Gestion de la qualité des échantillons de sang
Cognex Deep Learning organise les images de sang centrifugé en catégories pour une séparation correcte
Produits connexes
Optimisé par le logiciel de vision basé sur le deep learning In-Sight ViDi
Un environnement de programmation graphique pour l'analyse d'images industrielles basée sur le deep learning
Les analyseurs sanguins reposent sur des configurations de test et des échantillons préparés avec le plus grand soin. Les échantillons de sang centrifugés sont classés selon différents indices (p. ex. les taux d’hémoglobine, de bilirubine et d’intralipide) et reçoivent un score de qualité en fonction de la turbidité et de la couleur du plasma. Ces indices peuvent varier en termes d’aspect selon le chargement et l’orientation des échantillons sur le plateau. La séparation du sang et la présence/l'absence d'étiquettes et de bouchons sont des facteurs importants dans l'évaluation de la qualité, cruciale pour garantir des flux de travail fiables dans les laboratoires hautement automatisés. Comme trop de facteurs sont basés sur le jugement, une inspection humaine est souvent effectuée.
L’analyse d’images à l’aide du Deep Learning classe les images en fonction de la qualité de la séparation du sang centrifugé en phases distinctes (plasma, couche leucocytaire et globules rouges) et classe les échantillons selon les critères utilisés dans le traitement. L’outil de classification du Deep Learning de Cognex s’entraîne sur des images annotées de différentes classes jusqu’à ce qu’il réussisse à conceptualiser et à généraliser l’aspect normal des différentes phases. Lors de l’exécution, le Deep Learning de Cognex trie plusieurs catégories dans un seul flacon, dégageant des facteurs de qualité du sang, tels que la couleur du plasma et la turbidité, le volume de la couche leucocytaire et l’état de centrifugation, tout en ignorant les qualités non pertinentes, comme l’état des bouchons et la présence d’étiquettes. Selon les classes, il sépare les bons échantillons des mauvais. Ces informations peuvent également fournir des informations de contrôle de processus utiles sur les échantillons retirés et recentrifugés.
