[发明专利]以端到端训练方式使用单深度神经网络的样本容器表征

权利要求书

1.一种表征样本容器的方法，所述方法包括：

从多个视点捕获所述样本容器的多个图像，所述样本容器包括在其中的样本的血清或血浆部分；

将来自所述多个图像的图像数据输入到分割卷积神经网络并利用所述分割卷积神经网络处理所述图像数据以同时输出多个标签图；

将所述多个标签图输入到分类卷积神经网络并利用所述分类卷积神经网络处理所述多个标签图；以及

从所述分类卷积神经网络将对所述血清或血浆部分的分类输出为溶血、黄疸、血脂或正常中的一者或多者。

2.根据权利要求1所述的方法，其进一步包括首先在没有所述分类卷积神经网络的情况下训练所述分割卷积神经网络。

3.根据权利要求1所述的方法，其进一步包括：端到端训练所述分割卷积神经网络和所述分类卷积神经网络。

4.根据权利要求1所述的方法，其进一步包括：将来自每个视点的相应的所捕获的图像一起堆叠成具有附加通道的单个图像，所述附加通道对应于视点的数量。

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

6.根据权利要求1所述的方法，其中，同时输出的多个标签图的数量对应于多个视点的数量。

7.根据权利要求1所述的方法，其中，所述分割卷积神经网络包括如下架构，所述架构包括以下各者：至少两个层，其包括卷积和池化；以及至少两个完全卷积层。

8.根据权利要求1所述的方法，其中，所述分割卷积神经网络包括如下架构，所述架构包括解卷积层和SoftMax层中的至少一者。

9.根据权利要求1所述的方法，其中，所述分类卷积神经网络包括多个卷积层。

10.根据权利要求1所述的方法，其中，对所述血清或血浆部分的所述分类包括针对N类别的输出选项，每个类别为溶血、黄疸和血脂。

11.根据权利要求1所述的方法，其中，所述分类卷积神经网络进一步输出针对分割数据的N’类别的输出选项。

12.根据权利要求1所述的方法，其中，所述分类卷积神经网络进一步输出针对帽类型的N”类别的输出选项。

13.根据权利要求1所述的方法，其中，所述样本容器包括遮盖一个视点的至少一部分的一个或多个标签。

14. 一种质量检查模块，其包括：

多个图像捕获装置，其被构造成从样本容器的多个视点捕获多个图像，所述样本容器在其中包含样本的血清或血浆部分；以及

计算机，其联接到所述多个图像捕获装置，所述计算机被构造和操作成：

将来自所述多个图像的图像数据输入到分割卷积神经网络并利用所述分割卷积神经网络处理所述图像数据以同时输出多个标签图；

将所述多个标签图输入到分类卷积神经网络并利用所述分类卷积神经网络处理所述多个标签图；以及

从所述分类卷积神经网络将对所述血清或血浆部分的分类输出为溶血、黄疸、血脂或正常中的一者或多者。

15.根据权利要求14所述的质量检查模块，其中，所述计算机进一步被构造和操作成首先在没有所述分类卷积神经网络的情况下训练所述分割卷积神经网络。

16.根据权利要求14所述的质量检查模块，其中，所述计算机进一步被构造和操作成将来自每个视点的相应的所捕获的图像一起堆叠成具有附加通道的单个图像，所述附加通道对应于视点的数量。