双分支深度学习与动态阶段检测用于CT管寿命预测
Zhu Chen1, Yuedan Liu2, Zhibin Qin3
1Department of Medical Engineering, West China Hospital, Sichuan University, Chengdu 610041, China.
Sensors (Basel, Switzerland)
|August 14, 2025
概括
这项研究引入了一种双分支神经网络,用于预测CT扫描仪X射线管的剩余使用寿命,提高医疗成像设备维护的准确性和可靠性.
科学领域:
- 医学成像技术 医学成像技术
- 医疗保健中的人工智能
- 预测性维护是指预测性维护.
背景情况:
- 计算机断层扫描 (CT) 扫描仪对于医学诊断至关重要.
- 射线管的故障会导致医疗保健的严重中断.
- 目前的预测模型缺乏适应多阶段管道退化和时间特征的适应性.
研究的目的:
- 开发一种智能架构,用于预测CT管的剩余使用寿命 (RUL).
- 克服单一模型方法在捕捉复杂的时间变化的局限性.
- 提高关键医疗设备预测性维护的可靠性和准确性.
主要方法:
- 提出了一种双分支的神经网络架构:剩余自我注意BiLSTM (RSA-BiLSTM) 和多层扩展时间卷积网络 (D-TCN).
- RSA-BiLSTM分支提取多个规模和长期的时间依赖.
- D-TCN分支使用扩张卷积捕获非线性降解模式.
- 使用动态相位探测器进行集成预测,并通过动态加权的三重组混合损失函数进行优化.
主要成果:
- 在6个CT管数据集上使用离开一次的交叉验证 (LOOCV) 的5个比较模型中取得了显著的优势.
- 报告的平均平均平方误差 (MSE) 为2.92,平均绝对误差 (MAE) 为0.46,R2为0.77.
- 废弃性研究证实了协作多组件设计的有效性,提高了RUL预测的准确性.
结论:
- 拟议的双分支神经网络架构有效预测CT管RUL.
- 该方法表现出强大的概括性和与现有模型相比提高的准确性.
- 这种智能预测系统为CT扫描仪X射线管的主动维护提供了可靠的解决方案,最大限度地减少了停机时间并增强了医疗保健服务.
