Gestión de la calidad de muestras de sangre
Cognex Deep Learning clasifica las imágenes de sangre centrifugada para una separación apropiada
Productos relacionados
Impulsado por el software para visión basado en el Deep Learning In-Sight ViDi
Entorno de programación gráfica para análisis de imágenes industriales basado en el Deep Learning
Los analizadores de muestras de sangre confían en configuraciones de pruebas y muestras preparadas con precisión. Las muestras de sangre centrifugada se califican de acuerdo con diferentes índices (p. ej. niveles del índice de hemoglobina, bilirrubina e intralípidos) y reciben puntuaciones de calidad en función de la turbidez y el color del plasma. Todos estos índices pueden variar en cuanto a su apariencia en función de cómo se cargan y orientan las muestras en las gradillas. La separación de la sangre y la presencia/ausencia de etiquetas y tapas son factores importantes en la evaluación de calidad, lo que es crucial para los flujos de trabajo sólidos en laboratorios altamente automatizados. Dado que hay demasiados factores basados en el juicio, a menudo, esta inspección recae en las personas.
El análisis de imágenes basado en el Deep Learning puede clasificar las imágenes con base en si la sangre centrifugada ha sido efectivamente separada en distintas fases (plasma, capa leucocitaria y glóbulos rojos) y clasificar las muestras según el criterio utilizado en el procesamiento. La herramienta de clasificación de Deep Learning de Cognex se entrena en función de imágenes con anotaciones de diferentes clases hasta que conceptualiza y generaliza con éxito la apariencia normal de las distintas fases. Durante la ejecución, el Deep Learning de Cognex clasifica imágenes de múltiples clases dentro de un solo vial, ordenando factores de calidad de la sangre como el color y la turbidez del plasma, el volumen de la capa leucocitaria y el estado de centrifugación en distintas clases, mientras ignora las calidades irrelevantes como estado de la tapa y presencia de etiquetas. En función de las clases, separa las muestras aprobadas de las muestras fallidas. Esta información también puede proporcionar datos útiles para control del proceso de extracción y recentrifugación de las muestras.
