CN111183486B - 用于提高医学成像设备的可靠性的系统和方法 - Google Patents
用于提高医学成像设备的可靠性的系统和方法 Download PDFInfo
- Publication number
- CN111183486B CN111183486B CN201880064981.2A CN201880064981A CN111183486B CN 111183486 B CN111183486 B CN 111183486B CN 201880064981 A CN201880064981 A CN 201880064981A CN 111183486 B CN111183486 B CN 111183486B
- Authority
- CN
- China
- Prior art keywords
- long
- term memory
- log file
- workflow
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 98
- 238000005065 mining Methods 0.000 claims abstract description 31
- 230000007787 long-term memory Effects 0.000 claims abstract description 20
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000013515 script Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims 2
- 238000003062 neural network model Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 34
- 230000008901 benefit Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
公开了用于生成用于医学成像设备的设备测试用例的系统和方法,该系统和方法不仅反映了该设备的当前的实际现场使用情况,而且还提供了对未来的使用情况的展望。通过挖掘当前使用模式,根据存在于设备现场日志中的历史数据来生成使用模式的概率模型。构建使用模式的深度长短期记忆神经网络模型来预测未来使用模式。另外,为了捕获现场中的设备使用模式的变化趋势,不断实时更新预测模型并将由该模型生成的测试用例集成到自动化测试系统中。
Description
技术领域
下文总体上涉及提高医学成像设备的可靠性。
背景技术
对医学设备进行全面测试以确保一致和可靠的功能至关重要,因为这样的设备中的硬件或软件故障会对患者诊断过程造成不利影响。此外,设备故障还可能会降低使用这些设备的医院的工作效率。在常规的机器测试方法中,现场专家将准备操作配置文件,该操作配置文件类似于技术人员在医院中执行的临床工作流程。操作配置文件通常包含用于按照扫描工作流程和对应的软件操作对各种解剖结构进行成像的典型的工作流程。然后,设备验证团队使用该配置文件来验证机器的功能。
在准备包括测试场景的全面列表的设备操作配置文件时,存在若干挑战。成像设备通过允许技术人员修改不同的对比度参数来实现期望的图像对比度,从而促进生成期望的对比度的图像。在本领域中使用的这样的不同的对比度配置的数量非常高。要求在操作配置文件中包括与实际现场使用情况成比例的若干这样的配置。
另外,成像设备使得技术人员能够经由设备UI来执行许多管理操作和图像后处理操作。因此,技术人员通常会在这样的UI的帮助下执行多项任务并并行处理多个患者。例如,技术人员可以参与如下多个活动,例如,对来自先前的患者/扫描的图像进行后处理,打印图像,在当前扫描正在进行的过程中传输图像。为了确保医学设备在这种情况下可靠地运行,要求根据实际现场使用情况在操作配置文件中包括所有提供的UI操作的使用情况。
另外,医学设备附带的一些高级成像功能需要大量的计算和存储,而利用这些功能可能会导致设备软件系统挂起甚至崩溃。因此,在操作配置文件中包括这些功能的使用情况是极其重要的。
成像设备在该领域中的实际使用中的变化是另一方面,这使得设想全面的使用场景极具挑战性。临床扫描序列会基于患者的病理状况而有很大不同。例如,用于研究细胞结构的成像技术可能与用于分析脑出血的成像技术显著不同。另外,临床扫描序列也会基于医院的临床实践而有所不同。此外,医院不断发明出有效和改进的扫描序列。因此,需要对当前已知的扫描配置进行外推以预测未来的进展并将其包括在操作配置文件中。另外,要求不断更新操作配置文件以捕获临床实践中正在发展的趋势。
执行成像设备的实际测试所涉及的成本和时间限制了能够被包括在操作配置文件中的测试数量。例如,MRI机器的操作和维护成本非常高,估计每天大约为1000美元。另外,完成一项临床方案所要求的平均时间估计大约为30分钟。这意味着在操作配置文件中包括的协议需要简洁地表示成像设备的现场使用情况。
成像设备将对所有执行的扫描和UI操作的描述以及时间戳记录到日志文件中。另外,日志包含辅助信息以指示临床工作流程的开始和结束。在日志文件中存储的事件时间戳能够用于将日志信息按机器操作的时间顺序布置,并且开始指示器和结束指示器能够用于提取临床工作流程。因此,日志文件适合用于提取对实际设备的现场使用情况的了解内容。另外,由于能够每天从全球的机器安装设施中获得日志文件,因此日志文件适合用于分析和捕获正在发展的临床趋势。另外,由于日志文件是对机器的实际使用情况的描述,因此从日志文件导出的测试用例几乎不要求验证。
常规的测试方法是由现场专家准备的操作配置文件来驱动的。然而,这些配置文件仅限于专家的知识并且常常不能充分表示整个临床工作流程。另外,这样的配置文件很少更新,因此可能无法很好地反映出不断发展的临床实践。
在大多数繁忙的医院中,技术人员通常会执行多项任务并会并行处理多个患者或检查。例如,技术人员可以参与如下多个活动,例如,对来自先前的患者/扫描的图像进行后处理,打印图像,在当前扫描正在进行的过程中传输图像。这样的活动的不同组合非常多。例如,通过修改各种机器参数,技术人员能够配置200多种独特的扫描。然后,他/她将通过按最适合用于当前患者的场景的序列选择这样的扫描的子集来配置检查。一个典型的检查将进行10次这样的扫描,这意味着扫描的可能的排列组合的总数将超过一百万。因此,专家很难识别这样的活动的最可能组合并将其包括在操作配置文件中。
常规的测试方法的另一缺点是:常规的测试方法通常不包括用于预测未来使用模式和将未来使用模式并入测试系统的模块。这些方法通常仅限于使用明确指定的测试场景,这会在面对不熟悉的使用模式时增加设备故障的风险。
现场日志文件包含关于医学设备的实际使用情况的大量信息。然而,在利用现场日志文件来导出测试使用模式的方面存在许多挑战。首先,由于设备使用情况的变化,准确地识别最为主导的工作流程并非易事。例如,技术人员能够以许多不同的顺序执行同一组扫描。另外,由于能够修改若干机器参数以适合患者的状况,因此使用模式通常是稀疏分布的。因此,导出的测试模式可能无法完全表示实际的设备使用情况。另外,确保通过对在现场日志中找到的使用模式进行外推而导出的测试模式与机器的实际临床使用情况相吻合也是一项挑战。
鉴于在准备操作配置文件和使用日志文件的方面存在上述挑战,需要创新的测试方法来将现场临床工作流程与通过未来自现场日志文件的实际工作流程外推到测试系统中而导出的工作流程无缝地集成在一起。
下文公开了某些改进。
发明内容
在一个公开的方面中,一种促进生成用于医学成像设备的测试脚本的系统包括:现场日志文件数据库,其上存储有现场日志文件,所述现场日志文件包括与由一个或多个成像设备执行的检查有关的数据。所述系统还包括:一个或多个处理器,其被配置为运行:挖掘模块,其被配置为处理在所述数据库中存储的所述现场日志文件并识别主导的现场使用模式;以及预测模块,其被配置为通过处理在所述数据库中存储的所述现场日志文件来预测未来的工作流程模式。所述系统还包括:测试用例准备和运行模块,其被配置为至少部分地基于识别出的使用模式和所述未来的工作流程模式来生成并运行用于成像设备的至少一个测试脚本。
在另一公开的方面中,一种生成用于医学成像设备的测试脚本的方法包括:接收现场日志文件,所述现场日志文件包括与由一个或多个成像设备执行的检查有关的数据;处理所述现场日志文件并识别主导的现场使用模式;并且构建和训练长短期记忆(LSTM)神经网络以识别未来的工作流程模式。所述方法还包括:至少部分地基于识别出的使用模式和所述未来的工作流程模式来生成并运行用于测试成像设备的至少一个测试脚本。
在另一公开的方面中,一种预测针对医学成像设备的未来的工作流程模式的方法包括:关于扫描序列来识别由多个医学成像设备执行的所有检查E;构建长短期记忆(LSTM)神经网络模型以用于预测未来的工作流程;并且通过跨所有检查收集独特的扫描名称来生成扫描名称和用户界面(UI)操作的词典D。所述方法还包括:通过识别E的每个词典词在D中的索引来生成E的独热编码。
在另一公开的方面中,一种促进使用来自多个成像设备的数据日志文件中的信息来生成用于在成像设备中运行的测试用例的系统包括:多个成像设备(120、122、124),其生成日志文件;日志文件数据库(20),其存储所述日志文件;以及一个或多个处理器(14),其被配置为:识别包括由所述成像设备执行的扫描操作序列的工作流程。所述一个或多个处理器还被配置为:在识别出的工作流程中识别意外的无效使用模式和意外的有效使用模式;生成针对新的扫描产品和新的扫描产品更新中的至少一个的测试用例序列;并且调度所述测试用例序列以用于在所述多个成像设备中的一个或多个上运行,以便测试所述新的扫描产品和所述新的扫描产品更新中的至少一个。
一个优点在于可以跨一队医学成像设备提高测试的简便性。
另一优点在于对工作流程预测的动态更新。
给定的实施例可以提供前述优点中的一个、两个、更多个或所有优点,并且/或者可以提供其他优点,这对于本领域普通技术人员来说,在阅读和理解了本公开内容后将变得显而易见。
附图说明
本发明可以采取各种部件和各种部件的布置以及各个步骤和各个步骤的安排的形式。附图仅出于说明优选实施例的目的,而不应被解释为限制本发明。
图1示出了根据本文描述的一个或多个方面的促进生成针对测试医学成像设备的测试用例的系统。
图2图示了根据本文描述的一个或多个方面的用于生成本文描述的神经网络的方法。
图3图示了根据本文描述的一个或多个特征的用于训练神经网络的方法。
图4图示了根据本文描述的一个或多个特征的示出本发明的详细方面的框图。
图5示意性地示出了根据本文描述的一个或多个方面的分析器模块的各个方面。
图6示出了根据本文描述的一个或多个方面的识别工作流程的方法。
图7示出了根据本文描述的一个或多个方面的能够经由其对工作流程进行分层的准则的各种示例。
图8示出了根据本文描述的一个或多个方面的用于(例如由处理器14(图1))分析分层工作流程的方法。
图9图示了根据本文描述的一个或多个方面的用于分析工作流程的方法。
图10图示了用于生成工作流程概要的方法。
图11示出了根据本文描述的一个或多个特征的用于外推测试用例的方法。
图12示出了根据本文描述的一个或多个特征的用于预测未来的使用情况测试用例的方法。
图13示出了根据本文描述的一个或多个特征的生成使用情况报告的方法。
图14示出了根据本文描述的一个或多个特征的例如能够由(一个或多个)分层分析模块执行的用于分析执行情况的方法。
图15示出了根据本文描述的各个方面的例如能够由动态模型建立器调度器执行的、用于调度测试用例以用于由一个或多个成像设备运行的方法。
具体实施方式
所描述的系统和方法涉及如下测试方法:该测试方法旨在通过广泛地分析现场日志文件以利用医院中遵循的实际工作流程来扩展操作配置文件中提供的工作流程,从而克服常规测试方法的局限性。该方法首先处理日志文件以识别不同的工作流程,并且通过合并跨医院的工作流程来导出最重要的使用模式。该方法通过使用机器学习技术预测当前遵循的工作流程中的可能的未来的变化并将这些预测的配置文件添加到测试系统来进一步改善操作配置文件。另外,所提出的方法预测新引入的产品特征的使用情况并生成包括这些新引入的产品特征的新的操作配置文件。另外,该方法利用新的可用的现场日志不断实时更新所建立的机器学习模型。另外,该方法提供了全自动的测试系统,该系统可以不断集成从现场日志和预测的工作流程中导出的新的测试用例。
除了生成操作配置文件之外,所描述的创新还生成所有可用的扫描类型、UI操作和系统的其他模块的使用情况报告。该报告包括(但不限于)广泛使用的扫描类型、广泛使用的UI操作、很少使用的扫描类型、很少使用的UI操作等。另外,所描述的创新还生成医学设备的广泛的执行情况报告。该报告包括(但不限于)CPU使用情况、存储器使用情况、对每种扫描类型所用时间的分析、每种UI操作的使用时间的分析、各种机器学习模块的执行情况、图像质量的分析等。
所提出的方法解决了在利用现场日志文件导出主导的使用模式的方面的挑战。除了识别最常用的使用模式之外,该方法还建立了使用模式的概率模型并探索了多种概率不同的模式。这确保了所导出的模式涵盖使用模式的稀疏空间。由于所预测的模式是由实际使用模式组成的,因此预期结果得到的模式将与机器的实际临床使用情况一致。另外,该方法建立了使用模式的多层神经网络(例如,长短期记忆(LSTM))模型,这提供了多重优点。多层神经网络模型能够学习针对输入序列中的样本的适当权重,而无需考虑其输入位置。因此,即使在设备使用中顺序不一致,多层神经网络预测的使用模式也可以有效地总结实际的设备使用情况。
另外,多层神经网络模型具有学习数据中的语义关系的固有能力。这不仅使得所提出的方法学能够预测使用模式的变化,而且还确保了所预测的模式与机器的实际临床使用情况保持一致。另外,所提出的方法生成包括医学设备的可能的意外使用的操作配置文件。这可以通过两种方式来完成。首先,通过分析现场日志文件来识别现场中的意外使用。其次,通过使用前述的多层神经网络和统计模型对现场日志文件进行合成。最后,所提出的系统和方法具有在使用分层流程识别的数据的任何子集上生成操作配置文件的能力。
图1示出了根据本文描述的一个或多个方面的促进生成用于测试医学成像设备的测试用例的系统10。系统10包括测试模块或设备12,该测试模块或设备12被耦合到用户界面(UI)13、处理器14和存储器16(即,计算机可读介质)并被配置为识别针对由系统10进行测试的医学设备的使用模式。在本文中,“使用模式”(也被称为“工作流程模式”)被定义为检查中的扫描序列以及在检查期间执行的并行的用户界面(UI)操作。
处理器14运行用于执行如本文所述的各种功能、方法等的一个或多个计算机可执行模块,并且存储器16存储该计算机可执行模块。如本文所使用的“模块”表示计算机可执行算法、例程、应用程序、程序等和/或运行所述计算机可执行算法、例程、应用程序或程序等的处理器。
存储器16可以是其上存储有控制程序的计算机可读介质,例如,磁盘、硬盘驱动器等。计算机可读介质的常见形式例如包括软盘、软磁盘、硬盘、磁带或任何其他磁性存储介质、CD-ROM、DVD或任何其他光学介质、RAM、ROM、PROM、EPROM、FLASH-EPROM、其变体、其他存储芯片或盒式磁带或处理器14能够从中读取并运行的任何其他有形介质。在该背景中,所述系统可以被实施在一个或多个通用计算机、(一个或多个)专用计算机、编程的微处理器或微控制器以及外围集成电路元件、ASIC或其他集成电路、数字信号处理器、硬连线电子电路或逻辑电路(例如,分立元件电路)、可编程逻辑设备(例如,PLD、PLA、FPGA、图形处理单元(GPU)或PAL)等上,或者被实施为一个或多个通用计算机、(一个或多个)专用计算机、编程的微处理器或微控制器以及外围集成电路元件、ASIC或其他集成电路、数字信号处理器、硬连线电子电路或逻辑电路(例如,分立元件电路)、可编程逻辑设备(例如,PLD、PLA、FPGA、图形处理单元(GPU)或PAL)等。
测试模块12接收新的现场日志文件18并将其存储在现场日志文件数据库20中。也就是说,从被安装在医院等中的成像设备产生的日志文件被存储在现场日志文件数据库中。所存储的日志文件从数据库20被提供给预测未来的工作流程的预测模块22和从日志文件中挖掘工作流程模式的挖掘模块24。新的日志文件18还被提供给挖掘模式更新模块26和预测模式更新模块,挖掘模式更新模块26基于新的输入来更新挖掘的工作流程模式,预测模式更新模块更新由预测模块22预测的模式。测试用例准备模块30接收来自预测模块22、挖掘模块24、挖掘模式更新模块26和预测模式更新模块28中的每个的输入并被配置为生成测试用例并在给定的成像设备32上执行一个或多个测试。
预测模块22通过处理数据库20中存储的日志文件来预测当前主导的工作流程模式的未来变化,从而预测未来的工作流程。日志文件包含在成像设备上执行的不同操作的详细信息。预测模块首先关于扫描序列来识别所有检查。然后,预测模块使用以下流程来建立多层神经网络模型以预测未来的工作流程:
数据准备:令E为所有检查的集合,其中,第i个检查Ei的定义如下:
Ei=Ei1,Ei2,…,Eip,对于i=1,2,…,n,
其中,Eij是Ei中的第j个扫描的名称,ip是Ei中的扫描和UI操作的数量,并且n是E中的检查的总数。检查的开始和结束分别被表示为特殊扫描并且分别被称为开始扫描和结束扫描。修改E中的每一个检查以包括开始扫描和结束扫描,使得Ei1为开始扫描并且Eip为结束扫描。
预测模块22通过在所有检查上收集独特的名称来生成扫描名称和UI操作的词典D,D的定义如下:
D=D1,D2,…,Dl,
其中,Di是词典中的第i个词,并且l是词典中的元素的数量。
另外,预测模块通过识别E的每个词典词在D中的索引来生成E的“独热编码”。“独热编码”的定义如下:
OHE词典词=[x0,x1,…,xn-1],
其中,如果i=D中的词典词的索引,则xi=1;否则,xi=0
对LSTM的输入张量X和输出张量y的准备如下:
X=X1,X2,…,Xn,其中,第i个元素Xi的定义如下:
Xi=OHE(Ei1),OHE(Ei2),…,OHE(Eip-1),并且
y=y1,y2,…,yn,其中,第i个元素yi的定义如下:
yi=OHE(Ei2),OHE(Ei3),…,OHE(Eip)
仍然参考图1,预测模块22使用在训练网络步骤期间建立的LSTM模型运行以下流程来预测工作流程:
令U为针对LSTM模型的输入张量,U的定义如下:
U=OHE(U1),OHE(U2),…,OHE(Uk),
其中,Ui(对于i=i至k)是输入的词典词,并且U1=开始扫描。
令pred为LSTM预测函数,其形式为:
predU=[V1,V2,…,Vk],
其中,每个Vi(对于i=i至k)是针对词典D中的每个词的类别概率向量。
令V1=[p0,p1,…,pl-1],
其中,p0是词典中的第一个词的概率,p1是词典中的第二个词的概率,依此类推。令rand(p0,p1,…,pl-1)为根据给定的概率分布p0,p1,…,pl-1在范围(0,l-1)内的随机索引生成器。
然后,能够使用以下公式来导出预测的词典词:
scanpredU=D[predU的randlast元素]
用于预测的初始输入张量I被准备如下:
I=[OHE开始扫描]
另外,预测的检查P的初始化如下:
P=[开始扫描]
针对I的预测的扫描名称被给定如下:
c=scanpred(I)
接下来,使用预测的扫描名称来更新I和P,如下所示:
I=[I,OHE(c)],并且
P=[P,c]
更新的I还用于预测下一个词典词。重复该预测直到c=结束扫描。当遇到结束扫描时,更新的P被识别为预测的未来的工作流程。由于词典同时包含扫描名称和UI操作,因此预测的未来的工作流程将同时包含扫描名称和UI操作。重复上述流程以获得多个未来的工作流程。
预测模式更新模块28使用新的可用的现场日志文件来更新由预测模块生成的使用模式的多层神经网络模型。预测模块首先关于新的日志文件中的扫描序列来识别所有检查。预测模式更新模块28通过将新的检查与预测模块在预测未来的工作流程时在所存储的数据库日志文件中识别的检查进行组合来生成新的数据集,并且遵循与预测模块22的流程相似的流程来生成更新的预测的使用模式的集合。
挖掘模块24处理数据库20中存储的日志文件以确定最为主导的现场使用模式。日志文件包含在医学设备上执行的不同操作的详细信息。挖掘模块24首先关于扫描序列和检查期间执行的并行的UI操作来识别所有检查。然后,挖掘模块24以树数据结构表示识别出的检查。检查中的每个扫描都被表示为树中的一个节点,并且从一个扫描到另一扫描的转变被表示为树中的一条边。每个节点存储在填充树时遇到该节点的计数。检查的开始和结束被表示为树中的特殊节点并且分别被称为开始节点和结束节点。另外,挖掘模块24存储在检查期间在结束节点上执行的UI操作。在利用日志文件数据库中的所有检查填充树之后,在结束节点中存储的计数将表示存在于日志文件数据库中的特定检查的计数。然后,挖掘模块24使用以下流程(其被称为流程1和流程2)来生成两个主导的使用情况的集合。
流程1:该流程识别最常用的检查并使用以下流程将最常用的检查建议为主导的使用模式:令Ci为在第i个结束节点上存储的计数。然后,第k个最为主导的模式的定义如下:
Ek=[Ek0,Ek1,…,Ekn],对于k=1,2,…,
其中,Ek0是开始节点,Ekn是第k个出现次数最多的结束节点。
流程2:该流程生成使用模式的概率模型并使用以下流程来确定最为主导的现场使用模式:令Cij为在树的第i个节点的第j个子节点中存储的计数。然后,Pij是从第i个节点到第i个节点的第j个子节点的转变概率,其被定义如下:
Pij=CijSi
其中,Si=Cij,并且n是第i个节点的子节点的数量。
另外,第k个最为主导的模式的定义如下:
Ek=[Ek0,Ek1,…,Ekn],对于k=1,2,…,
其中,Ek0是开始节点,Ekn是结束节点,Ek1是Ek0的第k个最可能的子节点,依此类推。
挖掘模式更新模块26使用新的可用的现场日志文件18来更新挖掘模块24在挖掘工作流程模式时生成的使用模式的概率模型。挖掘模式更新模块26首先关于扫描序列和新的日志文件18中的检查期间执行的并行的UI操作来识别所有检查。然后,挖掘模式更新模块26通过将新的检查与挖掘模块24在挖掘工作流程模式时识别的检查进行组合来生成新的数据集,并且遵循与挖掘模块运行的流程相似的流程以生成更新的主导的现场使用模式。
测试用例准备模块30使用由其他模块识别的使用模式来生成测试脚本,在成像设备上执行测试,并且生成测试报告。
继续参考图1,图2图示了根据本文描述的一个或多个方面的例如能够由图1的预测模块22执行的用于生成本文描述的神经网络的方法。如图2所示,使用两层(或更多层)LSTM来构建多层长短期记忆(LSTM)网络。然而,应当理解,在构建神经网络时可以采用更多或更少的层。在50处,接收输入张量X作为输入层。在52处,将输入层紧密地连接到第一LSTM层。LSTM层由一个或多个LSTM单元组成。每个LSTM单元包含三个门,即,输入门、忘记门和输出门,其公式如下所示:
i(t)=g(WxiX(t)+WhiH(t-1)+Bi],对于t=0,1,2,…,
f(t)=g(WxfX(t)+WhfH(t-1)+Bf],对于t=0,1,2,…,
o(t)=g(WxoX(t)+WhoH(t-1)+Bo],对于t=0,1,2,…,其中,i(t)是输入门,f(t)是忘记门,并且o(t)是在时间t时的输出门激活,Wx是权重,并且B是偏置,X(t)是在时间t时的输入,并且H(t-1)是在上一时间步骤处的单元输出。通过tanh对输入进行变换,如下所示:
c_in(t)=tanh(WxcX(t)+WhcH(t-1)+Bc_in],对于t=0,1,2,…,其中,c_in(t)是变换的输入,Wx是权重,并且B是偏置,X(t)是在时间t时的输入,并且H(t-1)是在上一时间步骤处的单元输出。另外,隐藏状态的更新如下:
c(t)=f(t)*c(t-1)+i(t)*c_in(t),对于t=0,1,2,…,
h(t)=o(t)*tanh(c(t)),对于t=0,1,2,…,
这里,*是逐元素的乘积运算,并且c(t-1)是在上一时间步骤处的单元激活,并且h(t)是在时间t时的单元输出。在54处,将dropout函数应用于第一LSTM层以改善网络规则性。dropout函数会忽略网络节点的一小部分和在训练期间的对应激活。dropout函数会随机选择新的节点集合并在每一次训练迭代时进行替换。在56处,将第二LSTM层紧密地连接到第一LSTM层,在58处,将dropout函数应用于第二LSTM层。因此,将每个LSTM层都进一步紧密地连接到下一级LSTM层,并且应用dropout函数来进一步改善网络规则性。在60处,将最后一个LSTM层紧密地连接到“softmax”输出层。softmax函数如下所示:
对于j=1,1,2,…K,
其中,Z是针对该函数的K维输入,并且exp是指数函数。
图3图示了根据本文描述的一个或多个特征的用于训练神经网络的方法。在训练网络时,在80处,将输入张量X划分成相等扫描长度的检查的批量。然后,在82处,在训练期间,滚动网络以匹配批量扫描长度。这里,滚动是指复制LSTM单元以匹配输入长度的流程而使所有这样的复制单元都使用网络权重和偏置的相同副本。分类交叉熵用作损失函数,在84处,分类交叉熵利用输出张量y来计算损失。分类交叉熵的定义如下:
H(p,y)=-∑xp(x)log(y(x)),
其中,p是真实分布。然而,应当理解,在构建神经网络时,可以采用若干其他损失函数(例如,均方误差、Kullback Leibler散度等)。另外,在86处,自适应矩估计(ADAM)优化用于在每个时期期间更新网络权重(即,在所有训练示例中一个向前通过并且一个向后通过)。然而,应当理解,在训练神经网络时,可以采用若干其他优化函数(例如,随机梯度下降、RMSprop、Adagrad等)。
图4图示了根据本文描述的一个或多个特征的示出本创新的例如可以由图1的系统10包括的并且可以由处理器14运行的详细方面的框图。数据库20接收并存储来自多个用户设备120、122、124(即,医学成像设备)中的每个的日志文件和监视代理报告,多个用户设备120、122、124(即,医学成像设备)中的每个包括各自的执行情况监视代理121、123、125。动态模型建立器调度器模块126从数据库120接收所有可用的日志文件和报告以及用于调度测试用例的调度流程配置信息。能由处理器14(图1)运行的分析器模块128除了接收分析器配置信息和用于定义执行分析的规则的规则库之外,还从调度器模块126接收所有可用的日志文件和报告。分析器将执行情况更新传输到用户设备120、122、124中的每个。在一个或多个实施例中,分析器模块执行图1的挖掘模块24和/或未来的工作流程预测模块22的功能。在这方面,图1的挖掘模块和/或未来的工作流程预测模块能够被视为包括图4的分析器,使得由分析器模块128执行的所有功能、流程、方法等均能够由挖掘模块24和/或未来的工作流程预测模块22类似地执行。
分析器128还识别额外的信息并将其传输到产品营销服务器130,额外的信息包括但不限于正在分析的成像设备的意外的无效用例、意外的有效用例、执行情况报告、使用情况报告等。基于该信息,产品和营销服务器130部署一个或多个改进的产品版本132,其将作为产品更新被传输给用户设备。另外,分析器128将选定的最优测试用例集合传输到评价团队服务器134,以用于评价测试用例和生成被提供给产品和营销服务器130的测试报告,从而改善产品版本。
图5示意性地示出了根据本文描述的一个或多个方面的分析器模块128的各个方面。分析器模块接收所有可用的日志文件并监视代理报告,并且工作流程识别模块140从中识别工作流程并将识别出的工作流程提供给分层模块142。分层工作流程由多个分层分析模块进行分析,这多个分层分析模块包括分析第一分层工作流程的第一分层分析模块144至分析第n分层工作流程的第n分层分析模块146。每个分层分析模块144、146生成测试用例,该测试用例被提供给测试集合优化器模块148,该测试集合优化器模块148基于一个或多个预定义准则来生成和输出最优测试集合。每个分层分析模块144、146识别意外的有效用例并将其提供给有效用例组合器模块150,该有效用例组合器模块150组合并输出意外的有效用例。分层分析器模块还识别意外的无效用例并将其传输到无效用例组合器模块152,该无效用例组合器模块152组合并输出意外的无效用例。执行情况报告由分层分析器提供给执行情况报告组合器模块154,该执行情况报告组合器模块154组合并输出执行情况报告。另外,分层分析器将使用情况报告提供给使用情况报告组合器模块156,该使用情况报告组合器模块156组合并输出使用情况报告。
图6示出了根据本文描述的一个或多个方面的例如由工作流程识别模块140在由处理器(例如,图1的处理器14)运行时执行的识别工作流程的方法。工作流程识别模块接收所有可用的日志文件以及分析器配置信息。对于每个日志文件,工作流程识别模块140在180处识别序列操作,在182处识别并行操作,在184处识别每个工作流程的开始和结束,在186处识别执行情况度量,并且在188处识别针对每个工作流程的属性。根据这些识别的信息部分,工作流程识别模块140在190处生成和输出一个或多个工作流程。
图7示出了根据本文描述的一个或多个方面的能够由分层模块142对工作流程进行分层所基于的准则的各种示例。分层模块接收由工作流程识别模块140(图6)生成的工作流程以及分析器配置信息,并且基于一个或多个准则或参数对工作流程进行分层,在分析器配置信息中可以指定这些准则或参数。在第一示例中,基于解剖结构(例如,使用各自的工作流程所成像的患者的解剖区域)对工作流程进行分层。在第二示例中,基于使用各自的工作流程的设备被安装到其中的区域(例如,物理位置或区域、医院或部门等)对工作流程进行分层。在第三示例中,基于采用工作流程的医院的类型(例如,手术中心、癌症中心等)对工作流程进行分层。在第四示例中,基于患者类型(例如,儿科、老年医学等)或基于给定的预设对工作流程进行分层。在第五示例中,基于在使用工作流程的设备中检测到的错误、崩溃、扫描中止等中的一个或多个对工作流程进行分层。在另一示例中,如果分析器配置信息指示了所有可用的工作流程,则无需分层即可通过。在任何情况下都将输出针对每个分层(1、2、…、n)的工作流程。
图8示出了根据本文描述的一个或多个方面的可以由(一个或多个)分层分析模块144(和146)在由处理器(例如,处理器14(图1))运行时执行的用于分析分层工作流程的方法。分层分析模块接收由分层模块142输出的分层的工作流程以及监视代理报告、分析器配置信息和定义一个或多个用于分析分层工作流程的规则的规则库信息。在220处,执行工作流程分析以识别和输出测试用例、意外的有效用例和意外的无效用例。另外,输出针对分层的工作流程中包括的所有操作的使用情况分布信息,并且在222处执行使用情况分析以生成和输出描述工作流程和/或采用该工作流程的成像设备的执行情况的执行情况报告。
图9图示了根据本文描述的一个或多个方面的例如可以由工作流程分析模块220在由处理器(例如,图1的处理器14)运行时执行的用于分析工作流程的方法。工作流程分析模块220接收针对给定的工作流程分层的工作流程。在240处,工作流程分析模块生成工作流程的概要。该概要包括针对该分层所包括的工作流程内的所有操作的使用情况分布信息作为输出。在242处,使用规则库来确定识别出的测试用例是否有效。在现场实践(并由挖掘日志文件生成)但未根据规则库进行验证的测试用例被视为意外的有效测试用例。在现场实践并根据规则库得到验证的测试用例将作为有效测试用例而输出。
在244处,执行测试用例外推。该步骤可以与由挖掘模块24(图1)执行的动作相似或相同。能够使用例如序列操作的条件概率树(即,在工作流程期间按序列执行的操作)以及针对每个序列操作的并行操作的分布来执行测试用例外推。在246处,根据规则库来确定外推的测试用例是否有效。无效用例将作为意外的无效用例而输出,而根据规则库有效的外推的测试用例将被输出到有效测试用例的池中。
另外,在248处,能够分析在240处识别的测试用例,以便生成未来的使用情况测试用例。该步骤可以与由未来的工作流程预测模块22(图1)执行的动作相似或相同。在250处,根据规则库来确定预测的未来的使用情况测试用例是否有效。无效测试用例将作为意外的无效用例而输出,而根据规则库有效的预测的未来的使用情况测试用例将被输出到有效测试用例的池中。
图10图示了例如由关于图9描述的工作流程分析模块220执行的用于生成工作流程概要的方法。工作流程分析模块接收针对给定分层的一个或多个工作流程以及分析器配置信息,并且在260处识别针对在每个工作流程中执行的序列操作的每个序列的频率。在262处,识别针对每个序列操作的对应的并行操作,并且生成针对由工作流程分析模块输出的测试用例264的分布信息。
同时,在266处,生成条件概率树以表示针对分层工作流程中的序列操作路径的概率。在节点S中识别序列操作,其概率被表示为树中的边。另外,在268处,针对每个序列操作生成针对并行操作的使用情况分布信息270。在272处,生成和输出针对所有(并行和序列)操作的使用情况分布信息274。
图11示出了根据本文描述的一个或多个特征的例如能够由工作流程分析模块220在图9的步骤244处执行的用于外推测试用例的方法。当接收到与序列操作的条件概率树有关的信息、针对每个序列操作的并行操作的使用情况分布以及分析器配置信息之后,工作流程分析模块220在280处遍历条件概率树并生成序列操作的序列以形成测试用例。在282处,使用针对每个序列操作的并行操作的使用情况分布来执行并行操作集成以生成外推的测试用例284。
图12示出了根据本文描述的一个或多个特征的例如能够由工作流程分析模块220在图9的步骤248处执行的用于预测未来的使用情况测试用例的方法。当接收到与在240处识别的测试用例有关的信息、针对每个序列操作的并行操作的使用情况分布以及分析器配置信息之后,工作流程分析模块220在300处基于工作流程的语义分析来建立并输出预测性使用情况模型。根据示例,当针对给定的成像模态引入新的扫描类型时,从现场得到的扫描类型的使用示例可能很少。语义分析模型促进基于相似扫描类型(例如,具有相似参数的扫描类型)的使用情况来预测新的扫描类型的未来的使用情况,而无需重写特定规则。
在302处,使用使用情况模型来预测序列操作的序列,并且序列操作的序列包括新引入的序列操作,以便生成序列操作测试用例。同时,在304处,以无限制的方式预测序列操作的序列(即,包括所有序列操作,而不仅仅是新引入的序列操作),以生成额外的序列操作测试用例。在306处,对在302和304处生成的序列操作测试用例执行并行操作集成,以便生成和输出未来的使用情况测试用例308。
图13示出了根据本文描述的一个或多个特征的生成例如由分析器模块128的分层分析模块144向图4的产品和营销服务器130输出的使用情况报告的方法。在320处,识别广泛使用的序列操作。在一个实施例中,“广泛使用”表示高于第一预定义阈值水平(例如,工作流程的20%、工作流程的40%或某个其他预定义阈值水平)的使用。在322处,识别较少使用的序列操作。在一个实施例中,“较少使用”表示低于第一预定义阈值水平的使用。在324处,识别广泛使用的并行操作。并行操作的广泛使用可以被定义为高于用于广泛使用的序列操作的第一阈值或不同的(第二)阈值水平。在326处,识别较少使用的并行操作。并行操作的较少使用可以被定义为低于用于识别广泛使用的并行操作的阈值的使用。
另外,在328处,通过在使用情况分布中识别相似类型的操作来预测新引入操作的未来使用模式。例如,在新的扫描类型或用户界面作为新的建立版本被投放到市场之前,当针对给定的成像设备引入新的扫描类型或用户界面时,分层分析模块144使用使用情况分布信息,基于类似的操作类型的使用情况来预测针对扫描类型或用户界面的未来使用模式。应当理解,可以并行(同时)或序列(以任何期望的顺序)地执行在使用情况分析期间执行的步骤中的任何两个或更多个,以便生成和输出使用情况报告。
图14示出了根据本文描述的一个或多个特征的例如能够由(一个或多个)分层分析模块144(和146)(参见例如图5)在步骤244(图9)处执行的用于分析执行情况的方法。提供了能够被分析以生成执行情况报告和/或更新的参数示例。当接收到分层工作流程信息之后,在340处分析和/或计算执行多种扫描类型中的每种所要求的时间量。在342处,分析和/或计算针对每个扫描和/或UI操作的存储器要求。在344处,分析和/或计算针对使用的每种成像模态的图像质量。在346处,分析和/或计算用户利用多个UI操作中的每个所花费的时间量。在348处,分析和/或计算利用给定产品部署的多个机器学习模型中的每个的执行情况。前述分析和/或计算中的任一个或全部能够被包括在由本文描述的分层分析模块输出的执行情况报告中。
当从执行情况监视代理121、123、125(图1)接收到一个或多个报告之后,在350处分析和/或计算针对给定产品的处理(CPU)使用模式。在352处,分析和/或计算针对给定产品的存储器使用模式。在354处,分析和/或计算针对给定产品的运行时间模式。前述分析和/或计算中的任一个或全部能够被包括在由本文描述的分层分析模块输出的(一个或多个)执行情况更新中。
图15示出了根据本文描述的各个方面的例如能够由动态模型建立器调度器126执行的、用于调度测试用例以用于由一个或多个成像设备运行的方法。在接收到所有可用的日志文件和监视报告之后,在370处,能够基于一个或多个准则(自上一次运行以来的时间、成像设备的可用性、操作状态等)来确定能够被调度以供运行的给定测试用例。如果在370处确定为不满足一个或多个准则(否定结果),则该方法将迭代地循环以继续尝试对测试用例协议的调度。如果在370处确定为肯定结果,则在372处调度测试用例以供运行。
所提出的方法产生若干测试用例,它们表示现场的实际设备使用情况。在磁共振成像(MRI)的情况下,将测试用例转换成MRI检查卡以执行设备测试。
已经参考优选实施例描述了本发明。他人在阅读和理解前面的具体描述的情况下可以想到修改和替代。本文旨在将示例性实施例解释为包括所有这样的修改和替代,只要它们落入权利要求书及其等价方案的范围内。
Claims (18)
1.一种促进生成用于医学成像设备的测试脚本的系统,包括:
现场日志文件数据库,其上存储有现场日志文件,所述现场日志文件包括与由一个或多个成像设备执行的检查有关的数据;以及
一个或多个处理器,其被配置为运行:
挖掘模块,其被配置为处理在所述数据库中存储的所述现场日志文件并识别主导的现场使用模式;
预测模块,其被配置为通过处理在所述数据库中存储的所述现场日志文件来预测未来的工作流程模式;以及
测试用例准备和运行模块,其被配置为至少部分地基于识别出的使用模式和所述未来的工作流程模式来生成并运行用于成像设备的至少一个测试脚本。
2.根据权利要求1所述的系统,还包括:
挖掘模式更新模块,其被配置为分析新的现场日志文件以更新识别出的使用模式;以及
预测模式更新模块,其被配置为分析所述新的现场日志文件以更新所预测的工作流程模式。
3.根据权利要求1或2中的任一项所述的系统,其中,所述挖掘模块还被配置为:
关于扫描序列和每次检查期间执行的并行的用户界面操作来识别所有检查。
4.根据权利要求3所述的系统,其中,所述挖掘模块还被配置为:
以树数据结构来表示识别出的检查,使得对检查的每个扫描都被表示为所述树中的一个节点,并且从一个扫描到另一扫描的转变被表示为所述树中的边。
5.根据权利要求4所述的系统,其中,每个节点存储对在填充所述树时遇到所述节点的次数的计数,并且其中,每个检查的开始和结束分别被表示为开始节点和结束节点。
6.根据权利要求5所述的系统,其中,所述挖掘模块还被配置为:
将在给定检查期间执行的用户界面操作存储在针对所述给定检查的所述结束节点上;并且
在利用所述日志文件数据库中的所有检查填充所述树之后,在每个结束节点中存储表示对存在于所述日志文件数据库中并与所述结束节点相对应的特定检查的计数的值。
7.根据权利要求6所述的系统,其中,所述挖掘模块还被配置为:
识别最常用的检查的集合并将所述最常用的检查的集合建议为主导的使用模式;并且
生成使用模式的概率模型并确定最为主导的现场使用模式。
8.根据权利要求1-7中的任一项所述的系统,其中,所述预测模型还被配置为通过以下操作来建立长短期记忆神经网络:
接收输入层;
将所述输入层紧密地连接到第一长短期记忆层;
在所述第一长短期记忆层上运行dropout函数以改善网络规则性;
将第二长短期记忆层紧密地连接到所述第一长短期记忆层;
在所述第二长短期记忆层上运行所述dropout函数;并且
将所述第二长短期记忆层紧密地连接到softmax输出层。
9.根据权利要求1-8中的任一项所述的系统,其中,所述预测模型还被配置为建立长短期记忆神经网络并通过以下操作来训练所述长短期记忆神经网络:
将输入张量X划分成具有相等扫描长度的检查的批量;
滚动所述长短期记忆神经网络以匹配批量扫描长度;
运行分类交叉熵函数,所述分类交叉熵函数采用输出张量y来计算损失;并且
运行自适应矩估计优化函数以在每个时期更新网络权重。
10.一种生成用于医学成像设备的测试脚本的方法,包括:
接收现场日志文件,所述现场日志文件包括与由一个或多个成像设备执行的检查有关的数据;
处理所述现场日志文件并识别主导的现场使用模式;
构建和训练长短期记忆神经网络以识别未来的工作流程模式;并且
至少部分地基于识别出的使用模式和所述未来的工作流程模式来生成并运行用于测试成像设备的至少一个测试脚本。
11.根据权利要求10所述的方法,还包括:
分析新的现场日志文件并基于所述新的现场日志文件中包含的信息来更新识别出的使用模式和所预测的工作流程模式。
12.根据权利要求10或11中的任一项所述的方法,还包括:
关于扫描序列和每次检查期间执行的并行的用户界面操作来识别所有检查。
13.根据权利要求12所述的方法,还包括:
以树数据结构来表示识别出的检查,使得对检查的每个扫描都被表示为所述树中的一个节点,并且从一个扫描到另一扫描的转变被表示为所述树中的边。
14.根据权利要求13所述的方法,还包括:在每个节点中存储对在填充所述树时遇到所述节点的次数的计数,并且将每个检查的开始和结束分别表示为开始节点和结束节点。
15.根据权利要求14所述的方法,还包括:
将在给定检查期间执行的用户界面操作存储在针对所述给定检查的所述结束节点上;并且
在利用所述日志文件数据库中的所有检查填充所述树之后,在每个结束节点中存储表示对存在于所述日志文件数据库中并与所述结束节点相对应的特定检查的计数的值。
16.根据权利要求15所述的方法,还包括:
识别最常用的检查的集合并将所述最常用的检查的集合建议为主导的使用模式;并且
生成使用模式的概率模型并确定最为主导的现场使用模式。
17.根据权利要求10-16中的任一项所述的方法,其中,构建所述长短期记忆神经网络包括:
接收输入层;
将所述输入层紧密地连接到第一长短期记忆层;
在所述第一长短期记忆层上运行dropout函数以改善网络规则性;
将第二长短期记忆层紧密地连接到所述第一长短期记忆层;
在所述第二长短期记忆层上运行所述dropout函数;并且
将所述第二长短期记忆层紧密地连接到softmax输出层。
18.根据权利要求10-17中的任一项所述的方法,其中,训练所述长短期记忆神经网络包括:
将输入张量X划分成具有相等扫描长度的检查的批量;
滚动所述长短期记忆神经网络以匹配批量扫描长度;
运行分类交叉熵函数,所述分类交叉熵函数采用输出张量y来计算损失;并且
运行自适应矩估计优化函数以在每个时期更新网络权重。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201741035304 | 2017-10-05 | ||
IN201741035304 | 2017-10-05 | ||
US201862673438P | 2018-05-18 | 2018-05-18 | |
US62/673,438 | 2018-05-18 | ||
PCT/EP2018/076904 WO2019068760A1 (en) | 2017-10-05 | 2018-10-03 | SYSTEM AND METHOD FOR ENHANCING THE RELIABILITY OF MEDICAL IMAGING DEVICES |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111183486A CN111183486A (zh) | 2020-05-19 |
CN111183486B true CN111183486B (zh) | 2024-05-24 |
Family
ID=63794478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880064981.2A Active CN111183486B (zh) | 2017-10-05 | 2018-10-03 | 用于提高医学成像设备的可靠性的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11532391B2 (zh) |
EP (1) | EP3692544B1 (zh) |
CN (1) | CN111183486B (zh) |
WO (1) | WO2019068760A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795336A (zh) * | 2019-09-25 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 应用程序的控制方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101180627A (zh) * | 2005-01-28 | 2008-05-14 | 爱克发公司 | 基于消息的连接性管理器 |
CN105684032A (zh) * | 2013-08-16 | 2016-06-15 | 直观外科手术操作公司 | 用于异构设备间的协调运动的系统和方法 |
CN105814574A (zh) * | 2013-10-04 | 2016-07-27 | 塞昆纳姆股份有限公司 | 遗传变异的非侵入性评估的方法和过程 |
CN106971154A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于长短记忆型递归神经网络的行人属性预测方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100500329B1 (ko) | 2001-10-18 | 2005-07-11 | 주식회사 핸디소프트 | 워크플로우 마이닝 시스템 및 방법 |
DE102005036321A1 (de) | 2005-07-29 | 2007-02-01 | Siemens Ag | Verfahren und Vorrichtung zum dynamischen Generieren von Testszenarien für komplexe rechnergesteuerte Systeme, z.B. für medizintechnische Anlagen |
DE102005046588B4 (de) | 2005-09-28 | 2016-09-22 | Infineon Technologies Ag | Vorrichtung und Verfahren zum Test und zur Diagnose digitaler Schaltungen |
US8312322B2 (en) | 2009-11-12 | 2012-11-13 | Siemens Medical Solutions Usa, Inc. | System for automated generation of computer test procedures |
US9665687B2 (en) | 2010-04-30 | 2017-05-30 | Siemens Healthcare Gmbh | Adaptive imaging system workflow and user interface system |
US9170821B1 (en) | 2012-08-08 | 2015-10-27 | Amazon Technologies, Inc. | Automating workflow validation |
JP7197358B2 (ja) * | 2016-01-27 | 2022-12-27 | コーニンクレッカ フィリップス エヌ ヴェ | 臨床業務フローを最適化するための予測モデル |
-
2018
- 2018-10-03 CN CN201880064981.2A patent/CN111183486B/zh active Active
- 2018-10-03 EP EP18782957.7A patent/EP3692544B1/en active Active
- 2018-10-03 WO PCT/EP2018/076904 patent/WO2019068760A1/en unknown
- 2018-10-03 US US16/652,084 patent/US11532391B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101180627A (zh) * | 2005-01-28 | 2008-05-14 | 爱克发公司 | 基于消息的连接性管理器 |
CN105684032A (zh) * | 2013-08-16 | 2016-06-15 | 直观外科手术操作公司 | 用于异构设备间的协调运动的系统和方法 |
CN105814574A (zh) * | 2013-10-04 | 2016-07-27 | 塞昆纳姆股份有限公司 | 遗传变异的非侵入性评估的方法和过程 |
CN106971154A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于长短记忆型递归神经网络的行人属性预测方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3692544A1 (en) | 2020-08-12 |
US20200265944A1 (en) | 2020-08-20 |
CN111183486A (zh) | 2020-05-19 |
US11532391B2 (en) | 2022-12-20 |
EP3692544B1 (en) | 2023-12-13 |
WO2019068760A1 (en) | 2019-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020260078B2 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
CN111127389B (zh) | 用于医疗保健的可扩展人工智能模型生成系统和方法 | |
Theis et al. | Improving the in-hospital mortality prediction of diabetes ICU patients using a process mining/deep learning architecture | |
US20180144244A1 (en) | Distributed clinical workflow training of deep learning neural networks | |
EP3789929A1 (en) | Active surveillance and learning for machine learning model authoring and deployment | |
CN114787832A (zh) | 联邦机器学习的方法和服务器 | |
CN113228100A (zh) | 成像模态智能发现维护系统和方法 | |
Calinescu et al. | Using observation ageing to improve Markovian model learning in QoS engineering | |
US9799007B2 (en) | Method of collaborative software development | |
US20140365638A1 (en) | Systems and methods for monitoring system performance and availability. | |
US10311404B1 (en) | Software product development defect and issue prediction and diagnosis | |
CN113196315A (zh) | 成像模态保养维护包系统和方法 | |
US11307924B2 (en) | Sequence mining in medical IoT data | |
Brosch | Integrated software architecture-based reliability prediction for it systems | |
US20170257304A1 (en) | Systems and methods for monitoring system performance and availability | |
CN111183486B (zh) | 用于提高医学成像设备的可靠性的系统和方法 | |
CN109698026B (zh) | 医学设备的故障处理时的组件识别 | |
JP7299881B2 (ja) | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 | |
CN115545169A (zh) | 基于gru-ae网络的多视角业务流程异常检测方法、系统以及设备 | |
Rosamilia | Applying nonlinear mixed-effects modeling to model patient flow in the Emergency department | |
Krajsic et al. | Attention-Based Anomaly Detection in Hospital Process Event Data | |
WO2023033782A1 (en) | Method and system for testing functionality of a software program using digital twin | |
Theis | Predicting System Behavior through Deep Learning of Process Mining Models and Generalization Metric | |
Fousek et al. | Public deliverable report | |
CN117238496A (zh) | 基于强化学习的风险预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |