基于成像的测定的有效训练和准确度改进的制作方法

基于成像的测定的有效训练和准确度改进
相关申请的交叉引用
1.本技术要求于2019年11月25日提交的美国临时申请62/940,242的优先权，其全部内容通过引用并入本文。
技术领域
2.本公开涉及改进基于图像的测定的准确度的装置、设备和方法，其使用与理想成像系统相比具有不确定性或偏差(缺陷)的成像系统。


背景技术：

3.在基于图像的生物/化学感测和测定(例如，免疫分析、核苷酸测定、血细胞计数等)中，为了实现低成本和/或便携式系统，经常使用低质量成像系统。然而，低质量成像系统可能在光学元件、机械系统和/或电气系统中具有缺陷(偏离理想)。这种缺陷可显著影响测定准确度。
4.为了提高使用低质量成像系统的基于图像的测定中的测定准确度，可以使用机器学习方法。然而，仅仅是单独的机器学习，成像系统中的缺陷产生许多变量，需要长的训练时间、大的训练样品和成像中的伪影(因此产生新的误差)。本发明的一个方面是在样品保持器上添加监测标记，其中监测标记的几何和/或光学特性中的至少一个是预定和已知的，并且拍摄带有监测标记的样品图像，并且使用具有监测标记的图像来训练机器学习模型。


技术实现要素：

5.本发明的一个方面是在样品保持器上添加监测标记，其中监测标记的几何和/或光学特性中的至少一个是预定和已知的，并且拍摄带有监测标记的样品图像，并且使用具有监测标记的图像来训练机器学习模型。
6.在一些实施例中，本发明提供了一种针对基于图像的测定的机器学习模型训练方法，其中测定在测试期间由低质量成像系统成像，该方法包括以下步骤：使第一样品在第一样品保持器的成像区域上形成薄层，其中所述第一样品保持器是标记的样品保持器，所述标记的样品保持器包含在所述成像区域上的一个或多个监测标记；使第二样品在第二样品保持器的成像区域上形成薄层，其中所述第二样品保持器是标记的样品保持器，所述标记的样品保持器包含在所述第二样品保持器的成像区域上的与在所述第一样品保持器上的一个或多个监测标记相同的一个或多个监测标记；使用低质量成像系统在所述第一样品保持器的成像区域上对所述样品的第一图像进行成像；使用高质量成像系统在所述第二样品保持器的成像区域上对所述样品的第二图像进行成像；使用所述监测标记校正所述第一图像中的缺陷，生成第一校正图像；使用所述监测标记校正所述第二图像中的缺陷，如果所述第二图像具有缺陷，则生成第二校正图像；以及使用所述第一校正图像、所述第二校正图像和所述监测标记来训练机器学习模型，生成训练的模型，其中在理想成像系统下成像的所述一个或多个监测标记的几何特性和可选的光学特性是预定且已知的；其中低质量成像系
统比高质量成像系统包含更多的缺陷。
7.在一些实施例中，该方法包括使第三样品在第三样品保持器的成像区域上形成薄层，其中所述第三样品保持器是标记的样品保持器，其包含在所述第三样品保持器的成像区域上的与所述第一样品保持器上的所述一个或多个监测标记相同的一个或多个监测标记；使用低质量成像系统在所述第三样品保持器的成像区域上对所述样品的第三图像进行成像；使用所述监测标记来校正所述第三图像中的缺陷，生成第三校正图像；以及使用在权利要求1中训练的机器学习模型来分析变换的第三校正图像，并且生成测定结果。
8.在一些实施例中，机器学习模型包含循环生成对抗网络(cyclegan)。
9.在一些实施例中，所述机器学习模型包含循环生成对抗网络(cyclegan)，所述循环生成对抗网络(cyclegan)包含前向生成对抗网络(前向gan)和后向gan，其中所述前向gan包含第一生成器和第一鉴别器，并且所述后向gan包含第二生成器和第二鉴别器，并且其中，使用所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述机器学习模型，包含：使用在所述对应区域的四个角处的四个结构元件处配准的所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述cyclegan。
10.在一些实施例中，所述第一样品和所述第二样品是相同的样品，并且所述第一样品保持器和所述第二样品保持器是相同的。
11.在一些实施例中，本发明提供了一种针对基于图像的测定的机器学习模型训练方法，该方法包括以下步骤：接收由第一光学传感器捕获的包含样品的样品保持器的第一图像，其中所述样品保持器在预定位置处制造有标准的图案化结构元件；基于所述图案化结构元件中的一个或多个结构元件在所述第一图像中的位置，来识别所述第一图像中的第一区域；基于所述一个或多个结构元件在所述第一图像中的位置与一个或多个结构元件在所述样品保持器中的预定位置之间的映射，来确定与所述第一区域相关联的空间变换；对所述第一图像中的第一区域应用所述空间变换，计算变换的第一区域；以及使用变换的第一图像来训练所述机器学习模型。
12.在一些实施例中，所述样品保持器包含第一板、第二板和所述图案化结构元件，并且其中所述图案化结构元件包含嵌入在所述第一板或所述第二板中的至少一个板上的预定位置处的柱。
13.在一些实施例中，该方法进一步包括以下步骤：检测所述图案化结构元件在所述第一图像中的位置；将所述第一图像分隔成包含所述第一区域的区域，其中所述区域中的每一个区域都由所述对应区域的四个角处的四个结构元件界定；基于所述对应区域的四个角处的四个结构元件的位置与所述样品保持器中的四个结构元件的四个预定位置之间的映射，来确定与所述第一图像中的所述区域中的每一个区域相关联的对应空间变换；将所述对应的空间变换应用于所述第一图像中的每个区域，从而计算所述第一图像中的对应变换区域；以及使用所述第一图像中的每个变换的区域来训练所述机器学习模型，其中所述训练的机器学习模型用于将测定图像从低分辨率变换到高分辨率。
14.在一些实施例中，所述图案化结构元件的预定位置以至少一个周期值周期性地分布，并且其中检测所述图案化结构元件在所述第一图像中的位置包括：使用第二机器学习模型检测所述图案化结构元件在所述第一图像中的位置；以及基于所述至少一个周期值校正所述图案化结构元件在所述第一图像中的所述检测位置处的误差。
15.在一些实施例中，所述方法进一步包括以下步骤：接收由第二光学传感器捕获的所述样品保持器的第二图像，其中所述第一图像是以第一质量水平捕获的，并且所述第二图像是以高于所述第一质量水平的第二质量水平捕获的；将所述第二图像分隔成多个区域，其中所述第二图像中的所述区域中的每一个区域都由所述第二图像中的所述对应区域的四个角处的四个结构元件界定,并且与所述第一图像中的对应区域匹配；基于所述四个结构元件在所述第二图像中的相应区域的四个角处的位置与所述四个结构元件在所述样品保持器中的四个预定位置之间的映射，来确定与所述第二图像中的区域相关联的第二空间变换；将所述第二空间变换应用于所述第二图像中的所述区域中的每一个区域，以计算所述第二图像中的对应变换区域；以及使用所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述机器学习模型,从而将第一质量水平图像变换为第二质量水平图像。
16.在一些实施例中，所述机器学习模型包含循环生成对抗网络(cyclegan)，所述循环生成对抗网络(cyclegan)包含前向生成对抗网络(前向gan)和后向gan，其中所述前向gan包含第一生成器和第一鉴别器，并且所述后向gan包含第二生成器和第二鉴别器，并且其中，使用所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述机器学习模型包含：使用在所述对应区域的四个角处的四个结构元件处配准的所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述cyclegan。
17.在一些实施例中，使用所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述机器学习模型包括：通过将所述第一图像中的每个变换区域提供给所述前向gan来训练所述第一生成器和所述第一鉴别器；通过将所述第二图像中的每个变换区域提供给所述后向gan来训练所述第二生成器和所述第二鉴别器；以及在循环一致性约束下优化所述前向和后向gan训练。
18.在一些实施例中，本发明提供了一种用于使用机器学习模型来转换测定图像的方法，该方法包括以下步骤：接收由第一光学传感器捕获的包含样品的样品保持器的第一图像，其中所述样品保持器在预定位置处制造有标准的图案化结构元件；基于所述图案化结构元件中的一个或多个结构元件在所述第一图像中的位置，来识别所述第一图像中的第一区域；基于所述一个或多个结构元件在所述第一图像中的位置与一个或多个结构元件在所述样品保持器中的预定位置之间的映射，来确定与所述第一区域相关联的空间变换；对所述第一图像中的第一区域应用所述空间变换，计算变换的第一区域；以及将所述机器学习模型应用于所述第一图像中的所述变换的第一区域以产生第二区域。
19.在一些实施例中，所述方法进一步包括以下步骤：基于所述图案化结构元件中的所述一个或多个结构元件在所述第一图像中的位置将所述第一图像分隔成多个区域，其中所述多个区域包含所述第一区域；确定与所述多个区域中的每一个区域相关联的相应空间变换；将所述相应的空间变换应用于所述第一图像中的所述多个区域中的每一个区域，以计算变换区域；将所述机器学习模型应用于所述第一图像中的所述变换区域中的每一个区域，以产生第二质量水平的变换区域；以及组合所述变换区域以形成第二图像。
20.在一些实施例中，本发明提供了一种基于图像的测定系统，包括：用于存储图像的数据库系统；以及处理装置，其通信耦合到所述数据库系统，以便：接收由第一光学传感器捕获的包含样品的样品保持器的第一图像，其中所述样品保持器在预定位置处制造有标准
的图案化结构元件；基于所述图案化结构元件中的一个或多个结构元件在所述第一图像中的位置，来识别所述第一图像中的第一区域；基于所述一个或多个结构元件在所述第一图像中的位置与一个或多个结构元件在所述样品保持器中的预定位置之间的映射，来确定与所述第一区域相关联的空间变换；对所述第一图像中的第一区域应用所述空间变换，计算变换的第一区域；以及使用变换的第一图像来训练所述机器学习模型。
21.在一些实施例中，所述样品保持器包含第一板、第二板和所述图案化结构元件，并且其中所述图案化结构元件包含嵌入在所述第一板或所述第二板中的至少一个板上的预定位置处的柱。
22.在一些实施例中，所述处理装置进一步用以：检测所述图案化结构元件在所述第一图像中的位置；将所述第一图像分隔成包含所述第一区域的区域，其中所述区域中的每一个区域都由所述对应区域的四个角处的四个结构元件界定；基于所述对应区域的四个角处的四个结构元件的位置与所述样品保持器中的四个结构元件的四个预定位置之间的映射，来确定与所述第一图像中的所述区域中的每一个区域相关联的对应空间变换；将所述对应的空间变换应用于所述第一图像中的每个区域，从而计算所述第一图像中的对应变换区域；以及使用所述第一图像中的每个变换的区域来训练所述机器学习模型，其中所述训练的机器学习模型用于将测定图像从低分辨率变换到高分辨率。
23.在一些实施例中，所述图案化结构元件的预定位置以至少一个周期值周期性地分布，并且其中检测所述图案化结构元件在所述第一图像中的位置，所述处理装置进一步用于：使用第二机器学习模型检测所述图案化结构元件在所述第一图像中的位置；以及基于所述至少一个周期值校正所述图案化结构元件在所述第一图像中的所述检测位置处的误差。
24.在一些实施例中，所述处理装置进一步用以：接收由第二光学传感器捕获的所述样品保持器的第二图像，其中所述第一图像是以第一质量水平捕获的，并且所述第二图像是以高于所述第一质量水平的第二质量水平捕获的；将所述第二图像分隔成多个区域，其中所述第二图像中的所述区域中的每一个区域都由所述第二图像中的所述对应区域的四个角处的四个结构元件界定,并且与所述第一图像中的对应区域匹配；基于所述四个结构元件在所述第二图像中的相应区域的四个角处的位置与所述四个结构元件在所述样品保持器中的四个预定位置之间的映射，来确定与所述第二图像中的区域相关联的第二空间变换；将所述第二空间变换应用于所述第二图像中的所述区域中的每一个区域，以计算所述第二图像中的对应变换区域；以及使用所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述机器学习模型,从而将第一质量水平图像变换为第二质量水平图像。
25.在一些实施例中，所述机器学习模型包含循环生成对抗网络(cyclegan)，所述循环生成对抗网络(cyclegan)包含前向生成对抗网络(前向gan)和后向gan，其中所述前向gan包含第一生成器和第一鉴别器，并且所述后向gan包含第二生成器和第二鉴别器，并且其中，使用所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述机器学习模型包含：使用在所述对应区域的四个角处的四个结构元件处配准的所述第一图像中的每个变换区域和所述第二图像中的每个变换区域来训练所述cyclegan。
26.在一些实施例中，为了使用所述第一图像中的每个变换区域和所述第二图像中的
每个变换区域来训练所述机器学习模型，处理装置还用于：通过将所述第一图像中的每个变换区域提供给所述前向gan来训练所述第一生成器和所述第一鉴别器；并且通过将所述第二图像中的每个变换区域提供给所述后向gan来训练所述第二生成器和所述第二鉴别器。
27.在一些实施例中，本发明提供了一种用于使用机器学习模型来转换测定图像的基于图像的测定系统，包括：用于存储图像的数据库系统；以及处理装置，其通信耦合到所述数据库系统，以便：接收由第一光学传感器捕获的包含样品的样品保持器的第一图像，其中所述样品保持器在预定位置处制造有标准的图案化结构元件；基于所述图案化结构元件中的一个或多个结构元件在所述第一图像中的位置，来识别所述第一图像中的第一区域；基于所述一个或多个结构元件在所述第一图像中的位置与一个或多个结构元件在所述样品保持器中的预定位置之间的映射，来确定与所述第一区域相关联的空间变换；对所述第一图像中的第一区域应用所述空间变换，计算变换的第一区域；以及使用变换的第一图像来训练所述机器学习模型。
28.在一些实施例中，所述处理装置进一步用以：基于所述图案化结构元件中的所述一个或多个结构元件在所述第一图像中的位置将所述第一图像分隔成多个区域，其中所述多个区域包含所述第一区域；确定与所述多个区域中的每一个区域相关联的相应空间变换；将所述相应的空间变换应用于所述第一图像中的所述多个区域中的每一个区域，以计算变换区域；将所述机器学习模型应用于所述第一图像中的所述变换区域中的每一个区域，以产生第二质量水平的变换区域；以及组合所述变换区域以形成第二图像。
29.在一些实施例中，样品保持器具有一个板，并且样品接触板的一个表面。
30.在一些实施例中，所述样品保持器具有两个板，并且所述样品位于所述两个板之间。
31.在一些实施例中，样品保持器具有可彼此移动的两个板，并且样品位于两个板之间。
32.在一些实施例中，样品保持器具有可彼此移动的两个板，并且样品位于两个板之间。多个间隔件附接到所述板中的至少一者或两者的至少一个内部相对表面上，并且所述多个间隔件位于所述相对板之间。样品厚度由间隔件调节。
33.在一些实施例中，在样品内部存在至少一个间隔件。
34.在一些实施例中，间隔件是监测标记物。
35.在某些实施例中，装置的两个板最初在彼此之上，并且需要被分离以进入用于样品沉积的开放构造。
36.在某些实施例中，装置的两个板在样品沉积之前已经处于闭合构造。样品从两个板之间的间隙进入装置。
37.在一些实施例中，所述样品层的厚度为0.1μm，0.5μm，1μm，2μm，3μm，5μm，10μm，50μm，100μm，200μm，500μm，1000μm，5000μm，或在任何两个所述值之间的范围内。
38.在一些实施例中，所述样品层的优选厚度为1μm，2μm，5μm，10μm，30μm，50μm，100μm，200μm，或在任何两个所述值之间的范围内。
39.在某些实施例中，两个监测标记物之间的间距为1μm，2μm，3μm，5μm，10μm，50μm，100μm，200μm，500μm，1000μm，5000μm，或在任何两个所述值之间的范围内。
lqi)。然后将mmc-lqi馈送到模型g，得出最终结果。
57.图3示出了图2中的训练阶段中的框5的详细描述。
58.图4示出了根据本公开的实施例的基于图像的测定系统，其可以捕获测定图像并处理图像以训练机器学习模型。
59.图5描绘了根据本公开的实施例的在训练数据集中准备高质量测定图像的方法的流程图。
60.图6示出了根据本公开的实施例的用于测定图像到图像转换的循环生成对抗网络(cyclegan)模型的构造。
61.图7描绘了根据本公开的实施例的增强低质量测定图像的方法的流程图。
62.图8描绘了根据本公开的实施例的用于为机器学习模型准备训练数据集的方法的流程图。
63.图9描绘根据本发明的一个或多个方面操作的计算机系统的框图。
64.图10(a)示出本发明中的监测标记实际上是将已知的元结构添加到网格中。当网格失真的时候，人们总是可以利用元结构的知识来恢复到接近完美的结构，因此极大地提高了机器学习模型的准确性和测定的准确性。
65.图11示出了在不使用和使用监测标记的情况下训练机器学习(图10(a0)的区别，在不使用监测标记的情况下，需要许多样品和长的时间来训练，并且测试产生伪像(丢失的细胞和产生不存在的细胞)，而使用监测标记时，训练样品数量和时间显著减少，并且测试不产生伪像。
具体实施方式
66.定义
67.术语“标记的样品保持器”或“msh”是指具有监测标记的样品保持器。
68.术语“监测标记”或“mm”是指样品保持器上的一个或多个结构，其中当在理想成像系统中观察时，一个或多个结构的至少一个几何特性是预定的和已知的，其中几何特性包含一个或多个结构的尺寸和/或取向，和/或两个结构之间的位置。在一些实施例中，除了预定和已知的几何特性之外，一个或多个结构的光学特性是预定和已知的，其中光学特性包括光透射、吸收、反射和/或散射。
69.术语“相同的标记的样品保持器”指的是第二标记样品保持器，其被精确制造以具有与第一标记样品保持器相同的标记结构。
70.术语“成像系统”是指用于拍摄图像的系统。成像系统包含光学元件、机械系统和/或电气系统，其中光学元件包含成像器(其拍摄图像)、光照明、透镜，滤光器和/或反射镜，机械系统包含机械台、扫描仪和/或机械保持器，并且电气系统包括电源、布线和/或电子器件。
71.术语“缺陷”是指与理想的偏差，其中缺陷可以是随机的或非随机的，和/或时间相关的。
72.术语“经校正的监测标记”或“mc”是指来自原始图像的经处理的图像，其中原始图像中的一个或多个缺陷(如果存在的话)是使用以下项来校正的：
73.术语“校正”是指使用算法的计算。
74.术语“机器学习模型”和“算法”是互换的。
75.术语“使用监测标记的变换图像”和“使用监测标记的校正图像”是可互换的。
76.图中的术语“光学传感器”和“成像系统”是可互换的。
77.在某些实施例中，“预定位置处的标准的图案化结构元件”是监测标记。
78.成像系统的缺陷是指系统以下要素的不完善情况：
79.光学部件和条件，包括但不限于光学衰减器、分束器、消偏振镜、光阑、衍射分束器、漫射器、磨砂玻璃、透镜、利特罗棱镜、多焦点衍射透镜、纳米光子谐振器、调零器、光学循环器、光学隔离器、光学微腔、光子集成电路、针孔(光学器件)、偏振器、主镜、棱镜、q板、回射器、空间滤波器、空间光调制器、虚像相控阵列、波导(光学器件)、波片、波带片；
80.光照度和条件，包括但不限于光源强度、光源光谱、光源颜色、光源方向、光源亮度、光源对比度、光源波长带宽、光源相干性、光源相位、光源偏振；
81.图像传感器和光电检测器组件和条件，包括但不限于ccd(电荷耦合器件)和cmos(互补金属氧化物半导体)图像传感器的曝光时间、分色、分辨率、iso、噪声水平和灵敏度；
82.机械部件和条件，包括但不限于样品保持器(平面度、平行度、表面粗糙度，到透镜的距离)，扫描系统(平面度、平行度、刚度、分辨率、行程)，材料稳定性，材料热膨胀；
83.来自成像系统条件的图像，包括但不限于球形失真、噪声水平、分辨率、亮度分布、对比度分布、颜色分布、温度分布、色调分布、饱和度、亮度、旋转、伪影；
84.所有上述因素和条件的时间依赖性。
85.术语样品保持器的“成像区域”指的是要由成像器成像的样品保持器的区域。
86.在某些实施例中，第一图像和第二图像多于一个图像。
87.术语一个或多个监测标记的“几何特性”是指形状、尺寸、距离、相对位置、总数、数量密度、面积密度、旋转、对称性、周期性等。
88.术语一个或多个监测标记的“光学性质”是指透射、吸收、反射、荧光、散射、相衬、偏振、色谱、扩散、相变、亮度、强度对比、拉曼散射、非线性谐波光产生、电致发光、辐射、ir光谱、自发发射、受激发射等。
89.术语样品保持器的“成像区域”指的是要由成像器成像的样品保持器的区域。
[0090][0091]
在某些实施例中，两个监测标记物之间的间距为1μm，2μm，3μm，5μm，10μm，50μm，100μm，200μm，500μm，1000μm，5000μm，或在任何两个所述值之间的范围内。
[0092]
在某些实施例中，两个监测标记物之间的优选间距是10μm，50μm，100μm，200μm，或在任何两个所述值之间的范围内。
[0093]
在某些实施例中，两个监测标记物之间的间距是成像区域的横向尺寸的10％，20％，30％，40％，50％，60％，70％，80％，90％，100％，或在任何两个所述值之间的范围内。
[0094]
在某些实施例中，两个监测标记物之间的优选间距是成像区域的横向尺寸的30％，50％，80％，90％，或在任何两个所述值之间的范围内。
[0095]
在某些实施例中，平均尺寸的监测标记物为1μm，2μm，3μm，5μm，10μm，50μm，100μm，200μm，500μm，1000μm，或在任何两个所述值之间的范围内。
[0096]
在某些实施例中，优选的平均尺寸的监测标记物是5μm，10μm，50μm，100μm，或在任何两个所述值之间的范围内。
[0097]
在某些实施例中，平均尺寸的监测标记物是成像区域的尺寸的1％，10％，20％，30％，40％，50％，60％，70％，80％，或在任何两个所述值之间的范围内。
[0098]
在某些实施例中，优选的平均尺寸的监测标记物是成像区域尺寸的1％，10％，20％，30％，或在任何两个所述值之间的范围内。
[0099]
传统的基于图像的测定可以采用配备有成像系统的高精度显微镜来捕获测定的图像。这些类型的光学显微镜可以服从物镜缩放规则，根据该缩放规则，视场(fov)与放大率成反比。根据该规则，具有较高放大率的用于测定的图像具有较小的fov，而具有较大fov的图像具有较小的放大率。
[0100]
这些高精度显微镜通常昂贵且体积大。因此，它们通常用于由专业操作人员(例如，病理学家)处理的实验室环境中。相反，基于图像的测定(其中图像由已经存在于大型移动装置(例如智能电话)中的照相机捕获)可以为诸如低成本收集和分析公众血液样品的领域提供低成本解决方案。这在某些保健情况下可能特别有用，例如需要快速和经济地处理大量测定的定点照护(poc)。然而，使用低成本移动装置捕获的测定图像往往是低质量的，含有由来自用于捕获图像的移动装置的宽范围成像系统引起的变化。诸如不同照相机的分辨率和放大率以及来自照相机后面的成像系统或透镜的失真的因素都可以广泛地变化，从而严重地限制了基于这些移动装置的基于图像的测定的准确性和可靠性。
[0101]
因此，需要将由这种装置捕获的基于图像的测定中的低质量图像改进到与由诸如在实验室环境中使用的显微镜的高精度成像系统捕获的图像相当的水平。使用这种装置的改进的基于图像的测定可以克服物镜缩放比例规则的限制，并且提供精确的基于图像的测定，尤其是通常使用用于医疗、保健、poc(定点照护)，化学或生物学的低成本商品光学部件。
[0102]
在本公开中，术语“系统l”可指低质量图像系统(例如，由于照明/照相机光学器件/成像系统传感器阵列(例如，光电检测器阵列)中的不一致，球形失真，捕获图像中的高噪声水平，较低的放大率，较低的分辨率等)。
[0103]
术语“系统h”指的是符合当前在商业环境中部署的规定的高质量图像系统。与系统l相比，系统h通常具有更好的图像质量(例如，在具有专业照明/照相机光学器件/成像系统传感器阵列的顶级光学系统方面，捕获图像中的低噪声水平，更高的放大率，更高的分辨率等)。
[0104]
在一些实施例中，诸如光源、光学器件和成像系统等因素中的每一个也可以在不同的系统l上变化。这种变化可能是由不同类型和/或单个系统l之间缺乏校准引起的。这些变化在不同系统l中的统计分布也可以变化。为了提高系统l的性能，可以采用机器学习模型来补偿特定系统l中的变化。可以为每个单独的系统l定制训练诸如神经网络模型之类的机器学习模型。然后可以使用定制的机器学习模型来处理在测定期间由相应的单个系统l捕获的图像。虽然定制的机器学习模型可以改善每个单独的系统l的性能，但是它不适合于在大众市场中部署，因为每个单独的系统l(也称为“装置”或“测定装置”)的这种训练是低效的，耗时的和昂贵的，并且因此在现实世界应用中不实用。
[0105]
为了克服当前实现中的上述和其他缺陷，本公开的实施例提供了技术解决方案，其可以包括在预定位置处利用标准的图案化结构元件来制造的样品保持器，以及图像增强方法，其可以通过基于包括在样品保持器中制造的标准的图案化结构元件来减轻由各个系
统l引起的变化，从而产生高质量的基于图像的测定。图像增强方法可以包括采用机器学习模型，并在含有在这种样品保持器中的样品的测定图像的环境中利用标准的特性来训练机器学习模型。标准的特性可以包括图案化结构元件的几何特性和/或材料特性。
[0106]
本公开的实施例可以提供一种针对基于图像的测定的机器学习模型训练方法。该方法可以包括：接收由第一成像传感器捕获的包含样品的样品保持器的第一图像，其中样品保持器在预定位置处制造有标准的图案化结构元件；基于图案化结构元件中的一个或多个结构元件在第一图像中的位置，来识别第一图像中的第一区域；基于一个或多个结构元件在第一图像中的位置与一个或多个结构元件在样品保持器中的预定位置之间的映射，来确定与第一区域相关联的空间变换；对第一图像中的第一区域应用空间变换，计算变换的第一区域；以及使用变换的第一图像来训练所述机器学习模型。
[0107]
本公开的实施例还可以包括一种使用利用上述方法训练的机器学习模型来处理测定图像的方法。用于使用机器学习模型转换测定图像的方法可以包括：接收由第一成像系统捕获的含有样品的样品保持器的第一图像，其中样品保持器在预定位置处制造有标准的图案化结构元件；基于图案化结构元件中的一个或多个结构元件在第一图像中的位置，来识别第一图像中的第一区域；基于一个或多个结构元件在第一图像中的位置与一个或多个结构元件在样品保持器中的预定位置之间的映射，来确定与第一区域相关联的空间变换；对第一图像中的第一区域应用空间变换，计算变换的第一区域；以及将机器学习模型应用于第一图像以产生第二图像。
[0108]
因此，本公开的实施例提供了一种系统和方法，该系统和方法可以使用在测定图像中展现的样品保持器的标准作为参考点来消除或基本上消除由系统l捕获的测定图像中的变化。这些实施例可以包括基于标准中的图案化结构元件将图像转换为真实维空间中的区域，并且使用真实维空间中的这些区域进一步训练机器学习模型。这样，本公开的实施例可以使用这样的经过训练的机器学习模型来将由系统l产生的图像增强到与由系统h产生的图像相当的质量水平，而对由各个系统l引起的变化几乎没有影响。
[0109]
图4示出了根据本公开的实施例的基于图像的测定系统，其可以捕获测定图像并处理图像以训练机器学习模型。参考图4，基于图像的测定系统1可包括计算系统2，成像系统3(例如，具有适配器的智能电话的照相机)和样品保持器装置4。成像系统3可以包括内置光源，透镜和成像系统(例如，光检测器阵列)。成像系统3可以与用于捕获测定图像的计算装置(例如，移动智能电话)相关联。与单独的计算设备相关联的每个成像系统3与其他成像系统相比可以具有其自己的单独变化。
[0110]
如图4所示的计算系统2可以是独立计算机或在计算云中实现的网络化计算资源。计算系统2可以包括一个或多个处理装置102、存储装置104和接口装置106，其中存储装置104和接口装置106通信耦合到处理装置102。
[0111]
处理装置102可为硬件处理器，例如中央处理单元(cpu)、图形处理单元(gpu)或加速器电路。接口装置106可以是诸如台式、膝上型或智能电话的触摸屏之类的显示器。存储装置104可以是通过网络接口卡(未示出)连接到计算系统2的存储装置、硬盘或云存储110。处理装置102可以是可编程装置，其可以被编程以实现机器学习模型108。机器学习模型108的实现可以包括训练模型和/或将训练的模型应用于基于图像的测定数据。
[0112]
在基于图像的测定系统1中的成像系统3可以是一个系统l的成像系统。例如，成像
系统3可以包括在消费市场中可获得的智能电话的内置图像感测光检测器阵列。基于图像的测定系统1还可以包括用于将样品6(例如，生物样品或化学样品)保持在其中的样品保持器装置4。样品保持器装置4可以是在国际申请no.pct/us2016/046437中详细描述的qmax卡。样品保持器装置4可以包括两个板，当处于闭合构造时，这两个板彼此平行，其中这两个板中的至少一个是透明的。成像系统3可用于通过透明板捕获在样品保持器装置4中含有的样品6的测定图像，使得计算系统2可基于测定图像分析样品。
[0113]
由系统l的成像系统3捕获的测定图像通常是低质量的，并且不适于由专家操作人员或由计算机分析程序进一步分析。低质量可以反映在捕获图像中的高水平噪声、失真和低分辨率中。可以使用机器学习模型108来增强测定图像的质量。然而，如上所述，当直接应用于测定图像时，机器学习模型108可以是无效的，因为用于捕获测定图像的成像系统3的表征参数(例如，fov、放大率或分辨率)可以在宽范围内变化。为了减轻不同系统l的成像系统3之间的变化，在一个实施例中，样品保持器装置4可以用标准5的图案化结构元件制造。标准5中的这些图案化结构元件被精确地制造在样品保持器装置4的至少一个板的内表面上。因此，这些图案化结构元件的位置在内表面上的真实维度空间中是精确且一致的。在一个实施例中，结构元件可以具有与样品6不同的光学特性。因此，当与样品6一起捕获时，这些结构元件可以提供用于校正由不同成像系统3引起的变化的参考点。
[0114]
在一个实施例中，结构元件可以是在样品保持器装置4的内表面上垂直制造的柱。这些柱的制造可以包括在内表面上生长纳米材料。每个柱可具有包括一定高度的圆柱体的三维形状，以及具有一定面积和一定二维形状的截面，以使得该截面可从样品保持器装置的图像中检测到。样品保持器装置4可以包括第一板和第二板。这些柱可以精确地在第一板或第二板的内表面上的预定位置处制造，其中第一和第二板的内表面是当样品保持器装置4处于闭合构造时彼此面对的内表面。当样品保持器装置4处于开放构造时，样品6可设置在第一板的内表面上或第二板的内表面上。在样品保持器装置4闭合使得样品6封闭在保持器内并夹在第一和第二板之间之后，样品保持器装置4可插入适配器装置(未示出)中，该适配器装置安装在与成像系统3相关联的计算装置上。适配器装置可以保持样品保持器装置4以稳定样品保持器装置4和成像系统3之间的相对位置，使得成像系统3可以被激活以捕获测定图像7。数字形式的捕获的测定图像7可以包括表示样品以及柱的横截面积的像素。捕获的测定图像7可以被上载到数据库系统110，以在训练机器学习模型108中使用或使用训练的机器学习模型108进行分析。
[0115]
第一或第二板可以由透明材料制成。因此，借助于适配器中提供的光源的成像系统3可以捕获含有表示柱5和样品6的横截面的像素的测定图像7。测定图像7可以包括由与系统l相关联的许多因素引起的失真(线性和非线性)。这些因素可以包括样品保持器装置4和适配器之间的不精确耦合，以及成像系统3中固有存在的特性变化。这些失真如果没有被校正则可能不利地影响机器学习模型108的性能。
[0116]
本发明的实施例可以使用柱5的位置来确定和校正这些失真。在一个实施例中，柱5在内表面上的预定位置处制造。这些柱的位置可以根据图案定位。例如，这些柱的位置可以形成具有水平周期性和垂直周期性的矩形阵列，这意味着在真实维空间中，任何两个相邻柱之间的水平距离(dx)是相同的，并且任何两个相邻柱之间的距离(dy)是相同的。因为这些柱的位置是在样品保持器装置4的制造过程中预先确定的，所以这些柱在测定图像7中
的检测位置可以用于确定和校正其中的失真。
[0117]
本公开的实施例可包括训练机器学习模型108以增强基于图像的测定的方法10。处理装置102可以被配置为执行方法10。在112处，处理装置102可以接收由第一成像系统捕获的含有样品的样品保持器的第一图像，其中样品保持器在预定位置处制造有标准的图案化结构元件；第一图像可以是由成像系统3捕获的测定图像7，第一图像包括表示柱5和样品6的像素。样品5可以是生物样品，例如血滴或化学样品。如上所述，标准的图案化结构元件可以包括在样品保持器装置4的板的内表面上垂直制造的柱。这些柱的预定位置可以形成矩形阵列，其中柱区域在水平和垂直方向上相隔均匀的距离。
[0118]
在114处，处理装置102可基于图案化结构元件的一个或多个结构元件在第一图像中的位置，来识别第一图像中的第一区域。在这点上，处理装置102可首先在测定图像7中检测第一图像中的图案化结构元件的位置。因为柱的光学性质(例如，透明度)和横截面形状被设计成不同于样品中的分析物的光学性质和横截面形状，所以可以在测定图像7中将柱与样品区分开。本发明的实施例可包括用于检测柱的位置的任何合适的图像分析方法。检测柱的位置的方法可基于像素强度值或区域的形态特性。
[0119]
在一个实施例中，可以训练第二机器学习模型用于检测测定图像7中的柱的位置。第二机器学习模型可以是诸如retinanet之类的神经网络，retinanet是适合于检测密集和小尺度对象的一级对象检测模型。在训练的前向传播中，训练测定图像被馈送到第二机器模型中以生成包括柱的检测区域的结果图像。可以将包括检测到的柱区域的结果图像与由人类操作者标记的柱区域进行比较。在训练的后向传播中，第二机器学习模型的参数可以基于检测区域和标记区域之间的差异来调整。这样，第二机器学习可被训练用于检测测定图像中的柱。
[0120]
本公开的实施例可以包括使用训练的第二机器学习模型来检测对应于测定图像7中的柱的区域。尽管将经过训练的第二机器学习模型应用于测定图像7可产生比其它方法更好的柱检测结果，但检测结果仍可包括柱的漏检和错检。本公开的实施例还可包括检测校正步骤，以识别柱的漏检并去除错检。在一个实施例中，处理装置102可基于柱的周期性分布图案来执行检测校正步骤。对于周期性分布图案中错过相应柱的任何位置，处理装置102可基于图案的水平和/或垂直周期性将相应柱插入检测结果中；对于不位于周期性分布图案中的位置处的任何柱，处理装置102可基于图案的水平和/或垂直周期性将柱确定为错误警报，并将其从检测结果中移除。
[0121]
基于测定图像7中的柱的位置，处理装置102可进一步将第一图像分隔为若干区域，其中所述区域中的每一个区域都由测定图像7中的检测到的柱界定。当柱在样品保持器装置4的真实维空间中按照矩形阵列布置时，测定图像7可以被分隔成区域8，每个区域由四个角处的四个相邻柱限定。例如，可以通过从柱区域的中心画出的四条线来限定一个区域。然而，由于在样品保持器装置4和适配器之间的不精确耦合中以及在成像系统3中存在失真，每个区域可能不是与在样品保持器装置4的内表面上制造的真实维空间中的其物理形状相对应的矩形区域。代替矩形，由于这些变形，每个区域可以翘曲成四边形。此外，失真在整个测定图像7上可以是不均匀的(例如，由于有限的视场)，从而导致不同区域的不同翘曲效果。
[0122]
本公开的实施例可以通过将每个区域投影回真实维空间来减轻失真。参照图4，在
116处，处理装置102可以基于所述一个或多个结构元件在所述第一图像中的位置与一个或多个结构元件在所述样品保持器中的预定位置之间的映射，来确定与所述第一区域相关联的空间变换；由四个角处的四个柱区域限定的每个四边形区域可以对应于由四个对应柱限定的样品保持器装置4的真实维度空间中的矩形。因此，可以基于测定图像7中的四个检测到的柱区域与真实维空间中的四个柱之间的映射，来确定空间变换的参数。在一个实施例中，空间变换可以是单应变换(透视变换)，其可以将由四个检测到的柱区域限定的四边形平面映射到由四个相应的柱限定的其真实物理形状的矩形平面，其中每个柱区域可以由该区域的中心表示，并且每个柱可以由其横截面的中心表示。处理装置102可以为测定图像7中的每个区域确定相应的单应变换。因此，处理装置102可使用与每一区域相关联的单应变换来减轻与所述区域相关联的失真。
[0123]
在118，处理装置102可以对第一图像中的第一区域应用空间变换，计算变换的第一区域。处理装置102可将所确定的空间变换应用于每一区域中的像素以将所述区域变换为真实维度空间，借此大体上消除与所述区域相关联的失真。这样，本公开的实施例可以在样品保持器装置的内表面上限定的真实维空间中使用柱的预定位置，以减轻或基本上消除系统l的失真。
[0124]
在120处，处理装置102可以使用变换的第一图像来训练机器学习模型108。可以训练机器学习模型108以将由系统l捕获的测定图像增强到与由系统h捕获的那些相当的质量水平。可以在噪声电平、失真和/或分辨率方面反映质量。训练数据集可以包括已经被变换到真实维空间中的分区区域。因此，训练数据集受系统l引起的失真影响较小。在一个实施例中，训练数据集可以包括来自由系统l的成像系统捕获的多个测定图像的变换区域。
[0125]
为了训练目的，训练数据集还可以包括由系统h捕获的测定图像中的对应区域。由系统h捕获的测定图像是高质量的，并且适合于由专家操作人员(例如，临床病理学家)或由计算机测定分析程序进行分析。为了构造训练数据集，对于由包含样品6的样品保持器装置4的系统l捕获的每个测定图像7，系统h还可以捕获高质量测定图像。处理装置102可类似地将高质量测定图像分隔成由柱限定的区域。
[0126]
图5描绘了根据本公开的实施例的在训练数据集中准备高质量测定图像的方法200的流程图。方法200可以由处理装置102执行。在202，处理装置102可以接收由第二成像系统捕获的样品保持器的第二图像，其中第一图像是以第一质量水平捕获的，第二图像是以高于第一质量水平的第二质量水平捕获的。如上所述，在使用系统l的成像系统3捕获样品保持器装置4的第一测定图像之后，可以使用系统h捕获同一样品保持器装置4的第二测定图像。第二测定图像可以具有比对应的第一测定图像更高的质量。较高的质量可以反映在较高的分辨率、较低的噪声水平和/或较小的失真中。第二测定图像可以处于可在实验室环境中直接用于专家操作人员使用第二测定图像来分析样品内容的水平。在一个实施例中，可以在具有适当照明和校准光学器件的受控环境中使用显微镜来捕获第二测定图像，使得与由系统l捕获的第一测定图像相比，捕获的第二测定图像可以更少地受到失真影响。在捕获之后，高质量的第二测定图像已经存储在数据库系统110中，使得处理装置102可以从数据库中检索第二测定图像。
[0127]
在204处，处理装置204可以将第二图像分隔为多个区域，其中第二图像中的所述区域中的每一个区域都都由第二图像中的对应区域的四个角处的四个结构元件来界定。第
二测定图像可以以类似于分隔相应的第一测定图像的方式被分隔。第二测定图像的分隔可以包括检测第二测定图像中的柱区域，并且基于柱位置的周期性来校正任何缺失的柱区域和/或错误的柱区域。第二测定图像中的每个区域可以是由四个角处的四个相邻柱区域限定的四边形。
[0128]
基于检测到的柱在测定图像中的位置，处理装置102可以进一步将第一图像分隔为区域，其中每个区域由测定图像中的检测到的柱限定。当柱在样品保持器装置4的真实维空间中按照矩形阵列布置时，第二测定图像也可以被分隔为各由四个角处的四个相邻柱区域限定的区域。然而，由于在样品保持器装置4和适配器之间的不精确耦合中以及在成像系统3中存在失真，每个区域可能不是与在样品保持器装置4的内表面上制造的真实维空间中的其物理形状相对应的矩形区域。类似于第一测定图像的处理，可以使用空间变换来校正与第二测定图像中的每个区域相关联的失真。
[0129]
在206处，处理装置102可基于四个结构元件在第二图像中的相应区域的四个角处的位置与四个结构元件在样品保持器中的四个预定位置之间的映射，来确定与第二图像中的区域相关联的第二空间变换。在一个实施例中，由第二测定图像中的四个检测到的柱区域限定的每个四边形区域可以对应于由四个对应的柱限定的样品保持器装置4的真实维空间中的矩形。因此，可以基于第二测定图像中的四个检测到的柱区域与真实维空间中的四个柱之间的映射，来确定第二空间变换的参数。在一个实施例中，空间变换可以是单应变换(透视变换)，其可以将由第二测定图像中的四个检测到的柱区域限定的四边形平面映射到由样品保持器中的四个对应柱限定的矩形平面。在另一实施例中，代替确定第二测定图像中的每个区域的相应第二空间变换，处理装置102可以确定第二测定图像中的所有区域的全局第二空间变换。这是可能的，因为由于系统h的成像系统的高质量，由系统h捕获的第二测定图像可以包括跨所有区域的更均匀的失真。因此，全局第二空间变换足以校正均匀失真。可以使用与第二测定图像中的一个区域相关联的柱区域来确定全局第二空间变换。可选地，全局第二空间变换可以被确定为与第二测定图像中的多个区域相关联的第二空间变换的平均值。
[0130]
在208，处理装置102可以将第二空间变换应用于第二图像中的所述区域中的每一个都以计算第二图像中的对应变换区域。第二空间变换可以是全局变换或局部变换。第二空间变换的应用可以将第二测定图像中的区域变换到样品保持器装置的内表面上的真实维度空间，并且因此减轻与第二测定图像相关联的失真。对于训练数据集中的每个第一测定图像，处理装置102可以准备相应的第二测定图像。处理装置102可以将第二测定图像中的变换区域放置在训练数据集中。
[0131]
在210，处理装置102可以使用第一图像中的每个变换区域和第二图像中的每个变换区域来训练机器学习模型。可以使用训练数据集来训练机器学习模型108，该训练数据集包括第一测定图像的变换区域以及第二测定图像的它们的对应区域，其中第一测定图像的变换区域以及第二测定图像的它们的对应区域都被映射到真实维空间中，以减轻系统l和系统h中存在的失真。这样，基本上消除了单独的系统变化，并且使用嵌入在测定图像中的标准信息将第一测定图像的区域和第二测定图像的区域映射到共同的真实维空间。
[0132]
机器学习模型108是从包括示例的训练数据构建的模型。在本公开中，示例包括训练数据集中的第一测定图像的区域及其在第二测定图像中的对应区域。训练数据集中的这
些区域已经通过转换到限定样品保持器装置4的内表面上的柱的位置的真实维空间中而针对失真进行了校正。实施例可以使用经过训练的机器学习模型108来将系统l捕获的测定图像增强到与系统h捕获的测定图像相当的质量水平。
[0133]
机器学习模型108可以是任何合适的模型，包括但不限于深度神经网络(dnn)、卷积神经网络(cnn)、递归神经网络(rnn)、生成对抗网络(gan)、图形神经网络(gnn)等。所有这些模型可以包括可以在训练期间基于训练数据集或实例来调整的参数。
[0134]
从系统l的测定图像到系统h的测定图像的映射可以属于图像到图像变换问题的类别。用于图像到图像变换的机器学习模型的训练可能需要大量的从源图像(由系统l捕获的测定图像)到目标图像(由系统h捕获的测定图像)的完全匹配的成对实例。在测定图像的环境中，在样品保持器中含有的样品通常是某种类型的液体，其中微小的分析物可以在由不同成像系统(例如，系统l然后系统h)拍摄的图像之间恒定地移动。因此，构建含有完全匹配的低质量和高质量测定图像实例对的足够大的训练数据集来训练用于图像变换的机器学习模型即使不是不可能也是不实际的。为了克服测定图像的变换中的这个实际问题，本公开的实施例采用可以使用未配对的测定图像来训练的循环生成对抗网络(cyclegan)模型。尽管由于样品中分析物的移动和其它因素，从低质量测定图像中分隔的区域与从高质量测定图像中分隔的相应区域不成对，但是低质量测定图像中的区域的角处的柱区域与高质量测定图像的角处的柱区域匹配，因为它们在样品保持器的精确制造期间物理地固定在真实的维空间中。在本公开中嵌入在测定图像中的匹配的柱区域提供了配准的界标信息和附加的约束，这有助于进一步改善用于测定目的的cyclegan的训练和变换图像的保真度。
[0135]
所述cyclegan模型由前向gan和后向gan组成。图6示出了根据本公开的实施例的用于测定图像到图像变换的cyclegan模型300的构造。参照图6，cyclegan模型300可包括前向gan 302和后向gan 304。与典型gan模型类似的前向gan 302可以包括生成器306a和鉴别器306b；类似地，后向gan 304还可以包括生成器308a和鉴别器308b。生成器306a、308a和鉴别器306b、308b中的每一个可以是神经网络(例如，多层卷积神经网络)。生成器306a、308a可以将第一域(例如，具有第一质量或第一分辨率)中的输入测定图像转换成第二域(例如，具有第二质量或第二分辨率)中的输出测定图像。
[0136]
生成器306a可以将第一图像域(域l)中的测定图像310转换成第二图像域(域h)中生成的测定图像。例如，生成器306a可以将系统l捕获的低分辨率测定图像转换为具有与系统h捕获的分辨率相同的分辨率的生成的高分辨率测定图像。生成器308a可以将域h中的测定图像312转换成域l中生成的测定图像。例如，生成器308a可以将系统h捕获的高分辨率测定图像转换为域l中生成的低分辨率测定图像。鉴别器306b可以将域h中生成的测定图像与域h中的真实测定图像进行比较，以输出第一生成器损失函数和第一鉴别器损失函数。第一生成器损失函数可以指示域h中生成的测定图像是否属于域h(或“真”)(或“假”)。第一鉴别器损失函数(未示出)可以指示鉴别器306b是否作出“真”或“假”的正确分类。鉴别器308b可以将域l中生成的测定图像与域l中的真实测定图像进行比较，以输出第二生成器损失函数和第二鉴别器损失函数。第二生成器损失函数可以指示域l中生成的测定图像是否属于域l(或“真”)(或“假”)。第二鉴别器损失函数(未示出)可以指示鉴别器308b是否作出“真”或“假”的正确分类。
[0137]
在训练期间，可以在反向传播中使用第一鉴别器损失函数来训练鉴别器306b，并
且可以在反向传播中使用第一鉴别器损失函数来训练鉴别器308b。可以基于来自鉴别器306b的第一发生器损失函数在反向传播中调整生成器306的参数，使得生成器306a可以在由鉴别器306b认为是“真”的域h中产生生成的测定图像。类似地，可以基于来自鉴别器308b的第二发生器损失函数在反向传播中调整生成器308a的参数，使得生成器308a可以在由鉴别器306b认为是“真”的域l中产生生成的测定图像。在gan 302、304中含有鉴别器306b、308b和生成器306a、308a可以在可替换的时间段中被训练。例如，在步骤1中，鉴别器306b、308b可以在几个时期内训练，然后在步骤2中，生成器306a、308a可以在随后的几个时期内训练。步骤1和2可以在训练期间交替地重复，直到gan 302、304中的每一个收敛。
[0138]
在一个可选实施例中，cyclegan 300可能需要循环一致性。循环一致性要求生成器306a和生成器308a的组合变换产生同一性循环映射。同一性映射意味着生成器306a可以将输入测定图像转换为生成的测定图像，并且生成器308a可以将生成的测定图像转换回原始输入测定图像。循环一致性要求可以允许cyclegan 300使用未配对的图像来训练图像变换模型。此外，本公开的实施例提供附加约束，例如柱区域的配准的界标信息，以输出高保真变换测定图像以及变换测定图像的位置对应，用于测定目的。
[0139]
在本公开的上下文中，低分辨率图像310可以包括基于检测到的柱区域从由成像系统3捕获的测定图像分隔的区域，并且高分辨率图像312可以包括基于检测到的柱区域从由内置在显微镜中的高质量成像系统捕获的测定图像中分隔的对应区域，其中所有测定图像区域已经被变换到真实维空间中以减轻失真。在前向gan 302的训练中，可以将来自低分辨率图像310的第一测定图像区域提供给生成器306a，以在高分辨率域中产生所生成的第一区域。鉴别器306b可以将所生成的第一区域与高分辨率测定图像312中的对应的第一区域测定图像进行比较，以产生第一生成器损失函数和第一鉴别器损失函数。第一鉴别器损失函数可以在反向传播中用于训练鉴别器306b，而第一发生器损失函数可以在反向传播中用于训练生成器306a。低分辨率图像310中的每个测定图像区域可以类似地用于训练前向gan 302的生成器306a和鉴别器306b。在后向gan304的训练中，来自高分辨率图像312的第二测定图像区域可以被提供给生成器308a，以在低分辨率域中产生所生成的第二区域。鉴别器308b可以将生成的第二区域与低分辨率测定图像310中的对应的第二区域测定图像进行比较，以产生第二生成器损失函数和第二鉴别器损失函数。第二鉴别器损失函数可以在反向传播中用于训练鉴别器308b，而第二发生器损失函数可以在反向传播中用于训练生成器308a。高分辨率图像312中的每个测定图像区域可以类似地用于训练后向gan 304的生成器308a和鉴别器308b。
[0140]
在应用中，训练好的cyclegan 300可以用于将由成像系统3捕获的测定图像转换为以与由显微镜捕获的测定图像相当的质量水平生成的测定图像。图7描绘了根据本公开的实施例的增强低质量测定图像的方法400的流程图。一个或多个处理装置(例如，处理装置102)可以执行方法400的操作。
[0141]
在402，处理装置可以接收由第一成像系统捕获的含有样品的样品保持器的第一图像，其中样品保持器在预定位置处制造有标准的图案化结构元件。第一图像可以是第一测定图像，其包括表示样品以及诸如柱之类的结构元件的像素。
[0142]
在404，处理装置可以基于图案化结构元件的一个或多个结构元件在第一图像中的位置，来识别第一图像中的第一区域。第一区域的识别可包括检测第一图像中的柱区域
并基于四个角处的四个相邻柱区域，来识别第一区域。由于与第一图像相关联的失真，第一区域可以是四边形。
[0143]
在406处，处理装置可以基于所述一个或多个结构元件在所述第一图像中的位置与一个或多个结构元件在所述样品保持器中的预定位置之间的映射，来确定与所述第一区域相关联的空间变换。空间变换可以是单应变换。空间变换的参数可以基于在第一区域的四个角处的四个柱区域的位置(例如，中心)与四个柱的位置(例如，横截面的中心)在样品保持器装置的内表面上的真实维度空间上的映射来确定。
[0144]
在408，处理设装置可以对第一图像中的第一区域应用空间变换，计算变换的第一区域。对第一区域应用空间变换可以帮助消除基于柱的位置的失真。
[0145]
在410，处理装置可以将机器学习模型应用于第一图像中的变换的第一区域以生成第二区域。机器学习模型可以是如图6所示的生成器306a。在一个实施例中，第二图像区域可以具有比第一图像区域更高的分辨率。例如，第二图像区域可以具有显微图像的分辨率。
[0146]
处理装置可以根据步骤402-404进一步处理第一图像中的每个识别的区域，以生成相应的高分辨率区域。此外，处理装置可以重新组合这些生成的高分辨率区域以形成第二图像，该第二图像是第一图像的高分辨率版本。第二图像可以由专业人工操作员或由另一智能计算机系统分析其内容。
[0147]
代替对由系统l捕获的测定图像的每个区域应用空间变换，一些实施例可以在准备训练数据集时对整个图像应用全局空间变换。图8描绘了根据本公开的实施例的用于为机器学习模型准备训练数据集的方法500的流程图。
[0148]
在502处，处理装置可以接收由样品保持器装置的系统l的成像系统捕获的低质量测定图像，样品保持器装置含有样品以及标准的图案化柱。
[0149]
在504处，处理装置可检测低质量测定图像中的柱位置，并且任选地检测柱位置的图案的取向。如上所述的机器学习模型可用于检测低质量测定图像中的柱位置。可基于水平柱间距离、垂直柱间距离、水平方向上的柱计数和/或垂直方向上的柱计数来检测图案的取向。
[0150]
在506处，处理装置可基于低质量测定图像中的柱位置与样品保持器装置的真实维空间中的柱位置之间的映射，来确定全局空间变换。处理装置可任选地执行其它预处理操作，例如基于低质量图像中的柱位置来估计视场(fov)并基于所估计的fov来校正低质量图像。
[0151]
在508处，处理装置可将低质量图像分隔成若干区域，所述区域中的每一个都由四个角处的四个柱界定。
[0152]
在510，处理装置可以可选地将每个区域的大小调整或缩放为常规尺寸(例如，256
×
256像素)。该调整大小或调整比例可以使用稍后的机器学习模型来准备用于计算的数据。
[0153]
在512处，处理装置可根据柱的图案的取向来旋转低质量图像(及其中的区域)。该操作是为了确保在相同的图案方向上比较所有图像。
[0154]
在514，处理装置可以可选地将每个像素转换为灰度像素(例如，从rgb颜色转换为灰度)。该操作可以进一步减少机器学习模型的计算。
[0155]
在516，处理装置可以将这样处理的低质量图像的区域作为域l的示例存储在训练数据集中。
[0156]
可以类似地处理高质量测定图像。
[0157]
在518，处理装置可接收由样品保持器装置的系统h的成像系统捕获的高质量测定图像，样品保持器装置含有样品以及标准的图案柱。
[0158]
在520，处理装置可以检测高质量测定图像中的柱位置，并且可选地检测柱位置的图案的取向。如上所述的机器学习模型可用于检测高质量测定图像中的柱位置。可基于水平柱间距离、垂直柱间距离、水平方向上的柱计数和/或垂直方向上的柱计数来检测图案的取向。
[0159]
在522处，处理装置可基于高质量测定图像中的柱位置与样品保持器装置的真实维空间中的柱位置之间的映射，来确定全局空间变换。处理装置可任选地执行其它预处理操作，例如基于高质量图像中的柱位置估计视场(fov)和基于所估计的fov来校正高质量图像。
[0160]
在524处，处理装置可将高质量图像分隔成若干区域，所述区域中的每一个都由四个角处的四个柱界定。
[0161]
在526，处理装置可以可选地将每个区域的大小调整或缩放为常规尺寸(例如，256
×
256像素)。该调整大小或调整比例可以使用稍后的机器学习模型来准备用于计算的数据。
[0162]
在528处，处理装置可根据柱的图案的取向来旋转高质量图像(及其中的区域)。该操作是为了确保在相同的图案方向上比较所有图像。
[0163]
在530，处理装置可以可选地将每个像素转换为灰度像素(例如，从rgb颜色转换为灰度)。该操作可以进一步减少机器学习模型的计算。
[0164]
在532，处理装置可以将高质量图像的这种处理过的区域作为域h的示例存储在训练数据集中。因此，可以构建训练数据集。
[0165]
虽然使用以标准的图案化结构元件作为测定图像中的界标参考而制造的样品保持器装置，在基于图像的测定的上下文中描述了本公开的实施例，但是机器学习的系统和方法可容易地应用于其它类型的材料成像，其中被成像的材料可从明确定义的形状(例如，晶体)的状态变换为非晶态，并且用于捕获非晶态材料的图像的成像系统是有缺陷的。在一些实现方式中，可以训练机器学习模型以学习从由不完美成像系统捕获的非晶材料的材料图像到由完美成像系统捕获的结晶材料的材料图像的映射。然而，机器学习模型的这种直接训练需要大量的训练示例(例如，在10000或更高的数量级)，这是高成本的而不切实际。
[0166]
图10a示出了晶体结构702和非晶体结构704之间的映射。晶体结构702表示具有特定图案(例如，周期性原子排列)的材料结构。相反，非晶体结构704表示没有图案的材料结构。在传统的测试范例(例如，精确协议范例(ppp))中，晶体结构702的图像可由专业操作员通过高精度仪器(例如，电子显微镜)捕获，而晶体结构702为完美的形状。在智能测试范例中，非晶体结构704的图像可以由非专业操作员通过不精确的仪器(例如，智能电话的成像系统)来捕获。智能测试范例的目的是使用机器学习模型将非晶体结构704映射到晶体结构702。如上所述，机器学习模型的训练需要大量不易获得的训练数据。另外，使用这种经过训练的机器学习模型从非晶体结构704到晶体结构702的直接映射可能导致材料图像中的机
器学习伪像。因此，需要减少对大量训练数据的需求并提高图像保真度。
[0167]
取代尝试训练直接从非晶体结构704映射到晶体结构702的机器学习模型，本公开的实施例可以在训练数据的构造期间将中间结构引入到晶体结构和非晶体结构。可以使用中间结构来训练机器学习模型，从而减少对训练数据的需求并提高图像保真度。图10b示出根据本公开的实施例的注入有元结构的晶体结构704与注入有元结构的非晶体结构706之间的映射。元结构可以包括具有显著物理特性(例如形状和光学特性)的元素，其可以容易地将这些元素与材料图像中的载体结晶/非晶体结构区分开。因此，当训练数据含有注入元结构的晶体结构704的材料图像以及注入元结构的非晶体结构706的材料图像时，元结构可以首先从这些材料图像中提取，并且可以用作训练数据来训练机器学习模型。因为元结构的物理特性和特征是预先已知的，所以可以由非专业操作者使用不精确的成像系统从在智能测试范例中捕获的材料图像中可靠地提取元结构。同样由于已知的物理特性和特征，机器学习模型的训练可能需要较少的训练数据并导致高保真图像。
[0168]
本公开的实施例可以包括一种用于训练机器学习模型的方法，所述机器学习模型将第一结构的第一材料的图像映射到第二结构的第二材料的图像。该方法包括将元结构注入到第一材料中并使用第一成像系统捕获第一材料的第一图像，将元结构注入到第二材料中并使用第二成像系统捕获第二图像，从第一图像中提取元结构的第一位置，从第二图像中提取元结构的第二位置，以及使用第一位置和第二位置训练机器学习模型。第一材料包括非晶体结构，第二材料包括晶体结构。该方法还包括应用经过训练的机器学习模型来将具有第一结构的第三材料的图像映射到具有第二结构的第四材料的图像。
[0169]
本公开中描述的样品保持器装置可以是qmax卡。在国际申请no.pct/us2016/046437中描述了技术细节。qmax卡可以包括两个板。i.板
[0170]
在本公开中，通常，压缩调节开放流(crof)的板由任何以下材料制成：(i)能够与间隔件一起用于调节样品的部分或整个体积的厚度的材料；和(ii)对样品、测定或板打算完成的目标没有显著的副作用的材料。然而，在某些实施例中，将特定材料(因此它们的特性)用于该板以实现某些目的。
[0171]
在某些实施例中，对于以下参数中的每一个，两个板具有相同或不同的参数：板材料、板厚度、板形状、板面积、板柔性、板表面性质和板光学透明度。
[0172]
(i)板材。板由单一材料、复合材料、多种材料、多层材料、合金或其组合制成。用于板的每种材料是无机材料、有机材料或其混合物，其中材料的实例在上述mat-1和mat-2段落中给出。
[0173]
mat-1：用于板的无机材料包括，但不限于，例如玻璃，石英，氧化物，二氧化硅，氮化硅，氧化铪(hfo)，氧化铝(alo)，半导体：(硅、砷化镓、氮化镓等)，金属(例如，金、银、铜、铝、钛、镍等)，陶瓷，或其任何组合。
[0174]
mat-2：用于间隔件的有机材料包括，但不限于，例如聚合物(例如，塑料)或非晶有机材料。间隔件的聚合物材料包括，但不限于：丙烯酸酯聚合物、乙烯基聚合物、烯烃聚合物、纤维素聚合物、非纤维素聚合物、聚酯聚合物、尼龙、环烯烃共聚物(coc)、聚(甲基丙烯酸甲酯)(pmma)、聚碳酸酯(pc)、环烯烃聚合物(cop)、液晶聚合物(lcp)、聚酰胺(pa)、聚乙烯(pe)、聚酰亚胺(pi)、聚丙烯(pp)、聚苯醚(ppe)、聚苯乙烯(ps)、聚甲醛(pom)、聚醚醚酮
(peek)、聚醚砜(pes)、聚邻苯二甲酸乙二醇酯(pet)、聚四氟乙烯(ptfe)、聚氯乙烯(pvc)、聚偏二氟乙烯(pvdf)、聚对苯二甲酸丁二醇酯(pbt)、氟化乙烯丙烯(fep)、全氟烷氧基烷烃(pfa)、聚二甲基硅氧烷(pdms)、橡胶或其任何组合。
[0175]
在某些实施例中，板各自独立地由玻璃、塑料、陶瓷和金属中的至少一种制成。在某些实施例中，每个板独立地包括玻璃、塑料、陶瓷和金属中的至少一种。
[0176]
在某些实施例中，一个板在横向面积、厚度、形状、材料或表面处理方面不同于另一个板。在某些实施例中，一个板在侧面面积、厚度、形状、材料或表面处理上与另一个板相同。
[0177]
用于板的材料是刚性的、柔性的或两者之间的任何柔性。刚性(即，硬的)或柔性是相对于在使板进入闭合构造中所使用的给定压力。
[0178]
在某些实施例中，刚性或柔性板的选择可以根据在闭合构造下控制样品厚度的均匀性的要求来确定。
[0179]
在某些实施例中，两个板中的至少一个是透明的(对于光)。在某些实施例中，一个板或两个板的至少一部分或几个部分是透明的。在某些实施例中，板是不透明的。
[0180]
(ii)板厚度。在某些实施例中，至少一个板的平均厚度是例如2nm或更小、10nm或更小、100nm或更小、500nm或更小、1000nm或更小、2μm(微米)或更小、5μm或更小、10μm或更小、20μm或更小、50μm或更小、100μm或更小、150μm或更小、200μm或更小、300μm或更小、500μm或更小、800μm或更小、1mm(毫米)或更小、2mm或更小、3mm或更小，或在任何两个所述值之间的范围内。
[0181]
在某些实施例中，板中的至少一个的平均厚度是例如最多3mm(毫米)、最多5mm、最多10mm、最多20mm、最多50mm、最多100mm、最多500mm，或在任何两个所述值之间的范围内。
[0182]
在某些实施例中，板的厚度在整个板上是不均匀的。在不同位置使用不同的板厚度可用于控制板弯曲、折叠、试样厚度调节以及其它。
[0183]
(iii)板形状和面积。通常，板可以具有任何形状，只要该形状允许样品的压缩开放流以及样品厚度的调节。然而，在某些实施例中，特定形状可以是有利的。板的形状可以是圆形、椭圆形、矩形、三角形、多边形、环形或这些形状的任何叠加。
[0184]
在某些实施例中，两个板可以具有相同的尺寸或形状，或不同的尺寸或形状。板的面积取决于应用。板的面积为至多1mm2(平方毫米)，至多10mm2、至多100mm2、至多1cm2(平方厘米)、至多5cm2、至多10cm2、至多100cm2、至多500cm2、至多1000cm2、至多5000cm2、至多10000cm2、或超过10000cm2，或在任何两个所述值之间的范围内。板的形状可以是矩形、正方形、圆形或其它形状。
[0185]
在某些实施例中，至少一个板是具有宽度、厚度和长度的带(或条)的形式。宽度为至多0.1cm(厘米)、至多0.5cm、至多1cm、至多5cm、至多10cm、至多50c、至多100cm、至多500cm、至多1000cm，或在任何两个所述值之间的范围内。长度可以是需要的长度。带可以卷成卷。
[0186]
(iv)板表面平坦度。在许多实施例中，板的内表面是平坦的或显著平坦的，或平面的。在某些实施例中，两个内表面处于闭合构造，彼此平行。平坦的内表面有助于通过简单地在闭合构造下使用预定的间隔件高度来量化和/或控制样品厚度。对于板的非平坦内表面，需要不仅知道间隔件高度，还知道内表面的确切拓扑，从而量化和/或控制闭合构造下
的样品厚度。为了知道表面拓扑，需要额外的测量和/或校正，这可能是复杂的、耗时的和昂贵的。
[0187]
板表面的平坦度相对于最终样品厚度(最终厚度是在闭合构造下的厚度)，并且通常由术语“相对表面平坦度”来表征，其为板表面平坦度变化与最终样品厚度的比率。
[0188]
在某些实施例中，相对表面积小于0.01％、0.1％，小于0.5％，小于1％，小于2％，小于5％，小于10％，小于20％，小于30％，小于50％，小于70％，小于80％，小于100％，或在任何两个所述值之间的范围内。
[0189]
(v)板表面平行度。在某些实施例中，板的两个表面显着地彼此平行。在某些实施例中，板的两个表面不相互平行。
[0190]
(vi)板柔性。在某些实施例中，板在crof过程的压缩下是柔性的。在某些实施例中，两个板在crof过程的压缩下是柔性的。在某些实施例中，在crof过程的压缩下，一个板是刚性的，并且另一个板是柔性的。在某些实施例中，两个板都是刚性的。在某些实施例中，两个板都是柔性的但具有不同的柔性。
[0191]
(vii)板光学透明度。在某些实施例中，板是光学透明的。在某些实施例中，两个板都是光学透明的。在某些实施例中，一个板是光学透明的，而另一个板是不透明的。在某些实施例中，两个板都是不透明的。在某些实施例中，两个板是光学透明的但具有不同的光学透明度。板的光学透明度可以指板的部分或整个区域。
[0192]
(viii)表面润湿特性。在某些实施例中，板具有润湿(例如，接触角小于90度)样品、转移液体或两者的内表面。在某些实施例中，两个板都具有润湿样品、转移液体或两者的内表面；具有相同或不同的润湿性。在某些实施例中，板具有润湿样品、转移液体或两者的内表面；并且另一个板具有不润湿的内表面(例如，等于或大于90度的接触角)。板的内表面的润湿可以指板的部分或整个区域。
[0193]
在某些实施例中，板的内表面具有其它纳米结构或微结构以在crof过程中控制样品的横向流动。纳米结构或微结构包括但不限于通道、泵等。纳米和微结构也用于控制内表面的润湿性能。ii.间隔件
[0194]
(i)间隔件的功能。在本发明中，间隔件被配置为具有下列功能和特性的一种或任何组合：(1)与板一起控制样品的厚度或样品的相关体积(优选地，厚度控制在相关面积上是精确的，或均匀的，或两者；(2)使样品在板表面上具有压缩的调节开放流(crof)；(3)在给定的样品面积(体积)内，不取显著的表面积(体积)；(4)减少或增加样品中颗粒或分析物的沉降作用；(5)改变和/或控制板的内表面的润湿性质；(6)识别板的位置、尺寸刻度，和/或与板相关的信息，或(7)进行上述的任何组合。
[0195]
(ii)间隔件结构和形状。为了实现期望的样品厚度减小和控制，在某些实施例中，间隔件固定其相应的板。通常，间隔件可以具有任何形状，只要间隔件能够在crof过程中调节样品厚度，但是优选某些形状以实现某些功能，例如更好的均匀性，在压制中更少的过冲等。
[0196]
间隔件是单个间隔件或多个间隔件。(例如，阵列)。多个间隔件的某些实施例是间隔件阵列(例如，柱阵列)，其中间隔件间距是周期性的或非周期性的，或在板的某些区域中是周期性的或非周期性的，或在板的不同区域中具有不同距离。
[0197]
存在两种类型的间隔件：开放间隔件和封闭间隔件。开放间隔件是允许样品流过间隔件(例如，样品围绕间隔件流动并通过间隔件)的间隔件。例如，柱作为间隔件)，并且封闭的间隔件是阻止样品流动的间隔件(例如，样品不能流动超过间隔件。例如，环状间隔件和样品在环内)。两种类型的间隔件使用它们的高度来调节在闭合构造下的最终样品厚度。
[0198]
在某些实施例中，间隔件仅为开放间隔件。在某些实施例中，间隔件仅为封闭间隔件。在某些实施例中，间隔件是开放间隔件和封闭间隔件的组合。
[0199]
术语“柱间隔件”意指间隔件具有柱状形状，并且柱状形状可以是指具有允许样品在压缩开放流动期间围绕其流动的高度和侧向形状的物体。
[0200]
在某些实施例中，柱间隔件的侧向形状选自以下的形状：(i)圆形，椭圆形，矩形，三角形，多边形，环形，星形，字母形(例如，l形，c形，即，从a到z的字母)，数字形，(例如，0，1，2，3，4至9的形状，
…
)；(ii)组(i)中具有至少一个圆角的形状；(iii)来自组(i)的具有锯齿状或粗糙边缘的形状；以及(iv)在(i)、(ii)以及(iii)中的任何叠加。对于多个间隔件，不同的间隔件可具有不同的横向形状和尺寸，以及与相邻间隔件的不同距离。
[0201]
在某些实施例中，间隔件可以是和/或可以包括杆、柱、珠粒、球和/或其他合适的几何形状。间隔件的横向形状和尺寸(例如，横向于相应的板表面)可以是任何形状和尺寸，除了在某些实施例中的以下限制：(i)间隔件几何形状不会引起测量样品厚度和体积的显著误差；或者(ii)间隔件几何形状不会阻止样品在板之间的流出(例如，它不是封闭形式)。但在某些实施例中，它们需要一些间隔件作为闭合的间隔件来限制样品流动。
[0202]
在某些实施例中，间隔件的形状具有圆角。例如，矩形间隔件具有一个、几个或所有圆角(类似于圆形而不是90度角)。圆角通常使间隔件的制造更容易，并且在一些情况下对生物材料的损坏更小。
[0203]
柱的侧壁在侧壁的不同部分可以是直的、弯曲的、倾斜的或不同形状的。在某些实施例中，间隔件是各种横向形状，侧壁以及柱高度与柱横向面积比的柱。在优选实施例中，间隔件具有用于允许开放流动的柱的形状。
[0204]
(iii)间隔件材料。在本发明中，间隔件通常由能够与两个板一起用于调节样品的相关体积的厚度的任何材料制成。在某些实施例中，用于间隔件的材料不同于用于板的材料。在某些实施例中，用于空间的材料至少与用于至少一个板的材料的一部分相同。
[0205]
这些间隔件由单一材料、复合材料、多种材料、多层材料、合金，或其组合制成。用于间隔件的每种材料是无机材料、有机材料或其混合物，其中材料的实例在上述mat-1和mat-2段落中给出。在优选实施例中，间隔件由与crof中使用的板相同的材料制成。
[0206]
(iv)间隔件的机械强度和柔性。在某些实施例中，间隔件的机械强度足够强，使得在压缩期间和在板的闭合构造下，间隔件的高度与当板处于开放构造时的高度相同或显著相同。在某些实施例中，可以表征和预先确定开放构造与闭合构造之间的间隔件的差异。
[0207]
用于间隔件的材料是刚性的、柔性的或两者之间的任何柔性。该刚性是相对于在使板进入闭合构造中所使用的给定的按压力：如果空间在按压力下在其高度上不变形大于1％，则间隔件材料被认为是刚性的，否则是柔性的。当隔离件由柔性材料制成时，在闭合构造下的最终样品厚度仍可由隔离件的按压力和机械特性预先确定。
[0208]
(v)样品内部的间隔件。为了实现所希望的样品厚度减小和控制，特别是为了实现良好的样品厚度均匀性，在某些实施例中，将间隔件放置在该样品内部，或样品的相关体积
内。在某些实施例中，在样品或样品的相关体积内存在一个或多个间隔件，具有适当的间隔件间距。在某些实施例中，至少一个间隔件在样品内，至少两个间隔件在样品内或样品的相关体积内，或至少“n”个间隔件在样品内或样品的相关体积内，其中“n”可通过crof过程中所需的样品厚度均匀性或样品流动性质来确定。
[0209]
(vi)间隔件高度。在某些实施例中，所有间隔件具有相同的预定高度。在某些实施例中，间隔件具有不同的预定高度。在某些实施例中，间隔件可以被分成组或区域，其中每个组或区域具有其自己的间隔件高度。在某些实施例中，间隔件的预定高度是间隔件的平均高度。在某些实施例中，间隔件具有大致相同的高度。在某些实施例中，百分比数量的间隔件具有相同的高度。
[0210]
间隔件的高度通过板之间的期望的调节的最终样品厚度和残余样品厚度来选择。间隔件高度(预定间隔件高度)和/或样品厚度为3nm或更小、10nm或更小、50nm或更小、100nm或更小、200nm或更小、500nm或更小、800nm或更小、1000nm或更小、1μm或更小、2μm或更小、3μm或更小、5μm或更小小于、10μm或更小、20μm或更小、30μm或更小、50μm或更小、100μm或更小、150μm或更小、200μm或更小、300μm或更小、500μm或更小、800μm或更小、1mm或更小、2mm或更小、4mm或更小，或在任何两个所述值之间的范围内。
[0211]
间隔件高度和/或样品厚度在一个优选实施例中为1nm至100nm，在另一个优选实施例中为100nm至500nm，在单独的优选实施例中为500nm至1000nm，在另一个优选实施例中为1μm(例如，1000nm)至2μm，在一个单独的优选实施例中2μm至3μm，在另一个优选实施例中3μm至5μm，在一个单独的优选实施例中5μm至10μm，并且在另一个优选实施例中10μm至50μm，在一个单独的优选实施例中50μm至100μm。
[0212]
在某些优选实施例中，间隔件高度和/或样品厚度(i)等于或稍大于分析物的最小尺寸，或(ii)等于或稍大于分析物的最大尺寸。“稍大于”是指约大1％至5％，并且是两个值之间的任何数值。
[0213]
在某些实施例中，间隔件高度和/或样品厚度大于分析物的最小尺寸(例如，分析物具有各向异性形状)，但小于分析物的最大尺寸。
[0214]
例如，红细胞具有最小尺寸为2μm(盘厚度)和最大尺寸为11μm(盘直径)的盘形状。在本发明的实施例中，选择间隔件以使相关区域中板的内表面间距在一个实施例中为2μm(等于最小尺寸)，在另一个实施例中为2.2μm，或在另一个实施例中为3μm(比最小尺寸大50％)，但小于红细胞的最大尺寸。这种实施例在血细胞计数方面具有某些优点。在一个实施例中，对于红细胞计数，通过使内表面间距为2μm或3μm和两个值之间的任何数值，未稀释的全血样品被限定在该间距中；平均起来，每个红细胞(rbc)不与其它重叠，从而允许在视觉上精确计数红细胞。(rbc之间的重叠太多可能导致计数中的严重错误)。
[0215]
在本发明中，本发明使用的板和间隔件不仅用于调节样品的厚度，而且用于调节当板处于闭合构造时样品中分析物/实体的方位和/或表面密度。当板处于闭合构造时，样品的较薄厚度导致每表面面积较少的分析物/实体(例如，较小的表面浓度)。
[0216]
(vii)间隔件横向尺寸。对于开放间隔件，横向尺寸可以通过其在x和y两个正交方向上的横向尺寸(有时称为宽度)来表征。间隔件在每个方向上的横向尺寸相同或不同。
[0217]
在一些实施例中，x和y方向的横向尺寸的比率是1，1.5，2，5，10，100，500，1000，
10000，或在任何两个所述值之间的范围内。在某些实施例中，使用不同的比率来调节样品流动方向；比率越大，流动沿着一个方向(较大尺寸方向)。
[0218]
在一些实施例中，间隔件在x和y方向上的不同横向尺寸用作(a)使用间隔件作为刻度标记物以指示板的取向，(b)使用间隔件以在优选方向上产生更多样品流，或两者。
[0219]
在优选实施例中，周期、宽度和高度。
[0220]
在某些实施例中，所有间隔件具有相同的形状和尺寸。在某些实施例中，每个间隔件具有不同的横向尺寸。
[0221]
对于封闭间隔件，在某些实施例中，内部横向形状和尺寸是基于有待被封闭间隔件封闭的样品的总体积来选择的，其中体积尺寸已经在本公开中描述；并且在某些实施例中，外侧形状和尺寸是基于所需的强度来选择的，支持液体抵靠间隔件的压力以及按压板的压缩压力。
[0222]
(viii)柱间隔件的高度对平均横向尺寸的纵横比。在某些实施例中，柱间隔件的高度与平均横向尺寸的纵横比为100000，10000，1000，100，10，1，0.1，0.01，0.001，0.0001，0，00001，或在任何两个所述值之间的范围内。
[0223]
(ix)间隔件高度精确度。间隔件高度应精确控制。间隔件的相对精度(例如，偏差与期望间隔件高度的比率)为0.001％或更小，0.01％或更小，0.1％或更小；0.5％或更小，1％或更小，2％或更小，5％或更小，8％或更小，10％或更小，15％或更小，20％或更小，30％或更小，40％或更小，50％或更小，60％或更小，70％或更小，80％或更小，90％或更小，99.9％或更低，或在任何两个所述值之间的范围内。
[0224]
(x)间隔件间距。间隔件可以是板上或样品相关区域中的单个间隔件或多个间隔件。在一些实施例中，板上的间隔件以阵列形式配置和/或布置，并且阵列在板的一些位置是周期性的、非周期性的阵列或周期性的，而在其它位置是非周期性的。
[0225]
在一些实施例中，间隔件的周期性的阵列布置为正方形、矩形、三角形、六边形、多边形或其任意组合的晶格，其中组合意味着板的不同位置具有不同的间隔件格架。
[0226]
在一些实施例中，间隔件阵列的间隔件间距在阵列的至少一个方向上是周期性的(例如，均匀的间隔件间距)。在某些实施例中，间隔件间距被配置为在闭合构造下改进板间距之间的均匀性。
[0227]
相邻间隔件之间的距离(例如，间隔件间距)是1μm或更小、5μm或更小、10μm或更小、20μm或更小、30μm或更小、40μm或更小、50μm或更小、60μm或更小、70μm或更小、80μm或更小、90μm或更小、100μm或更小、200μm或更小、300μm或更小、400μm或更小，或在任何两个所述值之间的范围内。
[0228]
在某些实施例中，间隔件间距是在400μm或更小、500μm或更小、1mm或更小、2mm或更小、3mm或更小、5mm或更小、7mm或更小、10mm或更小，或在所述值之间的任何范围内。在某些实施例中，间隔件间距是10mm或更小，20mm或更小，30mm或更小，50mm或更小，70mm或更小，100mm或更小，或在所述值之间的任何范围内。
[0229]
选择相邻间隔件之间的距离(例如，间隔件间距)，使得对于板和样品的给定特性，在板的闭合构造下，在某些实施例中，两个相邻间隔件之间的样品厚度变化至多0.5％，1％，5％，10％，20％，30％，50％，80％或在所述值之间的任何范围内；或在某些实施例中，至多80％，100％，200％，400％或在所述任何两个值之间的范围内。
[0230]
显然，为了在两个相邻间隔件之间保持给定的样品厚度变化，当使用更柔性的板时，需要更接近的间隔件间距。
[0231]
规定间隔件间距的准确性。
[0232]
在优选的实施例中，间隔件是周期性的正方形阵列，其中间隔件是高度为2μm至4μm，平均横向尺寸为5μm至20μm，间隔件间距为1μm至100μm的柱。
[0233]
在优选的实施例中，间隔件是周期性的正方形阵列，其中间隔件是高度为2μm至4μm，平均横向尺寸为5μm至20μm，间隔件间距为100μm至250μm的柱。
[0234]
在优选的实施例中，间隔件是周期性的正方形阵列，其中间隔件是高度为4μm至50μm，平均横向尺寸为5μm至20μm，间隔件间距为1μm至100μm的柱。
[0235]
在优选的实施例中，间隔件是周期性的正方形阵列，其中间隔件是高度为4μm至50μm，平均横向尺寸为5μm至20μm，间隔件间距为100μm至250μm的柱。
[0236]
间隔件阵列的间隔在一个优选实施例中为1nm至100nm，在另一个优选实施例中为100nm至500nm，在单独的优选实施例中为500nm至1000nm，在另一个优选实施例中为1μm(例如，1000nm)至2μm，在单独的优选实施例中为2μm至3μm，在另一优选实施例中为3μm至5μm，在单独的优选实施例中为5μm至10μm，在另一优选实施例中为10μm至50μm，在单独的优选实施例中为50μm至100μm，在单独的优选实施例中为100μm至175μm，在单独的优选实施例中为175μm至300μm。
[0237]
(xi)间隔件密度。间隔件以如下的表面密度布置在相应的板上：每μm2大于1，每10μm2大于1，每100μm2大于1，每500μm2大于1，每1000μm2大于1，每5000μm2大于1，每0.01mm2大于1,每0.1mm2大于1，每1mm2大于1，每5mm2大于1，每10mm2大于1，每100mm2大于1，每1000mm2大于1，每10000mm2大于1，或在任何两个所述值之间的范围内。
[0238]
间隔件被配置为在给定样品面积(体积)中不占据显著的表面积(体积)。
[0239]
(xii)间隔件体积与样品体积的比率。在许多实施例中，控制间隔件体积(例如，间隔件的体积)与样品体积(即，样品的体积)的比率，和/或在样品的相关体积内的间隔件的体积与样品的相关体积的比率，从而实现某些优点。优点包括但不限于样品厚度控制的均匀性，分析物的均匀性，样品流动性质(例如，流速、流动方向等)。
[0240]
在某些实施例中，间隔件体积(r)与样品体积的比率和/或在样品的相关体积内的间隔件的体积与样品的相关体积的比率小于100％、至多99％、至多70％、至多50％、至多30％、至多10％，至多5％、至多3％、至多1％、至多0.1％、至多0.01％、至多0.001％，或在任何两个所述值之间的范围内。
[0241]
(xiii)固定至板的间隔件。在本发明中起关键作用的间隔件间距和间隔件的方位优选地在使板从开放构造到闭合构造的过程期间保持，和/或优选地在从开放构造到闭合构造的过程之前预先确定。
[0242]
在本公开的某些实施例中，在使板进入闭合构造之前将间隔件固定在板之一上。术语“间隔件与其相应的板固定”意指间隔件附接到板并且在板的使用期间保持附接。“间隔件与其相应的板固定”的示例是间隔件由板的一件材料整体制成，并且间隔件相对于板表面的位置不改变。“间隔件不与其相应的板固定”的示例是间隔件通过粘合剂粘合到板，但是在板的使用期间，粘合剂不能将间隔件保持在板表面上的原始位置(例如，间隔件移动离开板表面上的原始位置)。
[0243]
在某些实施例中，间隔件中的至少一个被固定到其对应的板上。在某些实施例中，两个间隔件固定到其对应的板。在某些实施例中，间隔件的大部分与其对应的板固定。在某些实施例中，所有间隔件与其对应的板固定。
[0244]
在某些实施例中，间隔件整体地固定到板。
[0245]
在某些实施例中，间隔件通过以下方法和/或构造中的一者或任何组合固定到其相应板：附接、黏合、熔合、压印和蚀刻。
[0246]
术语“压印”是指通过压印(例如，模压)一片材料以在板表面上形成间隔件来整体地固定间隔件和板。材料可以是单层材料或多层材料。
[0247]
术语“蚀刻”意指通过蚀刻一片材料以在板表面上形成间隔件来整体地固定间隔件和板。材料可以是单层材料或多层材料。
[0248]
术语“熔合”是指间隔件和板通过将间隔件和板附接在一起而整体地固定，间隔件和板的原始材料彼此熔合，并且在熔合之后在两种材料之间存在清晰的材料边界。
[0249]
术语“黏合”意指通过粘附来黏合间隔件和板，从而整体地固定间隔件和板。
[0250]
术语“附接”意指间隔件和板连接在一起。
[0251]
在某些实施例中，间隔件和板由相同的材料制成。在其他实施例中，间隔件和板由不同材料制成。在其他实施例中，间隔件和板形成为一体。在另一个实施例中，间隔件具有固定到其相应板的一端，而另一端是开放的，用于容纳两个板的不同构造。
[0252]
在其它实施例中，间隔件中的每一个各自为以下中的至少一者：附接、黏合、熔合、压印或蚀刻到相应板中。术语“独立地”是指一个间隔件通过相同或不同的方法与其相应的板固定，所述方法选自附着到、结合到、熔合到、压印到和蚀刻到相应的板中的方法。
[0253]
在某些实施例中，至少两个间隔件之间的距离是预先确定的(“预定间隔件间距”意指当使用者使用板时已知该距离。)。
[0254]
在本文所描述的所有方法和装置的某些实施例中，除固定间隔件之外还存在额外间隔件。
[0255]
(xiv)特定样品厚度。在本发明中，观察到通过使用较小的板间距(例如，对于给定的样品面积)，或较大的样品面积(对于给定的板间距)，或两者，可以获得较大的板保持力(即，将两个板保持在一起的力)。
[0256]
在某些实施例中，板中的至少一个在包围该相关面积的区域中是透明的，并且每个板具有内表面，该内表面被配置为：在闭合构造中接触样品；在闭合构造中，板的内表面是基本上彼此平行的；除了具有间隔件的位置之外，板的内表面基本上是平面的；或它们的任何组合。
[0257]
可以使用光刻、蚀刻、模压(纳米压印)、沉积、剥离，熔合或其组合以各种方式在板上制造间隔件。在某些实施例中，间隔件直接模压或压印在板上。在某些实施例中，间隔件压印到沉积在板上的材料(例如，塑料)中。在某些实施例中，间隔件通过直接模压crof板的表面来制造。纳米压印可通过辊对辊技术使用辊压印器或辊对平面纳米压印来进行。这种方法具有很大的经济优势，因此降低了成本。
[0258]
在某些实施例中，间隔件沉积在板上。沉积可以是蒸发、粘贴或剥离。在粘贴时，首先在载体上制造间隔件，然后将间隔件从载体转移到板。在剥离中，首先在板上沉积可移除材料并在材料中形成孔；孔底使板表面暴露，然后将间隔件材料沉积到孔中，之后将可移除
材料移除，仅在板表面上留下间隔件。在某些实施例中，沉积在板上的间隔件与板熔合。在某些实施例中，间隔件和板在单一工艺中制造。单一工艺包括压印(例如，模压、模制)或合成。
[0259]
在某些实施例中，间隔件中的至少两者通过不同制造方法固定到相应板，并且任选地其中所述不同制造方法包括沉积、黏合、熔合、压印和蚀刻中的至少一者。
[0260]
在某些实施例中，间隔件中的一者或一者以上通过以下制造方法固定到相应板：黏合、熔合、压印或蚀刻，或其任何组合。
[0261]
在某些实施例中，用于在板上形成此类单片间隔件的制造方法包括以下方法：黏合、熔合、压印或蚀刻，或其任何组合。b)适配器
[0262]
适配器的细节在包括国际申请no.pct/us2018/017504的各种公开中已经详细描述。
[0263]
在此描述的本发明通过提供包含光学适配器和智能电话的系统来解决这个问题。光学适配器装置安装在将其转换为能够获取样品的荧光和明视场图像两者的显微镜的智能电话上。该系统可以由普通人员在任何位置方便可靠地操作。光学适配器利用了智能手机现有的资源，包括相机、光源、处理器和显示屏，为用户进行明视场和荧光显微术提供了一种低成本的解决方案。
[0264]
在本发明中，光学适配器装置包含装配在智能电话的上部上的保持器框架以及附接至保持器的光学箱，该光学箱具有样品插座狭槽和照明光学器件。在一些参考文献(例如，美国专利no.2016/029091和no.2011/0292198)中，它们的光学适配器设计是一个整体，包括夹在上面的机械部件，从而安装在智能电话和功能光学元件上。这种设计的问题是它们需要为每个特定型号的智能电话重新设计整体光学适配器。但是在本发明中，光学适配器被分离成仅用于装配智能电话的保持器框架以及包含所有功能部件的通用光学盒。对于不同尺寸的智能手机，只要相机与光源的相对位置相同，只需重新设计保持器框架，将节约大量的设计制造成本。
[0265]
光学适配器的光学盒包含：插座狭槽，其在智能手机相机的视场和焦距范围内接收样品并将样品定位在样品载片中；用于捕获样品的明视场显微图像的明视场照明光学器件；用于捕获样品的荧光显微图像的荧光照明光学器件；用于通过在光学器件箱中向内和向外滑动杆来在明视场照明光学器件与荧光照明光学器件之间切换的杆。
[0266]
插座狭槽具有附接到其上的橡胶门，该橡胶门可以完全覆盖该狭槽以防止环境光进入光学箱中被相机收集。在美国专利2016/0290916中，样品槽总是暴露于环境光，这不会引起太多的问题，因为它只进行明视场显微术。但是本发明在进行荧光显微术时可以利用这种橡胶门，因为环境光会给相机的图像传感器带来大量噪声。
[0267]
为了捕获良好的荧光显微图像，期望几乎没有激发光进入相机，并且仅由样品发射的荧光被相机收集。然而，对于所有普通的智能手机，由于由光源发射的光束的大的发散角以及对于非准直光束不能很好地工作的光学滤镜，放置在相机前方的光学滤镜不能很好地阻挡从智能手机的光源发射的不希望的波长范围的光。准直光学器件可以被设计为对由智能电话光源发射的光束进行准直以解决该问题，但是该方法会增加适配器的尺寸和成本。相反，在本发明中，荧光照明光学器件能够使激发光以大的倾斜入射角部分地从样品载
片内的波导和部分地从样品载片的背面照射样品，使得激发光几乎不会被相机收集以减少进入相机的噪声信号。
[0268]
适配器中的明视场照明光学器件接收并旋转由光源发射的光束以便以法向入射角向后照明该样品。
[0269]
通常，光学盒还包含安装在盒中的放大透镜，该放大透镜与智能电话的相机对准，放大由相机捕获的图像。相机捕获的图像可由智能手机的处理器进一步处理，并在智能手机的屏幕上输出分析结果。
[0270]
为了在同一光学适配器中实现明视场照明和荧光照明光学器件，如在本发明中，可以使用可滑动杆。荧光照明光学器件的光学元件安装在杆上，当杆完全滑入光学盒时，荧光照明光学元件阻断明视场照明光学器件的光路，将照明光学器件切换为荧光照明光学器件。并且，当杆滑出时，安装在杆上的荧光照明光学元件移出光路，并将照明光学器件切换到明视场照明光学器件。这种杆设计使得光学适配器既工作在明视场照明模式下又工作在荧光照明模式下，而不需要设计两个不同的单模式光学盒。
[0271]
该杆包含处于不同高度的不同平面处的两个平面。
[0272]
在某些实施例中，两个平面可以通过竖直杆连接在一起并且一起移入或移出光学盒。在某些实施例中，两个平面可以分开，并且每个平面可以单独地移入或移出光学盒。
[0273]
上部杆平面包含至少一个光学元件，该光学元件可以是但不限于光学滤镜。上部杆平面在光源下方移动，并且上部杆平面与光源之间的优选距离在0至5mm的范围内。
[0274]
底部杆平面的一部分不平行于图像平面。底部杆平面的非平行部分的表面具有大于95％的高反射率的镜面光洁度。底部杆平面的非平行部分在光源下方移动，并且使从光源发射的光偏转以向后照射相机正下方的样品区域。底部杆平面的非平行部分的优选倾角是在45度至65度的范围内，并且该倾角被定义为非平行底部平面与竖直平面之间的角度。
[0275]
底部杆平面的一部分是例如平行于图像平面，并且可以位于样品下方并且与样品相距1mm至10mm。底部杆平面平行部分的表面具有光吸收大于95％的高光吸收。该吸收表面消除了以小入射角向后照射在样品上的反射光。
[0276]
为了使用杆滑入和滑出以切换照明光学器件，使用包含定位球塞和杆上的凹槽的止挡件设计以便在杆从适配器向外拉动时将杆停止在预定位置处。这允许用户使用任意力拉动杆，但使杆停止在固定位置，在该固定位置处，光学适配器的工作模式切换到明视场照明。
[0277]
样品滑块可以安装在插座狭槽内，接收qmax装置，并在智能手机照相机的视场和焦距范围内将样品定位在qmax装置中。
[0278]
样品滑块包括固定轨道框架和活动臂：
[0279]
框架轨道固定安装在光学盒的插座狭槽中。轨道框架具有滑动轨道狭槽，该滑动轨道狭槽适合qmax装置的宽度和厚度，这样使得qmax装置可以沿着轨道滑动。精心配置轨道槽的宽度和高度，使qmax装置在滑动平面内与滑动方向垂直的方向位移小于0.1mm，沿qmax装置的厚度方向位移小于0.2mm。
[0280]
框架轨道在智能手机的相机的视场下具有打开的窗口以允许光向后照射样品。
[0281]
活动臂预置于轨道框架的滑轨槽中，并与qmax装置一起移动，引导qmax装置在轨道框架中的移动。
[0282]
活动臂配备具有两个预定义的止动位置的止动机构。对于一个位置，臂将使qmax装置停止在qmax装置上的固定样品区正下方的位置。对于另一个位置，臂将使qmax装置停止在qmax装置上的样品区离开智能手机的视场的位置，并且qmax装置可以容易地从轨道狭槽中取出。
[0283]
活动臂通过qmax装置和活动臂共同按压至轨道槽的末端后释放而在两个止动位置之间切换。
[0284]
活动臂可以指示qmax装置是否以正确的方向插入。qmax装置的一个转角的形状被配置为与另外三个直角转角不同。活动臂的形状使转角的形状与特殊的形状相匹配，从而只有在正确的方向上，才能使qmax装置在轨道槽中滑动到正确的位置。c)智能电话/检测系统
[0285]
智能电话/检测系统的细节在多个公开中详细描述，所述公开包括2016年8月10日提交的国际申请(ia)no.pct/us2016/046437，2016年9月14日提交的ia no.pct/us2016/051775，2017年2月7日提交的美国临时申请no.62/456065，2017年2月8日提交的美国临时申请no.62/456287和62/456590，2017年2月8日提交的美国临时申请no.62/456504，2017年2月15日提交的美国临时申请no.62/459,544，以及2017年2月16日提交的美国临时申请no.62/460075以及62/459920。
[0286]
本文所公开的装置/设备、系统和方法可以包括或使用q卡来进行样品检测、分析和量化。在某些实施例中，q卡与适配器一起使用，该适配器可以将q卡与智能电话检测系统连接。在某些实施例中，智能电话包含相机和/或照明源。在某些实施例中，智能电话包含照相机，照相机可在样品位于照相机的视场中时(例如通过适配器)时用于捕获图像或样品。在某些实施例中，照相机包括一组透镜(例如iphonetm 6)。在某些实施例中，照相机包括至少两组透镜(例如iphonetm 7)。在某些实施例中，智能电话包括照相机，但是照相机不用于图像捕获。
[0287]
在某些实施例中，智能电话包含光源，例如但不限于led(发光二极管)。在某些实施例中，当样品位于照相机的视场中时(例如通过适配器)，光源用于向样品提供照明。在某些实施例中，来自光源的光被适配器的光学部件增强、放大、改变和/或优化。
[0288]
在某些实施例中，智能电话包括处理器，处理器被配置为处理来自样品的信息。智能电话包括软件指令，当由处理器执行时，该软件指令可以增强、放大和/或优化来自样品的信号(例如，图像)。处理器可包括一个或多个硬件组件，例如中央处理单元(cpu)，专用集成电路(asic)，专用指令集处理器(asip)，图形处理单元(gpu)，物理处理单元(ppu)，数字信号处理器(dsp)，现场可编程门阵列(fpga)，可编程逻辑装置(pld)，控制器，微控制器单元，精简指令集计算机(risc)，微处理器等，或其任何组合。
[0289]
在某些实施例中，智能电话包韩通信单元，通信单元被配置为和/或用于将与样品相关的数据和/或图像发送到另一装置。仅作为示例、通信单元可以使用电缆网络、有线网络、光纤网络、电信网络、内联网、因特网、局域网(lan)、广域网(wan)、无线局域网(wlan)、城域网(man)、广域网(wan)、公共电话交换网络(pstn)、蓝牙网络、zigbee网络、近场通信(nfc)网络等，或它们的任何组合。在某些实施例中，智能电话是iphonetm，androidtm电话或windowstm电话。d)制造方法
[0290]
制造方法的细节在包括于2018年10月26日提交的国际申请no.pct/us2018/057873的各种公开中详细描述，其在此引入作为参考用于所有目的。
[0291]
可以使用本领域已知的技术制造本公开的装置。制造技术的选择将取决于用于装置的材料以及间隔件阵列的尺寸和/或间隔件的尺寸。用于制造本发明的装置的示例性材料包括玻璃，硅，钢，镍，聚合物，例如聚甲基丙烯酸甲酯(pmma)，聚碳酸酯，聚苯乙烯，聚乙烯，聚烯烃，硅酮(例如，聚(二甲基硅氧烷))，聚丙烯，顺式聚异戊二烯(橡胶)，聚(氯乙烯)(pvc)，聚(乙酸乙烯酯)(pvac)，聚氯丁二烯(氯丁橡胶)，聚四氟乙烯(铁氟龙)，聚(偏二氯乙烯)(萨朗)，以及环烯烃聚合物(cop)和环烯烃共聚物(coc)，以及其组合。其它材料是本领域已知的。例如，深度反应离子刻蚀(drie)用于制造具有小间隙、小间隔件和大纵横比(间隔件高度与横向尺寸的比率)的硅基装置。当最小的横向特征》20微米并且这些特征的纵横比≤10时，也可使用塑料装置的热成型(模压、注射成型)。
[0292]
另外的方法包括光刻法(例如，立体光刻法或x射线光刻法)，模制，模压，硅微加工，湿法或干法化学蚀刻，铣削，金刚石切割，深刻电铸模造技术(liga)，以及电镀。例如，对于玻璃，可以采用光刻接着湿法(koh)或干法蚀刻(用氟或其它反应性气体进行反应性离子蚀刻)的传统硅制造技术。诸如激光微加工的技术可适用于具有高光子吸收效率的塑料材料。由于该工艺的系列性质，该技术适用于较低产量的制造。对于大规模生产的塑料装置，热塑性注射成型以及压缩成型是合适的。用于大规模制造光盘(其保持亚微米特征的保真度)的常规热塑性注塑也可用于制造本发明的装置。例如，通过常规光刻在玻璃主盘上复制装置特征。玻璃主盘被电铸以产生坚韧的、抗热冲击的、导热的、坚硬模具。该模具用作用于将特征注射成型或压缩成型为塑料装置的主模板。根据用于制造装置的塑料材料和对光学质量和成品产量的要求，可以选择注射成型或压缩成型作为制造方法。压缩成型(也称为热模压或凸版压印)具有与高分子量聚合物相容的优点，这对于小结构是优异的并且可以复制高纵横比结构但具有更长的周期时间。注射成型对于低纵横比结构工作良好，并且最适合于低分子量聚合物。
[0293]
可以将装置制成一个或多个随后组装的部件。装置的层可以通过夹具、粘合剂、热、阳极键合，或表面基团之间的反应(例如，晶片键合)而黏合在一起。或者，可使用立体光刻或其它三维制造技术将在一个以上平面中具有沟道或间隙的装置制造为单件。
[0294]
为了减少细胞或由裂解细胞释放的化合物在装置表面上的非特异性吸附，可以将装置的一个或多个表面化学修饰为非粘附性或排斥性的。表面可以涂覆有市售非粘性试剂(例如用于形成水凝胶的试剂)的薄膜涂层(例如，单层)。可用于修饰装置表面的其它示例性化学物质包括低聚乙二醇，氟化聚合物，有机硅烷，硫醇，聚乙二醇，透明质酸，牛血清白蛋白，聚乙烯醇，粘蛋白，聚甲基丙烯酸羟乙酯，甲基丙烯酸酯化的peg以及琼脂糖。带电聚合物也可用于排斥带相反电荷的物质。用于排斥的化学物种的类型和附着到装置表面的方法可以取决于被排斥的物质的性质和表面的性质以及被附着的物质。这样的表面改性技术是本领域已知的。可以在组装装置之前或之后对表面进行官能化。装置的表面还可以被涂覆以捕获样品中的某些材料，例如膜片段或蛋白质。
[0295]
在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可包含注射模制第一板。在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可包含纳米压印或挤压印刷第二板。在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可
以包含激光切割第一板。在本发明的某些实施例中，一种用于制造本发明的任何q卡的方法可包含纳米压印或挤压印刷第二板。在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可包含注射模制和激光切割第一板。在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可包含纳米压印或挤压印刷第二板。在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可包含纳米压印或挤压印刷以制造第一和第二板两者。在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可包含使用注射模制，激光切割第一板，纳米压印，挤压印刷或其组合来制造第一板或第二板。在本公开的某些实施例中，一种用于制造本公开的任何q卡的方法可以包含在制造第一和第二板之后将铰链附接到第一和第二板上的步骤。e)样品类型和受试者
[0296]
样品和受试者的详情详细描述于多个公开，其包括2016年8月10日提交的国际申请(ia)no.pct/us2016/046437，2016年9月14日提交的ia no.pct/us2016/051775，2018年2月7日提交的ia no.pct/us201/017307，和2017年12月8日提交的pct/us2017/065440。
[0297]
可以从受试者获得样品。本文描述的受试者可以是任何年龄并且可以是成人、婴儿或儿童。在一些情况下，受试者是0、1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42、43、44、45、46、47、48、49、50、51、52、53、54、55、56、57、58、59、60、61、62、63、64、65、66、67、68、69、70、71、72、73、74、75、76、77、78、79、80、81、82、83、84、85、86、87、88、89、90、91、92、93、94、95、96、97、98，或99岁，或在其中的范围内(例如，在2岁与20岁之间，在20岁与40岁之间，或在40岁与90岁之间)。可以受益的特定类别的受试者是患有或疑似患有感染(例如，细菌性感染和/或病毒性感染)的受试者。可以受益的另一特定类别的受试者是可能处于感染的较高风险的受试者。此外，通过本文所述的任何方法或组合物治疗的受试者可以是男性或女性。本文公开的任何方法、装置或试剂盒也可以在非人受试者例如实验室或农场动物上进行。非人受试者的非限制性实例包括狗，山羊，豚鼠，仓鼠，小鼠，猪，非人灵长类动物(例如，大猩猩、猿、猩猩、狐猴或狒狒)，大鼠，绵羊，母牛或斑马鱼。
[0298]
本文公开的装置、设备、系统和方法可用于样品，比如但不限于诊断样品、临床样品、环境样品和食品样品。
[0299]
例如，在某些实施例中，本文公开的装置、设备、系统和方法用于包括细胞、组织、体液和/或其混合物的样品。在某些实施例中，样品包含人体体液。在某些实施例中，样品包含以下中的至少一种：细胞、组织、体液、粪便、羊水、房水、玻璃体液、血液、全血、分级分离的血液、血浆、血清、母乳、脑脊髓液、耳垢、乳糜、食糜、内淋巴、外淋巴、排泄物、胃酸、胃液、淋巴液、粘液、鼻引流、痰、心包液、腹膜液、胸膜液、脓液、风湿液、唾液、皮脂、精液、痰液、汗液、滑液、泪液、呕吐物、尿液和呼出的呼吸冷凝物。
[0300]
在一些实施例中，本文公开的装置、设备、系统和方法用于从任何合适来源获得的环境样品，所述来源例如但不限于来自河流、湖泊、池塘、海洋、冰川、冰山、雨水、雪、污水、水库、自来水、饮用水等的液体样品；来自土壤、堆肥、砂、岩石、混凝土、木材、砖、污物等的固体样品；以及来自空气、水下散热、工业废气、车辆废气等的气体样品。在某些实施例中，环境样品是得自来源的新鲜样品；在某些实施例中，对环境样品进行处理。例如，在应用题述装置、设备、系统和方法之前，将非液体形式的样品转化成液体形式
[0301]
在某些实施例中，本文所公开的装置、设备、系统和方法用于食物样品，该食品样品适合于或可能变得适合于动物消费，例如人类消费。在某些实施例中，食物样品可以包括生原料、熟食品或加工的食品、植物和动物来源的食品、预加工食品以及部分或完全加工的食品等。在某些实施例中，在施用题述装置、设备、系统和方法之前，将非液体形式的样品转化成液体形式。
[0302]
本发明的装置、设备、系统和方法可用于分析任何体积的样品。体积的实例包括但不限于约10ml或更小、5ml或更小、3ml或更小、1微升(“ul”)或更小、500μl或更小、300μl或更小、250μl或更小、200μl或更小、170μl或更小、150μl或更小、125μl或更小、100μl或更小、75μl或更小、50μl或更小、25μl或更小、20μl或更小、15μl或更小、10μl或更小、5μl或更小、3μl或更小、1μl或更小、0.5μl或更小、0.1μl或更小、0.05μl或更小、0.001μl或更小、0.0005μl或更小、0.0001μl或更小、10pl或更小、1pl或更小，或在任何两个所述值之间的范围内。
[0303]
在某些实施例中，样品的体积包括但不限于约100μl或更小，75μl或更小，50μl或更小，25μl或更小，20μl或更小，15μl或更小，10μl或更小，5μl或更小，3μl或更小，1μl或更小，0.5μl或更小，0.1μl或更小，0.05μl或更小，0.001μl或更小，0.0005μl或更小，0.0001μl或更小，10pl或更小，1pl或更小，或在任何两个所述值之间的范围内。在某些实施例中，样品的体积包括但不限于约10μl或更小，5μl或更小，3μl或更小，1μl或更小，0.5μl或更小，0.1μl或更小，0.05μl或更小，0.001μl或更小，0.0005μl或更小，0.0001μl或更小，10pl或更小，1pl或更小，或在任何两个所述值之间的范围内。
[0304]
在一些实施例中，样品的量约为液体滴。在某些实施例中，样品的量是从刺破的手指或指杆收集的量。在某些实施例中，样品的量是从微针、微量移液管或静脉抽吸中收集的量。f)机器学习
[0305]
在各种公开中描述了网络的细节，这些公开包括2018年2月8日提交的国际申请no.pct/us2018/017504，以及2018年10月26日提交的pct/us2018/057877，其各自通过引用并入本文用于所有目的。
[0306]
本发明的一个方面提供了用于分析物检测和定位的机器学习和深度学习的框架。机器学习算法是能够从数据中学习的算法。机器学习的更严格的定义是“如果由p测量的在t中的任务处的性能随经验e而提高，则计算机程序被说成从经验e学习关于某类任务t和性能测量p。探索研究和构建能够学习和预测数据的算法——这类算法通过根据样品输入建立模型，通过进行数据驱动的预测或决策来克服静态程序指令。
[0307]
深度学习是一种基于一组试图对数据中的高级抽象建模的算法的特定类型的机器学习。在简单的情况下，可能存在两组神经元：接收输入信号的神经元和发送输出信号的神经元。当输入层接收到输入时，它将输入的修改版本传递给下一层。在深度网络中，输入和输出之间存在许多层(并且这些层不是由神经元构成的，而是可以帮助考虑这种方式)，从而允许算法使用由多个线性变换和非线性变换组成的多个处理层。
[0308]
本发明的一个方面是提供两种分析物检测和定位方法。第一方法是深度学习方法，第二方法是深度学习和计算机视觉方法的组合。
[0309]
(i)深度学习方法。在第一方法中，所公开的分析物检测和定位工作流程由训练和预测两个阶段组成。我们在以下段落中描述训练和预测阶段。
(a)训练阶段
[0310]
在训练阶段，将带注释的训练数据馈送到卷积神经网络。卷积神经网络是用于处理数据的具有网格状、前馈和分层网络拓扑的专用神经网络。数据的示例包括时间序列数据和图像数据，时间序列数据可以被认为是以规则的时间间隔进行采样的1d网格，图像数据可以被认为是像素的2d网格。卷积网络在实际应用中取得了成功。名称“卷积神经网络”表示该网络采用称为卷积的数学运算。卷积是一种专门的线性运算。卷积网络仅仅是神经网络，其使用卷积来代替其至少一层中的通用矩阵乘法。
[0311]
机器学习模型接收样品的一个或多个图像作为训练数据，样品含有由成像系统在样品保持qmax装置上方获取的分析物。为要测定的分析物注释训练数据，其中注释指示分析物是否在训练数据中以及它们在图像中的位置。注释可以以完全含有分析物或分析物中心位置的紧密边界框的形式进行。在后一种情况下，中心位置进一步转化为覆盖分析物的圆圈或点图中的高斯核。
[0312]
当训练数据规模较大时，训练机器学习模型面临两个挑战：注释(通常由人完成)耗时，以及训练在计算上是昂贵的。为了克服这些挑战，可以将训练数据分割成小尺寸的块，然后注释并训练这些块或这些块的一部分。术语“机器学习”可以指人工智能领域中的算法、系统和设备，其通常使用统计技术和根据数据训练的人工神经网络而没有明确编程。
[0313]
注释的图像可以被馈送到机器学习(ml)训练模块，并且机器学习模块中的模型训练器可以根据训练数据(注释的样品图像)来训练ml模型。将输入数据多次迭代地馈送到模型训练器，直到满足特定停止标准。ml训练模块的输出是ml模型——根据机器学习中的训练过程从数据建立的计算模型，该训练过程给予计算机独立地执行某些任务(例如，检测和分类对象)的能力。
[0314]
在预测(或推理)阶段期间由计算机应用训练的机器学习模型。机器学习模型的示例包括resnet、densenet等，由于其网络结构中关联层的深度，它们也被称为“深度学习模型”。在某些实施例中，使用具有全卷积网络(fcn)的caffe库进行模型训练和预测，并且还可以使用其他卷积神经网络架构和库，诸如tensorflow。
[0315]
训练阶段生成将在预测阶段中使用的模型。该模型可在预测阶段重复使用，用于测定输入。因此，计算单元只需要访问所生成的模型。它不需要访问训练数据，也不需要在计算单元上再次运行训练阶段。(b)预测阶段
[0316]
在预测/推断阶段，检测部件被应用于输入图像，并且输入图像被馈送到预加载有从训练阶段生成的训练模型的预测(推断)模块。预测阶段的输出可以是含有检测的分析物的边界框，其具有中心位置或指示每个分析物的位置的点图，或含有检测的分析物的信息的热图。
[0317]
当预测阶段的输出是边界框的列表时，用于测定的样品的图像中的分析物的数量由检测的边界框的数量来表征。当预测阶段的输出是点图时，用于测定的样品的图像中的分析物的数量通过点图的积分来表征。当预测的输出是热图时，定位部件用于识别位置，并且检测的分析物的数量通过热图的条目来表征。
[0318]
定位算法的一个实施例是将热图值从最高值到最低值排序成一维有序列表。然后挑选具有最高值的像素，将该像素连同其相邻像素一起从列表中移除。重复该过程以挑选
列表中具有最高值的像素，直到从列表中移除了所有像素。
[0319]
在使用热图的检测部件中，输入图像连同从训练阶段生成的模型一起被馈送到卷积神经网络，并且检测阶段的输出是以热图的形式的像素级预测。热图可以具有与输入图像相同的尺寸，或者它可以是输入图像的按比例缩小的版本，并且它是定位部件的输入。我们公开了一种定位分析物中心的算法。主要思想是根据热图迭代地检测局部峰。在峰被定位之后，我们计算围绕峰但具有较小值的局部区域。我们从热图中除去这个区域并且从剩余像素中找到下一个峰。重复该过程，仅从热图中去除所有像素。
[0320]
在某些实施例中，本发明提供定位算法以将热图值从最高值到最低值排序成一维有序列表。然后挑选具有最高值的像素，将该像素连同其相邻像素一起从列表中移除。重复该过程以挑选列表中具有最高值的像素，直到从列表中移除了所有像素。algorithm globalsearch(heatmap)input:heatmapoutput:lociloci
←
{}sort(heatmap)while(heatmap is not empty){s
←
pop(heatmap)d
←
{disk center as s with radius r}heatmap＝heatmap\d//remove d from the heatmapadd s to loci}
[0321]
排序后的热图是一维有序列表，其中热图值从最高到最低排序。每个热图值与其对应的像素坐标相关联。热图中的第一项目是具有最高值的项目，即pop(热图)函数的输出。创建一个盘，其中中心是具有最高热图值的第一项目的像素坐标。然后从热图中去除像素坐标位于盘内的所有热图值。该算法反复弹出当前热图中的最高值，移除其周围的盘，直到项目被从热图中移除。
[0322]
在有序列表热图中，每个项目都知道继续进行的项目和以下项目。当从有序列表中删除项目时，我们进行以下更改：
·
假设移除项目是xr，它的继续项目是x
p
，它的后续项目是xf。
·
对于正在进行的项目x
p
，请将其后续项目重新定义为移除项目的后续项目。因此，x
p
的后续项目现在是xf。
·
对于移除项目xr，取消定义其继续项目和后续项目，将其从有序列表中移除。
·
对于以下项目xf，将其继续项目重新定义为已移除项目的继续项目。因此，现在xf的继续项目是x
p
。
[0323]
从排序列表中移除所有项目后，定位算法结束。设置位点中元素的数目将是分析物的计数，位置信息是设置位点中每个s的像素坐标。
[0324]
另一个实施例搜索局部峰，该局部峰不是具有最高热图值的局部峰所必需的。为
了检测每个局部峰，我们从随机起始点开始，并搜索局部最大值。发现峰后，计算峰周围的局部面积，但数值较小。我们从热图中除去这个区域并且从剩余像素中找到下一个峰。重复该过程，仅从热图中去除所有像素。algorithm localsearch(s,heatmap)input:s:starting location(x,y)heatmapoutput:s:location of local peak.we only consider pixels of value》0.algorithm cover(s,heatmap)input:s:location of local peak.heatmap:output:cover:a set of pixels covered by peak:
[0325]
这是一个从s开始的宽度优先搜索算法，其中访问点的一个改变条件：如果热图[p]》0并且热图[p]《＝热图[q]，则仅增加当前位置q的相邻p以覆盖。因此，覆盖中的每个像素具有通向局部峰s的非下降路径。algorithm localization(heatmap)input:heatmapoutput:lociloci
←
{}pixels
←
{all pixels from heatmap}while pixels is not empty{s
←
any pixel from pixelss
←
localsearch(s,heatmap)//s is now local peakprobe local region of radius r surrounding s for better local peakr
←
cover(s,heatmap)pixels
←
pixels\r//remove all pixels in coveradd s to loci
[0326]
(ii)深度学习和计算机视觉相结合的方法。在第二方法中，通过计算机视觉算法实现检测和定位，并且通过深度学习算法实现分类，其中计算机视觉算法检测并定位分析物的可能候选物，并且深度学习算法将每个可能候选物分类为真分析物和假分析物。所有真分析物的位置(连同真分析物的总计数)将被记录为输出。
[0327]
(a)检测。计算机视觉算法基于分析物的特性(包括但不限于强度，颜色，尺寸，形状，分布等)来检测可能的候选物。预处理方案可以提高检测效率。预处理方案包括对比度
增强，直方图调整，颜色增强，去噪，平滑，去焦等。预处理后，将输入图像送入探测器。检测器告诉分析物的可能候选物的存在并给出其位置的估计。使用诸如自适应阈值化等方案，检测可以基于分析物结构(例如，边缘检测、线检测、圆检测等)，连接性(例如斑点检测、连接部件、轮廓检测等)，强度，颜色，形状等。
[0328]
(b)定位。在检测之后，计算机视觉算法通过提供其边界或含有其的紧密边界框来定位分析物的每个可能候选物。这可以通过对象分割算法来实现，例如自适应阈值化、背景减除、填充色彩、均值偏移、分水线等。通常，定位可与检测组合以产生检测结果以及分析物的每个可能候选物的位置。
[0329]
(c)分类。诸如卷积神经网络等深度学习算法实现了技术视觉分类的开端。我们采用深度学习算法对分析物的每种可能的候选物进行分类。各种卷积神经网络可用于分析物分类，例如vggnet，resnet，mobilenet，densenet等。
[0330]
给定分析物的每个可能的候选物，深度学习算法经由卷积过滤器和非线性过滤器通过神经元层计算以提取将分析物与非分析物区分开的高级特征。一层完全卷积网络将高级特征结合到分类结果中，其告知它是否是真的分析物，或者是分析物的概率。g)应用、生物/化学生物标记物和健康状况
[0331]
本发明的应用包括，但不限于(a)与某些疾病阶段相关的化合物或生物分子的检测、纯化和定量，所述疾病例如传染病和寄生虫病、损伤、心血管疾病、癌症、精神障碍、神经精神障碍和器质性疾病，例如肺病、肾病，(b)检测、纯化和定量来自环境例如水、土壤或生物样品例如组织、体液的微生物例如病毒、真菌和细菌，(c)检测、定量对食品安全或国家安全造成危害的化学化合物或生物样品，例如有毒废物、炭疽，(d)医学或生理监测器中生命参数的定量、例如葡萄糖、血氧水平、总血细胞计数，(e)检测和定量来自生物样品，例如细胞、病毒、体液的特异性dna或rna，(f)用于基因组分析的染色体和线粒体中dna的遗传序列的测序和比较，或(g)例如在药物合成或纯化期间检测反应产物。
[0332]
检测可以在各种样品基质中进行，例如细胞、组织、体液和粪便。目标体液包括但不限于羊水、房水、玻璃体液、血液(例如，全血、分级分离的血液、血浆、血清)、母乳、脑脊髓液(csf)、耳垢(耳屎)、乳糜、食糜、内淋巴、外淋巴、排泄物、胃酸、胃液、淋巴液、粘液(包括鼻引流和痰)、心包液、腹膜液、胸膜液、脓液、风湿液、唾液、皮脂(皮肤油)、精液、痰液、汗液、滑液、泪液、呕吐物、尿液和呼出的冷凝物。在某些实施例中，样品包含人体体液。在某些实施例中，样品包含以下中的至少一种：细胞、组织、体液、粪便、羊水、房水、玻璃体液、血液、全血、分级分离的血液、血浆、血清、母乳、脑脊髓液、耳垢、乳糜、食糜、内淋巴、外淋巴、排泄物、胃酸、胃液、淋巴液、粘液、鼻引流、痰、心包液、腹膜液、胸膜液、脓液、风湿液、唾液、皮脂、精液、痰液、汗液、滑液、泪液、呕吐物、尿液和呼出的呼吸冷凝物。
[0333]
在一些实施例中，样品是生物样品、环境样品和生物化学样品中的至少一种。
[0334]
本发明的装置、系统和方法用于各种领域的各种不同应用中，其中需要确定样品中一种或多种分析物的存在或不存在，和/或量化。例如，本方法可用于检测蛋白质、肽、核酸、合成化合物、无机化合物等。各种领域包括但不限于人、兽医、农业、食品、环境、药物测试等。
[0335]
在某些实施例中，本发明方法可用于检测样品中的核酸、蛋白质或其它生物分子。所述方法可包括检测样品中的成组生物标记物，例如两种或更多种不同的蛋白质或核酸生
物标记物。例如，所述方法可用于生物样品中的两种或更多种疾病生物标记物的快速临床检测，例如，可用于诊断受试者中的疾病病况，或用于受试者中的疾病病况的正在进行的管理或治疗等。如上所述，与医师或其他健康护理提供者的沟通可更好地确保医师或其他健康护理提供者知晓并认识到：可能担心，因此更可能采取适当措施。
[0336]
例如，本发明的装置、系统和方法在使用crof装置中的应用包括，但不限于(a)与某些疾病阶段相关的化合物或生物分子的检测、纯化和定量，所述疾病例如传染病和寄生虫病、损伤、心血管疾病、癌症、精神障碍、神经精神障碍和器质性疾病，例如肺病、肾病，(b)检测、纯化和定量来自环境例如水、土壤或生物样品例如组织、体液的微生物例如病毒、真菌和细菌，(c)检测、定量对食品安全或国家安全造成危害的化学化合物或生物样品，例如有毒废物、炭疽，(d)医学或生理监测器中生命参数的定量、例如葡萄糖、血氧水平、总血细胞计数，(e)检测和定量来自生物样品，例如细胞、病毒、体液的特异性dna或rna，(f)用于基因组分析的染色体和线粒体中dna的遗传序列的测序和比较，或(g)例如在药物合成或纯化期间检测反应产物。现在更详细地描述本发明中的装置、系统和方法的一些具体应用。
[0337]
例如，本发明的应用包括但不限于(a)与某些疾病阶段相关的化合物或生物分子的检测、纯化和定量，所述疾病例如传染病和寄生虫病、损伤、心血管疾病、癌症、精神障碍、神经精神障碍和器质性疾病，例如肺病、肾病，(b)检测、纯化和定量来自环境例如水、土壤或生物样品例如组织、体液的微生物例如病毒、真菌和细菌，(c)检测、定量对食品安全或国家安全造成危害的化学化合物或生物样品，例如有毒废物、炭疽，(d)医学或生理监测器中生命参数的定量、例如葡萄糖、血氧水平、总血细胞计数，(e)检测和定量来自生物样品，例如细胞、病毒、体液的特异性dna或rna，(f)用于基因组分析的染色体和线粒体中dna的遗传序列的测序和比较，或(g)例如在药物合成或纯化期间检测反应产物。
[0338]
本发明的装置、系统和方法的实施可以包括a)获得样品，b)在适合于样品中的分析物与捕获剂结合的条件下，将样品施加到含有与感兴趣的分析物结合的捕获剂的crof装置上，c)洗涤crof装置，和d)读取crof装置，从而获得样品中分析物的量的测量值。在某些实施例中，分析物可以是生物标记物、环境标记物或食物标记物。在一些情况下，样品是液体样品，并且可以是诊断样品(例如唾液，血清，血液，痰，尿，汗液，泪液，精液或粘液)；环境样品，获取自河流，海洋，湖泊，雨水，雪，污水，污水处理径流，农业径流，工业径流，自来水或饮用水；或食物样品,获取自自来水，饮用水，制备的食品，加工的食品或未加工的食品。
[0339]
在任何实施例中，crof装置可以放置在微流体装置中，并且施加步骤b)可以包括将样品施加到包含crof装置的微流体装置。
[0340]
在任何实施例中，读取步骤d)可以包括检测来自crof装置的荧光或发光信号。
[0341]
在任何实施例中，读取步骤d)可包括用被配置为读取crof装置的手持装置读取crof装置。手持装置可以是移动电话，例如智能电话。
[0342]
在任何实施例中，crof装置可以包括标记试剂，其可以与crof装置上的分析物-捕获试剂复合物结合。
[0343]
在任何实施例中，在步骤c)和d)之间，本发明的装置、系统和方法可进一步包括以下步骤：将与crof装置上的分析物-捕获剂复合物结合的标记试剂应用于crof装置，并且洗涤crof装置。
[0344]
在任何实施例中，读取步骤d)可以包括读取crof装置的标识符。标识符可以是光学条形码、射频id标签或其组合。
[0345]
在任何实施例中，本发明的装置、系统和方法可进一步包括将对照样品施加到含有结合分析物的捕获剂的对照crof装置上，其中对照样品包括已知可检测量的分析物，并读取对照crof装置，从而获得样品中已知可检测量的分析物的对照测量值。
[0346]
在任何实施例中，样品可以是获自受试者的诊断样品，分析物可以是生物标记物，并且测量的样品中分析物的量可以是疾病或病症的诊断。
[0347]
在任何实施例中，本发明中的装置、系统以及方法可以进一步包括向受试者接收或提供报告，该报告指示未患有或低风险患有疾病或病症的个体中的生物标记物的测量量和生物标记物的测量值范围，其中，相对于测量值范围的生物标记物的测量量用于诊断疾病或病症。
[0348]
在任何实施例中，本发明的装置、系统和方法可以进一步包括基于包括样品中生物标记物的测量量的信息诊断受试者在一些情况下，诊断步骤包括将包含所测量的生物标记的量的数据发送到远程位置，并基于包括来自远程位置的测量的信息接收诊断。
[0349]
在任何实施例中，应用步骤b)可以包括从样品中分离mirna以产生分离的mirna样品，并将分离的mirna样品应用于磁盘耦合点柱天线(crof装置)阵列。
[0350]
在任何实施例中，所述方法可包括接收或提供指示对暴露于获得样品的环境的受试者的安全性或危害性的报告。
[0351]
在任何实施例中，所述方法可以包括将包含所测量的环境标记物的量的数据发送到远程位置，并且接收指示对暴露于从中获得样品的环境的受试者的安全性或危害性的报告。
[0352]
在任何实施例中，crof装置阵列可以包括多个捕获剂，每个捕获剂结合环境标记物，并且其中读取步骤d)可以包括获得样品中多个环境标记物的量的测量值。
[0353]
在任何实施例中，样品可以是食物样品，其中分析物可以是食物标记物，并且其中样品中食物标记物的量可以与食用食品的安全性相关。
[0354]
在任何实施例中，所述方法可以包括接收或提供报告，该报告指示受试者食用从中获得样品的食品的安全性或危害性。
[0355]
在任何实施例中，所述方法可以包括将含有所测量的食物标记物的量的数据发送到远程位置并且接收报告，该报告指示受试者食用从中获得样品的食物的安全性或危害性。
[0356]
在任何实施例中，crof装置阵列可以包括多个捕获剂，每个捕获剂与食品标记物结合，其中该获取可以包括获取样品中的多个食物标记物的量的测量值，并且其中样品中的多个食物标记物的量可以与食物的食用安全性相关联。
[0357]
本文还提供了用于实践本发明的装置、系统和方法的试剂盒。
[0358]
样品的量可以是大约一滴样品。样品的量可以是从刺破的手指或指尖收集的量。样品的量可以是从微针或静脉抽吸中收集的量。
[0359]
样品可在从来源获得后无需进一步处理而使用，或可被处理，例如以富集感兴趣的分析物，除去大颗粒物质，溶解或再悬浮固体样品等。
[0360]
可以采用将样品施加到crof装置的任何合适的方法。合适的方法可包括使用移液
管、滴管、注射器等。在某些实施例中，当crof装置位于检棒形式的支架上时，如下所述，可以通过将检棒的样品接收区域浸入样品中来将样品施加到crof装置上。
[0361]
可以一次或多次收集样品。随时间收集的样品可以单独聚集和/或处理(如本文所述，通过应用于crof装置并获得样品中分析物的量的测量值)。在一些情况下，随时间获得的测量值可被聚集并且可用于随时间的纵向分析以促进筛选、诊断、治疗和/或疾病预防。
[0362]
洗涤crof装置以除去未结合的样品组分可以以任何方便的方式进行，如上所述。在某些实施例中，使用结合缓冲液洗涤crof装置的表面以除去未结合的样品组分。
[0363]
分析物的可检测标记可以通过任何方便的方法进行。分析物可以直接或间接标记。在直接标记中，在将样品施加到crof装置之前标记样品中的分析物。在间接标记中，样品中的未标记分析物在样品施加到crof装置以捕获未标记分析物后被标记，如下所述。
[0364]
来自受试者的样品、受试者的健康和本发明的其它应用进一步描述如下。示例性样品、健康状况和应用也公开于例如美国公开no.2014/0154668和2014/0045209中，其通过引用并入本文。
[0365]
本发明可用于多种应用，其中这些应用通常是分析物检测应用，其中至少定性地(如果不是定量地)检测给定样品中特定分析物的存在。进行分析物检测试验的方案是本领域技术人员熟知的，在此不需要详细描述。通常，疑似包含感兴趣的分析物的样品在足以使分析物与其各自的捕获剂结合的条件下与目标纳米传感器的表面接触，捕获剂束缚于传感器。捕获剂对目标靶分子具有高度特异性亲和力。这种亲和力可以是抗原-抗体反应，其中抗体结合抗原上的特定表位，或者是dna/rna或dna/rna杂交反应，其在核酸的两条或多条互补链之间是序列特异性的。因此，如果样品中存在感兴趣的分析物，它可能在捕获剂的位点结合到传感器上，并在传感器表面上形成复合物。即，捕获的分析物固定在传感器表面。在除去未结合的分析物之后，然后例如使用标记的第二捕获剂检测该结合复合物在传感器表面上的存在(例如，固定的感兴趣的分析物)。
[0366]
所关注的特定分析物检测应用包括其中使用核酸捕获剂的杂交测定和其中使用多肽(例如，抗体)的蛋白质结合测定。在这些测定中，首先制备样品，在样品制备后，使样品与目标纳米传感器在特异性结合条件下接触，由此在与附着于传感器表面的捕获剂互补的靶核酸或多肽(或其它分子)之间形成复合物。
[0367]
在一个实施例中，捕获寡核苷酸是合成的20-100个碱基长度的单链dna，其一端被硫醇化。将这些分子固定在纳米装置的表面上以捕获具有与固定的捕获dna互补的序列的靶单链dna(其可以是至少50bp长)。杂交反应后，加入其序列与靶dna的未占据核酸互补的检测单链dna(长度可以是20-100bp)以与靶杂交。检测dna的一端与荧光标记缀合，荧光标记的发射波长在纳米装置的等离子体共振内。因此，通过检测从纳米装置表面发出的荧光发射，可以精确地检测和定量靶单链dna。捕获和检测dna的长度决定解链温度(核苷酸链将在解链温度以上分开)，以及错配程度(链越长，错配越低)。
[0368]
选择互补结合的长度的关注之一取决于在保持熔融温度尽可能高的同时最小化错配的需要。此外，确定杂交长度的总长度以获得最佳信号扩增。
[0369]
题述传感器可用于诊断疾病或病症的方法，包含：(a)从疑似患有所述疾病或病症的患者获得液体样品，(b)使所述样品与受试纳米传感器接触，其中纳米传感器的捕获剂特异性结合疾病的生物标记物，并且其中接触在适于生物标记物与捕获剂特异性结合的条件
下进行；(c)除去任何未结合于捕获试剂的生物标记；和(d)从保持结合至纳米传感器的生物标记物读取光信号，其中光信号指示患者患有疾病或病症，其中所述方法还包括在生物标记物结合至捕获剂之前或之后用发光标记标记生物标记物。如下文将更详细地描述，患者可疑似患有癌症,并且抗体结合癌症生物标记物。在其它实施例中，疑似患者患有神经障碍，并且抗体结合神经障碍的生物标记物。
[0370]
例如，题述传感器的应用包括但不限于(a)与某些疾病阶段相关的化合物或生物分子的检测、纯化和定量，所述疾病例如传染病和寄生虫病、损伤、心血管疾病、癌症、精神障碍、神经精神障碍和器质性疾病，例如肺病、肾病，(b)检测、纯化和定量来自环境例如水、土壤或生物样品例如组织、体液的微生物例如病毒、真菌和细菌，(c)检测、定量对食品安全或国家安全造成危害的化学化合物或生物样品，例如有毒废物、炭疽，(d)医学或生理监测器中生命参数的定量、例如葡萄糖、血氧水平、总血细胞计数，(e)检测和定量来自生物样品，例如细胞、病毒、体液的特异性dna或rna，(f)用于基因组分析的染色体和线粒体中dna的遗传序列的测序和比较，或(g)例如在药物合成或纯化期间检测反应产物。
[0371]
检测可以在各种样品基质中进行，例如细胞、组织、体液和粪便。目标体液包括但不限于羊水、房水、玻璃体液、血液(例如，全血、分级分离的血液、血浆、血清)、母乳、脑脊髓液(csf)、耳垢(耳屎)、乳糜、食糜、内淋巴、外淋巴、排泄物、胃酸、胃液、淋巴液、粘液(包括鼻引流和痰)、心包液、腹膜液、胸膜液、脓液、风湿液、唾液、皮脂(皮肤油)、精液、痰液、汗液、滑液、泪液、呕吐物、尿液和呼出的冷凝物。
[0372]
在某些实施例中，题述生物传感器可用于通过检测样品中病原体的靶核酸来诊断病原体感染。靶核酸可以是，例如，选自由以下组成的群组：人免疫缺陷病毒1和2(hiv-1和hiv-2)，人t细胞白血病病毒2(htlv-1和htlv-2)，呼吸道合胞病毒(rsv)，腺病毒，乙型肝炎病毒(hbv)，丙型肝炎病毒(hcv)，eb病毒(ebv)，人乳头瘤病毒(hpv)，水痘带状疱疹病毒(vzv)，巨细胞病毒(cmv)，单纯疱疹病毒1和2(hsv-1和hsv-2)，人疱疹病毒8(hhv-8，也称为卡波西肉瘤疱疹病毒)和黄病毒，其包括黄热病病毒，登革病毒的病毒，日本脑炎病毒，西尼罗病毒和埃博拉病毒。然而，本发明不限于检测来自上述病毒的核酸，例如dna或rna序列，而是可以毫无问题地应用于兽医和/或人类医学中重要的其它病原体。
[0373]
人乳头瘤病毒(hpv)根据其dna序列同源性进一步细分为超过70种不同类型。这些类型引起不同的疾病。hpv 1型，2型，3型，4型，7型，10型和26-29型引起良性疣。hpv 5型，8型，9型，12型，14型，15型，17型和19-25型以及46-50型引起免疫系统减弱的患者的病变。6型，11型，34型，39型，41-44型和51-55型引起生殖器区域和呼吸道粘膜上的良性尖形疣。hpv 16型和18型具有特殊的医学意义，因为它们引起生殖器粘膜的上皮发育不良，并且与子宫颈、阴道、外阴和肛管的侵入性癌的高比例有关。人乳头瘤病毒dna的整合被认为是宫颈癌发生的决定性因素。人乳头瘤病毒可以例如从它们的衣壳蛋白l1和l2的dna序列检测。因此，本发明的方法特别适用于检测组织样品中hpv 16型和/或hpv 18型的dna序列，用于评估癌症发展的风险。
[0374]
在一些情况下，纳米传感器可用于检测以低浓度存在的生物标记物。例如，纳米传感器可用于检测易于接近的体液(例如，血液、唾液、尿液、泪液等)中的癌症抗原，检测易于接近的体液中的组织特异性疾病的生物标记物(例如，神经障碍的生物标记物(例如，阿尔
茨海默病抗原))，检测感染(特别是检测低滴度潜伏病毒，例如，hiv)，检测母体血液中的胎儿抗原，以及检测受试者血流中的外源性化合物(例如，药物或污染物)。
[0375]
下表提供了可使用题述纳米传感器(当与合适的单克隆抗体结合使用时)检测的蛋白质生物标记物及其相关疾病的列表。生物标记物的一个潜在来源(例如，“csf”；脑脊液)也显示在表中。在许多情况下，题述生物传感器可检测与所指示的体液不同的体液中的生物标记物。例如，在csf中发现的生物标记物可以在尿液、血液或唾液中鉴定。h)实用性
[0376]
本方法可用于各种不同的应用中，其中需要测定样品中一种或多种分析物的存在或不存在和/或定量。例如，本方法可用于检测蛋白质、肽、核酸、合成化合物、无机化合物等。
[0377]
在某些实施例中，本发明方法可用于检测样品中的核酸、蛋白质或其它生物分子。所述方法可包括检测样品中的成组生物标记物，例如两种或更多种不同的蛋白质或核酸生物标记物。例如，所述方法可用于生物样品中的两种或更多种疾病生物标记物的快速临床检测，例如，可用于诊断受试者中的疾病病况，或用于受试者中的疾病病况的正在进行的管理或治疗等。如上所述，与医师或其他健康护理提供者的沟通可更好地确保医师或其他健康护理提供者知晓并认识到：可能担心，因此更可能采取适当措施。
[0378]
例如，本发明的装置、系统和方法在使用crof装置中的应用包括，但不限于(a)与某些疾病阶段相关的化合物或生物分子的检测、纯化和定量，所述疾病例如传染病和寄生虫病、损伤、心血管疾病、癌症、精神障碍、神经精神障碍和器质性疾病，例如肺病、肾病，(b)检测、纯化和定量来自环境例如水、土壤或生物样品例如组织、体液的微生物例如病毒、真菌和细菌，(c)检测、定量对食品安全或国家安全造成危害的化学化合物或生物样品，例如有毒废物、炭疽，(d)医学或生理监测器中生命参数的定量、例如葡萄糖、血氧水平、总血细胞计数，(e)检测和定量来自生物样品，例如细胞、病毒、体液的特异性dna或rna，(f)用于基因组分析的染色体和线粒体中dna的遗传序列的测序和比较，或(g)例如在药物合成或纯化期间检测反应产物。现在更详细地描述本发明中的装置、系统和方法的一些具体应用。i)诊断方法
[0379]
在某些实施例中，本发明方法可用于检测生物标记物。在某些实施例中，本发明中使用crof的装置、系统和方法用于检测特定生物标记物的存在或不存在，以及血液、血浆、血清或其它体液或排泄物中特定生物标记物浓度的增加或降低，所述体液或排泄物例如但不限于尿液、血液、血清、血浆、唾液、精液、前列腺液、乳头吸出液、泪液、汗液、粪便、颊拭子、脑脊液、细胞裂解物样品、羊水、胃肠液、活检组织等。因此，样品，例如诊断样品，可以包括各种流体或固体样品。
[0380]
在一些情况下，样品可以是来自待诊断的受试者的体液样品。在一些情况下，可以提供固体或半固体样品。样品可以包括从受试者收集的组织和/或细胞。样品可以是生物样品。生物样品的实例可包括但不限于血液、血清、血浆、鼻拭子、鼻咽洗液、唾液、尿液、胃液、脊髓液、泪液、粪便、粘液、汗液、耳屎、油、腺分泌物、脑脊髓液、组织、精液、阴道液、来自肿瘤组织的间质液、眼液、脊髓液、咽喉拭子、呼吸、毛发、手指甲、皮肤、活组织检查、胎盘液、羊水、脐带血、淋巴液、腔液、痰液、脓液、微生物群、胎粪、母乳、呼出冷凝物和/或其它排泄物。样品可包括鼻咽洗液。鼻拭子、咽拭子、粪便样品、毛发、手指甲、耳屎、呼吸以及其它固
体、半固体或气体样品可在提取缓冲液中处理，例如在其分析之前处理固定或可变的时间量。如果需要，提取缓冲液或其等分试样然后可以类似于其它流体样品进行处理。受试者的组织样品的实例可包括但不限于结缔组织、肌肉组织、神经组织、上皮组织、软骨、癌样品或骨。
[0381]
在一些情况下，从中获得诊断样品的受试者可以是健康个体，或可以是至少疑似患有疾病或健康状况的个体。在一些情况下，受试者可以是患者。
[0382]
在某些实施例中，crof装置包括被配置为特异性结合受试者提供的样品中的生物标记物的捕获剂。在某些实施例中，生物标记物可以是蛋白质。在某些实施例中，生物标记蛋白被存在于crof装置中的抗体捕获剂特异性结合。在某些实施例中，生物标记物是与crof装置中存在的抗原捕获剂特异性结合的抗体。在某些实施例中，生物标记物是由核酸捕获剂特异性结合的核酸，所述核酸与双链核酸生物标记物的一条或两条链互补，或与单链生物标记物互补。在某些实施例中，生物标记物是由核酸结合蛋白特异性结合的核酸。在某些实施例中，生物标记物通过适体特异性结合。
[0383]
生物标记物的存在或不存在或生物标记物的浓度的显著变化可用于诊断个体中的疾病风险、疾病的存在，或定制个体中疾病的治疗。例如，特定生物标记物或生物标记物组的存在可影响给予个体的药物治疗或给药方案的选择。在评价潜在的药物治疗中，生物标记物可用作天然端点如存活或不可逆发病率的替代物。如果治疗改变了与改善的健康直接相关的生物标记物，则生物标记物可用作评价特定治疗或给药方案的临床益处的替代端点。因此，本方法促进了基于个体中检测到的特定生物标记物或生物标记物组的个性化诊断和治疗。此外，如上所述，本发明的装置、系统和方法的高灵敏度有利于与疾病相关的生物标记物的早期检测。由于使用诸如智能电话的移动装置检测多种生物标记的能力，结合灵敏度，可扩展性和易用性，本公开的方法可用于便携式和定点照护或近患者分子诊断。
[0384]
在某些实施例中，本发明方法可用于检测疾病或疾病状态的生物标记物。在某些情况下，本发明方法可用于检测表征药物发现和疫苗开发的细胞信号传导途径和细胞内通讯的生物标记物。例如，题述方法可用于检测和/或定量患病、健康或良性样品中生物标记物的量。在某些实施例中，本发明方法可用于检测传染病或疾病状态的生物标记物。在一些情况下，生物标记物可以是分子生物标记物，例如但不限于蛋白质、核酸、碳水化合物、小分子等。
[0385]
本方法可用于诊断测定，例如但不限于以下：检测和/或定量生物标记物，如上所述；筛选测定，其中以规则的间隔对无症状受试者测试样品；预后测定，其中生物标记物的存在和/或量用于预测可能的疾病过程；分层测定，其中可以预测受试者对不同药物治疗的响应；功效测定，其中监测药物治疗的功效；等等。
[0386]
在某些实施例中，题述生物传感器可用于通过检测样品中病原体的靶核酸来诊断病原体感染。靶核酸可以是，例如，选自由以下组成的群组：人免疫缺陷病毒1和2(hiv-1和hiv-2)，人t细胞白血病病毒2(htlv-1和htlv-2)，呼吸道合胞病毒(rsv)，腺病毒，乙型肝炎病毒(hbv)，丙型肝炎病毒(hcv)，eb病毒(ebv)，人乳头瘤病毒(hpv)，水痘带状疱疹病毒(vzv)，巨细胞病毒(cmv)，单纯疱疹病毒1和2(hsv-1和hsv-2)，人疱疹病毒8(hhv-8，也称为卡波西肉瘤疱疹病毒)和黄病毒，其包括黄热病病毒，登革病毒的病毒，日本脑炎病毒，西尼罗病毒和埃博拉病毒。然而，本发明不限于检测来自上述病毒的核酸，例如dna或rna序列，
而是可以毫无问题地应用于兽医和/或人类医学中重要的其它病原体。
[0387]
人乳头瘤病毒(hpv)根据其dna序列同源性进一步细分为超过70种不同类型。这些类型引起不同的疾病。hpv 1型，2型，3型，4型，7型，10型和26-29型引起良性疣。hpv 5型，8型，9型，12型，14型，15型，17型和19-25型以及46-50型引起免疫系统减弱的患者的病变。6型，11型，34型，39型，41-44型和51-55型引起生殖器区域和呼吸道粘膜上的良性尖形疣。hpv 16型和18型具有特殊的医学意义，因为它们引起生殖器粘膜的上皮发育不良，并且与子宫颈、阴道、外阴和肛管的侵入性癌的高比例有关。人乳头瘤病毒dna的整合被认为是宫颈癌发生的决定性因素。人乳头瘤病毒可以例如从它们的衣壳蛋白l1和l2的dna序列检测。因此，本发明的方法特别适用于检测组织样品中hpv 16型和/或hpv 18型的dna序列，用于评估癌症发展的风险。
[0388]
可以使用本发明的装置、系统和方法在诊断样品中检测的其他病原体包括但不限于：水痘带状疱疹；表皮葡萄球菌、大肠杆菌、耐甲氧西林金黄色葡萄球菌(msra)、金黄色葡萄球菌、人葡萄球菌、粪肠球菌、铜绿假单胞菌、头状葡萄球菌、华氏葡萄球菌、肺炎克雷伯菌、流感嗜血杆菌、拟葡萄球菌、肺炎链球菌和白色念珠菌；淋病(neisseria gorrhoeae)、梅毒(treponena pallidum)、沙眼衣原体(clamyda tracomitis)、非淋菌性尿道炎(ureaplasm urealyticum)、软下疳(haemophilus ducreyi)、滴虫病(trichomonas vaginalis)；绿脓假单胞菌、耐甲氧西林金黄色葡萄球菌(msra)、肺炎克雷伯氏菌、流感嗜血杆菌、金黄色葡萄球菌、嗜麦芽窄食单胞菌、副流感嗜血杆菌、大肠杆菌、粪肠球菌、粘质沙雷氏菌、副溶血嗜血杆菌、阴沟肠球菌、白色念珠菌、粘膜炎莫拉氏菌、肺炎链球菌、弗氏柠檬酸杆菌、屎肠球菌、产酸克雷伯氏菌、荧光假单胞菌、脑膜炎奈瑟氏球菌、酿脓链球菌、卡氏肺囊虫、肺炎克雷伯氏菌嗜肺军团菌、肺炎支原体和结核分枝杆菌等。
[0389]
在一些情况下，crof装置可用于检测以低浓度存在的生物标记物。例如，crof装置可用于检测易于接近的体液(例如，血液、唾液、尿液、泪液等)中的癌症抗原，检测易于接近的体液中的组织特异性疾病的生物标记物(例如，神经障碍的生物标记物(例如，阿尔茨海默病抗原))，检测感染(特别是检测低滴度潜伏病毒，例如，hiv)，检测母体血液中的胎儿抗原，以及检测受试者血流中的外源性化合物(例如，药物或污染物)。
[0390]
生物标记物的一个潜在来源(例如，“csf”；脑脊液)也显示在表中。在许多情况下，题述生物传感器可检测与所指示的体液不同的体液中的生物标记物。例如，在csf中发现的生物标记物可以在尿液、血液或唾液中鉴定。本领域普通技术人员还将清楚的是，题述crof装置可以被配置为捕获和检测本领域已知的用于诊断疾病或健康状况的更多生物标记物。
[0391]
生物标记物可以是蛋白质或核酸(例如mrna)生物标记物，除非另有说明。诊断可以与样品中生物标记物水平的增加或降低相关，除非另有说明。2015年9月29日提交的美国临时申请序列no.62/234,538的表1和表2中描述了生物标记物、它们可用于诊断的疾病以及可检测生物标记物的样品的列表，所述申请通过引用并入本文。
[0392]
在一些情况下，本发明中的装置、系统和方法用于将其健康状况通知给获得样品的受试者。可通过本发明方法、装置和系统诊断或测量的健康状况包括，例如，化学平衡；营养保健；锻炼；疲劳；睡眠；应力；前驱糖尿病；过敏；老化；暴露于环境毒素，杀虫剂，除草剂，合成激素类似物；妊娠；女性更年期；男人更年期。2015年9月29日提交的美国临时申请序列no.62/234,538的表3提供了可使用本crof装置(当与合适的单克隆抗体、核酸或其他捕获
剂结合使用时)检测的生物标记物的列表及其相关健康状况，所述申请通过引用并入本文。j)试剂盒
[0393]
本公开内容的方面包括用于实施如上所述的本发明的装置、系统和方法的试剂盒。在某些实施例中，试剂盒包括使用手持装置(例如，移动电话)实施题述方法的说明书。这些说明书可以多种形式存在于题述试剂盒中，其中一种或多种可以存在于试剂盒中。这些说明书可以存在的一种形式是在合适的介质或基板上印刷的信息，例如在其上印刷信息的一张或多张纸，在试剂盒的包装中，在包装说明书中等。另一种方式是在其上记录或存储信息的计算机可读介质，例如磁盘，cd，dvd，蓝光光碟，计算机可读存储器等。可存在的另一手段是网站地址，其可经由因特网使用以在移除站点处存取信息。试剂盒可进一步包括用于实施如本文所述的用于测量装置上的分析物的方法的软件，其提供于计算机可读介质上。试剂盒中可存在任何方便的手段。
[0394]
在某些实施例中，试剂盒包括含有可检测标记物的检测剂，例如特异性结合感兴趣的分析物的荧光标记的抗体或寡核苷酸，以便用于标记感兴趣的分析物。检测剂可以作为crof装置提供在单独的容器中，或者可以提供在crof装置中。
[0395]
在某些实施例中，试剂盒包括对照样品，其包括已知可检测量的待在样品中检测的分析物。对照样品可以在容器中提供，并且可以在已知浓度的溶液中，或者可以以干燥形式提供，例如冻干或冷冻干燥。如果以干燥形式提供，试剂盒还可以包括用于溶解对照样品的缓冲液。
[0396]
图9描绘根据本发明的一个或多个方面操作的计算机系统的框图。在各种说明性示例中，计算机系统600可以是图4的系统2。
[0397]
在某些实现中，计算机系统600可以连接(例如，经由诸如局域网(lan)、内联网、外联网或因特网之类的网络)到其它计算机系统。计算机系统600可以以客户端-服务器环境中的服务器或客户端计算机的能力来操作，或者作为对等或分布式网络环境中的对等计算机来操作。计算机系统600可以由个人计算机(pc)、平板pc、机顶盒(stb)、个人数字助理(pda)、蜂窝电话、web设备、服务器、网络路由器、交换机或网桥，或者能够执行指定要由该装置采取的动作的一组指令(顺序的或以其他方式)的任何装置来提供。此外，术语“计算机”应包括单独地或联合地执行一组(或多组)指令以执行这里描述的任何一个或多个方法的任何计算机集合。
[0398]
在另一方面，计算机系统600可以包括处理装置602，易失性存储器604(例如，随机存取存储器(ram))，非易失性存储器606(例如，只读存储器(rom)或电可擦可编程rom(eeprom))和数据存储装置616，它们可以经由总线608彼此通信。
[0399]
处理装置602可由一个或多个处理器提供，例如，通用处理器(例如，复杂指令集计算(cisc)微处理器、精简指令集计算(risc)微处理器、超长指令字(vliw)微处理器、实施其它类型的指令集的微处理器，或者实施各种类型的指令集的组合的微处理器)，或专用处理器，例如，专用集成电路(asic)、现场可编程门阵列(fpga)、数字信号处理器(dsp)、或网络处理器)。
[0400]
计算机系统600还可以包括网络接口装置622。计算机系统600还可以包括视频显示单元610(例如，lcd)，字母数字输入装置612(例如，键盘)，光标控制装置614(例如，鼠标)和信号生成装置620。
[0401]
数据存储装置616可以包括非瞬时计算机可读存储介质624，在其上可以存储编码本文描述的任何一个或多个方法或功能的指令626，所述指令626包括如图4所示的训练和应用机器学习模型108的指令。
[0402]
在计算机系统600执行指令626期间，指令626还可以完全或部分地驻留在易失性存储器604内和/或处理装置602内，因此，易失性存储器604和处理装置602还可以构成机器可读存储介质。
[0403]
虽然计算机可读存储介质624在说明性示例中被示为单个介质，但是术语“计算机可读存储介质”应当包括存储一个或多个可执行指令集的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还将包括能够存储或编码用于由计算机执行的一组指令的任何有形介质，所述指令使计算机执行这里描述的任何一个或多个方法。术语“计算机可读存储介质”应包括但不限于固态存储器、光学介质和磁性介质。
[0404]
这里描述的方法、组件和特征可以由分立的硬件组件来实现，或者可以被集成在诸如asics、fpga、dsp或类似装置的其它硬件组件的功能中。此外，所述方法、组件和特征可以由硬件装置内的固件模块或功能电路来实现。此外，所述方法、组件和特征可以以硬件装置和计算机程序组件的任何组合或以计算机程序来实现。
[0405]
图10(a)示出本发明中的监测标记实际上是将已知的元结构添加到网格中。当网格失真的时候，人们总是可以利用元结构的知识来恢复到接近完美的结构，因此极大地提高了机器学习模型的准确性和测定的准确性。
[0406]
晶体结构和非晶体结构之间的映射。图10(b)示出根据本公开的实施例的注入有元结构的晶体结构与注入有元结构的非晶体结构之间的映射。
[0407]
图11示出了在不使用和使用监测标记的情况下训练机器学习(图10(a0)的区别，在不使用监测标记的情况下，需要许多样品和长的时间来训练，并且测试产生伪像(丢失的细胞和产生不存在的细胞)，而使用监测标记时，训练样品数量和时间显著减少，并且测试不产生伪像。
[0408]
除非另外特别说明，否则诸如“接收”、“关联”、“确定”、“更新”等术语是指由计算机系统执行或实现的动作和过程，其将表示为计算机系统寄存器和存储器内的物理(电子)量的数据操纵并转换成类似地表示为计算机系统存储器或寄存器或其它这种信息存储、传输或显示装置内的物理量的其它数据。此外，如本文所用的术语“第一”、“第二”、“第三”、“第四”等意指在不同元件之间进行区分的标记，并且根据它们的数字命名可能不具有序数含义。
[0409]
本文描述的示例还涉及用于执行本文描述的方法的设备。该设备可以被专门构造用于执行这里描述的方法，或者它可以包含由存储在计算机系统中的计算机程序选择性编程的通用计算机系统。这种计算机程序可以存储在计算机可读有形存储介质中。
[0410]
本文所描述的方法和说明性实例并不固有地涉及任何特定计算机或其它设备。可以根据这里描述的教导使用各种通用系统，或者可以证明构造更专用的装置以执行方法300和/或其各个功能，例程、子例程或操作中的每一个是方便的。在以上描述中阐述了各种这些系统的结构的示例。
[0411]
以上描述旨在说明而非限制。虽然已经参考特定说明性示例和实施方式描述了本
公开，但是将认识到，本公开不限于所描述的示例和实施方式。本公开的范围应参考以下权利要求以及权利要求所授权的等同物的全部范围来确定。