CN105874345B - 使用环境数据的梯度线圈放大器故障的概率的计算 - Google Patents

使用环境数据的梯度线圈放大器故障的概率的计算 Download PDF

Info

Publication number
CN105874345B
CN105874345B CN201480072017.6A CN201480072017A CN105874345B CN 105874345 B CN105874345 B CN 105874345B CN 201480072017 A CN201480072017 A CN 201480072017A CN 105874345 B CN105874345 B CN 105874345B
Authority
CN
China
Prior art keywords
data
measurement
magnetic resonance
gradient coil
days
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
CN201480072017.6A
Other languages
English (en)
Other versions
CN105874345A (zh
Inventor
A·T·范维林根
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN105874345A publication Critical patent/CN105874345A/zh
Application granted granted Critical
Publication of CN105874345B publication Critical patent/CN105874345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • 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
    • G01R33/38—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field
    • G01R33/385—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field using gradient magnetic field coils
    • 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
    • G01R33/38—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field
    • G01R33/385—Systems for generation, homogenisation or stabilisation of the main or gradient magnetic field using gradient magnetic field coils
    • G01R33/3852—Gradient amplifiers; means for controlling the application of a gradient magnetic field to the sample, e.g. a gradient signal synthesizer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods

Abstract

本发明提供一种包括处理器的医学仪器(100、300、500)。机器可执行指令(120、122、124、350、352、354)的运行使得所述处理器重复地：使用测量数据库(116、122)来构建(200、416)包括多个数据值(704)的测量向量(114、700)，其中，所述多个数据值包括描述磁共振成像系统的检查室(322)的环境条件的检查室数据(332)，其中，所述多个数据值还包括描述所述磁共振成像系统的技术室(326)的环境条件的技术室数据(330)；并且通过将所述测量向量输入到经训练的神经网络程序(124)中来计算(202、418)未来的预定天数内所述磁共振成像系统的梯度线圈放大器(312)的故障的概率(706)。

Description

使用环境数据的梯度线圈放大器故障的概率的计算
技术领域
本发明涉及磁共振成像系统，具体而言，本发明涉及计算梯度线圈放大器故障将发生的概率。
背景技术
MRI中的梯度放大器是固态的并且是极其复杂的部件。由于这些特性，因而其经历随机故障行为。换句话说，基于磨损信息来预测部件的故障是不可能的。主要不利在于，由于随机故障行为，因而故障总是出乎意料并且将归因于服务工程师的出行时间、诊断、零件的预定和零件的实际替换而引起显著的停机时间。
美国专利US 8373471公开了一种检测磁共振成像系统的至少一个梯度线圈中的故障的电缆检测设备和方法。美国专利申请US2003/02115125涉及存储自动测量的维护和性能数据的MRI装置。通过分析趋势数据，识别MRI装置的退化。在已知MRI装置中，测量每个零件的温度数据。
发明内容
在独立权利要求中，本发明提供一种医学仪器、一种计算机程序产品和一种方法。在从属权利要求中给出了实施例。
如本领域的技术人员将理解，本发明的各方面可以实现为装置、方法或计算机程序产品。因此，本发明的各方面可以采取以下形式：完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等等)或者组合软件和硬件方面的实施例，其在本文中可以统称为“电路”、“模块”或“系统”。而且，本发明的方面可以采取计算机程序产品的形式，所述计算机程序产品实现在具有实现在其上的计算机可执行代码的一个或多个计算机可读介质中。
可以利用一个或多个计算机可读介质的任何组合。所述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。如本文所使用的“计算机可读存储介质”包含可以存储可由计算设备的处理器执行的指令的任何有形存储介质。计算机可读存储介质可以被称为计算机可读非暂态存储介质。计算机可读存储介质也可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还可能能够存储能够由所述计算设备的所述处理器访问的数据。计算机可读存储介质的范例包括但不限于：软盘、磁硬盘驱动器、固态硬盘、闪速存储器、USB拇指驱动器、随机存取存储器(RAM)、只读存储器(ROM)、光盘、磁光盘和处理器的寄存器文件。光盘的范例包括压缩光盘(CD)和数字万用光盘(DVD)，例如CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R光盘。术语计算机可读存储介质也是指能够由计算机设备经由网络或通信链路访问的各种类型的记录媒体。例如，可以通过调制解调器、互联网或局域网来检索数据。可以使用任何适当的介质来传送实现在计算机可读介质上的计算机可执行代码，包括但不限于无线、有线、光纤电缆、RF等等或前述的任何适合的组合。
计算机可读信号介质可以包括具有实现在其中例如基带内或作为载波的一部分的计算机可执行代码的传播数据信号。这样的传播信号可以采取各种形式中的任一种，包括但不限于电磁、光学或其任何适合的组合。计算机可读信号介质可以是不是计算机可读存储介质任何计算机可读介质，并且其可以传递、传播或传输程序以由指令运行系统、装置或设备使用或与其结合。
“计算机存储器”或“存储器”是计算机可读存储介质的范例。计算机存储器是处理器可直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另一范例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器或反之亦然。
如本文所使用的“处理器”包含能够运行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“处理器”的计算设备的应用应当被解释为可能包含超过一个处理器或处理核心。所述处理器可以例如是多核心处理器。处理器也可以是指单个计算机系统或分布在多个计算机系统之间的处理器的集合。术语计算设备还应当被解释为可能是指各自包括(一个或多个)处理器的计算设备的集合或网络。计算机可执行代码可以由多个处理器运行，处理器可以处于所述相同计算设备内或可以甚至跨多个计算设备分布。
计算机可执行代码可以包括令处理器执行本发明的方面的机器可执行指令或程序。执行针对本发明的方面的操作的计算机可执行代码可以以一个或多个编程语言的任何组合书写，包括诸如Java、Smalltalk、C++等等的面向对象编程语言和诸如“C”编程语言或类似编程语言的常规过程编程语言并且编译为机器可执行指令。在一些情况下，所述计算机可执行代码可以以高级语言的形式或以预编译形式并且结合在飞行中生成机器可执行指令的解释器使用。
所述计算机可执行代码可以作为独立的软件包全部地在所述用户的计算机上、部分地在所述用户的计算机上、部分地在所述用户的计算机上和部分地在远程计算机或全部地在所述远程计算机或服务器上运行。在后面的场景中，所述远程计算机可以通过任何类型的网络连接到所述用户的计算机，包括局域网(LAN)或广域网(WAN)，或可以对外部计算机做出的连接(例如，使用因特网服务提供商通过因特网)。
本发明的各方面参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图说明和/或框图得以描述。将理解到，流程图、图示和/或方框图的每个块或块的一部分可以通过以在适用时的计算机可执行代码的形式的计算机程序指令来实现的。还应理解，在不互相排斥时，可以组合不同流程图、图示和/或框图中的框的组合。这些计算机程序指令可以提供到通用计算机、专用计算机的处理器或者其他可编程数据处理装置来产生机器，使得经由所述计算机的所述处理器或其他可编程数据处理装置运行的所述指令创建用于实现所述流程图和/或方框图的(一个或多个)块的器件。
这些计算机程序指令还可以存储在计算机可读介质中，其可以引导计算机、其他可编程数据处理装置或其他设备以特定的方式运行，使得存储在所述计算机可读介质中的所述指令产生包括实现所述流程图和/或(一个或多个)方框图的块中所指定的所述功能/行为的指令的制造品。
所述计算机程序指令还可以加载到计算机、其他可编程数据处理装置或其他设备上以令一系列操作步骤在所述计算机、其他可编程装置或其他设备上执行以产生计算机实现的过程，使得在所述计算机或其他可编程装置上运行的指令提供用于实现所述流程图和/或(一个或多个)方框图的块中所指定的所述功能/行为的过程。
如本文所使用的“用户接口”是允许用户或操作者与计算机或计算机系统交互的接口。“用户接口”也可以被称为“人机接口设备”。用户接口可以将信息或数据提供给操作者和/或从操作者接收信息或数据。用户接口可以使来自操作者的输入能够由所述计算机接收并且可以将输出从计算机提供给用户。换句话说，用户接口可以允许操作者控制或操纵计算机，并且接口可以允许计算机指示操作者的控制或操纵的效果。数据或信息在显示器或图形用户接口上的显示是将信息提供给操作者的范例。通过键盘、鼠标、轨迹球、触摸板、指点杆、图形输入板、操纵杆、手柄、网络摄像头、头戴式受话器、变速杆、转向盘、踏板、有线手套、跳舞毯、遥控器和加速度计的数据的接收全部是使能来自操作者的信息或数据的所述接收的用户接口部件的范例。
如本文所使用的“硬件接口”包含使计算机系统的处理器能够与计算设备和/或装置交互或对其进行控制的接口。硬件接口可以允许处理器将控制信号或指令发送到外部计算设备和/或装置。硬件接口也可以使处理器能够与外部计算设备和/或装置交换数据。硬件接口的范例包括但不限于：通用串行总线、IEEE 1394端口、并行端口、IEEE 1284端口、串行端口、RF-232端口、IEEE-488端口、蓝牙连接、无线局域网连接、TCP/IP连接、以太网连接、控制电压接口、MIDI接口、模拟输入接口、以及数字输入接口。
如本文所使用的“显示器”或“显示设备”包含适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、听觉和/或触觉数据。显示器的范例包括但不限于：计算机监视器、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(CRT)、存储管、双稳态显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(VF)、发光二极管(LED)显示器、电致发光显示器(ELD)、等离子显示板(PDP)、液晶显示器(LCD)、有机发光二极管显示器(OLED)、投影仪、以及头戴式显示器。
磁共振(MR)数据在本文中被限定为由在磁共振成像扫描期间由磁共振装置的天线所记录的由原子自旋所发射的射频信号的测量结果。磁共振数据是医学图像数据的范例。磁共振成像(MRI)图像在本文中被限定为包含在所述磁共振成像数据内的解剖数据的经重建的二维或三维可视化。该可视化可以是使用计算机来执行的。
在一个方面中，本发明提供一种医学仪器，其包括用于存储机器可执行指令的存储器。所述医学仪器还包括用于运行所述机器可执行指令的处理器。在一些范例中，所述处理器可以控制所述医学仪器的操作。所述机器可执行指令的运行使得所述处理器使用测量数据库重复地构建包括多个数据值的测量向量。如本文所使用的测量向量涵盖具有多个数据值的数据结构。所述数据值可以是具有相同类型或不同类型的数据。所述多个数据值包括描述磁共振成像系统的检查室的所述环境条件的检查室数据。所述多个数据值还包括描述所述磁共振成像系统的技术室的环境条件的技术室数据。
如本文所使用的检查室涵盖所述磁共振成像系统的主磁体放置到其中的室。通常，在所述检查室中，使用磁共振成像系统检查患者。如本文所使用的技术室涵盖邻近磁共振检查室的室。所述技术室可以包含被用于对磁共振成像系统的其他部件进行供电或控制的装置或设备。所述指令的运行还使得所述处理器通过将所述测量向量放到经训练的神经网络程序中来重复地计算未来的预定天数中所述磁共振成像系统的梯度线圈放大器的故障的概率。所述测量向量用作先前经训练的神经网络程序的输入。在一些其他实施例中，所述神经网络程序是经训练的。
该实施例可以是有益的，因为所述梯度线圈放大器的故障至少部分使用所述检查室和所述技术室的环境条件预测。这可以导致针对所述医学仪器或磁共振成像系统的减少的操作成本，因为所述梯度线圈放大器的故障可以要求服务人员在那里运行并且将其修理和/或在所述磁共振成像系统不能使用的该时间期间替换所述梯度线圈放大器。所述检查室和所述技术室的环境条件的使用是有益的，因为其使得能够提前预定天数预测所述梯度线圈放大器的故障的并且是非显而易见的。
在另一实施例中，所述医学仪器还包括磁共振成像系统。在一些范例中，所述磁共振成像系统的部件可以在控制室中，一些部件可以在检查室内并且一些部件可以在技术室内。所述技术室包含所述梯度线圈放大器。所述检查室包括所述磁共振成像系统的主磁体。所述技术室包括用于测量技术室数据的第一组环境传感器。所述检查室还包括用于测量所述检查室数据的第二组环境传感器。
所述指令的运行还使得所述处理器使用所述第一组环境传感器来重复地采集所述技术室数据。所述指令的运行还使得所述处理器将所述技术室数据重复地记录在所述测量数据库中。所述指令的运行还使得所述处理器使用所述第二组环境传感器来重复地采集所述检查室数据。所述指令的运行还使得所述处理器将所述检查室数据重复地记录在所述测量数据库中。所述测量向量是使用存储在所述测量数据库中的数据来构建的。重复地采集和存储针对所述检查室和所述技术室二者的所述环境传感器数据使得所述测量向量能够使用当前数据构建。这可以实现所述梯度线圈放大器的故障的概率的更准确的预测。
在另一实施例中，所述指令的运行还使得所述处理器使用所述测量数据库和/或历史梯度线圈放大器故障数据库对所述经训练的神经网络进行训练。使用何时梯度线圈放大器已经故障的历史记录，可以根据所述历史数据构建测量向量。这可以被用于使用标准神经网络技术和/或软件工具对所述神经网络进行训练。例如，用于实现神经网络系统的软件是现成可用的。使用所述测量数据库和/或历史梯度线圈放大器故障数据库使得已知软件工具的所述使用能够构建所述经训练的神经网络程序。
在另一实施例中，所述指令的运行使得所述处理器将经扫描的参数数据存储在所述测量数据库中。如本文所使用的经扫描的参数数据描述磁共振数据的采集期间的梯度线圈放大器的使用。所述经扫描的参数数据可以例如是从所谓的脉冲序列导出的数据，其描述磁共振数据的采集期间的梯度线圈放大器的使用。所述测量向量还包括经扫描的参数数据。
在另一实施例中，所述经扫描的参数数据包括以下中的任一项：梯度线圈放大器开关操作的次数、总扫描时间、每次扫描的平均RMS电流、每次扫描的峰RMS电流、所使用的扫描协议或脉冲序列、以及它们的组合。该实施例可以是有益的，因为这些参数中的任一个可以包括对与来自所述检查室的环境数据相比较有用的数据和/或在确定所述梯度线圈放大器的故障是否将发生时的技术室数据。
在另一实施例中，所述指令的运行使得所述处理器构建针对预定测量时段的测量向量。所述预定测量时段可以是在其期间构建所述测量向量的预定时间段。
在另一实施例中，所述多个数据值中的至少一个描述针对与所述预定测量时段不同的特定测量时段的测量值。所述指令的运行使得所述处理器通过计算加权平均值来构建所述至少一个多个数据值。该实施例可以是有益的，因为可以在不同的时间尺度上采集所述数据库中的所述各种数据值。例如，来自所述检查室或所述技术室的环境数据可以以相对低速率采集，比如每天一次或每天几次。诸如关于所述经扫描的参数的数据的其他数据可以每小时许多次地采集。例如，总扫描时间可以逐个小时改变，并且每次扫描的平均RMS电流或其他参数可以是以与其他数据测量结果相比较非常高频率连续变化的。通过构建产生的加权平均值数据，不同的时间尺度可以构建到单个测量向量中。
在另一实施例中，所述指令的运行还使得所述处理器通过针对在所述特定测量时段之前发生的时间段从所述测量数据库检索先前的数据构建所述多个数据值中的至少一个。该实施例可以是有益的，因为其使得能够包括若干不同的时间段处的数据。例如，技术室中的所述温度在确定何时所述梯度线圈放大器的故障将发生时可以是关键的。然而，所述温度可以不仅依赖于一个时间段而且若干先前时间段中的所述温度。该实施例使得能够包括来自针对所述经训练的神经网络的分析的其他时间段的数据。
在另一实施例中，所述指令的运行还使得所述处理器将有故障的扫描数据重复地存储在所述测量数据库中。有故障的扫描的数据描述所述磁共振成像系统的有故障的磁共振图像扫描的一次或多次发生。所述测量向量还包括所述故障的扫描数据。例如，所述测量向量可以记录多少次所述磁共振成像系统在被控制来进行时未能做出磁共振成像扫描。
在另一实施例中，所述指令的运行使得所述处理器将梯度线圈放大器崩溃数据重复地记录在所述测量数据库中。所述梯度线圈放大器崩溃数据描述所述梯度线圈放大器的所述梯度线圈放大器崩溃的一次或多次发生。所述测量向量还包括所述梯度线圈放大器崩溃数据。例如，所述测量向量中的测量结果可以包括所述预定时间段期间的梯度线圈放大器崩溃的次数。
在另一实施例中，所述检查室数据包括以下中的任一项：检查室温度、检查室湿度、以及它们的组合。
在另一实施例中，所述技术室数据包括以下中的任一项：技术室温度、技术室湿度、梯度线圈放大器冷却剂温度、梯度线圈放大器冷却剂压力、梯度线圈放大器冷却剂流速、以及它们的组合。
在另一实施例中，所述预定天数是一天。
在另一实施例中，所述预定天数是两天。
在另一实施例中，所述预定天数是三天。
在另一实施例中，所述预定天数是四天。
在另一实施例中，所述预定天数是五天。
在另一实施例中，所述预定天数是六天。
在另一实施例中，所述预定天数是七天。
在另一实施例中，所述预定天数大于三天。
在另一实施例中，所述预定天数大于四天。
在另一实施例中，所述预定天数大于五天。
在另一实施例中，所述预定天数大于六天。
在另一实施例中，所述预定天数大于七天。
在另一方面中，本发明提供一种包括用于由控制医学仪器的处理器运行的机器可执行指令的计算机程序产品。所述机器可执行指令的运行使得所述处理器使用测量数据库重复地构建包括多个数据值的测量向量。所述多个数据值包括描述磁共振成像系统的检查室的环境条件的检查室数据。所述多个数据值还包括描述所述磁共振成像系统的技术室的环境条件的技术室数据。所述指令的运行还使得所述处理器通过将所述测量向量输入到经训练的神经网络程序中来重复地计算未来的预定天数内所述磁共振成像系统的梯度线圈放大器的故障的概率。
在另一方面中，本发明提供一种操作医学仪器的方法。所述方法包括以下步骤：使用测量数据库重复地构建包括多个数据值的测量向量。所述多个数据值包括描述磁共振成像系统的检查室的环境条件的检查室数据。所述多个数据值还包括描述所述磁共振成像系统的技术室的环境条件的技术室数据。所述方法还包括以下步骤：通过将所述测量向量输入到经训练的神经网络程序中来重复地计算未来的预定天数内所述磁共振成像系统的梯度线圈放大器的故障的概率。
应理解到，可以组合本发明的前述实施例中的一个或多个，只要所述所组合的实施例互不排斥。
附图说明
在以下中，本发明的优选的实施例仅以范例的方式并且参考附图得以描述，其中：
图1示出了医学仪器的范例；
图2示出了图示操作图1的医学仪器的方法的流程图；
图3示出了医学仪器的另一范例；
图4示出了图示操作图3的医学仪器的方法的流程图；
图5示出了医学仪器的另一范例；
图6示出了图示方法的流程图；
图7示出了包含测量向量的表；
图8示出了包含测量向量的另一表；
图9图示了计算加权平均值的方法；并且
图10也图示了计算加权平均值的方法。
附图标记列表：
100 医学仪器
102 计算机
104 硬件接口(任选的)
106 处理器
108 用户接口
110 计算机存储设备
112 计算机存储器
114 测量向量
116 测量数据库
118 概率
120 控制模块
122 数据库引擎
124 经训练的神经网络程序
300 医学仪器
302 磁共振成像系统
304 磁体
306 磁体的膛
308 成像区
310 磁场梯度线圈
312 梯度线圈放大器
314 射频线圈
316 收发器
318 对象
320 对象支架
322 检查室
324 第二组环境传感器
326 技术室
328 第一组环境传感器
330 技术室数据
332 检查室数据
334 历史梯度线圈放大器故障数据库
336 脉冲序列
337 磁共振数据
338 磁共振图像
340 扫描参数数据
342 故障的扫描数据
344 放大器崩溃数据
350 图像重建模块
352 神经网络训练模块
354 扫描参数数据提取模块
500 医学仪器
700 测量向量
702 时间段
704 数据值
706 概率
900 窗口
具体实施方式
这些附图中的同样编号的元件要么是等效元件要么执行相同的功能。如果功能是等价的，则先前已经讨论的元件将不一定在后面的附图中进行讨论。
图1示出了医学仪器100的范例。医学仪器100包括计算机102。计算机被示出为具有任选的硬件接口104，硬件接口104使得计算机102的处理器106能够控制其他仪器和设备。计算机102额外地被示出为包含用户接口108、计算机存储设备110和计算机存储器112。计算机存储设备110和计算机存储器112的内容可以彼此复制或任一个的内容可以在存储设备110和存储器112之间切换。
处理器106被示出为与硬件接口104、用户接口108和计算机存储设备110和计算机存储器112通信。
计算机存储设备110被示出为包含测量向量114。计算机存储设备110还被示出为包含测量数据库116。测量数据库116可以例如是关系数据库，或者其可以是更简单的类型的数据库，例如数据文件或甚至表或逗号分隔值文件，其包含可以提取并且被用于构建测量向量114的数据。计算机存储设备110还被示出为包含使用测量向量114计算的概率118。
计算机存储器112被示出为包含控制模块120。控制模块120使得处理器106能够控制和操作医学仪器100的各种部件。在其他实施例中，控制模块120可以例如被用于控制磁共振成像系统的各种部件，并且控制模块120可以使得处理器106能够采集磁共振数据。计算机存储器112还被示出为包含数据库引擎122。数据库引擎122包含使得处理器106能够从测量数据库116提取数据并且构建测量向量114的代码。例如，数据库引擎122可以对于形成统计分析以替换缺失数据或执行测量数据库内的数据的加权平均值以构建测量向量114是有用的。计算机存储器112还被示出为包含经训练的神经网络程序124，其将测量向量114作为输入并且输出概率118。概率118是梯度线圈放大器将在未来的预定天数内故障的概率。
图2示出了图示操作图1的医学装置100的方法的流程图。步骤200旨在使用测量数据库116来构建包括多个数据值的测量向量114。所述多个数据值包括描述磁共振成像系统的检查室的环境条件的检查室数据。所述多个数据值还包括描述所述磁共振成像系统的技术室的所述环境条件的技术室数据。然后，在步骤202中，通过将测量向量114输入到经训练的神经网络程序124中来针对未来的预定天数计算磁共振成像系统的梯度线圈放大器的故障的概率118。可以重复地执行步骤200和202。
图3示出了医学仪器300的另一范例。医学仪器300包括磁共振成像系统302。磁共振成像系统302包括磁体304。磁体304是具有通过其的孔306的超导圆柱型磁体304。不同类型的磁体的使用也是可能的，例如，使用剖分式圆柱磁体和所谓的开放式磁体二者也是可能的。剖分式圆柱磁体与标准圆柱磁体类似，除了低温恒温器已经分为两个区段以允许进入磁体的等平面外，这样的磁体可以例如结合带电粒子束治疗使用。开放式磁体具有两个磁体区段，一个在另一个之上，其中，其之间的空间足够大以接收对象：两个区段的布置与亥姆霍兹线圈的布置类似。因为较少地限制对象，所以开放式磁体是受欢迎的。在圆柱磁体的低温恒温器内，存在超导线圈的集合。在圆柱磁体304的孔306内，存在成像区域308，在成像区域308中，磁场足够强和均匀以执行磁共振成像。
在磁体的孔306内，还存在磁场梯度线圈310的集合，其被用于磁共振数据的采集以对磁体304的成像区域308内的磁自旋进行空间地编码。磁场梯度线圈是无屏蔽的磁梯度场线圈。磁场梯度线圈310连接到梯度线圈放大器312。磁场梯度线圈310旨在是代表性的。典型地，磁场梯度线圈310包含用于在三个正交空间方向上空间地编码的三个分离的线圈集合。磁场梯度电源将电流供应给磁场梯度线圈。供应给磁场梯度线圈310的电流根据时间而控制并且可以是斜变的或脉冲的。
邻近成像区域308是用于操纵成像区域308内的磁自旋的取向并且用于从也在成像区域308内的自旋接收射频传输的射频线圈314。射频天线可以包含多个线圈元件。射频天线还可以被称为信道或天线。射频线圈314连接到射频收发器316。可以通过分离的发射和接收线圈和分离的发射器和接收器替换射频线圈314和射频收发器316。应当理解，射频线圈314和射频收发器316是代表性的。射频线圈314旨在还表示专用发射天线和专用接收天线。同样地，收发器316还表示分离的发射器和接收器。射频线圈314还可以具有多个接收/发射元件，并且射频收发器116可以具有多个接收/发射信道。
医学仪器300被示出为包括检查室322。磁体304定位在检查室322内。在检查室322内存在第二组环境传感器324。邻近检查室322是技术室326。技术室326可以包含针对磁共振成像系统302的供电、冷却或其他需要的各种部件。在该范例中，技术室326被示出为包含梯度线圈放大器312。在技术室326内存在第一组环境传感器328。3梯度线圈放大器312、接收器316、第一组环境传感器328和第二组环境传感器324被示出为连接到计算机102的硬件接口104。在该范例中，计算机102与图1中所示的计算机类似，但是具有与图1中所示的那个相比额外的数据和/或软件组件。
在该范例中，计算机存储设备110内的数据和/或计算机存储器112内的程序或指令是任选的。也就是说，可以移除单独的数据或指令以构建其他范例。
计算机存储设备110被示出为包含使用第一组环境传感器328所采集的技术室数据330。计算机存储设备110还被示出为包含使用第二组环境传感器324所采集的检查室数据332。计算机存储设备110还被示出为包含历史梯度线圈放大器故障数据库334。计算机存储设备110还示出为包含脉冲序列336。脉冲序列336可以是可以转换为使得处理器106能够控制磁共振成像系统302以采集磁共振数据337的指令的指令或数据。
计算机存储设备110被示出为包含使用脉冲序列336采集的磁共振数据337。计算机存储设备110还被示出为包含根据磁共振数据337重建的磁共振图像338。计算机存储设备110还包含从脉冲序列336提取或导出的扫描参数数据340并且描述磁共振数据337的采集期间的梯度线圈放大器的使用。计算机存储设备110还被示出为包含有故障的扫描数据342。有故障的扫描数据描述磁共振成像系统302的有故障的磁共振图像扫描的一次或多次发生。计算机存储设备110还被示出为包含放大器崩溃数据344。放大器崩溃数据344描述梯度线圈放大器的梯度线圈放大器崩溃的一次或多次发生。
在一些范例中，数据库引擎122可以可操作为将以下中的一项或多项添加到测量数据库116：技术室数据330、检查室数据332、扫描参数数据340、有故障的扫描数据342和放大器崩溃数据344。这样，在各种范例中，该数据还可用于构建测量向量114。
计算机存储器112被示出为包含图像重建模块350，其使得处理器106能够根据磁共振数据337来重建磁共振图像338。计算机存储器112还被示出为包含神经网络训练模块352，其使用历史梯度线圈放大器故障数据库334对经训练的神经网络程序124进行训练。计算机存储器122还被示出为包含扫描参数数据提取模块354。扫描参数数据提取模块354包含使得处理器106能够直接根据脉冲序列确定或者将其从扫描参数数据340的模型导出。
图4示出了示出操作图3的装置的方法的流程图。除了步骤416和418之外，图4中所描述的步骤可以是任选的。
首先，在步骤400中，处理器106使用测量数据库116和/或历史梯度线圈放大器故障数据库334对经训练的神经网络124进行训练。然后，在步骤402中，将扫描参数数据340存储在测量数据库116中。该步骤还可以包括将扫描参数数据从脉冲序列336导出或在磁共振数据337的采集期间对其进行测量。然后，在步骤404中，使用第一组环境传感器328来采集技术室数据330。然后，在步骤406中，将技术室数据330记录或存储在测量数据库116中。
然后，在步骤408中，使用第二组环境传感器324来采集检查室数据332。在步骤410中，将检查室数据332记录或存储在测量数据库116中。测量向量可以包括从测量数据库116所提取的技术室数据和检查室数据。然后，在步骤412中，将梯度线圈放大器崩溃数据404记录在测量数据库116中。然后，在步骤414中，将有故障的扫描数据342记录在测量数据库中。然后，在步骤416中，使用测量数据库根据多个数据值来构建测量向量114。测量向量至少包括检查室数据和技术室数据。在各种范例中，其可以包含放大器崩溃数据344、有故障的扫描数据342、和/或扫描参数数据340。
然后，在步骤418中，通过将测量向量114输入到经训练的神经网络程序124来计算未来的预定天数内磁共振成像系统的梯度线圈放大器的故障的概率118。磁共振数据的采集或在磁共振数据的采集之前，可以重复步骤400、402、404、406、408、410、412、414、416和418。可以在每天几次、每天或每隔几天的时间尺度上重复图2或4中所示的方法以给定未来的梯度线圈放大器故障的事前警告。
当MRI系统中发生梯度放大器的故障时，采集来自梯度放大器中或其周围可用的传感器的测量结果。可能的是，不存在传感器与部件的可能故障之间的直接已知关系；这可以不对可能的方案产生影响。通过从一组故障采集这些测量结果，可以通过使用神经网络算法在测量数据中检测故障的指纹。当通过测量相同传感器持续地监测在场中的工作的梯度放大器并且将其与来自旧故障的指纹相比较时，新故障可以在其发生之前被检测到。
通过根据历史故障数据创建故障指纹来建造针对梯度放大器的预测器的模型。数据基于梯度放大器中和其周围的传感器。
图5示出了医学仪器500的另一范例。在该范例中，在检查室322中存在具有磁体304的磁共振成像系统302。存在具有包括梯度放大器312的许多设备的机架的技术室。检查室具有用于测量室气候参数的第二组环境传感器324。技术室326具有用于测量冷却系统参数和技术室气候参数以及崩溃数据的第一组环境传感器328。
在图5中给出了MR系统和相关传感器的示意图。其示出了检查室和技术室和每个室中的相关传感器。梯度放大器定位在技术室中，但是没有直接传感器可用在梯度放大器上。从技术室，存在至少3个不同类型的可用的传感器：气候、冷却系统传感器和崩溃数据。崩溃数据是仅在存在故障的扫描或放大器崩溃时记录的传感器。放大器崩溃不意指损坏的放大器，而是仅其中梯度放大器针对小时间段未正确地操作的“小故障”情况。
范例可以包括两个分离的步骤：数据挖掘步骤和预测步骤，这二者在下文中讨论：
图6示出了图示用于训练神经网络程序以检测或预测梯度线圈放大器的故障的数据挖掘的方法的范例的流程图。方法在步骤600中开始。然后，在步骤604中收集来自历史数据库的过往部件故障602以创建针对过程的数据集。然后，在606中，将所收集的测量数据创建到训练数据集中。训练数据集608然后输入到神经网络训练程序610，其训练神经网络程序以生成若干故障签名612。方法在步骤614中结束。
在图6的右边详述数据挖掘流程。其通过得到过往部件故障602的时间戳开始；使用该信息，得到(相关)参数604的测量数据是可能的。为了创建故障的指纹和具有学习参数与故障之间的复杂关系的系统，必须创建训练集。训练集仅是具有某个时间处的参数的值的行的集合和必须学习的部件的条件。范例是：
TTF p1 p2 … pn F
10 0.059 0.736 … 0.68 0
9 0.978 0.210 … 0.80 0
8 0.691 0.963 … 0.79 0
… … … … … …
3 0.796 0.445 … 0.34 1
2 0.588 0.754 … 0.12 1
1 0.811 0.844 … 0.80 1
第一列描述要出现故障的时间，其可以以小时/天/秒为单位，这取决于应用。在表中示出参数p1……pn，并且在通过F表示的最后一列中示出部件的条件。0值意指一切事情仍然OK，并且1值意指系统将在x天/小时/秒内故障。x值取决于应用。高值是期望的，但是可以证明是困难的。在步骤610中，使用学习算法分析来自608的训练集。学习算法是诸如下式的函数：
f(p1...pn)＝F(0/1).
在这种情况下，使用神经网络程序。在存在模型的高准确度时，存储612学习算法参数，并且完成数据挖掘流程。
使用故障签名，通过使用来自612的学习模型参数来创建预测器模型并且将实况值从相同传感器馈送到模型中，预测梯度放大器是否将故障是可能的。如果模型报告1，则部件将在x天(预定天数)内以高确定性故障，否则部件将正确地工作。
通过根据梯度放大器的78个不同的故障测量数据并且利用5天的x执行了测试。结果示出了预测故障时的75％准确度和2％假阳性。
图7示出了表的范例。表700示出了针对不同的时间段702的若干测量向量700。在表中还显示了根据测量向量700中的每一个所计算的概率706。测量向量700包括许多不同的数据值704。每次神经网络基于输入704评价网络的输出700时，其输出0与1之间的值，其是概率706。这是梯度放大器在预定天数内将故障的概率。例如，放大器可能在下一个24小时内故障的概率。在图7中所示的范例中，评价仅评价特定行上的数据，因此基本上不存在所检查的数据的趋势。
图8示出了备选表。图8中的表图示了做出关于输入神经网络中的数据的趋势的方法。此外，存在针对不同的时间段702构建的测量向量700。然而，在这种情况下，通过移动来自其他时间的输入创建额外的输入。在该范例中，X1输入被用于创建三个额外的输入，其有效地给神经网络提供额外的历史数据以创建之间的关系。
神经网络的输入还可以修改到平均输入。在检查表时，神经网络评价每行或测量向量。表或测量向量的每行是时刻，并且这意指针对所有输入的固定的采样率。然而，不是所有数据以相同采样率输入。例如，可以每天一次测量温度湿度。例如，可以每扫描20000次测量梯度放大器开关。找到协调不同的采样率以创建相等采样率的方式可以是有益的。这例如可以通过执行加权平均实现。这可以通过将针对方案所需要的所要求的采样率的每个参数开窗口完成。在该范例中，例如，其可以是24小时。
图9示出了图示针对时间段X 702的测量向量700的表。在窗口900上对数据进行平均。在该范例中，窗口是2.5倍特定数据值的大小。这导致以下的X的窗口值：
Xw＝(1.0*1.2+1.0*42+0.5*5)/2.5＝18.28
图10示出了针对紧接地在图9中所示的时间段之后的时间段的窗口时间样本。在该范例中，再次，时间段是2.5倍特定数据值的大小，并且这导致以下的X的窗口值：
Xw＝(0.5*5+1.0*32+1.0*7)/2.5＝16.6.
完成平均的方法可以提供用于在经训练的神经网络程序中使用的协调的输入集或测量向量。这可以针对所要求的时间窗的每个输入完成。时间窗大小可以取决于特定应用。这可以是有益的，因为其可以导致针对其中同样地采样每个输入的神经网络的协调的输入集或给定的窗口大小或时间。
存在MRI的使用(小时)与梯度放大器故障的数量之间的关系。可以找到MRI的使用与梯度放大器的使用的数量之间的关系。这是严重协议相关的，并且长扫描未自动地意指高的梯度放大器使用。
这可以以公式表达：
P(F)＝f(X1,X2,X3….,Xn,U1,U2,….Un)
P(F)是梯度放大器在下一个24小时内将故障的机会。
X1….Xn是环境参数(例如，湿度、温度)
U1,U2,…Un是使用参数
关于梯度放大器，存在若干重要的使用参数：
-每次扫描的开关次数(双配置的情况下)
-每次扫描的能耗
-总扫描时间
-每次扫描的电流的RMS
不同的扫描协议要求不同的能量和扫描时间，这造成梯度放大器的或多或少的使用。
虽然在附图和前述描述中已经详细说明和描述了本发明，但是这样的说明和描述将被认为是说明性或示范性而非限制性的；本发明不限于所公开的实施例。
本领域技术人员通过研究附图、说明书和随附的权利要求书，在实践所主张的本发明时可以理解和实现所公开的实施例的其他变型。在权利要求中，词语“包括”不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项目的功能。尽管在互不相同的从属权利要求中记载了特定措施，但是这并不指示不能使用这些措施的组合以获利。计算机程序可以存储/分布在适合的介质上，例如与其他硬件一起提供或者作为其他硬件的部分提供的光学存储介质或固态介质，而且可以以诸如经由因特网或其他有线或无线电信系统的其他形式分布。权利要求中的任何附图标记都不应被解释为对范围的限制。

Claims (14)

1.一种医学仪器(100、300、500)，其包括：
-存储器(110、112)，其用于存储机器可执行指令(120、122、124、350、352、354)；
-处理器(106)，其中，所述机器可执行指令的运行使得所述处理器重复地：
-使用测量数据库(116、122)来构建(200、416)包括多个数据值(704)的测量向量(114、700)，其中，所述多个数据值包括描述磁共振成像系统的检查室(322)的环境条件的检查室数据(332)，其中，所述多个数据值还包括描述所述磁共振成像系统的技术室(326)的环境条件的技术室数据(330)；
-通过将所述测量向量输入到经训练的神经网络程序(124)中以根据所述测量向量来检测故障的指纹从而计算(202、418)在未来的预定天数内所述磁共振成像系统的梯度线圈放大器(312)的故障的概率(706)。
2.根据权利要求1所述的医学仪器，其中，所述医学仪器还包括所述磁共振成像系统，其中，所述技术室包含所述梯度线圈放大器，其中，所述检查室包括所述磁共振成像系统的主磁体，其中，所述技术室包括用于测量所述技术室数据的第一组环境传感器(328)，其中，所述检查室还包括用于测量所述检查室数据的第二组环境传感器(324)，其中，所述指令的运行还使得所述处理器重复地：
-使用所述第一组环境传感器来采集(404)所述技术室数据；
-将所述技术室数据记录(406)在所述测量数据库中；
-使用所述第二组环境传感器来采集(408)所述检查室数据；并且
-将所述检查室数据记录(410)在所述测量数据库中。
3.根据权利要求1所述的医学仪器，其中，所述指令的运行使得所述处理器使用所述测量数据库和/或历史梯度线圈放大器故障数据库(334)来对所述经训练的神经网络进行训练(400)。
4.根据权利要求1所述的医学仪器，其中，所述指令的运行还使得所述处理器将扫描参数数据(340)存储(402)在所述测量数据库中，其中，所述扫描参数数据描述磁共振数据(337)的采集期间的梯度线圈放大器的使用，其中，所述测量向量还包括所述扫描参数数据。
5.根据权利要求4所述的医学仪器，其中，所述扫描参数数据包括以下中的任一项：梯度线圈放大器开关操作的次数、总扫描时间、每次扫描的平均RMS电流、每次扫描的峰RMS电流、扫描协议、以及它们的组合。
6.根据权利要求1-5中的任一项所述的医学仪器，其中，所述指令的运行使得所述处理器构建针对预定测量时段(702)的所述测量向量。
7.根据权利要求6所述的医学仪器，其中，所述多个数据值中的至少一个描述针对与所述预定测量时段不同的特定测量时段的测量值，其中，所述指令的运行使得所述处理器通过借助于计算加权平均值来构建所述多个数据值中的所述至少一个来协调与所述特定测量时段相关联的采样率。
8.根据权利要求6所述的医学仪器，其中，所述指令的运行使得所述处理器通过针对在所述特定测量时段之前发生的时间段从所述测量数据库检索先前的数据来构建所述多个数据值中的至少一个。
9.根据权利要求1-5中的任一项所述的医学仪器，其中，所述指令的运行还使得所述处理器重复地：
-将有故障的扫描数据(342)记录(414)在所述测量数据库中，其中，所述有故障的扫描数据描述所述磁共振成像系统的有故障的磁共振图像扫描的一次或多次发生，其中，所述测量向量还包括所述有故障的扫描数据
和/或
-将梯度线圈放大器崩溃数据(344)记录(412)在所述测量数据库中，其中，所述梯度线圈放大器崩溃数据描述所述梯度线圈放大器的梯度线圈放大器崩溃的一次或多次发生，其中，所述测量向量还包括所述梯度线圈放大器崩溃数据。
10.根据权利要求1-5中的任一项所述的医学仪器，其中，检查室数据包括以下中的任一项：检查室温度、检查室湿度、以及它们的组合。
11.根据权利要求1-5中的任一项所述的医学仪器，其中，所述技术室数据包括以下中的任一项：技术室温度、技术室湿度、梯度线圈放大器冷却剂温度、梯度线圈放大器冷却剂压力、梯度线圈放大器冷却剂流速、以及它们的组合。
12.根据权利要求1-5中的任一项所述的医学仪器，其中，所述预定天数是以下中的任一项：1天、2天、3天、4天、5天、6天、7天、大于3天、大于4天、大于5天、大于6天、以及大于7天。
13.一种包括用于由控制医学仪器(100、300、500)的处理器(106)运行的机器可执行指令(120、122、124、350、352、354)的计算机程序产品，其中，所述机器可执行指令的运行使得所述处理器重复地：
-使用测量数据库(116、122)来构建(200、416)包括多个数据值(704)的测量向量(114、700)，其中，所述多个数据值包括描述磁共振成像系统的检查室(322)的环境条件的检查室数据(332)，其中，所述多个数据值还包括描述所述磁共振成像系统的技术室(326)的环境条件的技术室数据(330)；
-通过将所述测量向量输入到经训练的神经网络程序(124)中来计算(202、418)在未来的预定天数内所述磁共振成像系统的梯度线圈放大器(312)的故障的概率(706)。
14.一种操作医学仪器(100、300、500)的方法，其中，所述方法包括重复地进行以下步骤：
-使用测量数据库(116、122)来构建(200、416)包括多个数据值(704)的测量向量(114、700)，其中，所述多个数据值包括描述磁共振成像系统的检查室(322)的环境条件的检查室数据(332)，其中，所述多个数据值还包括描述所述磁共振成像系统的技术室(326)的环境条件的技术室数据(330)；
-通过将所述测量向量输入到经训练的神经网络程序(124)中来计算(202、418)在未来的预定天数内所述磁共振成像系统的梯度线圈放大器(312)的故障的概率(706)。
CN201480072017.6A 2014-01-03 2014-12-23 使用环境数据的梯度线圈放大器故障的概率的计算 Active CN105874345B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP14150124.7 2014-01-03
EP14150124 2014-01-03
PCT/EP2014/079167 WO2015101556A1 (en) 2014-01-03 2014-12-23 Calculation of the probability of gradient coil amplifier failure using environment data

Publications (2)

Publication Number Publication Date
CN105874345A CN105874345A (zh) 2016-08-17
CN105874345B true CN105874345B (zh) 2020-06-23

Family

ID=49920139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480072017.6A Active CN105874345B (zh) 2014-01-03 2014-12-23 使用环境数据的梯度线圈放大器故障的概率的计算

Country Status (5)

Country Link
US (1) US10444277B2 (zh)
EP (1) EP3090274A1 (zh)
JP (1) JP6427582B2 (zh)
CN (1) CN105874345B (zh)
WO (1) WO2015101556A1 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
CN109564267B (zh) * 2016-07-28 2021-09-14 皇家飞利浦有限公司 用于操作mri系统的梯度线圈设备的方法和控制单元
CN108151834B (zh) * 2016-12-02 2020-11-20 重庆川然节能技术有限公司 一种用于工业炉、锅炉的传感器自检方法及系统
US10845444B2 (en) * 2017-01-17 2020-11-24 The General Hospital Corporation System and method for magnetic resonance fingerprinting using neural networks trained with sparsely sampled dictionaries
EP3358498B1 (en) * 2017-02-02 2020-01-29 Hill-Rom Services, Inc. Method and apparatus for automatic event prediction
EP3486675B1 (en) * 2017-11-21 2020-02-19 Siemens Healthcare GmbH Automatic failure detection in medical devices
EP3557589A1 (de) * 2018-04-19 2019-10-23 Siemens Aktiengesellschaft Verfahren und system zur vorhersage von systemausfällen bei einem medizinischen system
US11940515B2 (en) 2018-05-08 2024-03-26 GE Precision Healthcare LLC System, method and computer-readable medium for evaluating structural integrity of a gradient coil
US11269749B2 (en) 2018-05-08 2022-03-08 General Electric Company System and method for monitoring health status of a gradient coil
EP3650974A1 (en) * 2018-11-07 2020-05-13 Rohde & Schwarz GmbH & Co. KG Method as well as system for predictive maintenance of an amplifier module
EP3657393A1 (en) * 2018-11-20 2020-05-27 Koninklijke Philips N.V. Determination of a further processing location in magnetic resonance imaging
US20220011392A1 (en) * 2018-11-20 2022-01-13 Koninklijke Philips N.V. Diffusion magnetic resonance imaging using spherical neural networks
US11416653B2 (en) * 2019-05-15 2022-08-16 The Mitre Corporation Numerical model of the human head
JP7446736B2 (ja) * 2019-08-09 2024-03-11 キヤノンメディカルシステムズ株式会社 医用データ処理装置および医用画像診断装置
DE102020207363A1 (de) * 2020-06-15 2021-12-16 Siemens Healthcare Gmbh Vorhersage eines möglichen Ausfalls eines Moduls zum Einsatz in einer Magnetresonanzvorrichtung
CN116628457B (zh) * 2023-07-26 2023-09-29 武汉华康世纪医疗股份有限公司 一种磁共振设备运行中的有害气体检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1413556A (zh) * 2001-10-24 2003-04-30 Ge医疗系统环球技术有限公司 射频线圈及磁共振成像装置
CN1718158A (zh) * 2005-07-11 2006-01-11 华东师范大学 一种磁共振成像系统的检测方法
US8600685B2 (en) * 2006-09-21 2013-12-03 Sikorsky Aircraft Corporation Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62101233A (ja) * 1985-10-28 1987-05-11 株式会社日立製作所 核磁気共鳴を用いた検査装置
US5182465A (en) 1990-01-23 1993-01-26 Crown International, Inc. Amplifier selector for magnetic resonance imaging machine
DE4007566C2 (de) * 1990-03-09 1998-07-16 Siemens Ag Leistungsverstärker für die Speisung einer Induktivität mit geschalteten Transistoren
US5066914A (en) * 1990-03-26 1991-11-19 General Electric Company Gradient amplifier system with flexible amplifier allocation
WO1998039721A1 (en) * 1997-03-07 1998-09-11 University Of Florida Method for diagnosing and staging prostate cancer
US6000685A (en) * 1998-06-29 1999-12-14 Catalytic Distillation Technologies Gas/liquid contact structure
US6121619A (en) * 1998-08-13 2000-09-19 General Electric Company Failure predictor for photomultiplier tubes
US6434285B1 (en) 1998-12-31 2002-08-13 Nxtphase Technologies Srl Fiber optic difference current sensor
CA2291939C (en) 1999-12-08 2008-12-30 Harry E. Orton Method for diagnosing degradation in aircraft wiring
US6356780B1 (en) * 1999-12-22 2002-03-12 General Electric Company Method and apparatus for managing peripheral devices in a medical imaging system
CA2443550A1 (en) * 2001-04-06 2002-10-24 The Research Foundation Of The City University Of New York Diagnosis and treatment of neural disease and injury using microvoltammetry
JP3891807B2 (ja) * 2001-09-14 2007-03-14 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 超電導マグネットの故障予測装置およびその方法、並びに磁気共鳴撮影システム
CN1596420A (zh) * 2001-10-11 2005-03-16 爱科赛亚有限责任公司 用于学习模式分类和判定值估计的方法和装置
US6972565B2 (en) * 2001-12-27 2005-12-06 Kabushiki Kaisha Toshiba System, method and apparatus for MRI maintenance and support
JP4212352B2 (ja) * 2001-12-27 2009-01-21 株式会社東芝 Ｍｒｉ装置
JP4488666B2 (ja) * 2002-02-15 2010-06-23 株式会社東芝 医用システムの再現試験サービス装置
DE10244131B4 (de) * 2002-09-23 2006-11-30 Siemens Ag Verfahren zur Unterstützung einer Identifizierung einer defekten Funktionseinheit in einer technischen Anlage
US7937343B2 (en) * 2003-03-28 2011-05-03 Simmonds Precision Products, Inc. Method and apparatus for randomized verification of neural nets
JP4133627B2 (ja) * 2003-06-30 2008-08-13 新キャタピラー三菱株式会社 建設機械の状態判定装置及び建設機械の診断装置，並びに建設機械の状態判定方法及び建設機械の診断方法
JP2005122707A (ja) * 2003-09-24 2005-05-12 Toshiba Corp 保守管理方法及び保守管理システム
JP2005245815A (ja) * 2004-03-05 2005-09-15 Toshiba Corp 医療検査機器再調節支援システム
US7103509B2 (en) * 2004-11-23 2006-09-05 General Electric Company System and method for predicting component failures in large systems
JP4744856B2 (ja) * 2004-11-30 2011-08-10 株式会社東芝 医用機器管理装置及び医用機器の管理方法
JP2008035901A (ja) * 2006-08-01 2008-02-21 Ge Medical Systems Global Technology Co Llc 磁気共鳴撮像装置及びネットワークシステム
US7707130B2 (en) * 2006-10-23 2010-04-27 Health Care Information Services Llc Real-time predictive computer program, model, and method
US7375523B1 (en) * 2006-10-30 2008-05-20 General Electric Company System and method for fast MR coil sensitivity mapping
JP5086796B2 (ja) * 2007-03-19 2012-11-28 株式会社東芝 磁気共鳴撮像装置、磁気共鳴撮像保守装置、磁気共鳴撮像保守システムおよび磁気共鳴撮像装置検査方法
JP2009011476A (ja) 2007-07-03 2009-01-22 Hitachi Medical Corp 磁気共鳴イメージング装置
JP5372008B2 (ja) * 2007-12-11 2013-12-18 コーニンクレッカ フィリップス エヌ ヴェ Ｍｒｉ受信器における改良されたクロック生成
DE102009024078B4 (de) 2009-06-05 2013-09-19 Siemens Aktiengesellschaft Gradientenkabelüberwachung
US8467474B2 (en) 2009-09-01 2013-06-18 Ubidyne Inc. Monitor for spectral degradation of transmitter or receiver
KR101153805B1 (ko) * 2010-08-18 2012-07-03 에스케이하이닉스 주식회사 반도체 장치 및 이를 이용한 ｄｌｌ 회로
CN102004854A (zh) * 2010-11-23 2011-04-06 重庆大学 实时获取配电网非线性负荷等值阻抗参数的方法
EP2649567B1 (de) * 2010-12-10 2016-08-17 Siemens Aktiengesellschaft Verfahren zur rechnergestützten modellierung eines technischen systems
DE112011104465T5 (de) * 2010-12-20 2014-02-06 Philips Intellectual Property & Standards Gmbh Verfahren und Digitalverstärkersystem zum Betrieb eines MRI-Gradientenmagnetsystems
CN102068255B (zh) * 2010-12-29 2012-11-21 中国科学院深圳先进技术研究院 磁共振成像系统的梯度线圈的冷却装置
US10285655B2 (en) * 2011-03-09 2019-05-14 Koninklijke Philips N.V. Imaging system subject support
CN102958434B (zh) * 2011-06-13 2015-08-19 株式会社东芝 磁共振成像装置及其控制装置
US9664765B2 (en) * 2011-06-30 2017-05-30 Hitachi, Ltd. Magnetic resonance imaging apparatus and gradient magnetic field waveform estimation method
KR20130020422A (ko) 2011-08-19 2013-02-27 삼성전자주식회사 자기공명영상장치, 자기공명영상장치용 증폭기 및 이를 제어하는 방법
CN102520274B (zh) * 2011-11-28 2014-04-23 北京航空航天大学 一种基于失效物理的中频对数放大器的寿命预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1413556A (zh) * 2001-10-24 2003-04-30 Ge医疗系统环球技术有限公司 射频线圈及磁共振成像装置
CN1718158A (zh) * 2005-07-11 2006-01-11 华东师范大学 一种磁共振成像系统的检测方法
US8600685B2 (en) * 2006-09-21 2013-12-03 Sikorsky Aircraft Corporation Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life

Also Published As

Publication number Publication date
EP3090274A1 (en) 2016-11-09
JP6427582B2 (ja) 2018-11-21
CN105874345A (zh) 2016-08-17
US20160327606A1 (en) 2016-11-10
JP2017506926A (ja) 2017-03-16
US10444277B2 (en) 2019-10-15
WO2015101556A1 (en) 2015-07-09

Similar Documents

Publication Publication Date Title
CN105874345B (zh) 使用环境数据的梯度线圈放大器故障的概率的计算
US11333732B2 (en) Automatic artifact detection and pulse sequence modification in magnetic resonance imaging
JP6337214B2 (ja) 磁気共鳴システムフィンガプリンティング
EP3553740A1 (en) Automatic slice selection in medical imaging
CN109477878B (zh) 运动校正的压缩感知磁共振成像
CN110226098B (zh) 动态对比增强的磁共振成像中的图像质量控制
US11435422B2 (en) Anomaly detection using magnetic resonance fingerprinting
CN112262410B (zh) 用于医学成像的异常对象配置的自动检测
CN108603921B (zh) 稳态磁共振指纹
CN113661517A (zh) 从白质纤维束中移除假阳性
EP4138092A1 (en) Detection of improperly configured medical imaging systems
EP4306983A1 (en) Making anatomical measurements using magnetic resonance imaging
EP4231036A1 (en) Detection of artifical structures in magentic resonance images due to neural networks
CN111033290B (zh) 傅里叶空间中的磁共振指纹识别
CN117581109A (zh) 用于磁共振成像的分布外测试
EP3524996A1 (en) Reduction of artifacts in parallel magnetic resonance imaging
CN115552273A (zh) 基于机器学习的运动损坏数据检测

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant