【技术实现步骤摘要】
本专利技术涉及核磁共振成像，尤其是涉及能更加便捷地获取高质量的影像数据和先进的人工智能技术支持的一种云磁共振成像系统。
技术介绍
1、核磁共振成像(magnetic resonance imaging,mri)在医疗诊断中发挥着重要作用，采集到的磁共振数据裸数据，通过图像快速重建算法(x.zhang,h.lu,d.guo,z.lai,h.ye,x.peng,b.zhao,and x.qu,“accelerated mri reconstruction with separableand enhanced low-rank hankel regularization,”ieee transactions on medicalimaging,vol.41,no.9,pp.2486-2498,2022.)，物理驱动合成数据训练神经网络(q.yang,z.wang,k.guo,c.cai,and x.qu,“physics-driven synthetic data learning forbiomedical magnetic resonance:the imaging physics-based data synthesisparadigm for artificial intelligence,”ieee signal processing magazine,vol.40,no.2,pp.129-140,2023.)等方法，生成高分辨率断层图像，帮助医生检测和诊断各种疾病，如肿瘤、神经系统疾病、心血管问题等。但这一过程中，存在以下
2、1)有限的计算资源：大型医院每年的磁共振数据存储超过pb级别，这些数据需要大规模存储设备来保存，且保存的年限不超过十年(s.dash,s.k.shakyawar,m.sharma,ands.kaushik,“big data in healthcare:management,analysis and future prospects,”journal of big data,vol.6,no.1,pp.1-25,2019.)。
3、2)数据安全风险：本地存储的数据可能面临安全风险，如数据泄露、未经授权的访问等。
4、3)数据存储和数据备份：大量的磁共振数据需要大规模的存储设备来保存，而本地存储设备可能会受到容量限制，导致数据存储和管理变得困难。数据存储在本地可能会面临数据丢失的风险，而且缺少完备的数据备份和恢复机制的话可能导致重要的患者数据永久丢失。
5、4)不一致的处理水平：各家医院的技术水平和资源不同，可能导致不一致的数据处理和分析结果，影响诊断的准确性和一致性(m.j.willemink,w.a.koszek,c.hardell,j.wu,d.fleischmann,h.harvey,l.r.folio,r.m.summers,d.l.rubin,and m.p.lungren,“preparing medical imaging data for machine learning,”radiology,vol.295,no.1,pp.4-15,2020.)。
6、5)数据孤立、数据共享难题：每个医院本地处理数据，可能导致数据孤立，难以进行大规模的数据汇总和研究。本地采集的数据难以方便地与其他医疗机构共享(s.j.inati,j.d.naegele,n.r.zwart,v.roopchansingh,m.j.lizak,d.c.hansen,c.y.liu,d.atkinson,p.kellman,and s.kozerke,“ismrm raw data format:a proposedstandard for mri raw datasets,”magnetic resonance in medicine,vol.77,no.1,pp.411-421,2017.)，限制了跨机构的研究和合作。
7、6)维护和更新困难：本地维护和更新人工智能算法需要聘请专门的工程师，且随着科技的不断进步，需要不断升级本地的硬件设备，这可能需要大量的资金投入，尤其是对于一些小型医疗机构而言。
8、7)网络带宽限制：上传大量的磁共振数据可能会占用本地网络带宽。(k.b.letaief,w.chen,y.shi,j.zhang,and y.-j.a.zhang,“the roadmap to 6g:aiempowered wireless networks,”ieee communications magazine,vol.57,no.8,pp.84-90,2019.)，影响其他医疗数据的传输和访问速度(a.jaleel,t.mahmood,m.a.hassan,g.bano,and s.k.khurshid,“towards medical data interoperability throughcollaboration of healthcare devices,”ieee access,vol.8,pp.132302-132319,2020.)。
技术实现思路
1、本专利技术的目的在于针对上述缺点，提供一种云磁共振成像系统(cloud-magneticresonance imaging，cloud-mri)。可使各地区的医院和独立影像中心能够共享数据和技术资源，从而增加协作和科研合作的可能性，降低数据风险和人力物力投入，同时确保诊断结果的准确性和一致性；使得放射科医生能更加便捷地获取高质量的影像数据和先进的人工智能技术支持。
2、本专利技术提供一种云磁共振成像系统，包括：数据采集和上传模块、数据处理和分析模块、结果访问与诊断模块、系统监控与安全模块；
3、所述数据采集和上传模块，用于操作人员从磁共振设备获取磁共振数据，通过安全通道将数据以统一格式上传至系统服务器，确保数据传输安全；数据传输采用混合群优化加密，确保数据传输的私密性和完整性；数据采集和上传模块配置为通过磁共振设备对不同磁场和脉冲序列进行扫描，以获取检查者身体信号，医疗操作人员借助加密通道，将采集到的磁共振数据以统一格式传输至云磁共振成像系统的专用服务器，该服务器可包括云端集群服务器和边缘计算服务器，以实现高效的数据处理和分析；
4、所述数据处理和分析模块，用于得到数据采集和上传模块上传的磁共振数据，在高性能服务器上处理，借助人工智能技术进行图像快速重建、噪声去除、信号增强以及其他深度学习训练任务等，从中提取用于诊断的有用信息；数据处理和分析模块配置为应用先进的人工智能技术，对上传的磁共振数据进行多种处理操作，包括但不限于图像快速重建、噪声去除、信号增强以及其他深度学习训练任务；这些处理旨在从原始数据中提取出有用的信息，生成更为清晰和准确的医学图像，以协助医生作出可靠的诊断和评估；为保障数据隐私，模型训练可采用联邦学习方式，允许对不同医院的数据进行神经网络训练，并在保护数据隐私的前提下实现模型集成；
【技术保护点】
1.云磁共振成像系统，其特征在于包括：数据采集和上传模块、数据处理和分析模块、结果访问与诊断模块、系统监控与安全模块；
2.如权利要求1所述云磁共振成像系统，其特征在于所述数据采集和上传模块，经授权的医疗操作人员使用磁共振设备对检查者进行扫描，获取其磁共振数据；这一模块包括将检查者放置在磁共振设备内，磁共振设备通过不同的磁场和脉冲序列捕捉检查者身体内部的信号；医疗操作人员通过加密通道将采集到的磁共振数据传输到专用服务器；这种安全通信通道不仅保障数据传输的机密性，还防止数据在传输过程中被篡改或泄露的风险；数据传输采用混合群优化加密，确保数据传输的私密性和完整性；既维护患者数据隐私，又解决数据传输风险，结合6G技术，加快数据上传速度，提高传输效率；使用统一格式方便数据处理，为医生提供可靠的诊断依据。
3.如权利要求1所述云磁共振成像系统，其特征在于所述统一格式采用医学磁共振成像协会的原始数据格式，为了实现跨平台、跨厂商的数据交换，选择医学磁共振成像协会的原始数据格式作为通用的存储和传输标准，该格式具有灵活性和可扩展性，将原始数据和元数据整合在一个结构中。>
4.如权利要求1所述云磁共振成像系统，其特征在于所述数据处理和分析模块，用于在高性能服务器上，利用人工智能技术进行图像快速重建、噪声去除、信号增强和其他深度学习训练任务，以从磁共振数据中提取有益信息，实现高效数据处理和分析；所述数据处理和分析模块包括系统专用服务器、联邦学习框架和区块链模块；所述系统专用服务器，包括云端集群服务器和边缘计算服务器。
5.如权利要求4所述云磁共振成像系统，其特征在于所述云端集群服务器用于提供强大的计算能力，使用Apache Hadoop和Apache Spark分布式计算框架，将任务分解成小的任务单元，通过多台服务器并行处理，并使用容器化技术Docker和容器编排工具Kubernetes，实现应用程序的隔离部署、弹性扩展和资源管理，采用分布式文件系统HDFS存储大规模数据，确保数据的高可用性和容错性；利用分布式数据库技术HBase和Cassandra，存储和管理大量医学影像数据，实现高效的数据检索和存取，以实现高效的大规模数据处理和计算。
6.如权利要求4所述云磁共振成像系统，其特征在于所述边缘计算服务器在实际应用中采用多种具体技术以减轻云服务器负担、降低网络传输延迟，包括利用本地数据处理、实时响应机制、数据缓存与存储、边缘智能、数据聚合，通过部署轻量级机器学习和深度学习模型，TensorFlow Lite或ONNX Runtime，实现本地智能决策；同时，通过采用容器化技术Docker与Kubernetes，优化资源管理与应用部署；这些策略还包括利用边缘服务器进行数据聚合、离线处理与自适应计算，整合传感器数据，以提供高效且响应迅速的解决方案，使边缘计算在应对简单或紧急计算任务中发挥着关键作用。
7.如权利要求4所述云磁共振成像系统，其特征在于所述联邦学习框架采用垂直联邦学习和水平联邦学习机制，在保护个人数据的同时提升模型隐私性与性能；每家医院使用该框架，通过加密上传模型参数至云端集群服务器，以避免共享敏感原始数据；联邦学习过程中，运用Secure Aggregation算法确保数据安全传输；差分隐私技术通过引入精确噪声于本地模型的更新梯度中，保护隐私；基于区块链的身份验证与椭圆曲线加密，保障参与者身份和数据传输隐私；这些策略综合实现在联邦学习框架中，保护磁共振成像数据的个人隐私，同时提高模型的隐私性和性能，实现多家医院的高效合作。
8.如权利要求4所述云磁共振成像系统，其特征在于所述区块链模块在保障数据完整性和访问控制方面运用多项具体技术和机制，以确保磁共振成像数据的安全性；每个ISMRMRD数据文件的哈希值通过Merkle树结构记录在区块链上，以防止数据在传输和处理过程中的篡改；通过智能合约和基于椭圆曲线加密技术，定义严格的数据访问策略，仅授权参与者可以解密数据，保障隐私；采用私有区块链平台Hyperledger Fabric，记录数据的访问历史，确保数据使用的追溯性和合规性；这一区块链模块结合Merkle树、智能合约、椭圆曲线加密以及私有区块链技术，为磁共振成像数据提供坚实的数据完整性、隐私性和访问控制保护，确保数据的安全性和可信度。
9.如权利要求1所述云磁共振成像系统，其特征在于所述结果访问与诊断模块，云端集群服务器和边缘计算服务器的处理结果通过加密通道传输回医院，云放射科医生通过各种终端设备登录云磁共振系统，随时访问之前处理好的图像数据和相关结果；这些结果包括经过处理的磁共振图像、有关特定病变的分析数据以及其他有关的信息，医生根据需要进行...
【技术特征摘要】
1.云磁共振成像系统，其特征在于包括：数据采集和上传模块、数据处理和分析模块、结果访问与诊断模块、系统监控与安全模块；
2.如权利要求1所述云磁共振成像系统，其特征在于所述数据采集和上传模块，经授权的医疗操作人员使用磁共振设备对检查者进行扫描，获取其磁共振数据；这一模块包括将检查者放置在磁共振设备内，磁共振设备通过不同的磁场和脉冲序列捕捉检查者身体内部的信号；医疗操作人员通过加密通道将采集到的磁共振数据传输到专用服务器；这种安全通信通道不仅保障数据传输的机密性，还防止数据在传输过程中被篡改或泄露的风险；数据传输采用混合群优化加密，确保数据传输的私密性和完整性；既维护患者数据隐私，又解决数据传输风险，结合6g技术，加快数据上传速度，提高传输效率；使用统一格式方便数据处理，为医生提供可靠的诊断依据。
3.如权利要求1所述云磁共振成像系统，其特征在于所述统一格式采用医学磁共振成像协会的原始数据格式，为了实现跨平台、跨厂商的数据交换，选择医学磁共振成像协会的原始数据格式作为通用的存储和传输标准，该格式具有灵活性和可扩展性，将原始数据和元数据整合在一个结构中。
4.如权利要求1所述云磁共振成像系统，其特征在于所述数据处理和分析模块，用于在高性能服务器上，利用人工智能技术进行图像快速重建、噪声去除、信号增强和其他深度学习训练任务，以从磁共振数据中提取有益信息，实现高效数据处理和分析；所述数据处理和分析模块包括系统专用服务器、联邦学习框架和区块链模块；所述系统专用服务器，包括云端集群服务器和边缘计算服务器。
5.如权利要求4所述云磁共振成像系统，其特征在于所述云端集群服务器用于提供强大的计算能力，使用apache hadoop和apache spark分布式计算框架，将任务分解成小的任务单元，通过多台服务器并行处理，并使用容器化技术docker和容器编排工具kubernetes，实现应用程序的隔离部署、弹性扩展和资源管理，采用分布式文件系统hdfs存储大规模数据，确保数据的高可用性和容错性；利用分布式数据库技术hbase和cassandra，存储和管理大量医学影像数据，实现高效的数据检索和存取，以实现高效的大规模数据处理和计算。
6.如权利要求4所述云磁共振成像系统，其特征在于所述边缘计算服务器在实际应用中采用多种具体技术以减轻云服务器负担、降低网络传输延迟，包括利用本地数据处理、实时响应机制、数据缓存与存储、边缘智能、数据聚合，通过部署轻量级机器学习和深度学习模型，tensorflow lite或onnx runtime，实现本地智能决策；同时，通过采用容器化技术docker与kubernetes，优化资源管理与应...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。