CN118153451A - 一种用于ct机球管的剩余寿命预测方法、装置及电子设备 - Google Patents
一种用于ct机球管的剩余寿命预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN118153451A CN118153451A CN202410400336.0A CN202410400336A CN118153451A CN 118153451 A CN118153451 A CN 118153451A CN 202410400336 A CN202410400336 A CN 202410400336A CN 118153451 A CN118153451 A CN 118153451A
- Authority
- CN
- China
- Prior art keywords
- bulb
- data
- measurement data
- target
- machine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000006731 degradation reaction Methods 0.000 claims abstract description 27
- 230000015556 catabolic process Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本说明书实施例公开了一种用于CT机球管的剩余寿命预测方法、装置及电子设备。该方法包括获取CT机的球管测定数据,分别计算球管测定数据在不同球管性能指标下的退化性能曲线;对各球管性能指标进行单调性评估和相关性评估,确定目标球管性能指标;基于粒子滤波算法构建目标球管性能指标的预测模型,并训练预测模型;基于训练好的预测模型处理当前球管测定数据,并确定CT机的球管剩余寿命。本说明书实施例能够通过预测模型对当前球管测定数据的处理来确定CT机球管的剩余寿命,使得工作人员能够随时预测了解CT机球管的剩余寿命,进而在剩余寿命不足时提前进行球管的更换,保证了CT机在正常运行过程中的可靠性。
Description
技术领域
本说明书一个或多个实施例涉及数据处理技术,尤其涉及一种用于CT机球管的剩余寿命预测方法、装置及电子设备。
背景技术
计算机X线断层摄影机(Computed Tomography,CT)广泛应用于临床医学领域,目前在大多数医疗机构中,无法对CT机内球管的使用情况进行跟踪监测,通常是发现球管坏了无法使用后才进行紧急维修或更换,这有时还会导致大型设备停机,使得CT机在正常运行过程中的可靠性不足,需要一种能够对CT机球管的寿命提前进行预测的方法。
发明内容
为了解决上述问题,本说明书一个或多个实施例描述了一种用于CT机球管的剩余寿命预测方法、装置及电子设备。
根据第一方面,提供了一种用于CT机球管的剩余寿命预测方法,所述方法包括:
获取CT机的球管测定数据,分别计算所述球管测定数据在不同球管性能指标下的退化性能曲线;
基于所述退化性能曲线分别对各所述球管性能指标进行单调性评估和相关性评估,确定与球管扫描次数存在单调性且与球管使用次数存在相关性的目标球管性能指标;
基于粒子滤波算法构建所述目标球管性能指标的预测模型,并基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,所述预测模型用以表征球管扫描次数与目标球管性能指标值之间的映射关系;
确定所述CT机的当前球管测定数据,基于训练好的所述预测模型处理所述当前球管测定数据,并根据模型输出结果确定所述CT机的球管剩余寿命。
优选的,所述球管测定数据的数据类别包括灯丝电流、曝光计量、扫描开始球管油温、扫描结束球管油温、阴极温度、阴极冷却接口温度、油压和机架温度,所述灯丝电流包括最小电流、最大电流、平均电流、扫描开始电流、扫描结束电流和实际灯丝电流,所述曝光计量包括最小计量、最大计量和结束计量,所述球管性能指标基于所述数据类别确定。
优选的,所述获取CT机的球管测定数据之后,还包括:
剔除所述球管测定数据中不满足预设的标准曝光参数的非标准数据。
优选的,所述基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,包括:
获取所述目标球管性能指标对应的目标球管测定数据,对所述目标球管测定数据进行等间隔抽样,得到抽样数据;
基于移动平均滤波对所述抽样数据进行平滑处理,得到预处理数据;
基于所述预处理数据训练所述预测模型。
优选的,所述基于所述预处理数据训练所述预测模型,包括:
将所述预处理数据拆分为训练数据和预测数据,基于所述训练数据训练所述预测模型,所述预测数据为所述预处理数据中按照时间顺序由后往前确定的预设数量组数据;
所述确定所述CT机的当前球管测定数据,包括:
将所述预测数据确定为所述CT机的当前球管测定数据。
优选的,所述基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型之后,还包括:
分别计算训练好的所述预测模型的平均绝对百分误差、累计相对精度和拟合系数,基于所述平均绝对百分误差、累计相对精度和拟合系数验证训练好的所述预测模型的预测性能。
优选的,所述根据模型输出结果确定所述CT机的球管剩余寿命,包括:
基于预设的目标寿命指标值确定所述CT机的完整寿命,并根据所述完整寿命与模型输出结果之差确定所述CT机的球管剩余寿命。
根据第二方面,提供了一种用于CT机球管的剩余寿命预测装置,所述装置包括:
获取模块,用于获取CT机的球管测定数据,分别计算所述球管测定数据在不同球管性能指标下的退化性能曲线;
评估模块,用于基于所述退化性能曲线分别对各所述球管性能指标进行单调性评估和相关性评估,确定与球管扫描次数存在单调性且与球管使用次数存在相关性的目标球管性能指标;
构建模块,用于基于粒子滤波算法构建所述目标球管性能指标的预测模型,并基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,所述预测模型用以表征球管扫描次数与目标球管性能指标值之间的映射关系;
预测模块,用于确定所述CT机的当前球管测定数据,基于训练好的所述预测模型处理所述当前球管测定数据,并根据模型输出结果确定所述CT机的球管剩余寿命。
根据第三方面,提供了一种电子设备,包括处理器以及存储器;
所述处理器与所述存储器相连;
所述存储器,用于存储可执行程序代码;
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
根据第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机可读存储介质中存储有指令,当所述指令在计算机或处理器上运行时,使得所述计算机或处理器执行如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本说明书实施例提供的方法及装置,能够通过单调性和相关性的评估确定出能够表示球管的寿命退化趋势的目标球管性能指标,并以此训练构建预测模型,最终通过预测模型对当前球管测定数据的处理来确定CT机球管的剩余寿命,使得工作人员能够随时预测了解CT机球管的剩余寿命,进而在剩余寿命不足时提前进行球管的更换,保证了CT机在正常运行过程中的可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例中在一种用于CT机球管的剩余寿命预测方法的流程示意图。
图2是本说明书一个实施例中在一种用于CT机球管的剩余寿命预测装置的结构示意图。
图3是本说明书一个实施例中在一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
参见图1,图1是本申请实施例提供的一种用于CT机球管的剩余寿命预测方法的流程示意图。在本申请实施例中,所述方法包括:
S101、获取CT机的球管测定数据,分别计算所述球管测定数据在不同球管性能指标下的退化性能曲线。
本申请的执行主体可以是云端服务器。
在本说明书实施例中,云端服务器首先会查询CT机系统的历史数据库,以对CT机球管的数据进行采集。采集到的球管数据一般包含设定值数据和测定值数据,设定值的种类包括设备序列号、球管序列号、使用时间、使用次数、扫描次数、扫描类型等,测定值的种类包括灯丝电流、曝光计量、油温等。云端服务器首先需要从各个种类的数据中,确定出与球管寿命具有较强相关性,随着球管的使用而发生变化的数据类别,以便后续能够通过对该数据类别的数据进行监测来确定球管的寿命,这种数据一定不会是设定好的或者随着使用而单纯进行计数的数据,也即一定不会是设定值数据。因此,云端服务器会从采集的数据中获取测定值数据,也即球管测定数据进行分析,来确定不同球管性能指标对应的球管测定数据的退化性能曲线。其中,球管性能指标可以在测定值的种类中选取,也可以将测定值的每个种类分别作为一个球管性能指标,还可以根据其他方式选取。
作为一种示例,退化性能曲线的计算过程可以为:建立初始状态的性能基准,根据采集到的数据计算各个时间点上实际数据与基准数据之间的差异,如使用绝对偏差、相对偏差或标准化后的退化系数。接着,再根据这些时间序列数据构建线性回归、指数函数或其他适合描述退化过程的函数。最后以退化性能曲线的方式将构建的函数表示为曲线图。
在一种可实施方式中,所述球管测定数据的数据类别包括灯丝电流、曝光计量、扫描开始球管油温、扫描结束球管油温、阴极温度、阴极冷却接口温度、油压和机架温度,所述灯丝电流包括最小电流、最大电流、平均电流、扫描开始电流、扫描结束电流和实际灯丝电流,所述曝光计量包括最小计量、最大计量和结束计量,所述球管性能指标基于所述数据类别确定。
在本说明书实施例中,测定值的种类,也即数据类别在实际情况中存在非常多的种类,且大部分种类跟球管的寿命没有明显的关系。为了提高目标球管性能指标的筛选效率,本实施例将选择其中15个主要的测定值种类作为球管性能指标,使每一种数据类别对应一种球管性能指标,并只对这些球管性能指标对应的球管测定数据进行退化性能曲线的分析。
在一种可实施方式中,所述获取CT机的球管测定数据之后,还包括:
剔除所述球管测定数据中不满足预设的标准曝光参数的非标准数据。
在本说明书实施例中,在CT扫描设备的实际使用中,根据不同患者和检测部位的特点,CT机每次曝光的参数存在差异。为了确保在根据退化性能曲线分析过程中各球管性能指标的稳定性,将选择一组最常见的曝光参数作为标准曝光参数,并剔除球管测定数据中不满足标准曝光参数的非标准数据,实现对数据的标准化。这一标准化的目的是为了使球管数据在整个分析过程中能够处于相对一致的曝光参数状态,以降低曝光参数的波动对球管指标参数的退化性能曲线的影响,确保计算分析的数据的稳定性和可靠性。作为一种示例,标准曝光参数可以是电压保持在120KV,管电流在30-40mA之间。
S102、基于所述退化性能曲线分别对各所述球管性能指标进行单调性评估和相关性评估,确定与球管扫描次数存在单调性且与球管使用次数存在相关性的目标球管性能指标。
在本说明书实施例中,球管扫描次数和球管使用次数是直接影响球管寿命的参数,随着二者的增加,球管寿命会减少。因此,在构建退化性能曲线的过程中,可以将球管扫描次数或球管使用次数作为曲线中的一个坐标参数。这样,通过退化性能曲线可以直接表征出每个球管性能指标与球管扫描次数/球管使用次数之间的关系。故云端服务器可以通过解析确定退化性能曲线中随着扫描次数的增加,相应的数值是否呈现稳定的增加趋势即可确定是否存在单调性,并通过横纵坐标数据间相关系数的计算确定是否存在相关性。最终确定出与球管扫描次数存在单调性且与球管使用次数存在相关性的球管性能指标作为用于判断球管寿命的目标球管性能指标。
作为一种示例,经测试,在前述实施例中选择的15个球管性能指标中,灯丝电流和曝光计量对扫描次数表现出明显的单调性,且灯丝电流对使用次数表现出较高的相关性,故最终选择灯丝电流作为目标球管性能指标。
S103、基于粒子滤波算法构建所述目标球管性能指标的预测模型,并基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型。
其中,所述预测模型用以表征球管扫描次数与目标球管性能指标值之间的映射关系。
在本说明书实施例中,为了对目标球管性能指标的数值变化进行预测,云端服务器将采用粒子滤波算法的方式来构建预测模型。具体而言,以灯丝电流为目标球管性能指标为例,将建立一次方程作为预测模型的预测方程,以描述灯丝电流的变化趋势。预测方程允许通过已观测到的数据来估计状态变量的后验概率分布。这种建模方法具有较好的灵活性和准确性,能够有效地捕捉灯丝电流随时间变化的趋势。预测方程如下:
f(tHI)=a*t+b
其中,f(t)HI为t时刻的测量值(即灯丝电流),a、b为模型参数,t为球管的扫描次数。
接着,在粒子滤波算法中,是由观测模型与状态更新模型共同构成预测模型。故将预测方程与随机分量相结合,分别构成状态更新方程和观测方程,假设引入的随机分量均服从正态分布,则计算式如下:
其中,ak为k时刻的状态更新方程,bk为k时刻的观测方程,N为正态分布自然数,wa、wb均为随机分量,过程噪声σa=0.005,σb=0.08。
最终预测模型可以表示为:
f(t)HI=ak*t+bk+wv v∈N(0,σv)
其中,σv=0.0001,设置仿真粒子数为300。
构建好预测模型的方程后,云端服务器将在球管测定数据中确定目标球管性能指标对应的目标球管测定数据,并以此训练模型,确定模型参数的具体数值,最终得到训练好的预测模型。
在一种可实施方式中,所述基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,包括:
获取所述目标球管性能指标对应的目标球管测定数据,对所述目标球管测定数据进行等间隔抽样,得到抽样数据;
基于移动平均滤波对所述抽样数据进行平滑处理,得到预处理数据;
基于所述预处理数据训练所述预测模型。
在本说明书实施例中,考虑到球管退化过程较为缓慢,且原始数据集,也即目标球管测定数据的长度较大,包含大量冗余数据,将采用等间隔抽样的方法来获取抽样数据,以抽样数据作为模型训练的样本。此外,前述标准曝光参数仍然是一个参数范围,根据患者的体型和检查部位的不同,还是需要根据具体情况调整CT机的曝光参数。这些因素依然可能导致相邻扫描结果出现较大的波动。故为确保后续数据分析的稳定性,并减少波动带来的不确定性,云端服务器还将对抽样数据采用移动平均滤波进行数据平滑处理。移动平均滤波是通过对连续的数据点进行平均处理的过程。
在一种可实施方式中,所述基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型之后,还包括:
分别计算训练好的所述预测模型的平均绝对百分误差、累计相对精度和拟合系数,基于所述平均绝对百分误差、累计相对精度和拟合系数验证训练好的所述预测模型的预测性能。
在本说明书实施例中,为了评价训练好的预测模型的预测性能,将采用平均绝对百分误差(mean absolute percentage error,MAPE)、累计相对精度(cumulativerelative accuracy,CRA)、拟合系数(R-square)三个指标进行预测评价。MAPE和CRA值越小,R-square越高,表明模型预测性能越好。三个指标的计算公式如下:
其中,Emap为平均绝对百分误差,Acr为累计相对精度,Rsqu为拟合系数,y(t)为实际值,为预测值,/>为实际值y(t)的平均值。
作为一种示例,本申请选择5个球管的数据分别对预测模型进行模型预测性能的计算后,统计的结果如下表所示:
Nomber | MAPE | CRA | R-square |
球管1 | 8.84% | 0.000875 | 0.8686 |
球管2 | 16.74% | 0.001667 | 0.7988 |
球管3 | 14.50% | 0.001435 | 0.5663 |
球管4 | 11.55% | 0.001143 | 0.5764 |
球管5 | 15.57% | 0.001542 | 0.6742 |
从表中可知,在球管1和球管4方面,粒子滤波方法呈现出较佳的性能。其MAPE值较低,表示预测结果与实际值之间的差异较小。CRA值较小,说明预测结果与实际值之间存在较高的相关性。此外,R-square值接近1,表明该方法能够很好地解释数据的变化。总体而言,粒子滤波方法在大多数球管上都表现良好,提供了相对准确的预测结果。
为了跟粒子滤波算法进行对比,本申请还采用网格搜索优化的支持向量机(SVM)进行结果对比试验。通过SVM得到的预测模型的模型预测性能的统计结果如下表所示:
Nomber | MAPE | CRA | R-square |
球管1 | 47.90% | 0.005635 | -2.4 |
球管2 | 79.89% | 0.009399 | -3.559 |
球管3 | 41.36% | 0.004866 | -3.27 |
球管4 | 53.02% | 0.006238 | -19.8676 |
球管5 | 58.36% | 0.006865 | -4.43 |
从表中所知,在所有球管上,SVM预测方法呈现出较差的性能表现。MAPE值普遍较高,表明预测结果与实际值之间存在较大的偏差。此外,CRA值较大,说明预测结果与实际值之间的相关性较低。而负值的R-square值表示模型对数据的拟合效果不佳,甚至呈现负相关性。综上所述,SVM预测方法在所有球管上的表现都不尽如人意,预测结果缺乏准确性,与实际值之间的关联性较低。粒子滤波方法相对于SVM预测方法在这些球管的预测性能方面表现更佳,能够提供更准确和可靠的预测结果。
S104、确定所述CT机的当前球管测定数据,基于训练好的所述预测模型处理所述当前球管测定数据,并根据模型输出结果确定所述CT机的球管剩余寿命。
在本说明书实施例中,根据训练好的预测模型,可以对CT机的当前球管测定数据进行处理,得到模型输出结果。根据模型输出结果可以确定目前的扫描次数,而一般在目标球管性能指标值低于预设数值后,即认为球管损坏,故还会根据该预设数值确定球管的总扫描次数,根据二者之差即可确定出CT机的球管剩余寿命。
其中,虽然实际扫描次数是可以直接从CT机上获得的,但实际扫描次数与模型输出结果中的扫描次数不一定是相同的。实际扫描次数是CT机实际运行扫描的次数,而模型输出结果的扫描次数是根据当前球管测定数据,也即CT机球管的近期数据变化状态所预测出的,用以表示球管目前状态相当于使用到什么程度的扫描次数,这个扫描次数与总扫描次数的比对才能准确的确定出剩余寿命。
在一种可实施方式中,所述基于所述预处理数据训练所述预测模型,包括:
将所述预处理数据拆分为训练数据和预测数据,基于所述训练数据训练所述预测模型,所述预测数据为所述预处理数据中按照时间顺序由后往前确定的预设数量组数据;
所述确定所述CT机的当前球管测定数据,包括:
将所述预测数据确定为所述CT机的当前球管测定数据。
在本说明书实施例中,由于目标球管测定数据本身就是目标球管性能指标对应的所有历史数据,这些历史数据经前述步骤处理后便是预处理数据。故预处理数据中,最后获得的数据本身就是球管近期的数据,云端服务器可以直接将预处理数据拆分为训练数据和预测数据,通过训练数据来训练预测模型,并直接将预测数据作为当前球管测定数据进行处理和剩余寿命的预测。其中,为了避免数据在正常范围内波动导致的预测结果误差,当前球管测定数据并不是一组数据,而是预设数量组的多组数据。
在一种可实施方式中,所述根据模型输出结果确定所述CT机的球管剩余寿命,包括:
基于预设的目标寿命指标值确定所述CT机的完整寿命,并根据所述完整寿命与模型输出结果之差确定所述CT机的球管剩余寿命。
在本说明书实施例中,预设的目标寿命指标值即为工作人员根据球管每次损坏后检测的目标球管性能指标值,该目标寿命指标值对应的扫描次数即为球管的完整寿命。通过完整寿命与模型输出结果之差,即可确定出CT机的球管剩余寿命。
下面将结合附图2,对本申请实施例提供的用于CT机球管的剩余寿命预测装置进行详细介绍。需要说明的是,附图2所示的用于CT机球管的剩余寿命预测装置,用于执行本申请图1所示实施例的方法,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请图1所示的实施例。
请参见图2,图2是本申请实施例提供的一种用于CT机球管的剩余寿命预测装置的结构示意图。如图2所示,所述装置包括:
获取模块201,用于获取CT机的球管测定数据,分别计算所述球管测定数据在不同球管性能指标下的退化性能曲线;
评估模块202,用于基于所述退化性能曲线分别对各所述球管性能指标进行单调性评估和相关性评估,确定与球管扫描次数存在单调性且与球管使用次数存在相关性的目标球管性能指标;
构建模块203,用于基于粒子滤波算法构建所述目标球管性能指标的预测模型,并基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,所述预测模型用以表征球管扫描次数与目标球管性能指标值之间的映射关系;
预测模块204,用于确定所述CT机的当前球管测定数据,基于训练好的所述预测模型处理所述当前球管测定数据,并根据模型输出结果确定所述CT机的球管剩余寿命。
在一种可实施方式中,所述球管测定数据的数据类别包括灯丝电流、曝光计量、扫描开始球管油温、扫描结束球管油温、阴极温度、阴极冷却接口温度、油压和机架温度,所述灯丝电流包括最小电流、最大电流、平均电流、扫描开始电流、扫描结束电流和实际灯丝电流,所述曝光计量包括最小计量、最大计量和结束计量,所述球管性能指标基于所述数据类别确定。
在一种可实施方式中,获取模块201具体还用于:
剔除所述球管测定数据中不满足预设的标准曝光参数的非标准数据。
在一种可实施方式中,构建模块203具体用于:
获取所述目标球管性能指标对应的目标球管测定数据,对所述目标球管测定数据进行等间隔抽样,得到抽样数据;
基于移动平均滤波对所述抽样数据进行平滑处理,得到预处理数据;
基于所述预处理数据训练所述预测模型。
在一种可实施方式中,构建模块203具体还用于:
将所述预处理数据拆分为训练数据和预测数据,基于所述训练数据训练所述预测模型,所述预测数据为所述预处理数据中按照时间顺序由后往前确定的预设数量组数据;
预测模块204具体用于:
将所述预测数据确定为所述CT机的当前球管测定数据。
在一种可实施方式中,构建模块203具体还用于:
分别计算训练好的所述预测模型的平均绝对百分误差、累计相对精度和拟合系数,基于所述平均绝对百分误差、累计相对精度和拟合系数验证训练好的所述预测模型的预测性能。
在一种可实施方式中,预测模块204具体还用于:
基于预设的目标寿命指标值确定所述CT机的完整寿命,并根据所述完整寿命与模型输出结果之差确定所述CT机的球管剩余寿命。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC)等。
本申请实施例的各处理单元和/或模块,可通过实现本申请实施例所述的功能的模拟电路而实现,也可以通过执行本申请实施例所述的功能的软件而实现。
参见图3,其示出了本申请实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施图1所示实施例中的方法。如图3所示,电子设备300可以包括:至少一个处理器301,至少一个网络接口304,用户接口303,存储器305,至少一个通信总线302。
其中,通信总线302用于实现这些组件之间的连接通信。
其中,用户接口303可以包括显示屏(Display)、摄像头(Camera),可选用户接口303还可以包括标准的有线接口、无线接口。
其中,网络接口304可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个电子设备300内的各个部分,通过运行或执行存储在存储器305内的指令、程序、代码集或指令集,以及调用存储在存储器305内的数据,执行电子设备300的各种功能和处理数据。可选的,处理器301可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器301可集成中央中央处理器(Central Processing Unit,CPU)、图像中央处理器(Graphics ProcessingUnit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器301中,单独通过一块芯片进行实现。
其中,存储器305可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器305包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储装置。如图3所示,作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
在图3所示的电子设备300中,用户接口303主要用于为用户提供输入的接口,获取用户输入的数据;而处理器301可以用于调用存储器305中存储的用于CT机球管的剩余寿命预测应用程序,并具体执行以下操作:
获取CT机的球管测定数据,分别计算所述球管测定数据在不同球管性能指标下的退化性能曲线;
基于所述退化性能曲线分别对各所述球管性能指标进行单调性评估和相关性评估,确定与球管扫描次数存在单调性且与球管使用次数存在相关性的目标球管性能指标;
基于粒子滤波算法构建所述目标球管性能指标的预测模型,并基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,所述预测模型用以表征球管扫描次数与目标球管性能指标值之间的映射关系;
确定所述CT机的当前球管测定数据,基于训练好的所述预测模型处理所述当前球管测定数据,并根据模型输出结果确定所述CT机的球管剩余寿命。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器I C),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种用于CT机球管的剩余寿命预测方法,其特征在于,所述方法包括:
获取CT机的球管测定数据,分别计算所述球管测定数据在不同球管性能指标下的退化性能曲线;
基于所述退化性能曲线分别对各所述球管性能指标进行单调性评估和相关性评估,确定与球管扫描次数存在单调性且与球管使用次数存在相关性的目标球管性能指标;
基于粒子滤波算法构建所述目标球管性能指标的预测模型,并基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,所述预测模型用以表征球管扫描次数与目标球管性能指标值之间的映射关系;
确定所述CT机的当前球管测定数据,基于训练好的所述预测模型处理所述当前球管测定数据,并根据模型输出结果确定所述CT机的球管剩余寿命。
2.根据权利要求1所述的方法,其特征在于,所述球管测定数据的数据类别包括灯丝电流、曝光计量、扫描开始球管油温、扫描结束球管油温、阴极温度、阴极冷却接口温度、油压和机架温度,所述灯丝电流包括最小电流、最大电流、平均电流、扫描开始电流、扫描结束电流和实际灯丝电流,所述曝光计量包括最小计量、最大计量和结束计量,所述球管性能指标基于所述数据类别确定。
3.根据权利要求1所述的方法,其特征在于,所述获取CT机的球管测定数据之后,还包括:
剔除所述球管测定数据中不满足预设的标准曝光参数的非标准数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,包括:
获取所述目标球管性能指标对应的目标球管测定数据,对所述目标球管测定数据进行等间隔抽样,得到抽样数据;
基于移动平均滤波对所述抽样数据进行平滑处理,得到预处理数据;
基于所述预处理数据训练所述预测模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述预处理数据训练所述预测模型,包括:
将所述预处理数据拆分为训练数据和预测数据,基于所述训练数据训练所述预测模型,所述预测数据为所述预处理数据中按照时间顺序由后往前确定的预设数量组数据;
所述确定所述CT机的当前球管测定数据,包括:
将所述预测数据确定为所述CT机的当前球管测定数据。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型之后,还包括:
分别计算训练好的所述预测模型的平均绝对百分误差、累计相对精度和拟合系数,基于所述平均绝对百分误差、累计相对精度和拟合系数验证训练好的所述预测模型的预测性能。
7.根据权利要求1所述的方法,其特征在于,所述根据模型输出结果确定所述CT机的球管剩余寿命,包括:
基于预设的目标寿命指标值确定所述CT机的完整寿命,并根据所述完整寿命与模型输出结果之差确定所述CT机的球管剩余寿命。
8.一种用于CT机球管的剩余寿命预测装置,其特征在于,所述装置包括:
获取模块,用于获取CT机的球管测定数据,分别计算所述球管测定数据在不同球管性能指标下的退化性能曲线;
评估模块,用于基于所述退化性能曲线分别对各所述球管性能指标进行单调性评估和相关性评估,确定与球管扫描次数存在单调性且与球管使用次数存在相关性的目标球管性能指标;
构建模块,用于基于粒子滤波算法构建所述目标球管性能指标的预测模型,并基于所述目标球管性能指标对应的目标球管测定数据训练所述预测模型,所述预测模型用以表征球管扫描次数与目标球管性能指标值之间的映射关系;
预测模块,用于确定所述CT机的当前球管测定数据,基于训练好的所述预测模型处理所述当前球管测定数据,并根据模型输出结果确定所述CT机的球管剩余寿命。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机可读存储介质中存储有指令,当所述指令在计算机或处理器上运行时,使得所述计算机或处理器执行如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410400336.0A CN118153451A (zh) | 2024-04-03 | 2024-04-03 | 一种用于ct机球管的剩余寿命预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410400336.0A CN118153451A (zh) | 2024-04-03 | 2024-04-03 | 一种用于ct机球管的剩余寿命预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118153451A true CN118153451A (zh) | 2024-06-07 |
Family
ID=91293026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410400336.0A Pending CN118153451A (zh) | 2024-04-03 | 2024-04-03 | 一种用于ct机球管的剩余寿命预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118153451A (zh) |
-
2024
- 2024-04-03 CN CN202410400336.0A patent/CN118153451A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11335450B2 (en) | Dehydration amount prediction method for hemodialysis and electronic device using the same | |
US20220079540A1 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantificaton in coronary arteries | |
CN106897570B (zh) | 一种基于机器学习的慢性阻塞性肺疾病测试系统 | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
KR20130071981A (ko) | 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법 | |
CN110083514B (zh) | 软件测试缺陷评估方法、装置、计算机设备及存储介质 | |
JP2014527214A (ja) | 即時提出結果の最適qc法を決定するためのシステムと方法 | |
US8751261B2 (en) | Method and system for selection of patients to receive a medical device | |
CN111243753B (zh) | 一种面向医疗数据的多因素相关性交互式分析方法 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN109102888A (zh) | 一种人体健康评分方法 | |
CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
KR20140126229A (ko) | 생체 나이 연산 모델 생성 방법 및 시스템과, 그 생체 나이 연산 방법 및 시스템 | |
CN112561333A (zh) | 一种考核数据处理方法、装置、电子设备及存储介质 | |
CN118153451A (zh) | 一种用于ct机球管的剩余寿命预测方法、装置及电子设备 | |
US20230060794A1 (en) | Diagnostic Tool | |
CN114972220B (zh) | 一种图像处理方法、装置、电子设备及可读存储介质 | |
CN112712492B (zh) | 确定设备质量的方法、装置、服务器和存储介质 | |
WO2023050668A1 (zh) | 基于因果推断的分群模型构建方法和医疗数据处理方法 | |
CN112690809B (zh) | 确定设备异常原因的方法、装置、服务器和存储介质 | |
JP6943853B2 (ja) | イメージングワークフローの品質管理 | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
CN114330859A (zh) | 一种实时质量控制的优化方法、系统和设备 | |
CN110197523B (zh) | 一种质控图绘制方法、设备及存储介质 | |
CN116052887B (zh) | 一种过度检查的检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |