CN114814684A

CN114814684A - 小型核磁共振设备优化成像方法、装置、设备及介质

Info

Publication number: CN114814684A
Application number: CN202210715076.7A
Authority: CN
Inventors: 乔华喜
Original assignee: Zhongke Weiying Zhejiang Medical Technology Co Ltd
Current assignee: Zhongke Weiying Zhejiang Medical Technology Co Ltd
Priority date: 2022-06-23
Filing date: 2022-06-23
Publication date: 2022-07-29
Anticipated expiration: 2042-06-23
Also published as: CN114814684B

Abstract

本发明提供了一种小型核磁共振设备优化成像方法、装置、设备及可读存储介质，涉及医疗装置技术领域，包括获取数据集和第一信息，数据集包括一段时间内至少两次核磁共振成像时的温度控制参数、每个温度控制参数对应的磁场强度曲线和每个温度控制参数对应的核磁共振成像时间；构建磁场分解温控模型，使用数据集对磁场分解温控模型进行训练得到温控模型；通过温控模型对第一信息计算，得到预测温度控制参数；根据预测温度控制参数控制磁体温度并进行核磁共振成像。本发明通过人工神经网络算法挖掘温度控制参数‑时间‑磁场强度三者的特征关系，使得调整后的温度控制参数适应于小型核磁设备中磁体在工作状态下的变化。

Description

小型核磁共振设备优化成像方法、装置、设备及介质

技术领域

本发明涉及医疗装置技术领域，具体而言，涉及小型核磁共振设备优化成像方法、装置、设备及介质。

背景技术

小型核磁共振设备是作为传统大型常规核磁共振设备的补充和扩展，其具有低场强、体积小、便携移动和安全的特点。但是由于小型核磁共振设备体积影响，其不具有与大型设备相同的的冷却循环系统，同时，小型永磁体受体积、环境的影响，在冷却系统冷却不到位的情况下温度漂移更加严重，从而导致磁场稳定性差，造成核磁共振成像虚影问题。现有技术尚未能提供稳定永磁体温度而进行成像的方法。

发明内容

本发明的目的在于提供一种小型核磁共振设备优化成像方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种小型核磁共振设备优化成像方法，包括：获取数据集和第一信息，所述数据集包括一段时间内至少两次核磁共振成像时的温度控制参数、每个温度控制参数对应的磁场强度曲线和每个所述温度控制参数对应的核磁共振成像时间，所述第一信息包括当前时刻和最近一次核磁共振对应的磁场曲线；构建磁场分解温控模型，使用所述数据集对磁场分解温控模型进行训练得到温控模型；通过所述温控模型对所述第一信息计算，得到预测温度控制参数，所述预测温度控制参数包括比例系数、积分系数和微分系数；根据所述预测温度控制参数控制磁体温度并进行核磁共振成像。

第二方面，本申请还提供了一种小型核磁共振设备优化成像装置，包括：获取单元，用于获取数据集和第一信息，所述数据集包括一段时间内至少两次核磁共振成像时的温度控制参数、每个温度控制参数对应的磁场强度曲线和每个所述温度控制参数对应的核磁共振成像时间，所述第一信息包括当前时刻和最近一次核磁共振对应的磁场曲线；模型构建单元，用于构建多侧磁场分解温控模型，使用所述数据集对多侧磁场分解温控模型进行训练得到温控模型；系数估计单元，用于通过所述温控模型对所述第一信息计算，得到预测温度控制参数，所述预测温度控制参数包括比例系数、积分系数和微分系数；控温成像单元，用于根据所述预测温度控制参数控制磁体温度并进行核磁共振成像。

第三方面，本申请还提供了一种小型核磁共振设备优化成像设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述小型核磁共振设备优化成像方法的步骤。

第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于小型核磁共振设备优化成像方法的步骤。

本发明的有益效果为：

本发明通过人工神经网络算法挖掘温度控制参数-时间-磁场强度三者的特征关系。进而通过人工神经网络调整优化温度控制系统的温度参数，使得温度控制系统更能适应于小型核磁设备中磁体在工作状态下的变化，保持永磁体温度稳定进而使得磁体在扫描状态下均能保持磁场的稳定。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的小型核磁共振设备优化成像方法流程示意图;

图2为本发明实施例中所述的小型核磁共振设备优化成像装置结构示意图；

图3为本发明实施例中所述的小型核磁共振设备优化成像设备结构示意图。

图中标记：1、获取单元；2、异常数值处理单元；21、筛分单元；22、提取单元；23、第一计算单元；24、第二计算单元；25、第三计算单元；26、更新单元；3、顺滑单元；4、模型构建单元；41、划分单元；411、第一分解单元；412、第二分解单元；42、粒度单元；421、多模型建立单元；422、第一训练单元；423、第二训练单元；424、第三训练单元；43、融合模型单元；5、系数估计单元；6、控温成像单元；800、小型核磁共振设备优化成像设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种小型核磁共振设备优化成像方法。

参见图1，图中示出了本方法包括步骤S100、步骤S400、步骤S500和步骤S600。

S100、获取数据集和第一信息，数据集包括一段时间内至少两次核磁共振成像时的温度控制参数、每个温度控制参数对应的磁场强度曲线和每个温度控制参数对应的核磁共振成像时间，第一信息包括当前时刻和最近一次核磁共振对应的磁场曲线。

需要说明的是，在本申请中温度控制参数包括比例系数、积分系数和微分系数，换而言之，在本申请中是以PID作为温度调节基础。其中每次的若干次温度控制参数可以是多次人工调试到最佳磁场强度曲线的过程作为输入信息。而磁场强度曲线为每次在对患者进行扫描时，感应线圈接收到的磁场信息。

S400、构建磁场分解温控模型，使用数据集对磁场分解温控模型进行训练得到温控模型。

S500、通过温控模型对第一信息计算，得到预测温度控制参数，预测温度控制参数包括比例系数、积分系数和微分系数。

S600、根据预测温度控制参数控制磁体温度并进行核磁共振成像。

在本申请中，通过人工神经网络算法探究温度控制参数-时间-磁场强度三者的特征关系，使得在人工神经网络算法能适应于夜间患者少白天患者较多的情况。在本申请中通过人工神经网络调整优化温度控制系统的温度参数，使得温度控制系统更能适应于小型核磁设备中磁体在工作状态下的变化，进而使得磁体在扫描状态下均能保持磁场的稳定状态。使得小型核磁共振设备的成像更加清晰更能提升小型核磁设备的使用。

具体而言，在本申请中还可以包括步骤S200和步骤S300以完成数据初步处理过程。

S200、对每个磁场强度曲线进行异常数值处理，并更新磁场曲线为处理后的曲线。

需要说明的是，本方法应用的对象由于没有电磁隔绝房间，所在实际使用数据中会存在由于外界影响造成原始数据的变异。所以，在本步骤中对异常值选取并剔除能有效减少对人工神经网络的印象。

S300、通过多项式最小二乘法对每个磁场强度曲线进行处理，并更新磁场曲线为处理后的曲线。

在本步骤中通过多项式最小二乘法对原有曲线顺滑处理。

具体而言，在本申请中步骤S200中包括步骤S210、步骤S220、步骤S230、步骤S240、步骤S250和步骤S260。

S210、采用拉依达准则对磁场强度曲线进行筛分，得到磁场强度异常值。

其中，拉依达准则为现有技术，本申请中不再赘述。其中，通过拉依达准则剔除出来操过随机误差的数据。进而对其进行数据修正，保证数据样本的完整性。

S220、提取磁场强度异常值对应第一数值和第二数值，第一数值磁场强度异常值为时间序列前的磁场强度数据，第二数值为磁场强度异常值为时间序列前的磁场强度数据；

需要说明的是，在本步骤中第一数值即为当前的磁场强度异常值采样的前一个数据，而第二数据为当前的磁场强度异常值采样的后一个数据。本步骤中对于磁场强度异常值通过前后数据对其修正。具体的修正过程参见步骤S230-S260。

S230、根据第一数值和第二数值计算得到第一系数；

具体而言，在本步骤中通过如下公式计算得到第一系数:

其中，

为第一系数，X_a为第一数值，X_b为第二数值。

S240、若第一系数大于或等于第一阈值，且第一数值大于或等于第二数值，则根据预设的第一公式计算得到优化值；

具体而言，在本步骤中所使用的第一公式如下：

其中，A为优化值，

为第一系数，X_a为第一数值，X_b为第二数值。

同时需要说明的是，在本步骤中第一阈值优选为0.05。

S250、若第一系数小于第一阈值，且第一数值小于第二数值，则根据预设的第一公式计算得到优化值；

其中，A为优化值，

为第一系数，X_a为第一数值，X_b为第二数值。

S260、更新磁场强度异常值为优化值。

在本申请中通过对第一数值和第二数值分别分配相关系数，降低数值较大所占比例，提升较小数值所占比例以形成替代异常值。并且异常值的来源均源于原始数据，能有效降低对人工神经网络算法的影响。

进一步地，步骤S400中包括步骤S410、步骤S420、步骤S430和步骤S440。

S410、将数据集分解划分，得到数据样本集合，数据样本集合的每个样品集包括一个温度控制参数、一个温度控制参数对应的核磁共振成像时间、一个温度控制参数对应的磁场强度曲线、至少一个第一分量和至少一个第二分量，第一分量和第二分量均由位于同元素的磁场强度曲线计算得到。

具体而言，在本步骤中包括步骤S411和步骤S412。

S411、基于LMD分解算法分解磁场强度曲线得到至少一个第一分量。

需要说明的是，在本步骤中VMD分解算法分解得到的第一分量中包括PF分量和残差分量。

S412、基于VMD分解算法分解磁场强度曲线得到至少一个第二分量。

需要说明的是，在本步骤中EMD分解算法分解得到的第一分量中包括IMF分量和余量分量。

在本申请中基于两种分解算法，从两个方面分别提取磁场强度曲线的特征，依据LMD得到的第二分量可以抵抗第一分量中存在端点缺陷的问题，而依据VMD得到的第一分量中可以抵抗第二分量存在平滑问题。然后再，结合步骤S420中细粒度提取模型分别对每一个第一分量和第二分量进行深度学习，以使得每个神经网络算法挖掘出冷却系统与磁体发热规律关系。

S420、构建粒度提取模型，根据至少一个第一分量和至少一个第二分量训练粒度提取模型，得到训练后的粒度提取模型。

具体而言，在本申请中还包括步骤S421、步骤S422和步骤S423。

S421、构建至少两个第一积卷网络模型、至少两个第二积卷网络模型和一个第三积卷网络模型，第一积卷网络模型、第二积卷网络模型和第三积卷网络模型均包括一个输入层、一个输出融合信息的输出层和至少两个隐藏层组成，其中，隐藏层包括依次连接的卷积层、池化层、线性整流层、卷积层、池化层、线性整流层和归一化层，卷积层通过卷积前一层的输出和卷积核来提取数据，并将数据传输到下一层。其中第1个卷积层有16个卷积核，大小为1×3；第2个卷积层有32个卷积核，大小为1×4，移动步长为1×1；两个池化层均使用的是平均池化(Average Pooling)，大小为1×2。

需要说明的是，本申请中关于CNN模型的训练过程与现有技术中相同，故不在赘述。同时在本申请中考虑到计算负担，减少温度控制参数计算时长的问题，优选为两个第一积卷网络模型和两个第二积卷网络模型。其中对于本领域技术人员而言，还可以选择与第一分量的分解阶数数目相同的第一积卷网络模型或者是与第二分量的分解阶数数目相同的第二积卷网络模型，但是由于输入的维度维度增加，会增加输出数据的时间，所以本申请中优选为两个，对于本领域技术人员亦可以选择其他数量。本申请中不做出具体的限制。并且，还需要说明的是，在本申请中是每一个第一分量和每一个第二分量均单独设置一个对应的积卷神经网络模型，对应的提取每一个分量的特征，通过LMD和VMD算法的结合，从两个不同的角度对应提取磁场强度曲线中每个分量的变化，再依靠积卷神经网络模型（CNN）对应的每个分量进行细颗粒度的特征挖掘提取得到磁场强度在不同分解阶级上的变化规律，为后续的温度控制参数预测提供更加准确估计。同时还需要说明的是，若是对应的第一积卷网络模型和第二积卷网络模型均为两个，那么对应的LMD的第一分解阶和第二分解阶分别对应的一个第一积卷网络模型，其余的分量舍弃不用，而对应的VMD的第一分解阶和第二分解阶分别对应的一个第二积卷网络模型。

S422、分别利用同阶的第一分量训练第一积卷网络模型，得到训练后得第一积卷网络模型。

S423、分别利用同阶的第二分量训练第二积卷网络模型，得到训练后得第二积卷网络模型。

S424、分别利用所有的第二分量和所有的第一分量训练第二积卷网络模型，得到训练后得第二积卷网络模型。

在本步骤中通过积卷网络模型分别对LMD和VMD分解的第一阶和第二阶的分量进行单独的特征提取，以及LMD和VMD所有分量的融合特征提取，从而获得一个整体的融合性特征和四个局部特征。

同时需要说明的是，在本申请中第三积卷网络模型的输入信息是包括所有的第一分量和第二分量。

S430、构建融合神经网络模型，根据粒度提取模型的输出信息、核磁共振成像时间和一个核磁共振成像时间对应的磁场强度曲线训练融合神经网络模型，得到训练后的融合神经网络模型。

需要说明的是，在本申请中融合神经网络模型优选为长短时神经网络模型，其中长短时神经网络模型的构建以及训练的过程为现有技术，具体可选用包含1层隐含层结构的LSTM，隐含层中LSTM单元个数数为32。损失函数为“mae”，优化器设置为Root MeanSquare Prop，并且在融合神经网络的训练时输入信息共计有：两个第一积卷网络模型的输出信息、两个第二积卷网络模型的输出信息、一个第三积卷网络模型的输出信息、核磁共振成像时间和一个核磁共振成像时间对应的磁场强度曲线。在进行预测时的输入信息为：两个第一积卷网络模型的输出信息、两个第二积卷网络模型的输出信息、一个第三积卷网络模型的输出信息、当前时刻和最近一次核磁共振对应的磁场曲线。

具体而言，在本申请中通过上述方式构建并训练而成三级结构的温控模型（LMD-VMD-CNN-LSTM）去综合预测最佳的温控参数，即LMD与VMD构成分解层分解磁场强度曲线，五个CNN作为特征层，LSTM作为最后的融合预测层。其中，特征层的输入信息为第一阶LMD分解向量、第二阶LMD分解向量、第一阶VMD分解向量、第二阶VMD分解向量和所有分解层分解磁场强度曲线得到的磁场向量，需要说明的是，在本申请中最优选择为所有分量均对应一个CNN提取相对应的特征（在本申请中LMD分解量优选为5个，VMD为6个），通过上述的方式更能提取出不同方向上分量的特征，最后再与原始曲线分解特征结合，更能为LSTM预测提供更加丰富的细节内容，但是，在本申请中考虑到运行资源的占用，在本申请中LMD和VMD均只选取两个分量作为特征提取的对象；最后为LSTM构成的融合预测层，融合预测层的输入信息包括所有特征层的输出、分解层分解的磁场强度曲线以及磁场强度曲线的生成时间。其中，在本申请中LMD和VMD作为第一级组成，通过LMD和VMD对磁场强度曲线进行双维度分解，通过LMD分解的向量弥补VMD存在端点效应和模态混合问题，提升特征分解信息丰富度，减少信息遗漏的可能。同时特征层分为两个部分，分别对应的提取分量特征以及原始曲线特征通过上述结合的方式对磁场强度曲线综合分解。最终通过LSTM完成时间-磁场强度曲线与温度控制参数关系，进而完成，通过上次的磁场强度变化-时间实现最佳的温度控制参数的预测。

实施例2：

如图2所示，本实施例提供了一种小型核磁共振设备优化成像装置，装置包括：

获取单元1，用于获取数据集和第一信息，数据集包括一段时间内至少两次核磁共振成像时的温度控制参数、每个温度控制参数对应的磁场强度曲线和每个温度控制参数对应的核磁共振成像时间，第一信息包括当前时刻和最近一次核磁共振对应的磁场曲线。

模型构建单元4，用于构建磁场分解温控模型，使用数据集对磁场分解温控模型进行训练得到温控模型。

系数估计单元5，用于通过温控模型对第一信息计算，得到预测温度控制参数，预测温度控制参数包括比例系数、积分系数和微分系数。

控温成像单元6，用于根据预测温度控制参数控制磁体温度并进行核磁共振成像。

在一些具体的实施例中，本装置还包括：

异常数值处理单元2，用于对每个磁场强度曲线进行异常数值处理，并更新磁场曲线为处理后的曲线。

顺滑单元3，用于通过多项式最小二乘法对每个磁场强度曲线进行处理，并更新磁场曲线为处理后的曲线。

在一些具体的实施例中，异常数值处理单元2包括：

筛分单元21，用于采用拉依达准则对磁场强度曲线进行筛分，得到磁场强度异常值。

提取单元22，用于提取磁场强度异常值对应第一数值和第二数值，第一数值磁场强度异常值为时间序列前的磁场强度数据，第二数值为磁场强度异常值为时间序列前的磁场强度数据。

第一计算单元23，用于根据第一数值和第二数值计算得到第一系数。

第二计算单元24，用于若第一系数大于或等于第一阈值，且第一数值大于或等于第二数值，则根据预设的第一公式计算得到优化值。

第三计算单元25，用于若第一系数小于第一阈值，且第一数值小于第二数值，则根据预设的第一公式计算得到优化值。

更新单元26，用于更新磁场强度异常值为优化值。

在一些具体的实施例中，模型构建单元4包括：

划分单元41，用于将数据集分解划分，得到数据样本集合，数据样本集合的每个样品集包括一个温度控制参数、一个温度控制参数对应的核磁共振成像时间、一个温度控制参数对应的磁场强度曲线、至少一个第一分量和至少一个第二分量，第一分量和第二分量均由位于同元素的磁场强度曲线计算得到。

粒度单元42，用于构建粒度提取模型，根据至少一个第一分量和至少一个第二分量训练粒度提取模型，得到训练后的细粒度提取模型。

融合模型单元43，用于构建融合神经网络模型，根据细粒度提取模型的输出信息、核磁共振成像时间和一个核磁共振成像时间对应的磁场强度曲线训练融合神经网络模型，得到训练后的融合神经网络模型。

在一些具体的实施例中，划分单元41包括：

第一分解单元411，用于基于LMD分解算法分解磁场强度曲线得到至少一个第一分量。

第二分解单元412，用于基于VMD分解算法分解磁场强度曲线得到至少一个第二分量。

在一些具体的实施例中，粒度单元42包括：

多模型建立单元421，用于构建至少两个第一积卷网络模型、至少两个第二积卷网络模型和一个第三积卷网络模型，第一积卷网络模型、第二积卷网络模型和第三积卷网络模型均包括一个输入层、一个输出融合信息的输出层和至少两个隐藏层组成，其中，隐藏层包括依次连接的卷积层、池化层、线性整流层、卷积层、池化层、线性整流层和归一化层，卷积层通过卷积前一层的输出和卷积核来提取数据，并将数据传输到下一层。

第一训练单元422，用于分别利用同阶的第一分量训练第一积卷网络模型，得到训练后得第一积卷网络模型。

第二训练单元423，用于分别利用同阶的第二分量训练第二积卷网络模型，得到训练后得第二积卷网络模型。

第三训练单元424，用于分别利用同阶的第三分量训练第二积卷网络模型，得到训练后得第二积卷网络模型。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3：

相应于上面的方法实施例，本实施例中还提供了一种小型核磁共振设备优化成像设备，下文描述的一种小型核磁共振设备优化成像设备与上文描述的一种小型核磁共振设备优化成像方法可相互对应参照。

图3是根据示例性实施例示出的一种小型核磁共振设备优化成像设备800的框图。如图3所示，该小型核磁共振设备优化成像设备800可以包括：处理器801，存储器802。该小型核磁共振设备优化成像设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该小型核磁共振设备优化成像设备800的整体操作，以完成上述的小型核磁共振设备优化成像方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该小型核磁共振设备优化成像设备800的操作，这些数据例如可以包括用于在该小型核磁共振设备优化成像设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该小型核磁共振设备优化成像设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，小型核磁共振设备优化成像设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的小型核磁共振设备优化成像方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的小型核磁共振设备优化成像方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由小型核磁共振设备优化成像设备800的处理器801执行以完成上述的小型核磁共振设备优化成像方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种小型核磁共振设备优化成像方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的小型核磁共振设备优化成像方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种小型核磁共振设备优化成像方法，其特征在于，包括：

获取数据集和第一信息，所述数据集包括一段时间内至少两次核磁共振成像时的温度控制参数、每个温度控制参数对应的磁场强度曲线和每个所述温度控制参数对应的核磁共振成像时间，所述第一信息包括当前时刻和最近一次核磁共振对应的磁场曲线；

构建磁场分解温控模型，使用所述数据集对磁场分解温控模型进行训练得到温控模型；

通过所述温控模型对所述第一信息计算，得到预测温度控制参数，所述预测温度控制参数包括比例系数、积分系数和微分系数；

根据所述预测温度控制参数控制磁体温度并进行核磁共振成像。

2.根据权利要求1所述的小型核磁共振设备优化成像方法，其特征在于，获取数据集和第一信息，之后还包括：

对每个所述磁场强度曲线进行异常数值处理，并更新所述磁场曲线为处理后的曲线；

通过多项式最小二乘法对每个所述磁场强度曲线进行处理，并更新所述磁场曲线为处理后的曲线。

3.根据权利要求1所述的小型核磁共振设备优化成像方法，其特征在于,构建磁场分解温控模型，使用所述数据集对磁场分解温控模型进行训练得到温控模型，包括：

将所述数据集分解划分，得到数据样本集合，所述数据样本集合的每个样品集包括一个温度控制参数、一个所述温度控制参数对应的所述核磁共振成像时间、一个所述温度控制参数对应的所述磁场强度曲线、至少一个第一分量和至少一个第二分量，所述第一分量和所述第二分量均由位于同元素的磁场强度曲线计算得到；

构建粒度提取模型，根据所述至少一个所述第一分量和至少一个所述第二分量训练所述粒度提取模型，得到训练后的所述粒度提取模型；

构建融合神经网络模型，根据所述粒度提取模型的输出信息、所述核磁共振成像时间和一个所述核磁共振成像时间对应的所述磁场强度曲线训练所述融合神经网络模型，得到训练后的融合神经网络模型。

4.根据权利要求4所述的小型核磁共振设备优化成像方法，其特征在于,根据所述第二信息和所述数据集划分，得到数据样本集合，包括：

基于VMD分解算法分解所述磁场强度曲线得到至少一个所述第一分量；

基于LMD分解算法分解所述磁场强度曲线得到至少一个所述第二分量。

5.一种小型核磁共振设备优化成像装置，其特征在于，包括：

获取单元，用于获取数据集和第一信息，所述数据集包括一段时间内至少两次核磁共振成像时的温度控制参数、每个温度控制参数对应的磁场强度曲线和每个所述温度控制参数对应的核磁共振成像时间，所述第一信息包括当前时刻和最近一次核磁共振对应的磁场曲线；

模型构建单元，用于构建多侧磁场分解温控模型，使用所述数据集对多侧磁场分解温控模型进行训练得到温控模型；

系数估计单元，用于通过所述温控模型对所述第一信息计算，得到预测温度控制参数，所述预测温度控制参数包括比例系数、积分系数和微分系数；

控温成像单元，用于根据所述预测温度控制参数控制磁体温度并进行核磁共振成像。

6.根据权利要求5所述的小型核磁共振设备优化成像装置，其特征在于，还包括：

异常数值处理单元，用于对每个所述磁场强度曲线进行异常数值处理，并更新所述磁场曲线为处理后的曲线；

顺滑单元，用于通过多项式最小二乘法对每个所述磁场强度曲线进行处理，并更新所述磁场曲线为处理后的曲线。

7.根据权利要求5所述的小型核磁共振设备优化成像装置，其特征在于，所述模型构建单元，包括：

划分单元，用于将所述数据集分解划分，得到数据样本集合，所述数据样本集合的每个样品集包括一个温度控制参数、一个所述温度控制参数对应的所述核磁共振成像时间、一个所述温度控制参数对应的所述磁场强度曲线、至少一个第一分量和至少一个第二分量，所述第一分量和所述第二分量均由位于同元素的磁场强度曲线计算得到；

细粒度单元，用于构建细粒度提取模型，根据所述至少一个所述第一分量和至少一个所述第二分量训练所述细粒度提取模型，得到训练后的所述细粒度提取模型；

融合模型单元，用于构建融合神经网络模型，根据所述细粒度提取模型的输出信息、所述核磁共振成像时间和一个所述核磁共振成像时间对应的所述磁场强度曲线训练所述融合神经网络模型，得到训练后的融合神经网络模型。

8.根据权利要求7所述的小型核磁共振设备优化成像装置，其特征在于，所述划分单元：

第一分解单元，用于基于VMD分解算法分解所述磁场强度曲线得到至少一个所述第一分量；

第二分解单元，用于基于LMD分解算法分解所述磁场强度曲线得到至少一个所述第二分量。

9.一种小型核磁共振设备优化成像设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述小型核磁共振设备优化成像方法的步骤。

10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至46任一项所述小型核磁共振设备优化成像方法的步骤。