Article Info

在医学影像学不断发展的过程中，磁共振成像（Magnetic Resonance Imaging，MRI）技术已逐步成为影像学检查的核心技术之一，是目前临床工作和研究不可或缺的一种检查手段。医用磁共振设备的运行状态与其质量控制水平有着密切的关系[1-3]。在生产实践中，有效而系统的设备管理及质量控制工作，能保证MRI设备运行的可靠性[4-5]。在质量控制模式中，通过对设备核心参数进行检测及评估，矫正及优化设备参数，使设备在最佳运行状态下工作，能提高检查图像的质量，并降低设备运行过程中的风险水平[6-9]。

目前常用的MRI质量控制处理方法是扫描特定的模体，获取图像数据后，将数据手动导出后进行手工测算，或手动导入到第三方处理软件获取检测结果。该方法流程易于实施，但数据在传递传输过程中需要较多的人为操作因素，增加了出错的概率，管理效率不高，整体流程的处理效率也有所不足。

互联网技术的发展为数字化地完成医用磁共振设备质量控制工作提供了一种解决思路。基于浏览器/服务器（Browser/Server，B/S）结构的系统模型能更加便捷地维护网内设备，在实现需求的前提下，也可以控制系统维护成本处于相对较低的水平，适用于医用磁共振质量控制处理系统的开发[10-11]。

本研究旨在构建一套基于B/S架构的医用磁共振质量控制处理系统，以dcm4che开源DICOM图像服务框架与医用磁共振设备工作站设备建立图像传输链接，由Node.js提供中间网络平台和应用服务[12]，以MySQL等作为数据库，并连接以Python为主的核心运算模块及费宁等[13]用于机器学习及人工智能开发的框架平台，构建连续、完整、统一的医用磁共振质量控制处理系统[14-16]。该系统在标准规范的要求下部署与进行拓展，能有效地提高医用磁共振设备质量控制工作上的工作效率和准确性。

1 需求分析

研究利用B/S架构搭建医用磁共振设备质量控制处理系统，构建设备注册模块、质量控制数据处理模块等。

1.1 设备注册模块

为便于对医用磁共振设备进行统一管理，需对设备信息进行注册登记，作为后续工作开展的基础。需要标记的设备信息（部分）如表1所示。

医用磁共振设备在系统中进行注册后，后续其对应的质量控制结果、维护日志等可实时归档关联，提高管理效率。

1.2 质量控制数据处理模块

质量控制数据处理模块主要用于对质量控制管理操作产生的文本数据、图像数据等进行智能处理及分析，获得相应质量控制所需检验信息的结果。

医用磁共振质量控制的图像质量控制方面，主要根据不同的医用磁共振检测模体，获得模体在特定参数条件下的图像，对该图像进行参数计算得出结果。其主要核心测算参数（部分）如表2所示。

服务器通过对文本及图像数据进行处理，将处理结果返回网络中转平台，经数据渲染后返回可视化页面，便于用户直观地获取结果及进行后续操作。

2 系统结构设计

2.1 系统架构

系统采用B/S架构模式进行部署。如图1所示，前端表示层面向用户提供医用磁共振设备的信息登记、质量控制管理、信息查询、日志管理、数据导入导出等服务；业务逻辑层由Node.js作为运行环境，搭建与前后端进行交互的Web服务器数据通讯枢纽，提供应用服务，并与python核心运算模块及tensorflow机器学习开发平台链接；数据存储层由MySQL、MongoDb等数据库保存常用文本信息，由Redis构建高速缓存数据库，由dcm4che构建用于存储标准医学影像数据的DICOM图像服务器[17-20]。

2.2 系统业务流程

该系统的主要操作流程如图2所示。管理人员在登录系统后，进行设备信息登记、质量控制管理、信息查询、日志管理、数据导入导出等操作。网络平台收到请求后，根据请求的内容将请求信息分发到对应的模块，在获得返回结果后将其返回给用户，管理人员可根据后续结果进行下一步操作。

3 系统开发

3.1 系统核心业务与功能

系统的核心业务目标是实现MR质控图像获取、分析、反馈等功能的一体化整合。

3.1.1 质控图像数据的获取

质控图像由测试工程师在MR设备上根据标准，利用特定模体进行检测获得。所获得的图像由MR设备工作站上传至dcm4che构建的DICOM图像服务器。如对检测序列进行自动归档设置，可实现图像的自动上传功能，无需测试工程师额外操作。

3.1.2 质控图像数据的分析

图像数据分析模块监听DICOM图像服务器的数据列表，当有新的数据上传至DICOM图像服务器时，则图像数据分析模块调取该图像数据，根据该数据的信息标签进行对应的运算分析，获得检测结果。

3.1.3 数据处理结果的反馈

图像数据分析模块在完成运算分析并获得检测结果后，将结果反馈至由Node.js构建的网络服务器，由网络服务器负责保存和归档检测结果，将结果推送至测试工程师账号或等待调阅。

3.2 开发环境及软件结构

本系统的客户端软件采用谷歌公司（Google Inc.）的Chrome浏览器；服务端以Node.js为基础，采用Express开发框架处理业务流程，构建基础应用服务，以python及对应的tensorflow平台处理核心运算问题；数据库使用MySQL、MongoDB、Redis，以及用于存储和传输标准DICOM图像的dcm4che服务。

3.2.1 用户界面构建

前端应用软件以网页浏览器（Chrome浏览器）为软件主体。系统页面以Bootstrap、Semantic UI等样式框架，以及AngularJS、JQuery代码库等作为主要的构建工具。

3.2.2 服务器端组件

服务器端采用Node.js的Express框架搭建Web服务器。Node.js构建的Web服务器对外用于响应用户的操作请求，对内负责调度DICOM图像服务、各数据库及核心运算模块等。

3.3 系统环境部署及试运行

为了使系统能稳定运行，并保留最大的开发拓展余地，应留意系统运行的软硬件环境选择及部署。

3.3.1 分布式的服务器部署

根据系统的核心架构，可以将DICOM图像服务器、Web服务器及Python数据处理接口部署在不同的服务器设备上，每个服务器设备根据需求进行拓展和进一步的功能开发，便于后续服务的升级。

3.3.2 Web服务端运行模式的选择

如采用Node.js的“cluster”模式启用多进程，能提高Web服务器的高并发请求响应能力及系统的稳定性。

3.3.3 前端浏览器的选择

台式计算机终端设备和移动终端设备都建议采用最新版本的Chrome浏览器（本系统采用的是Chrome v80.0.4），以达到最好的软件兼容性。Windows XP及下的操作系统，采用V49版本的Chrome浏览器。

3.4 统计学处理

采用SPSS 18.0统计分析软件，符合正态分布的计量资料以 pagenumber_ebook=32,pagenumber_book=25

±s表示，两组间比较采用t检验；计数资料以率表示，两组间比较采用χ2检验。P<0.05为差异有统计学意义。

4 应用效果

基于B/S架构的医用磁共振质量控制处理系统能在较低的开发成本下达到高性能、高拓展性及高可维护性的特点，满足工作需求。区别于传统的大型医疗设备质量控制管理模式，本研究构建了一个连续、完整、统一的数字化医用磁共振质量控制处理系统。通过架设DICOM图像服务器及MySQL数据库等与医用磁共振设备工作站对接，医用磁共振质量控制过程中产生的文本数据、图像数据可实时上传至服务器，交付于相应的运算模块处理，并将结果及时反馈给各终端设备（包括台式计算机终端设备及移动终端设备等），免除了人工数据传输步骤，减少了出错的可能性，同时提高了工作效率。该系统的核心模块已稳定在线并为医用磁共振质量控制工作提供支持，在测试服务器设备上稳定运行超过百日（图3，由PM2管理模块提供），无严重程序错误。测试服务器设备参数，见表3。

系统试运行期间，工作人员随机抽取20组测试，进行对手工计算方法、第三方辅助程序计算方法及磁共振质控处理系统方法的运算结果进行比较，组间结果存在显著差异。手工计算方法受制于技术人员操作计算的熟练度；采用第三方辅助程序的方法时能极大提高运算效率，但将图像从工作站导出再载入软件占用了较多的时间；采用磁共振质控处理系统可免除图像人工导入导出所消耗的时间，极大地提高工作效率，见表4。

5 讨论

该系统具有的特点：①成本低：系统使用中等配置的服务器即可部署核心应用模块，且所需模块软件组成均为开源免费软件；②高拓展性：系统提供了多样化的应用接口，可根据后续的需求在现有服务基础上便捷地添加功能组件；③高可维护性：B/S结构的系统更新便捷，且数据统一归档有利于技术人员高效地维护设备。

系统需要改进的地方：①目前系统功能集中在单一的塔式工作站中，运算效率和系统稳定性无法得到保障，后续将引进更多服务器设备采用集群与分布式的方法来分解业务功能；②目前系统主要限制在局域网内测试和使用，后续将拓展互联网的连接并适配移动端软件，技术人员在手机等设备上即可获得检测结果，提高便捷性；③基于Python的数据分析模块及Tensorflow平台的应用还不够完善，后续将根据需求做更多拓展。

6 结论

本文阐明一种基于B/S架构的医用磁共振设备质量控制处理系统应用价值及拓展前景，提供构建该系统的流程方案。该系统结合医用磁共振设备在质量控制规范标准的要求和生产实践过程中的需求，实现了连续、完整、统一的医用磁共振质量控制处理流程，极大地便利了技术人员的检测工作，提高了医用磁共振质控工作的效率和质量。此外，系统能便捷地拓展和构建对应的应用模块，采用Tensorflow等机器学习平台对接的模式，对接入人工智能相关的技术的接入保有便捷的数据交互接口，极大地提高了该系统功能的拓展延伸前景。

[1]林迪逵.磁共振质量控制的智能评价系统研究[D].福州:福州大学,2017.

[2]邹广东,郭淑宁.关于MRI各项技术参数质量控制的分析研究及发展趋向[J].世界最新医学信息文摘,2015,15(24):29-31.

[3]杨广达.医用磁共振成像设备远程质量检测系统的研究[J].中国新通信,2020,22(8):248.

[4]杨敏敏.超导磁共振系统日常的质量控制与质量保证[J].医院数字化管理,2017,32(9):160-162.

[5]卢爱国,张金葆.构建医院医疗设备质量控制体系的几点做法[J].质控与安全,2013,34(9):113-115.

[6]刘维霞.关于医用磁共振成像系统(MRI)磁场强度建标符合性评定的探讨[J].信息记录材料,2019,20(9):27-29.

[7]杨毅,魏艳,周星宇,等.我国各区域磁共振成像设备配置效率及影响因素[J].中国卫生资源,2020,23(2):114-117..

[8]靳志嘉,李彦,陆勇,等.医用磁共振成像设备临床需求调研及发展趋势分析[J].磁共振成像,2019,10(2):96-100.

[9]张强.医疗设备信息化管理现状与趋势[J].医疗装备,2017,30(9):82-83.

[10]方园.基于B/S构架的放射治疗质控系统的设计[J].医疗装备,2020,33(5):39-40.

[11]黄志峰,许尚文,肖慧,等.基于Web与Node.js的医用磁共振设备动态管理系统的设计与实现[J].中国医疗设备,2018,33(10):23-26.

[12]朴灵.深入浅出NodeJS[M].北京:人民邮电出版社,2013.

[13]费宁,张浩然.TensorFlow架构与实现机制的研究[J].计算机技术与发展,2019,29(9):31-34.

[14]王继元,李真林,蒲立新,等.基于人工智能的正位DR胸片质控体系研究与应用[J].新技术与新方法,2020,37(1):158-168.

[15]赵旭,张建伟,梁斌斌.基于ORB算法与神经网络的图像特征点提取方法[J].现代计算机,2020,(3):59-62.

[16]施华宇,刘敏超,辛海莉,等.利用深度学习技术构建药品包装识别系统方法研究[J].中国医院,2019,23(10):16-18.

[17]纪永章,杨辉,薛淞,等.dcm4che在医疗大数据平台中的应用[J].中国数字医学,2016,11(10):15-17.

[18]吴晓一.基于Node.js的Python脚本调用方法[J].电脑编程技巧与维护,2020,(6):24-26.

[19]郑天,程建政.基于Python的超声设备可靠性自动化测试系统[J].2020,(10):65-66.

[20]邹奕轩,赵海桐,赵紫婷,等.基于Python和MySQL的医疗机构药品及耗材信息管理系统的设计与实现[J].中国医学装备2019,16(9):115-119.

基于B/S架构的医用磁共振质量控制处理系统的设计研究

引言