个干扰物或者试样是否正常的方法和装置。如本文所使用的“干扰物”应当意指和包括任何血清变量、任何疾病状况和/或可能影响分析器中的测试结果的解释的任何不透明性、染色或颗粒。

该方法可以作为向分析器呈现试样以供分析之前的分析前方法来实施。特别地，本发明的一个或多个实施例提供用于在试样质量站处针对一个或多个干扰物的存在进行预检查之后递送试样以供解析分析。在离心分离过程之后，可以针对诸如溶血、黄疸和/或脂血（以下“HIL”）之类的干扰物的存在而测试试样的血清部分。如果发现血清部分没有干扰物，则试样被允许继续，并且经历通过一个或多个分析器的例行解析分析。在一些实施例中，试样质量站可以在传送器轨道上并且在试样经过时针对一个或多个干扰物的存在进行测试。

如果发现试样包含大于预定义量的脂血，则试样被可以拒绝或者可选地被发送以用于补救。例如，如果发现试样包含脂血，则试样然后可以经受被适配成减少其中的脂血量的特殊预处理操作。然后在特殊预处理之后可以允许试样被例行地分析或可能地针对干扰物的存在而重新测试。

如果发现试样包含大于预定义量的溶血，则试样可以被允许继续并且被例行地处理以供解析分析。然而，可以连同分析结果一起报告溶血的程度或度。可替换地，溶血的试样可以经受溶血量的更加精密的确定，使得可以例行地完成不受溶血存在影响的要在试样上进行的任何分析测试。如果溶血的试样包括高于预定义量的溶血量，并且要进行的测试将受此影响，则可以命令和着手进行新鲜试样的重新提取（redraw）。

如果发现试样包含大于预定义量的黄疸，则可以允许试样被例行地处理以供解析分析，并且可以连同分析结果一起报告黄疸的程度或度。

一般而言，如果发现干扰物表现出足够高的干扰水平（例如指数），则实验室技术人员可以从测试装置移除试样并且从该特定患者请求新的血液样本。

本发明的实施例提供了一种确定样本容器中的试样的特性（例如干扰物的存在）的方法。所述方法包括生成试样的像素化图像（例如使用图像捕获设备，诸如数字摄像机等），将像素化图像中的像素分类为是液体或非液体，基于像素的分类而定义液体区，以及确定液体区内的干扰物的存在。

所捕获的像素化图像的处理可以基于L*a*b颜色空间，其中生成针对像素的颜色分量（a值和b值）。将像素化图像中的像素分类为是液体或非液体可以是基于可以从多个训练集生成的第一模型（例如液体分类模型）的。在一些实施例中，然后可以使用第二模型（例如像素分类模型）将像素分类为是正常（N）或分类为包含干扰物，诸如溶血（H）、黄疸（I）或脂血（L）。基于像素分类结果，可以确定针对作为整体的液体区的干扰物类型。还可以提供针对所确定的干扰物类型的干扰物水平。在一些实施例中，干扰物水平可以基于第三模型（例如回归模型）。可以基于表现出多样的干扰水平的样本试样而针对每一种干扰物类型而训练回归模型。可以通过该方法确定多于一个干扰物类型，并且可以指定针对每一种所确定的干扰物类型的干扰物水平。

作为其它方面，提供了用于实施该方法的测试装置。在本文中参照图1-5来提供本发明的实施例的这些和其它方面和特征。

图1示出能够自动预处理样本容器102（例如测试管或血液收集管——参见图2）中的多个样本容器的自动化试样测试系统100，可以在通过一个或多个分析器（例如分别地，第一、第二和第三分析器106、108、110）的分析之前在一个或多个样本架104中容纳所述样本容器102。可选地，样本容器102可以是任何一般清透或透明的容器，诸如样本杯、试管或其它清透玻璃或塑料容器。典型地，可以在样本容器102中将要自动处理的试样212提供到自动化试样测试系统100，所述样本容器102可以盖有盖子214（图2）。每一个样本容器102可以提供有标识信息215，诸如条形码、字母、数字或字母数字指示，所述标识信息215可以由一个或多个传感器116（例如条形码读取器）机器可读。例如，标识信息215可以指示患者的标识以及要在其中的试样212上完成的化验过程。可以一般地在标签218上提供这样的标识信息215，所述标签218贴附到样本容器102或者以其它方式提供在样本容器102的侧面上。标签218一般不绕样本容器102一直（all the way）延伸，或者延伸样本容器102的全部长度。因此，尽管标签218可能遮挡试样212的某个部分，但是某个部分仍旧可以是可查看的。在一些实施例中，样本架104可以在其上具有附加标识信息。

自动化试样测试系统100可以包括底座120（例如框架或其它结构），可以在底座120上安装传送器轨道121（其可以是传送带、链和平台等的集合）或其它合适的传送机构。传送器轨道121可以传输样本容器102中的单独个体，其可以在传送器轨道121上在样本容器载体122（例如单个试样载体定位器（puck））中承载。样本容器载体122可以从具有一个或多个样本架104的样本容器装载/卸载站123离开，机器人125被配置成从样本架104抓取样本容器102并且将样本容器102装载到传送器轨道121的输入巷道上的样本容器载体122中，并且当测试完成时移除样本容器102。当被装载到传送器轨道121上时，由样本容器载体122承载的样本容器102前进到离心机124（例如自动化离心机）并且可以通过流入巷道126转移到离心机124。在被离心之后，样本容器102可以在流出巷道128上离开并且在传送器轨道121上继续到试样质量站130，本文参照图3A和3B进一步描述试样质量站130。

试样质量站130包括测试装置140，其被配置和适配用于自动地确定要由自动化试样测试系统100自动处理的试样212中的一个或多个干扰物的存在。如果发现不包含干扰物（例如是正常的），在将每一个样本容器102返回到样本容器装载/卸载站123以进行卸载之前，试样212可以在传送器轨道121上继续并且然后可以在一个或多个分析器（例如第一、第二和第三分析器106、108和/或110）中被分析。应当理解到，多于或少于三个的分析器可以通过传送器轨道121链接，但是出于说明的目的，示出三个。

此外，远程分析器132可以由自动化试样测试系统100服务，即便远程分析器132不直接链接到自动化试样测试系统100。例如，独立机器人133（虚线示出）可以将包含试样212的样本容器102承载到远程分析器132并且在测试之后返回它们。可选地，样本容器102可以被手动移除和返回。例如，远程分析器132可以针对溶血水平进行测试。可以在远程分析器132上完成其它测试。

自动化试样测试系统100可以包括一个或多个位置处的数个传感器116。传感器116可以借助于读取放置在样本容器上的标识信息215（图2）或每一个样本容器载体122上的相似信息（未示出）来检测沿传送器轨道121的样本容器102的位置。在一些实施例中，可以在每一个样本容器载体122中嵌入不同的RFID芯片，并且可以在例如跟踪操作中采用常规的RFID读取器系统。可以使用用于跟踪位置的其它部件，诸如接近性传感器。

离心机124和每一个分析器106、108、110可以一般地配备有被配置成从传送器轨道121移除样本容器载体122的机器人机构和/或流入巷道（例如流入巷道126、134、138、144），以及被配置成从传送器轨道121重新加入（reenter）样本容器载体122的机器人机构和/或流出巷道（例如流出巷道128、136、141和146）。

装载/卸载站123可以包括机器人125，所述机器人125包括能够进行X和Z、Y和Z或X、Y和Z运动的一个或多个（例如至少两个）机器人臂或组件，其中机器人125可以配备有被适配成拾取和放置样本容器102的机器人装夹手部或指部。然而，可以使用任何合适类型的机器人125。

自动化试样测试系统100可以由计算机143、优选地基于微处理器的中央处理单元CPU来控制，其具有存储器和用于系统组件的合适的调节电子器件和驱动器。计算机143可以作为自动化试样测试系统100的底座120的部分而被容纳，或者与其分离。计算机143可以操作成控制样本容器载体122去到和来自装载/卸载站123、离心机124、试样质量站130和实施如以下描述的各种类型的测试（例如化验处理）的每一个分析器106、108、110的移动。

对于除了试样质量站130之外的全部，计算机143可以根据诸如在由纽约州柏油村的西门子医疗诊断公司销售的Dimension®临床化学分析器上使用的那些之类的软件、固件和/或硬件命令或电路来控制自动化试样测试系统100，并且这样的控制对基于计算机的机电控制编程领域中的技术人员是典型的并且将不在本文中进一步描述。然而，可以使用用于控制自动化试样测试系统100的其它合适的系统。试样质量站130的控制还可以由计算机143根据发明的基于模型的方法来提供，如本文将详细描述的。

本发明的实施例可以使用允许用户容易地且快速地访问各种控制屏和状态显示屏的计算机接口模块（CIM）来实现。这些控制和显示屏可以描述用于试样212的样本制备和分析的多个相互关联的自动化设备的一些或所有方面。这样的CIM可以采用直接链接到多个附加显示屏的第一显示屏，所述多个附加显示屏包含关于多个相互关联的自动化设备的操作状态的在线信息以及描述任何特定试样212的位置以及要在试样212上执行或正在试样212上执行的测试的状态的信息。CIM因此被适配成促进操作者与自动化试样测试系统100之间的交互。CIM可以包括被适配成显示包括图标、滚动条、框和按钮的菜单的视觉触摸屏，操作者可以通过其与自动化试样测试系统100对接。菜单可以包括数个功能按钮，其被编程为显示自动化试样测试系统100的功能方面。

图2图示了已经在离心机124处经历离心分离以从红血细胞部分212RBC分离出血清部分212S的样本容器102的平面视图。如所示，标签218可能遮挡血清部分212S中的一些，使得通过常规成像对血清部分212S的可视化是困难的。本发明的实施例可以计及这一点，并且不必旋转样本容器102。因此，针对试样212中的干扰物的分析可以在样本容器102停止在传送器轨道121上的测试装置140处或者甚至刚好经过测试装置140时发生。

在图3A-3B中，提供了可以使用在图1的试样质量站130处的测试装置140的第一实施例。测试装置140可以被配置和适配成自动确定在试样212中（例如在其血清部分212S中）一个或多个干扰物的存在。干扰物的存在可以在被分析器106、108、110中的一个或多个自动处理之前由试样质量站130处的测试装置140检测。以此方式，如果试样212包括干扰物，可以发生附加的处理、丢弃或重新提取，并且没有浪费宝贵的分析器资源。

此外，在测试装置140处的样本容器102中包含的试样212上以及在样本容器102自身上可以发生其它检测方法。例如，测试装置140可以用于确定试样212的某些物理尺寸特性（例如液体-空气界面的位置、红血细胞部分212RBC与血清部分212S之间的界面的位置、红血细胞部分212RBC相对于基准（datum）的高度以及血清部分212S相对于基准的高度，和/或某些物理尺寸特性，诸如样本容器102的高度或宽度，或盖子214的颜色。

现在参照图1、3A和3B，测试装置140可以包括一个或多个图像捕获设备142，诸如常规的数字摄像机、电荷耦合器件（CCD）、光电检测器阵列、CMOS传感器、分光光度计等。每一个图像捕获设备142可以是能够捕获数字图像的任何设备。图像捕获设备142可以可操作成捕获样本容器102的至少一部分的图像，并且包括试样212的至少一部分，并且可能地捕获标签218的一部分。图像捕获设备142可以捕获样本容器载体122的一部分，诸如其基准（例如其顶部或其上的标志）。在所示实施例中，多个图像捕获设备142布置在试样212周围并且被配置成从多个视点捕获试样212和样本容器102的至少一部分以及如果存在的话则粘附到样本容器102的标签218的至少一部分的图像，从所述图像生成像素化图像350（图3D）。可以使用所述多个图像捕获设备142的其它布置。

图像捕获设备142可以提供成与图像窗口紧密接近并且被训练或聚焦成捕获图像窗口，即包括样本容器102中的血清部分212S以及可能地、红血细胞部分212RBC的部分以及可能地基准的预期位置的区域。可以响应于通信线343A中的触发信号而被触发和捕获的每一个所捕获的图像可以由计算机143在通信线343B中接收，并且可以根据本文所提供的方法的一个或多个实施例来处理。来自每一个图像捕获设备142的所捕获的图像中的每一个可以联合和融合为一个像素化图像350（图3D）。在级联之前可以剪裁每一个相应图像以移除无关紧要的部分。

在一些实例中，提供闸门344以停止样本容器载体122，使得可以获取一个或多个良好质量图像，所述图像可以用于生成像素化图像350（图3D）。如本文所使用的“像素化图像”意指包含像素的图像（例如数字图像）。像素可以是单独像素或超像素。每一个所捕获的图像可以包括大约700像素×2500像素的像素分辨率，并且像素化图像350，在被组合时，可以包含例如大约2500像素×2500像素。可以使用其它像素密度。一个或多个传感器116可以用于在试样质量站130处确定样本容器载体122的存在，并且在通信线343A中发送触发信号以触发图像捕获设备142。在另一实施例中，一个或多个传感器116可以用于在试样质量站130处确定样本容器载体122的存在，但是可以不停止样本容器载体122，即不存在闸门344。在该实施例中，图像捕获设备142可以是快速作用的数字摄像机，其能够在样本容器载体122在传送器轨道121上经过时捕获图像。

在每一种情况下，响应于通信线343A中的触发信号而捕获数字图像，并且可以将图像存储在计算机143的存储器中。然后，从来自各种视点的所捕获的图像构造像素化图像350，并且可以根据本发明的实施例来分析像素化图像350以确定一个或多个干扰物的存在，以及可能地以下中的一个或多个：1）样本容器102的某些尺寸特性，和/或2）试样212的某些尺寸特性。

测试装置140可以包括外壳345，其可以至少部分地围绕传送器轨道121，并且样本容器102可以在测试期间位于外壳345内部。测试装置140可以包括可以包括后挡板（backstop）346以提供改进的图像对比度。后挡板346可以是除了试样212的颜色的预期范围之外的任何合适颜色。在一些实施例中，可以使用黑颜色的材料。

测试装置140还可以可选地包括用于提供样本容器102的光照的光源（未示出）。光源可以是任何合适的源，诸如非准直可见光（例如白光），其可以向样本容器102上引导光束。可以提供漫射器以成形和获取来自光源的光辐射的均匀场。光源和漫射器可以服务于适当地光照样本容器102以改进图像捕获结果的质量（例如为了HIL的确定）。

可以使用本文所提供的方法来分析像素化图像350。特别地，可以通过以下描述的并且在计算机143上包含的图像处理程序来分析像素化图像350以确定试样212中一个或多个干扰物的存在以及可能地其它尺寸特征，如本文所描述的。

溶血检测

根据第一宽泛方面，本发明的实施例针对可以用于检测经离心分离的血液的样本容器102中包含的溶血的试样212的方法和装置。该方法利用用于像素化图像的电子（数字）图像捕获的图像捕获设备（例如数字摄像机），并且然后分析像素化图像以检测溶血。

溶血是样本质量变色问题，并且它不能利用特殊处理来解决。当红血细胞破裂并且内部的血红蛋白释放到已经离心分离的试样212的血清部分212S中时可能发生溶血（还拼写为红血球溶解（haemolysis））。这为血清部分212S给出泛红颜色或外观。连同泛红颜色，可能向血清部分212S中释放钾，这可能当在分析器106、108和/或110上进行测试时给出错误的结果。不正确的血液收集、处置、存储和/或处理可能导致溶血。

溶血程度通过溶血水平或溶血指数来表征。如本文所使用的“溶血指数”应当意指基于存在于试样212中的溶血的所确定的含量而向特定试样给出的等级。一般地，用于观察的分级尺度范围从零到四（0-4）。零表示大体上没有溶血，而四表示明显的溶血。可替换地，尺度可以是0-10、0-20、A-F或某个其它范围。

可以拒绝如由测试装置140确定的具有足够高的溶血指数的试样212。常见过程是从患者重新提取另一试样212以确保向分析器106、108和/或110呈现良好质量的试样212。因此，表现出溶血的试样212可以被拒绝并且在样本装载/卸载站123处被卸载而不进行进一步测试。

一旦新的试样212被处理并且被测试装置140认为是正常的，其可能被成功地分析而没有干扰的血红蛋白。因此，在本发明的另一实施例中，测试装置140可以在试样质量站130 130处检测试样212中的溶血的存在。可以在自动化试样测试系统100的计算机143的显示器（例如计算机屏幕）上显示警报以便警报实验室人员以进行进一步评估和/或决策。

为了改进向实验室人员传达包含溶血的试样212的评价的能力，可以显示包括具有溶血的试样212的样本容器102的图像。该图像可以连同其它联合信息一起显示，诸如但不限于各种已知的溶血试样的参考图像、用于比较的颜色频谱、样本的经评价的溶血水平和/或要采取的建议的实验室人员动作。在一些实施例中，如果在试样质量站130处检测到溶血的试样212，可以将试样212发送到分析仪器（例如专用临床分析器135——图1），其中可以测量和表征精确的溶血水平。

黄疸检测

根据另一宽泛方面，本发明的实施例针对可以用于检测经离心分离的血液的样本容器102中包含的试样212中的黄疸的方法和装置。黄疸干扰物可能例如由胆红素的过量、衰败的红血细胞在脾脏中转换成胆红素的结果引起。高于2-3mg/dl的胆红素水平一般在颜色上是可见地泛黄或泛棕的，并且特别地，可能不利地影响分析器（例如分析器106、108和/或110）上实施的基于酶的免疫测定。这样的状况还称为胆红素血。

黄疸检测方法类似于用于检测溶血的方法。该方法可以首先在测试装置140中接收样本容器102。接着，被适配用于数字电子图像捕获的图像捕获设备142可以捕获试样212的像素化图像。计算机143然后可以依照本文以下描述的方法执行针对黄疸的存在的像素化图像的分析。根据该方法，针对溶血检测所拍取的相同数字图像可以用于黄疸检测。该分析可以确定干扰物水平，诸如黄疸指数。如本文所使用的“黄疸指数”应当意指基于存在的黄疸的所确定的含量而向特定试样212给出的等级。一般地，用于观察的分级尺度范围从零到四（0-4）。类似地，零表示大体上没有黄疸，而四表示黄疸的明显存在。可替换地，尺度可以是0-10、0-20、A-F或某个其它范围。

脂血检测

根据另一宽泛方面，本发明的实施例针对可以用于检测经离心分离的血液的样本容器102中包含的试样212中的脂血的方法和装置。可能表现出血清中的泛白外观脂血干扰物可能由血液中的过量脂质的存在引起。高于大约50mg/dl的脂质水平可能干扰免疫测定测试中的抗体结合并且因此可能影响来自分析器的免疫测定结果。

脂血检测方法类似于用于检测溶血和黄疸的方法。该方法可以在测试装置140中接收样本容器。接着，被适配用于数字电子图像捕获的图像捕获设备142可以捕获试样212的像素化图像。计算机143然后可以依照本文以下描述的方法针对脂血的存在而执行所捕获的图像的分析。根据该方法，针对溶血和黄疸检测所拍取的相同数字图像可以用于脂血检测。分析可以确定干扰物水平，诸如脂血指数。如本文所使用的“脂血指数”应当意指基于其中的脂血的所确定的含量而向试样212给出的等级。一般地，用于视觉观察的分级尺度范围从0到4（0-4）。类似地，零表示大体上没有脂血，而四表示脂血的明显存在。可替换地，尺度可以是0-10、0-20、A-F或某个其它范围。

脂血是特定样本质量变色缺陷，其可以在分析器（例如分析器106、108、10）上测试或分析试样212之前利用特殊处理来解决。在实验室注意到试样是脂血的之后，它们可以在补救站131处进一步处理试样212以移除或减少脂质。例如，它们可以引入溶剂或其它材料以减少脂血的量。一旦这完成，可以通过分析器（例如分析器106、108、110）中的一个或多个来适当地分析试样212，并且实验室将相对更相信测试结果。

在试样212被校正或附加地处理之后，可以被返回到传送器轨道121并且直接放置在分析器（例如分析器106、108、110）上以供分析。在一些实施例中，自动化试样测试系统100可以能够在没有用户交互的情况下在试样212上执行该校正动作或附加的处理。例如，脂血试样的路由将经由流入127移除试样212，在补救站131处执行附加的处理作为对分析器（例如分析器106、108、110）上的分析的先决条件，并且然后在流出129上返回试样212。

因此，应当明显的是，本发明的实施例可以在试样212的离心分离之后在第一可能实例处（例如试样质量站130处）检测HIL。通过在过程中的该点处检测HIL，将不浪费试样212，将防止错误的测试结果，并且将最小化任何患者测试结果延迟。

参照图3A-3E、4和5，提供了针对测试装置140的方法和功能组件的本发明的实施例。方法500（图5）和测试装置140（图4）被适配成确定包含在样本容器102内的试样212的特性，如现在将详细描述的。方法500包括在502中捕获试样212的像素化图像350。可以以数字格式存储在计算机143（图3A-3B）的存储器中的像素化图像350在一个实施例中包括从利用图像捕获设备142（同样参见图3A-3B）捕获的图像联合的像素信息的集合。像素化图像350可以包括从不同视点拍取的样本容器102的多个联合视图（例如所示的三个视图）。

可以在样本容器102内包含试样212，并且可以将所捕获的图像约束到预定义图像窗口349（例如如图3C中所示的某个帧大小）。预定义图像窗口349可以基于在图像捕获设备142中使用的传感器（例如CMOS或CCD传感器）的大小，而且可能被形成在接近每一个图像捕获设备142的外壳345中的某个大小的遮罩限制。在一些实施例中，遮罩可以是图像捕获设备142的镜头（lens）的部分。遮罩可以提供可以立即丢弃的图像中的区域，因而减小所捕获的图像的大小，使得有更少像素要处理。从图像窗口349中的所捕获的图像中的每一个，一部分可以沿图3D中所示的虚线351剪裁，并且可以被联合、组合或融合以生成图3D中所示的像素化图像350。在一些实施例中，可以移除盖214（在离心分离之后对样本容器102进行脱盖）。

方法500然后处理和分析像素化图像350以确定试样212内的干扰物的存在。例如，在一个实施例中，方法500针对确定在试样212的血清部分212S中的干扰物（诸如溶血、黄疸和/或脂血（HIL））的存在。

方法500可以处理像素化图像350，其例如可能最初在诸如红-绿-蓝（RGB）颜色空间之类的第一颜色空间中捕获。其它第一颜色空间可以用于图像捕获。例如，RGB颜色空间图像可以包括针对R、G和B颜色分量中的每一个的色度或水平值，诸如大约0和256之间的水平。特定颜色可以通过对应于RGB分量中的每一个的数来表示（例如（R125，G97，B203））。RGB包括sRGB并且可以包括例如伽马校正。可以使用的其它可选第一颜色空间例如是亮度加彩度颜色空间，或色度和饱和度（HSL和HSV）颜色空间。

在将第一颜色空间（例如RGB图像）转换到第二颜色空间（诸如L*a*b颜色空间、亮度加彩度颜色空间或色度和饱和度（HSL和HSV）颜色空间）以通过补偿各种照明条件来增强图像对比度之前，诸如伽马校正之类的图像处理方法可以应用于像素化图像350。在例如Charles A. Poynton的题为“Digital Video and HDTV: Algorithms and Interfaces”（2003）的书中描述伽马校正。

在一些实施例中，可以将像素化图像350从第一颜色空间（例如RGB颜色空间）转换到第二颜色空间。从像素化图像350，可以确定颜色分量。例如，第二颜色空间可以是L*a*b颜色空间。L*a*b颜色空间包括发光（luminescence）值（L）、a值和b值，其中a值和b值是颜色分量。在1976年在国际照明委员会（CIE）中公开了从RGB颜色空间到L*a*b颜色空间的转换。

在504中，做出针对像素化图像350中的像素的颜色分量的确定。如果被转换，在转换之后发生颜色分量的确定。转换可以包括确定颜色分量，诸如L*a*b颜色空间中的针对像素化图像350中的像素的a值和b值。可以在本文提供的方法500的实施例中不使用L值。因此，从第一颜色空间到L*a*b颜色空间的转换可以仅牵涉a值和b值的确定。可以在计算机143的存储器中存储针对像素的这些a值和b值。

方法500还包括，在506中，将像素化图像350中的像素分类为是或者液体或者非液体。分类为是液体或非液体可以通过液体/非液体检测器454来完成，其可以包括液体分类模型455，所述液体分类模型455可以由可在计算机143上执行的编程的指令构成，所述编程的指令操作成将像素化图像350中的像素打断或分离成类（例如液体和非液体）。液体分类模型455可以是可以使用的线性或非线性的任何合适类型的监督分类模型。例如，液体分类模型455可以是或者线性或者基于核的支持向量机（SVM）。可选地，液体分类模型455可以是诸如自适应提升（boosting）分类器（例如AdaBoost、LogitBoost等）之类的提升分类器、任何人工神经网络、基于树的分类器（例如决策树、随机决策森林）和作为分类器的逻辑回归等。SVM对于液体与非液体之间的分类可以特别有效。SVM是具有分析数据和识别模式的相关联的学习算法的监督学习模型。SVM用于分类和回归分析。

多个训练示例集用于训练液体分类模型455，并且然后像素穿过液体分类模型455并且被标志为属于两种类别之一（液体或非液体）。SVM训练算法构建将任何新示例指派给向一个类别或另一个中的液体分类模型455。因此，在一些实施例中，液体分类模型455可以是非概率线性分类器。SVM模型将示例表示为空间中的点，其被映射以使得分离的液体/非液体类别的示例被尽可能宽的清晰间隙所划分。来自像素化图像350的新像素可以被映射到该相同空间中并且基于它们落在间隙的哪一侧而预测属于特定类（液体或非液体）。在一些实施例中，SVM可以使用称为核技巧（例如基于核的SVM分类器）的来高效地执行非线性分类，其隐含地将其输入映射到高维特征空间中。SVM（高斯核）和提升是特别优选的。可以使用其它类型的分类模型。

液体分类模型455取得像素化图像350，其已经转换到L*a*b空间并且然后使像素经受液体分类模型455的模型映射。结果是穿过液体分类模型455的每一个像素被分类为是或者液体或者非液体。可以通过在具有各种试样状况、通过标签218的遮挡、血清部分212S和红血细胞部分212RBC的水平等的经采样的容器102的多个示例中用图形描绘液体区356的轮廓来训练液体分类模型455。如500那样多或更多的图像可以用于训练液体分类模型455。可以手动描绘每一个训练图像的轮廓以识别和教导液体分类模型455，其区域是液体对非液体。

如图3E中所示，并且在508中，在馈送像素通过之后，液体分类模型455基于对像素的分类而提供定义一个或多个液体区356的结果。通过被液体分类模型455认为是液体的所有像素来定义一个或多个液体区356。被分类为非液体的像素化图像350的所有部分（诸如样本容器102、盖214、标签218、红血细胞部分212RBC和样本容器载体122的部分）可以不被进一步处理以用于确定干扰物的存在，但是可以出于如本文以下将讨论的其他原因而被进一步处理。

一旦由液体/非液体检测器454使用液体分类模型455将每一个像素分类为或者液体或者非液体，方法500在510中确定一个或多个液体区356内的一个或多个干扰物的存在。在一个或多个实施例中，一个或多个干扰物的存在的确定牵涉首先分析像素以将像素中的单独像素表征为或者正常（N），或者包含溶血（H）、黄疸（I）或脂血（L）。从该确定，提供一个或多个液体区356的总体分类。总体分类可以为是正常（N），或者包括一个或多个特定类型的干扰物。例如，可以将一个或多个液体区356中的特定干扰物类型确定为H、I和/或L中的一个。

与液体/非液体检测器454一样，像素分类器458也可以包括如以上讨论的任何合适的监督分类模式。像素分类器458可以利用像素分类模型460来确定被分类为液体的像素是否是N、H、I或L的类中的一个。像素分类模型460可以基于多类分类模型，其已经基于多个干扰物训练集而充分训练。多类分类模型（例如四类分类模型）可以是支持向量机（SVM）、支持向量网络或提升类算法。在C. Cortes和V. Vapnik在Machine learning第20卷第3期第273-297页中的题为“Support-vector Networks”的论文中和在J. Friedman，T. Hastie，R. Tibshirani的题为“Additive Logistic Regression: A Statistical View ofBoosting”（1998）和. Freund和R. E. Schapire的题为“A Short Introduction toBoosting”（1999）的论文中描述支持向量机和网络的示例。

一旦已经由像素分类器458将像素分类为是N、H、I或L，方法500包括确定试样212的一个或多个液体区356作为整体是否是正常的（N），或者如果不是正常的（N），使用干扰物类型检测器462来表征作为整体的液体区356的干扰物类型。如果试样212被干扰物类型检测器462认为是正常的（N），则试样212简单地在传送器轨道121上前进到针对其命令测试的分析器（例如分析器106、108和/或110）。如果不正常，则干扰物类型检测器462确定一个或多个干扰物类型。在512中可以使用干扰物水平检测器464以确定每一种干扰物类型的干扰物水平。

一个或多个液体区356作为整体是正常的（N）的或者如果不正常（N）则干扰物类型的确定可以通过将之前已经被像素分类器458分类为是N、H、I或L的在液体区356中的数目相加来完成。作为正常（N）或作为包含干扰物的分类可以基于每一个类中的最大数目，或者在一些实施例中基于加权方案。因此，在一个实施例中，如果像素的大部分被分类为N，则液体区356和试样212可以被归类为正常（N）。如果像素的大部分被分类为H，则液体区356和试样212可以被归类为溶血（H）。相同地，如果像素的大部分被分类为I或L，则液体区356和试样212可以分别被归类为黄疸（I）或脂血（L）。在其它实施例中，经加权的多数表决方案也可以用于使用来自像素分类器458的概率作为权重来对试样212进行分类。可以使用用于表征作为整体的试样212的其它手段。

可替换地，如果试样212具有被分类在两个或更多干扰物类（例如H和I、H和L、I和L或甚至HIL）中的相对大量的像素，则方法可以报告在试样212中存在多种干扰物类型。

一旦试样212已经被干扰物类型检测器462给出作为包含干扰物（例如H、I和/或L）的表征，干扰物水平检测器464可以用于提供针对试样212中的一个或多个干扰物类型的干扰物水平。干扰物水平检测器464可以通过使被液体/非液体检测器454确定为液体的像素穿过水平表征模型（诸如监督回归模型）来获取针对特定干扰物的干扰物水平。可以使用任何合适的回归模型，诸如支持向量回归（SVR）、神经网络回归、基于树的回归等。

不同的回归模型（诸如溶血回归模型465、黄疸回归模型467和脂血回归模型469）可以用于每一种干扰物类型的每一个像素。在一个或多个实施例中，回归模型465、467、469中的每一个可以是SVR机并且可以仅使用表现出该特定类型的干扰物（例如H、I或L）的液体区来训练。例如，溶血回归模型465可以利用具有跨过预期溶血水平的不同范围的溶血水平的宽范围的溶血的试样212来训练。例如，溶血范围可以包括从大约50-525的溶血水平。同样地，黄疸回归模型467可以利用具有跨过预期水平的不同范围的黄疸水平的宽范围的黄疸试样212来训练，包括从大约1.7至30的黄疸水平。类似地，脂血回归模型469可以利用具有跨过预期水平的不同范围的脂血水平的宽范围的脂血试样212来训练，包括从大约125-1000的脂血水平。

在一些实施例中，可以离散化干扰物水平。例如，对于溶血回归模型465，可以使用离散溶血水平50、150、250和525。对于黄疸回归模型467，可以使用离散黄疸水平1.7、6.6、16和30，并且对于脂血回归模型469，可以使用离散脂血水平125、250、500和1000。

通过融合在穿过期望的回归模型465、467、469时该特定干扰类型的液体像素的回归结果来确定最终的干扰物水平。如果已经离散化模型的干扰水平，则还将通过映射到最接近的目标水平来离散化来自回归模型465、467、469的输出。在任何事件中，可以提供针对试样212中的每一种所检测到的干扰物类型的干扰物水平。

相应地，应当明显的是，由测试装置140实施的基于模型的干扰物检测和分类方法500可以导致将试样212迅速表征为或者正常或者其中包含一个或多个干扰物。如果试样212包含一个或多个干扰物，则方法500可以确定存在的一个或多个干扰物类型，并且还可以确定针对所存在的每一种干扰物类型的干扰物水平。

根据一个或多个附加的实施例，像素化图像350可以用于获取关于试样212的物理尺寸特性的附加信息，如以下将更加全面描述的。而且，可以确定样本容器102的某些物理尺寸和其它参数，诸如样本容器102的高度（例如到盖214和样本容器管的界面）、试样212从基准（例如顶表面）到血清部分212S的顶部的总体填充高度、仅血清部分212S的竖直高度，和/或自样本容器载体122的基准（例如顶表面）的红血细胞部分212RBC的竖直高度），其可以用于定义血细胞比容（hematocrit）水平。

此外，还可以从像素化图像350获取样本容器102的总体宽度。相应地，可以对样本容器102的大小进行分类。在其它实施例中，像素化图像350可以用于确定盖214的颜色。样本容器102的物理特性中的每一个可以通过公知方法来获取，诸如团块分析等。

虽然已经示出试样质量站130理想地定位，使得紧接在离心机124上的离心分离之后执行预筛选，但是在一些实施例中在分析器（例如分析器106、108和/或110）上或者在其他地方直接包括该特征可能是有利的。例如，未连接到自动化样本容器处置系统的独立分析器可以使用该技术来在分析之前验证试样212。

另外，上文指示像素穿过各种模型。如本文所使用的像素意指在RadhakrishnaAchanta等人在IEEE Transactions on Pattern Analysis and Machine Intelligence，第34卷，第11号，2012中的题为“SLIC Superpixels Compared to State-of-the-ArtSuperpixel methods”的论文中描述的单独像素或像素集（称为超像素）。可以通过组合像素群组来形成超像素。

在另一方面中，如果试样212落在脂血、溶血或黄疸的预定义水平之外或包含与分析器（例如分析器106、108和/或110）将不兼容的物理水平、填充体积等，可以通知实验室人员采取校正动作。在一些情况下，校正动作可以是补救站131处的自动化补救动作。可选地，在一些实施例中，分析器（例如分析器106、108和/或110）还可以简单地使用试样212中的干扰物（例如脂血）的测量来校正分光光度计读数以计及未到达其分析器（例如分析器106、108和/或110）的检测器的散射光。

在本发明容许各种修改和可替换形式的同时，已经通过示例的方式在附图中示出并且在本文详细描述了特定系统和装置实施例及其方法。然而，应当理解到，不意图将本发明限制到所公开的特定系统、装置或方法，而是相反，意图涵盖落在本发明的范围内的所有修改、等同物和可替换物。

Claims (21)

1.一种确定样本容器内包含的试样的特性的方法，包括：

生成试样的像素化图像，像素化图像包括像素；

使多个像素穿过液体分类模型，其中穿过液体分类模型的每一个像素被分类为是液体或非液体，其中液体分类模型是通过下述操作来训练的：在具有不同试样状况、通过标签的遮挡、以及血清和红血细胞部分的水平的样本容器的多个示例中用图形描绘液体区的轮廓；

由被分类为液体的像素定义一个或多个液体区；以及

确定所述一个或多个液体区内的一个或多个干扰物的存在。

2.权利要求1所述的方法，包括：确定针对L*a*b颜色空间中的像素化图像中的像素的a值和b值。

3.权利要求1所述的方法，其中像素化图像在分类之前经受伽马校正。

4.权利要求1所述的方法，其中像素化图像是从多个图像编译的。

5.权利要求1所述的方法，其中液体分类模型是基于液体/非液体检测器的。

6.权利要求1所述的方法，其中液体分类模型还包括支持向量机。

7.权利要求1所述的方法，其中确定所述一个或多个液体区内的干扰物的存在是基于从多个干扰物训练集生成的多类分类模型的。

8.权利要求1所述的方法，其中已经被分类为液体的像素化图像中的像素还通过像素分类器而被分类为：

正常，或者

按照干扰物类型分类为是脂血、溶血或黄疸中的一个，其中像素分类器是监督分类模型。

9.权利要求8所述的方法，其中作为正常或按照干扰物类型的分类是基于针对分类在正常、脂血、溶血或黄疸中的每一个类中的像素中的每一个的加和或加权。

10.权利要求1所述的方法，其中确定所述一个或多个液体区内的干扰物的存在包括：

基于多类分类模型而确定所述一个或多个液体区内的干扰物类型；以及

基于回归模型而确定干扰物类型的干扰物水平。

11.权利要求10所述的方法，其中基于表现出不同干扰水平的多个训练试样而针对每一种干扰物类型训练回归模型。

12.权利要求1所述的方法，还包括分析像素化图像以确定样本容器的物理尺寸特性。

13.权利要求1所述的方法，包括分析像素化图像以确定样本容器上的盖的颜色。

14.一种被适配成确定样本容器中的试样的特性的测试装置，包括：

一个或多个图像捕获设备，其被配置成捕获试样和样本容器的至少一部分的一个或多个图像，从所述一个或多个图像生成像素化图像；

液体分类模型，可操作成将穿过液体分类模型的像素化图像的所有像素分类为是或者液体或者非液体，并且由被分类为液体的像素定义一个或多个液体区，其中液体分类模型是通过下述操作来训练的：在具有不同试样状况、通过标签的遮挡、以及血清和红血细胞部分的水平的样本容器的多个示例中用图形描绘液体区的轮廓；

像素分类器，其基于多类分类模型，可操作成针对所述一个或多个液体区中的像素确定作为正常、溶血、黄疸或脂血的分类；以及

干扰物类型检测器，其可操作成基于像素分类器的结果而检测所述一个或多个液体区内的一个或多个干扰物类型。

15.权利要求14所述的装置，其中液体分类模型还包括支持向量机。

16.权利要求14所述的装置，其中液体分类模型是从多个训练集生成的。

17.权利要求14所述的装置，包括干扰物水平检测器，其可操作成确定针对所检测到的一个或多个干扰物类型的干扰物水平。

18.权利要求17所述的装置，其中所述一个或多个干扰物类型是选自包括以下各项的组的至少一个：

脂血；

溶血；以及

黄疸。

19.权利要求17所述的装置，其中干扰物水平检测器包括基于表现出不同干扰水平的多个训练试样而针对每一种干扰物类型进行训练的回归模型。

20.一种确定样本容器内包含的试样的特性的方法，包括：

在第一颜色空间中在质量控制站处生成样本容器中的试样的像素化图像；

将像素化图像从第一颜色空间转换到第二颜色空间；

确定针对第二颜色空间中的像素化图像中的像素的颜色分量；

使多个像素穿过液体分类模型，其中穿过液体分类模型的每一个像素被分类为是液体或非液体，并且其中液体分类模型是通过下述操作来训练的：在具有不同试样状况、通过标签的遮挡、以及血清和红血细胞部分的水平的样本容器的多个示例中用图形描绘液体区的轮廓；

由被分类为液体像素的像素定义一个或多个液体区；

基于多类分类模型而将液体像素分类为是正常、溶血、黄疸或脂血中的一个；

基于正常、溶血、黄疸或脂血中的每一个中的液体像素的数目而确定所述一个或多个液体区或者是正常的或者包括一个或多个类型的干扰物；以及

基于回归模型而确定针对所述一个或多个类型的干扰物中的至少一些的干扰物水平。

21.一种被适配成确定样本容器中的试样的特性的测试装置，包括：

多个图像捕获设备，其被布置在试样周围并且被配置成从多个视点捕获试样和样本容器的至少一部分以及如果存在的话则粘附到样本容器的标签的至少一部分的多个图像，从所述多个图像生成像素化图像；

液体分类模型，可操作成将已穿过液体分类模型的像素化图像中的所有像素分类为是或者液体或者非液体并且由被分类为液体的像素定义一个或多个液体区，其中液体分类模型是通过下述操作来训练的：在具有不同试样状况、通过标签的遮挡、以及血清和红血细胞部分的水平的样本容器的多个示例中用图形描绘液体区的轮廓；

像素分类器，其基于多类分类模型，可操作成针对所述一个或多个液体区中的像素而确定作为正常、溶血、黄疸或脂血的分类；以及

干扰物类型检测器，其可操作成基于像素分类器的结果而检测所述一个或多个液体区内的一个或多个干扰物类型。