CN116628457B - 一种磁共振设备运行中的有害气体检测方法及装置 - Google Patents
一种磁共振设备运行中的有害气体检测方法及装置 Download PDFInfo
- Publication number
- CN116628457B CN116628457B CN202310923517.7A CN202310923517A CN116628457B CN 116628457 B CN116628457 B CN 116628457B CN 202310923517 A CN202310923517 A CN 202310923517A CN 116628457 B CN116628457 B CN 116628457B
- Authority
- CN
- China
- Prior art keywords
- data
- magnetic resonance
- sequence characteristics
- time sequence
- cooling system
- 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
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000001816 cooling Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 83
- 239000001307 helium Substances 0.000 claims description 15
- 229910052734 helium Inorganic materials 0.000 claims description 15
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004821 distillation Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 16
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 14
- 239000007788 liquid Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 229910052757 nitrogen Inorganic materials 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010791 quenching Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/36—Analysing materials by measuring the density or specific gravity, e.g. determining quantity of moisture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/28—Details of apparatus provided for in groups G01R33/44 - G01R33/64
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种磁共振设备运行中的有害气体检测方法及装置，其方法包括：获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，构建训练数据集；基于transformer网络，分别提取时序特征和非时序特征；基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征；训练所述双流多模态模型，得到训练完成的双流多模态模型；利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。本发明通过transformer和双流多模态模型进行特征融合，提高模型对磁共振设备运行中的有害气体预测的时效性和准确性。
Description
技术领域
本发明属于气体检测与机器学习技术领域，具体涉及一种磁共振设备运行中的有害气体检测方法及装置。
背景技术
磁共振成像（MRI,Magnetic Resonance Imaging）设备是当前医院较先进、价格昂贵和需求量大的医疗设备之一,在临床疾病诊疗检测中起到重要作用。MRI设备在安装和正常使用期间，液氮不断损耗。为了维持液氮容器的液面稳定、防止失超（低于满液氮面的35%）和保持磁体正常运行，必须定期灌注液。液氮成本高昂，若发生泄漏,不仅延误患者检查，也将大幅度增加医院使用成本，高浓度的氮气还会使人窒息至死亡。研究表明，氮气泄露（占比23.3%）居我国30件MRI设备不良事件类型首位，因此,MRI室氮气泄露相关研究对企业、医疗机构和监管部门控制MRI设备风险、保障设备高效运行具有重要意义。日常养成检查和记录磁体致冷***数据和磁体运行状态数据的记录， 发现异常及时通知厂家维修，以防止液氦耗尽引发磁体失超，甚至磁体报废的风险。
磁共振成像的冷却***失效会导致磁共振成像的图像失真和噪声增加,原理如下:
1.超导磁体需要极低温(几个开尔文)的液氦来维持超导状态,产生强大的静磁场。如果冷却***失效,液氦会蒸发,超导磁体会恢复正常状态,静磁场会急剧下降或消失,导致图像失真或无法成像。
2.电磁波照射和信号检测都需要稳定和均匀的磁场,如果磁场异常会产生成像噪声或造影不清。冷却故障会直接导致磁场异常,所以会增加噪声和失真。
3.临床磁共振机低温部件如冷头可能最低达-269°C,而周围环境温度可能在20°C。这需要巨大的温差来产生和维持。如果冷却失败,低温部件会迅速升温,这种剧烈的温变也会对成像产生干扰。
发明内容
为了提高磁共振设备有害气体预测的时效性和准确性，在本发明的第一方面提供了一种磁共振设备运行中的有害气体检测方法，包括：获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集；基于transformer网络，分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征；基于融合后的所述时序特征和非时序特征，通过训练数据集训练所述双流多模态模型直至其误差趋于稳定且低于阈值，得到训练完成的双流多模态模型；利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。
在本发明的一些实施例中，所述通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集包括：通过局部粗糙模型，基于所述冷却***的数据和对应扫描间的气体密度数据构建第一训练数据集；将第一训练数据集与所述冷却***的数据、磁共振图像、梯度线圈的运行数据通过预设气体泄漏的标签对齐，得到第二训练数据集。
在本发明的一些实施例中，所述基于transformer网络分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征包括：通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征；通过第二transformer网络提取梯度线圈的运行数据、磁共振图像的时序特征。
进一步的，所述通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征包括：利用卷积神经网络分别提取冷却***的数据和气体密度数据提取，得到第一特征向量和第二特征向量；通过注意力头和预设加权参数，利用transformer网络融合所述第一特征向量和第二特征向量，得到冷却***的数据和气体密度数据的非序列特征。
在本发明的一些实施例中，所述基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征包括：基于磁共振设备运维数据的知识图谱，得到磁共振设备的非时序特征；通过自蒸馏方法和双流多模态模型，融合所述非时序特征和时序特征。
在上述的实施例中，所述利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体包括：利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备所在设备间的实时空气密度；基于目标磁共振设备所在设备间的室内物理模型，以及实时空气密度预测目标磁共振设备的氦气的空间分布。
本发明的第二方面，提供了一种磁共振设备运行中的有害气体检测***，包括：获取模块，用于获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集；提取模块，用于基于transformer网络，分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；融合模块，用于基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征；训练模块，用于基于融合后的所述时序特征和非时序特征，通过训练数据集训练所述双流多模态模型直至其误差趋于稳定且低于阈值，得到训练完成的双流多模态模型；预测模块，用于利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面提供的磁共振设备运行中的有害气体检测方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的磁共振设备运行中的有害气体检测方法。
本发明的有益效果是：
本发明涉及一种磁共振设备运行中的有害气体检测方法及装置，其方法包括：获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，构建训练数据集；基于transformer网络，分别提取时序特征和非时序特征；基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征；通过训练数据集训练所述双流多模态模型，得到训练完成的双流多模态模型；利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。本发明通过transformer分别提取时序特征和非时序特征，提高了特征之间的耦合性，再通过双流多模态模型进行特征融合，并输出预测结果，相较于一般的预测模型，提高对磁共振设备运行中的有害气体预测的时效性和准确性。
附图说明
图1为本发明的一些实施例中的磁共振设备运行中的有害气体检测方法的基本流程示意图；
图2为本发明的一些实施例中的磁共振设备运行中的有害气体检测方法的基本原理示意图；
图3为本发明的一些实施例中的磁共振设备运行中的有害气体检测方法的具体原理示意图；
图4为本发明的一些实施例中的磁共振设备对应MRI室的室内物理模型示意图；
图5为本发明的一些实施例中的磁共振设备运行中的有害气体检测装置的结构示意图；
图6为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1与图2，在本发明的第一方面，提供了一种磁共振设备运行中的有害气体检测方法，包括：S100.获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集；S200.基于transformer网络，分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；S300.基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征；S400.基于融合后的所述时序特征和非时序特征，通过训练数据集训练所述双流多模态模型直至其误差趋于稳定且低于阈值，得到训练完成的双流多模态模型；S500.利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。
在本发明的一些实施例的步骤S100中，所述通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集包括：S101.通过局部粗糙模型，基于所述冷却***的数据和对应扫描间的气体密度数据构建第一训练数据集；
具体地，将冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据中对应的一项或多项数据作为两个集合，基于不同的粒度参数构建包含混合属性和受限标签数据的第一数据集。通过局部粗糙模型，弥补了氦气发生泄漏时样本难收集和样本少的缺点。
S102.将第一训练数据集与所述冷却***的数据、磁共振图像、梯度线圈的运行数据通过预设气体泄漏的标签对齐，得到第二训练数据集。
需要说明的是，冷却数据包括冷却***中的压缩机、氦压机、发动机、冷却管道和热交换器中涉及的液体或气体的温度、压强、密度、流速浓度和湿度、液面高度等数据；例如，冷头和氦气机间的关系分析，其主要是利用呈密闭状态循环管道内部分布的高纯度氦气进行热交换，如果冷头与氦压机循环的氦气压力不足，无法支撑这一运行状态，就会降低冷头的制冷效率，增加磁体液氦的损耗量，因此，必须要详细观察与记录氦气的压力值，一旦压力值到达16~17bar时，应该马上补充高纯度氦气。不失一般性，MRI设备按所在的不同区域进行划分，主要分为操作间、磁体间、设备间和室外机组4部分；线圈设置在磁体间，而涉及磁体或梯度线圈的主要数据包括磁场强度、磁场梯度以及磁体间的温湿度。
磁共振图像包括通过一系列扫描，得到不同目标（通常是人体）不同断面的序列图像。此外，涉及序列图像的对比度、分辨率、信噪比、视野、扫描阶数、扫描的层面厚度、扫描的层面间距、扫描时间以及伪影等图像的特性，均可作为磁共振图像数据的参考，或作为图像属性（标签或特征）参与数据集的采集或构建中。
参考图3，在本发明的一些实施例的步骤S200中，所述基于transformer网络分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征包括：S201.通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征；S202.通过第二transformer网络提取梯度线圈的运行数据、磁共振图像的时序特征。
进一步的，所述通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征包括：S2011.利用卷积神经网络分别提取冷却***的数据和气体密度数据提取，得到第一特征向量和第二特征向量；S2012.通过注意力头和预设加权参数，利用transformer网络融合所述第一特征向量和第二特征向量，得到冷却***的数据和气体密度数据的非序列特征。
具体地，通过一个跨模态注意力层，使得每种模态的数据都连接到其他模态（例如，磁共振图像作为其中一种模态数据，连接冷却***的数据、梯度线圈的运行数据、和气体密度数据）的信息。这可以通过将所有模态的隐藏状态连接在一起，并将这个大的序列送入一个自注意力层实现。然后，将所有模态的输出融合在一起。通过直接连接，或者使用更复杂的方法，如乘积或加权平均等。融合的结果可再通过一个或多个全连接层，进行最后的任务，如分类、回归等。
在本发明的一些实施例的步骤S300中，所述基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征包括：S301.基于磁共振设备运维数据的知识图谱，得到磁共振设备的非时序特征；S302.通过自蒸馏方法和双流多模态模型，融合所述非时序特征和时序特征。磁共振设备运维数据的知识图谱可参考运维数据、故障数据以及相关的已验证的故障排除的有向无环图构建。由于增加了知识图谱的内在表示，并将该表示融入到模型中，也即是提高了模型的鲁棒性和准确性。
参考图4，图4示出了二维MRI室内物理模型。如图4的左上部分所见,6000mmX3900mm，距离MRI室底部1000mm,有直径20mm泄漏孔，泄漏孔对侧有门，距MRI室地面2200mm,MRI运行时，门关闭。如图4的右上部分所见,距门1000mm处有宽300mm波导窗，即距泄漏口所在边4.7m。而图4的下半部分则示出了存在上述两个泄漏孔的情形。
在上述的实施例中的步骤S500，所述利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体包括：
S501.利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备所在设备间的实时空气密度；
S502.基于目标磁共振设备所在设备间的室内物理模型，以及实时空气密度预测目标磁共振设备的氦气的空间分布。
具体地，空间分布还可参考气体的流体动力学模型（例如扩散微分方程）等，以提高预测的准确性。
实施例2
参考图5，本发明的第二方面，提供了一种磁共振设备运行中的有害气体检测***1，包括：获取模块11，用于获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集；提取模块12，用于基于transformer网络，分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；融合模块13，用于基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征；训练模块14，用于基于融合后的所述时序特征和非时序特征，通过训练数据集训练所述双流多模态模型直至其误差趋于稳定且低于阈值，得到训练完成的双流多模态模型；预测模块15，用于利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。
进一步的，所述提取模块12包括：第一提取单元，用于通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征；
第二提取单元，用于通过第二transformer网络提取梯度线圈的运行数据、磁共振图像的时序特征。
实施例3
参考图6，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质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。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种磁共振设备运行中的有害气体检测方法，其特征在于，包括：
获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集；
基于transformer网络，分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；
基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征：基于磁共振设备运维数据的知识图谱，得到磁共振设备的非时序特征；通过自蒸馏方法和双流多模态模型，融合所述磁共振设备的非时序特征，以及冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；
基于融合后的所述时序特征和非时序特征，通过训练数据集训练所述双流多模态模型直至其误差趋于稳定且低于阈值，得到训练完成的双流多模态模型；
利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。
2.根据权利要求1所述的磁共振设备运行中的有害气体检测方法，其特征在于，所述通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集包括：通过局部粗糙模型，基于所述冷却***的数据和对应扫描间的气体密度数据构建第一训练数据集；
将第一训练数据集与所述冷却***的数据、磁共振图像、梯度线圈的运行数据通过预设气体泄漏的标签对齐，得到第二训练数据集。
3.根据权利要求1所述的磁共振设备运行中的有害气体检测方法，其特征在于，所述基于transformer网络分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征包括：
通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征；通过第二transformer网络提取梯度线圈的运行数据、磁共振图像的时序特征。
4.根据权利要求3所述的磁共振设备运行中的有害气体检测方法，其特征在于，所述通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征包括：
利用卷积神经网络分别提取冷却***的数据和气体密度数据提取，得到第一特征向量和第二特征向量；
通过注意力头和预设加权参数，利用transformer网络融合所述第一特征向量和第二特征向量，得到冷却***的数据和气体密度数据的非序列特征。
5.根据权利要求1至4任一项所述的磁共振设备运行中的有害气体检测方法，其特征在于，所述利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体包括：
利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备所在设备间的实时空气密度；
基于目标磁共振设备所在设备间的室内物理模型，以及实时空气密度预测目标磁共振设备的氦气的空间分布。
6.一种磁共振设备运行中的有害气体检测***，其特征在于，包括：
获取模块，用于获取目标磁共振设备的冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据；通过局部粗糙模型，基于所述冷却***的数据、磁共振图像、梯度线圈的运行数据和对应扫描间的气体密度数据构建训练数据集；
提取模块，用于基于transformer网络，分别提取冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；
融合模块，用于基于磁共振设备运维数据的知识图谱，通过双流多模态模型融合所述非时序特征和时序特征：基于磁共振设备运维数据的知识图谱，得到磁共振设备的非时序特征；通过自蒸馏方法和双流多模态模型，融合所述磁共振设备的非时序特征，以及冷却***的数据、梯度线圈的运行数据、磁共振图像和对应扫描间的气体密度数据的时序特征和非时序特征；
训练模块，用于基于融合后的所述时序特征和非时序特征，通过训练数据集训练所述双流多模态模型直至其误差趋于稳定且低于阈值，得到训练完成的双流多模态模型；
预测模块，用于利用所述双流多模态模型和目标磁共振设备的实时数据，预测目标磁共振设备的有害气体。
7.根据权利要求6所述的磁共振设备运行中的有害气体检测***，其特征在于，所述提取模块包括：
第一提取单元，用于通过第一transformer网络提取冷却***的数据和气体密度数据的非序列特征；
第二提取单元，用于通过第二transformer网络提取梯度线圈的运行数据、磁共振图像的时序特征。
8.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5任一项所述的磁共振设备运行中的有害气体检测方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的磁共振设备运行中的有害气体检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923517.7A CN116628457B (zh) | 2023-07-26 | 2023-07-26 | 一种磁共振设备运行中的有害气体检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923517.7A CN116628457B (zh) | 2023-07-26 | 2023-07-26 | 一种磁共振设备运行中的有害气体检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628457A CN116628457A (zh) | 2023-08-22 |
| CN116628457B true CN116628457B (zh) | 2023-09-29 |
Family
ID=87610341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310923517.7A Active CN116628457B (zh) | 2023-07-26 | 2023-07-26 | 一种磁共振设备运行中的有害气体检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628457B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490908B (zh) * | 2023-12-31 | 2024-04-09 | 武汉华康世纪医疗股份有限公司 | 一种用于负压病房的负压检测方法及*** |
| CN117496133B (zh) * | 2024-01-03 | 2024-03-22 | 山东工商学院 | 基于多模态数据的封闭母线r-cnn温度故障监测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102004038619A1 (de) * | 2004-08-09 | 2006-02-23 | Siemens Ag | Verfahren zum Betrieb eines medizinischen Geräts |
| EP2423699A1 (en) * | 2010-08-30 | 2012-02-29 | Koninklijke Philips Electronics N.V. | Magnetic resonance imaging system, computer system, and computer program product for sending control messages to an anesthesia system |
| CN103091345A (zh) * | 2013-01-15 | 2013-05-08 | 湖南省电力公司检修公司 | 基于核磁共振技术的变压器油老化状态参数的检测方法 |
| CN104587493A (zh) * | 2015-02-05 | 2015-05-06 | 东南大学 | 应用于心脑血管相关疾病早期、快速、实时动态监测与多模态成像的检测试剂 |
| WO2015101556A1 (en) * | 2014-01-03 | 2015-07-09 | Koninklijke Philips N.V. | Calculation of the probability of gradient coil amplifier failure using environment data |
| CN105891754A (zh) * | 2016-03-03 | 2016-08-24 | 哈尔滨医科大学 | 一种用于多核磁共振的多源频谱谱仪控制*** |
| CN108187247A (zh) * | 2017-12-28 | 2018-06-22 | 中国科学院深圳先进技术研究院 | 磁共振引导聚焦超声的聚焦靶点调整***、方法及装置 |
| WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
| WO2021119875A1 (zh) * | 2019-12-15 | 2021-06-24 | 中国科学院深圳先进技术研究院 | 基于神经网络结构搜索的磁共振快速成像方法和装置 |
| DE102020207363A1 (de) * | 2020-06-15 | 2021-12-16 | Siemens Healthcare Gmbh | Vorhersage eines möglichen Ausfalls eines Moduls zum Einsatz in einer Magnetresonanzvorrichtung |
| WO2022006917A1 (zh) * | 2019-07-05 | 2022-01-13 | 深圳市安测健康信息技术有限公司 | 基于人工智能的磁共振肺部影像识别装置及方法 |
| CA3159995A1 (en) * | 2021-08-17 | 2022-09-27 | Beijing Friendship Hospital, Capital Medical University | Cerebral perfusion state classification apparatus and method, device, and storage medium |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101090021B (zh) * | 2006-06-12 | 2011-08-24 | 西门子（中国）有限公司 | 永磁磁共振***的磁场元件的温度控制方法 |
| US7639008B2 (en) * | 2007-03-19 | 2009-12-29 | Kabushiki Kaisha Toshiba | System, method and apparatus for identifying abnormality in MRI RF input circuits by combination mode switching in single MRI sequence scan |
| CN109300107B (zh) * | 2018-07-24 | 2021-01-22 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
| CA3074064A1 (en) * | 2019-03-01 | 2020-09-01 | The Regents Of The University Of California | Systems, methods, and media for automatically segmenting and diagnosing prostate lesions using multi-parametric magnetic resonance imaging data |
| CN110210524B (zh) * | 2019-05-13 | 2023-05-02 | 东软医疗***股份有限公司 | 一种图像增强模型的训练方法、图像增强方法及装置 |
| JP2022181615A (ja) * | 2021-05-26 | 2022-12-08 | キヤノンメディカルシステムズ株式会社 | 磁気共鳴イメージングシステム、磁気共鳴イメージング装置、冷却制御装置および冷却制御方法 |
-
2023
- 2023-07-26 CN CN202310923517.7A patent/CN116628457B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102004038619A1 (de) * | 2004-08-09 | 2006-02-23 | Siemens Ag | Verfahren zum Betrieb eines medizinischen Geräts |
| EP2423699A1 (en) * | 2010-08-30 | 2012-02-29 | Koninklijke Philips Electronics N.V. | Magnetic resonance imaging system, computer system, and computer program product for sending control messages to an anesthesia system |
| CN103091345A (zh) * | 2013-01-15 | 2013-05-08 | 湖南省电力公司检修公司 | 基于核磁共振技术的变压器油老化状态参数的检测方法 |
| WO2015101556A1 (en) * | 2014-01-03 | 2015-07-09 | Koninklijke Philips N.V. | Calculation of the probability of gradient coil amplifier failure using environment data |
| CN105874345A (zh) * | 2014-01-03 | 2016-08-17 | 皇家飞利浦有限公司 | 使用环境数据的梯度线圈放大器故障的概率的计算 |
| CN104587493A (zh) * | 2015-02-05 | 2015-05-06 | 东南大学 | 应用于心脑血管相关疾病早期、快速、实时动态监测与多模态成像的检测试剂 |
| CN105891754A (zh) * | 2016-03-03 | 2016-08-24 | 哈尔滨医科大学 | 一种用于多核磁共振的多源频谱谱仪控制*** |
| CN108187247A (zh) * | 2017-12-28 | 2018-06-22 | 中国科学院深圳先进技术研究院 | 磁共振引导聚焦超声的聚焦靶点调整***、方法及装置 |
| WO2020215985A1 (zh) * | 2019-04-22 | 2020-10-29 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、电子设备和存储介质 |
| WO2022006917A1 (zh) * | 2019-07-05 | 2022-01-13 | 深圳市安测健康信息技术有限公司 | 基于人工智能的磁共振肺部影像识别装置及方法 |
| WO2021119875A1 (zh) * | 2019-12-15 | 2021-06-24 | 中国科学院深圳先进技术研究院 | 基于神经网络结构搜索的磁共振快速成像方法和装置 |
| DE102020207363A1 (de) * | 2020-06-15 | 2021-12-16 | Siemens Healthcare Gmbh | Vorhersage eines möglichen Ausfalls eines Moduls zum Einsatz in einer Magnetresonanzvorrichtung |
| CA3159995A1 (en) * | 2021-08-17 | 2022-09-27 | Beijing Friendship Hospital, Capital Medical University | Cerebral perfusion state classification apparatus and method, device, and storage medium |
Non-Patent Citations (1)
| Title |
|---|
| 结合磁共振成像和脑机接口的新型在体生物电子鼻的研究;张斌等;《中国生物医学工程学报》;第37卷(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628457A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116628457B (zh) | 一种磁共振设备运行中的有害气体检测方法及装置 | |
| Amland et al. | Clinical decision support for early recognition of sepsis | |
| Amland et al. | Quick Sequential [Sepsis-Related] Organ Failure Assessment (qSOFA) and St. John Sepsis Surveillance Agent to detect patients at risk of sepsis: an observational cohort study | |
| Birkhoff et al. | A review on the current applications of artificial intelligence in the operating room | |
| CN105593680B (zh) | 个人设备中的协作电子鼻管理 | |
| Kirkland et al. | A clinical deterioration prediction tool for internal medicine patients | |
| Yang et al. | Healthcare intelligence: turning data into knowledge | |
| US11227684B2 (en) | Systems and methods for processing electronic images for health monitoring and forecasting | |
| Luo et al. | Self context and shape prior for sensorless freehand 3D ultrasound reconstruction | |
| Parikh et al. | Inpatient weekend ERCP is associated with a reduction in patient length of stay | |
| Radke et al. | Deep learning-based post-processing of real-time MRI to assess and quantify dynamic wrist movement in health and disease | |
| Chu et al. | MRI-based radiomics analysis for intraoperative risk assessment in gravid patients at high risk with placenta accreta spectrum | |
| Caroli et al. | Abdominal imaging in ADPKD: beyond total kidney volume | |
| Liu et al. | Evaluation of spatial attentive deep learning for automatic placental segmentation on longitudinal MRI | |
| Xu et al. | Automatic detection of pulmonary embolism in computed tomography pulmonary angiography using Scaled‐YOLOv4 | |
| Zhang et al. | MRI-based radiomics models to discriminate Hepatocellular Carcinoma and Non-Hepatocellular Carcinoma in LR-M According to LI-RADS Version 2018 | |
| van Zyl et al. | A pilot study of a palliative care service embedded in a hepatology clinic at a large public hospital | |
| Grazzini et al. | Local Recurrences in Rectal Cancer: MRI vs. CT | |
| Fu et al. | Quantitative measurement of spinal cerebrospinal fluid by cascade artificial intelligence models in patients with spontaneous intracranial hypotension | |
| Brown et al. | A multifactorial severity score for left congenital diaphragmatic hernia in a high-risk population using fetal magnetic resonance imaging | |
| Do et al. | Creating Computer Vision Models for Respiratory Status Detection | |
| Jiang et al. | Application and Feasibility Study of Integrated Nursing Information Construction in Nephrology Nursing | |
| US11170889B2 (en) | Smooth image scrolling | |
| Podgórska et al. | Intravoxel incoherent motion MRI in evaluating inflammatory activity in ulcerative colitis: a pilot study | |
| Baskaran et al. | Using facial landmark detection on thermal images as a novel prognostic tool for emergency departments |
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 |