使用神经网络经由灯丝或曝光指纹预测管退化制造技术

本发明专利技术涉及一种用于预测X射线退化的方法和系统，所述系统包括：生成器(10)，其被配置为生成用于记录当前部署的X射线管的累积辐射曝光的部署指纹数据集；数据库(20)，其被配置为提供训练数据集，所述训练数据集包括用于记录与先前部署的X射线管的故障相关的所述先前部署的X射线管的累积辐射曝光的多个管指纹数据集；以及神经网络(30)，其被配置为使用所述训练数据集进行训练并且被配置为基于所述训练来预测所述当前部署的X射线管的至少一个参数。数。

【技术实现步骤摘要】
【国外来华专利技术】使用神经网络经由灯丝或曝光指纹预测管退化


[0001]本专利技术涉及用于预测X射线管退化的系统、X射线管装置、管退化预测方法、训练机器学习模型的方法、计算机程序单元以及计算机可读介质。

技术介绍

[0002]预测性维护和预测性服务适合于许多模态。当前，它们使用专用模型来回顾性分析数据，例如日志文件或系统参数，以便发布某些警报，可视化趋势或评估系统性能。

技术实现思路

[0003]因此，可能需要改进的X射线管退化预测。
[0004]本专利技术的目的由独立权利要求的主题实现，其中，其他实施例被包含在从属权利要求中。应当注意，本专利技术的以下所描述的方面同样适用于用于预测管退化的系统、X射线管装置、管退化预测方法、训练机器学习模型的方法、计算机程序单元以及计算机可读介质。
[0005]根据本专利技术的第一方面，提供了一种用于预测X射线管退化的系统。所述系统包括生成器，其被配置为生成用于记录当前部署的X射线管的累积辐射曝光的部署指纹数据集。所述系统包括数据库，其被配置为提供训练数据集，所述训练数据集包括用于记录与先前部署的X射线管的故障相关的所述先前部署的X射线管的累积辐射曝光的多个管指纹数据集。所述系统包括神经网络，其被配置为使用所述训练数据集进行训练并且被配置为基于所述训练来预测所述当前部署的X射线管的至少一个参数。
[0006]与现有技术相比，本专利技术允许在不需要测量管内或探测器上的实际值的情况下使用累积输入参数来映射使用简档，亦称指纹到管寿命。
[0007]本专利技术可以在没有硬件改变、生成器访问等的情况下实施，用于任何可以访问基本曝光参数的系统，并且不仅用于预测该特定管的剩余寿命和计划服务任务，而且用于导出(更多)最佳使用简档，以在给定设置下最大化管寿命，例如胸部射线照相、急诊室、荧光透视、创伤CT等。
[0008]根据本专利技术的示范性实施例，所述神经网络被配置为预测当前部署的X射线管针对给定的管指纹或针对每个输入通道的不同灯丝的不同指纹的预期服务寿命作为当前部署的X
‑
射线管的至少一个参数。
[0009]根据本专利技术的示范性实施例，所述当前部署的X射线管的预期服务寿命由每个灯丝的剩余曝光次数、以曝光次数或天数为单位的总寿命、以曝光次数或天数为单位的剩余寿命或每个故障模式的概率来定义。
[0010]根据本专利技术的示范性实施例，每个故障模式的概率与所述X射线管的总体缺陷或所述X射线管的部件缺陷有关，其中，任选地，所述部件缺陷包括灯丝缺陷、电弧缺陷、轴承缺陷、真空缺陷或阳极缺陷。
[0011]根据本专利技术的示范性实施例，针对每个输入通道的不同灯丝来分离所生成的部署
指纹数据集。
[0012]根据本专利技术的示范性实施例，所述神经网络被配置为预测所述当前部署的X射线管的参数的集合。
[0013]根据本专利技术的示范性实施例，对所述参数进行加权以计算所述当前部署的X射线管的加权参数。
[0014]本专利技术以有利的方式并且根据示范性实施例允许，为了根据回顾性数据分析或系统状态的快照来预测未来系统行为，使用预测诊断射线照相机的X射线管的寿命参数的训练的模型。
[0015]利用分析成百上千个系统的能力，人工智能能够产生比仅基于经验的人类预测更精确的预测。换句话说，在本专利技术的示范性实施例中，本专利技术提供了基于回归神经网络的寿命或故障预测，该回归神经网络根据给定的输入图像(管指纹)导出数值参数。在训练期间，将具有已知稍后故障的管指纹馈送到所述模型中，以训练所述寿命参数。在使用中，一个或多个管指纹被馈送到所述网络中，以接收可用于计划所述对应系统上的服务动作的预测寿命参数。
[0016]在另一方面中，提供了一种训练根据第一方面或第一方面的任何实施形式的系统的神经网络的方法。
[0017]在又一方面中，提供了一种X射线成像装置，包括X射线管和根据第一方面或第一方面的任何实施形式的系统。
[0018]在又一方面中，提供了一种用于预测X射线管退化的预测方法，所述方法包括以下步骤，生成用于记录当前部署的X射线管的累积辐射曝光的部署指纹数据集；提供训练数据集，所述训练数据集包括用于记录与先前部署的X射线管的故障相关的所述先前部署的X射线管的累积辐射曝光的多个管指纹数据集；并且使用所述训练数据集来训练神经网络，并且使用经训练的神经网络来预测所述当前部署的X射线管的至少一个参数。
[0019]在又一方面中，提供了一种计算机程序单元，其当由至少一个处理单元执行时适于使得所述处理单元执行根据先前方面所述的方法。
[0020]在又一方面中，提供了至少一个计算机可读介质，在其上存储了所述程序单元或在其上存储了所述机器学习模块。
[0021]在又一方面中，提供了一种用于记录当前部署的X射线管的累积辐射曝光的部署指纹数据集。
[0022]一般而言，“机器学习”包括a作为分类。一些机器学习算法是基于模型的。基于模型的ML算法操作以调节机器学习模型的参数。该调节流程被称为“训练”。因此，所述模型通过所述训练配置以执行所述任务。ML算法还包括基于实例的学习。ML算法的任务性能显著地改进，更多(新的)训练数据在所述训练中使用。在向系统馈送测试数据时，可以通过客观测试来测量性能。可以根据给定测试数据要达到的特定错误率来定义性能。
[0023]本专利技术的实施例的这些和其他方面将根据在下文中所描述的实施例和附图而变得明显，并且将在下文中所描述的实施例和附图参考得到阐述。
附图说明
[0024]现在将参考以下附图描述本专利技术的示范性实施例，除非另行说明，否则附图不按
比例绘制，其中：
[0025]图1示出了根据本专利技术的示范性实施例的曝光的原始散点图和包含曝光时间和管电流的每个组合的曝光的2D图/直方图；
[0026]图2示出了根据本专利技术的示范性实施例的用于根据管指纹预测管寿命参数的示范性回归模型；
[0027]图3示出了根据本专利技术的示范性实施例的用于预测X射线管退化的计算机实施的系统的框图；
[0028]图4示出了根据本专利技术的示范性实施例的X射线成像装置；并且
[0029]图5示出了根据本专利技术的示范性实施例的用于预测X射线管退化的方法的流程图。
具体实施方式
[0030]附图中的图示纯粹是示意性的，并且不旨在提供缩放关系或大小信息。在不同的附图中，相似或相同的元件被提供有相同的附图标记。
[0031]通常，相同的部分、单元、实体或步骤在说明书中被提供有相同的附图标记。
[0032]图1示出了根据本专利技术的示范性实施例的曝光的原始散点图和包含曝光时间和管电流的每个组合的曝光的2D图/直方图。
[0033]根据本专利技术的示范性实施例，所生成的部署指纹数据集是二维阵列，例如2D数据集，其具有作为行地址的X射线管的第一部署参数和作为列地址的X射线管的第二部署参数。
[0034]根据本专利技术的示范性实施例，所生成的部署指纹数据集是二维阵列，例如在x轴和y轴上按管本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于预测X射线管退化的系统(100)，包括：
‑
生成器(10)，其被配置为生成用于记录当前部署的X射线管的累积辐射曝光的部署指纹数据集；
‑
数据库(20)，其被配置为提供训练数据集，所述训练数据集包括用于记录与先前部署的X射线管的故障相关的所述先前部署的X射线管的累积辐射曝光的多个管指纹数据集；以及
‑
神经网络(30)，其被配置为使用所述训练数据集进行训练并且被配置为基于所述训练来预测所述当前部署的X射线管的至少一个参数。2.根据权利要求1所述的系统(100)，还包括控制设备(40)，所述控制设备被配置为控制所述当前部署的X射线管和/或对针对所述当前部署的X射线管的服务动作进行初始化。3.根据权利要求1或2所述的系统，其中，所述神经网络(30)被配置为预测作为所述当前部署的X射线管的所述至少一个参数和针对给定管指纹的所述当前部署的X射线管的预期服务寿命。4.根据权利要求3所述的系统，其中，所述当前部署的X射线管的所述预期服务寿命是由每个灯丝的剩余曝光次数、以曝光次数或天数为单位的总寿命、以曝光次数或天数为单位的剩余寿命或每个故障模式的概率来定义的。5.根据权利要求4所述的系统，其中，所述每个故障模式的概率与所述X射线管的总体缺陷或所述X射线管的部件缺陷有关，其中，任选地，所述部件缺陷包括灯丝缺陷、电弧缺陷、轴承缺陷、真空缺陷或阳极缺陷。6.根据前述权利要求中的任一项所述的系统，其中，所生成的部署指纹数据集表示每个输入通道的不同灯丝。7.根据前述权利要求中的任一项所述的系统，其中，其中，所述神经网络(30)被配置为预测所...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：