Мобильный съемный комплекс и способ для автоматического определения наличия гемолиза и/или хилеза в образцах крови Российский патент 2024 года по МПК G01N33/49 G01N35/02 G01N35/04 

Область техники, к которой относится изобретение

Группа изобретений относится к области медицины, а именно к лабораторной диагностике, и может быть использована для автоматического определения наличия гемолиза и/или хилеза в образцах крови.

Уровень техники

Автоматизация является приоритетным направлением развития лаборатории, в том числе в целях увеличения производительности труда за счет автоматизации рутинных процессов. В связи с ежегодно растущим рынком биохимических и иммунологических исследований в Российской Федерации, связанных с распространением заболеваний сердечно-сосудистой системы и рака, а также с развивающейся тенденцией населения контролировать состояние здоровья и сохраняющейся проблемой преаналитической обработки проб крови на наличие хилеза и гемолиза, которые препятствуют проведению биохимического анализа, актуальна и необходима разработка системы автоматического анализа качества поступающих образцов крови на наличие хилеза и/или гемолиза с минимальным участием врача перед проведением анализа.

В настоящее время медицинские образцы исследуются визуально квалифицированным лабораторным персоналом. Однако данный метод трудоемок, а результаты весьма субъективны.

Также известен метод спектрофотометрии исследования, основанного на измерении спектров поглощения в оптической области электромагнитного излучения (НО K.М.С. et al. Optimization of hemolysis, icterus and lipemia interference thresholds for 35 clinical chemistry assays. Practical Laboratory Medicine. 2021, Volume 25, e00232). Однако устройства, реализующие данный метод, могут быть габаритными (624 кг), а также сложными в обращении и в обслуживании.

Использование компьютерного зрения является значительно более доступным и при этом не менее эффективным методом определения степени гемолиза и липемии (хилеза), так как не требует специального оборудования и обучения персонала. Такой подход является альтернативой таким методам анализа, как спектрофотометрия, так и менее надежных способов анализа на основе экспертной оценки сотрудника лаборатории. Данный подход способен существенно ускорить анализ образцов крови и исключить вероятность человеческой ошибки при анализе, которая делает лабораторную диагностику крови более надежной и достоверной.

Известны устройство и способ определения степени гемолиза и липемии US 10746665 В2, и US10816538B2. Устройство состоит из камер, источников света, конвейера и компьютера, а способ включает получение изображения образца крови при разном времени экспозиции и в нескольких разных спектрах, имеющих разные номинальные длины волн, создания данных изображения с оптимальной экспозицией для каждого спектра, классификация данных. При этом устройство может быть конструктивной частью автоматизированной лабораторной системы или анализатора.

Известны устройство и способ определения степени гемолиза и липемии US 10928310 В2. Устройство состоит из камер, источников света и компьютера, а способ включает получение изображения образца крови в нескольких экспозициях или с освещением в спектре 400-700 нм, консолидацию изображений, получение статистических данных для каждого из пикселей с оптимальной экспозицией в наборе данных пропускания на разных длинах волн (например, R, G, В) и для каждой точки обзора, классификация полученных данных. При этом устройство может быть конструктивной частью автоматизированной лабораторной системы или анализатора, либо автономно. Данный источник информации является наиболее близким аналогом созданных нами устройства и способа автоматического определения наличия гемолиза и хилеза в образцах крови.

Основным недостатком вышеперечисленных решений является их стационарность. При этом в случае автономного варианта исполнения наиболее близкого аналога недостатком является необходимость автоматической подачи образцов крови, что требует наличия дополнительного оборудования для подачи образцов.

Решаемой заявленной группой изобретений технической проблемой является создание съемного, мобильного, простого в обращении и обслуживании устройства автоматизированного выявления ошибок на преаналитическом этапе, а именно хилеза и/или гемолиза, а также создание способа точного определения уровня хилеза и гемолиза.

Раскрытие сущности изобретения

Технический результат созданной группы изобретений заключается в надежном и достоверном определении хилеза и/или гемолиза в образцах крови, реализуемом посредством мобильного съемного комплекса для автоматического определения наличия гемолиза и/или хилеза, простота и доступность которого позволяет использовать заявленное решение в лабораториях без дополнительного оборудования.

Технический результат, в частности, достигается за счет мобильного съемного комплекса для автоматического определения наличия гемолиза и/или хилеза в центрифугированных образцах крови, включающего:

- не менее 2 цифровых короткофокусных камер с разрешением не менее 1920×1080 пикселей;

- кольцевой светодиодный источник белого света;

- штатив, выполненный с возможностью фиксации к конвейерной линии лабораторного анализатора цифровых короткофокусных камер и кольцевого светодиодного источника белого света в горизонтальной плоскости относительно конвейерной линии лабораторного анализатора, состоящий из рамы, держателей, выполненных с возможностью фиксации и изменения вертикального положения камер, и элементов съемного крепления, выполненных с возможностью фиксации и снятия штатива с конвейерной линии лабораторного анализатора,

при этом элементы съемного крепления выполнены либо с возможностью установки штатива снаружи конвейерной линии лабораторного анализатора, таким образом, чтобы короткофокусные камеры фиксировали образцы через боковые окна конвейерной линии лабораторного анализатора,

либо выполнены с возможностью установки короткофокусных камер внутри конвейерной линии лабораторного анализатора;

- систему управления и обработки информации, производящую анализ изображений, получаемых с короткофокусных камер, с использованием первой и второй классификационных моделей, и выполненную с возможностью записи, обработки, хранения и вывода на монитор результатов определения наличия гемолиза и/или хилеза в образцах плазмы крови с информацией о пациенте, которому принадлежит образец крови, и медицинском учреждении, из которого поступил образец крови.

В частном случае кольцевой светодиодный источник белого света выполнен с освещенностью 1400 Лк.

В частном случае кольцевой светодиодный источник белого света оборудован диффузором.

В частном случае кольцевой светодиодный источник белого света выполнен мощностью не более 20 Вт.

В частном случае кольцевой светодиодный источник белого света выполнен с диаметром кольца от 20 до 40 см.

В частном случае системой управления и обработки информации являются либо стационарный компьютер, либо ноутбук, либо смартфон.

В частном случае первая и вторая классификационные модели записаны в постоянную память системы управления и обработки информации.

В частном случае первая и вторая классификационные модели записаны на удаленном сервере, в облачном хранилище, и система управления и обработки информации выполнена с возможностью временной загрузки данных классификационных моделей в свою память.

Технический результат также достигается способом автоматического определения наличия гемолиза и/или хилеза в центрифугированных образцах крови, включающего этапы:

1. получение изображения камерами мобильного съемного комплекса, описанного выше;

2. обнаружение наличия пробирки на изображении с помощью первой классификационной модели;

3. классификации типа плазмы: если первая классификационная модель обнаруживает присутствие на изображении пробирки с кровью, запускается работа второй классификационной модели, которая одновременно осуществляет поиск областей изображения, соответствующих плазме и классификацию типа плазмы;

4. распознавания штрих-кода, расположенного на пробирке с кровью, при помощи второй классификационной модели;

5. вывода на монитор устройства результатов определения наличия гемолиза и/или хилеза в образцах крови.

В случае отсутствия пробирки на изображении или, если качество изображения не позволяет обнаружить пробирку, на монитор может быть выведено сообщение о том, что пробирка не обнаружена.

В случае отсутствия штрих-кода или при невозможности его определения на монитор может быть выведено сообщение о том, что штрих-код не распознан.

В частном случае на монитор устройства выводят результаты определения наличия гемолиза и/или хилеза в образцах крови с информацией о пациенте, которому принадлежит образец крови, и медицинском учреждении, из которого поступил образец крови.

В частном случае для определения степени хилеза и/или гемолиза используют видеозапись, получаемую с камер устройства, с присутствующими на кадрах пробирками с образцами крови.

В частном случае первая классификационная модель является сверточной нейронной сетью с архитектурой MobileNetV3.

В частном случае вторая классификационная модель является сверточной нейронной сетью с архитектурой YOLOvS.

Указанные выше аспекты технического результата достигаются: во-первых, благодаря конструктивным особенностям созданного комплекса, обеспечивающих возможность зафиксировать и снять устройтсво определения наличия гемолиза и/или хилеза в образцах крови и совместимость устройства с любой автоматизированной лабораторной системой; во-вторых, благодаря способу определения наличия гемолиза и/или хилеза в образцах крови с не менее, чем 2 камерами с разрешением 1920×1080, что обеспечивает получение наиболее информативных снимков образцов крови.

Краткое описание чертежей.

Изобретение поясняется иллюстративным материалом.

Фиг. 1 А) - схематическое изображение конвейерной линии и расположения камер прибора относительно пробирок с образцами, где 1 - конвейерная линия (вид сверху), 2 - пробирки с образцами, 3 - камеры устройства.

Фиг. 1 Б) - пример изображения конвейерной линии вид с камеры устройства, располагаемой сверху, над пробирками, где 2 - пробирка с образцом, 4 - держатель образца.

Фиг. 1 В) - пример изображения конвейерной линии, получаемой с камеры устройства, располагаемой сбоку от образца, где 5 - боковое окно для съемки, 2 - пробирка с образцом, 4 - держатель для образца.

Фиг. 2 А, Б) - примеры изображений с хорошо различимым (А) и неразличимым штрих-кодом (Б) для камер, расположенных напротив боковых окон наблюдения.

Фиг. 3 А) - пример изображений с камеры Logitech HD Webcam С270 с разрешением 1280×720. Фиг. 3 Б) - пример изображения с камеры Logitech С922 Pro 1920×1080. Экспозиция 30 мс, используется дополнительное освещение

Фиг. 4 А) - схематическое изображение расположения камер прибора с четырьмя камерами относительно пробирок с конвейерной линии (вид сверху), где 1 - конвейерная линия, 2 - пробирки с образцами, 3 - камеры устройства.

Фиг. 4 Б) - фотография конвейерной линии с проезжающей пробиркой крови, получаемые с камер устройства. Номера на изображениях отражают нумерацию камер (К1-К4), представленную на панели А.

Фиг. 4 В) - изображение установки в конфигурации четырех камер на конвейере, где 1 - конвейерная линия, 3 - камеры устройства (дополнительно отмечены желтыми рамками), 6 - управляющий компьютер, 7 - источник дополнительного освещения устройства.

Фиг. 5 - результат работы устройства в предсказании классов пробирки: (А) - «виден штрих-код», (Б) - «хилез», (В) - «гемолиз», (Г) - «норма».

Осуществление изобретения

1. Тестирование конструкции прототипов устройства.

В результате проведенных экспериментов было сконструировано несколько экспериментальных образцов устройства (прототипов), позволяющих фотографировать едущие по конвейерной линии пробирки с центрифугированной кровью под несколькими углами зрения в различных условиях освещения при различной длительности экспозиции и числе кадров в секунду:

- прототип с двумя камерами;

- прототип с четырьмя камерами.

Также возможна компактная конструкция для применения вне конвейерной линии, реализующая метод с одной камерой. В таком случае необходимо будет сначала считать штрих-код, развернув пробирку штрих-кодом к камере, после чего развернуть пробирку областью, где виден участок плазмы крови. Таким образом, при использовании конструкции с одной камерой не реализуется автоматическое определение наличия гемолиза и/или хилеза. Кроме того, при ручной подаче пробирок не достигается достаточная четкость изображения.

Прототипы с двумя и четырьмя камерами были протестированы на конвейерной линии на базе ГКБ №67 им. Л.А. Ворохобова - Beckman Coulter Power Express, с целью выявления их недостатков и выбора оптимальной конфигурации для дальнейшей работы.

В первую очередь было протестировано решение с использованием двух CMOS RGB камер, с максимальным цифровым разрешением 1280×720, минимальной экспозицией 30 мс, углом зрения 55°, с частотой кадров в секунду 30 Гц (модель Logitech С270 HD). Камеры были расположены с боковых сторон от конвейера, и были сфокусированы на пробирки через окна наблюдения. На Фиг. 1А представлена схема расположения камер относительно конвейерной линии.

Далее при использовании дополнительного источника освещения была набрана статистика по ~300 пробиркам с использованием двух камер, расположенных с боковых сторон от конвейера, на основе которой вручную была проведена оценка доли пробирок со штрих-кодом, расположенным вне зоны видимости камеры (Фиг. 2А, Б). Было установлено, что доля пробирок с неразличимым штрих-кодом в схеме с использованием двух камер составила ~42±3%.

Дополнительно была проверена достаточность разрешающей способности фотокамер: были протестированы камеры Logitech С270 HD (модель камеры 1, разрешение 1280×720, величина экспозиции - 30 мс, 30 кадров в секунду) и Logitech С922 HD Pro (модель камеры 2, цифровое разрешение 1920×1080, длительность экспозиции 30 мс, число кадров в секунду - 30, угол обзора 78°). С помощью алгоритма из библиотеки pyzbar была оценена возможность считывания штрих-кода с изображений было определено, что с помощью камеры с разрешением менее 1920×1080 пикселей невозможно получение снимков штрих-кодов (на Фиг. 3А, Б представлены репрезентативные кадры, полученные с помощью указанных моделей камер).

Для устранения недостатков схемы с двумя камерами (отсутствие штрих-кодов на части изображений пробирок, низкая разрешающая способность, не позволяющая зафиксировать часть линий штрих-кода) предлагается использовать камеры с разрешением не менее 1920×1080 пикселей. Также установка двух дополнительных камер с разрешением не менее 1920×1080 пикселей позволяет еще больше минимизировать число пробирок с нераспознанными штрих кодами (см. Фиг. 4).

Для фиксирования положения камер относительно друг друга и осветителя для первого прототипа прибора была разработана конструкция на основе оптомеханических держателей и штатива, позволяющая фиксировать и изменять вертикальное положение камер (общий вид установки представлен на Фиг. 4В).

Настоящая конструкция предусматривает установку не менее 2 цифровых короткофокусных камер с разрешением не менее 1920×1080 пикселей и кольцевого светодиодного источника белого света на конвейерную линию при помощи штатива, компьютера, вай-фай передатчика, дисплея и кабеля для подключения сети.

При этом элементы штатива обеспечивают фиксацию источника света и камер в горизонтальной плоскости относительно конвейерной линии лабораторного анализатора. Держатели штатива фиксируют камеры и обеспечивают возможность изменения вертикального положения камер. Элементы съемного крепления штатива позволяют легко зафиксировать и снять штатив с камерами и источником света с конвейерной линии лабораторного анализатора. Также в случае отсутствия у конвейерной линии анализатора окон элементы съемного крепления штатива позволяют зафиксировать штатив внутри конвейерной линии.

Поскольку нагревание пробирок с кровью может привести к негодности биоматериал, необходим источник света, не приводящий к нагреву образца. Поэтому мощность источника света должна быть не более 20 Вт.

Изображения, получаемые при фиксированных условиях освещения, достигаемых за счет использования дополнительного источника освещения, а также использования фиксированной геометрии камер, обеспечиваемой штативом, позволяют добиваться высокой повторяемости цветовых характеристик плазмы крови образцов, фиксируемых с помощью цифровых фотокамер. Высокая повторяемость цветовых характеристик позволяет с высокой надежностью и достоверностью определять наличие гемолиза и/или хилеза в образцах.

2. Выбор моделей компьютерного зрения для классификации образцов крови.

Пробирки с образцами отцентрифугированной крови, детектируемые фотокамерами, расположенными в используемой конструкции, могут располагаться в различных частях изображения, при этом в ряде случаев область пробирки с плазмой крови может быть скрыта штрих-кодом, используемым для идентификации образца. Также на изображении может одновременно присутствовать несколько пробирок с различным классом пригодности плазмы крови к исследованию. В связи с этим, для корректной идентификации образцов на изображениях может быть использована модель компьютерного зрения, позволяющая одновременно детектировать - определять положение объекта на изображении - и классифицировать объекты, находящиеся в задетектированных областях. Одной из наиболее распространенных моделей, обладающих высокой точностью классификации, являются модели, основанные на применении сверточных нейросетей с архитектурой YOLO (Diwan, Т., Anirudh, G., & Tembhurne, J.V. (2022). Object detection using YOLO: challenges, architectural successors, datasets and applications. Multimedia Tools and Applications, 1-33). К причинам выбора модели YOLOv5 также можно отнести гибкость развертывания, высокую скорость и высокую точность детектирования объектов с помощью данной архитектуры.

Для детектирования и классификации образцов крови в пробирках были обучены и протестированы пять модификаций модели YOLO v5: YOLOv5n, YOLOv5s, YOLOv5m, YOLOv51 и YOLOv5x. Основные принципиальные архитектурные особенности указанных моделей являются идентичными, а отличия заключаются в глубине моделей, которые влияют на конечную точность обработки данных. Обучение пяти моделей было проведено с целью выявления варианта, характеристики которого будут наиболее соответствовать запланированным параметрам эффективности.

Разработка и первичное обучение указанной модели для классификации образцов крови включали в себя упорядочивание данных (разметку данных), которое было выполнено коллективом ГКБ №67 им. Л.А. Ворохобова по набору обучающей выборки: итоговый датасет составил 14100 изображений, которые были разделены на обучающую (13 403 изображений) и валидационную (697 изображения) выборки.

Чтобы запустить модель на основе YOLO v5, которая обнаруживала бы пробирку в кадре и классифицировала тип плазмы крови в ней, необходимо было провести обучение версии алгоритма YOLO v5, предварительно настроенной на наборе данных открытой библиотеки COCO с заранее определенными параметрами: размер исходных данных, батч, скорость обучения (см. Таблицу 1).

В соответствии с характеристиками изображения и доступными на данном этапе ресурсами GPU, лучший эффект от обучения данных был достигнут при батче в 32 элемента. Для выбора основной базовой модели было обучено и протестировано 5 моделей YOLO v5, описание которых представлено в Таблице 2.

Корректное обучение моделей на правильно сбалансированном датасете, а также выбор гиперпараметров модели (количество эпох обучения) архитектуры (в т.ч. количества параметров модели), величины параметра скорости обучения, размера входных данных, размера батча и пр. - является ключевым этапом обучения модели, распознающей класс пробирки. Собранный датасет включал большое число кадров различных пробирок образцов пригодных для анализа (образцов «в норме»), образцов с выраженным хилезом, гемолизом и хилезом и гемолизом. Параметры обучения выбирались так, чтобы точность классификации составляла не менее 0.85.

3. Подготовка данных для обучения моделей компьютерного зрения для классификации образцов по типам гемолиз, хилез и норма.

С помощью устройства, созданного коллективом заявителей, работающего с использованием 4-х камер со следующими параметрами съемки: цифровым разрешением 1920×1080, был собран необходимый набор данных (датасет) из 14100 изображений пробирок с кровью. Для корректной работы модели обнаружения и классификации образцов крови требовалась стандартизация содержания аннотаций снимков и их форматов. Данный алгоритм стандартизации входных данных включал следующие этапы:

- распределение кадров с пробирками по папкам в зависимости от типа плазмы;

- балансировка классов;

- перенос исходных данных в программу для разметки фотографий Supervise.ly, выделение области детекции для пробирок и присвоение образцам одного из 5 классов;

- выгрузка данных из Supervise.ly;

- преобразование данных в необходимый для обучения модели формат.

Для обучения моделей была проведена предварительная разметка образцов квалифицированным специалистом на предмет обнаружения хилеза и гемолиза на основе визуального осмотра. Изображения с 4 углов обзора камер были структурированы и разделены на 5 классов - «хилез», «гемолиз», «норма», «цвет плазмы не виден» и «штрих-коды».

Чтобы модель машинного обучения, используемая для выполнения проекта, хорошо обобщала данные для задействованных при обучении классов, было необходимо уравнять размеры выборок для каждого класса. В случаях несбалансированных выборок с недостаточным количеством более редких образцов модель будет игнорировать меньший класс и неправильно его классифицировать, что снизит точность и качество результатов обучения. Для недопущения снижения качества обучения перед загрузкой данных в Supervise.ly была проведена количественная балансировка выборок каждого класса.

Из всей подготовленной выборки 95% были использованы для обучения алгоритма обнаружения объектов, остальные 5% были использованы для валидации работы алгоритма. Наличие в выборке изображений, на которых содержимое образца закрыто штрих-кодом обеспечивает повышение точности обнаружения и классификации пробирок: это происходит из-за того, что без данного класса подобные пробирки были бы классифицированы как хилезные, гемолизные или нормальные, что понижало бы общую эффективность работы модели. Фоновые изображения представляют собой фотографии без пробирок и без класса и добавлены в обучающую выборку для уменьшения количества ложноположительных результатов (False Positive), что приводит к увеличению общей точности (precision) модели.

Полученные в результате работы данные были использованы командой для обучения моделей компьютерного зрения поколения YOLO v5.

4. Оценка результатов исследований.

Была проведена верификация моделей классификации образцов крови, определение чувствительности и специфичности модели, работающей совместно с цифровыми камерами устройства. На валидационном наборе данных были проверены значения чувствительности и специфичности базовых моделей YOLO v5, в целях выявления наиболее результативной из этого ряда моделей для дальнейшей работы по повышению и максимизации ее эффективности. В этой связи для тестирования разработанных базовых моделей YOLO v5 в данном исследовании были приняты пять показателей:

1. Точность (Precision). Целевое значение - не менее 85%, где: Precision = True positive / (True positive+False positive). Формула расчета 1:

где TP - количество истинно положительных случаев, FP - количество ложноположительных случаев.

2. IoU (Intersection over Union score) - метрика сегментации (детектирования) пробирки на изображении. Целевое значение - не менее 60%. Фор мула расчета 2:

где R - определенная моделью площадь границы объекта; R' - истинная площадь границы объекта

3. Отклик (Recall). Целевое значение - не менее 95%, где: Recall = True positive / (True positive + False negative). Формула расчета:

где TP - количество истинно положительных случаев, FT - количество ложноположительных случаев, FN - количество ложно отрицательных случае.

4. Скорость классификации для одного образца крови в миллисекундах на 1 кадр видео.

5. mAP (mean Average Precision). Среднее значение АР (Average Precision) при обнаружении пробирки с кровью (чем выше mAP, тем лучше результат обнаружения пробирки). Формула расчета:

где С - количество классов.

Проверка эффективности моделей для классификации образцов крови в пробирках проходила на 697 изображениях валидационного набора, результаты представлены в Таблице 4.

Таким образом, в результате проведенных экспериментов было установлено, что из пяти версий моделей, версия модели YOLOv51 демонстрировала лучшие результаты точности, отклика и тАР. Средняя точность данной модели составляла 98,95%: модель корректно классифицировала изображения с хилезом в 100% случаев, с гемолизом - в 98% случаев, с нормальной плазмой крови - в 100% случаев, со штрих-кодами - в 100% случаев, с изображениями, где не видно плазму - в 98% случаев.

Примеры осуществления изобретения.

Пример 1.

Работоспособность изобретения была верифицирована на базе конвейерной системы для биохимического анализа образцов плазмы крови клинико-диагностической лаборатории ГКБ №67 им. Л.А. Ворохобова.

Для обработки результатов, получаемых с помощью устройства, был подготовлен и использован клиентский компьютер для использования и испытания прототипа ПАК ASUS UX430UAR с основными характеристиками:

- процессор: Intel Core i7-8550U, ЦПУ @ 1.80 ГГц 1.99 ГГц;

- оперативная память: 16 Гб;

- тип операционной системы: 64-разрядная операционная система Windows 11 Pro;

- монитор: 1920×1080 точек;

- перо и сенсорный ввод: клавиатура, поддержка сенсорного ввода (точек касания: 2);

- интернет-браузер: Google Chrome 98.0.4758.102.

Для обработки изображений, получаемых с камер устройства был использован облачный сервер со следующими характеристиками:

сервер со следующими характеристиками:

- количество ядер процессора: 4;

- оперативная память: 8 Гб;

- накопитель данных: 60 Гб SSD;

- тип операционной системы: Ubuntu 20.04.

Для испытания прототипа устройства по конвейерной линии были запущены образцы плазмы крови, принадлежащие к различным классам - «норма», «гемолиз» и «хилез», а также образцы, в которых плазма крови не попадала в область видимости одной или нескольких камер устройства. При этом «истинное значение» класса принадлежности пробирки оценивалось визуально лаборантом клинико-диагностической лаборатории ГКБ №67.

Для оценки точности работы устройства и метода были использованы следующие показатели:

1. Точность (Precision), где: Precision = True positive / (True positive + False positive).

2. IoU (Intersection over Union score) - метрика сегментации пробирки на изображении. Целевое значение - не менее 60%.

3. Отклик (Recall), где: Recall = True positive / (True positive + False negative).

4. Скорость классификации для одного образца крови в миллисекундах на 1 кадр видео: не более 10 секунд.

5. mAP (mean Average Precision). Среднее значение АР (Average Precision) при обнаружении пробирки с кровью (чем выше mAP, тем лучше результат обнаружения пробирки).

Итоговая проверка эффективности устройства и используемых в устройстве модели классификации образцов крови для проведения биохимических анализов (лабораторно-клинической диагностики) проходила на 2000 изображениях образцов, сбалансированных по точности. Тестирование классификации пробирок с кровью с помощью обученной модели YOLOv51 продемонстрировало следующие результаты:

- точность: 98,85%;

- IoU: 97,99%;

- отклик: 97,94%;

- скорость классификации: 25-30 миллисекунд;

- mAP 0.5:0.95: 66%.

На Фиг. 5 представлены примеры изображений, получаемых с помощью устройства, на которых представлены различные классы пробирок. Фиг. 5 (А) демонстрирует случаи, когда плазма крови на изображениях не видна и модель корректно отражает данный факт. На Фиг. 5 (Б-Г) изображены случаи пробирок плазмы крови с выраженным хилезом (Фиг. 5Б), с выраженным гемолизом (Фиг. 5В) и в норме (Фиг. 5Г). Для указанных классов величины чувствительности и специфичности классификации варьировались в диапазоне от 95 до 98%, что демонстрирует высокую степень надежности предлагаемого устройства и метода.

Группа изобретений относится к области медицины, а именно к лабораторной диагностике, и может быть использована для автоматического определения наличия гемолиза и/ или хилеза в образцах крови. Мобильный съемный комплекс для автоматического определения наличия гемолиза и/ или хилеза в центрифугированных образцах крови включает не менее 2 цифровых короткофокусных камер с разрешением не менее 1920х1080 пикселей; кольцевой светодиодный источник белого света; штатив, выполненный с возможностью фиксации к конвейерной линии лабораторного анализатора цифровых короткофокусных камер и кольцевого светодиодного источника белого света в горизонтальной плоскости относительно конвейерной линии лабораторного анализатора, систему управления и обработки информации. Получают изображение камерами мобильного съемного комплекса. Осуществляют обнаружение наличия пробирки на изображении с помощью первой классификационной модели. Осуществляют классификацию типа плазмы. Если первая классификационная модель обнаруживает присутствие на изображении пробирки с кровью, запускается работа второй классификационной модели, которая одновременно осуществляет поиск областей изображения, соответствующих плазме и классификацию типа плазмы. Осуществляют распознавание штрих-кода, расположенного на пробирке с кровью, при помощи второй классификационной модели. Выводят на монитор устройства результаты определения наличия гемолиза и/ или хилеза в образцах крови. Группа изобретений обеспечивает надежное, достоверное определение хилеза и/ или гемолиза в образцах крови в лабораториях без дополнительного оборудования за счет использования мобильного съемного комплекса и классификационных моделей. 2 н. и 13 з.п. ф-лы, 5 ил., 4 табл., 1 пр.

1. Мобильный съемный комплекс для автоматического определения наличия гемолиза и/ или хилеза в центрифугированных образцах крови, включающий:

- не менее 2 цифровых короткофокусных камер с разрешением не менее 1920х1080 пикселей;

- кольцевой светодиодный источник белого света;

- штатив, выполненный с возможностью фиксации к конвейерной линии лабораторного анализатора цифровых короткофокусных камер и кольцевого светодиодного источника белого света в горизонтальной плоскости относительно конвейерной линии лабораторного анализатора, состоящий из рамы, держателей, выполненных с возможностью фиксации и изменения вертикального положения камер, и элементов съемного крепления, выполненных с возможностью фиксации и снятия штатива с конвейерной линии лабораторного анализатора,

при этом элементы съемного крепления, выполнены либо с возможностью установки штатива снаружи конвейерной линии лабораторного анализатора, таким образом, чтобы короткофокусные камеры фиксировали образцы через боковые окна конвейерной линии лабораторного анализатора,

либо выполнены с возможностью установки короткофокусных камер внутри конвейерной линии лабораторного анализатора;

- систему управления и обработки информации, выполненную с возможностью анализа изображений, получаемых с короткофокусных камер, с использованием первой и второй классификационных моделей, и выполненную с возможностью записи, обработки, хранения и вывода на монитор результатов определения наличия гемолиза и/ или хилеза в образцах плазмы крови с информацией о пациенте, которому принадлежит образец крови, и медицинском учреждении, из которого поступил образец крови.

2. Мобильный съемный комплекс по п. 1, отличающийся тем, кольцевой светодиодный источник белого света выполнен с освещенностью 1400 Лк.

3. Мобильный съемный комплекс по п. 1, отличающийся тем, что кольцевой светодиодный источник белого света оборудован диффузором.

4. Мобильный съемный комплекс по п. 1, отличающийся тем, что кольцевой светодиодный источник белого света выполнен мощностью не более 20 Вт.

5. Мобильный съемный комплекс по п. 1, отличающийся тем, что кольцевой светодиодный источник белого света выполнен с диаметром кольца от 20 до 40 см.

6. Мобильный съемный комплекс по п. 1, отличающийся тем, что системой управления и обработки информации являются либо стационарный компьютер, либо ноутбук, либо смартфон.

7. Мобильный съемный комплекс по п. 1, отличающийся тем, что первая и вторая классификационные модели записаны в постоянную память системы управления и обработки информации.

8. Мобильный съемный комплекс по п. 1, отличающийся тем, что первая и вторая классификационные модели записаны на удаленном сервере, в облачном хранилище, и система управления и обработки информации выполнена с возможностью временной загрузки данных классификационных моделей в свою память.

9. Способ автоматического определения наличия гемолиза и/ или хилеза в центрифугированных образцах крови, включающий этапы:

- получение изображения камерами мобильного съемного комплекса по пп. 1-8;

- обнаружение наличия пробирки на изображении с помощью первой классификационной модели;

- классификации типа плазмы: если первая классификационная модель обнаруживает присутствие на изображении пробирки с кровью, запускается работа второй классификационной модели, которая одновременно осуществляет поиск областей изображения, соответствующих плазме и классификацию типа плазмы;

- распознавания штрих-кода, расположенного на пробирке с кровью, при помощи второй классификационной модели;

- вывода на монитор устройства результатов определения наличия гемолиза и/ или хилеза в образцах крови.

10. Способ по п. 9, отличающийся тем, что в случае отсутствия пробирки на изображении или, если качество изображения не позволяет обнаружить пробирку, на монитор выводится сообщение о том, что пробирка не обнаружена.

11. Способ по п. 9, отличающийся тем, что в случае отсутствия штрих-кода или при невозможности его определения на монитор выводится сообщение о том, что штрих-код не распознан.

12. Способ по п. 9, отличающийся тем, что на монитор устройства выводят результаты определения наличия гемолиза и/ или хилеза в образцах крови с информацией о пациенте, которому принадлежит образец крови, и медицинском учреждении, из которого поступил образец крови.

13. Способ по п. 9, отличающийся тем, что для определения степени хилеза и/ или гемолиза используют видеозапись, получаемую с камер съемного комплекса по пп. 1-8, с присутствующими на кадрах пробирками с образцами крови.

14. Способ по п. 9, отличающийся тем, что первая классификационная модель является сверточной нейронной сетью с архитектурой MobileNetV3.

15. Способ по п. 9, отличающийся тем, что вторая классификационная модель является сверточной нейронной сетью с архитектурой YOLOv5.