CN112690809A - 确定设备异常原因的方法、装置、服务器和存储介质 - Google Patents
确定设备异常原因的方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN112690809A CN112690809A CN202010079942.9A CN202010079942A CN112690809A CN 112690809 A CN112690809 A CN 112690809A CN 202010079942 A CN202010079942 A CN 202010079942A CN 112690809 A CN112690809 A CN 112690809A
- Authority
- CN
- China
- Prior art keywords
- quality
- quality parameter
- equipment
- detected
- image
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating apparatus or devices for radiation diagnosis
- A61B6/586—Detection of faults or malfunction of the device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明是关于一种确定设备异常原因的方法、装置、服务器和存储介质,属于医学技术领域。所述方法包括:获取图像的第一质量参数,图像为通过待检测设备采集的;获取待检测设备对应的第二质量参数;基于第一质量参数与第二质量参数的匹配结果,确定第一质量参数中的异常参数;根据异常参数定位待检测设备的异常原因。采用本发明,可以根据待检测设备采集的图像的质量参数中的异常参数,定位待检测设备的异常原因。后续还可以根据待检测设备的异常原因,对设备进行维护,以提高设备的质量,进而提高图像的质量,最终可以达到提高诊断的准确性的目的。
Description
技术领域
本发明涉及医学技术领域,尤其涉及一种确定设备异常原因的方法、装置、服务器和存储介质。
背景技术
在相关技术中,可以通过医疗设备采集病人的医学影像,医生可以根据医学影像对病人的病情进行诊断。医疗设备本身的质量的高低,直接决定了最终输出的医学影像的置信度,如果能够提高医学影像的置信度,则相应也会辅助提高诊断的准确性。在根据医学影像对病人的病情进行诊断时,有必要知道所使用的医疗设备的质量。如果医疗设备的质量不符合要求,医疗设备本身存在一些问题,则需要解决这些问题,否则会严重影响对病情的诊断。
发明内容
本发明提供了一种确定设备异常原因的方法、装置、服务器和存储介质,能够自动定位待检测设备中的异常原因,辅助提高诊断的准确性。
本发明的第一方面提供了一种确定设备异常原因的方法,所述方法包括:
获取图像的第一质量参数,所述图像为通过待检测设备采集的;
获取所述待检测设备对应的第二质量参数;
基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述第一质量参数中的异常参数;
根据所述异常参数定位所述待检测设备的异常原因。
可选地,所述第二质量参数包括预设的质量参数或者前预设次检测所述待检测设备时采集的质量参数。
可选地,所述第二质量参数为前预设次检测所述待检测设备时采集的质量参数,所述基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述第一质量参数中的异常参数,包括:
在所述第一质量参数中,确定与所述第二质量参数之间的变化差值大于预设差值阈值的异常参数。
可选地,所述方法还包括:
确定所述待检测设备对应的厂家终端;
向所述厂家终端发送所述异常原因。
可选地,所述质量参数包括几何精度、空间分辨力、低对比度分辨力、信噪比、均匀度、中心频率、发射增益和是否存在伪影中的至少一项。
可选地,所述方法还包括:
基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述待检测设备的第一质量。
可选地,所述获取图像的第一质量参数,包括:
对所述图像的窗位窗宽值进行调整;
确定经过调整的图像中的标志物;
基于所述标志物,确定调整前的图像对应的第一质量参数。
可选地,所述方法还包括:
将所述图像输入到预先训练的网络模型中,得到所述待检测设备的第二质量;
比较所述待检测设备的所述第一质量和所述第二质量;
基于比较结果,确定所述第二质量的置信度。
本发明的第二方面提供了一种确定设备异常原因的装置,所述装置包括:
获取模块,用于获取图像的第一质量参数,所述图像为通过待检测设备采集的;获取所述待检测设备对应的第二质量参数;
确定模块,用于基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述第一质量参数中的异常参数;
定位模块,用于根据所述异常参数定位所述待检测设备的异常原因。
可选地,所述第二质量参数包括预设的质量参数或者前预设次检测所述待检测设备时采集的质量参数。
可选地,所述第二质量参数为前预设次检测所述待检测设备时采集的质量参数,所述确定模块,用于:
在所述第一质量参数中,确定与所述第二质量参数之间的变化差值大于预设差值阈值的异常参数。
可选地,所述确定模块,用于确定所述待检测设备对应的厂家终端;
所述装置还包括:
发送模块,用于向所述厂家终端发送所述异常原因。
可选地,所述质量参数包括几何精度、空间分辨力、低对比度分辨力、信噪比、均匀度、中心频率、发射增益和是否存在伪影中的至少一项。
可选地,所述确定模块,用于:
基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述待检测设备的第一质量。
可选地,所述获取模块,用于:
对所述图像的窗位窗宽值进行调整;
确定经过调整的图像中的标志物;
基于所述标志物,确定调整前的图像对应的第一质量参数。
可选地,所述确定模块,还用于:
将所述图像输入到预先训练的网络模型中,得到所述待检测设备的第二质量;
比较所述待检测设备的所述第一质量和所述第二质量;
基于比较结果,确定所述第二质量的置信度。
本发明的第三方面提供了一种服务器,包括:
存储器,用于存储计算机程序;
处理器,用于运行所述存储器中存储的计算机程序以实现第一方面所述的确定设备异常原因的方法。
本发明的第四方面,提供一种计算机可读存储介质,所述存储介质为计算机可读存储介质,该计算机可读存储介质中存储有程序指令,所述程序指令用于实现第一方面所述的确定设备异常原因的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
通过本发明实施例提供的方法,可以根据待检测设备采集的图像的质量参数中的异常参数,定位待检测设备的异常原因。后续还可以根据待检测设备的异常原因,对设备进行维护,以提高设备的质量,进而提高图像的质量,最终可以达到提高诊断的准确性的目的。通过本发明,可以自动化定位设备的异常原因,避免了通过人工的方式对设备进行全方面的异常排查,大大提高了检测效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据一示例性实施例示出的一种确定设备异常原因的方法的流程示意图;
图2是根据一示例性实施例示出的一种确定设备异常原因的系统的结构示意图;
图3是根据一示例性实施例示出的一种图像测量方法的示意图;
图4是根据一示例性实施例示出的一种图像测量方法的示意图;
图5是根据一示例性实施例示出的一种图像测量方法的示意图;
图6是根据一示例性实施例示出的一种图像测量方法的示意图;
图7是根据一示例性实施例示出的一种确定设备异常原因的装置的结构示意图;
图8是根据一示例性实施例示出的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明一示例性实施例提供了一种确定设备异常原因的方法,如图1所示,该方法的处理流程可以包括如下的步骤:
步骤S101,获取图像的第一质量参数。
其中,上述图像为通过待检测设备采集的。
在实施中,可以通过待检测设备采集目标被测物的图像。待检测设备可以是医疗设备,包括X线设备、电子计算机断层扫描(Computed Tomography,简写为CT)设备和磁共振成像(Magnetic Resonance Imaging,简写为MRI)设备等。本发明实施例中的图像可以是医学影像。通过医疗设备可以采集医学影像。目标被测物可以是体膜。为了保证测试的有效性,可以采用标准的体膜进行测量,这样测得的数据为可靠数据。
如图2所示,在医疗设备采集到医学影像之后,可以发送至医院终端,医院终端再转发至服务器。或者,医疗设备采集到医学影像之后,可以发送至医院终端,医院终端可以对医学影像进行质量分析,将分析结果发送至服务器。在实际应用中,还可以根据情况设置数据库服务器,用于存储接收到的医学影像和分析结果等资料。
不同医疗设备采集的医学影像质量是高低不等的,高质量的医疗设备或者接受了较好维护的医疗设备采集的医学影像质量较高,对后续的诊断过程起到决定性的作用。可以通过第一质量参数评价任一医学影像质量,而医学影像质量也间接反应了医疗设备的质量。
第一质量参数可以包括几何精度、空间分辨力、低对比度分辨力、信噪比、均匀度、中心频率、发射增益、是否存在伪影。不同的质量参数对应有不同的测量方式,可以基于不同质量参数对应的测量方式,确定医学影像的第一质量参数。第一质量参数中比较重要的参数包括空间分辨力和低对比度分辨力。空间分辨力也称作高对比度分辨率,和低对比度分辨力为验证医学影像质量的两个重要指标。空间分辨力是衡量医学影像质量的一个重要参数,是测试一幅图像的量化指标,是指在高对比度(密度分辨率大于10%)的情况下鉴别细微的能力,即显示最小体积病灶或结构的能力。低对比度分辨力也是影响医学影像质量的一个重要参数,其定义是:当细节与背景之间具有低对比度时,将一定大小的细节从背景中鉴别出来的能力。
可以确定医疗影像的第一质量参数,并将第一质量参数和待检测设备对应进行存储。在需要使用第一质量参数时,可以直接获取第一质量参数。
步骤S102,获取待检测设备对应的第二质量参数。
在实施中,可以预先建立被测物和质量参数的对应关系,服务器还可以获取目标被测物的标识,基于目标被测物的标识,在上述对应关系中查找目标被测物对应的第二质量参数。不同被测物的物理结构不同,采集不同被测物所得到的图像也不同,这样也会对图像质量造成一定的影响。为了消除这种影响,可以将同一类型的被测物对应的质量参数进行比较。
还可以预先建立被测物、设备类型和质量参数的对应关系,服务器还可以获取待检测设备的设备类型,基于目标被测物的标识以及待检测设备的设备类型,在上述对应关系中查找目标被测物的标识以及待检测设备的设备类型同时对应的第二质量参数。不同待检测设备的制造过程不同,制造过程直接决定了待检测设备的质量。如果需要确定待检测设备的相对质量而不是绝对质量,可以将待检测设备和相同类型的设备进行比较。
待检测设备可以是医疗设备,医疗设备在采集医学影像之后,可以发送至医院终端。医院终端还可以获取目标被测物的标识、医疗设备的设备名称以及设备型号,将医学影像、目标被测物的标识、医疗设备的设备名称以及设备型号共同发送至服务器。
可选地,本发明实施例提供的方法还可以包括:基于第一质量参数与第二质量参数的匹配结果,确定待检测设备的第一质量。
在实施中,第二质量参数可以是预设的质量参数,具体可以是一个数值,可以是数值范围,或者其他类型的参数。在确定了第一质量参数之后,可以将第一质量参数与第二质量参数进行比较匹配,得到第一质量参数与第二质量参数的匹配结果。最后,可以基于第一质量参数与第二质量参数的匹配结果,确定待检测设备的第一质量。
例如,以低对比度分辨力为例,医疗影像可以包括多个子影像,每个子影像对应体膜的不同测试层,子影像i中包含Ni个轮辐,可以将所有子影像包括的轮辐相加,得到医疗影像对应的总轮辐。接着,可以将总轮辐除以子影像的数量,得到平均轮辐数。最后,如果平均轮辐数大于或者等于预设阈值,则可以确定该医疗影像的第一质量参数能够与第二质量参数匹配,进而在低对比度分辨力这一项上,待检测设备能够符合要求。
第一质量参数中可以包括多个第一子质量参数,第二质量参数中也可以包括分别与各第一子质量参数对应的第二子质量参数。可以设定待检测设备评定标准,例如,可以确定第一质量参数中与第二质量参数相匹配的第一子质量参数的数量占所有第一子质量参数的总数量的比例,当该比例大于或者等于第一阈值时,待检测设备为高质量的设备,当该比例大于或者等于第二阈值、且小于第一阈值时,待检测设备为中等质量的设备,当该比例小于第二阈值时,待检测设备为低质量的设备。或者,可以统计所有的第一子质量参数和对应的第二子质量参数的差值之和(如果第一子质量参数高于对应的第二子质量参数,则将差值记为0),当该差值之和小于或者等于第三阈值时,待检测设备为高质量的设备,当该差值之和大于第三阈值、且小于或者等于第四阈值时,待检测设备为中等质量的设备,当该差值之和大于第四阈值时,待检测设备为低质量的设备。
步骤S103,基于第一质量参数与第二质量参数的匹配结果,确定第一质量参数中的异常参数。
在实施中,第一质量参数可以包括多个第一子质量参数,第二质量参数可以包括与多个第一子质量参数分别对应的第二子质量参数。如果任一第一子质量参数和对应的第二子质量参数不匹配,则该第一子质量参数为异常参数。可以基于这种方式,确定第一质量参数中的异常参数。
可选地,第二质量参数除了可以是预设的质量参数之外,还可以是前预设次检测待检测设备时采集的质量参数。
在实施中,在新购入一台设备时,在最初运行设备时,可以通过新购入的设备采集目标被测物的图像,确定此时图像的质量参数,记为第二质量参数。可以记录第一次运行新购入的设备时能够获取到的第二质量参数,或者也可以取前几次运行新购入的设备时能够获取到的质量参数的平均值,作为第二质量参数进行记录。第二质量参数可以反应一台设备在最初运行时的情况。如果设备在长期运行且没有得到有效维护的情况下,采集的图像的质量会有所下降。因此可以每隔预设时长,就执行一次本发明提供的方法,以通过当前的设备采集图像,确定当前采集的图像的第一质量参数,将当前的第一质量参数和第二质量参数进行比较,进而可以确定当前设备较新购入时整体性能下降的情况。
可选地,第二质量参数为前预设次检测待检测设备时采集的质量参数,基于第一质量参数与第二质量参数的匹配结果,确定第一质量参数中的异常参数的步骤可以包括:在第一质量参数中,确定与第二质量参数之间的变化差值大于预设差值阈值的异常参数。
在实施中,如果第一质量参数较第二质量参数的差值小于或等于预设差值阈值,则表示设备在长期运行的情况下性能依然较好。而如果第一质量参数较第二质量参数的差值大于预设差值阈值,则表示设备在长期运行的情况下性能已经下降的过多,性能下降的质量参数为异常参数。如果确定出设备在长期运行的情况下性能已经下降的过多,则可以直接确定待检测设备的厂家终端,将待检测设备的异常参数告知厂家终端,厂家终端可以自动分配维护人员上门检测待检测设备,并根据具体的检测情况对设备进行较好的维护,以提高设备的质量。通过这种方式,可以有效提高最终通过设备采集的图像的质量,进而提高诊断的准确性。
步骤S104,根据异常参数定位待检测设备的异常原因。
在实施中,可以预先建立参数和异常原因的对应关系,基于异常参数和该对应关系,确定待检测设备的异常原因。
异常参数可以为一个或者多个。在某些情况下,如果设备出现了多种异常,多种异常都可以指向同一异常原因,则该设备出现该异常的可能性较高。可以预先建立参数和异常原因的对应关系,在该对应关系中,多个参数可以关联到同一异常原因上。异常原因可以包括超导性能的逐渐下降、温度或机械效应引起的电流强度变化、或外部磁性物质引起的匀场线圈的改变、磁场有漂移、射频线圈不稳定性、扫描参数错误等。
在定位出待检测设备的异常原因之后,可以以报告的形式输出异常原因,将报告发送至医院终端和厂家终端。可选地,可以以异常发生概率由大到小的顺序对异常原因进行排序。例如,同一设备存在多处异常,在确定出多个异常原因之后,可以计算每个异常原因对应的发生概率。如果多个异常参数同时指向同一异常原因,则该异常发生的概率较高。对于每种异常原因,可以确定与异常原因关联的参考参数分别对应的权重,如果待检测设备出现了与参考参数相匹配的异常参数,则该参考参数对应的项目值设置为1,如果未出现与参考参数相匹配的异常参数,则该参考参数对应的项目值设置为0,对所有参考参数的项目值进行加权求和,最终可以得到该异常发生的概率。如当待检测设备发生A异常时,可能会导致出现A异常的异常参数包括一参数、二参数和三参数,待检测设备对应的异常参数中存在一参数和三参数,一参数和三参数分别对应的权重依次为α和β,则待检测设备可能存在A异常的概率为α+β,α+β的值小于1。
通过这种方式可以确定所有异常原因的发生概率,按照发生概率由大到小的顺序对异常原因进行排序,并输出报告。或者,可以预先设定不同异常原因的重要程度,如果待检测设备存在一些异常原因,则可以按照异常原因的重要程度,对待检测设备存在的异常原因进行排序,并输出报告。
或者,也可以直接将待检测设备采集的图像输入到AI质控模型中,AI质控模型可以直接提取图像的特征信息,基于特征信息,确定待检测设备中可能存在的异常。
可选地,还可以确定异常参数和对应的第二质量参数之间的差值,确定差值所属异常范围,如果差值小于等于预设数值,则异常范围为正常,如果差值大于预设数值,则异常范围为不正常。如果异常范围为正常,则输出异常参数,如果异常范围为不正常,则删除异常参数,或者在输出异常参数的同时标记该异常参数为需要进一步核查的参数。
在实施中,当待检测设备中存在异常参数时,如果异常参数较正常数值相差的差值在合理范围内,则可以认为待检测设备很可能存在该种异常参数。而如果异常参数较正常数值相差的差值不在合理范围之内,则表示可能由于图像识别、图像测量等误差导致产生了错误的判断,此时可以不输出异常参数,或者如果仍然输出异常参数,但是同时可以标记需要对该异常参数进行进一步的核查,以确定待检测设备是否实际存在异常。
可选地,本发明实施例提供的方法还可以包括:确定待检测设备对应的厂家终端;向厂家终端发送异常原因。
在实施中,当服务器辅助根据异常参数定位出可能的异常原因之后,可以确定待检测设备对应的厂家终端,直接将异常原因告知厂家终端,这样厂家终端可以直接根据异常原因,确定设备维护计划,并派遣专业维护人员到待检测设备所在的医院进行维护。通过这种方式,可以对设备进行很好的管理和维护,在设备出现运行故障之前,提早进行预防与解决,并进一步辅助提高诊断过程的准确性。
可选地,获取图像的第一质量参数的步骤可以包括:对图像的窗位窗宽值进行调整;确定经过调整的图像中的标志物;基于标志物,确定调整前的图像对应的第一质量参数。
在实施中,医疗影像可以是灰度图像,灰度图像包含的图像信息量较大,细节较多,因此可以对医疗影像的窗位窗宽值进行调整,以降低医疗影像中的信息量,有利于后续测量医疗影像的第一质量参数。
可以设置医疗影像对应的窗位窗宽值。可选地,可以将窗宽设置为0或1,然后逐步调整窗位。例如,如果窗位的取值范围是0-5000,则可以从0开始,每次增加1,来调整窗位。在调整窗位的过程中,假设窗位当前的取值为k,窗宽的取值为0,则像素值大于k+0的都转换为像素值能够取得的最大值,即黑色,像素值小于k-0的都转换为像素值能够取得的最小值,即白色。这样,医疗影像原来由不同表示灰度的像素值构成,通过上述方式,可以将不同表示灰度的像素值都调整为黑色或者白色,整个医疗影像最终只由黑色和白色构成。
可选地,为了进一步提高测量精度,可以将窗宽设置为0,在预设范围内逐步对窗位进行调整。每当调整窗位时,窗位当前的取值为k,整个图像中像素值大于k的,都调整为像素值能够取得的最大值,整个图像中像素值小于k的,都调整为像素值能够取得的最小值。此时,整个图像由两种像素值组成,即最大像素值和最小像素值。可以统计具有最大像素值的像素点的第一个数以及具有最小像素值的像素点的第二个数,计算第一个数和第二个数的比例。当该比例为1:1时,停止继续调整窗位。确定比例是1:1的图像中的标志物,基于标志物,确定比例是1:1的图像对应的第一质量参数。
在对图像进行转换后,可以确定黑白图像对应的第一质量参数。例如,对于几何精度,分别如图3、4、5所示,可以采集到体膜的三个医疗影像。对于图3,需要测量白色区域的宽度。由于此时医疗影像只由黑色和白色构成,可以确定像素值表示白色的像素点的坐标,可以得到整个图像所有的白色的像素点的坐标。在这些白色的像素点的坐标中,确定y轴上的最大值ymax和最小值ymin,将最大值ymax减去最小值ymin所得的差值,为直线上包括的像素点的个数,再根据每个像素点在实际空间中对应的实际距离,可以用直线上包括的像素点的个数乘以实际距离,得到最终的需要测量白色区域的宽度。可选的,也可以先依据图像3中的黑色标志物确定图像的坐标轴,然后确定平行于y轴且与图像3中白色区域的上下两个边相交的两个点的坐标(x1,y1)和(x2,y2),其中x1=x2,ydif1=y1-y2,如此计算白色区域上下两个边对应的n对坐标,可以得到ydif1到ydifn,得到其数学期望与方差,进而得到上下两个边的实际距离,并将方差作为后续评价第一质量参数置信度的一个参考参数。
对于图4,需要测量白色区域穿过中心点两条直线的长度,可以采用类似于图3的方式进行测量。可以先确定图像的中心点的坐标,在测量水平方向的穿过中心点的直线的长度时,可以固定y轴的坐标值。如中心点的坐标为(xm,ym),可以将y轴的坐标值固定为ym,然后确定所有y轴的坐标值为ym,且表示白色的点,在这些确定出的点中,找出x轴上的最大值xmax和最小值xmin,将最大值xmax减去最小值xmin所得的差值,为直线上包括的像素点的个数,再根据每个像素点在实际空间中对应的实际距离,可以用直线上包括的像素点的个数乘以实际距离,得到最终的水平方向上穿过中心点的直线的长度。图4中确定竖直方向上穿过中心点的直线的长度与之类似,在此不再赘述。
对于图5,需要确定穿过中心点的水平方向与竖直方向的直线的长度,以及与它们的夹角成45度角的直线的长度。确定穿过中心点的水平方向与竖直方向的直线的长度与图4类似。在确定斜线的长度时,首先可以确定斜线上所有像素点的坐标,在斜线上确定像素值表示白色的像素点,确定这些像素点中距离中心点最远两个的白色的像素点的坐标。可以根据两个最远像素点的坐标,确定斜线上位于两个最远的像素点之间包括的像素点的个数,再根据每个像素点在实际空间中对应的实际距离,可以用上述像素点的个数乘以实际距离,得到最终的斜线的长度。
上述所述的直线也可以视为是线段,是白色区域内的线段,用于表示白色区域的最大高度和宽度。图像为黑色区域连续以及白色区域连续的图像。
通过自动化方式测量上述类似图3、图4和图5中不同类型的直线的长度之后,可以基于直线长度,确定医疗影像的几何精度。需要说明的是,对于不同类型的质量参数,不仅可以通过一个图像进行确定,也可以根据实际需求使用多个图像共同确定,例如可以使用采集的体膜的不同结构层的多个图像,确定图像的一个质量参数。
如图6所示,对于低对比度分辨力,可以通过确定体膜的不同结构层的多个图像中包括的轮辐数量来实现。由于在每个图像中确定轮辐数量的方式相同,在此以在一个图像中确定轮辐数量为例进行展开描述,其他图像可以参照该过程来实现。在一个医疗影像中,从中心点出发在每条和x轴、y轴之间的夹角为固定角度的直线上,都有可能出现一排圆,如果某一条直线上出现了一排圆,则可以记入1个轮辐,一个图像中最多可以出现10个轮辐。在确定低对比度分辨力的过程中,首先可以调整窗宽窗位置,接着可以识别经过调整的图像中的圆的数量,例如可以确定共存在40个圆。最后可以将圆心在一条直线且直线穿过中心点的圆划分到一组圆中,确定共有多少组圆,即可得到轮辐的数量。可以设置一个范围,然后得到一定范围内的取值,并求其期望值和方差。然后根据方差的函数,建立一个置信度计算的一个函数。
通过上述介绍的方式,可以通过图像识别的方式,确定医疗影像的第一质量参数,随后可以基于第一质量参数,确定待检测设备的第一质量。
可选地,本发明实施例提供的方法还可以包括:将图像输入到预先训练的网络模型中,得到待检测设备的第二质量;比较待检测设备的第一质量和第二质量;基于比较结果,确定第二质量的置信度。
在实施中,除了通过图像识别的方式确定第一质量参数,再通过第一质量参数最终确定待检测设备的第一质量之外,还可以直接将医疗影像输入到预先训练的网络模型中。预先训练的网络模型也可以称为人工智能(Artificial Intelligence,简写为AI)质控模型。该AI质控模型可以提取输入的医疗影像的图像特征,基于图像特征对医疗影像进行分类,以将不同医疗影像划分为不同的质量等级,而医疗影像的质量等级可以表示待检测设备的质量等级,即为第二质量。
待检测设备的质量等级可以按合格或不合格、优中差等形式表示。AI质控模型的建立过程可以包括如下步骤:
S201,获取大量的质控数据,包括数值与图像,并将其作为系统的输入,该数据包含正常和异常设备状态下的数据,两类数据虽然具有不同的概率分布,但是作为共同的训练数据输入AI质控模型。
S202,对数据进行预处理,提取为灰度图像的一维和二维特征数据作为AI质控模型的实际输入数据。
S203,将一维和二维特征数据输入AI质控模型进行前向传播计算。
S204,根据实际情况与AI质控模型的结构设计损失函数,并进行反向传播计算,通过优化设计的专用损失函数得到网络的权重参数。
S205,根据步骤S204获得的网络权重参数,通过输入未参加过训练的数据,经过AI质控模型的前向传播计算得到设备状态的识别结果。
可选地,可以进一步对AI质控模型进行训练,以使得AI质控模型不仅可以对待检测设备的质量等级进行分类,还可以确定待检测设备可能产生的异常情况。质控识别网络模型的结构如下:
质控识别网络模型主要包括图像特征提取网络模块、聚类网络模块。质控识别网络模型可以使用深度卷积神经网络对输入的医疗影像进行全局与局部的相关特征提取,得到多维度的高级语义特征。聚类网络模块将图像特征提取网络模块提取的多维度高级语义特征进行聚类操作,分为正常与异常特征类。
图像特征提取网络模块可以包含三个并行的特征提取模块,其一为全局信息特征提取,其二为局部信息特征提取,其三为层数信息特征提取。三个并行的特征提取块最终拼接成一个特征输出。
用于实现全局信息特征提取功能的多个网络层可以包括卷积层、最大池化层、组归一化层以及激活层。每一个网络层构成了一个特征提取块,用于实现全局信息特征提取功能的多个网络层由多个特征提取块级联而成,并且每三个特征提取块之间都以短路方式进行连接。
用于实现局部信息特征提取的多个网络层的构造与上述结构类似。
用于实现层数信息特征提取的多个网络层全部都由卷积层构成,以便于与提取到的全局信息特征和提取到的局部信息特征进行无缝拼接。
聚类网络模块是将特征提取网络模块得到的输出进一步地进行聚类成正常与异常的特征,以提高识别的准确率。聚类网络可以全部由卷积层构成。
质控训练网络模型的结构如下:
质控训练网络模型与质控识别网络模型非常相似,区别在于质控训练网络模型在数据输入与特征网络提取模块之前多了一个缓存模块、以及质控训练网络的输出会通过反馈调节模块作用于特征提取网络模块的输入。
缓存模块主要是缓存了当前批量数据的标注信息,它与整个训练网络的输出经过反馈调节模块后的信息进行比对调整,可以加快训练网络的学习与收敛。
反馈调节模块主要缓存了当前批量经过训练后的数据的标注信息,它与缓存模块中的真实数据标注进行比对调整,可以加快训练网络的学习与收敛。
反向误差传播的损失函数设计的过程如下:
为了得到更好的识别结果,需要设计符合需求的损失函数,使之能够收敛到最优的结果。本发明中的损失函数主要包括分类损失和回归损失。回归损失使用误差平方。而对于分类损失来说,由于图像中特征参数存在极端的样本不平衡特性,采用改进的关注损失。
综上,可以通过第一方式确定待检测设备的第一质量,通过第二方式确定待检测设备的第二质量。第一方式为通过软件逻辑,对图像进行测量,第二方式为AI质控模型。第一质量和第二质量可能相同也可能不同。在AI质控模型受到了大量的训练的情况下,可以认为AI质控模型输出的结果为更加准确的,即第二质量为更加准确的结果,可以设置第二质量的参考置信度为A,可以设置第一质量的参考置信度为B,A大于B。可以对两种结果进行拟合,如果通过两种方式得到的结果一致,则可以提高最终结果的置信度。例如,如果第一质量为高质量,第二质量也为高质量,则待检测设备为高质量的置信度为A+B。如果通过两种方式得到的结果不一致,则需要降低最终结果的置信度。例如,第一质量为高质量,第二质量也为中等质量,则待检测设备为中等质量,且待检测设备为中等质量的置信度为A-B。
当比较待检测设备的第一质量和第二质量时,如果第一质量和第二质量一致,则可以将第二质量作为输出结果,且第二质量的置信度为第二质量的参考置信度加上第一质量的参考置信度。如果第一质量和第二质量不一致,则可以将第二质量作为输出结果,且第二质量的置信度为第二质量的参考置信度减去第一质量的参考置信度。这样,医务人员不仅可以获知待检测设备的质量等级,还可以获知待检测设备真实为输出的质量等级的置信度。
通过本发明实施例提供的方法,可以根据待检测设备采集的图像的质量参数中的异常参数,定位待检测设备的异常原因。后续还可以根据待检测设备的异常原因,对设备进行维护,以提高设备的质量,进而提高图像的质量,最终可以达到提高诊断的准确性的目的。通过本发明,可以自动化定位设备的异常原因,避免了通过人工的方式对设备进行全方面的异常排查,大大提高了检测效率。
本发明又一示例性实施例提供了一种确定设备异常原因的装置,如图7所示,该装置包括:
获取模块701,用于获取图像的第一质量参数,所述图像为通过待检测设备采集的;获取所述待检测设备对应的第二质量参数;
确定模块702,用于基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述第一质量参数中的异常参数;
定位模块703,用于根据所述异常参数定位所述待检测设备的异常原因。
可选地,所述第二质量参数包括预设的质量参数或者前预设次检测所述待检测设备时采集的质量参数。
可选地,所述第二质量参数为前预设次检测所述待检测设备时采集的质量参数,所述确定模块702,用于:
在所述第一质量参数中,确定与所述第二质量参数之间的变化差值大于预设差值阈值的异常参数。
可选地,所述确定模块702,用于确定所述待检测设备对应的厂家终端;
所述装置还包括:
发送模块,用于向所述厂家终端发送所述异常原因。
可选地,所述质量参数包括几何精度、空间分辨力、低对比度分辨力、信噪比、均匀度、中心频率、发射增益和是否存在伪影中的至少一项。
可选地,所述确定模块702,用于:
基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述待检测设备的第一质量。
可选地,所述获取模块701,用于:
对所述图像的窗位窗宽值进行调整;
确定经过调整的图像中的标志物;
基于所述标志物,确定调整前的图像对应的第一质量参数。
可选地,所述确定模块702,还用于:
将所述图像输入到预先训练的网络模型中,得到所述待检测设备的第二质量;
比较所述待检测设备的所述第一质量和所述第二质量;
基于比较结果,确定所述第二质量的置信度。
图7所示的确定设备异常原因的装置可以执行图1-图6所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图6所示实施例中的描述,在此不再赘述。
如图8所示,本发明实施例还提供了一种服务器,服务器包括存储器1910和处理器1920,处理器1920用于执行存储器1910中存储的指令,以实现上述图1-图6的确定设备异常原因的方法。
另外,本发明实施例提供了一种计算机可读存储介质,存储介质为计算机可读存储介质,该计算机可读存储介质中存储有程序指令,程序指令用于实现上述图1-图6的确定设备异常原因的方法。
以上各个实施例中的技术方案、技术特征在不相冲突的情况下均可以单独,或者进行组合,只要未超出本领域技术人员的认知范围,均属于本发明保护范围内的等同实施例。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (11)
1.一种确定设备异常原因的方法,其特征在于,所述方法包括:
获取图像的第一质量参数,所述图像为通过待检测设备采集的;
获取所述待检测设备对应的第二质量参数;
基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述第一质量参数中的异常参数;
根据所述异常参数定位所述待检测设备的异常原因。
2.根据权利要求1所述的方法,其特征在于,所述第二质量参数包括预设的质量参数或者前预设次检测所述待检测设备时采集的质量参数。
3.根据权利要求2所述的方法,其特征在于,所述第二质量参数为前预设次检测所述待检测设备时采集的质量参数,所述基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述第一质量参数中的异常参数,包括:
在所述第一质量参数中,确定与所述第二质量参数之间的变化差值大于预设差值阈值的异常参数。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述待检测设备对应的厂家终端;
向所述厂家终端发送所述异常原因。
5.根据权利要求1所述的方法,其特征在于,所述质量参数包括几何精度、空间分辨力、低对比度分辨力、信噪比、均匀度、中心频率、发射增益和是否存在伪影中的至少一项。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述待检测设备的第一质量。
7.根据权利要求6所述的方法,其特征在于,所述获取图像的第一质量参数,包括:
对所述图像的窗位窗宽值进行调整;
确定经过调整的图像中的标志物;
基于所述标志物,确定调整前的图像对应的第一质量参数。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将所述图像输入到预先训练的网络模型中,得到所述待检测设备的第二质量;
比较所述待检测设备的所述第一质量和所述第二质量;
基于比较结果,确定所述第二质量的置信度。
9.一种确定设备异常原因的装置,其特征在于,所述装置包括:
获取模块,用于获取图像的第一质量参数,所述图像为通过待检测设备采集的;获取所述待检测设备对应的第二质量参数;
确定模块,用于基于所述第一质量参数与所述第二质量参数的匹配结果,确定所述第一质量参数中的异常参数;
定位模块,用于根据所述异常参数定位所述待检测设备的异常原因。
10.一种服务器,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于运行所述存储器中存储的计算机程序以实现权利要求1-8中任一项所述的确定设备异常原因的方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质为计算机可读存储介质,该计算机可读存储介质中存储有程序指令,所述程序指令用于实现权利要求1-8中任意一项所述的确定设备异常原因的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079942.9A CN112690809B (zh) | 2020-02-04 | 2020-02-04 | 确定设备异常原因的方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010079942.9A CN112690809B (zh) | 2020-02-04 | 2020-02-04 | 确定设备异常原因的方法、装置、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112690809A true CN112690809A (zh) | 2021-04-23 |
CN112690809B CN112690809B (zh) | 2021-09-24 |
Family
ID=75505385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010079942.9A Active CN112690809B (zh) | 2020-02-04 | 2020-02-04 | 确定设备异常原因的方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112690809B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676945A (zh) * | 2021-08-12 | 2021-11-19 | 锐捷网络股份有限公司 | 一种识别质差终端的方法、系统、接入控制器及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1637762A (zh) * | 2003-12-22 | 2005-07-13 | 株式会社东芝 | 图像质量管理系统 |
US20050234330A1 (en) * | 2001-12-27 | 2005-10-20 | Kabushiki Kaisha Toshiba | System, method and apparatus for MRI maintenance and support |
CN101322648A (zh) * | 2008-07-29 | 2008-12-17 | 四川大学华西医院 | 一种核磁共振成像设备稳定性及成像指标的测量方法 |
US20120321036A1 (en) * | 2011-06-15 | 2012-12-20 | Satoru Nakanishi | X-ray ct scanner and image processing apparatus |
CN109815965A (zh) * | 2019-02-13 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种图像过滤方法、装置及存储介质 |
CN110458829A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 基于人工智能的图像质控方法、装置、设备及存储介质 |
CN110490239A (zh) * | 2019-08-06 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像质控网络的训练方法、质量分类方法、装置及设备 |
-
2020
- 2020-02-04 CN CN202010079942.9A patent/CN112690809B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234330A1 (en) * | 2001-12-27 | 2005-10-20 | Kabushiki Kaisha Toshiba | System, method and apparatus for MRI maintenance and support |
CN1637762A (zh) * | 2003-12-22 | 2005-07-13 | 株式会社东芝 | 图像质量管理系统 |
CN101322648A (zh) * | 2008-07-29 | 2008-12-17 | 四川大学华西医院 | 一种核磁共振成像设备稳定性及成像指标的测量方法 |
US20120321036A1 (en) * | 2011-06-15 | 2012-12-20 | Satoru Nakanishi | X-ray ct scanner and image processing apparatus |
CN109815965A (zh) * | 2019-02-13 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种图像过滤方法、装置及存储介质 |
CN110490239A (zh) * | 2019-08-06 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像质控网络的训练方法、质量分类方法、装置及设备 |
CN110458829A (zh) * | 2019-08-13 | 2019-11-15 | 腾讯医疗健康(深圳)有限公司 | 基于人工智能的图像质控方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113676945A (zh) * | 2021-08-12 | 2021-11-19 | 锐捷网络股份有限公司 | 一种识别质差终端的方法、系统、接入控制器及存储介质 |
CN113676945B (zh) * | 2021-08-12 | 2024-02-23 | 锐捷网络股份有限公司 | 一种识别质差终端的方法、系统、接入控制器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112690809B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
CN109805932A (zh) | Mr装置中的自动故障检测 | |
CN103249358B (zh) | 医用图像处理装置 | |
CN109480780B (zh) | 一种脑卒中预警系统的评估方法及系统 | |
CN109086679A (zh) | 一种毫米波雷达安检仪异物检测方法 | |
Campo et al. | Emphysema quantification on simulated X-rays through deep learning techniques | |
CN111445546B (zh) | 图像重建方法、装置、电子设备、存储介质 | |
US20100260399A1 (en) | Scanner data collection | |
CN112690809B (zh) | 确定设备异常原因的方法、装置、服务器和存储介质 | |
CN111640095B (zh) | 脑微出血的量化方法和计算机可读存储介质 | |
CN112712492B (zh) | 确定设备质量的方法、装置、服务器和存储介质 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN102402787B (zh) | 一种检测图像中条状伪影的系统和方法 | |
Benvenuto et al. | Unsupervised deep learning network for deformable fundus image registration | |
CN116630324B (zh) | 一种基于深度学习的mri图像自动评估腺样体肥大的方法 | |
CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
CN116230208B (zh) | 基于深度学习的胃粘膜炎症分型辅助诊断系统 | |
JP7387457B2 (ja) | 医用画像処理装置、プログラム、および医用画像処理システム | |
CN115292887A (zh) | 基于病斑面积比率的植物病害严重度评估方法及装置 | |
CN113066549A (zh) | 基于人工智能的医疗器械的临床有效性评估方法及系统 | |
CN112164028A (zh) | 基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置 | |
KR102605501B1 (ko) | 인공신경망 기반의 척추 전방위증 진단 장치 및 그 정보 제공 방법 | |
CN116564547B (zh) | 一种呼吸道传染病的早期预警方法及系统 | |
CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 |
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 |