【技术实现步骤摘要】
本文献总体上涉及放射疗法治疗系统的故障检测和诊断(fdd)，并且更特别地，涉及检测和诊断与放射治疗机器中的动态叶片引导件(dlg)相关联的故障的系统和方法。
技术介绍
1、放射疗法(或“放射治疗”)可以用于治疗哺乳动物(例如人和动物)组织中的癌症或其他疾病。提供一种这样的放射治疗技术，该放射治疗技术使用线性加速器(也被称为“linac”)，由此通过高能粒子(例如电子、质子、离子、高能光子等)辐射肿瘤。必须精确地控制放射束的布置和剂量以确保肿瘤接收到规定的辐射，并且束的布置应当如此以使对经常被称为处于危险中的器官(oar)的周围健康组织的损害最小化。与药物的处方类似，医师对肿瘤和周围器官开出预定量的辐射剂量。一般来说，以准直束形式的电离辐射从外部辐射源指向患者。
2、可以使用指定的或可选择的束能量诸如用于递送诊断能级范围或治疗能级范围。放射束的调制可以由一个或更多个衰减器或准直器(例如多叶准直器(mlc))提供。可以通过准直来调整放射束的强度和形状，以通过使投射的束与靶组织的轮廓一致来避免损害与靶组织相邻的健康组织(例如oar)。
3、诸如linac系统的放射治疗系统可以包括许多部件。一个或更多个部件的故障或失灵可能导致操作错误、意外故障，甚至系统损坏。在某些情况下，这样的部件故障或失灵可能会影响治疗效果或患者安全。设备和部件的预防性检查和维护可能有助于减少或消除设备故障和无意中断，并计划定期活动。替选地，预测性维护——其包括周期性的或连续的监视和评估服务中设备的健康状况和操作状态——可以用于预测未来部件故
技术实现思路
1、mr-linac是将linac放射治疗与诊断级磁共振成像(mri)组合的放射治疗系统。mr-linac可以使实现解剖结构的室内mri和生理治疗适应性和反应监视，并且具有利用实时可视化和靶跟踪来降低治疗余裕的潜力。可以精确定位肿瘤和周围组织、跟踪其移动并且响应于在治疗时的肿瘤位置的变化、形状的变化、生物学的变化以及与关键器官的空间关系的变化来实时地调整治疗。
2、mr-linac系统可以包括多叶准直器(mlc)，多叶准直器用于将放射治疗束的强度成形、引导或调制到患者内的指定靶部位。mlc由称为叶片的准直元件组成，这些准直元件可以独立地移动进出放射治疗束的路径以使其成形并改变其强度。适形(conformal)放射治疗和调强适形放射治疗(imrt)可以使用mlc递送。例如，在适形放射治疗中，mlc允许束的适形成形以匹配靶肿瘤的边界。对于强度调制治疗，mlc的叶片可以在场间移动以创建imrt分布。
3、mlc的准直元件可以在操作期间以高速移动。例如，agilitytm mlc(瑞典的医科达有限公司)具有160个交叉(interdigitating)叶片，其中等中心处宽度为5mm。这些叶片以80个叶片的两组布置，其中每组叶片包含在随mlc叶片移动的动态叶片引导件(dlg)内。mlc叶片和dlg可以被数字地控制成提供准确的叶片定位。单个mlc叶片的最大速度可以高达每秒35mm(mm/s)，并且dlg可以以高达30mm/s的速度移动。因此，当dlg和mlc两者在同一方向上移动时，mlc叶片可以以高达65mm/s的速度移动。
4、mlc叶片和dlg在放射治疗机器的正常使用期间可能会出现故障或失灵。例如，故障或失灵的dlg可能与一个或更多个子部件(例如制动器、电路板、驱动电机、线性滑轨或dlg的耦接)的故障相关联。正确且及时地预测或检测dlg故障，并且准确诊断所述故障的根本原因(例如，将检测到的故障分类为一种或更多种故障类型，例如制动器故障、电路板故障或驱动电机故障)可以是放射治疗系统的预测性维护的重要部分。
5、常规的预测性维护方法在放射疗法治疗系统的机器故障检测和诊断(fdd)，例如linac系统中dlg或mlc的fdd的背景下面临一些挑战。例如，许多常规的预测性维护基于复杂的物理模型。这样的模型通常涉及复杂的数学公式和大量的机器特性的参数(例如摩擦系数、振动速度、压力、温度、电流和电压属性)。fdd过程包括将机器或部件数据拟合至物理模型。然而，要建立复杂的物理模型通常需要人类设计师的大量领域知识、技能和专业知识(例如物理学的、医学的和工程学的)。这可能是耗时的，并且可能会增加设计复杂性和总体开发成本。例如，建立物理模型所需的特征提取和特征工程(例如特征选择、特征降维和特征优化)可能是耗时且资源密集的任务。另外，物理模型通常基于关于放射治疗系统中的部件的正常或异常操作特性考虑的一些假设而构造。然而，部件的操作特性可能从一个模型到另一模型不同，也可能从一个制造商到另一制造商不同。因此，在这些假设下开发的物理模型可能不太适于不同的机器或系统。当某些假设不保持时，fdd性能可能会损害。本专利技术人已经认识到对诸如各种类型的机器故障的自学习以改进放射治疗系统的预测性维护的先进技术的未满足需要。
6、本文献描述了一种基于深度学习的预测性维护模型，并且使用这样的模型来检测和诊断与linac系统的一部分(例如dlg)相关联的故障。示例性预测性维护系统包括处理器，该处理器被配置成：接收指示靶放射治疗机器中的dlg的配置和操作的机器数据；将经训练的深度学习模型应用于接收到的机器数据；以及检测和诊断dlg故障。预测性维护系统可以使用从接收到的一个或更多个正常dlg和一个或更多个故障dlg的机器数据生成的多个数据序列来训练深度学习模型。靶放射治疗机器中的dlg故障的诊断包括将dlg故障分类为与dlg驱动系统的各种部件相关联的一种或更多种故障类型。
7、在该文献中，始终使用诸如“故障检测”、“故障诊断”以及“故障检测和诊断(fdd)”的术语。“故障检测”包括检测成熟的故障和/或即将发生的故障。成熟的故障可以是已经导致放射治疗系统的至少一部分的可检测故障或故障操作的故障。即将发生的故障可以是从做出预测的时刻起起预计在不久的将来(例如根据预测算法)发生的故障。因此，如在本文献中使用的“故障检测”可以指检测成熟的故障和/或预测即将发生的故障。“故障诊断”可以指识别故障的根本原因、将检测到的故障(成熟的故障或即将发生的故障)分类为多种故障类型中的一个、例如基于dlg度量趋势将检测到的故障分类为多个故障严重性级别中的一个以及/或者生成故障分析的过程。
8、示例1是一种用于检测和诊断放射治疗机器中的故障的计算机实现的方法。该方法包括以下步骤：接收指示靶放射治疗机器中的部件的配置和操作的机器数据；将经训练的深度学习模型应用于接收到的靶放射治疗机器中的部件的机器数据，经训练的深度学习模型被训练成建立以下两者之间的关系：(1)从相应的放射治疗机器中的正常部件和故障部件收集的机器数据，以及(2)正常部件和故障部件的故障信息，该正常部件和该故障部件与靶放射治疗机器中的部件是相同类型；以及检测和诊断与靶放射治疗机器中的部件相关联的故障。
【技术保护点】
1.一种用于检测和诊断放射治疗机器中的故障的计算机实现的方法，所述方法包括：
2.根据权利要求1所述的方法，还包括：
3.根据权利要求2所述的方法，其中，所述训练数据集包括根据从所述正常部件和具有不同故障严重性级别的所述故障部件收集的所述机器数据生成的多个数据段，所述多个数据段中的每一个被分配有指示不存在故障或故障严重性级别的故障指示符。
4.根据权利要求3所述的方法，其中，通过将移动窗口应用于所述机器数据的时间系列来生成所述多个数据段，
5.根据权利要求4所述的方法，其中，所述多个数据段中的任何两个相邻数据段的时间窗口在时间上至少部分交叠。
6.根据权利要求4所述的方法，其中，所述多个数据段中的任何一个被分配有以下之一：
7.根据权利要求6所述的方法，
8.根据权利要求7所述的方法，其中，在所述第一参考时间与所述第二参考时间之间限定的范围包括第一子范围和第二子范围，
9.根据权利要求3所述的方法，其中，所述故障指示符具有数值或分类值，以表示故障不存在或所述故障严重性级别。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。