CN110910990B - 基于机器学习分析图像伪影和成像系统失效的方法和系统 - Google Patents

Abstract

本发明题为“基于机器学习分析图像伪影和成像系统失效的方法和系统”。本发明公开了用于解决医疗成像设备的误动作的方法和系统。该方法包括通过使用已训练的机器学习模型对由医疗成像设备获取的医疗图像中的图像伪影的类型进行分类。该方法还包括分析与医疗图像的获取相关联的系统数据，以识别可能对该类型的图像伪影有贡献的一个或多个系统参数；以及基于所识别的一个或多个系统参数来提供用于解决图像伪影的动作。

Description

基于机器学习分析图像伪影和成像系统失效的方法和系统

技术领域

本说明书的实施方案整体涉及用于分析医疗成像系统的误动作的方法和系统，并且更具体地讲，涉及使用机器学习模型来分析医疗成像系统的误动作。

背景技术

通常，当医疗成像设备发生误动作时，其可能导致有关用户的问题。必须快速且充分地修复发生误动作的机器。通常，呼叫现场工程师来诊断和修复医疗成像设备。误动作可以是例如在由医疗成像设备生成的图像中存在一些图像伪影。图像伪影可能是由于硬件问题和/或软件问题引起的。通常，当从患者或对象获取的数据与成像模型不一致时，可能在图像中发生伪影，如根据所获取的数据生成重建图像的算法隐式或明确地假设。在医疗成像中，患者植入物(诸如牙科填充物、外科手术夹和假体)是伪影的常见原因。另外，无意识的患者身体运动、心脏和呼吸运动也可能导致伪影。在系统侧，来自预扫描的射频(RF)干扰和不正确增益调整可能导致伪影。对于CT和单光子发射计算机断层摄影(SPECT)，机械系统未对准和监测器像素的失效可能导致伪影。此外，数据获取的离散性质近似于重建算法通常所基于的连续物理模型。这可能导致具有长直边的部分的工业CT中的条纹伪影。

在检查设备时，现场工程师通常将会查看从设备生成的日志，该日志包含在例程操作期间以及在任何误动作情况期间发生的事件序列。日志表示设备操作的“签名”并用于关联误动作。使用经验和专业知识，现场工程师查看日志并尝试识别可能指向故障的任何症状。然后现场工程师尝试解决可能导致设备误动作的问题。然而，在有些情况下，现场工程师可能无法找到故障的解决方案，并且故障需要转交给中央工程团队。中央工程团队可以获取附加的细节，诸如医疗成像设备的各种子系统的系统文件和日志文件。这涉及许多重复和手动任务，其中现场工程师访问客户地点以检查设备并重现问题，并且记录将有助于中央工程团队调查故障的文件和图像。使用这些日志文件和图像，中央工程团队对每个子系统进行全面分析，这通常会使过程耗时并且设备停机时间会增加。

发明内容

本公开的一个实施方案涉及用于解决医疗成像设备的误动作的方法。该方法包括通过使用已训练的机器学习模型来对由医疗成像设备获取的医疗图像中的图像伪影的类型进行分类。该方法还包括分析与医疗图像的获取相关联的系统数据，以识别可能对该类型的图像伪影有贡献的一个或多个系统参数；以及基于所识别的一个或多个系统参数提供用于解决图像伪影的动作。

另一个实施方案涉及用于解决医疗成像设备的误动作的系统。该系统包括存储已训练的机器学习模型的存储器和耦接到存储器的处理器。处理器被配置为通过使用已训练的机器学习模型来对由医疗成像设备获取的医疗图像中的图像伪影的类型进行分类。处理器被进一步配置为分析与医疗图像的获取相关联的系统数据，以识别可能对该类型的图像伪影有贡献的一个或多个系统参数；以及基于所识别的一个或多个系统参数来提供用于解决图像伪影的动作。

通过参考以下详细描述和附图，将获得对本公开的更完整的理解以及其进一步的特征和优点。

附图说明

图1是根据示例性实施方案的用于分析医疗成像系统中的系统误动作的环境的框图；

图2是根据示例性实施方案的用于分析医疗成像系统中的系统误动作的系统的框图；

图3是根据示例性实施方案的用于对图像伪影进行分类的分类器的框图；

图4是根据示例性实施方案的推理引擎处理系统数据和图像的框图；

图5是根据示例性实施方案的在包括与多个成像设备通信的服务器的环境中操作的系统的实例化的示意图；

图6示出了根据示例性实施方案的用于分析医疗图像的误动作的方法的流程图；

图7示出了根据另一个示例性实施方案的用于分析医疗图像的误动作的方法的流程图；

图8示出了根据又一个示例性实施方案的用于分析医疗图像的误动作的方法的流程图；并且

图9示出了根据又一个示例性实施方案的用于分析医疗成像系统的误动作的方法的流程图。

具体实施方式

当结合附图阅读时，将更好地理解某些实施方案的以下详细描述。在附图示出各种实施方案的功能模块的图示的范围内，功能块不一定指示硬件电路之间的划分。因此，例如，一个或多个功能块(例如，处理器或存储器)可以在单件硬件(例如，通用信号处理器或随机存取存储器块、硬盘等)中实现。类似地，程序可以是独立程序，可以作为子例程包含在操作系统中，可以是安装的软件包中的功能等。应当理解，各种实施方案不限于附图中所示的布置和工具。

以下描述本公开的一个或多个具体实施方案以提供透彻的理解。这些描述的实施方案仅是用于管理医疗图像中的图像伪影的方法和系统的示例。此外，如将理解的，本发明的实施方案不限于神经网络，并且因此可以包括其他形式的人工智能和机器学习技术。本领域技术人员将理解，在不脱离本公开的实质的情况下，可以在实施时修改实施方案中描述的具体细节。

当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。在本文使用术语“连接到”、“耦接到”等时，一个对象(例如，材料、元件、结构、构件等)可以连接到或耦接到另一个对象，而无论一个对象是是否直接连接或耦接到另一个对象，或者在一个对象和另一个对象之间是否存在一个或多个介入对象。

此外，应当理解，对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。此外，以下权利要求书的限制不是用装置加功能形式写的并且不旨在这样解释，除非并且直到此类权利要求限制明确地使用短语“用于…的装置”，然后是功能陈述而无其他结构。

如下面详细讨论的是用于分析医疗成像设备的误动作的方法的实施方案。该方法包括使用已训练的机器学习模型来对由医疗成像设备生成的医疗图像中的图像伪影的类型进行分类。该方法还包括审查系统数据以分析与图像伪影相关联的一个或多个系统参数，其中系统数据与医疗成像设备相关联。该方法还包括基于对一个或多个系统参数的分析而选择性地提供用于解决图像伪影的动作。

图1示意性地示出了根据示例性实施方案的用于分析医疗成像设备102的误动作的环境100。环境100包括医疗成像系统，有时称为成像设备102或扫描仪。如本领域技术人员将理解的，成像设备102可以包括任何合适的模态系统，诸如超声系统、MRI(磁共振成像)系统、CT(计算机断层摄影)系统、X射线系统、PET(正电子发射断层摄影)系统等。成像设备102通常能够基于特定模态的物理现象来创建感兴趣受试者的图像数据。成像设备102在控制电路(在本图中不存在)的控制下操作，该控制电路通常启动成像扫描序列，实现特定扫描方案，并且调节图像数据的获取以重建图像，诸如图像104(即患者解剖结构的医疗图像)。数据获取电路(在本图中不存在)可以接收此类数据并存储数据以用于进一步处理、增强和重建成最终图像。

所生成的图像104可能包括由于各种因素而引起的伪影。这些伪影可能导致图像拒绝，因为伪影阻止或阻碍对图像内容的分析。如本文使用的伪影可以包括图像中存在的不对应于正被成像的患者或对象的实际解剖结构的任何特征。示例性伪影包括再次出现在其他图像位置并在磁共振成像(MRI)中与实际图像重叠的患者部分(即，重影伪影)，以及计算机断层摄影(CT)图像中的密集金属对象发出的条纹(金属伪影)等。需要识别和解决图像伪影的原因。

系统106接收图像104以用于分析图像伪影。系统106表示可以由用户108(例如，临床医生)从成像设备102调用的工具。用户108在操作成像设备102时可以注意到所生成的图像104中的图像伪影并且调用系统106。系统106收集图像104以用于进一步分析。图像104可以是从成像设备102所获取的图像集合中选取的图像的一部分或若干图像。在一个实施方案中，用户108可以选择要发送到系统106的图像。可替代地，系统106可以请求成像设备102发送图像。在一些实施方案中，系统106被实现为成像设备102上的软件。在一些实施方案中，系统106在连接到成像设备102的边缘设备或与成像设备102通信的云上实现。在一些实施方案中，系统106的不同部分在不同设备上实现，这些设备可以是成像设备、边缘设备和云的任何适当组合。

系统106包括存储器114和处理器110，该处理器具有推理引擎112。推理引擎112检查图像104中的一个或多个图像伪影以确定一个或多个图像伪影的一种或多种类型。MR应用中的图像伪影可以包括例如混叠、羽状、串扰、截断伪影、运动伪影、服务器崩溃、遮蔽、部分图像等。类似地，可能存在可在其他成像应用中发生的不同类型的伪影。推理引擎112可以从成像设备102收集系统数据116以进一步检查图像伪影的根本原因。系统数据116可以包括系统文件118和与成像设备102相关联的日志文件120。此外，系统数据116可以包括与在成像设备102处运行的各种应用程序以及成像设备102的子系统相关联的数据。

推理引擎112进一步检查系统数据116以便识别可指示对于图像伪影有贡献的因素的任何系统/日志文件。感兴趣的特定系统或日志文件(即可指示对图像伪影有贡献的因素的特定系统或日志文件)可以被识别以确定图像伪影的根本原因。图像伪影可能是由于用户错误、子系统错误、应用程序(即软件)错误等引起的。在一些实施方案中，推理引擎112可以将图像伪影的原因作为输出提供给用户108。在一个实施方案中，输出可以表示为硬件或软件故障122。

在识别出图像伪影的原因之后，推理引擎112可以提供动作124以解决故障。在一些实施方案中，可以基于图像伪影的类型来选择动作124。动作124可以是运行用于解决图像伪影的应用程序。在一些实施方案中，动作124可以是运行应用程序(例如，工具)以执行成像设备102的扫描或诊断。在一些实施方案中，动作124可以是解决图像伪影的推荐、解决错误的规程、图像伪影类型的建议、连接到技术专家(即现场工程师)的推荐等。用户108可以基于由推理引擎112提供的动作来采取必要的步骤以解决图像伪影。在一些情况下，用户108可以采取动作解决图像伪影。

参考图2，根据示例性实施方案示出了用于分析医疗图像设备102的误动作的系统106的框图。系统106包括处理器110、存储器114和接口208。处理器包括推理引擎112，该推理引擎检查图像104中的一个或多个图像伪影和系统数据116以识别一个或多个图像伪影的原因，如结合图1所描述的。用户(例如，用户108)可以提供关于在所生成的图像中发生的图像伪影的信息和图像伪影的发生时间。例如，可以存在由成像设备获取的多个图像，并且以特定时间间隔拍摄的几个图像包括图像伪影。用户输入可以包括与图像伪影的发生相关联的时间间隔。此外，用户还可以提供他/她对图像伪影的解释作为输入。用户的解释可以是基于用户先前经验的图像伪影的描述、类型和/或可疑原因等。来自用户的这些信息可以由推理引擎112处理。在一些实施方案中，基于该信息，推理引擎112可以仅选择来自在图像伪影的发生的时间间隔期间捕获的图像集合的图像。另外，可以设想，根据各种其他实施方案，用户可以向系统106提供与图像伪影相关联的其他信息。

推理引擎112包括分类器204和审查器200，该分类器基于图像伪影的类型对图像进行分类，该审查器审查和分析与医疗成像设备(例如，成像设备102)相关联的系统数据116。在一些实施方案中，审查器200可以向分类器204提供与分析相关联的信息。图像的分析信息有助于分类器204对图像进行分类。在一些实施方案中，审查器200使用例如自然语言处理技术来解析系统数据116。这里，系统数据116包括具有图像扫描参数的系统文件和日志文件，图像扫描参数诸如但不限于患者或受试者、正被成像的解剖结构类型、成像方案、视场、图像重建方法、图像设置等。图像扫描参数有助于推理引擎112理解要分析的图像。

在一些实施方案中，分类器204通过添加指示图像中存在的图像伪影的类型的标签来对图像进行分类。分析的图像可以包括不同类型的图像伪影，并且因此分类器204可以对图像进行分类和标记。标记图像是对图像进行分类的方法之一，然而可以使用其他方法来对图像进行分类。分类器204可以是机器学习模块202的一部分。在一些实施方案中，分类器204可以被实现为机器学习模型，并且因此可以能够基于来自图像训练数据集的学习而对图像进行自动分类。训练数据集可以包括具有不同种类的图像伪影的多个图像数据集(即，医疗图像数据集)。在一些实施方案中，训练数据集可以存储在知识库中。机器学习模型学习将训练数据集映射到伪影类型或没有伪影，并且此后变得能够确定任何输入图像是否具有一个或多个图像伪影以及图像伪影(如果有的话)的一种或多种类型是什么。因此，机器学习模型可以能够确定图像伪影的类型。

在一些实施方案中，机器学习模型可以是深度神经网络。在一些实施方案中，深度神经网络可以是具有基于U网的架构的卷积神经网络，该架构已被训练为接收具有图像伪影的多个图像作为输入。在其他实施方案中，深度神经网络可以是具有但不限于以下的神经网络：整体嵌套神经网络(HNN)架构、或完全卷积神经网络架构(即3维)、或体积卷积神经网络架构。

一旦一个或多个图像被分类，就可以识别图像伪影的根本原因。为此，审查器200审查系统数据116以分析一个或多个系统参数。更具体地，审查器200可以审查与可能对该类型的图像伪影有贡献的一个或多个子系统相关联的系统文件和日志文件。这些系统文件和日志文件是系统数据116的一部分，并且它们揭示关于与子系统相关联的系统参数的更多信息。例如，与MR线圈相关联的系统参数可以是温度、射频、脉冲序列(包括射频脉冲的回波时间、脉冲时间和时间参数)、负载、湿度等。如果存在系统参数与其所需级别的任何偏差，则在对应子系统的运行中可能存在错误或故障。子系统中的这些错误或故障中的一些可能导致图像伪影。这些仅是MRI设备的系统参数的几个示例，然而，在本公开范围内，可以设想系统参数可包括与医疗成像设备的子系统相关联的其他系统相关配置。另外，故障或错误可以是软件相关故障或硬件相关故障或其组合。审查器200可以审查图像并基于图像扫描参数的分析来确认图像伪影的存在。

在分析系统数据116时，审查器200还确定可能对图像伪影有贡献的成像设备的一个或多个子系统。磁共振(MR)成像设备中的子系统可以包括但不限于，患者支撑系统(例如，患者台)、一个或多个射频(RF)线圈、放大器、一个或多个梯度线圈、MR磁体、接收器等。如果识别出可能对图像伪影有贡献的子系统，则可以由推理引擎112执行对图像伪影原因的彻底根本原因分析。在一些实施方案中，审查器200可以是机器学习模块202的一部分，或者可以被实现为由多个训练数据集训练的机器学习模型。

在识别出故障之后，执行器206可以基于由审查器200执行的系统参数分析来提供用于解决图像伪影的动作。动作可以包括例如但不限于向用户(例如，用户108)提供用于最小化或移除图像伪影的推荐，运行可执行医疗成像设备的各种子系统的扫描或诊断的应用程序，运行工具或应用程序以通过纠正医疗成像设备的子系统中的任何相关故障或错误来解决图像伪影，以及建议联系专家(例如，现场工程师)等。对用户的推荐可以描述用户为解决与子系统相关的错误或故障而采取的步骤。在一些实施方案中，推荐可以指导用户运行用于校准子系统的校准工具以便移除故障或错误。根据各种实施方案，可以存在可由执行器206给出的多个其他推荐，虽然这里仅详细描述了几个示例。

包括推荐的动作可以通过作为接口208的部分的用户界面呈现给用户。用户界面还使得用户能够提供任何用户输入。示例中的一个可以是，用户提供关于在所生成的图像中发生的图像伪影的信息和图像伪影的发生时间，如上面相对于图2所讨论的。接口208还可以包括用于与医疗成像设备的各种子系统建立通信的其他软件和硬件接口。存储器114可以存储任何信息，诸如由用户提供的信息、在处理系统数据时生成的信息、由机器学习模块202学习的一个或多个新推荐、以及图像训练数据集、系统数据(即成像设备的系统文件和日志文件)，作为知识库等。

现在参考图3，根据示例性实施方案，分类器204分析系统数据116以基于类型对图像伪影进行分类。从审查器200接收的图像扫描参数的分析有助于对图像伪影进行分类。图像扫描参数指定用户为生成图像而设置的图像扫描设置和方案。分类器204分析图像104并将其分类为不同类型的图像伪影，例如，羽状300、截断302、混叠304等。图像伪影的类型可以包括但不限于混叠、羽状、串扰、截断伪影、运动伪影、服务器崩溃、遮蔽、服务器崩溃和部分图像等。

通过示例解释，如果来自正被分析的系统数据(例如，系统数据116)的图像参数识别成像方案被设置为“脂肪抑制开启”，则分类器204审查患者解剖结构的图像以确定脂肪是否被部分抑制。如果在图像中部分地抑制了脂肪，则分类器204将“脂肪部分抑制”的图像分类为图像伪影。然而，如果没有部分地抑制脂肪，则分类器204可以通过分析系统数据和图像来确定是否存在其他图像扫描参数，诸如针对特定成像方案的“无相位缠绕”或ARC。因此，如果存在“无相位缠绕”或ARC，则分类器204可将图像伪影分类为混叠、羽状、串扰或遮蔽。在不存在“无相位缠绕”或ARC的情况下，分类器204审查系统数据116(例如，日志文件)以确定是否存在任何其他问题。如果发现的问题是例如服务器崩溃，则图像伪影被分类为“服务器崩溃”。在另一个实例中，如果问题被识别为部分图像，则图像伪影可以被分类为“部分图像”。

图4示意性地示出了根据示例性实施方案的推理引擎112处理系统数据116和图像104的框图。推理引擎112在分析图像伪影和图像伪影的根本原因时充当专家系统。推理引擎112包括执行该分析的机器学习模块202。机器学习模块202包括深度神经网络400，该深度神经网络针对图像伪影分析图像104并将其进行分类。如前面结合图1和图2所解释的，分类器204被实现为深度神经网络或深度神经网络400的一部分，其审查图像104并分析系统数据116以对图像伪影进行分类。由自然语言处理器402分析系统数据116以确定图像扫描参数和一个或多个系统参数。自然语言处理器402可以是审查器200的一部分。在一个实施方案中，自然语言处理器402可以是文本解析器，其可以解析系统数据116中的系统文件和日志文件。

如果识别出与图像伪影相关联的故障，则执行器206可以提供用于解决故障的动作。在一些实施方案中，动作可以包括对用户的推荐，其解释为解决故障所遵循的步骤。一旦故障被解决，执行器206就在404处识别出或通知用户故障被解决。这可以通过可通信地连接到医疗成像设备的用户界面来呈现。在一些实施方案中，用户界面可以是能够向用户显示该信息的单独设备(例如，远程设备)的一部分。

推理引擎112还可以在406处对故障进行故障排除。可以使用一些工具或应用程序对故障进行故障排除。工具或应用程序可以包括例如校准工具、系统性能测试工具等。在一个实施方案中，执行器206可以在406处对故障进行故障排除。然后，推理引擎112在408处检查故障是否被解决。如果故障未被解决，则推理引擎112在410处指示用户进行专家分析。在一些实施方案中，执行器206向用户提供动作以与专家(例如，现场工程师)连接从而解决故障。这可以作为对用户的建议或推荐给出。在一些实施方案中，执行器206可以直接向用户提供动作。该动作可以再次建议用户与专家连接从而解决故障。

在另一种场景中，由推理引擎112识别的故障可能不是已知故障，即在412处的未知故障/动作。更具体地，机器学习模块202可能尚未对于这种故障(例如，一种类型的图像伪影、一种类型的硬件或软件错误等)进行训练。然后，可以发送包括与故障相关联的系统文件和日志文件的系统数据116以供在410处的专家分析。在一些实施方案中，推理引擎112可以向用户提供动作以联系专家从而分析系统数据116。专家可以分析系统数据116并得出用于解决故障的解决方案。该解决方案可以由用户或专家作为输入提供给推理引擎112。在一些实施方案中，可以通过反馈回路将解决方案反馈给推理引擎112。机器学习模块202可以对于解决方案进行训练，并且能够为成像设备中的类似故障或类似的图像伪影提供动作从而向前。因此，推理引擎112或机器学习模块202可以对于成像设备中发生的新故障或图像伪影、以及为解决这些故障和图像伪影而需要采取适当的动作进行训练。

系统106的实例化可以在根据示例性实施方案的如图5所示的环境500中操作，该环境包括与多个成像设备通信的服务器502。如图5所示，服务器502通过网络508与第一成像设备504和第二成像设备506进行通信以管理从这些设备生成的医疗图像的图像伪影。网络508可以是例如广域网(WAN)、互联网、云网络、无线局域网(WLAN)、局域网(LAN)等。第一成像设备504和第二成像设备506可以分别具有代理510和代理512。代理510和512可以是在相应成像设备中运行以用于监测和收集系统数据(例如，系统数据116)的应用程序。在一些实施方案中，代理(诸如代理510和代理512)可以监测成像设备以识别所生成的图像是否具有任何图像伪影。具有伪影的图像被发送到服务器502以便由推理引擎514分析。在一些实施方案中，基于从服务器502接收的请求，代理将图像发送到服务器502。在这种情况下，服务器502可以接收与图像伪影的发生时间相关联的输入。因此，代理可以将在图像伪影的发生时间期间生成的图像发送到服务器502。在这种情况下，代理可能未具体地识别具有图像伪影的图像。可替代地，代理可以在图像伪影的发生时间期间审查图像，并且可以仅将具有图像伪影的相关图像发送到服务器502。在一些实施方案中，成像设备(例如，成像设备504和成像设备506)可以在从代理(例如，代理510和代理512)接收到指令时将图像发送到服务器502。

图像可以由推理引擎514分析。推理引擎514可以与推理引擎112相同或类似。推理引擎514可以向代理(例如，代理510和代理512)发送请求以收集来自成像设备(例如，成像设备504和成像设备506)的系统数据。作为响应，代理收集系统数据并将其发送到推理引擎514。代理可以周期性地或不断地收集来自成像设备的系统数据。然后，在从推理引擎514接收到请求时，代理可以发送所需的系统数据。在一些实施方案中，成像设备在接收到来自相应代理的指令时发送系统数据。在一些实施方案中，推理引擎514仅从代理接收与可能已对图像伪影有贡献的子系统相关联的系统数据。推理引擎514可以分析系统数据连同图像以识别图像伪影的原因。推理引擎可以提供用于解决伪影的动作。动作可以是运行应用程序(例如，工具)以对成像设备(例如，成像设备504和成像设备506)执行扫描或诊断。在一些实施方案中，动作可以是解决图像伪影的推荐、解决成像设备中的故障的规程、图像伪影类型的建议、连接到技术专家(即现场工程师)的推荐等。可以将动作传送到成像设备中的代理。如果动作是运行应用程序，则代理可以在成像设备中运行应用程序。另外，如果动作是提供用于解决故障的任何推荐/建议或规程，则代理可以将它们传送到成像设备的用户。

在一些实施方案中，基于从服务器502中的推理引擎514接收的指令，代理可以包括可在成像设备中执行诊断的诊断工具和可解析图像伪影的其他工具。在一些实施方案中，诊断工具或其他工具可以由推理引擎514在远离服务器502的成像设备上运行，并且这里代理(例如，代理510和512)仅促进成像设备和推理引擎514之间的通信。

环境500被示为包括两个成像设备(诸如成像设备506和成像设备508)，然而可以注意，可将更多成像设备连接到服务器502。环境500可以是医院环境，其中服务器502可以位于医院环境中以便与医院中的多个成像设备进行通信。在另一个实施方案中，服务器502可以是能够与存在于不同位置的多个成像设备进行通信的集中式服务器。

现在移动到图6，示出了根据示例性实施方案的用于分析医疗成像设备的误动作的方法600的流程图。方法600包括在框602处通过已训练的机器学习模型对医疗图像中的图像伪影的类型进行分类。MR应用中的图像伪影可以是例如混叠、羽状、串扰、截断伪影、运动伪影、服务器崩溃、遮蔽、部分图像等。可以通过多个训练数据集来训练机器学习模型。训练数据集可以包括具有不同种类的图像伪影的多个图像数据集(即，医疗图像数据集)。训练机器学习模型以将具有伪影的图像映射到伪影的类型。

在框604处，审查系统数据以分析与图像伪影相关联的一个或多个系统参数。系统数据包括成像设备的系统文件和日志文件。审查系统数据以分析与图像伪影类型相关联的系统参数。系统参数是可能对图像伪影有贡献的子系统的系统参数。这些系统参数将提图像伪影原因的更多信息。例如，线圈子系统的系统参数，诸如射频范围、温度等，如果参数偏离正常范围，则可能发生图像伪影。

一旦识别出可能对图像伪影有贡献的系统参数，就可以在框606处提供用于管理图像伪影的动作。动作可以是运行应用程序(例如，工具)以执行对成像设备的扫描或诊断。在一些实施方案中，动作可以是解决图像伪影的推荐、解决成像设备中的故障的规程、图像伪影类型的建议、连接到技术专家(即现场工程师)的推荐等。基于图像伪影的类型，选择适当的动作并将其提供给成像设备。

图7示出了根据另一个示例性实施方案的用于分析医疗成像设备的误动作的方法700的流程图。方法700包括在框702处使用已训练的机器学习模型对医疗图像中的图像伪影的类型进行分类。然后审查系统数据以分析与图像伪影相关联的一个或多个系统参数。系统数据包括成像设备的系统文件和日志文件。在框704处，识别可能对图像伪影有贡献的一个或多个系统参数中的至少一个系统参数。在一些实施方案中，所审查的系统数据包括与可能对图像伪影有贡献的成像设备的子系统相关联的系统文件和日志文件。分析对图像伪影有贡献的子系统的至少一个系统参数。一旦找到了对图像伪影有贡献的系统参数，就可以在框706处选择性地提供用于管理图像伪影的动作。

图8示出了根据又一个实施方案的管理医疗图像中的图像伪影的方法800。在框802处，获得医疗图像中的图像伪影的发生时间。可以接收图像伪影的发生时间作为来自成像设备的用户的输入。在一个实施方案中，推理引擎(诸如推理引擎112和推理引擎514)可以从图像和系统数据(例如，系统数据116)识别图像伪影的发生时间。系统数据包括成像设备的系统文件和日志文件。发生时间有助于识别可能对图像伪影有贡献的成像设备的子系统。然后，仅分析与子系统相关联的系统数据(即系统文件和日志文件)以确定图像伪影的原因或子系统中的故障。因此，它避免了检查成像设备的整体系统数据的需要，由此使得能够进行聚焦分析以识别图像伪影的根本原因。

在框804处，可以基于图像伪影的发生时间根据系统数据分析图像扫描参数。此发生时间有助于准确识别可能具有图像伪影的图像并确认伪影的存在。图像扫描参数可以包括例如患者或受试者、正被成像的解剖结构类型、成像方案、成像位置、图像重建方法、图像设置等。图像扫描参数可以提供更多信息以识别可能发生的图像伪影的类型。

在框806处，使用已训练的机器学习模型来对医疗图像中的图像伪影的类型进行分类。MR应用中的不同类型的图像伪影可以是例如混叠、羽状、串扰、截断伪影、运动伪影、服务器崩溃、遮蔽、部分图像等。本公开的范围内的另一个应用(诸如计算机断层摄影、超声、正电子发射断层摄影等)中可能存在其他类型的图像伪影。训练机器学习模型(分类模块204的一部分)可以通过多个图像训练数据集来进行训练，该多个图像训练数据集包括具有各种类型的图像伪影的多个图像签名。在框808处，审查系统数据以分析与图像伪影相关联的一个或多个系统参数。审查系统数据以分析与图像伪影相关联的系统参数。这里，系统数据包括与对图像伪影有贡献的成像设备的子系统相关联的系统文件和日志文件。例如，如果线圈子系统的系统参数(诸如射频范围、温度等)偏离其正常范围，则可能发生图像伪影。一旦识别出对图像伪影有贡献的系统参数，就可以在框810处提供用于解决图像伪影的动作。

现在继续移动到图9，示出了根据又一个示例性实施方案的用于分析医疗成像设备的误动作的方法900的流程图。方法900包括在框902处获得医疗图像中的误动作的发生时间。在框904处，可以基于误动作的发生时间根据与成像设备相关联的系统数据分析图像扫描参数。

然后，在框906处，执行检查以确认图像中是否存在图像伪影。仅从成像设备所生成的图像集合中选择在图像的发生时间期间生成的图像。可替代地，可以分析图像集合以确定和确认图像伪影的存在。如果没有图像伪影，则方法移动到框922以检查导致误动作的任何其他故障。如果存在图像伪影，则该方法移动到框908，其中分析与可能对图像伪影有贡献的子系统相关联的系统数据。更具体地，分析子系统的系统文件和日志文件以识别可能导致图像伪影的一个或多个系统参数。然后在框910处执行检查以确定图像伪影是否是由软件故障引起的。如果是，则方法移动到框912以提供用于解决软件故障的动作。动作可以是例如但不限于自动运行用于解决软件故障的应用程序，运行应用程序(例如，工具)以执行对软件故障的扫描或诊断或调试，解决软件故障的推荐，解决软件故障的规程，连接到技术专家(即现场工程师)的推荐等。

如果在框910处确定图像伪影不是由于软件故障引起的，则在框914处，方法检查知识库以分析可能对图像伪影有贡献的硬件故障。知识库可以包括用户在报告任何图像伪影的存在时提供的信息、在处理系统数据时生成的信息、由机器学习模型(即机器学习模块202)学习的一个或多个新推荐、图像训练数据集、以及系统数据(即成像设备的系统文件和日志文件)，如结合图2所解释的。然后在框916处识别可能对图像伪影有贡献的硬件系统(例如，成像设备的子系统)。在框918处，分析与所识别的硬件系统相关联的系统数据以确定故障。对这些硬件系统的系统文件和日志文件的分析可以显示与其相关联的故障。基于该分析，可以在框920处识别具有可能已经导致图像伪影的故障或失效的子系统。

用于管理医疗图像中的图像伪影的系统和方法的各种实施方案。这里描述的方法准确地识别导致生成图像伪影的与图像设备相关联的故障的根本原因。另外，系统中的推理引擎可以具有在没有用户交互的情况下解决导致图像伪影的任何故障的能力。因此，可以通过自动检测图像伪影或任何设备故障来减小图像设备的停机时间。在图像设备不能检测到图像伪影的情况下，方法向成像设备的用户提供解决图像伪影的推荐/建议。这可以减小联系专家(例如，现场工程师或在线工程师)的需要，以用于在用户可以自己通过一些指导来解决错误的情况下解决错误。

上述优点应当被视为说明性的而非限制性的。应当理解，根据任何特定实施方案，不一定能够实现上述所有此类目标或优点。因此，例如，本领域技术人员将认识到，可能以实现或改进如本文所教导的一个优点或一组优点而未必实现如本文可能教导或建议的其他目标或优点的方式来体现或进行本文描述的系统和技术。

可以注意，各种实施方案可能以硬件、软件或其组合来实现。各种实施方案和/或部件(例如，模块或其中的部件和控制器)也可以被实现为一个或多个计算机或处理器的一部分。计算机或处理器可以包括计算设备、输入设备、显示单元和接口，例如用于访问因特网。计算机或处理器可以包括微处理器。微处理器可以连接到通信总线。计算机或处理器还可以包括存储器。存储器可以包括随机存取存储器(RAM)和只读存储器(ROM)。计算机或处理器还可以包括存储设备，其可以是硬盘驱动器或可移除存储驱动器，诸如固态驱动器、光盘驱动器等。存储设备还可以是用于将计算机程序或其他指令加载到计算机或处理器中的其他类似装置。

如本文所用，术语“计算机”、“子系统”、“控制器电路”、“电路”或“模块”可以包括任何基于处理器或基于微处理器的系统，其包括使用微控制器、精简指令集计算机(RISC)、ASIC、逻辑电路和能够执行本文所述功能的任何其他电路或处理器的系统。以上示例仅是示例性的，并且因此不旨在以任何方式限制术语“控制器电路”的定义和/或含义。

计算机、子系统、控制器电路、电路执行存储在一个或多个存储元件中的指令集以便处理输入数据。存储元件还可以根据期望或需要存储数据或其他信息。存储元件可以呈处理机内的信息源或物理存储器元件的形式。

指令集可以包括指示计算机、子系统、控制器电路和/或电路执行特定操作(诸如各种实施方案的方法和过程)的各种命令。指令集可以呈软件程序的形式。软件可以呈各种形式，诸如系统软件或应用软件，并且可以体现为有形和非暂时性计算机可读介质。此外，软件可以呈以下形式：分开的程序或模块的集合、较大程序内的程序模块或程序模块的一部分。软件还可以包括以面向对象编程形式的模块化编程。处理机对输入数据的处理可以响应于操作员命令，或者响应于先前处理的结果，或者响应于另一个处理机做出的请求。

如本文所用，“被配置为”执行任务或操作的结构、限制或元件在特定结构上以对应于任务或操作的方式形成、构造或调整。出于清楚和避免疑问的目的，仅能够被修改以执行任务或操作的对象未“被配置为”执行如本文所用的任务或操作。相反，如本文所用，使用“被配置为”表示结构适应或特性，并且表示被描述为“被配置为”执行任务或操作的任何结构、限制或元件的结构要求。例如，“被配置为”执行任务或操作的控制器电路、电路、处理器或计算机可以被理解为被特别构造为执行该任务或操作(例如，具有存储在其上或与其一起使用的被定制或旨在执行任务或操作的一个或多个程序或指令，和/或具有定制或旨在执行任务或操作的处理电路的布置)。出于清楚和避免疑问的目的，通用计算机(其可以“被配置为”执行任务或操作，如果适当编程的话)未“被配置为”执行任务或操作，除非或直到被专门编程或结构上进行修改以执行任务或操作。

如本文所用，术语“软件”和“固件”是可互换的，并且包括存储在存储器中以供计算机执行的任何计算机程序，该存储器包括RAM存储器、ROM存储器、EPROM存储器、EEPROM存储器和非易失性RAM(NVRAM)存储器。上述存储器类型仅是示例性的，并且因此不限制可用于存储计算机程序的存储器的类型。

应当理解，以上描述旨在是例示性的而非限制性的。例如，上述实施方案(和/或其方面)可以彼此组合使用。另外，在不脱离本发明的范围的情况下，可进行许多修改以使特定情况或材料适应各种实施方案的教导。虽然本文描述的材料的尺寸和类型旨在限定各种实施方案的参数，但它们决不是限制性的并仅是示例性的。在回顾以上描述后，许多其他实施方案对于本领域技术人员将是显而易见的。因此，各种实施方案的范围应该参考所附权利要求以及这些权利要求所赋予的等同物的全部范围来确定。在所附权利要求中，术语“包括”和“在……中”用作相应术语“包含”和“其中”的通俗中文等同物。此外，在以下权利要求中，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求。

该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何计算系统或系统以及执行任何包含的方法。本发明的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

Claims (20)

1.一种用于解决医疗成像设备的误动作的方法，所述方法包括：

通过使用已训练的机器学习模型对由所述医疗成像设备获取的医疗图像中的图像伪影的类型进行分类；

分析与所述医疗图像的获取相关联的系统数据，以识别可能对所述类型的图像伪影有贡献的一个或多个系统参数；

基于所识别的一个或多个系统参数来确定所述误动作是由软件故障还是硬件故障引起的；以及

基于所识别的一个或多个系统参数来提供用于解决所述图像伪影的动作。

2.根据权利要求1所述的方法，其中分析所述系统数据包括解析所述医疗成像设备的系统文件和日志文件。

3.根据权利要求1所述的方法，其中所识别的一个或多个系统参数与所述医疗成像设备的可能对所述类型的图像伪影有贡献的子系统相关联。

4.根据权利要求1所述的方法，还包括获得所述医疗图像中的所述图像伪影的发生时间。

5.根据权利要求4所述的方法，其中分析系统数据包括基于所述图像伪影的所述发生时间来分析图像扫描参数。

6.根据权利要求1所述的方法，其中分析系统数据包括识别超过相应阈值的所述一个或多个系统参数。

7.根据权利要求1所述的方法，其中所述动作包括以下项中的至少一者：向用户提供推荐以及运行用于分析的应用程序。

8.根据权利要求1所述的方法，还包括利用训练数据集来训练所述机器学习模型。

9.根据权利要求1所述的方法，其中所述机器学习模型包括深度神经网络。

10.根据权利要求1所述的方法，其中提供所述动作包括：

响应于确定所述误动作是由所述软件故障引起的，运行用于分析的应用程序；以及

响应于确定所述误动作是由所述硬件故障引起的，提供获得进一步帮助的推荐。

11.一种用于解决医疗成像设备的误动作的系统，所述系统包括：

存储器，所述存储器存储已训练的机器学习模型；和

处理器，所述处理器耦接到所述存储器，所述处理器被配置为：

通过使用所述已训练的机器学习模型来对由所述医疗成像设备获取的医疗图像中的图像伪影的类型进行分类；

分析与所述医疗图像的获取相关联的系统数据，以识别可能对所述类型的图像伪影有贡献的一个或多个系统参数；

基于所识别的一个或多个系统参数确定所述误动作是由软件故障还是硬件故障引起的；以及

基于所识别的一个或多个系统参数来提供用于解决所述图像伪影的动作。

12.根据权利要求11所述的系统，其中所述处理器被配置为通过解析所述医疗成像设备的系统文件和日志文件来分析所述系统数据。

13.根据权利要求11所述的系统，其中所识别的一个或多个系统参数与所述医疗成像设备的可能对所述类型的图像伪影有贡献的子系统相关联。

14.根据权利要求11所述的系统，其中所述处理器被进一步配置为获得所述医疗图像中的所述图像伪影的发生时间。

15.根据权利要求14所述的系统，其中所述处理器被配置为通过基于所述图像伪影的所述发生时间根据所述系统数据分析图像扫描参数来审查所述系统数据。

16.根据权利要求11所述的系统，其中所述处理器被配置为通过识别超过相应阈值的所述一个或多个系统参数来分析系统数据。

17.根据权利要求11所述的系统，其中所述动作包括以下项中的至少一者：向用户提供推荐以及运行用于分析的应用程序。

18.根据权利要求11所述的系统，其中所述处理器被进一步配置为利用训练数据集训练所述机器学习模型。

19.根据权利要求11所述的系统，其中所述机器学习模型包括深度神经网络。

20.根据权利要求11所述的系统，其中提供所述动作包括：

响应于确定所述误动作是由所述软件故障引起的，运行用于分析的应用程序；以及

响应于确定所述误动作是由所述硬件故障引起的，提供获得进一步帮助的推荐。