[发明专利]用于使用卷积神经网络的HILN表征的方法和装置

权利要求书

1.一种表征方法，用于表征样本的血清或血浆部分以便能够确定溶血（H）、黄疸（I）和/或脂血（L）的存在，或确定为正常（N），其包括：

捕获包括样本的血清或血浆部分的样本容器的多个图像，其中，所述多个图像是从多个视点捕获的，并且包括针对每个视点的多光谱、多曝光图像，以及其中，所述样本容器包括一个或多个标签，所述一个或多个标签遮挡视点的至少一部分；

将来自所述多个图像的图像数据输入到卷积神经网络，并且利用所述卷积神经网络来处理所述图像数据；以及

从所述卷积神经网络输出作为溶血、黄疸、脂血和正常中的一种或多种的所述血清或血浆部分的分类，以及其中所述卷积神经网络调整和补偿所述一个或多个标签遮挡视点的至少一部分的影响，从而使来自这些遮挡区域的卷积神经网络的输出被调整并与血清或血浆部分的其他未遮挡区域相同。

2.根据权利要求1所述的方法，其中，捕获的多个图像包括针对多个光谱中的每一个光谱的不同曝光。

3.根据权利要求1所述的方法，其中，所述捕获的多个图像包括为红色、绿色和蓝色的每个光谱提供不同的曝光时间。

4.根据权利要求1所述的方法，其中，所述卷积神经网络包括一种架构，所述架构包括含有卷积和池化的至少两个层，以及至少两个附加的完全卷积层。

5.根据权利要求1所述的方法，其中，所述卷积神经网络包括含有解卷积层的架构。

6.根据权利要求1所述的方法，其中，所述卷积神经网络包括含有SoftMax层的架构。

7.根据权利要求1所述的方法，其中，所述卷积神经网络包括一种架构，所述架构包括含有卷积和池化的至少三个层，以及至少两个完全卷积层、解卷积层和SoftMax层。

8.根据权利要求1所述的方法，其中，所述卷积神经网络包括：

多个层，其包括卷积、LRN和ReLU、完全卷积层、解卷积层和SoftMax层。

9.根据权利要求1所述的方法，其中，所述血清或血浆部分的分类包括针对溶血、黄疸、和脂血中的每一种的N类的输出选项。

10.根据权利要求1所述的方法，其中，所述血清或血浆部分的分类包括：针对溶血、黄疸和脂血中的每一种的细粒化指数的输出选项。

11.根据权利要求1所述的方法，其中，所述血清或血浆部分的分类包括：输出溶血、黄疸和脂血中的一种或多种的细粒化指数。

12.根据权利要求1所述的方法，其中，捕获所述多个图像包括：利用包括R、G、B、白光、IR和近IR的一个或多个光谱的光源进行背光照明。

13.根据权利要求1所述的方法，其中，来自所述多个图像的图像数据包括来自多次曝光的合并像素或块数据。

14.根据权利要求1所述的方法，其中，所述卷积神经网络进一步输出N'类分割数据。

15.根据权利要求1所述的方法，其中，所述卷积神经网络进一步包括：

第一网络分支，其包括N'类分割输出，以及

第二网络分支，其包括针对溶血、黄疸和脂血中的每一种的N类输出选项类别。

16.根据权利要求1所述的方法，其中，所述卷积神经网络进一步包括：

网络分支，其包括针对盖子类型的n类输出选项。