CN113747838A - 基于医学设备的日志分析来自动校正图像质量的医学成像系统和方法 - Google Patents

基于医学设备的日志分析来自动校正图像质量的医学成像系统和方法 Download PDF

Info

Publication number
CN113747838A
CN113747838A CN202080029127.XA CN202080029127A CN113747838A CN 113747838 A CN113747838 A CN 113747838A CN 202080029127 A CN202080029127 A CN 202080029127A CN 113747838 A CN113747838 A CN 113747838A
Authority
CN
China
Prior art keywords
image
image acquisition
parameters
acquisition device
range
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.)
Pending
Application number
CN202080029127.XA
Other languages
English (en)
Inventor
M·A·帕蒂尔
R·B·帕蒂尔
V·拉维
S·K·奈克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN113747838A publication Critical patent/CN113747838A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/586—Detection of faults or malfunction of the device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30004—Biomedical image processing
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Optics & Photonics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种用于优化图像采集设备(12)的设备包括：至少一个电子处理器(20)，其被操作性连接以读取所述图像采集设备的机器日志(30)；以及非瞬态计算机可读介质(26)，其存储能由所述至少一个电子处理器读取并运行以执行图像采集方法(100)的指令。所述方法包括：从所述图像采集设备的所述机器日志中提取所述图像采集设备的日志记录参数；根据从所述图像采集设备的所述机器日志中提取的所述日志记录参数来识别所述图像采集设备的一个或多个超出范围的参数；基于所述一个或多个超出范围的参数来自动调谐所述图像采集设备的一个或多个电学设置或机械设置，以将所述图像采集设备转换成经调谐的图像采集设备；并且控制所述经调谐的图像采集设备以采集患者的一幅或多幅图像。

Description

基于医学设备的日志分析来自动校正图像质量的医学成像系 统和方法
技术领域
下面总体上涉及成像领域、医学成像设备优化领域、医学成像设备自动校正领域以及相关领域。
背景技术
医学成像对于其中正确推理许多关键医学状况很关键的医学服务来说是关键部分。不同的成像模态具有特定的目的并且用于以不同的身体部分为目标(例如，X射线用于骨骼，而磁共振成像(MRI)用于软组织等)。这些诊断成像模态中的共性是生成患者的部分的重建图像，该重建图像被显示在显示器上并且供临床医生用于图像的临床分析，由此进行例如对医学状况的临床筛查或诊断、评估或监测等。因此，采集具有高图像质量的图像在正确地临床评估患者方面起着举足轻重的作用。
有许多涉及获得重建图像的因素和许多用于为用户呈现在临床上有用的图像的技术。在这些因素中，有些是与硬件相关的，例如(通过非限制性示例的方式)：辐射探测器的像素大小(影响图像分辨率)；传感器特性，例如，灵敏度、线性度、跨阵列的探测器均匀性等(影响各种各样的图像质量度量，例如，对比度和图像均匀性)；辐射源度量，例如，亮度和射束形状(影响图像的亮度和均匀性)；磁共振成像(MRI)扫描器中的磁场梯度均匀性(影响许多图像质量度量)；机器人患者支撑/运输硬件(其中，从这样的硬件产生的振动或其他运动能够在图像中引入模糊或运动伪影)等。这些各种各样的硬件部件通常有详细的制造规格，在安装部件时期待部件满足这些制造规格。但随着时间的推移，或者由于由成像模态使用的传感器的物理状况或者容纳传感器或各种线缆或任何其他相关零件的单元的物理状况或者外部环境因素，重建图像的图像质量会随着时间的推移而降低。
许多现代医学成像设备是复杂的机器，其由多达数万个部件、系统和子系统组成，并且具有高水平的信息化(包括安装有许多传感器来连续监测各种部件、系统和子系统的性能)。医学成像系统的维修和维护通常是预防性维护(例如，按照固定的时间表更换部件)、防范性维护(例如，更换由相关的传感器指示其性能正在降低的部件或子系统，这种部件或子系统即使仍能在可接受的性能包络线内正常工作并且或许尚未被识别为降低图像质量)以及对已经失效或不再在可接受的性能包络线内正常工作(例如正在产生的图像的质量在临床上显著降低)的部件或子系统的修理的混合工作。在许多现代医学成像设备中，传感器数据被记录在正在进行的机器日志中，并且类似地，对成像设备的维护和维修被记录在维修日志中。这些日志通常用于安排预防性维护或防范性维护，并且也可以供维修技术人员参考来诊断由成像设备的用户报告的设备故障。通过这样的方法，随着时间的推移而产生的因硬件劣化导致的图像质量降低被识别和修复。
下面公开了新的和改进的系统和方法来克服这些问题。
发明内容
在一个公开的方面中，一种用于优化图像采集设备的设备包括至少一个电子处理器，所述至少一个电子处理器被操作性连接以读取所述图像采集设备的机器日志。非瞬态计算机可读介质存储能由所述至少一个电子处理器读取并运行以执行图像采集方法的指令。所述方法包括：从所述图像采集设备的所述机器日志中提取所述图像采集设备的日志记录参数；根据从所述图像采集设备的所述机器日志中提取的所述日志记录参数来识别所述图像采集设备的一个或多个超出范围的参数；基于所述一个或多个超出范围的参数来自动调谐所述图像采集设备的一个或多个电学设置或机械设置，以将所述图像采集设备转换成经调谐的图像采集设备；并且控制所述经调谐的图像采集设备以采集患者的一幅或多幅图像。
在另一公开的方面中，一种非瞬态计算机可读介质存储能由至少一个电子处理器运行以执行图像采集方法的指令。所述方法包括：计算针对由图像采集设备采集的一幅或多幅图像的一个或多个图像质量度量；根据所计算的一个或多个图像质量度量来识别一个或多个超出范围的图像质量度量；基于所述一个或多个超出范围的图像质量度量来选择一个或多个图像滤波器；并且将所选择的一个或多个图像滤波器应用于所采集的一幅或多幅图像，以生成患者的一幅或多幅改善的图像。
在另一公开的方面中，一种图像采集方法包括：从图像采集设备的机器日志中提取所述图像采集设备的日志记录参数；根据从所述图像采集设备的所述机器日志中提取的所述日志记录参数来识别所述图像采集设备的一个或多个超出范围的参数；基于所述一个或多个超出范围的参数来调谐所述图像采集设备的一个或多个电学设置或机械设置，以将所述图像采集设备转换成经调谐的图像采集设备；控制所述经调谐的图像采集设备以采集患者的一幅或多幅图像；计算针对所采集的一幅或多幅图像的一个或多个图像质量度量；根据所计算的一个或多个图像质量度量来识别一个或多个超出范围的图像质量度量；基于所述一个或多个超出范围的图像质量度量并且还基于所述图像采集设备的所述一个或多个超出范围的参数来选择一个或多个图像滤波器；并且将所选择的一个或多个图像滤波器应用于所采集的一幅或多幅图像，以生成患者的一幅或多幅改善的图像。
一个优点在于识别了成像设备劣化的原因。
另一优点在于提供了改进的医学成像设备，其提供了对成像设备的硬件部件的自动调谐。
另一优点在于提供了自动维修建议，例如，建议更换成像设备中对图像质量产生不利影响的部件，其中，硬件调谐延迟了更换建议，从而延长了部件的有效使用寿命。
另一优点在于通过采集具有以下图像质量的图像而延长了成像设备的部件的有效使用寿命：该图像质量是通过基于在成像设备的机器日志中自动监测的部件状态而应用的采集后图像处理来调整的。
给定的实施例可以提供前述优点中的零个、一个、两个、更多个或所有优点，并且/或者可以提供其他优点，本领域普通技术人员在阅读和理解了本公开内容后，这些优点将变得显而易见。
附图说明
本公开内容可以采用各种部件和部件布置以及各个步骤和步骤安排的形式。附图仅用于图示优选实施例的目的，而不应被解释为限制本公开内容。
图1图解性地示出了根据一个方面的用于优化图像采集设备的说明性设备。
具体实施方式
在本文公开的一些实施例中，机器日志数据被用来调谐成像设备硬件，从而改善图像采集。在一些这样的实施例中，人工智能(AI)系统被训练为基于日志数据来识别故障机器参数。充当针对AI的输入的日志模式可以手工日志模式和/或机器学习日志模式。如果AI识别出故障机器的参数值(例如，AI识别出与显著降低的图像质量相关联的机器参数值)，则机器学习(ML)模型被用来调整(即，调谐)成像设备的一个或多个硬件设置，从而改善图像。然后，使用经调谐的成像设备来采集图像(包括任何图像重建处理)。
在本文公开的一些实施例中，针对结果得到的图像计算图像质量度量。这些图像质量度量连同图像(并且任选地还连同AI识别出的故障机器的参数值)被输入到AI系统，该AI系统被训练为将(一个或多个)滤波器应用于其他采集后图像处理以改善图像。
在本文公开的其他实施例中，执行硬件调谐的ML系统也可以被训练为最优地识别维修建议。例如，日志模式可以用于识别CT扫描器中的X射线管的劣化。首先，这将通过调整X射线管的操作参数来补偿，以维持图像质量。其次，由于日志模式指示X射线管的逐渐严重的劣化，因此ML可以额外地输出在一定的时间范围内更换X射线管的建议。有利地，在这样的实施例中，在调谐ML能够调谐(一个或多个)机器参数(和/或采集后图像处理AI能够对图像进行后处理)以补偿硬件部件的劣化的程度上可以延迟维修或更换硬件部件的建议。与只通过建议维修或更换来解决硬件部件劣化问题的维修建议系统相比，这样能够延长硬件部件在更换/维修之间的有效使用寿命。
类似地，执行后处理的AI系统可以基于经训练的针对输入图像质量度量的响应来提出维修建议。
在本文公开的一些实施例的操作的说明性示例中，在初始时间(例如，T0)时，由AI对成像设备的记录的日志数据的分析并不记录成像设备的可能显著降低图像质量的任何参数，并且成像设备采集并生成数据而没有任何伪影。然而，随着时间的推移(例如，T1)，AI在日志文件中检测到降低图像质量的参数，并且采集的图像具有伪影或其他劣化情况。ML调整一个或多个硬件部件参数，从而调谐成像设备的硬件并且校正随后采集的图像。任选地，ML还可以提出需要仪器供应商(例如，OEM)利用关于要修理或更换成像设备的哪个零件的特定输入在现场执行的(一个或多个)现场校正动作。
参考图1，示出了用于优化图像采集设备(也被称为成像设备)12的说明性设备。图像采集设备12能够是磁共振(MR)图像采集设备、计算机断层摄影(CT)图像采集设备、正电子发射断层摄影(PET)图像采集设备、单光子发射计算机断层摄影(SPECT)图像采集设备、X射线图像采集设备、超声(US)图像采集设备或另一模态的医学成像设备。成像设备12也可以是混合式成像设备，例如，PET/CT或SPECT/CT成像系统。
图1还示出了电子处理器20，其通常是服务器计算机19或(例如互连以形成服务器群集的)多个服务器计算机、云计算资源等)，但是电子处理器20也可以替代地或额外地被实施为工作站18，或者更一般地被实施为计算机。说明性工作站18包括具有典型部件的计算机或其他电子数据处理设备，这些典型部件例如为至少一个微处理器、至少一个用户输入设备(例如，鼠标、键盘、轨迹球等)22以及显示设备24(例如，LCD显示器、等离子体显示器、阴极射线管显示器等)。在一些实施例中，显示设备24能够是来自工作站18的单独部件。工作站18可以任选地作为用于医学成像设备12的用户接口或控制器来进行操作。
电子处理器20与一个或多个非瞬态存储介质26操作性连接。作为非限制性说明性示例，非瞬态存储介质26可以包括以下各项中的一项或多项：磁盘、RAID或其他磁性存储介质；固态驱动器、闪存驱动器、电可擦除只读存储器(EEROM)或其他电子存储器；光盘或其他光学存储装置；其各种组合等；并且可以是例如能由服务器19访问的网络存储装置、工作站18的内部硬盘驱动器、其各种组合等。应当理解，本文对非瞬态介质26的任何引用应被广义地解释为涵盖相同或不同类型的单个介质或多个介质。同样地，电子处理器20可以被实施为单个电子处理器或两个或更多个电子处理器(例如，服务器19和工作站18的处理器)。
非瞬态存储介质26存储能由至少一个电子处理器20运行的指令。该指令包括用于以下操作的指令：识别关于图像采集设备12的削弱图像质量的问题，并且提供建议以解决所识别的问题。在一些额外/替代实施例中，指令自动实施建议，例如通过自动调谐成像设备12的硬件的一个或多个设置来自动实施建议。另外，针对成像设备12记录机器日志30并将其存储在非瞬态存储介质26上。机器日志30存储与医学成像设备12的操作有关的各种信息。例如，机器日志30存储由传感器采集的传感器读数，该传感器监测成像设备12的硬件的参数。例如，这样的传感器可以(通过非限制性说明的方式)包括：监测各个部件的温度的温度传感器；监测硬件部件的电路中的各个点处的电流、电压、电阻等的电学传感器；测量光学光、电子束能量或其他类型的输出的磁通和/或强度传感器；测量机器人硬件的位置(旋转机架、患者定位系统等)的位置传感器等。
机器日志30可以存储关于成像时期的信息，例如，开始/结束时间、由成像设备12运行的成像序列、患者位置(例如，患者距机器人定位系统的位置)、在CT扫描期间的X射线管操作参数等。机器日志30可以存储成像设备校准信息，例如，死探测器像素的计数/位置、探测器暗电流读数等。机器日志30可以存储关于对成像设备12执行的维修操作的维修信息，例如，加时间戳的维修呼叫、由维修技术人员输入的维修摘要等。再次地，这些仅仅是可以在机器日志30中记录的某些类型的信息的非限制性示例；日志记录的特定信息取决于成像模态、成像设备的特定制作/型号、特定机器日志记录系统的配置以及其他因素。
通过传感器、成像时期控制软件等自动生成大量的日志记录信息，但是也可以手动输入一些日志记录信息(例如，维修摘要)。此外，应当理解，机器日志30可以在逻辑上被划分成多个日志，例如，(一个或多个)传感器的(一个或多个)日志、维修日志和成像时期日志(再次通过非限制性说明性示例的方式)。本文使用的机器日志30应被理解为广义地涵盖多个这样的机器日志。机器日志30可以被存储在本地，例如被存储在成像设备12所在的医院处的数据库中，并且/或者机器日志30可以被存储在远程位置(例如，备份)，例如被存储在由成像设备12的制造商维护的服务器处。至少一个电子处理器20与图像采集设备12操作性通信，并且还操作性通信以读取机器日志30。这样的与机器日志30的操作性通信可以是直接的，例如，说明性服务器19可以接收来自成像设备12的传感器数据并且直接维护机器日志30或者进行间接维护，例如，说明性服务器19可以下载在制造商的服务器上存储的机器日志30的最新部分。
设备10被如上所述地配置以执行图像采集方法或过程100。非瞬态存储介质26存储指令，这些指令能由至少一个电子处理器20(例如，工作站18和/或服务器19)读取并运行以执行所公开的操作，包括执行图像采集方法或过程100。在一些示例中，方法100可以至少部分地通过云处理来执行。
继续参考图1，图像采集方法100的说明性实施例被图解性地示为流程图。在102处，分析图像采集设备12的日志参数以识别故障参数。(本文使用的故障参数是(例如基于如在本文中所公开的说明性实施例中的AI分析发现)其值疑似会导致或贡献于图像质量的显著降低的参数。在104处，调谐成像设备12的一个或多个电学设置或机械设置以补偿故障参数，并且利用调谐参数来采集图像。在106处，分析所采集的图像的质量量度以识别故障质量量度。在108处，对图像进行后处理并且分析所采集的图像的质量量度以识别故障质量量度。在110处，采集具有接受质量的图像。额外地或替代地，在112处，输出用于校正故障图像质量量度的建议，其中，能够在114处执行对应的校正动作。
在102处，由至少一个电子处理器20提取在图像采集设备12的机器日志30中存储的日志参数P。日志参数P指示图像采集设备12的部件的当前状态。这些参数中的一些参数可以影响图像质量度量，例如，锐度/模糊度、对比度、失真度、渐晕度(例如、与图像的中间部分相比图像朝向周边的亮度/饱和度的降低)、色差、噪声、动态范围的变化，以及垂直线或水平线的存在(例如，厚或薄)。日志记录参数中的一个或多个日志记录参数的劣化可以直接或间接导致图像中出现不期望的伪影或图像中的其他劣化(这能够通过刚刚提到的图像质量度量中的一个或多个图像质量度量来量化)。为了从机器日志30中提取参数，识别图像采集设备12的模态的类型，并且(在202处)使用例如自然语言处理(NLP)从机器日志30中提取相关参数。(在变型实施例中，针对单个成像设备运行方法100的实例，在这种情况下，可以先验地知晓成像模态，并且在被运行的非瞬态存储介质26上存储的指令可以是模态特定的——在这种情况下，不需要识别成像模态的步骤)。为了识别故障参数，如果(例如从手册或者通过使用监督学习方法)已经提前知晓了所期望的可接受范围，则能够以统计方式分析这些参数。从“n”个参数的列表中，能够在例如随机森林分析中识别最可疑参数。所识别的可疑参数的列表是用于调谐图像采集设备12的部件的候选物。在204处，识别从图像采集设备的机器日志30中提取的图像采集设备12的一个或多个超出范围的(例如，故障或可疑)参数Pk。能够通过在至少一个电子处理器20上实施的ML模型来识别超出范围的参数Pk。ML模型是在训练数据上训练的，该训练数据包括被标记有针对由具有(例如在机器日志30和/或非瞬态存储介质中26中存储的)日志记录参数的集合的图像采集设备采集的图像的图像质量值的日志记录参数的集合。
继续参考图1，更详细地描述了操作104。在302处，基于一个或多个超出范围的参数Pk来调谐图像采集设备12的一个或多个电学设置或机械设置，以将图像采集设备转换成经调谐的图像采集设备。在典型的成像系统中，用于成像生成的源可以是例如X射线管，或者在MRI的情况下是磁体，或者在超声(US)机器的情况下是超声换能器。(这些都是非限制性示例。某些模态的医学成像设备可以没有成像生成源——例如，PET扫描器探测由施用于患者的放射性药物发射的511keV伽马射线)。这些源中的每个源都具有能够基于调谐约束来影响图像质量的机械/电学参数。确定负责在劣化的情况下校正图像的校正因子。类似地，CT扫描器、PET扫描器、SPECT相机等的辐射探测器阵列具有一定范围的能够影响图像质量(例如，针对探测器阵列的像素的暗电流水平、针对传感器像素的灵敏度校准值等)的日志记录参数。可能被调谐以补偿高的暗电流的设置例如包括对探测器像素的偏置电压的调整。
在操作302处的调谐包括将(例如在非瞬态计算机可读介质26中存储的)调谐模型应用于一个或多个超出范围的参数Pk以生成针对图像采集设备12的一个或多个电学设置或机械设备的调谐值。将一个或多个电学设置或机械设置调整到通过调谐模型生成的调谐值。调谐模型包括机器学习调谐模型，该机器学习调谐模型是在历史训练数据上训练的，该历史训练数据包括被标记有针对由图像采集设备使用(例如在非瞬态存储介质26中存储的)日志记录参数的集合采集的图像的图像质量值(其要么被自动生成为图像质量度量，要么由专家临床医生手动标记)的日志记录参数的集合，其中，图像还被标记有预期由ML调谐模型调谐的成像设备12的电学设置和/或机械设置的值。训练优化了ML以选择针对成像设备12的电学设置和/或机械设置的(一个或多个)调谐值，这(一个或多个)调谐值在针对具有相似的超出范围的参数的图像的历史训练集合中产生最高图像质量标记。在一个示例中，这种调整过程是由至少一个电子处理器20自动执行的。在另一示例中，在至少一个电子处理器20执行调整过程之前，能够在显示设备24上显示由调谐模型生成的调谐值以供用户审查和批准。虽然图示了ML调谐模型，但是调谐模型也可以以其他方式实施，例如被实施为取决于一个或多个超出范围的参数Pk的解析函数。
模态类型的识别是基于使用NLP进行的日志文件分析来执行的，NLP提供模态类型的分类。(如先前提到的，在一些实施例中，方法100是模态特异性的，在这种情况下，省去了识别模态类型的步骤)。基于调谐值，经训练的模型ML搜索与该模态(例如，针对X射线管的模态)相关联的日志文件中的参数。在表1中列出了可以通过这样的方法调谐的X射线管的机械设置/电学设置的一些非限制性说明性的示例。
Figure BDA0003305388250000101
表1
所提取的参数Pk被馈送到经训练的ML模型，经训练的ML模型输出针对图像采集设备12的一个或多个部件的一个或多个电学设置和/或机械设置的(例如，机械/电学)调谐值，以便补偿因(一个或多个)超出范围的参数Pk引起的图像劣化。在一些实施例中，这是由电子处理器20自动完成的(例如在电子处理器20包括用作用于成像设备12的控制器的工作站18或者与之通信的情况下)。在一些实施例中(或者针对成像设备12的关键设置的某些调整)，替代地，可以最初向用户提出设置的调谐值，其方法例如为将调谐值与用户对话一起显示在工作站18的显示器24上，用户可以经由用户对话来(经由用户输入设备)选择接受还是拒绝调谐操作。在后一种实施例中，如果用户选择接受调谐操作，则仅将设置调整到调谐值。在这些实施例中的任一种实施例中，调谐操作通常被记录在机器日志30中，与成像设备12中发生的或对成像设备12发生的大多数重要事件相同。
一旦调谐过程完成，至少一个电子处理器20就控制经调谐的图像采集设备12以(例如在304处)采集患者的一幅或多幅图像。
在一些实施例中，图像采集方法100能够直接进行到操作112，在操作112中，输出针对校正故障图像质量量度的建议。操作112包括将(例如在非瞬态存储介质26中存储的)维修建议模型应用于一个或多个超出范围的参数Pk，以生成针对图像采集设备12的维修建议。维修建议模型包括机器学习模型，该机器学习模型是在训练数据上训练的，该训练数据包括被标记有针对由图像采集设备12使用日志记录参数P的集合采集的图像的图像质量值的日志记录参数的集合。在一些示例中，至少一个电子处理器20将维修建议模型应用于一个或多个超出范围的参数以及针对所采集的一幅或多幅图像生成的一个或多个图像质量度量以生成针对图像采集设备12的维修建议。能够在显示设备24上显示维修建议。能够通过调谐来延迟更换部件的建议，这能够有效地延长有效使用寿命，同时仍然能够及时安排更换以避免不必要的停机。
在一些实施例中，维修建议能够包括为图像采集设备12订购一个或多个更换零件的建议。例如，在显示设备24上显示的建议能够包括链接或按钮以允许用户订购所需的更换零件(例如通过将用户与第三方零件订购服务相链接或者将用户与制造所需的更换零件的公司相链接)。用户还能够输入送货信息(例如，送货地址、交货日期、运输优先级等)。在一些示例中，零件订购能够包括优先级和定时(例如如果立即需要零件的话)。在其他示例中，所订购的更换零件的优先级和定时基于调谐操作302，基于哪些特定参数在指定的阈值以下、在图像中检测到的伪影的类型、用于解决图像中的伪影问题的滤波器等。能够在工作站18或服务器19中实施维修安排以基于安排维修预约、成像系统12附近的维修预约等对订单划分优先级。
在其他实施例中，图像采集方法100继续进行到操作106。在402处，(例如由至少一个电子处理器20)计算或估计针对在操作304处采集的(一幅或多幅)图像的一个或多个图像质量度量。通过非限制性说明性示例的方式，所计算的图像质量度量可以包括以下各项中的一项或多项：锐度、模糊度、对比度、失真度、渐晕度、色差、噪声、动态范围的变化和/或垂直线或水平线的存在。在404处，(例如由至少一个电子处理器20)根据计算出的一个或多个图像质量度量来识别一个或多个超出范围的图像质量度量。
在108处，执行后处理操作。在502处，基于一个或多个超出范围的图像质量度量来选择一个或多个图像滤波器，并且将这一个或多个图像滤波器应用于图像以提高其图像质量。在一些实施例中，基于一个或多个超出范围的图像质量度量并且还基于图像采集设备12的一个或多个超出范围的参数来选择一个或多个图像滤波器。选择502可以采用在历史处理后图像上训练的AI算法，该历史处理后图像被标记有在后处理之前的图像质量度量(针对也基于此来选择后处理操作的实施例，历史后处理器图像还被标记有图像采集设备12的超出范围的参数)。训练优化了AI以选择(一个或多个)后处理操作，这(一个或多个)后处理操作在针对具有相似的超出范围的参数的图像的历史训练集合中产生从处理前图像到处理后图像的最高的图像质量度量提高。而且，在502处，(例如由至少一个电子处理器20)将所选择的一个或多个图像滤波器应用于(在304处)所采集的一幅或多幅图像以(例如在操作110中)生成患者的一幅或多幅改善的图像。在任选的步骤504处，针对处理后图像计算图像质量度量，并且在506处进行检查以确定任何图像质量度量是否仍然有故障(例如超出可接受范围)。在508处，如果任何图像质量度量仍然有错误，则将其输入到建议器112以生成维修建议。
在非瞬态储存介质26中存储的ML模型能够是例如生成式对抗网络(GAN)。上述AI算法能够基于模型以及深度学习模型、GAN模型、统计模型等。针对这些类型的网络的输入能够包括一幅或多幅损坏的图像以及参数和校正算法的列表，ML模型使用这些输入来学习和生成适当的校正技术和建议。
已经参考优选实施例描述了本公开内容。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。本文旨在将本公开内容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 (20)

1.一种用于优化图像采集设备(12)的设备，所述设备包括：
至少一个电子处理器(20)，其被操作性连接以读取所述图像采集设备的机器日志(30)；以及
非瞬态计算机可读介质(26)，其存储能由所述至少一个电子处理器读取并运行以执行图像采集方法(100)的指令，所述图像采集方法包括：
从所述图像采集设备的所述机器日志中提取所述图像采集设备的日志记录参数；
根据从所述图像采集设备的所述机器日志中提取的所述日志记录参数来识别所述图像采集设备的一个或多个超出范围的参数；
基于所述一个或多个超出范围的参数来自动调谐所述图像采集设备的一个或多个电学设置或机械设置，以将所述图像采集设备转换成经调谐的图像采集设备；并且
控制所述经调谐的图像采集设备以采集患者的一幅或多幅图像。
2.根据权利要求1所述的设备，其中，所述调谐包括：
将调谐模型应用于所述一个或多个超出范围的参数，以生成针对所述图像采集设备(12)的所述一个或多个电学设置或机械设置的调谐值；并且
将所述一个或多个电学设置或机械设置自动调整到由所述调谐模型生成的所述调谐值，
其中，所述调谐模型包括机器学习调谐模型，所述机器学习调谐模型是在训练数据上训练的，所述训练数据包括被标记有针对由所述图像采集设备使用日志记录参数的集合采集的图像的图像质量值的日志记录参数的所述集合。
3.根据权利要求1-2中的任一项所述的设备，其中，识别所述一个或多个超出范围的参数包括：
通过将机器学习模型应用于所述机器日志的数据来识别至少一个超出范围的参数；
其中，所述机器学习模型是在训练数据上训练的，所述训练数据包括被标记有针对由具有日志记录参数的集合的所述图像采集设备采集的图像的图像质量值的日志记录参数的所述集合。
4.根据权利要求1-3中的任一项所述的设备，其中，所述图像采集方法(100)还包括：
将维修建议模型应用于所述一个或多个超出范围的参数，以生成针对所述图像采集设备的维修建议；并且
在显示设备(24)上显示由所述维修建议模型生成的所述维修建议，
其中，所述维修建议模型包括机器学习模型，所述机器学习模型是在训练数据上训练的，所述训练数据包括被标记有针对由所述图像采集设备使用日志记录参数的集合采集的图像的图像质量值的日志记录参数的所述集合。
5.根据权利要求4所述的设备，其中，所述应用包括：
将所述维修建议模型应用于所述一个或多个超出范围的参数以及针对所采集的一幅或多幅图像生成的一个或多个图像质量度量，以生成针对所述图像采集设备的所述维修建议。
6.根据权利要求1-5中的任一项所述的设备，其中，所述图像采集方法(100)还包括：
计算针对所采集的一幅或多幅图像的一个或多个图像质量度量；
根据所计算的一个或多个图像质量度量来识别一个或多个超出范围的图像质量度量；
基于所述一个或多个超出范围的图像质量度量来选择一个或多个图像滤波器；并且
将所选择的一个或多个图像滤波器应用于所采集的一幅或多幅图像，以生成患者的一幅或多幅改善的图像。
7.根据权利要求6所述的设备，其中，所述选择包括：
基于所述一个或多个超出范围的图像质量度量并且还基于所述图像采集设备的所述一个或多个超出范围的参数来选择所述一个或多个图像滤波器。
8.根据权利要求6-7中的任一项所述的设备，其中，所计算的图像质量度量包括以下各项中的一项或多项：锐度、模糊度、对比度、失真度、渐晕度、色差、噪声、动态范围的变化和/或垂直线或水平线的存在。
9.根据权利要求1-8中的任一项所述的设备，还包括：
图像采集设备(12)，所述图像采集设备是以下各项中的一项：磁共振(MR)图像采集设备；计算机断层摄影(CT)图像采集设备；正电子发射断层摄影(PET)图像采集设备；单光子发射计算机断层摄影(SPECT)图像采集设备；X射线图像采集设备；或超声(US)图像采集设备。
10.一种非瞬态计算机可读介质(26)，其存储能由至少一个电子处理器(20)运行以执行图像采集方法(100)的指令，所述方法包括：
计算针对由图像采集设备(12)采集的一幅或多幅图像的一个或多个图像质量度量；
根据所计算的一个或多个图像质量度量来识别一个或多个超出范围的图像质量度量；
基于所述一个或多个超出范围的图像质量度量来选择一个或多个图像滤波器；并且
将所选择的一个或多个图像滤波器应用于所采集的一幅或多幅图像，以生成患者的一幅或多幅改善的图像。
11.根据权利要求10所述的非瞬态计算机可读介质(26)，其中，所述选择包括：
基于所述一个或多个超出范围的图像质量度量并且还基于所述图像采集设备(12)的所述一个或多个超出范围的参数来选择所述一个或多个图像滤波器。
12.根据权利要求10-11中的任一项所述的非瞬态计算机可读介质(26)，其中，所计算的图像质量度量包括以下各项中的一项或多项：锐度、模糊度、对比度、失真度、渐晕度、色差、噪声、动态范围的变化和/或垂直线或水平线的存在。
13.根据权利要求10-12中的任一项所述的非瞬态计算机可读介质(26)，其中，所述图像采集方法(100)还包括：
从所述图像采集设备的所述机器日志中提取所述图像采集设备的日志记录参数；
根据从所述图像采集设备的所述机器日志中提取的所述日志记录参数来识别所述图像采集设备的一个或多个超出范围的参数；
基于所述一个或多个超出范围的参数来调谐所述图像采集设备的一个或多个电学设置或机械设置，以将所述图像采集设备转换成经调谐的图像采集设备；并且
控制所述经调谐的图像采集设备以采集患者的一幅或多幅图像。
14.根据权利要求13所述的非瞬态计算机可读介质(26)，其中，所述调谐包括：
将调谐模型应用于所述一个或多个超出范围的参数，以生成针对所述图像采集设备(12)的所述一个或多个电学设置或机械设置的调谐值；并且
将所述一个或多个电学设置或机械设置自动调整到由所述调谐模型生成的所述调谐值，
其中，所述调谐模型包括机器学习调谐模型，所述机器学习调谐模型是在训练数据上训练的，所述训练数据包括被标记有针对由所述图像采集设备使用日志记录参数的集合采集的图像的图像质量值的日志记录参数的所述集合。
15.根据权利要求13-14中的任一项所述的非瞬态计算机可读介质(26)，其中，识别所述一个或多个超出范围的参数包括：
通过将机器学习模型应用于所述机器日志的数据来识别至少一个超出范围的参数；
其中，所述机器学习模型是在训练数据上训练的，所述训练数据包括被标记有针对由具有日志记录参数的集合的所述图像采集设备采集的图像的图像质量值的日志记录参数的所述集合。
16.根据权利要求13-15中的任一项所述的非瞬态计算机可读介质(26)，其中，所述图像采集方法(100)还包括：
将维修建议模型应用于所述一个或多个超出范围的参数，以生成针对所述图像采集设备的维修建议；并且
在显示设备(24)上显示由所述维修建议模型生成的所述维修建议，
其中，所述维修建议模型包括机器学习模型，所述机器学习模型是在训练数据上训练的，所述训练数据包括被标记有针对由所述图像采集设备使用日志记录参数的集合采集的图像的图像质量值的日志记录参数的所述集合，所述维修建议模型是生成式对抗网络模型。
17.根据权利要求16所述的非瞬态计算机可读介质(26)，其中，所述应用包括：
将所述维修建议模型应用于所述一个或多个超出范围的参数以及针对所采集的一幅或多幅图像生成的一个或多个图像质量度量，以生成针对所述图像采集设备的所述维修建议；
其中，所述维修建议包括基于所述一个或多个超出范围的参数对针对所述图像采集设备的一个或多个更换零件进行排序。
18.一种图像采集方法(100)，包括：
从图像采集设备(12)的机器日志(30)中提取所述图像采集设备的日志记录参数；
根据从所述图像采集设备的所述机器日志中提取的所述日志记录参数来识别所述图像采集设备的一个或多个超出范围的参数；
基于所述一个或多个超出范围的参数来调谐所述图像采集设备的一个或多个电学设置或机械设置，以将所述图像采集设备转换成经调谐的图像采集设备；
控制所述经调谐的图像采集设备以采集患者的一幅或多幅图像；
计算针对所采集的一幅或多幅图像的一个或多个图像质量度量；
根据所计算的一个或多个图像质量度量来识别一个或多个超出范围的图像质量度量；
基于所述一个或多个超出范围的图像质量度量并且还基于所述图像采集设备的所述一个或多个超出范围的参数来选择一个或多个图像滤波器；并且
将所选择的一个或多个图像滤波器应用于所采集的一幅或多幅图像，以生成患者的一幅或多幅改善的图像。
19.根据权利要求18所述的方法(100)，其中，所述调谐包括：
将调谐模型应用于所述一个或多个超出范围的参数，以生成针对所述图像采集设备(12)的所述一个或多个电学设置或机械设置的调谐值；并且
将所述一个或多个电学设置或机械设置自动调整到由所述调谐模型生成的所述调谐值，
其中，所述调谐模型包括机器学习调谐模型，所述机器学习调谐模型是在训练数据上训练的，所述训练数据包括被标记有针对由所述图像采集设备使用日志记录参数的集合采集的图像的图像质量值的日志记录参数的所述集合。
20.根据权利要求18-19中的任一项所述的方法(100)，还包括：
将维修建议模型应用于所述一个或多个超出范围的参数，以生成针对所述图像采集设备的维修建议；并且
在显示设备(24)上显示由所述维修建议模型生成的所述维修建议，
其中，所述维修建议模型包括机器学习模型，所述机器学习模型是在训练数据上训练的，所述训练数据包括被标记有针对由所述图像采集设备使用日志记录参数的集合采集的图像的图像质量值的日志记录参数的所述集合；并且
其中，所述维修建议包括基于所述一个或多个超出范围的参数对针对所述图像采集设备的一个或多个更换零件进行排序，所述维修建议是基于针对所述一个或多个更换零件的紧迫性来划分优先级的。
CN202080029127.XA 2019-04-17 2020-04-16 基于医学设备的日志分析来自动校正图像质量的医学成像系统和方法 Pending CN113747838A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962834988P 2019-04-17 2019-04-17
US62/834,988 2019-04-17
PCT/EP2020/060667 WO2020212470A1 (en) 2019-04-17 2020-04-16 Medical imaging systems and methods with auto-correction of image quality-based on the log analysis of medical devices

Publications (1)

Publication Number Publication Date
CN113747838A true CN113747838A (zh) 2021-12-03

Family

ID=70289812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080029127.XA Pending CN113747838A (zh) 2019-04-17 2020-04-16 基于医学设备的日志分析来自动校正图像质量的医学成像系统和方法

Country Status (4)

Country Link
US (1) US20220165395A1 (zh)
EP (1) EP3955819B1 (zh)
CN (1) CN113747838A (zh)
WO (1) WO2020212470A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210406112A1 (en) * 2020-06-29 2021-12-30 International Business Machines Corporation Anomaly classification in information technology environments
EP3996105A1 (en) * 2020-11-09 2022-05-11 Koninklijke Philips N.V. Multiphase lifteime monitoring device
EP4264510A1 (en) * 2020-12-15 2023-10-25 Koninklijke Philips N.V. System and method to recommend service action for predictive maintenance
EP4050565A1 (en) * 2021-02-26 2022-08-31 Siemens Healthcare GmbH Process for iteratively reconstructing images using deep learning
GB202104680D0 (en) * 2021-03-31 2021-05-12 Cancer Research Tech Ltd Determination of spectral filters for spectral imaging
WO2022207516A1 (en) * 2021-04-01 2022-10-06 Koninklijke Philips N.V. Systems and methods for self-sensing mobile medical devices to auto-correct an output
CN113849370A (zh) * 2021-09-24 2021-12-28 武汉联影医疗科技有限公司 监控参数的调整方法、装置、计算机设备和存储介质
US20240094322A1 (en) * 2022-09-19 2024-03-21 Synaptive Medical Inc. System and methods for monitoring medical equipment by using cloud-based telemetry

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014043623A1 (en) * 2012-09-17 2014-03-20 Siemens Corporation Log-based predictive maintenance
KR20160050761A (ko) * 2014-10-31 2016-05-11 삼성전자주식회사 방사선 촬영 장치 및 방사선 촬영 장치의 제어방법
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures
CN110870022A (zh) * 2017-07-10 2020-03-06 皇家飞利浦有限公司 针对大型医学成像系统的预测性维护
US11497459B2 (en) * 2018-01-26 2022-11-15 General Electric Company Methods and system for optimizing an imaging scan based on a prior scan
GB2584986B (en) * 2019-03-19 2023-07-26 Sony Interactive Entertainment Inc System and camera device for capturing images

Also Published As

Publication number Publication date
EP3955819A1 (en) 2022-02-23
US20220165395A1 (en) 2022-05-26
WO2020212470A1 (en) 2020-10-22
EP3955819B1 (en) 2024-08-07

Similar Documents

Publication Publication Date Title
CN113747838A (zh) 基于医学设备的日志分析来自动校正图像质量的医学成像系统和方法
US10796181B2 (en) Machine learning based method and system for analyzing image artifacts and imaging system failure
JP7309605B2 (ja) ディープラーニング医療システムおよび画像収集のための方法
US7451002B2 (en) Automated generation of transfer functions based upon machine data
CN112651885B (zh) 用于减少图像记录噪声的方法和装置
US10339655B2 (en) Automated image evaluation in x-ray imaging
US8977027B2 (en) Dual modality imaging including quality metrics
US20170365047A1 (en) Artifact management in imaging
US6934590B2 (en) Quality control system for medical diagnostic apparatus
US20190266436A1 (en) Machine learning in an imaging modality service context
US10048391B2 (en) Imaging detector self-diagnosis circuitry
JP6422646B2 (ja) Ｘ線コンピュータ断層撮影装置及び情報処理装置
CN111183371B (zh) 处理数字正电子发射断层摄影的探测器像素性能变化
JP2022188000A (ja) 設定方法、医用画像診断システム及びプログラム
US20200301030A1 (en) Short leading and trailing frames to improve image quality in positron emission tomogrpahy (pet)
CN105721742A (zh) 图像处理设备和图像处理方法
JP3982820B2 (ja) スペクトル感受型アーティファクトを減少させる方法及び装置
CN108937995B (zh) 用于生成减少伪影的ct图像数据的自适应方法
EP4035601A1 (en) Methods and systems for monitoring events related to x-ray tubes
US20240008834A1 (en) Imaging failure image management apparatus, operation method and operation program of imaging failure image management apparatus, and radiography system
EP4276497A1 (en) Detection and collection of x-ray detector artefact data by the acquisition system to support field service and development
CN116999080A (zh) 用于创建定量的正电子发射断层扫描图像的方法和系统
WO2022229005A1 (en) Systems and methods to improve x-ray tube filament failure prediction
WO2024008599A1 (en) System and method to improve image quality and prevent rescans by analyzing cross-hospital context and scan settings
EP4429553A1 (en) Usage-based wear model and improved lifetime for x-ray devices

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