JP4179676B2 - マシンの画像ベース診断を行うシステム及び方法 - Google Patents
マシンの画像ベース診断を行うシステム及び方法 Download PDFInfo
- Publication number
- JP4179676B2 JP4179676B2 JP24752898A JP24752898A JP4179676B2 JP 4179676 B2 JP4179676 B2 JP 4179676B2 JP 24752898 A JP24752898 A JP 24752898A JP 24752898 A JP24752898 A JP 24752898A JP 4179676 B2 JP4179676 B2 JP 4179676B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- artifact
- images
- machine
- fault
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 27
- 238000003745 diagnosis Methods 0.000 title claims description 19
- 238000012549 training Methods 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 10
- 239000000523 sample Substances 0.000 description 10
- 230000007257 malfunction Effects 0.000 description 6
- 239000003550 marker Substances 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005284 basis set Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Images
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
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Debugging And Monitoring (AREA)
- Image Input (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Description
【０００１】
【産業上の利用分野】
本発明は、一般的には、障害診断に関し、より具体的には、誤動作しているイメージング・マシンによって発生された画像から障害を診断することに関する。
【０００２】
【従来の技術】
産業環境又は商業環境のいずれにおいても、誤動作しているイメージング・マシンは業務を深刻に妨げることがある。このため、誤動作しているイメージング・マシンを速やかに且つ正確に修復することが必須である。通常、超音波、計算機式断層写真法（ＣＴ）又は核磁気共鳴イメージング（ＭＲＩ）のマシンのようなイメージング・マシンの誤動作の際には、マシンを診断すると共に修復するために、フィールド・エンジニアが呼ばれる。典型的には、フィールド・エンジニアは、マシンから発生された事象記録を見る。事象記録は、マシンの形式、マシンのモダリティ及びあらゆるカスタマ関連情報等の情報を含んでいる。加えて、事象記録は、ルーチン動作の際に及びあらゆる誤動作状況の際に生じた事象のエラー・ログと、マシンから発生されたあらゆるアーティファクト画像とを含んでいる。マシンの誤動作を解決するための蓄積された経験を用いて、フィールド・エンジニアは、エラー・ログ及びアーティファクト画像を通覧し、障害を指示している可能性のあるあらゆる症候を見出そうとする。次いで、フィールド・エンジニアは、マシンの誤動作をもたらしている可能性のある問題を修正しようとする。エラー・ログが少量の情報しか含んでおらず、発生されたアーティファクト画像が周知のものであるならば、この方法は至極良好に機能する。しかしながら、大型の複雑な装置の場合は通常そうであるように、エラー・ログが大量の不正確な情報を含んでおり、アーティファクト画像の原因が未知のものであるならば、フィールド・エンジニアが速やかに障害を診断することは非常に難しくなる。従って、複雑なエラー・ログ及び未知の原因が関連しているアーティファクト画像からマシンの誤動作を速やかに診断することのできるシステム及び方法が必要とされている。
【０００３】
【課題を解決するための手段】
本発明の一実施例によれば、画像ベース診断を行うためのシステムが提供される。この実施例では、データベースが、複数のマシンから取得された複数の履歴画像を記憶している。複数の履歴画像は、すべての可能なマシン設定を用いて複数のマシンから発生された複数の理想画像を含んでいる。加えて、複数の履歴画像は、複数のマシンから発生された複数のアーティファクト画像を含んでいる。アーティファクト画像の各々は、これに関連した既知の障害と、障害を修復するための対応する修正処置とを有している。このシステムは又、未知の障害を有しているマシンからの新たなアーティファクト画像を診断する診断ユニットを含んでいる。診断ユニットは、複数の履歴画像から、新たなアーティファクト画像に最も近接してマッチしている理想画像を見出す手段を含んでいる診断用画像プロセッサを含んでいる。マッチしている理想画像に基づいて、割り当て手段が、新たなアーティファクト画像に対してアーティファクト範疇を割り当てる。割り当てられた範疇に従って、抽出手段が、新たなアーティファクト画像からアーティファクトの特徴を抽出する。加えて、抽出されたアーティファクトの特徴について複数の計量（metrics）を発生する手段を含んでいる診断用障害分離器が存在している。適用手段が、複数の計量を適用して、複数の履歴画像から新たなアーティファクト画像に最も近接してマッチしているアーティファクト画像と、未知の障害を修復するための修正処置とを同定する。
【０００４】
本発明の第２の実施例によれば、画像ベース診断を行うための方法が提供される。この実施例では、複数のマシンから取得される複数の履歴画像を得る。複数の履歴画像は、すべての可能なマシン設定を用いて複数のマシンから発生された複数の理想画像を含んでいる。加えて、複数の履歴画像は、複数のマシンから発生された複数のアーティファクト画像を含んでいる。アーティファクト画像の各々は、これに関連した既知の障害と、障害を修復するための対応する修正処置とを有している。次いで、未知の障害を有しているマシンから新たなアーティファクト画像を受け取る。複数の履歴画像から、新たなアーティファクト画像に最も近接してマッチしている理想画像が見出される。次いで、新たなアーティファクト画像に最も近接してマッチしている理想画像に基づいて、新たなアーティファクト画像に対してアーティファクト範疇が割り当てられる。次いで、新たなアーティファクト画像に割り当てられたアーティファクト範疇について、複数の計量が発生される。複数の計量を用いて、複数の履歴画像から新たなアーティファクト画像に最も近接してマッチしているアーティファクト画像を同定する。加えて、本発明は、未知の障害を診断するための修正処置を提供する。
【０００５】
【実施例】
超音波、ＣＴ又はＭＲＩのマシンのような医用イメージング装置を参照して本発明の画像ベース診断システムについて記載する。本発明は、医用イメージング装置を参照して記載されているが、この画像ベース診断システムは、画像を発生するあらゆるイメージング装置（化学的、機械的、電子的、マイクロプロセッサ制御式）と共に用いることができる。図１は、本発明による画像ベース診断システム１０のブロック線図を示している。画像ベース診断システム１０は、履歴画像のデータベース１２と、トレーニング・ユニット１４と、診断ユニット１６とを含んでいる。トレーニング・ユニット１４は、画像プロセッサ１８と、障害分離器２０とを含んでいる。診断ユニット１６も又、画像プロセッサ２２と、障害分離器２４とを含んでいる。トレーニング・ユニット１４及び診断ユニット１６は両者とも、ワークステーション等のコンピュータに組み込まれている。但し、メインフレーム、ミニコンピュータ、マイクロコンピュータ又はスーパコンピュータ等のその他の形式のコンピュータを用いることもできる。
【０００６】
データベース１２に記憶されている履歴画像は、複数のイメージング・マシン２８から発生されたファントムの複数の理想画像２６を含んでいる。ファントムの複数の理想画像２６は、すべての可能なプローブ及びすべての可能なマシン既定パラメータ設定を用いてイメージング・マシンから発生されている。イメージング・マシンのモデル、用いられているプローブ、イメージングされたファントム及びイメージング・マシン上でのパラメータ設定は、理想画像と共に、フィールド・エンジニアによって遠隔方式でデータベース１２に入力される。代替的には、画像ファイル自体、例えば、画像のヘッダに、この情報を書き込むように、画像を発生するマシンをプログラムしてもよい。このようにして、上述のような情報は、データベース１２の統合された一部となる。遠隔方式で収集された画像については、モデルの形式、用いられているプローブ及び用いられているファントム等の変数は、画像自体に存在しており、後にトレーニング・ユニット１４によって自動的に抽出することができる。しかしながら、パラメータ設定は、離散的ではなく、潜在的には、連続した値の無限の組み合わせを取る可能性がある。従って、パラメータ設定は、他の変数とは異なる取り扱いをする。本発明では、マシン設定の数は、有限の集合に固定されている。例えば、現場から収集される各々の理想画像は、フィールド・エンジニア又は現場の技術者によって、イメージング・マシンのパラメータ設定を指定するような適当なラベルを用いて注釈を付される。あるイメージング・マシンについてのパラメータ設定のいくつかの実例は、「腹部設定」、「胸部設定」及び「頚動脈設定」である。
【０００７】
複数の理想画像２６に加えて、データベース１２は、複数のイメージング・マシン２８から発生された複数のアーティファクト画像３０を受け取る。アーティファクト画像３０の各々は、ボードのプラグ抜け、欠陥ボードのインストール等のような既知の障害の結果である。理想画像２６と同様に、アーティファクト画像３０の各々は、イメージング・マシンのモデル、用いられているプローブ、イメージングされたファントム及びイメージング・マシン上でのパラメータ設定等のアーティファクト画像３０に付随している変数を有している。ここでも、モデルの形式、用いられているプローブ及び用いられているファントム等の変数は、画像自体に存在しており、自動的に抽出される一方、パラメータ設定の変数は、有限の集合に固定されており、フィールド・エンジニア又は技術者によって指定されている。又、複数のアーティファクト画像３０及び付随する変数は、フィールド・エンジニアによって遠隔方式でデータベース１２に入力される。代替的には、画像ファイル自体、例えば、画像のヘッダに、この情報を書き込むように、アーティファクト画像を発生するマシンをプログラムしてもよい。
【０００８】
複数のアーティファクト画像３０に加えて、データベース１２は、イメージング・マシン２８から発生された複数のエラー・ログ及びキーボード・ログ３２を受け取る。エラー・ログ及びキーボード・ログは各々、ルーチン・オペレーションの際に及びあらゆる誤動作状況の際に生じているイメージング・マシンの事象の記録を含んでいる。エラー・ログ及びキーボード・ログは、各々のイメージング・マシンの動作の特徴的形跡（signature）を表している。エラー・ログ及びキーボード・ログ３２の各々は、アーティファクト画像３０の１つに対応している。例えば、エラー・ログ及びキーボード・ログの１つは、プラグの抜けたボードを有しているイメージング・マシンについての一連の事象を含んでいるかもしれない。他のエラー・ログ及びキーボード・ログは、欠陥ボードをインストールされたイメージング・マシンについての一連の事象を含んでいるかもしれない。複数のエラー・ログ及びキーボード・ログ３２は、データベース１２に記憶されていると共に、様々なイメージング・マシン２８で生じているソフトウェア・エラー及びハードウェア・エラーを記述している履歴事例として用いられている。履歴事例の処理については、後で更に詳細に述べる。
【０００９】
複数のアーティファクト画像３０、並びにエラー・ログ及びキーボード・ログ３２がデータベース１２に入力された後に、アーティファクト画像は、複数の集合に区画化される。具体的には、アーティファクト画像３０は、Ｍ×Ｐ×Ｆ×Ｓ個の集合に区画化される。ここで、Ｍはイメージング・マシンの数であり、Ｐはプローブの数であり、Ｆは利用可能なファントムの数であり、Ｓはマシン設定の数である。マシンによっては、すべてのプローブ及びすべてのマシン設定を取り扱えないものがあるので、いくつかの空集合が存在するであろう。アーティファクト画像３０を複数の集合に区画化すると、未知の障害を有している新たなアーティファクト画像について履歴のマッチを見出すことがより容易になる。
【００１０】
データベース１２内の履歴画像は、トレーニング・ユニット１４によって画像プロセッサ１８を介してアクセスされる。画像プロセッサ１８は、複数の理想画像２６を複数のアーティファクト画像３０と共に処理する。図２は、画像プロセッサ１８によって実行される画像処理工程を表す流れ図を示している。画像処理工程は、工程番号３４において開始し、この工程で、複数の理想画像２６及び複数のアーティファクト画像３０がデータベース１２から検索される。次いで、各々のアーティファクト画像は、工程番号３６において、対応する理想画像とマッチさせられる。このマッチング工程によって、アーティファクト画像と理想画像とで、マシン形式、プローブ及びマシン設定が同じであることが保証される。
【００１１】
次いで、各々のマッチについて、工程番号３８において、アーティファクト画像は、その対応する理想画像に対して登録される。典型的には、画像は、プローブをファントム上に手動で載置することによりイメージング・マシンから収集されている。プローブを手動で載置する結果、１つの収集から次の収集までに画像に若干の変動性が存在することになる。登録を用いて、この変動性を可能な限り除去する。登録後に残存しているあらゆる残留誤登録は、後述する範疇化工程によって後に考慮に入れられる。本質的には、登録によって、異なる時刻に収集された画像をピクセルごとに比較することができる。本発明では、登録は、アーティファクト画像を理想画像にマッピングすることにより達成されている。このことは、アーティファクト画像内に基準標識（fiducial marker）を指定することを伴っている。次いで、画像プロセッサ１８は、基準標識内にカバーされている関心領域を処理して、対応する理想画像にマッチし得る２次元の点を導出する。より明確に述べると、画像プロセッサ１８は、各々の基準標識の重心を採用し、この重心を用いて、理想画像との１点対１点のマッチングを行う。代替的には、最大の相関が存在するようにして対応する理想画像に対してアーティファクト画像を撓めて対応させる（ワープ）ことにより登録を行うことも可能である。このワープは、一方の画像を他方の画像にマッチさせる射影変換、アフィン変換又は剛体変換を介して実行されてもよい。
【００１２】
登録の後に、工程番号４０において、各々の理想画像がアーティファクト画像から除去される。本発明では、理想画像は、減算演算を用いることにより除去される。減算演算は、ピクセルごとに実行され、これにより、理想画像のピクセルのグレイ・レベルが、アーティファクト画像のピクセルのグレイ・レベルから差し引かれる。この演算の後には、最終の画像が負の数を含む可能性があるので、減算後の画像は、その最小のピクセルがゼロになるように再正規化される。減算演算によって、アーティファクトのみを含んでいる減算後の画像が得られる。代替的には、理想画像とアーティファクト画像との間のあらゆる残留誤登録を考慮に入れるために、減算の前に両方の画像に対してフィルタ演算を適用してもよい。
【００１３】
次いで、減算後に、工程番号４２において、各々の減算後の画像に対してアーティファクト範疇が割り当てられる。本発明では、割り当てられるアーティファクト範疇は、減算後のアーティファクト画像の固有空間（eigen space）表現に基づくものとなっている。固有空間表現は、先ず共分散行列を計算することにより決定される。共分散行列を決定するために、各々の減算後の画像は、ピクセル値のベクトルＶによって表現される。ｎ×ｍの画像について、最初のｎ個の値は、画像の第１行のｎ個のピクセルに相当しており、次のｎ個の値は、画像の第２行のピクセル値に相当しており、以下同様である。Ｎ個の減算後の画像から成る所与の集合を｛Ｖ1 ，Ｖ2 ，…，ＶN ｝と表す。減算後のすべての画像の平均をＶavg と表す。すると、共分散行列は、以下の方程式によって定義される。
【００１４】
ｃｏｖ（ｉ，ｊ）
＝［（Ｖi −Ｖavg ）・（Ｖj −Ｖavg ）］／（ｎ×ｍ） （１）
ここで、ｉ，ｊ ｛１，２，…，Ｎ｝であり、「・」は内積を表す。
共分散行列が決定された後に、この共分散行列を用いて、直交表現及び画像基底（basis）を得る。直交表現及び画像基底は、共分散行列に対して特異値分解（ＳＶＤ）を実行することにより得られる。代替的には、Karhunen-Loeven変換（ＫＬＴ）を用いて直交表現及び画像基底を決定することもできる。ＫＬＴは、ＳＶＤの統計的な等価物であり、共分散行列の対角化を伴っている。ＫＬＴについて、共分散行列をＱと表すと、共分散行列は以下の式として定義される。
【００１５】
Ｑ＝ＵＤＶT （２）
ここで、Ｕ及びＶは正規直交行列であり、Ｄは対角行列である。Ｖの各列は、新たな画像基底を定義している。この新たな基底集合の特性は、その集合内の画像同士の間に相関がないということである。より計算集約的でない他の方法を用いて直交表現及び画像基底を得てもよい。例えば、離散コサイン変換（ＤＣＴ）を用いてもよい。
【００１６】
次いで、決定された画像基底を用いて、減算後のアーティファクト画像の各々についての表現を求める。具体的には、減算後のアーティファクト画像の各々を、新たな基底集合内の画像の線形結合として表現する。従って、Ｂ1 ，Ｂ2 ，…，ＢN がＮ個の基底画像であるならば、履歴アーティファクト画像Ｉは、係数α1 ，α2 ，…，αN によって記述され、以下の式のようになる。
【００１７】
Ｉ＝α1 Ｂ1 ＋…＋αN ＢN （３）
ここで、（α1 ，…，αN ）は｛Ｂ1 ，…，ＢN ｝によって定義されるＮ次元空間内の点である。履歴データベース内の各々の減算後のアーティファクト画像は、このような１つの点によって表される。減算後のアーティファクト画像の各々についての表現が求まった後に、この超空間内で近接して位置している点のクラスタをアーティファクト範疇として命名する。命名後のアーティファクト範疇のいくつかの可能な実例は、「フラッシュ・ライト・アーティファクト」、「ＴＤボード・アーティファクト」、「サーチ・ライト・アーティファクト」及び「歪みアーティファクト」である。これらの実例は、本発明で用いられ得るアーティファクト範疇の形式のいくつかを例示するものであり、網羅的であるわけではない。例示の目的のために、アーティファクト範疇のいくつかが、障害Ａ、障害Ｂ及び障害Ｃとして図１に示されている。
【００１８】
範疇化の後に、工程番号４４において、画像プロセッサ１８が、アーティファクトの各々についてのアーティファクトの特徴の集合を抽出する。アーティファクトの特徴は、減算演算から形成された各々のアーティファクト画像をフーリエ領域（Fourier domain）に先ず変換することにより抽出される。アーティファクト画像をフーリエ領域に変換することにより、アーティファクトのスペクトルの特徴的形跡が得られる。測定可能な多くの範疇特異的な特徴には、等質性、信号対雑音比、振幅伝達関数、分解能、歪み、信号減衰及びテクスチュア特性がある。本発明は、これらの範疇特異的な特徴に限定されておらず、所望があれば、他の特徴を測定することもできる。
【００１９】
図１に戻ると、アーティファクト画像のすべてについてアーティファクトの特徴が決定された後に、画像プロセッサ１８は、更なる処理のために障害分離器２０へこれらの特徴を送る。図３は、障害分離器２０によって実行される処理工程を表す流れ図を示している。障害分離器２０は先ず、工程番号４６において、データベース１２から、エラー・ログ及びキーボード・ログ３２を検索する。次に、エラー・ログ及びキーボード・ログ３２は、工程番号４８において、それらの対応するアーティファクトの特徴に結合される。各々のアーティファクトの特徴は、様々な範疇特異的な計量を用いて定量化されており、実際の障害に関連した症候を類型表現している。エラー・ログ及びキーボード・ログも又、実際の障害に関連した症候を類型表現している。これら３つの情報源を用いて、事例ベース推論システムのための事例を発生する。アーティファクトの特徴とログとが結合された各々の集合が、工程番号５０において、履歴事例を発生する。次いで、アーティファクトの特徴及びログから成る履歴事例は、工程番号５２において、データベースに記憶され、後に診断ユニット１６によって、未知の障害を有しているイメージング・マシンから発生された新たなアーティファクト画像が存在しているような新たな問題状況を診断するのに用いられる。
【００２０】
図１に戻ると、診断ユニット１６は、未知の障害を経験しているイメージング・マシン５６から発生された新たなアーティファクト画像５４を受け取る。加えて、イメージング・マシン５６で生じている事象の新たなエラー・ログ及びキーボード・ログ５８が、診断ユニット１６へ送られる。新たなアーティファクト画像５４、並びに新たなエラー・ログ及びキーボード・ログ５８は両者とも、フィールド・エンジニア又は遠隔ダイヤル・イン接続のいずれかによって診断ユニット１６にその画像プロセッサ２２において入力される。画像プロセッサ２２は、新たなアーティファクト画像５４、並びに新たなエラー・ログ及びキーボード・ログ５８を、データベース１２に記憶されている履歴事例と共に処理する。
【００２１】
図４は、画像プロセッサ２２によって実行される画像処理工程を表す流れ図を示している。新たなアーティファクト画像を収集した後に、工程番号６０において、画像プロセッサ２２は、データベース１２を探索して、新たなアーティファクト画像に最も近接してマッチしている理想画像を検索する。次いで、画像プロセッサ２２は、工程番号６２において、新たなアーティファクト画像に対してこの理想画像を登録する。前述したように、登録は、新たなアーティファクト画像内に基準標識を指定すると共にこの標識を処理することにより理想画像に新たなアーティファクト画像をマッピングして、理想画像にマッチしている２次元の点を導出することにより達成される。登録の後に、工程番号６４において、減算演算又はフィルタ演算を用いることにより、理想画像を新たなアーティファクト画像から減算する。減算後の画像は、同じ基底集合｛Ｂ1 ，…，ＢN ｝の線形結合として表され、以下の式として定義される。
【００２２】
Ｉartifact＝β1 Ｂ1 ＋…＋βN ＢN （４）
ここで、点（β1 ，…，βN ）は、履歴アーティファクト画像の空間内のもう１つの点を表している。すべてのアーティファクト・クラスタからのこの点の距離を用いて、この新入の画像がどの範疇に属しているかを決定する。次いで、工程番号６６において、減算後の新たなアーティファクト画像に対してアーティファクト範疇が割り当てられる。アーティファクト範疇が割り当てられた後に、工程番号６８において、画像プロセッサ２２によって前述の方式で、減算後の新たなアーティファクト画像からアーティファクトの特徴が抽出される。
【００２３】
新たなアーティファクト画像についてのアーティファクトの特徴が決定された後に、画像プロセッサ２２は、更なる処理のためにこの特徴を障害分離器２４へ送る。図５は、障害分離器２４によって実行される処理工程を表す流れ図を示している。障害分離器２４は、工程番号７０において、抽出されたアーティファクトの特徴を用いて範疇特異的な計量を発生する。この計量を用いて、イメージング・マシン５６がアーティファクト画像５４を発生する原因となっている障害を更に類型表現する。次に、工程番号７２において、新たなアーティファクト画像５４に付随するエラー・ログ及びキーボード・ログ５８が検索される。次いで、障害分離器２４は、工程番号７４において、新たなアーティファクト画像に最も類似してマッチしている事例を求めてデータベース１２内の履歴事例を探索する。工程番号７６において、新たなアーティファクト画像に最も類似してマッチしている画像の候補の集合が発生される。加えて、工程番号７８において、これら候補の各々に対応している障害を修復するための修正処置が検索される。修正処置の一形式は、交換を要するイメージング・マシン５６内の現場交換可能なユニットを同定しているかもしれない。
【００２４】
画像の候補の集合及び対応する修正処置は、工程番号８０において、新たなアーティファクト画像にマッチしている可能性の順に順位付けされ、フィールド・エンジニアに提示される。次いで、フィールド・エンジニアは、工程番号８２において、順位付けされた順序で候補の集合を通覧し、新たなアーティファクト画像をもたらしている障害が正確に同定されたか否かを決定する。障害が正確に同定されていたならば、障害分離器２４は、工程番号８４において、この診断を「合格」として記録する。他方、障害が正確に同定されていなかったならば、工程番号８６において、他の更なる候補の集合が存在しているか否かが決定される。更なる候補が存在しているならば、工程番号８８及び再び工程番号８２において、次の候補が評価される。これらの工程を、障害が正確に同定されるまで続ける。しかしながら、障害を修正する候補が存在していなければ、工程番号９０において、新たなアーティファクト画像５４、並びにエラー・ログ及びキーボード・ログ５８がトレーニング・ユニット１４へ送られて、将来の障害を診断するために履歴事例に加えられる。最終的には、トレーニング・ユニット１４に多くのケースが加えられるほど、画像ベース診断システムの精度水準が平均化されるので、トレーニング・ユニットに更なる事例を追加する必要はいずれなくなる。
【００２５】
従って、本発明によれば、前述した目標、利点及び目的を完全に満たす画像ベース診断を実行するシステム及び方法が提供されたことは明らかである。いくつかの実施例を参照して本発明を記載してきたが、発明の要旨から逸脱することなく、当業者によって変形及び改変が行われ得ることが理解されよう。
【図面の簡単な説明】
【図１】本発明による画像ベース診断システムのブロック線図である。
【図２】図１に示すトレーニング・ユニットによって実行される画像処理工程を示す流れ図である。
【図３】図１に示すトレーニング・ユニットによって実行される障害分離処理工程を示す流れ図である。
【図４】図１に示す診断ユニットによって実行される画像処理工程を示す流れ図である。
【図５】図１に示す診断ユニットによって実行される障害分離処理工程を示す流れ図である。
【符号の説明】
１０ 画像ベース診断システム
１２ データベース
１４ トレーニング・ユニット
１６ 診断ユニット
１８ トレーニング・ユニットの画像プロセッサ
２０ トレーニング・ユニットの障害分離器
２２ 診断ユニットの画像プロセッサ
２４ 診断ユニットの障害分離器
２６ 理想画像
２８ イメージング・マシン
３０ アーティファクト画像
３２ エラー・ログ及びキーボード・ログ
５４ 新たなアーティファクト画像
５６ イメージング・マシン
５８ 新たなエラー・ログ及びキーボード・ログ
【産業上の利用分野】
本発明は、一般的には、障害診断に関し、より具体的には、誤動作しているイメージング・マシンによって発生された画像から障害を診断することに関する。
【０００２】
【従来の技術】
産業環境又は商業環境のいずれにおいても、誤動作しているイメージング・マシンは業務を深刻に妨げることがある。このため、誤動作しているイメージング・マシンを速やかに且つ正確に修復することが必須である。通常、超音波、計算機式断層写真法（ＣＴ）又は核磁気共鳴イメージング（ＭＲＩ）のマシンのようなイメージング・マシンの誤動作の際には、マシンを診断すると共に修復するために、フィールド・エンジニアが呼ばれる。典型的には、フィールド・エンジニアは、マシンから発生された事象記録を見る。事象記録は、マシンの形式、マシンのモダリティ及びあらゆるカスタマ関連情報等の情報を含んでいる。加えて、事象記録は、ルーチン動作の際に及びあらゆる誤動作状況の際に生じた事象のエラー・ログと、マシンから発生されたあらゆるアーティファクト画像とを含んでいる。マシンの誤動作を解決するための蓄積された経験を用いて、フィールド・エンジニアは、エラー・ログ及びアーティファクト画像を通覧し、障害を指示している可能性のあるあらゆる症候を見出そうとする。次いで、フィールド・エンジニアは、マシンの誤動作をもたらしている可能性のある問題を修正しようとする。エラー・ログが少量の情報しか含んでおらず、発生されたアーティファクト画像が周知のものであるならば、この方法は至極良好に機能する。しかしながら、大型の複雑な装置の場合は通常そうであるように、エラー・ログが大量の不正確な情報を含んでおり、アーティファクト画像の原因が未知のものであるならば、フィールド・エンジニアが速やかに障害を診断することは非常に難しくなる。従って、複雑なエラー・ログ及び未知の原因が関連しているアーティファクト画像からマシンの誤動作を速やかに診断することのできるシステム及び方法が必要とされている。
【０００３】
【課題を解決するための手段】
本発明の一実施例によれば、画像ベース診断を行うためのシステムが提供される。この実施例では、データベースが、複数のマシンから取得された複数の履歴画像を記憶している。複数の履歴画像は、すべての可能なマシン設定を用いて複数のマシンから発生された複数の理想画像を含んでいる。加えて、複数の履歴画像は、複数のマシンから発生された複数のアーティファクト画像を含んでいる。アーティファクト画像の各々は、これに関連した既知の障害と、障害を修復するための対応する修正処置とを有している。このシステムは又、未知の障害を有しているマシンからの新たなアーティファクト画像を診断する診断ユニットを含んでいる。診断ユニットは、複数の履歴画像から、新たなアーティファクト画像に最も近接してマッチしている理想画像を見出す手段を含んでいる診断用画像プロセッサを含んでいる。マッチしている理想画像に基づいて、割り当て手段が、新たなアーティファクト画像に対してアーティファクト範疇を割り当てる。割り当てられた範疇に従って、抽出手段が、新たなアーティファクト画像からアーティファクトの特徴を抽出する。加えて、抽出されたアーティファクトの特徴について複数の計量（metrics）を発生する手段を含んでいる診断用障害分離器が存在している。適用手段が、複数の計量を適用して、複数の履歴画像から新たなアーティファクト画像に最も近接してマッチしているアーティファクト画像と、未知の障害を修復するための修正処置とを同定する。
【０００４】
本発明の第２の実施例によれば、画像ベース診断を行うための方法が提供される。この実施例では、複数のマシンから取得される複数の履歴画像を得る。複数の履歴画像は、すべての可能なマシン設定を用いて複数のマシンから発生された複数の理想画像を含んでいる。加えて、複数の履歴画像は、複数のマシンから発生された複数のアーティファクト画像を含んでいる。アーティファクト画像の各々は、これに関連した既知の障害と、障害を修復するための対応する修正処置とを有している。次いで、未知の障害を有しているマシンから新たなアーティファクト画像を受け取る。複数の履歴画像から、新たなアーティファクト画像に最も近接してマッチしている理想画像が見出される。次いで、新たなアーティファクト画像に最も近接してマッチしている理想画像に基づいて、新たなアーティファクト画像に対してアーティファクト範疇が割り当てられる。次いで、新たなアーティファクト画像に割り当てられたアーティファクト範疇について、複数の計量が発生される。複数の計量を用いて、複数の履歴画像から新たなアーティファクト画像に最も近接してマッチしているアーティファクト画像を同定する。加えて、本発明は、未知の障害を診断するための修正処置を提供する。
【０００５】
【実施例】
超音波、ＣＴ又はＭＲＩのマシンのような医用イメージング装置を参照して本発明の画像ベース診断システムについて記載する。本発明は、医用イメージング装置を参照して記載されているが、この画像ベース診断システムは、画像を発生するあらゆるイメージング装置（化学的、機械的、電子的、マイクロプロセッサ制御式）と共に用いることができる。図１は、本発明による画像ベース診断システム１０のブロック線図を示している。画像ベース診断システム１０は、履歴画像のデータベース１２と、トレーニング・ユニット１４と、診断ユニット１６とを含んでいる。トレーニング・ユニット１４は、画像プロセッサ１８と、障害分離器２０とを含んでいる。診断ユニット１６も又、画像プロセッサ２２と、障害分離器２４とを含んでいる。トレーニング・ユニット１４及び診断ユニット１６は両者とも、ワークステーション等のコンピュータに組み込まれている。但し、メインフレーム、ミニコンピュータ、マイクロコンピュータ又はスーパコンピュータ等のその他の形式のコンピュータを用いることもできる。
【０００６】
データベース１２に記憶されている履歴画像は、複数のイメージング・マシン２８から発生されたファントムの複数の理想画像２６を含んでいる。ファントムの複数の理想画像２６は、すべての可能なプローブ及びすべての可能なマシン既定パラメータ設定を用いてイメージング・マシンから発生されている。イメージング・マシンのモデル、用いられているプローブ、イメージングされたファントム及びイメージング・マシン上でのパラメータ設定は、理想画像と共に、フィールド・エンジニアによって遠隔方式でデータベース１２に入力される。代替的には、画像ファイル自体、例えば、画像のヘッダに、この情報を書き込むように、画像を発生するマシンをプログラムしてもよい。このようにして、上述のような情報は、データベース１２の統合された一部となる。遠隔方式で収集された画像については、モデルの形式、用いられているプローブ及び用いられているファントム等の変数は、画像自体に存在しており、後にトレーニング・ユニット１４によって自動的に抽出することができる。しかしながら、パラメータ設定は、離散的ではなく、潜在的には、連続した値の無限の組み合わせを取る可能性がある。従って、パラメータ設定は、他の変数とは異なる取り扱いをする。本発明では、マシン設定の数は、有限の集合に固定されている。例えば、現場から収集される各々の理想画像は、フィールド・エンジニア又は現場の技術者によって、イメージング・マシンのパラメータ設定を指定するような適当なラベルを用いて注釈を付される。あるイメージング・マシンについてのパラメータ設定のいくつかの実例は、「腹部設定」、「胸部設定」及び「頚動脈設定」である。
【０００７】
複数の理想画像２６に加えて、データベース１２は、複数のイメージング・マシン２８から発生された複数のアーティファクト画像３０を受け取る。アーティファクト画像３０の各々は、ボードのプラグ抜け、欠陥ボードのインストール等のような既知の障害の結果である。理想画像２６と同様に、アーティファクト画像３０の各々は、イメージング・マシンのモデル、用いられているプローブ、イメージングされたファントム及びイメージング・マシン上でのパラメータ設定等のアーティファクト画像３０に付随している変数を有している。ここでも、モデルの形式、用いられているプローブ及び用いられているファントム等の変数は、画像自体に存在しており、自動的に抽出される一方、パラメータ設定の変数は、有限の集合に固定されており、フィールド・エンジニア又は技術者によって指定されている。又、複数のアーティファクト画像３０及び付随する変数は、フィールド・エンジニアによって遠隔方式でデータベース１２に入力される。代替的には、画像ファイル自体、例えば、画像のヘッダに、この情報を書き込むように、アーティファクト画像を発生するマシンをプログラムしてもよい。
【０００８】
複数のアーティファクト画像３０に加えて、データベース１２は、イメージング・マシン２８から発生された複数のエラー・ログ及びキーボード・ログ３２を受け取る。エラー・ログ及びキーボード・ログは各々、ルーチン・オペレーションの際に及びあらゆる誤動作状況の際に生じているイメージング・マシンの事象の記録を含んでいる。エラー・ログ及びキーボード・ログは、各々のイメージング・マシンの動作の特徴的形跡（signature）を表している。エラー・ログ及びキーボード・ログ３２の各々は、アーティファクト画像３０の１つに対応している。例えば、エラー・ログ及びキーボード・ログの１つは、プラグの抜けたボードを有しているイメージング・マシンについての一連の事象を含んでいるかもしれない。他のエラー・ログ及びキーボード・ログは、欠陥ボードをインストールされたイメージング・マシンについての一連の事象を含んでいるかもしれない。複数のエラー・ログ及びキーボード・ログ３２は、データベース１２に記憶されていると共に、様々なイメージング・マシン２８で生じているソフトウェア・エラー及びハードウェア・エラーを記述している履歴事例として用いられている。履歴事例の処理については、後で更に詳細に述べる。
【０００９】
複数のアーティファクト画像３０、並びにエラー・ログ及びキーボード・ログ３２がデータベース１２に入力された後に、アーティファクト画像は、複数の集合に区画化される。具体的には、アーティファクト画像３０は、Ｍ×Ｐ×Ｆ×Ｓ個の集合に区画化される。ここで、Ｍはイメージング・マシンの数であり、Ｐはプローブの数であり、Ｆは利用可能なファントムの数であり、Ｓはマシン設定の数である。マシンによっては、すべてのプローブ及びすべてのマシン設定を取り扱えないものがあるので、いくつかの空集合が存在するであろう。アーティファクト画像３０を複数の集合に区画化すると、未知の障害を有している新たなアーティファクト画像について履歴のマッチを見出すことがより容易になる。
【００１０】
データベース１２内の履歴画像は、トレーニング・ユニット１４によって画像プロセッサ１８を介してアクセスされる。画像プロセッサ１８は、複数の理想画像２６を複数のアーティファクト画像３０と共に処理する。図２は、画像プロセッサ１８によって実行される画像処理工程を表す流れ図を示している。画像処理工程は、工程番号３４において開始し、この工程で、複数の理想画像２６及び複数のアーティファクト画像３０がデータベース１２から検索される。次いで、各々のアーティファクト画像は、工程番号３６において、対応する理想画像とマッチさせられる。このマッチング工程によって、アーティファクト画像と理想画像とで、マシン形式、プローブ及びマシン設定が同じであることが保証される。
【００１１】
次いで、各々のマッチについて、工程番号３８において、アーティファクト画像は、その対応する理想画像に対して登録される。典型的には、画像は、プローブをファントム上に手動で載置することによりイメージング・マシンから収集されている。プローブを手動で載置する結果、１つの収集から次の収集までに画像に若干の変動性が存在することになる。登録を用いて、この変動性を可能な限り除去する。登録後に残存しているあらゆる残留誤登録は、後述する範疇化工程によって後に考慮に入れられる。本質的には、登録によって、異なる時刻に収集された画像をピクセルごとに比較することができる。本発明では、登録は、アーティファクト画像を理想画像にマッピングすることにより達成されている。このことは、アーティファクト画像内に基準標識（fiducial marker）を指定することを伴っている。次いで、画像プロセッサ１８は、基準標識内にカバーされている関心領域を処理して、対応する理想画像にマッチし得る２次元の点を導出する。より明確に述べると、画像プロセッサ１８は、各々の基準標識の重心を採用し、この重心を用いて、理想画像との１点対１点のマッチングを行う。代替的には、最大の相関が存在するようにして対応する理想画像に対してアーティファクト画像を撓めて対応させる（ワープ）ことにより登録を行うことも可能である。このワープは、一方の画像を他方の画像にマッチさせる射影変換、アフィン変換又は剛体変換を介して実行されてもよい。
【００１２】
登録の後に、工程番号４０において、各々の理想画像がアーティファクト画像から除去される。本発明では、理想画像は、減算演算を用いることにより除去される。減算演算は、ピクセルごとに実行され、これにより、理想画像のピクセルのグレイ・レベルが、アーティファクト画像のピクセルのグレイ・レベルから差し引かれる。この演算の後には、最終の画像が負の数を含む可能性があるので、減算後の画像は、その最小のピクセルがゼロになるように再正規化される。減算演算によって、アーティファクトのみを含んでいる減算後の画像が得られる。代替的には、理想画像とアーティファクト画像との間のあらゆる残留誤登録を考慮に入れるために、減算の前に両方の画像に対してフィルタ演算を適用してもよい。
【００１３】
次いで、減算後に、工程番号４２において、各々の減算後の画像に対してアーティファクト範疇が割り当てられる。本発明では、割り当てられるアーティファクト範疇は、減算後のアーティファクト画像の固有空間（eigen space）表現に基づくものとなっている。固有空間表現は、先ず共分散行列を計算することにより決定される。共分散行列を決定するために、各々の減算後の画像は、ピクセル値のベクトルＶによって表現される。ｎ×ｍの画像について、最初のｎ個の値は、画像の第１行のｎ個のピクセルに相当しており、次のｎ個の値は、画像の第２行のピクセル値に相当しており、以下同様である。Ｎ個の減算後の画像から成る所与の集合を｛Ｖ1 ，Ｖ2 ，…，ＶN ｝と表す。減算後のすべての画像の平均をＶavg と表す。すると、共分散行列は、以下の方程式によって定義される。
【００１４】
ｃｏｖ（ｉ，ｊ）
＝［（Ｖi −Ｖavg ）・（Ｖj −Ｖavg ）］／（ｎ×ｍ） （１）
ここで、ｉ，ｊ ｛１，２，…，Ｎ｝であり、「・」は内積を表す。
共分散行列が決定された後に、この共分散行列を用いて、直交表現及び画像基底（basis）を得る。直交表現及び画像基底は、共分散行列に対して特異値分解（ＳＶＤ）を実行することにより得られる。代替的には、Karhunen-Loeven変換（ＫＬＴ）を用いて直交表現及び画像基底を決定することもできる。ＫＬＴは、ＳＶＤの統計的な等価物であり、共分散行列の対角化を伴っている。ＫＬＴについて、共分散行列をＱと表すと、共分散行列は以下の式として定義される。
【００１５】
Ｑ＝ＵＤＶT （２）
ここで、Ｕ及びＶは正規直交行列であり、Ｄは対角行列である。Ｖの各列は、新たな画像基底を定義している。この新たな基底集合の特性は、その集合内の画像同士の間に相関がないということである。より計算集約的でない他の方法を用いて直交表現及び画像基底を得てもよい。例えば、離散コサイン変換（ＤＣＴ）を用いてもよい。
【００１６】
次いで、決定された画像基底を用いて、減算後のアーティファクト画像の各々についての表現を求める。具体的には、減算後のアーティファクト画像の各々を、新たな基底集合内の画像の線形結合として表現する。従って、Ｂ1 ，Ｂ2 ，…，ＢN がＮ個の基底画像であるならば、履歴アーティファクト画像Ｉは、係数α1 ，α2 ，…，αN によって記述され、以下の式のようになる。
【００１７】
Ｉ＝α1 Ｂ1 ＋…＋αN ＢN （３）
ここで、（α1 ，…，αN ）は｛Ｂ1 ，…，ＢN ｝によって定義されるＮ次元空間内の点である。履歴データベース内の各々の減算後のアーティファクト画像は、このような１つの点によって表される。減算後のアーティファクト画像の各々についての表現が求まった後に、この超空間内で近接して位置している点のクラスタをアーティファクト範疇として命名する。命名後のアーティファクト範疇のいくつかの可能な実例は、「フラッシュ・ライト・アーティファクト」、「ＴＤボード・アーティファクト」、「サーチ・ライト・アーティファクト」及び「歪みアーティファクト」である。これらの実例は、本発明で用いられ得るアーティファクト範疇の形式のいくつかを例示するものであり、網羅的であるわけではない。例示の目的のために、アーティファクト範疇のいくつかが、障害Ａ、障害Ｂ及び障害Ｃとして図１に示されている。
【００１８】
範疇化の後に、工程番号４４において、画像プロセッサ１８が、アーティファクトの各々についてのアーティファクトの特徴の集合を抽出する。アーティファクトの特徴は、減算演算から形成された各々のアーティファクト画像をフーリエ領域（Fourier domain）に先ず変換することにより抽出される。アーティファクト画像をフーリエ領域に変換することにより、アーティファクトのスペクトルの特徴的形跡が得られる。測定可能な多くの範疇特異的な特徴には、等質性、信号対雑音比、振幅伝達関数、分解能、歪み、信号減衰及びテクスチュア特性がある。本発明は、これらの範疇特異的な特徴に限定されておらず、所望があれば、他の特徴を測定することもできる。
【００１９】
図１に戻ると、アーティファクト画像のすべてについてアーティファクトの特徴が決定された後に、画像プロセッサ１８は、更なる処理のために障害分離器２０へこれらの特徴を送る。図３は、障害分離器２０によって実行される処理工程を表す流れ図を示している。障害分離器２０は先ず、工程番号４６において、データベース１２から、エラー・ログ及びキーボード・ログ３２を検索する。次に、エラー・ログ及びキーボード・ログ３２は、工程番号４８において、それらの対応するアーティファクトの特徴に結合される。各々のアーティファクトの特徴は、様々な範疇特異的な計量を用いて定量化されており、実際の障害に関連した症候を類型表現している。エラー・ログ及びキーボード・ログも又、実際の障害に関連した症候を類型表現している。これら３つの情報源を用いて、事例ベース推論システムのための事例を発生する。アーティファクトの特徴とログとが結合された各々の集合が、工程番号５０において、履歴事例を発生する。次いで、アーティファクトの特徴及びログから成る履歴事例は、工程番号５２において、データベースに記憶され、後に診断ユニット１６によって、未知の障害を有しているイメージング・マシンから発生された新たなアーティファクト画像が存在しているような新たな問題状況を診断するのに用いられる。
【００２０】
図１に戻ると、診断ユニット１６は、未知の障害を経験しているイメージング・マシン５６から発生された新たなアーティファクト画像５４を受け取る。加えて、イメージング・マシン５６で生じている事象の新たなエラー・ログ及びキーボード・ログ５８が、診断ユニット１６へ送られる。新たなアーティファクト画像５４、並びに新たなエラー・ログ及びキーボード・ログ５８は両者とも、フィールド・エンジニア又は遠隔ダイヤル・イン接続のいずれかによって診断ユニット１６にその画像プロセッサ２２において入力される。画像プロセッサ２２は、新たなアーティファクト画像５４、並びに新たなエラー・ログ及びキーボード・ログ５８を、データベース１２に記憶されている履歴事例と共に処理する。
【００２１】
図４は、画像プロセッサ２２によって実行される画像処理工程を表す流れ図を示している。新たなアーティファクト画像を収集した後に、工程番号６０において、画像プロセッサ２２は、データベース１２を探索して、新たなアーティファクト画像に最も近接してマッチしている理想画像を検索する。次いで、画像プロセッサ２２は、工程番号６２において、新たなアーティファクト画像に対してこの理想画像を登録する。前述したように、登録は、新たなアーティファクト画像内に基準標識を指定すると共にこの標識を処理することにより理想画像に新たなアーティファクト画像をマッピングして、理想画像にマッチしている２次元の点を導出することにより達成される。登録の後に、工程番号６４において、減算演算又はフィルタ演算を用いることにより、理想画像を新たなアーティファクト画像から減算する。減算後の画像は、同じ基底集合｛Ｂ1 ，…，ＢN ｝の線形結合として表され、以下の式として定義される。
【００２２】
Ｉartifact＝β1 Ｂ1 ＋…＋βN ＢN （４）
ここで、点（β1 ，…，βN ）は、履歴アーティファクト画像の空間内のもう１つの点を表している。すべてのアーティファクト・クラスタからのこの点の距離を用いて、この新入の画像がどの範疇に属しているかを決定する。次いで、工程番号６６において、減算後の新たなアーティファクト画像に対してアーティファクト範疇が割り当てられる。アーティファクト範疇が割り当てられた後に、工程番号６８において、画像プロセッサ２２によって前述の方式で、減算後の新たなアーティファクト画像からアーティファクトの特徴が抽出される。
【００２３】
新たなアーティファクト画像についてのアーティファクトの特徴が決定された後に、画像プロセッサ２２は、更なる処理のためにこの特徴を障害分離器２４へ送る。図５は、障害分離器２４によって実行される処理工程を表す流れ図を示している。障害分離器２４は、工程番号７０において、抽出されたアーティファクトの特徴を用いて範疇特異的な計量を発生する。この計量を用いて、イメージング・マシン５６がアーティファクト画像５４を発生する原因となっている障害を更に類型表現する。次に、工程番号７２において、新たなアーティファクト画像５４に付随するエラー・ログ及びキーボード・ログ５８が検索される。次いで、障害分離器２４は、工程番号７４において、新たなアーティファクト画像に最も類似してマッチしている事例を求めてデータベース１２内の履歴事例を探索する。工程番号７６において、新たなアーティファクト画像に最も類似してマッチしている画像の候補の集合が発生される。加えて、工程番号７８において、これら候補の各々に対応している障害を修復するための修正処置が検索される。修正処置の一形式は、交換を要するイメージング・マシン５６内の現場交換可能なユニットを同定しているかもしれない。
【００２４】
画像の候補の集合及び対応する修正処置は、工程番号８０において、新たなアーティファクト画像にマッチしている可能性の順に順位付けされ、フィールド・エンジニアに提示される。次いで、フィールド・エンジニアは、工程番号８２において、順位付けされた順序で候補の集合を通覧し、新たなアーティファクト画像をもたらしている障害が正確に同定されたか否かを決定する。障害が正確に同定されていたならば、障害分離器２４は、工程番号８４において、この診断を「合格」として記録する。他方、障害が正確に同定されていなかったならば、工程番号８６において、他の更なる候補の集合が存在しているか否かが決定される。更なる候補が存在しているならば、工程番号８８及び再び工程番号８２において、次の候補が評価される。これらの工程を、障害が正確に同定されるまで続ける。しかしながら、障害を修正する候補が存在していなければ、工程番号９０において、新たなアーティファクト画像５４、並びにエラー・ログ及びキーボード・ログ５８がトレーニング・ユニット１４へ送られて、将来の障害を診断するために履歴事例に加えられる。最終的には、トレーニング・ユニット１４に多くのケースが加えられるほど、画像ベース診断システムの精度水準が平均化されるので、トレーニング・ユニットに更なる事例を追加する必要はいずれなくなる。
【００２５】
従って、本発明によれば、前述した目標、利点及び目的を完全に満たす画像ベース診断を実行するシステム及び方法が提供されたことは明らかである。いくつかの実施例を参照して本発明を記載してきたが、発明の要旨から逸脱することなく、当業者によって変形及び改変が行われ得ることが理解されよう。
【図面の簡単な説明】
【図１】本発明による画像ベース診断システムのブロック線図である。
【図２】図１に示すトレーニング・ユニットによって実行される画像処理工程を示す流れ図である。
【図３】図１に示すトレーニング・ユニットによって実行される障害分離処理工程を示す流れ図である。
【図４】図１に示す診断ユニットによって実行される画像処理工程を示す流れ図である。
【図５】図１に示す診断ユニットによって実行される障害分離処理工程を示す流れ図である。
【符号の説明】
１０ 画像ベース診断システム
１２ データベース
１４ トレーニング・ユニット
１６ 診断ユニット
１８ トレーニング・ユニットの画像プロセッサ
２０ トレーニング・ユニットの障害分離器
２２ 診断ユニットの画像プロセッサ
２４ 診断ユニットの障害分離器
２６ 理想画像
２８ イメージング・マシン
３０ アーティファクト画像
３２ エラー・ログ及びキーボード・ログ
５４ 新たなアーティファクト画像
５６ イメージング・マシン
５８ 新たなエラー・ログ及びキーボード・ログ
Claims (18)
- 複数のマシンから取得された複数の履歴画像を含んでいるデータベースであって、前記複数の履歴画像は、すべての可能なマシン設定を用いて前記複数のマシンから形成された複数の理想画像と、前記複数のマシンから発生された複数のアーティファクト画像とを含んでおり、該アーティファクト画像の各々は、該アーティファクト画像に関連した既知の障害と、該障害を修復するための対応する修正処置とを有している、データベースと、
未知の障害を有しているマシンからの新たなアーティファクト画像を診断する診断ユニットであって、前記複数の履歴画像から前記新たなアーティファクト画像に最も近接してマッチしている理想画像を見出す手段、該マッチしている理想画像に基づいて前記新たなアーティファクト画像に対してアーティファクト範疇を割り当てる手段、及び割り当てられた該範疇に従って前記新たなアーティファクト画像からアーティファクトの特徴を抽出する手段を含んでいる診断用画像プロセッサと、抽出された前記アーティファクトの特徴について複数の計量を発生する手段、並びに該複数の計量を適用して前記複数の履歴画像から前記新たなアーティファクト画像に最も近接してマッチしているアーティファクト画像、及び前記未知の障害を修復するための修正処置を同定する手段を含んでいる診断用障害分離器とを含んでいる診断ユニットとを備えたマシンの画像ベース診断を行うシステム。 - 前記データベース及び前記診断ユニットに結合されており、前記複数のアーティファクト画像及び前記複数の理想画像を得る手段と、前記複数のアーティファクト画像の各々を対応する理想画像にマッチさせる手段と、各々のマッチに対してアーティファクト範疇を割り当てる手段と、割り当てられた該範疇に従って各々のマッチからアーティファクトの特徴を抽出する手段とを含んでいるトレーニング用画像プロセッサを含んでいるトレーニング・ユニットを更に含んでいる請求項１に記載のマシンの画像ベース診断を行うシステム。
- 前記トレーニング用画像プロセッサは、前記対応する理想画像に対して前記アーティファクト画像を該アーティファクト画像の既知の障害と共に登録する手段と、登録された該画像から前記対応する理想画像を除去する手段とを更に含んでいる請求項２に記載のマシンの画像ベース診断を行うシステム。
- 前記トレーニング・ユニットは、前記トレーニング用画像プロセッサに結合されており、抽出された前記アーティファクトの特徴を履歴事例として分離するトレーニング用障害分離器を更に含んでいる請求項２に記載のマシンの画像ベース診断を行うシステム。
- 前記データベースは、前記複数のマシンから形成された複数のエラー・ログを更に含んでおり、該複数のエラー・ログの各々は、前記マシンの動作中に生じている事象を表すデータを含んでいる請求項４に記載のマシンの画像ベース診断を行うシステム。
- 前記トレーニング用障害分離器は、前記抽出されたアーティファクトの特徴とエラー・ログとを履歴事例として結合している請求項５に記載のマシンの画像ベース診断を行うシステム。
- 前記診断用画像プロセッサは、前記マッチしている理想画像に対して前記新たなアーティファクト画像を登録する手段と、登録された該画像から前記対応する理想画像を除去する手段とを更に含んでいる請求項１に記載のマシンの画像ベース診断を行うシステム。
- 前記診断用障害分離器は、前記未知の障害を有している前記マシンから形成されたエラー・ログを受け取る手段を含んでおり、該エラー・ログは、前記マシンの動作中に生じている事象を表すデータを含んでいる請求項１に記載のマシンの画像ベース診断を行うシステム。
- 前記診断用障害分離器は、前記エラー・ログを用いて前記複数の計量を発生している請求項８に記載のマシンの画像ベース診断を行うシステム。
- 前記診断ユニットは、前記データベース内の前記複数のアーティファクト画像に、新たに同定されたアーティファクト画像及び対応する修正処置を追加する手段を更に含んでいる請求項１に記載のマシンの画像ベース診断を行うシステム。
- 複数のマシンから取得される複数の履歴画像を得る工程であって、該複数の履歴画像は、すべての可能なマシン設定を用いて前記複数のマシンから形成された複数の理想画像と、前記複数のマシンから発生された複数のアーティファクト画像とを含んでおり、該アーティファクト画像の各々は、該アーティファクト画像に関連した既知の障害と、該障害を修復するための対応する修正処置とを有している、複数の履歴画像を得る工程と、
未知の障害を有しているマシンから新たなアーティファクト画像を受け取る工程と、
前記複数の履歴画像から、前記新たなアーティファクト画像に最も近接してマッチしている理想画像を見出す工程と、
前記新たなアーティファクト画像に最も近接してマッチしている前記理想画像に基づいて、前記新たなアーティファクト画像に対してアーティファクト範疇を割り当てる工程と、
前記新たなアーティファクト画像に割り当てられた前記アーティファクト範疇について複数の計量を発生する工程と、
該複数の計量を用いて、前記複数の履歴画像から前記新たなアーティファクトに最も近接してマッチしているアーティファクト画像と、前記未知の障害を修復するための修正処置とを同定する工程とを備えたマシンの画像ベース診断を行う方法。 - 前記複数の履歴画像を得る工程は、
前記複数のアーティファクト画像の各々を、前記複数の理想画像から取得される対応する理想画像に対してマッチさせる工程と、
各々のマッチに対してアーティファクト範疇を割り当てる工程と、
各々のマッチからアーティファクトの特徴を抽出する工程とを含んでいる請求項１１に記載のマシンの画像ベース診断を行う方法。 - 前記対応する理想画像に対して前記アーティファクト画像を該アーティファクト画像の既知の障害と共に登録する工程と、
登録された該画像から前記対応する理想画像を除去する工程とを更に含んでいる請求項１２に記載のマシンの画像ベース診断を行う方法。 - 前記新たなアーティファクト画像についてのアーティファクトの特徴を決定する工程を更に含んでいる請求項１１に記載のマシンの画像ベース診断を行う方法。
- 前記新たなアーティファクト画像を、対応する理想画像に対して登録する工程と、
登録された該画像から前記対応する理想画像を除去する工程とを更に含んでいる請求項１１に記載のマシンの画像ベース診断を行う方法。 - 前記複数の履歴画像内の前記複数のアーティファクト画像に、新たに同定されたアーティファクト画像及び対応する修正処置を追加する工程を更に含んでいる請求項１１に記載の画像ベース診断を行う方法。
- 前記未知の障害を有している前記マシンからエラー・ログを入力する工程を更に含んでおり、該エラー・ログは、前記マシンの動作中に生じている事象を表すデータを含んでいる請求項１１に記載のマシンの画像ベース診断を行う方法。
- 前記入力されたエラー・ログを用いて、新たなアーティファクト画像について前記複数の計量を発生する請求項１７に記載のマシンの画像ベース診断を行う方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US08/921959 | 1997-09-02 | ||
| US08/921,959 US6115489A (en) | 1997-09-02 | 1997-09-02 | System and method for performing image-based diagnosis |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11161774A JPH11161774A (ja) | 1999-06-18 |
| JP4179676B2 true JP4179676B2 (ja) | 2008-11-12 |
Family
ID=25446259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP24752898A Expired - Fee Related JP4179676B2 (ja) | 1997-09-02 | 1998-09-01 | マシンの画像ベース診断を行うシステム及び方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US6115489A (ja) |
| JP (1) | JP4179676B2 (ja) |
| KR (1) | KR100617885B1 (ja) |
| AU (1) | AU755077B2 (ja) |
| DE (1) | DE19829640A1 (ja) |
| NL (1) | NL1009997C2 (ja) |
Families Citing this family (41)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6501849B1 (en) * | 1997-09-02 | 2002-12-31 | General Electric Company | System and method for performing image-based diagnosis over a network |
| US6609217B1 (en) | 1998-03-30 | 2003-08-19 | General Electric Company | System and method for diagnosing and validating a machine over a network using waveform data |
| US6105149A (en) * | 1998-03-30 | 2000-08-15 | General Electric Company | System and method for diagnosing and validating a machine using waveform data |
| US6473659B1 (en) * | 1998-04-10 | 2002-10-29 | General Electric Company | System and method for integrating a plurality of diagnostic related information |
| US6598011B1 (en) * | 1998-11-25 | 2003-07-22 | Ianne Mae Howards Koritzinsky | Medical diagnostic system services interface |
| US6442542B1 (en) * | 1999-10-08 | 2002-08-27 | General Electric Company | Diagnostic system with learning capabilities |
| DE19953739C2 (de) * | 1999-11-09 | 2001-10-11 | Siemens Ag | Einrichtung und Verfahren zur objektorientierten Markierung und Zuordnung von Information zu selektierten technologischen Komponenten |
| US6915342B1 (en) * | 2000-02-04 | 2005-07-05 | Ricoh Company Limited | Method and system for maintaining the business office appliance through log files |
| US6836749B1 (en) * | 2000-05-05 | 2004-12-28 | Ford Motor Company | Method of tracking machine breakdown |
| JP4566345B2 (ja) * | 2000-06-20 | 2010-10-20 | キヤノン株式会社 | 放射線撮影画像処理装置 |
| US6757714B1 (en) * | 2000-07-28 | 2004-06-29 | Axeda Systems Operating Company, Inc. | Reporting the state of an apparatus to a remote computer |
| US7117239B1 (en) | 2000-07-28 | 2006-10-03 | Axeda Corporation | Reporting the state of an apparatus to a remote computer |
| US6681344B1 (en) * | 2000-09-14 | 2004-01-20 | Microsoft Corporation | System and method for automatically diagnosing a computer problem |
| US7185014B1 (en) | 2000-09-22 | 2007-02-27 | Axeda Corporation | Retrieving data from a server |
| US8108543B2 (en) | 2000-09-22 | 2012-01-31 | Axeda Corporation | Retrieving data from a server |
| DE10150137B4 (de) * | 2001-10-11 | 2006-08-17 | Siemens Ag | Verfahren und Vorrichtung zur Magnetresonanz-Bildgebung |
| US6680995B2 (en) | 2001-10-31 | 2004-01-20 | Ge Medical Systems Global Technology Co., Llc | Method and apparatus of determining and displaying a helical artifact index |
| US7254601B2 (en) | 2001-12-20 | 2007-08-07 | Questra Corporation | Method and apparatus for managing intelligent assets in a distributed environment |
| JP2004005364A (ja) * | 2002-04-03 | 2004-01-08 | Fuji Photo Film Co Ltd | 類似画像検索システム |
| US7178149B2 (en) | 2002-04-17 | 2007-02-13 | Axeda Corporation | XML scripting of soap commands |
| US7966418B2 (en) | 2003-02-21 | 2011-06-21 | Axeda Corporation | Establishing a virtual tunnel between two computer programs |
| US20050038817A1 (en) * | 2003-08-15 | 2005-02-17 | Siemens Westinghouse Power Corporation | System and method for processing inspection data for evaluating degradation of coating on components |
| US7189000B2 (en) * | 2003-12-22 | 2007-03-13 | Kabushiki Kaisha Toshiba | Image-quality control system |
| US8428969B2 (en) * | 2005-01-19 | 2013-04-23 | Atirix Medical Systems, Inc. | System and method for tracking medical imaging quality |
| US8243999B2 (en) * | 2006-05-03 | 2012-08-14 | Ut-Battelle, Llc | Method and system for the diagnosis of disease using retinal image content and an archive of diagnosed human patient data |
| US8370479B2 (en) | 2006-10-03 | 2013-02-05 | Axeda Acquisition Corporation | System and method for dynamically grouping devices based on present device conditions |
| US8065397B2 (en) | 2006-12-26 | 2011-11-22 | Axeda Acquisition Corporation | Managing configurations of distributed devices |
| US8478861B2 (en) | 2007-07-06 | 2013-07-02 | Axeda Acquisition Corp. | Managing distributed devices with limited connectivity |
| JP5224944B2 (ja) * | 2008-07-04 | 2013-07-03 | 富士フイルム株式会社 | 画像補正方法および画像補正装置 |
| US8218838B2 (en) * | 2008-11-03 | 2012-07-10 | Ut-Battelle, Llc | Method and system for assigning a confidence metric for automated determination of optic disc location |
| JP5248350B2 (ja) * | 2009-01-28 | 2013-07-31 | 株式会社東芝 | 医用画像機器故障診断支援装置及び医用画像機器故障診断支援方法 |
| US8600213B2 (en) * | 2011-10-26 | 2013-12-03 | Xerox Corporation | Filtering source video data via independent component selection |
| US9466012B2 (en) * | 2013-07-11 | 2016-10-11 | Radiological Imaging Technology, Inc. | Phantom image classification |
| JP6060282B2 (ja) * | 2014-01-10 | 2017-01-11 | 日立オートモティブシステムズ株式会社 | 車載カメラ画像処理装置 |
| DE102015220884B4 (de) * | 2014-10-27 | 2022-03-31 | Denso Corporation | Bildverarbeitungsvorrichtung |
| EP3218733A1 (en) * | 2014-11-14 | 2017-09-20 | Koninklijke Philips N.V. | Magnetic resonance fingerprinting using a spin-echo pulse sequence with an additional 180 degree rf pulse |
| EP3254129B1 (en) * | 2015-02-02 | 2018-09-26 | Koninklijke Philips N.V. | Mr fingerprinting for determining performance degradation of the mr system |
| US10509086B2 (en) * | 2015-06-12 | 2019-12-17 | Koninklijke Philips N.V. | Magnetic resonance fingerprinting dictionary generation using a supplementary magnetic field coil |
| US11074090B2 (en) * | 2018-05-09 | 2021-07-27 | International Business Machines Corporation | Virtual action-based troubleshooter |
| US11531970B2 (en) * | 2018-12-26 | 2022-12-20 | General Electric Company | Imaging modality maintenance care package systems and methods |
| JP7290715B2 (ja) * | 2019-04-11 | 2023-06-13 | 富士フイルム株式会社 | 放射線撮影装置及び放射線撮影システム |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0602932B1 (en) * | 1992-12-18 | 2001-03-14 | Raytheon Company | Improved pattern recognition system for sonar and other applications |
| US5463768A (en) * | 1994-03-17 | 1995-10-31 | General Electric Company | Method and system for analyzing error logs for diagnostics |
| US5926558A (en) * | 1996-01-05 | 1999-07-20 | Asko, Inc. | Method and apparatus for monitoring and inspecting rotary knives |
-
1997
- 1997-09-02 US US08/921,959 patent/US6115489A/en not_active Expired - Fee Related
-
1998
- 1998-07-02 DE DE19829640A patent/DE19829640A1/de not_active Ceased
- 1998-08-26 AU AU81895/98A patent/AU755077B2/en not_active Ceased
- 1998-09-01 JP JP24752898A patent/JP4179676B2/ja not_active Expired - Fee Related
- 1998-09-01 KR KR1019980035806A patent/KR100617885B1/ko not_active IP Right Cessation
- 1998-09-02 NL NL1009997A patent/NL1009997C2/nl not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| NL1009997C2 (nl) | 2006-06-16 |
| DE19829640A1 (de) | 1999-03-04 |
| AU8189598A (en) | 1999-03-18 |
| JPH11161774A (ja) | 1999-06-18 |
| NL1009997A1 (nl) | 1999-03-04 |
| AU755077B2 (en) | 2002-12-05 |
| US6115489A (en) | 2000-09-05 |
| KR19990029402A (ko) | 1999-04-26 |
| KR100617885B1 (ko) | 2006-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4179676B2 (ja) | マシンの画像ベース診断を行うシステム及び方法 | |
| CN109805932B (zh) | Mr装置中的自动故障检测 | |
| US6501849B1 (en) | System and method for performing image-based diagnosis over a network | |
| JP4726288B2 (ja) | 学習能力のある故障診断システム、故障診断方法および故障診断トレーニング方法 | |
| US6643799B1 (en) | System and method for diagnosing and validating a machine using waveform data | |
| US10796181B2 (en) | Machine learning based method and system for analyzing image artifacts and imaging system failure | |
| US9265441B2 (en) | Assessment of traumatic brain injury | |
| CN100394444C (zh) | 图像处理装置、图像处理方法以及图像处理系统 | |
| CN109102490A (zh) | 自动图像注册质量评估 | |
| EP1197861A2 (en) | System and method for diagnosing and validating a machine over a network using waveform data | |
| US20080221834A1 (en) | Method and system for enhanced fault detection workflow | |
| US20170299681A1 (en) | Sparse reconstruction strategy for multi-level sampled mri | |
| CN111445546B (zh) | 图像重建方法、装置、电子设备、存储介质 | |
| CN113971657A (zh) | 用于医学成像中的异常评估的基于噪声标签的机器学习 | |
| JP2023122528A (ja) | 認知症診断に必要な情報の提供方法及び装置 | |
| Commowick et al. | A continuous STAPLE for scalar, vector, and tensor images: an application to DTI analysis | |
| Lindner et al. | Learning-based shape model matching: Training accurate models with minimal manual input | |
| CN113112463A (zh) | 医学图像质量评估方法、电子设备及存储介质 | |
| JP2022035396A (ja) | 画像変換プログラム、方法、および装置 | |
| JP7511797B2 (ja) | 保守支援システム、保守支援方法、および、保守支援プログラム | |
| WO2016103106A1 (en) | Method and arrangement for determining a quality rating data for a medical data acquisition system | |
| Lei | Automating and Accelerating Magnetic Resonance Imaging | |
| CN115708168A (zh) | 验证结果数据的方法、结果数据校正方法和验证装置 | |
| Liao et al. | Motion-corrected independent component analysis for robust functional magnetic resonance imaging | |
| JPH05324673A (ja) | 製品故障解析装置及び方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050830 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20080729 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20080826 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110905 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |