基于图像特征与集成学习的MRI硬件故障预测
图像与视频处理
2021-06-08 v1 机器学习
机器学习
摘要
为确保无故障运行，硬件故障预测至关重要，这对医疗系统尤为适用。我们的目标是在硬件失效前确定需要更换的部件。本工作中，我们聚焦于利用图像相关测量预测20通道头/颈线圈的故障。因此，我们旨在解决一个二分类问题，类别为正常线圈与损坏线圈。为解决该问题，我们使用两个不同层级的数据。一个层级对应各独立线圈通道的一维特征，我们发现全连接神经网络在该层级上表现最佳。另一数据层级使用表示线圈整体状态的矩阵，并输入另一个神经网络。我们将这两个网络的预测结果堆叠，并训练一个随机森林（Random Forest）分类器作为集成学习器。由此，结合两个已训练模型的洞察改善了预测结果，使我们能够以94.14%的F分数和99.09%的准确率判定线圈状态。
引用
@article{arxiv.2001.01213,
title = {Prediction of MRI Hardware Failures based on Image Features using Ensemble Learning},
author = {Nadine Kuhnert and Lea Pflüger and Andreas Maier},
journal= {arXiv preprint arXiv:2001.01213},
year = {2021}
}