血清、血浆中干扰物的识别方法及装置与流程

1.本发明涉及血液样本检测领域，尤其是涉及血清、血浆中干扰物的识别方法及装置。


背景技术：

2.血液样本检测常用于实验室生化和免疫检测项目，一般情况下，全血会首先进行离心以快速获取用于检测的血清/血浆。但实际情况下，由于采血、离心或存储不当等原因可能会造成血清/血浆中存在纤维蛋白丝或凝块等干扰物。这些干扰物不仅会干扰检测，还会造成堵针或部分堵针。完全堵针会直接导致检测设备无法运行，需要专业人员进行处理，不仅影响检测周期，还会增加检测成本。部分堵针则会造成吸取的血清量不足，影响检测质量。
3.目前在取样针吸取血清/血浆之前，需要依靠医师人工观察判别血清中是否存在纤维蛋白丝、凝块等干扰物，并判断干扰物的位置是否影响检测，具有主观性强，对医生操作经验要求高，工作量大的缺陷。若前期医师未判别出血清中存在纤维蛋白丝、凝块等干扰物，则只能依赖mts（mahalanobis-taguchi system，马氏田口系统）检堵检测，但该方法仅能在发生堵针时发出报警，无法避免堵针的发生。


技术实现要素：

4.本发明目的在于提供一种血清、血浆中干扰物的识别方法，用于解决无法有效的采用自动化技术提前判断血清/血浆中是否存在纤维蛋白丝、凝块等干扰物以及纤维蛋白丝、凝块等干扰物确切位置，有效预防堵针的问题。本发明的另一目的在于提供一种血清、血浆中干扰物的识别装置。
5.为实现上述目的，本发明采取下述技术方案：本发明所述的血清、血浆中干扰物的识别方法，包括以下步骤：s1，获取多张不同角度的采血管图像；s2，使用分割卷积神经网络模型1按类别对每张所述采血管图像进行分割；s3，计算每张采血管图像中分割出的血清/血浆区域面积，确定包含所述血清/血浆区域面积最大的采血管图像；s4，使用分割卷积神经网络模型2对s3中选定的采血管图像的血清/血浆区域分割图像进行干扰物检测；s5，根据s4步的检测结果，确定不受干扰的有效血清/血浆高度及液量。
6.进一步地， s1步中，以预设的旋转角度旋转采血管拍摄包含完整采血管即背景板的多张不同角度的采血管图像。
7.进一步地，s2步中，所述分割卷积神经网络模型1通过深度学习训练获得，按照n个类别对采血管图像进行分割；所述n个类别至少包括血清/血浆类。
8.进一步地，s3步中，所述血清/血浆区域分割图像是指血清/血浆分割结果所对应
采血管图像的最小外接矩形；所述血清/血浆区域面积为血清/血浆区域分割图像的像素总数。
9.进一步地，s4步中，使用通过深度学习训练获得的所述分割卷积神经网络模型2对所述选定的采血管图像的血清/血浆区域分割图像按类别再次分割，识别血清/血浆区域分割图像中的干扰物。
10.进一步地，s5步中，不受干扰的有效血清/血浆高度及液量的确定过程包括：对于未检测到干扰物的血清/血浆区域分割图像，根据s2步中的分割结果以血清/血浆的底部为可抽取血清的最低位置，以血清/血浆的顶部为最高位置，获取不受干扰的有效血清/血浆高度及液量；对于检测到干扰物的血清/血浆区域分割图像，以检测到的干扰物顶部位置作为可抽取血清的最低位置，以血清/血浆的顶部为最高位置，获取不受干扰的有效血清/血浆高度及液量。
11.本发明所述的血清、血浆中干扰物的识别装置，包括图像采集设备、光源、抓手、背景板、光电传感器和存储并运行权利要求1所述血清、血浆中干扰物的识别方法的计算设备；所述光电传感器用于判断采血管是否到达指定拍摄位置；所述图像采集设备用于采集采血管不同角度的图像数据，并传输至所述计算设备；所述抓手用于将采血管抓起并按照预设的旋转角度进行旋转，辅助图像采集设备完成采血管不同角度的图像数据采集；所述背景板用于减少拍摄背景对权利要求1所述血清、血浆中干扰物的识别方法识别精度的影响；所述光源对称布设在图像采集设备的两侧，并与图像采集设备呈一定的夹角，为图像采集设备提供合适的采集环境。
12.进一步地，所述背景板为表面粗糙的白色挡板。
13.进一步地，所述光源包括点光源或条光源。
14.本发明的优点在于应用深度学习技术构建分割卷积神经网络，自动化实现血清/血浆中纤维蛋白丝或凝块等干扰物的有无检测和准确定位，给出不受干扰物影响的有效血清/血浆高度及液量，能够有效过滤血清状态异常样本，并且根据不受干扰物影响的血清/血浆高度和液量能够有效指导取样针的移动，避免取样针堵针，代替原有的依靠医师人工观察判别血清中是否存在纤维蛋白丝、凝块等干扰物的方法，减少医生工作量，且提高样本检测效率。
附图说明
15.图1是本发明所述方法的流程图。
16.图2是本发明所述方法中相机正对标签的拍摄的俯视图。
17.图3是本发明所述方法中相机正对标签的拍摄的正视图。
18.图4是本发明所述方法中相机背对标签的拍摄的俯视图。
19.图5是本发明所述方法中相机背对标签的拍摄的正视图。
20.图6是本发明所述方法中不含分离胶的采血管图像的分割示意图。
21.图7是本发明所述方法中含分离胶的采血管图像的分割示意图。
22.图8是本发明所述装置的示意图。
具体实施方式
[0023] 下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0024]
实施例1本发明所述的血清、血浆中干扰物的识别方法的详细说明如图1所示，本发明所述的血清、血浆中干扰物的识别方法，包括以下步骤：s1，获取多张不同角度的采血管图像；由于采血管表面粘贴有记载个人信息等的标签，因此，需要考虑标签的位置，获取到标签遮挡位置最少的区域。因此，通过以预设的旋转角度旋转采血管来拍摄多张不同角度的采血管图像。每张采血管图像应包含完整的采血管，应能看到采血管管底和顶部的管帽，以及整个采血管管径。同时每张采血管图像应含有部分背景板图像。图像大小可以是2048x700像素。在其他实施例中，也可以1500x450像素。也就是说，像素情况可以根据实际采用的图像采集设备及拍摄情况调整。旋转采血管采集多张图像的目的是为了能够采集到标签遮挡最少的采血管图像，也就是有效血清区域最大面积的图像。
[0025]
如图2所示，采血管1的标签2朝向图像采集设备相机3，由于标签2的遮挡，此时采集的图像如图3所示，仅能看到采血管1的管帽4、标签2以及下部的血凝块区域5，有效的血清/血浆区域6被标签遮挡了。
[0026]
如图4所示，采血管1的标签2背向图像采集设备相机3，此时采集的图像如图5所示，可以看到采血管1的管帽4、标签2、血清/血浆区域6、分离胶7和血凝块5，能够清晰的看到有效的血清/血浆区域6。
[0027]
s2，使用分割卷积神经网络模型1按类别对每张所述采血管图像进行分割；将获得的多张该采血管的采血管图像分别导入到分割卷积神经网络模型1中，由卷积神经网络模型1对每张采血管图像按照类别分割。其中，分割卷积神经网络模型1通过深度学习训练获得，可以采用任意的分割卷积神经网络算法，如分割算法unet。也可以使用任意的计算框架、程序或工具箱进行编码，例如，tensorflow，pytorch等框架。
[0028]
通过深度学习训练得到的分割卷积神经网络模型1可以将采血管图像按照ｎ个分割类别进行分割。n个类别必须包括血清/血浆类。还可以根据实际情况包含血凝块、分离胶、标签、空气、管帽等中的任意类别。
[0029]
s3，计算每张采血管图像中分割出的血清/血浆区域面积，确定包含所述血清/血浆区域面积最大的采血管图像及血清/血浆区域图像；对每张采血管图像中分割出的血清/血浆区域进行面积计算，即统计血清/血浆分割结果对应的像素个数，将获得多个血清/血浆区域面积。将多个血清/血浆区域面积进行对比，找到血清/血浆区域面积最大的采血管图像以及该采血管图像对应的血清/血浆区域分割图像；血清/血浆区域面积是指血清/血浆区域分割图像的像素总数。
[0030]
血清/血浆区域分割图像是指血清/血浆分割结果所对应采血管图像的最小外接矩形。
[0031]
找出血清/血浆区域面积最大的采血管图像，是了尽量减少标签遮挡的影响。因为如果血清/血浆区域中的干扰物位于标签后面，就会导致因相机无法拍到干扰物而无法通过图像识别到。因此，采用血清/血浆区域面积最大的采血管图像，可以有效减少或避免因干扰物被标签遮挡而无法检测到的情况发生。
[0032]
s4，使用分割卷积神经网络模型2对s3中选定的采血管图像的血清/血浆区域分割图像进行干扰物检测；将s3中选定的采血管图像的血清/血浆区域分割图像导入精细化微调分割卷积神经网络模型2中，按类别再次分割，识别血清/血浆区域分割图像中的干扰物。
[0033]
分割卷积神经网络模型2可以是任何分割卷积神经网络模型，可以和分割卷积神经网络模型1一起训练，获得多个分割结果类别。
[0034]
在一个实施例中，可以是干扰物中的纤维蛋白丝、凝块两种，在其他实施例中，也可以是更多的干扰物类别，或者也可以认为是一类，不区分干扰物详细类别。
[0035]
使用通过深度学习训练获得的所述分割卷积神经网络模型2对所述选定的采血管图像的血清/血浆区域分割图像按类别再次分割，识别血清/血浆区域分割图像中的干扰物。
[0036]
将血清/血清区域导入精细化微调分割网络模型(scnn2)，该分割模型可以是任何分割卷积神经网络模型，该分割模型可以与scnn1一起训练，可以获取多个分割结果类别，在一个实施例中，可以是干扰物中的纤维蛋白丝、凝块两种，在其他实施例中，也可以是更多的干扰物类别，或者也可以认为是一类，不区分干扰物详细类别。此处，进一步使用分割模型的目的是为了更准确的获取干扰物，因为，干扰物对于整张采血管图像来说，非常细小，例如，对于一张2048x700的采血管图像，干扰物可能只在10x10个像素范围内。因此，先采用scnn1确定血清/血浆区域，缩小分割范围，可以更利于干扰物的检测。
[0037]
s5，根据s4步的检测结果，确定不受干扰的有效血清/血浆高度及液量。
[0038]
不受干扰的有效血清/血浆高度及液量的确定过程包括：对于未检测到干扰物的血清/血浆区域分割图像，根据s2步中的分割结果以血清/血浆的底部为可抽取血清的最低位置，以血清/血浆的顶部为最高位置，获取不受干扰的有效血清/血浆高度及液量；对于检测到干扰物的血清/血浆区域分割图像，以检测到的干扰物顶部位置作为可抽取血清的最低位置，以血清/血浆的顶部为最高位置，获取不受干扰的有效血清/血浆高度及液量。
[0039]
本发明涉及到的采血管包含所有类型的采血管，对于不含分离胶的采血管，在s2步中可以将不含分离胶的采血管1中的管帽4、血清/血浆6、血凝块5分别分离出来，如图6所示，图中采血管1中被分割为血清/血浆区域6、血凝块区域5。
[0040]
在图6中还展示了血清/血浆区域6中存在干扰物8，则，以检测到的干扰物8顶部即序号15位置作为可抽取血清的最低位置，以血清/血浆6的顶部即序号17为最高位置，获取不受干扰的有效血清/血浆高度即序号19代表的高度，以及有效血清/血浆的液量。另外，图6中的序号18为血凝块5顶部即序号16到血清/血浆6的顶部即序号17的距离，该距离为血清血浆高度。若不存在干扰物8则以血凝块5顶部位置即序号16和血清/血浆5的顶部位置即序号17确定的血清/血浆高度即序号18及液量，为有效血清/血浆高度。
[0041]
对于含分离胶的采血管，在s2步中可以将含分离胶的采血管1中的管帽4、血清/血浆6、分离胶7、血凝块5分别分离出来，如图7所示，图中采血管1中被分割为血清/血浆区域6、血凝块区域5、分离胶区域7。在图7中展示的血清/血浆区域6中不存在干扰物8，则以分离胶7顶部位置即序号20和血清/血浆6的顶部位置即序号17确定血清/血浆的高度即序号18以及血清/血浆的液量。
[0042]
此外，根据s2步中对采血管汇总血凝块、分离胶的分割结果，也可以容易得到血凝块、分离胶的高度及体积。
[0043]
本发明中血清/血浆的液量是基于血清/血浆高度计算。基于血清/血清高度，以及已知的采血管管径信息，进行血清/血浆体积计算。
[0044]
本发明提供了一种应用分割卷积神经网络端到端的实现血清/血浆中干扰物(纤维蛋白丝、凝块)的检测方法。先采用一个分割网络获取血清/血浆区域，基于分割结果中血清/血浆区域面积对比，获取标签遮挡最少的采血管图像；再采用一个精细化微调分割网络检测血清/血浆中干扰物；基于分割模型能够获取血清/血浆高度及液量，以及分离胶高度及体积，血凝块高度，能够有效过滤血清状态异常样本，并且根据不受干扰物影响的血清/血浆高度和液量能够有效指导取样针的移动，避免取样针堵针，代替原有的依靠医师人工观察判别血清中是否存在纤维蛋白丝、凝块等干扰物的方法，减少医生工作量，且提高样本检测效率。
[0045]
本发明所述的血清、血浆中干扰物的识别装置，如图8所示，包括图像采集设备相机3、光源11、抓手9、背景板10、光电传感器12和存储并运行权利要求1所述血清、血浆中干扰物的识别方法的计算设备13；所述光电传感器12用于判断采血管是否到达指定拍摄位置；当采血管1到达指定位置时，即可触发光电传感器12，并触发内置控制系统，顶部抓手9将采血管1抓起进行旋转一周360度进行图像采集，拍摄不同角度的多张图像。
[0046]
所述图像采集设备相机3用于采集采血管不同角度的图像数据，并传输至所述计算设备13；所述抓手9用于将采血管1从管托14上抓起并按照预设的旋转角度进行旋转，直至完成采血管1的360
°
旋转。辅助图像采集设备相机3完成采血管不同角度的图像数据采集；所述背景板10用于减少拍摄背景对权利要求1所述血清、血浆中干扰物的识别方法识别精度的影响，为表面粗糙的白色挡板。这样可以尽量减少由于背景颜色问题对采血管血清区域带来的影响。
[0047]
所述光源11对称布设在图像采集设备的两侧，并与图像采集设备相机3呈一定的夹角，为图像采集设备相机3提供合适的采集环境，使图像的采集在光照充足的环境下进行。光源11可以为发光二极管( led)，包括点光源或条光源。光源11与图像采集设备相机3之间的夹角可以根据实际情况调整。

技术特征：
1.一种血清、血浆中干扰物的识别方法，其特征在于：包括以下步骤：s1，获取多张不同角度的采血管图像；s2，使用分割卷积神经网络模型1按类别对每张所述采血管图像进行分割；s3，计算每张采血管图像中分割出的血清/血浆区域面积，确定包含所述血清/血浆区域面积最大的采血管图像及血清/血浆区域分割图像；s4，使用分割卷积神经网络模型2对s3中选定的采血管图像的血清/血浆区域分割图像进行干扰物检测；s5，根据s4步的检测结果，确定不受干扰的有效血清/血浆高度及液量。2.根据权利要求1所述的血清、血浆中干扰物的识别方法及装置，其特征在于： s1步中，以预设的旋转角度旋转采血管拍摄包含完整采血管即背景板的多张不同角度的采血管图像。3.根据权利要求1所述的血清、血浆中干扰物的识别方法及装置，其特征在于：s2步中，所述分割卷积神经网络模型1通过深度学习训练获得，按照n个类别对采血管图像进行分割；所述n个类别至少包括血清/血浆类。4.根据权利要求1所述的血清、血浆中干扰物的识别方法及装置，其特征在于：s3步中，所述血清/血浆区域分割图像是指血清/血浆分割结果所对应采血管图像的最小外接矩形；所述血清/血浆区域面积为血清/血浆区域分割图像的像素总数。5.根据权利要求1所述的血清、血浆中干扰物的识别方法及装置，其特征在于：s4步中，使用通过深度学习训练获得的所述分割卷积神经网络模型2对所述选定的采血管图像的血清/血浆区域分割图像按类别再次分割，识别血清/血浆区域分割图像中的干扰物。6.根据权利要求1所述的血清、血浆中干扰物的识别方法及装置，其特征在于：s5步中，不受干扰的有效血清/血浆高度及液量的确定过程包括：对于未检测到干扰物的血清/血浆区域分割图像，根据s2步中的分割结果以血清/血浆的底部为可抽取血清的最低位置，以血清/血浆的顶部为最高位置，获取不受干扰的有效血清/血浆高度及液量；对于检测到干扰物的血清/血浆区域分割图像，以检测到的干扰物顶部位置作为可抽取血清的最低位置，以血清/血浆的顶部为最高位置，获取不受干扰的有效血清/血浆高度及液量。7.一种血清、血浆中干扰物的识别装置，其特征在于：包括图像采集设备、光源、抓手、背景板、光电传感器和存储并运行权利要求1所述血清、血浆中干扰物的识别方法的计算设备；所述光电传感器用于判断采血管是否到达指定拍摄位置；所述图像采集设备用于采集采血管不同角度的图像数据，并传输至所述计算设备；所述抓手用于将采血管抓起并按照预设的旋转角度进行旋转，辅助图像采集设备完成采血管不同角度的图像数据采集；所述背景板用于减少拍摄背景对权利要求1所述血清、血浆中干扰物的识别方法识别精度的影响；所述光源对称布设在图像采集设备的两侧，并与图像采集设备呈一定的夹角，为图像采集设备提供合适的采集环境。8.根据权利要求7所述的一种血清、血浆中干扰物的识别装置，其特征在于：所述背景板为表面粗糙的白色挡板。
9.根据权利要求7所述的一种血清、血浆中干扰物的识别装置，其特征在于：所述光源包括点光源或条光源。

技术总结
本发明公开了一种血清、血浆中干扰物的识别方法及装置，应用深度学习技术构建分割卷积神经网络，自动化实现血清/血浆中纤维蛋白丝或凝块等干扰物的有无检测和准确定位，给出不受干扰物影响的有效血清/血浆高度及液量，能够有效过滤血清状态异常样本，并且根据不受干扰物影响的血清/血浆高度和液量能够有效指导取样针的移动，避免取样针堵针，代替原有的依靠医师人工观察判别血清中是否存在纤维蛋白丝、凝块等干扰物的方法，减少医生工作量，且提高样本检测效率。高样本检测效率。高样本检测效率。


技术研发人员：侯剑平 王超 段忆芮 赵万里 刘孟南 王海峦 武保军 刘聪
受保护的技术使用者：安图实验仪器（郑州）有限公司
技术研发日：2023.05.31
技术公布日：2023/8/21