CN117874652B - 一种扫描仪故障检测方法及*** - Google Patents

一种扫描仪故障检测方法及*** Download PDF

Info

Publication number
CN117874652B
CN117874652B CN202410270951.4A CN202410270951A CN117874652B CN 117874652 B CN117874652 B CN 117874652B CN 202410270951 A CN202410270951 A CN 202410270951A CN 117874652 B CN117874652 B CN 117874652B
Authority
CN
China
Prior art keywords
value
frequency information
scanner
low
values
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
Application number
CN202410270951.4A
Other languages
English (en)
Other versions
CN117874652A (zh
Inventor
姜兵锋
李锦富
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.)
Guangzhou Hta Isotope Medical Co ltd
Original Assignee
Guangzhou Hta Isotope Medical Co ltd
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 Guangzhou Hta Isotope Medical Co ltd filed Critical Guangzhou Hta Isotope Medical Co ltd
Priority to CN202410270951.4A priority Critical patent/CN117874652B/zh
Publication of CN117874652A publication Critical patent/CN117874652A/zh
Application granted granted Critical
Publication of CN117874652B publication Critical patent/CN117874652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理领域，更具体地，本发明涉及一种扫描仪故障检测方法及***，方法包括：获取历史病患的扫描仪成像数据集，获取扫描仪成像图像的高频信息值和低频信息值，计算高频信息值和低频信息值对应扫描仪成像图像的特征值的曲线之间的相关性，对相关性的序列进行分类，计算频谱图中任意特征值的优选程度值，对优选程度值曲线进行高值优先选取作为用于孤立树构建的特征值，得到显著孤立森林模型；将当前扫描仪的扫描仪成像结果输入到显著孤立森林模型中，得到异常判断结果，进而判断当前扫描仪成像的运行状态。本发明通过评估不同特征值在特定场景下的有效性，提高扫描仪成像结果的准确率。

Description

一种扫描仪故障检测方法及***
技术领域
本发明一般地涉及图像数据处理领域。更具体地，本发明涉及一种扫描仪故障检测方法及***。
背景技术
医用扫描仪用于获取关于人体内部结构和功能的放射性示踪剂信息，扫描仪在医学诊断中起到关键作用，通过对患者注射标记物比如：锝即时标记药物系列（spect扫描仪成像），18F-脱氧葡糖注射液（pet扫描仪成像）等放射性元素后，可通过对应的扫描仪器进行人体扫描仪成像，所得扫描仪成像结果可用于患者诊疗。
但是当扫描仪出现故障时，则会导致扫描仪成像出现模糊，伪影，或者扫描仪成像不全，噪声过大等问题，从而影响医生对患者诊疗的效率和准确性。
由于不同病患对应的图像具有一定的差异，不同的缺陷在计算时确实会受到图像的差异影响。在进行异常检测时，需要考虑到不同病患之间图像的差异性，并且需要对数据进行特征选择，以适应这种差异性。
目前，对异常数据检测时，通常使用孤立森林进行检测，在进行特征选取时，选取相关性强的特征进行孤立树的构建，会导致错误率较大，同时相关性强的特征可能会掩盖异常点的存在，并且不同病患对应的图像存在差异，不同缺陷在计算时，会受到图像差异的影响，影响诊疗效率和准确性。
发明内容
为解决上述一个或多个技术问题，本发明提出获取有利的特征，进行孤立树的构建，用于提高扫描仪成像故障检测的准确率，为此，本发明在如下的多个方面中提供方案。
在第一方面中，一种扫描仪故障检测方法，包括：获取历史病患的扫描仪成像数据集，构建单个孤立树，选取所述扫描仪成像数据集中图像特征，其中，所述图像特征为噪声比、对比度，用于设定孤立森林在构建异常模型分类的超参数；获取扫描成像的图像中具有高频信息和低频信息，其中，所述高频信息表示扫描仪成像中的细节，低频信息表示扫描成像仪的总体信息；随机抽取所述扫描仪成像数据集中的扫描仪成像图像，并进行灰度处理，得到灰度图像，对灰度图像使用傅里叶变换获取频谱图，根据所述频谱图进行中心化处理，获取高频信息值和低频信息值；遍历计算所有随机抽取所述扫描仪成像数据集中的扫描仪成像图像的高频信息值和低频信息值，并进行排序，根据所述高频信息值和低频信息值的频率信息获取对应高频信息值曲线和低频信息值曲线，使用皮尔逊相关系数获取高频信息值和低频信息值对应扫描仪成像图像的特征值的曲线之间的相关性，得到异常信息；分别获取所述特征值与高频信息值和低频信息值之间相关性的序列，对所述相关性的序列使用密度聚类算法进行分类，得到高频近似聚类簇和低频近似聚类簇；分别计算所述高频近似聚类簇和低频近似聚类簇中任意一个特征值到对应类别的中心之间的距离值，计算所述距离值与对应类别的中心最大距离值的比值，其中，所述类别的中心最大距离值表示高频近似聚类簇中特征值到类别的中心最大的距离值或低频近似聚类簇中特征值到类别的中心最大的距离值；根据最小的比值进行负相关映射，并计算频谱图中任意特征值的优选程度值；遍历所有特征值的优选程度值，将所有特征值的优先程度值进行排序，得到优选程度值曲线；基于优选程度值曲线进行高值优先选取，并计算平均值，响应于大于均值部分的优选程度值对应的特征值作为用于孤立树构建的特征值，得到显著孤立森林模型；将当前扫描仪的扫描仪成像结果输入到显著孤立森林模型中，根据检测结果的众数作为当前扫描仪的异常判断结果，进而判断当前扫描仪成像的运行状态。
在一个实施例中，所述高频信息值获取过程满足以下步骤：
计算所述频谱图中每个像素点到频谱图中最大值点的欧氏距离值与所述频谱图中对角线长度值的一半的比值；
计算所述比值与对应像素点的像素值的乘积，得到频谱图中所有像素点的第一信息值，计算所述所有像素点的第一信息值的平均值作为频谱图的高频信息值。
在一个实施例中，所述低频信息值获取过程满足以下步骤：
计算所述频谱图中每个像素点到频谱图中最大值点的欧氏距离值与所述频谱图中对角线长度值的一半的比值；
计算所述比值的负相关映射值与对应点的像素值的乘积，得到频谱图中所有像素点的第二信息值，计算所述所有像素点的第二信息值的平均值作为频谱图的低频信息值。
在一个实施例中，所述使用皮尔逊相关系数获取高频信息值和低频信息值对应扫描仪成像图像的特征值的曲线之间的相关性，得到异常信息，包括：
根据所述高频信息值的曲线与所述扫描仪成像图像的特征值的曲线之间的相关性的绝对值，得到高频信息值对应特征值的异常信息；
根据所述低频信息值的曲线与所述扫描仪成像图像的特征值的曲线之间的相关性的绝对值，得到低频信息值对应特征值的异常信息。
在一个实施例中，根据高频信息值对应特征值的异常信息和低频信息值对应特征值的异常信息，还包括：
响应于特征值与高频信息之间的相关性越强，判定高频信息值的异常信息进行检测时越有效；
响应于特征值与低频信息之间的相关性越强，判定低频信息值的异常信息进行检测时越有效。
在一个实施例中，分别获取所述特征值与高频信息值和低频信息值之间相关性的序列，对所述相关性的序列使用密度聚类算法进行分类，包括：
使用所述密度聚类算法中均值漂移算法进行分类，得到高频近似聚类簇和低频近似聚类簇；
响应于相关性的序列近似时，判定孤立森林的错误增加。
在一个实施例中，根据最小的比值进行负相关映射，包括：
式中，表示第/>个特征对应高频信息值和低频信息值在两个聚类结果中特征值是否接近为中心点，/>表示高频近似聚类簇中第/>个特征值到高频近似聚类簇的类别的中心之间的距离值与高频近似聚类簇中特征值到类别的中心的最大值的比值，/>表示低频近似聚类簇中第/>个特征到低频近似聚类簇的类别中心之间的距离值与低频近似聚类簇中特征值到类别的中心的最大值的比值，/>表示最小值。
在一个实施例中，所述优选程度值满足下述关系式：
式中，表示第/>个特征的优选程度值，/>表示第/>个特征对应高频信息值或者低频信息值的最大值，/>表示第/>个特征对应高频信息值和低频信息值在两个聚类结果中特征值是否接近为中心点，/>表示指数函数。
第二方面，一种扫描仪故障检测***，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现任一项所述的扫描仪故障检测方法。
本发明具有以下效果：
1、本发明通过评估不同特征值在特定场景下的有效性，进而为故障检测、特征选择等任务提供决策支持，结合了密度聚类算法的优势和均值漂移算法的自适应性，可以有效地处理不同密度和形状的数据集，从而有效处理异常点和噪声，提高扫描仪成像结果的准确率。
2、本发明通过从扫描仪成像图像中提取高频信息和低频信息，分别计算对应特征值与高频信息值和低频信息值的相关性，从而对相关性进行分类，计算特征值的优选程度值，得到所有特征值的优先程度值并进行排序，对优选程度值曲线进行高值优先选取，并构建显著孤立森林模型，以使选择的特征值的有效性，选择合适的特征选取方法和图像处理技术来确保孤立森林模型的性能和准确性。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明实施例一种扫描仪故障检测方法中步骤S1-S10的方法流程图。
图2是本发明实施例一种扫描仪故障检测方法中步骤S30- S32的方法流程图。
图3是本发明实施例一种扫描仪故障检测方法中步骤S40- S43的方法流程图。
图4是本发明实施例一种扫描仪故障检测***的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
参照图1，一种扫描仪故障检测方法包括步骤S1-S10，具体如下：
S1：获取历史病患的扫描仪成像数据集，构建单个孤立树，选取扫描仪成像数据集中图像特征，其中，图像特征为噪声比、对比度，用于设定孤立森林在构建异常模型分类的超参数。
进一步说明，本实施例中选择获取个样本，用于构建/>个itree（Isolation Tree，孤立树）数据，其中每个样本对应的数据量为/>个扫描仪成像数据，其中特征本方案所选择预期待选择特征为：噪声比，对比度，等其他图像特征/>个，本方案设/>为20，其中/>、/>和/>为超参数，可由实施者根据具体实施场景进行调整。
在从为个特征量中选取特征时，本实施例中选择根据扫描仪中扫描仪成像数据中随机抽取部分扫描仪成像数据用于特征选取，特征过多时，虽然能够提高扫描仪成像异常准确率，但是当特征的相关性提高时，准确率可能反而会下降，进而需要进行有效的特征量选取。其中从所有扫描仪成像数据集中随机抽取/>个扫描仪成像数据，用于扫描仪成像故障检测，其中/>，可由实施者根据具体实施场景进行调整。
S2：获取扫描成像的图像中具有高频信息和低频信息，其中，高频信息表示扫描仪成像中的细节，低频信息表示扫描成像仪的总体信息。
进一步说明，高频信息表示扫描仪成像细节，例如扫描仪成像中人体结构的清晰度，低频表示扫描仪成像的总体信息，例如不同病人同一身体结构的总体信息。高低频数据合在一起时就是扫描仪成像的全部信息。
S3：随机抽取扫描仪成像数据集中的扫描仪成像图像，并进行灰度处理，得到灰度图像，对灰度图像使用傅里叶变换获取频谱图，根据频谱图进行中心化处理，获取高频信息值和低频信息值。
参考图2，包括步骤S30-步骤S32：
S30： 计算频谱图中每个像素点到频谱图中最大值点的欧氏距离值与频谱图中对角线长度值的一半的比值；
S31：计算比值与对应像素点的像素值的乘积，得到频谱图中所有像素点的第一信息值，计算所有像素点的第一信息值的平均值作为频谱图的高频信息值；
S32：计算比值的负相关映射值与对应点的像素值的乘积，得到频谱图中所有像素点的第二信息值，计算所有像素点的第二信息值的平均值作为频谱图的低频信息值。
进一步说明，频谱图是一种用于可视化信号频谱的图形表示方式。它将信号的频率和幅度信息显示在二维图像上，通常横轴表示频率，纵轴表示幅度或功率，频谱图中心化是指将频谱数据在频率轴上进行平移，使得频谱图的中心对应于零频率或直流分量，图像频谱图获取方法为公知内容，本方案不在赘述。
在频谱图中，越远离中心的越为高频信息，越靠近中心的越为低频信息，计算整个图像中所有像素点对应的高频信息值的均值和低频信息值的均值，分别作为该图像的高频信息值和低频信息值。
S4：遍历计算所有随机抽取扫描仪成像数据集中的扫描仪成像图像的高频信息值和低频信息值，并进行排序，根据高频信息值和低频信息值的频率信息获取对应高频信息值曲线和低频信息值曲线，使用皮尔逊相关系数获取高频信息值和低频信息值对应扫描仪成像图像的特征值的曲线之间的相关性，得到异常信息。
进一步说明，获取所有随机抽样的扫描仪成像图像对应的高频信息值和低频信息值，分别进行从小到大进行排序，得到对应曲线，其中由于每一个扫描仪成像图像对应的特征值已知，分别计算高频信息值和低频信息值与特征值之间的相关性，特征值与高频信息之间的相关性越强，或与低频信息之间的相关性越强，则在用于对扫描仪成像图像的数据进行itree构建时，对高频的异常特征或低频的异常特征进行检测时越有效。
参照图3，包括步骤S40-步骤S43：
S40：根据高频信息值的曲线与扫描仪成像图像的特征值的曲线之间的相关性的绝对值，得到高频信息值对应特征值的异常信息；
S41：根据低频信息值的曲线与扫描仪成像图像的特征值的曲线之间的相关性的绝对值，得到低频信息值对应特征值的异常信息；
S42：响应于特征值与高频信息之间的相关性越强，判定高频信息值的异常信息进行检测时越有效；
S43：响应于特征值与低频信息之间的相关性越强，判定低频信息值的异常信息进行检测时越有效。
进一步说明，本实施例中，相关性接近于1表示正相关，相关性接近于-1表示负相关，相关性接近于0表示不相关，进而只有当相关性接近于0时，表示在利用第个特征值进行itree训练，用于扫描仪成像异常检测时，第/>个特征值不利于itree树的训练和构建，因而取绝对值表示第/>个特征值的有效性。
S5：分别获取特征值与高频信息值和低频信息值之间相关性的序列，对相关性的序列使用密度聚类算法进行分类，得到高频近似聚类簇和低频近似聚类簇。
使用密度聚类算法中均值漂移算法进行分类，得到高频近似聚类簇和低频近似聚类簇；
响应于相关性的序列近似时，判定孤立森林的错误增加。
进一步说明，本实施例选择利用均值漂移算法进行分类，聚类半径为0.1，具体聚类半径可由实施者根据具体实施场景进行调整，进而将高频信息值近似的分为一类，低频信息值近似的分为一类，因为当特征值表示的性质近似的时候，则会导致孤立森林的错误增加，从而影响扫描仪故障检测的准确率。其中，均值漂移算法是一种密度估计和非参数聚类算法，通过在数据空间中移动核心点来寻找数据的密度最大值，均值漂移算法为公知内容，本方案不在赘述。
S6：分别计算高频近似聚类簇和低频近似聚类簇中任意一个特征值到对应类别的中心之间的距离值，计算距离值与对应类别的中心最大距离值的比值，其中，类别的中心最大距离值表示高频近似聚类簇中特征值到类别的中心最大的距离值或低频近似聚类簇中特征值到类别的中心最大的距离值。
式中，表示第/>个特征对应高频信息值和低频信息值在两个聚类结果中特征值是否接近为中心点，/>表示高频近似聚类簇中第/>个特征值到高频近似聚类簇的类别的中心之间的距离值与高频近似聚类簇中特征值到类别的中心的最大值的比值，/>表示低频近似聚类簇中第/>个特征到低频近似聚类簇的类别中心之间的距离值与低频近似聚类簇中特征值到类别的中心的最大值的比值，/>表示最小值；
进一步说明，本实施例中，由均值漂移算法，将高频信息值近似的分为一类，低频信息值近似的分为一类，每一个类别内优先选择一个特征值用于分析，但是不同特征中在两个分类结果对应分别对应的类别所在的位置可能不同，进而获取第个特征值对应高频信息值和低频信息值，分别在两个类别中到对应类别中心之间的距离值，与对应类别内某一特征值到类别中心最大距离值的比值，表示当前类别与其他类别之间的近似性，当比值越大，则表示两个特征值与分别对应的类别中心越远，则优先程度越低，不能很好的代表近似的特征，进而获取比值越小，优选程度越高，选取最小的比值进行负相关映射。
S7：根据最小的比值进行负相关映射，并计算频谱图中任意特征值的优选程度值。
式中，表示第/>个特征的优选程度值，/>表示第/>个特征对应高频信息值或者低频信息值的最大值，/>表示第/>个特征对应高频信息值和低频信息值在两个聚类结果中特征值是否接近为中心点，/>表示指数函数。
进一步说明，本实施例中，表示第/>个特征与高频信息或者低频信息的最大相关性，证明用第/>个特征值分类时的有效性，进而第/>个特征值对应的优选程度值越大，则在选取特征值时，优先选取该特征值。
S8：遍历所有特征值的优选程度值，将所有特征值的优先程度值进行排序，得到优选程度值曲线。
进一步说明，本实施例中，获取所有特征值对应的优选程度值，将所有特征值对应的优先程度值按照从小到大进行排序，得到优选程度值曲线。
S9：基于优选程度值曲线进行高值优先选取，并计算平均值，响应于大于均值部分的优选程度值对应的特征值作为用于孤立树构建的特征值，得到显著孤立森林模型。
进一步说明，均值是一种用于摘要数据集中心趋势的统计量，将所有优选程度值相加并除以特征值数量，选择优选程度大于均值的特征值，以使特征值具有更高的异常性，来实现对数据集中异常值或孤立点的检测和识别。
S10：将当前扫描仪的扫描仪成像结果输入到显著孤立森林模型中，根据检测结果的众数作为当前扫描仪的异常判断结果，进而判断当前扫描仪成像的运行状态。
进一步说明，将扫描仪成像结果通过孤立森林模型进行检测，具体地，对于每个扫描仪成像结果，对应模型中的每棵iTree树都会给出一个异常分数或标签。然后，取200棵树的检测结果的众数（即出现次数最多的结果），作为该成像结果的最终异常判断结果，如果判断结果表明当前扫描仪成像结果属于异常，判定扫描仪存在故障或者出现了异常情况。提示相关人员对扫描仪进行检修，以确保设备正常运行。
本发明还提供了一种扫描仪故障检测***。如图4所示，***包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的一种扫描仪故障检测方法。
***还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (9)

1.一种扫描仪故障检测方法，其特征在于，包括：
获取历史病患的扫描仪成像数据集，构建单个孤立树，选取所述扫描仪成像数据集中图像特征，其中，所述图像特征为噪声比、对比度，用于设定孤立森林在构建异常模型分类的超参数；
获取扫描成像的图像中具有高频信息和低频信息，其中，所述高频信息表示扫描仪成像中的细节，低频信息表示扫描成像仪的总体信息；
随机抽取所述扫描仪成像数据集中的扫描仪成像图像，并进行灰度处理，得到灰度图像，对灰度图像使用傅里叶变换获取频谱图，根据所述频谱图进行中心化处理，获取高频信息值和低频信息值；
遍历计算所有随机抽取所述扫描仪成像数据集中的扫描仪成像图像的高频信息值和低频信息值，并进行排序，根据所述高频信息值和低频信息值的频率信息获取对应高频信息值曲线和低频信息值曲线，使用皮尔逊相关系数获取高频信息值和低频信息值对应扫描仪成像图像的特征值的曲线之间的相关性，得到异常信息；
分别获取所述特征值与高频信息值和低频信息值之间相关性的序列，对所述相关性的序列使用密度聚类算法进行分类，得到高频近似聚类簇和低频近似聚类簇；
分别计算所述高频近似聚类簇和低频近似聚类簇中任意一个特征值到对应类别的中心之间的距离值，计算所述距离值与对应类别的中心最大距离值的比值，其中，所述类别的中心最大距离值表示高频近似聚类簇中特征值到类别的中心最大的距离值或低频近似聚类簇中特征值到类别的中心最大的距离值；
根据最小的比值进行负相关映射，并计算频谱图中任意特征值的优选程度值；
遍历所有特征值的优选程度值，将所有特征值的优先程度值进行排序，得到优选程度值曲线；
基于优选程度值曲线进行高值优先选取，并计算平均值，响应于大于均值部分的优选程度值对应的特征值作为用于孤立树构建的特征值，得到显著孤立森林模型；
将当前扫描仪的扫描仪成像结果输入到显著孤立森林模型中，根据检测结果的众数作为当前扫描仪的异常判断结果，进而判断当前扫描仪成像的运行状态。
2.根据权利要求1所述的一种扫描仪故障检测方法，其特征在于，所述高频信息值获取过程满足以下步骤：
计算所述频谱图中每个像素点到频谱图中最大值点的欧氏距离值与所述频谱图中对角线长度值的一半的比值；
计算所述比值与对应像素点的像素值的乘积，得到频谱图中所有像素点的第一信息值，计算所述所有像素点的第一信息值的平均值作为频谱图的高频信息值。
3.根据权利要求1所述的一种扫描仪故障检测方法，其特征在于，所述低频信息值获取过程满足以下步骤：
计算所述频谱图中每个像素点到频谱图中最大值点的欧氏距离值与所述频谱图中对角线长度值的一半的比值；
计算所述比值的负相关映射值与对应点的像素值的乘积，得到频谱图中所有像素点的第二信息值，计算所述所有像素点的第二信息值的平均值作为频谱图的低频信息值。
4.根据权利要求1所述的一种扫描仪故障检测方法，其特征在于，所述使用皮尔逊相关系数获取高频信息值和低频信息值对应扫描仪成像图像的特征值的曲线之间的相关性，得到异常信息，包括：
根据所述高频信息值的曲线与所述扫描仪成像图像的特征值的曲线之间的相关性的绝对值，得到高频信息值对应特征值的异常信息；
根据所述低频信息值的曲线与所述扫描仪成像图像的特征值的曲线之间的相关性的绝对值，得到低频信息值对应特征值的异常信息。
5.根据权利要求4所述的一种扫描仪故障检测方法，其特征在于，根据高频信息值对应特征值的异常信息和低频信息值对应特征值的异常信息，还包括：
响应于特征值与高频信息之间的相关性越强，判定高频信息值的异常信息进行检测时越有效；
响应于特征值与低频信息之间的相关性越强，判定低频信息值的异常信息进行检测时越有效。
6.根据权利要求1所述的一种扫描仪故障检测方法，其特征在于，分别获取所述特征值与高频信息值和低频信息值之间相关性的序列，对所述相关性的序列使用密度聚类算法进行分类，包括：
使用所述密度聚类算法中均值漂移算法进行分类，得到高频近似聚类簇和低频近似聚类簇；
响应于相关性的序列近似时，判定孤立森林的错误增加。
7.根据权利要求1所述的一种扫描仪故障检测方法，其特征在于，根据最小的比值进行负相关映射，包括：
式中，表示第/>个特征对应高频信息值和低频信息值在两个聚类结果中特征值是否接近为中心点，/>表示高频近似聚类簇中第/>个特征值到高频近似聚类簇的类别的中心之间的距离值与高频近似聚类簇中特征值到类别的中心的最大值的比值，/>表示低频近似聚类簇中第/>个特征到低频近似聚类簇的类别中心之间的距离值与低频近似聚类簇中特征值到类别的中心的最大值的比值，/>表示最小值。
8.根据权利要求1所述的一种扫描仪故障检测方法，其特征在于，所述优选程度值满足下述关系式：
式中，表示第/>个特征的优选程度值，/>表示第/>个特征对应高频信息值或者低频信息值的最大值，/>表示第/>个特征对应高频信息值和低频信息值在两个聚类结果中特征值是否接近为中心点，/>表示指数函数。
9.一种扫描仪故障检测***，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-8任一项所述的扫描仪故障检测方法。
CN202410270951.4A 2024-03-11 2024-03-11 一种扫描仪故障检测方法及*** Active CN117874652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410270951.4A CN117874652B (zh) 2024-03-11 2024-03-11 一种扫描仪故障检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410270951.4A CN117874652B (zh) 2024-03-11 2024-03-11 一种扫描仪故障检测方法及***

Publications (2)

Publication Number Publication Date
CN117874652A CN117874652A (zh) 2024-04-12
CN117874652B true CN117874652B (zh) 2024-06-11

Family

ID=90588785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410270951.4A Active CN117874652B (zh) 2024-03-11 2024-03-11 一种扫描仪故障检测方法及***

Country Status (1)

Country Link
CN (1) CN117874652B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169156A (zh) * 2011-05-18 2011-08-31 西安电子科技大学 应用EMScan技术对高密度电子电路故障的检测方法
WO2020155755A1 (zh) * 2019-01-28 2020-08-06 平安科技（深圳）有限公司 基于谱聚类的异常点比例优化方法、装置及计算机设备
CN116269467A (zh) * 2023-05-19 2023-06-23 中国人民解放军总医院第八医学中心 一种创伤患者清创术前信息采集***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102169156A (zh) * 2011-05-18 2011-08-31 西安电子科技大学 应用EMScan技术对高密度电子电路故障的检测方法
WO2020155755A1 (zh) * 2019-01-28 2020-08-06 平安科技（深圳）有限公司 基于谱聚类的异常点比例优化方法、装置及计算机设备
CN116269467A (zh) * 2023-05-19 2023-06-23 中国人民解放军总医院第八医学中心 一种创伤患者清创术前信息采集***

Also Published As

Publication number Publication date
CN117874652A (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN111985536B (zh) 一种基于弱监督学习的胃镜病理图像分类方法
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
EP2089851B1 (en) Method for identifying a pathological region in a scan, such as an ischemic stroke region in an mri scan
CN114926477B (zh) 一种基于深度学习的脑肿瘤多模态mri影像分割方法
CN112101451A (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
US20230005140A1 (en) Automated detection of tumors based on image processing
CN110210543B (zh) 图像分类***、方法、设备和存储介质
CN116363520B (zh) 一种城市绿地规划用景观生态检测***
CN113052800B (zh) 一种阿尔茨海默症影像分析方法与装置
CN113743463B (zh) 一种基于影像数据和深度学习的肿瘤良恶性识别方法和***
CN112419282B (zh) 脑部医学影像中动脉瘤的自动检测方法及***
CN112348785A (zh) 一种癫痫病灶定位方法及***
CN109949288A (zh) 肿瘤类型确定***、方法及存储介质
CN111814832A (zh) 一种目标检测方法、装置及存储介质
CN109754388A (zh) 一种颈动脉狭窄程度计算方法、装置及存储介质
CN113221731B (zh) 一种多尺度遥感图像目标检测方法及***
CN112785540B (zh) 一种扩散加权图像的生成***及方法
CN109933680A (zh) 图像数据筛选方法、装置、计算机设备及其存储介质
Unay et al. Medical image search and retrieval using local binary patterns and KLT feature points
CN117874652B (zh) 一种扫描仪故障检测方法及***
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
CN114463320B (zh) 一种磁共振成像脑胶质瘤idh基因预测方法及***
CN111414579A (zh) 基于多角度相关关系获取脑区关联信息的方法和***
Obukhova et al. Method of endoscopic images analysis for automatic bleeding detection and segmentation
CN113327221B (zh) 融合roi区域的图像合成方法、装置、电子设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant