一种医疗影像设备的热容预测方法和系统与流程

1.本说明书涉及医疗影像设备领域，特别涉及一种医疗影像设备的热容预测方法和系统。


背景技术：

2.医疗影像设备已经成为了现有医学领域中不可或缺的设备。医疗影像设备在对患者成像时，医疗影像设备中的部件会影响成像的质量。球管作为ct(computed tomography，电子计算机断层扫描)扫描设备中的核心部分，减少球管的损耗，对保证ct扫描成像非常重要。球管的热容限制了ct扫描的扫描能力，过高的热容会导致球管的损耗。
3.因此，有必要提出一种医疗影像设备的热容预测方法，以预测球管工作可能导致的热容，基于预测的热容提前采取措施，减少对球管的损耗。


技术实现要素：

4.本说明书实施例之一提供一种医疗影像设备的热容预测方法，所述方法包括：获取目标第一预测模型，所述目标第一预测模型为机器学习模型；获取医疗影像设备中球管的属性信息和所述医疗影像设备的工作信息，所述工作信息包括所述球管的当前热容和扫描参数；以及将所述属性信息和所述工作信息输入所述目标第一预测模型，确定所述球管在预设时间点的目标预测热容。
5.本说明书实施例之一提供一种医疗影像设备的热容预测系统，所述系统包括：模型获取模块，用于获取目标第一预测模型，所述目标第一预测模型为机器学习模型；信息获取模块，用于获取医疗影像设备中球管的属性信息和所述医疗影像设备的工作信息，所述工作信息包括所述球管的当前热容和扫描参数；以及预测模块，用于基于所述属性信息和所述工作信息输入所述目标第一预测模型，确定所述球管在预设时间点的目标预测热容。
6.本说明书实施例之一提供一种医疗影像设备的热容预测装置，包括处理器，所述处理器用于执行如前一项所述的医疗影像设备的热容预测方法对应的操作。
7.本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如前一项所述的医疗影像设备的热容预测方法对应的操作。
8.本说明书的一些实施例具有以下有益效果：(1)通过机器学习模型预测热容，可以提高热容预测的准确性。(2)在预测时考虑球管的属性信息，使得预测可以根据各个球管本身的实际情况进行，实用性更强。(3)在实际应用时，基于预测结果和实际检测到的热容值再进行增强训练，更新第一预测模型的参数，可以提高第一预测模型的预测准确性，使其能够根据每个设备的球管的属性信息进行预测。
附图说明
9.本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进
行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
10.图1是根据本说明书一些实施例所示的热容预测系统的应用场景示意图；
11.图2是根据本说明书一些实施例所示的热容预测系统的示例性模块图；
12.图3是根据本说明书一些实施例所示的热容预测的示例性流程图；
13.图4是根据本说明书一些实施例所示的获取目标第一预测模型方法的示例性流程图；
14.图5是根据本说明书一些实施例所示的获取目标第一预测模型方法的又一示例性流程图；
15.图6是根据本说明书一些实施例所示的目标第一预测模型结构的示例性示意图；
16.图7是根据本说明书一些实施例所示的目标第一预测模型训练过程的示例性示意图。
具体实施方式
17.为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
18.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
19.如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
20.本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
21.图1是根据本说明书一些实施例所示的热容预测系统的应用场景示意图。
22.如图1所示，热容预测系统100可以包括处理设备110、网络120、用户终端130、存储设备140以及医疗影像设备150。
23.在一些实施例中，热容预测系统100可以通过实施本说明书中披露的方法和/或过程预测医疗影像设备在使用过中球管的热容变化。
24.处理设备110可以处理从终端130、存储设备140和/或医疗影像设备150获取数据和/或信息。处理设备110可以通过网络120从终端130、存储设备140和/或医疗影像设备150访问信息和/或数据。处理设备110可以直接连接终端130、存储设备140和/或医疗影像设备150以访问信息和/或数据。例如，处理设备110可以从医疗影像设备150和/或终端130获取
医疗影像设备150的工作信息和医疗影像设备150中球管的属性信息。处理设备110可以对获取的数据和/或信息进行处理。例如，处理设备110可以基于获取的工作信息和球管的属性信息，预测球管在预设时间点的目标预测热容。又例如，处理设备110可以通过训练得到目标第一预测模型，通过目标第一预测模型预测球管在预设时间点的目标预测热容。在一些实施例中，处理设备110可以是单个服务器或服务器组。处理设备110可以设置在医疗影像设备150中。处理设备110可以是本地的、远程的。处理设备110可以在云平台上实现。
25.网络120可以包括提供能够促进热容预测系统100的信息和/或数据交换的任何合适的网络。在一些实施例中，热容预测系统100的一个或多个组件(例如，处理设备110、用户终端130、存储设备140以及医疗影像设备150)之间可以通过网络120交换信息和/或数据。网络120可以包括局域网(lan)、广域网(wan)、有线网络、无线网络等或其任意组合。
26.终端130指用户所使用的一个或多个终端设备或软件。在一些实施例中，终端130可以是移动设备、平板计算机等或其任意组合。在一些实施例中，终端130可以通过网络120与热容预测系统100中的其他组件交互。例如，终端130可以向医疗影像设备150发送一个或多个控制指令以控制处理设备110对医疗影像设备150的工作信息和医疗影像设备150中球管的属性信息进行处理，从而获取医疗影像设备球管的目标预测热容。在一些实施例中，终端130可以是处理设备110的一部分。在一些实施例中，终端130可以与处理设备110整合为一体，作为医疗影像设备150的操作台。
27.存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从例如服务器110、终端130、医疗影像设备150等获得的数据和/或信息。例如，存储设备140可以存储预先训练好的目标第一预测模型、目标第二预测模型等。又例如，存储设备140可以存储医疗影像设备的工作参数、球管的属性信息、球管的真实热容等。存储设备140可以设置在医疗影像设备150中。在一些实施例中，存储设备140可包括大容量存储器、可移除存储器等或其任意组合。
28.医疗影像设备150可以用于获取被扫描对象的图像数据。被扫描对象可以包括生物对象(例如，人体、动物等)、非生物对象(例如，体模)等。在一些实施例中，医疗影像设备150可以是ct成像设备、pet-ct成像设备等。在一些实施例中，医疗影像设备150可以包括x射线球管(简称“球管”)，x射线球管可以发出放射线束(例如，x射线)到被扫描对象上，产生图像数据。球管可以包括管芯和管壳，管芯包括阴极、焦点、阳极靶、支撑阳极靶的转轴轴承等，管壳包括冷却液、散热器等。如前所述，处理设备110和存储设备140可以成为医疗影像设备150的一部分。相应的，热容预测可以由医疗影像设备进行。
29.图2是根据本说明书一些实施例所示的热容预测系统的示例性模块图。
30.在一些实施例中，所述热容预测系统200可以包括模型获取模块210、信息获取模块220、预测模块230。
31.模型获取模块210可以用于获取目标第一预测模型，所述目标第一预测模型为机器学习模型。在一些实施例中，模型获取模块210还可以用于构建初始第二预测模型，获取第一训练数据，并基于第一训练数据更新初始第二预测模型的参数以确定目标第二预测模型，以及基于目标第二预测模型确定目标第一预测模型。在一些实施例中，模型获取模块210可以在实际应用过程中获取第二训练数据，并基于第二训练数据更新中间目标第一预测模型，从而得到目标第一预测模型。关于获取目标第一预测模型的更多细节参见图4、图
5、图7及其相关描述。
32.信息获取模块220可以用于获取医疗影像设备中球管的属性信息和医疗影像设备的工作信息。在一些实施例中，信息获取模块220可以基于传感器获取球管在预设时间点的真实热容。关于球管的属性信息、医疗影像设备的工作信息以及获取真实热容的更多细节参见图3及其相关描述。
33.预测模块230可以基于目标第一预测模型对属性信息和工作信息进行处理，确定球管在预设时间点的目标预测热容。目标第一预测模型可以为机器学习模型。关于确定目标预测热容的更多细节参见图3及其相关描述，关于第一预设模型的更多细节参见图6及其相关描述。
34.应当理解，图2所示的模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
35.需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的模型获取模块210、信息获取模块220和预测模块230可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
36.图3是根据本说明书一些实施例所示的热容预测的示例性流程图。在一些实施例中，流程300可以由处理设备(例如，处理设备110)执行。例如，流程300可以以程序或指令的形式存储在存储设备中，当服务器或图2所示的模块执行程序或指令时，可以实现流程300。在一些实施例中，流程300可以利用以下未描述的一个或以上附加操作，和/或不通过以下所讨论的一个或以上操作完成。如图3所示，流程300包括下述步骤：
37.步骤310，获取目标第一预测模型。在一些实施例中，该步骤310可以由模型获取模块210执行。
38.目标第一预测模型可以用于预测球管的热容，目标第一预测模型可以为机器学习模型。目标第一预测模型的参数通过训练获取。训练用的训练数据包括第一训练数据和第二训练数据。训练可以包括初始训练，还可以包括增强训练。其中，基于第一训练数据进行的训练可以称为“初始训练”，基于第二训练数据进行的训练可以称为“增强训练”。关于“初始训练”和“增强训练”可以参见图4、5、7及其相关描述。
39.在一些实施例中，目标第一预测模型可以包括一层或者多层。关于目标第一预测
模型结构的更多内容参见图6及其相关描述。
40.在一些实施例中，目标第一预测模型的类型可以包括卷积神经网络(cnn)、深度神经网络(dnn)等。
41.在一些实施例中，模型获取模块210可以通过训练获取目标第一预测模型。经过训练得到的目标第一预测模型可以存储在存储设备(例如，存储设备140)，模型获取模块210可以从存储设备获取目标第一预测模型。
42.步骤320，获取医疗影像设备中球管的属性信息和医疗影像设备的工作信息。在一些实施例中，步骤320可以由信息获取模块220执行。
43.医疗影像设备可以用于获取被扫描对象的图像数据，医疗影像设备可以包括球管。关于医疗影像设备及其球管的更多细节参见图1及其相关描述。
44.球管的属性信息可以是与球管自身相关的数据信息。在一些实施例中，球管的属性信息可以包括但不限于球管的靶材料、靶面直径、靶角、管芯材料、管壁的滤当过量、散热方式、阳极散热系数、阳极冷却率以及转子与轴承之间的支撑方式等中的至少一种。例如，球管的靶材料可以是钨、钼、铑、铼等；靶面直径可以是50mm等；靶角可以是10
°
或5
°
等；管芯材料可以是陶瓷、玻璃等；管壁的滤当过量可以是5mal/140kv等；散热方式可以是风冷、水冷、油冷等；阳极散热系数可以是4kw/min等；阳极冷却率可以是10kw/min等；转子与轴承之间的支撑方式可以是机械滚珠轴承、液态金属轴承等。需要说明的是，球管的属性信息还可以是其他与球管相关的信息。
45.在一些实施例中，球管的属性信息可以存储在存储设备中，信息获取模块220可以从存储设备中读取球管的属性信息。信息获取模块220可以直接从医疗影像设备获取球管的属性信息。在一些实施例中，不同类型的医疗影像设备的球管的属性信息可能不同。同一种类型的医疗影像设备的球管的属性信息也可能不同。例如，不同生产制造商生产的ct设备中球管的属性信息可能不同。
46.医疗影像设备的工作信息可以是医疗影像设备对被扫描对象成像的相关数据。在一些实施例中，工作信息可以包括医疗影像设备中球管的当前热容和扫描参数。
47.当前热容可以是当前时刻球管的热容。当前时刻可以根据情况变化。例如，当前时刻准备对被扫描者扫描，则当前热容为医疗影像设备扫描开始前的热容。又例如，扫描已经开始，则当前热容是医疗影像设备在扫描过程中的热容。
48.在一些实施例中，信息获取模块220可以通过传感器获取球管的当前热容。传感器可以内置于医疗影像设备中，用于确定医疗影像设备中球管的热容。传感器可以是热容传感器，通过热容传感器可以直接获取热容。传感器还可以是其他传感器，例如，传感器可以是温度传感器和热量传感器，温度传感器检测的温度和热量传感器检测的热量通过计算公式可以转化为球管的当前热容。在一些实施例中，传感器可以定时获取球管的热容。例如，传感器间隔0.005s获取球管的热容，并将热容发送给存储设备等。在一些实施例中，球管的当前热容还可以通过其他的方式获取。
49.扫描参数是与医疗影像设备的扫描过程相关的参数信息。在一些实施例中，扫描参数可以包括但不限于球管的管电压、管电流、焦点尺寸、阳极转速、医疗影像设备的扫描时间等。
50.在一些实施例中，信息获取模块220可以从医疗影像设备中获取扫描参数，医疗影
像设备可以根据被扫描对象的特征参数(如年龄、体重、身体特征、病症等)自动生成扫描参数。在一些实施例中，信息获取模块220可以从终端(例如，终端130)获取扫描参数，扫描参数可以是由医务人员进行设置生成的。扫描参数可以存储在存储设备(例如，存储设备140)中，信息获取模块220可以从存储设备中获取扫描参数。
51.步骤330，将球管的属性信息和医疗影像设备的工作信息输入到目标第一预测模型，确定球管在预设时间点的目标预测热容。在一些实施例中，步骤330可以由预测模块230执行。
52.预设时间点是当前时间之后且医疗影像设备扫描开始后的时间点。在一些实施例中，预设时间点可以扫描结束的时间点，也可以是扫描开始和结束之间的时间点。预设时间点可以由医疗影像设备的扫描时间确定。例如，扫描时间为1min，开始扫描时间为16:10，则根据该扫描时间可以确定预设时间点为16:11。又例如，预设时间点可以设置为扫描开始后的40s、扫描开始后的2min等。在一些实施例中，预设时间点可以由医务人员进行设置。
53.在一些实施例中，预设时间点可以根据实际情况(例如，球管是否老化、待扫描对象的特征参数、医疗影像设备的扫描方式、工作环境等)进行确定。例如，球管老化可能使得球管的热容量(即，球管承载热量的能力指标)减小，当球管老化时，预设时间点可以设置为扫描开始后的较早的时间点(例如，扫描开始后的30s)，以避免扫描过程中出现热容超出热容量导致扫描中断的情况出现。又例如，待扫描对象为肥胖对象时，球管为高负荷工作，长时间高负荷工作会对球管的热容变化及散热系数造成影响，预设时间点可以设置为扫描开始后的较早的时间点(例如，扫描开始后的40s)，以避免球管的散热系数降低导致热容超出热容量的情况出现。
54.目标预测热容是指球管在预设时间点热容的预测值。在一些实施例中，预测模块230可以利用目标第一预测模型确定球管的目标预测热容。目标第一预测模型是指实际进行热容预测应用的模型。关于目标第一预测模型的更多细节参见图6及其相关描述。
55.在一些实施例中，若目标预测热容不满足预设条件时，则可以提前采取相应措施。预设条件可以是目标预测热容小于预设的热容阈值。例如，若当前已经开始扫描，即当前热容为扫描过程中某个时间点的热容，若目标预测热容不满足预设条件，则处理设备可以发出停止扫描的指令，或者给终端(如，终端130)的用户发送提示消息(例如，提示消息可以是“某时间点的预测热容将超出热容阈值”)。又例如，若当前还未开始扫描，即当前热容为扫描开始前的热容，若目标预测热容不满足预设条件，则处理设备可以发出无法扫描的指令或者给终端(如，终端130)的用户发送提示信息，以避免扫描过程中热容超标导致球管损坏或扫描中断的事故出现。
56.为了逐步提高目标第一预测模型的预测准确性，在实际应用过程中还可以对目标第一预测模型进行训练。
57.在一些实施例中，信息获取模块220可以通过传感器获取球管在预设时间点的真实热容，并将预设时间点的真实热容和预设时间点的目标预测热容作为第二训练数据用于模型参数的更新。例如，目标第一预测模型在实际预测之后，模型获取模块210可以直接基于预设时间点的真实热容和预设时间点的目标预测热容，更新目标第一预测模型的参数，将更新后的目标第一预测模型用于下一次热容预测应用。下一次预测的对象可以是与本次相同或不同的医疗影像设备的球管。关于基于预设时间点的真实热容和预设时间点的目标
预测热容更新目标第一预测模型的参数更多细节参见图5及其相关描述。
58.在一些实施例中，目标预测热容与真实热容之间的热容差可以用于判断目标第一预测模型是否需要进行参数更新，或者目标预测热容和真实热容是否可以作为第二训练数据。例如，当目标预测热容与真实热容之间的热容差大于阈值热容差时，模型获取模块210可以基于目标预测热容和真实热容更新目标第一预测模型的参数；若小于该阈值热容差，可以选择不更新。本说明书的一些实施例，通过机器学习模型预测热容，可以提高热容预测的准确性。在预测时考虑球管的属性信息，使得预测可以根据各个球管本身的实际情况进行，实用性更强。
59.图4是根据本说明书一些实施例所示的获取目标第一预测模型的示例性流程图。在一些实施例中，流程400可以由处理设备(例如，处理设备110)执行。例如，流程400可以以程序或指令的形式存储在存储设备中，当服务器或图2所示的模块执行程序或指令时，可以实现流程400。在一些实施例中，流程400可以利用以下未描述的一个或以上附加操作，和/或不通过以下所讨论的一个或以上操作完成。如图4所示，流程400包括下述步骤：
60.步骤410，构建初始第二预测模型。在一些实施例中，步骤410可以由模型获取模块210执行。
61.初始第二预测模型可以为机器学习模型。初始第二预测模型是还未训练或者还未训练好的模型。在一些实施例中，初始第二预测模型的参数通过初始化得到。
62.在一些实施例中，与目标第一预测模型的结构类似的，初始第二预测模型可以包括多层，即，输入层、增量预测层、融合层和输出层。在一些实施例中，初始第二预测模型可以与目标第一预测模型的结构存在差异。例如，初始第二预测模型的输入层有两个节点，以接收当前热容和扫描参数两个输入。在一些实施例中，初始第二预测模型可以接收当前热容和扫描参数两个输入，并输出目标预测热容。
63.在一些实施例中，初始第二预测模型可以与目标第一预测模型的结构相同。例如，初始第二预测模型包括三个输入节点，以接收球管的属性信息、当前热容和扫描参数三个输入。在一些实施例中，初始第二预测模型可以接收球管的属性信息、当前热容和扫描参数三个输入，并输出目标预测热容。
64.关于目标第一预测模型的结构参见图6及其相关描述。
65.需要说明的，本说明书中的“三个输入”或“两个输入”并非对输入值的个数限定，而是用于说明输入的数据类型。类似的，本说明书中“三个输入节点”和“两个输入节点”并非对节点数量的限制，而是说明与输入的数据类型的对应关系，说明每个数据类型存在对应的输入节点，但是具体个数，本说明书不做限定。
66.步骤420，获取第一训练数据，所述第一训练数据包括第一训练样本及其第一标签。在一些实施例中，步骤420可以由模型获取模块210执行。
67.第一训练数据可以是一组或者多组。在一些实施例中，第一训练样本可以包括第一样本球管的样本当前热容和样本扫描参数。即，初始第二预测模型可以基于第一样本球管的样本当前热容和样本扫描参数进行训练。
68.在一些实施例中，第一训练样本可以包括第一样本球管的样本当前热容、样本扫描参数和第一样本球管的样本属性信息。即，初始第二预测模型可以基于第一样本球管的样本当前热容、样本属性信息和样本扫描参数进行训练。
69.在一些实施例中，当第一训练样本包括第一样本球管的样本当前热容、样本扫描参数和第一样本球管的样本属性信息时，第一样本球管的样本属性信息可以设置为预设值。例如，预设值为0。相应的，初始第二预测模型实际仅仅是基于样本当前热容和样本扫描参数进行训练。
70.如前所述，初始第二预测模型的输入节点可以接收两个输入或三个输入。在一些实施例中，当初始第二预测模型与目标第一预测模型结构不同时，即初始第二预测模型的输入节点接收两个输入时，第一训练样本包括第一样本球管的样本当前热容和样本扫描参数。当初始第二预测模型与目标第一预测模型结构相同时，即初始第二预测模型的输入节点接收三个输入时，第一训练样本包括第一样本球管的样本当前热容、样本扫描参数和第一样本球管的样本属性信息。第一样本球管的样本属性信息可以是预设值(如，0)，也可以是第一样本球管的实际属性信息。
71.第一训练样本对应的第一标签为第一样本球管在第一样本预设时间点的真实热容。第一样本球管的样本当前热容是指第一样本预设时间点之前的某个时间点的热容，与当前热容类似，样本当前热容可以是不同情况下第一样本球管的热容。不同第一训练样本的第一样本球管可以相同或不同。
72.在一些实施例中，第一训练数据可以存储在存储设备中，模型获取模块210可以从存储设备获取第一训练数据。第一训练数据可以基于历史扫描得到，其中，第一训练样本的第一标签在历史扫描过程中可以通过传感器得到。
73.步骤430，基于第一训练数据更新初始第二预测模型，确定目标第二预测模型。在一些实施例中，步骤430可以由模型获取模块210执行。
74.目标第二预测模型的参数是经过训练确定。目标第二预测模型与初始第二预测模型的结构相同。可以理解的，与初始第二预测模型类似，目标第二预测模型的结构可以与目标第一预测模型的结构相同或不同，目标第二预测模型的结构由初始第二预测模型确定。
75.在一些实施例中，模型获取模块210可以将带有第一标签的第一训练样本输入到初始第二预测模型中，基于初始第二预测模型的输出(即，目标预测热容)和第一标签构建损失函数，基于损失函数迭代更新初始第二预测模型的参数。当训练的模型满足预设条件时，训练结束，确定目标第二预测模型。其中，预设条件为损失函数收敛、迭代的次数达到阈值等。
76.步骤440，基于目标第二预测模型确定目标第一预测模型。在一些实施例中，步骤440可以由模型获取模块210执行。
77.目标第一预测模型与目标第二预测模型结构相同时，在一些实施例中，模型获取模块210可以直接将目标第二预测模型作为目标第一预测模型。目标第一预测模型与目标第二预测模型结构不同时，在一些实施例中，模型获取模块210可以将目标第二预测模型的参数迁移至初始第一预测模型，将参数迁移后的第一预测模型作为目标第一预测模型。
78.初始第一预测模型是指未经过训练或还未训练好的模型。初始第一预测模型与目标第一预测模型的结构相同。初始第一预测模型的参数通过初始化得到。
79.在一些实施例中，模型获取模块210可以基于目标第二预测模型确定中间第一预测模型，进一步基于中间第一预测模型确定目标第一预测模型。
80.中间第一预测模型是指基于第一训练数据对初始第一预测模型参数的更新而确
定的模型。中间第一预测模型未经过增强训练。
81.在一些实施例中，模型获取模块210可以直接将中间第一预测模型作为目标第一预测模型，以进行热容预测应用。换言之，此时应用的目标第一预测模型仅仅进行了初始训练。在一些实施例中，模型获取模块210可以基于第二训练数据更新中间第一预测模型(即，增强训练)，将更新后的中间第一预测模型作为目标第一预测模型，以进行热容预测应用。换言之，此时应用的目标第一预测模型进行了初始训练和增强训练。关于增强训练参见图5及其相关描述。
82.如前所述，目标第一预测模型可以与目标第二预测模型结构可以相同。在一些实施例中，模型获取模块210可以直接将基于第一训练数据训练得到的目标第二预测模型作为中间第一预测模型。如前所述，目标第一预测模型可以与目标第二预测模型结构可以不同。在一些实施例中，模型获取模块210可以将目标第二预测模型的参数迁移至初始第一预测模型，将参数迁移后的初始第一预测模型作为中间第一预测模型。在一些实施例中，模型获取模块210可以将目标第二预测模型的全部或部分参数迁移到初始第一预测模型。例如，模型获取模块210可以仅基于迁移更新初始第一预测模型中增量预测层、融合层和输出层的参数。迁移之后，初始第一预测模型中部分或全部初始化参数被更新为经过训练的参数。
83.目标第一预测模型和目标第二预测模型的结构不同，通过目标第二预测模型的参数迁移，初始第一预测模型中的部分参数被更新，其他参数仍然是初始化的值。如，目标第一预测模型中，与球管的属性信息对应的输入节点的参数仍然为初始化的值，其他参数为经过训练的参数。在此基础上，模型获取模块210可以基于目标第一预测模型在实际应用中，通过增强训练可以更新球管的属性信息对应的输入节点的参数。
84.球管的属性信息与医疗影像设备本身息息相关，实际应用过程中，不同医疗影像设备球管的属性信息不同。本说明书的一些实施例，初始训练可以仅仅基于样本球管的样本当前热容和样本扫描参数，不考虑样本球管的样本属性信息，使得经过初始训练得到的目标第一预测模型可以能够基本实现热容预测。在实际应用时，基于预测结果和实际检测到的热容值再进行增强训练，更新目标第一预测模型的参数，提高目标第一预测模型的预测准确性，使其能够根据每个设备的球管的属性信息进行预测。可以理解的，第一训练数据获取时可以不需要考虑医疗影像设备中球管的属性信息，可以降低训练数据获取的成本，同时保证模型预测的准确性。
85.在一些实施例中，模型获取模块210可以直接基于第一训练数据训练初始第一预测模型，确定目标第一预测模型。其中，训练样本包括样本球管的样本当前热容、样本扫描参数和样本球管的样本属性信息。在一些实施例中，样本球管的样本属性信息为实际的属性信息。训练样本的标签与训练初始第二预测模型相同。模型获取模块210基于标签和初始第一预测模型的输出构建损失函数，更新初始第一预测模型的参数。在一些实施例中，模型获取模块210得到中间第一预测模型之后，可以直接将中间第一预测模型作为目标第一预测模型，也可以基于第二训练数据对中间第一预测模型的参数进行更新后(即，增强训练)，作为目标第一预测模型。
86.应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
87.图5是根据本说明书一些实施例所示的获取目标第一预测模型的又一示例性流程图。在一些实施例中，流程500可以由处理器(例如，处理设备110)执行。例如，流程500可以以程序或指令的形式存储在存储设备中，当服务器或图2所示的模块执行程序或指令时，可以实现流程500。在一些实施例中，流程500可以利用以下未描述的一个或以上附加操作，和/或不通过以下所讨论的一个或以上操作完成。如图5所示，流程500包括下述步骤：
88.步骤510，获取第二训练数据，第二训练数据包括第二训练样本及其第二标签。在一些实施例中，步骤510可以由模型获取模块210执行。
89.在一些实施例中，第二训练样本可以包括第二样本球管在第二样本预设时间点的样本目标预测热容。第二训练样本可以在实际应用过程中获取。例如，在实际应用中利用目标第一预测模型确定的球管的目标预测热容可以作为第二训练样本。
90.第二训练样本对应的第二标签为第二样本球管在第二样本预设时间点的真实热容。在一些实施例中，信息获取模块220可以通过传感器获取第二样本球管在第二样本预设时间点的真实热容。例如，在实际应用中将传感器获取的球管在预设时间点的真实热容可以作为第二标签。
91.不同第二训练样本的第二样本球管可以相同或不同。第一样本球管和第二样本球管可以相同或不同。
92.步骤520，基于目标第二预测模型，确定中间第一预测模型。在一些实施例中，步骤520可以由模型获取模块210执行。
93.关于中间第一预测模型，以及基于目标第二预测模型确定中间第一预测模型可以参见步骤440及其相关描述。
94.步骤530，基于预测第二训练数据更新中间第一预测模型，得到目标第一预测模型。在一些实施例中，步骤530可以由模型获取模块210执行。
95.在一些实施例中，模型获取模块210可以将第二样本球管在第二样本预设时间点的目标预测热容与该预设时间点球管的真实热容进行对比，更新中间第一预测模型的参数，并基于参数更新后的中间第一预测模型作为目标第一预测模型。例如，模型获取模块210第二样本球管在第二样本预设时间点的目标预测热容和第二标签构建损失函数，并基于该损失函数更新中间第一预测模型的参数。
96.图6是根据本说明书一些实施例所示的目标第一预测模型结构的示例性示意图。
97.如图6所示，在一些实施例中，目标第一预测模型包括输入层610、增量预测层620、融合层630和输出层640。
98.输入层610可以用于输入球管的属性信息、当前热容和扫描参数。输入层包含接收球管的属性信息、当前热容和扫描参数的输入节点。
99.增量预测层620可以基于属性信息和工作信息(即，扫描参数和当前热容)，确定球管中至少一个位置在预设时间点的热容增量。热容增量是指当前时间至预设时间点之间热容增加的量。
100.如图1所述，球管包含多个部件。在一些实施例中，球管中至少一个位置可以是球管中不同部件的位置或不同部件上不同的位置点。在一些实施例中，球管中不同位置的热容增量可能不同。例如，灯丝的热容增量大于缓冲管的热容增量。例如，至少一个位置包括n个位置，n个位置的热容增量为热容增量1、热容增量2
……
热容增量n。
101.融合层630可以基于当前热容和球管中至少一个位置在预设时间点的热容增量，确定至少一个位置在预设时间点的初始预测热容。在一些实施例中，对于至少一个位置中的一个，融合层630可以对该位置的热容增量、至少一个位置中其他位置的热容增量和当前热容进行融合，确定该位置在预设时间点的初始预测热容。其中，至少一个位置中其他位置是指该至少一个位置中除了该位置外的其他一个或多个位置。可以理解，球管中不同位置上的热容增量可能存在差异，而不同位置之间的热容变化可能受到彼此的影响。
102.在一些实施例中，对于至少一个位置中的一个，可以通过多种方式确定进行融合的其他位置，融合层630可以融合其他位置和该位置的热容增量以及球管的当前热容以确定该位置在预设时间点的初始预测热容。例如，可以根据位置关系确定该位置对应的融合的其他位置。示例的，可以将距离该位置较近(例如，距离小于阈值)的其他位置作为融合的其他位置。又例如，该位置对应的融合的其他位置可以预先设定。
103.在一些实施例中，对于至少一个位置中的任意一个位置，融合层630可以对该位置的热容增量和当前热容直接进行融合，确定该位置在预设时间点的初始预测热容。例如，对于位置a，融合层630可以对位置a的热容增量和当前热容进行融合，以确定位置a在预设时间的初始预测热容。
104.在一些实施例中，融合方式可以有多种。例如，求平均、加权平均、取中位数、取最大值等。例如，加权平均时，权重的值可以基于其他位置对该位置的影响因子确定。
105.示例性的，初始预测热容的计算公式(1)可以是：yi＝m1*x1+m2*x2+
…
+mj*xj+mi*xi+k*c
ꢀꢀ
(1)其中，yi是位置i的初始预测热容，x1、x2、...、xj分别为位置i进行融合的其他位置的热容增量，xi是位置i的热容增量，c为当前热容，m1、m2、...、mj、mi分别为x1、x2、...、xj、xi影响因子，k为系数。m1、m2、...、mj、mi和k可以提前预设，也可以通过模型训练得到。
106.又一示例的，以至少一个位置包含位置1、位置2和位置3为例进行说明，位置1、位置2和位置3各自的初始预测热容分别为y1、y2和y3，其中，位置1不存在融合的其他位置，位置2融合的其他位置为位置1，位置3融合的其他位置为位置1和位置2。可以通过以下公式确定位置1、位置2和位置3的初始预测热容：y1＝t1*x1+t2*c
ꢀꢀ
(1)y2＝t3*y1+t4*x2+t5*c
ꢀꢀ
(2)y3＝t6*y1+t7*y2+t8*x3+t9*c......(3)其中，y1、y2、y3分别位置1、2、3的初始预测热容，x1、x2、x2分别为位置1、2、3的热容增量，c为当前热容，t1、t2、t3、t4、t5、t6、t7、t8、t9为模型训练得到的参数。
107.可以理解的，经过融合得到初始预测热容的运算方式还可以是其他方式，上述公式仅作为示例说明。
108.输出层640可以基于至少一个位置在预设时间点的初始预测热容，确定目标预测热容。例如，输出层640可以对至少一个位置的初始预测热容进行融合，将融合后的值作为目标预测热容。融合方式包括平均、加权平均等。又例如，输出层640可以选择多个初始预测热容中的最大值作为球管在预设时间点的目标预测热容。
109.在一些实施例中，目标第一预测模型中的一层或者多层的模型类型可以是神经网络模型，例如，cnn、dnn等。例如，增量预测层620可以为cnn网络。
110.图7是根据本说明书一些实施例所示的目标第一预测模型训练过程的示例性示意图。在一些实施例中，训练目标第一预测模型可以由处理设备110(例如，模型获取模块210)执行。
111.目标第一预测模型的训练可以包括初始训练和增强训练。实际应用时，目标第一预测模型可以是经过初始训练得到的，也可以是经过初始训练和增强训练得到的。
112.如图7所示，初始训练可以包括第一初始训练710和第二初始训练720两种方式。模型获取模块210可以基于任意一种方式进行初始训练得到目标第一预测模型1。目标第一预测模型1未经过增强训练。目标第一预测模型1为中间预测模型。
113.第一初始训练710基于第一训练数据对初始第二预测模型进行训练确定目标第二预测模型，并基于目标第二预测模型得到目标第一预测模型1。关于基于第二预测模型确定目标第一预测模型的更多细节参见图4及其相关描述，在此不再赘述。
114.第一初始训练720基于第一训练数据对初始第一预测模型进行训练，得到目标第一预测模型1。
115.目标第一预测模型1在实际应用时，可以通过增强训练730更新参数，提高模型的预测能力。处理设备在利用目标第一预测模型1进行第一次预测时，将得到的目标预测热容与对应的真实热容作为一组第二训练数据，基于该组训练数据更新目标第一预测模型1的参数，得到目标第一预测模型2。目标第一预测模型2可以作为下一次预测使用的模型。处理设备在利用目标第一预测模型2进行第二次预测时，将第二次预测得到的目标预测热容与对应的真实热容作为一组第二训练数据，基于该组训练数据更新目标第一预测模型2的参数，得到目标第一预测模型3。以此类推，可以对目标第一预测模型进行多次增强训练。
116.在一些实施例中，当目标第一预测模型经过多次增强训练后得到的目标预测热容与真实热容之间的热容差满足一定条件时(如，热容差小于热容差阈值)，可以停止增强训练。
117.在利用目标第一预测模型确定球管的目标预测热容的同时，可以根据球管对应的真实热容不断更新目标第一预测模型的参数，使得更新后的目标第一预测模型实现更加精确的预测。
118.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
119.同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
120.此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本
说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
121.同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
122.一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有
±
20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
123.针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
124.最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。