JP7299881B2 - 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 - Google Patents
医用イメージングデバイスの信頼性を向上するためのシステム及び方法 Download PDFInfo
- Publication number
- JP7299881B2 JP7299881B2 JP2020519365A JP2020519365A JP7299881B2 JP 7299881 B2 JP7299881 B2 JP 7299881B2 JP 2020519365 A JP2020519365 A JP 2020519365A JP 2020519365 A JP2020519365 A JP 2020519365A JP 7299881 B2 JP7299881 B2 JP 7299881B2
- Authority
- JP
- Japan
- Prior art keywords
- module
- usage
- workflow
- lstm
- field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Description
Ei=Ei1,Ei2,…,Eip,ただし、i=1,2,…,n,
ここで、Eijは、Eiにおけるj番目のスキャンの名前であり、ipは、Eiにおけるスキャン及びUI操作の数であり、nは、Eにおける検査の総数である。検査の開始及び終了は特別なスキャンとして表され、それぞれ開始スキャン及び終了スキャンと呼ばれる。Eの全ての検査は、Ei1が開始スキャンとなりEipが終了スキャンとなるように、開始スキャン及び終了スキャンを含むように修正される。
D=D1,D2,…,Dl,
ここで、Diは、辞書におけるi番目のワードであり、lは、辞書における要素の数である。
OHEdictionary word=[x0,x1,…,xn-1],
ここで、i=Dにおける辞書ワードのインデックスである場合、xi=1であり、さもなければ0である。
X=X1,X2,…,Xnであり、ここで、i番目の要素Xiは次のように定義される。
Xi=OHE(Ei1),OHE(Ei2),…,OHE(Eip-1)、また、
y=y1,y2,…,ynであり、ここで、i番目の要素yiは次のように定義される。
yi=OHE(Ei2),OHE(Ei3),…,OHE(Eip)
U=OHE(U1),OHE(U2),…,OHE(Uk),
ここで、i=iからkについてUiは入力辞書ワードであり、U1=開始スキャンである。
predU=[V1,V2,…,Vk]であり、
ここで、i=iからkについて各Viは、辞書Dにおける各ワードのクラス確率のベクトルである。
V1=[p0,p1,…,pl-1]とする。
ここで、p0は辞書における1番目のワードの確率であり、p1は辞書における2番目のワードの確率であり、以下同様である。rand(p0,p1,…,pl-1)を、所与の確率分布p0,p1,…,pl-1に従う範囲(0、l-1)におけるランダムインデックスジェネレータとする。
scanpredU=D[predUのrandlast要素]
I=[OHE開始scan]
P=[開始scan]
c=scanpred(I)
によって与えられる。
I=[I,OHE(c))]、及び
P=[P,c]
Ek=[Ek0,Ek1,…,Ekn],ただし、k=1,2,…,
ここで、Ek0は開始ノードであり、Eknはk番目の最も発生する終了ノードである。
Pij=CijSi
ここで、Si=Cijであり、nはi番目のノードの子ノードの数である。
Ek=[Ek0,Ek1,…,Ekn],ただしk=1,2,…,
ここで、Ek0は、開始ノードであり、Eknは、終了ノードであり、Ek1は、Ek0のk番目の最もあり得る子ノードであり、以下同様である。
i(t)=g(WxiX(t)+WhiH(t-1)+Bi],ただし、t=0,1,2,…,
f(t)=g(WxfX(t)+WhfH(t-1)+Bf],ただし、t=0,1,2,…,
o(t)=g(WxoX(t)+WhoH(t-1)+Bo],ただし、t=0,1,2,…,
ここで、i(t)は入力ゲート、f(t)は忘却ゲート、及びo(t)は出力ゲートの時間tでの活性化であり、Wxは重みであり、Bはバイアスであり、X(t)は時間tでの入力であり、H(t-1)は前の時間ステップでのセル出力である。入力は、以下のようにtanhによって変換される。
c_in(t)=tanh(WxcX(t)+WhcH(t-1)+Bc_in],ただし、t=0,1,2,…,
ここで、c_in(t)は変換された入力であり、Wxは重みであり、Bはバイアスであり、X(t)は時間tでの入力であり、H(t-1)は前の時間ステップでのセル出力である。さらに、隠れ状態は次のように更新される。
c(t)=f(t)*c(t-1)+i(t)*c_in(t),ただし、t=0,1,2,…,
h(t)=o(t)*tanh(c(t)),ただし、t=0,1,2,…,
ここで、*は要素ごとの積演算であり、c(t-1)は前の時間ステップでのセル活性化であり、h(t)は時間tでのセル出力である。54において、ドロップアウト関数を第1のLSTM層に適用してネットワーク規則性を改善する。ドロップアウト関数は、訓練中にネットワークノードの一部及び対応する活性化を無視する。ドロップアウト関数は、訓練の繰り返しごとに置き換えてランダムにノードの新しいセットを選択する。56において、第2のLSTM層が第1のLSTM層に密結合され、58において、ドロップアウト関数が第2のLSTM層に適用される。したがって、各LSTM層はさらに次のレベルのLSTM層に密結合され、ドロップアウト関数はさらにネットワーク規則性を改善するように適用される。最後のLSTM層は、60において「ソフトマックス」出力層に密結合される。ソフトマックス関数は以下のように与えられる。
H(p,y)=-Σxp(x)log(y(x)),
ここで、pは真の分布である。しかしながら、ニューラルネットワークを構築するときに、いくつかの他の損失関数(例えば、平均二乗誤差、カルバック・ライブラー発散など)を利用してもよいことは理解されよう。さらに、86において、適応モーメント推定(ADAM)最適化を使用してネットワーク重みを各エポック中に更新する(すなわち、全ての訓練例にわたって1つの順方向パスと1つの逆方向パス)。しかしながら、ニューラルネットワークを訓練するときに、他のいくつかの最適化関数(例えば、確率的勾配降下法、RMSprop、Adagradなど)を利用してもよいことは理解されよう。
Claims (9)
- 医用イメージングデバイスのためのテストスクリプトを生成することを容易にするシステムであって、前記システムは、
1つ又は複数のイメージングデバイスにより患者に対して行われる検査に関連するデータを含むフィールドログファイルを格納したフィールドログファイルデータベースと、
1つ又は複数のプロセッサと
を備え、前記1つ又は複数のプロセッサは、
前記フィールドログファイルデータベースに格納された前記フィールドログファイルを処理し、顕著なフィールド使用状況パターンを識別するマイニングモジュールと、
前記フィールドログファイルデータベースに格納された前記フィールドログファイルを処理することによって、新しいスキャンタイプの将来のワークフローパターンを予測する予測モジュールと、
識別された前記顕著なフィールド使用状況パターン及び前記将来のワークフローパターンに少なくとも部分的に基づいて、前記新しいスキャンタイプのためのイメージングデバイスのための少なくとも1つのテストスクリプトを生成及び実行するテストケース準備及び実行モジュールと
を実行する、システム。 - 新しいフィールドログファイルを分析して、識別された前記顕著なフィールド使用状況パターンを更新するマイニングパターン更新モジュールと、
前記新しいフィールドログファイルを分析して、予測された前記将来のワークフローパターンを更新する予測パターン更新モジュールと
をさらに備える、請求項1に記載のシステム。 - 前記マイニングモジュールはさらに、
前記フィールドログファイルの記述及びタイムスタンプに基づいて、全ての検査の各々について、検査中に行われるスキャンのシーケンス及び検査中に並行して行われるユーザインターフェース(UI)操作を識別する、請求項1又は2に記載のシステム。 - 前記マイニングモジュールはさらに、
識別された検査をツリーのデータ構造で表して、検査の各スキャンが前記ツリー内のノードとして表され、あるスキャンから他のスキャンへの遷移が前記ツリー内のエッジとして表されるようにする、請求項3に記載のシステム。 - 各ノードは、前記ツリーを生成している間に前記ノードが発生した回数のカウントを格納し、各検査の開始及び終了はそれぞれ、開始ノード及び終了ノードとして表される、請求項4に記載のシステム。
- 前記マイニングモジュールはさらに、
所与の検査についての前記終了ノードに対する前記所与の検査中に行われたUI操作を格納し、
前記フィールドログファイルデータベースにおける全ての前記検査を用いて前記ツリーを生成した後、各終了ノードに、前記フィールドログファイルデータベース内に存在しかつ前記終了ノードに対応する特定の検査のカウントを表す値を格納する、請求項5に記載のシステム。 - 前記マイニングモジュールはさらに、
最も一般的に使用される検査のツリーのデータ構造の確率モデルを生成し、前記確率モデルにおけるツリーのノード間の遷移確率に基づいて、前記顕著なフィールド使用状況パターンを識別する、請求項6に記載のシステム。 - 前記予測モジュールはさらに、
入力層を受け取り、
前記入力層を第1の長・短期記憶(LSTM)層に密結合し、
前記第1のLSTM層に対してドロップアウト関数を実行して、ネットワーク規則性を改善し、
第2のLSTM層を前記第1のLSTM層に密結合し、
前記第2のLSTM層に対して前記ドロップアウト関数を実行し、
前記第2のLSTM層をソフトマックス出力層に密結合する
ことによって、LSTMニューラルネットワークを構築する、請求項1から7のいずれか一項に記載のシステム。 - 前記予測モジュールはさらに、長・短期記憶(LSTM)ニューラルネットワークを構築し、
入力テンソルXを、等しいスキャン長の検査のバッチに分割し、
バッチスキャン長に合致するように前記LSTMニューラルネットワークをロールオーバし、
出力テンソルyを利用して損失を計算するカテゴリクロスエントロピ関数を実行し、
適応モーメント推定(ADAM)最適化関数を実行して各エポック中にネットワーク重みを更新する
ことによって前記LSTMニューラルネットワークを訓練する、請求項1から8のいずれか一項に記載のシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023072896A JP2023100766A (ja) | 2018-05-18 | 2023-04-27 | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862673438P | 2018-05-18 | 2018-05-18 | |
US62/673,438 | 2018-05-18 | ||
PCT/EP2018/076904 WO2019068760A1 (en) | 2017-10-05 | 2018-10-03 | SYSTEM AND METHOD FOR ENHANCING THE RELIABILITY OF MEDICAL IMAGING DEVICES |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023072896A Division JP2023100766A (ja) | 2018-05-18 | 2023-04-27 | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021507325A JP2021507325A (ja) | 2021-02-22 |
JP2021507325A5 JP2021507325A5 (ja) | 2021-11-11 |
JP7299881B2 true JP7299881B2 (ja) | 2023-06-28 |
Family
ID=74664641
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020519365A Active JP7299881B2 (ja) | 2018-05-18 | 2018-10-03 | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 |
JP2023072896A Pending JP2023100766A (ja) | 2018-05-18 | 2023-04-27 | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023072896A Pending JP2023100766A (ja) | 2018-05-18 | 2023-04-27 | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7299881B2 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007011497A (ja) | 2005-06-28 | 2007-01-18 | Hitachi Ltd | 性能テスト方法およびテストサーバ |
US20110113287A1 (en) | 2009-11-12 | 2011-05-12 | Siemens Medical Solutions Usa, Inc. | System for Automated Generation of Computer Test Procedures |
US20110145643A1 (en) | 2009-12-10 | 2011-06-16 | Microsoft Corporation | Reproducible test framework for randomized stress test |
JP2018509720A (ja) | 2014-12-22 | 2018-04-05 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 医療データ取得システムについて品質評価を決定するための方法および装置 |
-
2018
- 2018-10-03 JP JP2020519365A patent/JP7299881B2/ja active Active
-
2023
- 2023-04-27 JP JP2023072896A patent/JP2023100766A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007011497A (ja) | 2005-06-28 | 2007-01-18 | Hitachi Ltd | 性能テスト方法およびテストサーバ |
US20110113287A1 (en) | 2009-11-12 | 2011-05-12 | Siemens Medical Solutions Usa, Inc. | System for Automated Generation of Computer Test Procedures |
US20110145643A1 (en) | 2009-12-10 | 2011-06-16 | Microsoft Corporation | Reproducible test framework for randomized stress test |
JP2018509720A (ja) | 2014-12-22 | 2018-04-05 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 医療データ取得システムについて品質評価を決定するための方法および装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2023100766A (ja) | 2023-07-19 |
JP2021507325A (ja) | 2021-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
Jordan et al. | An introduction to variational methods for graphical models | |
Calinescu et al. | Using observation ageing to improve Markovian model learning in QoS engineering | |
US8762319B2 (en) | Method, system, and computer-accessible medium for inferring and/or determining causation in time course data with temporal logic | |
CN112639833A (zh) | 可自适应神经网络 | |
Mozannar et al. | Who should predict? exact algorithms for learning to defer to humans | |
CN115545169A (zh) | 基于gru-ae网络的多视角业务流程异常检测方法、系统以及设备 | |
Ashrafi et al. | Effect of a process mining based pre-processing step in prediction of the critical health outcomes | |
US20210110287A1 (en) | Causal Reasoning and Counterfactual Probabilistic Programming Framework Using Approximate Inference | |
CN111183486B (zh) | 用于提高医学成像设备的可靠性的系统和方法 | |
JP7299881B2 (ja) | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 | |
CN106202847A (zh) | 一种就诊预测方法 | |
Lohmor et al. | Estimating the parameters of software reliability growth models using hybrid DEO-ANN algorithm | |
Manhas et al. | Role of structural equation modelling in theory testing and development | |
Schuck et al. | Sequential replay of non-spatial task states in the human hippocampus | |
Jongsawat et al. | Developing a Bayesian network model based on a state and transition model for software defect detection | |
Krajsic et al. | Attention-Based Anomaly Detection in Hospital Process Event Data | |
Subeh et al. | A Learning Classifier System for Detection of Service-Level Agreement Violations in Business Process | |
EP4425384A1 (en) | Training deep belief networks | |
Manchukonda et al. | A study of emergency department patient admittance predictors | |
Botezatu | Deadline analysis of workflow graphs and workflow performance optimization | |
Cigsar | Some models and tests for carryover effects and trends in recurrent event processes | |
van Gurp et al. | Automating software architecture assessment | |
Khomonenko et al. | Nonstationary software testing models with cox distribution for fault resolution duration | |
Pugh et al. | Curating Naturally Adversarial Datasets for Trustworthy AI in Healthcare |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210930 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210930 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221107 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230203 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230427 |
|
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: 20230519 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230616 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7299881 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |