磁共振成像性能参数的质量检测是保证其影像质量和诊断结果可靠性的重要手段。为了解决当前以手工计算和人眼辨识方式测算质检参数所带来的主观性强、工作效率较低等问题，本文提出并实现了基于 QT 平台采用 C++语言开发的磁共振质量检测自动分析系统方案，引入图像处理算法自动测算质检参数，设计功能全面的软件系统化地管理磁共振设备质检信息。实验结果表明自动测算与手工测算的参数值一致性较好，算法准确可靠。整个系统高效便捷且操作简单，能满足磁共振设备质检工作的实际需求。
引用本文： 罗洪艳, 徐旭, 高成龙, 李明勇, 廖彦剑. 基于 QT 的磁共振质量检测自动分析系统的设计与实现. 生物医学工程学杂志, 2019, 36(4): 627-632. doi: 10.7507/1001-5515.201807014 复制
引言
核磁共振成像（magnetic resonance imaging，MRI）具有极好的软组织分辨力、多参数成像、能提供人体功能代谢信息和自由任意层面成像等特点，因而在全身各系统疾病的辅助诊断，尤其是早期肿瘤诊断方面极具价值[1-2]，在临床上得到广泛应用。但 MRI 复杂的多参数成像过程，也为投入应用的设备影像质量以及辅助诊断效果带来考验[3]，而以 MRI 成像性能参数为核心的质量检测无疑是保证其成像质量的有效手段[4]。为此我国提出了《大型医用设备配置与使用管理方法》[5]，要求依据《（YY/T 0482-2010 4.2）医疗成像磁共振设备主要图像质量参数的测定》[6]和《（WS/T 263-2006）医用磁共振成像（MRI）设备影像质量检测与评价规范》[7]对 MRI 性能参数进行周期性检测和评价，以确保系统正常稳定工作。
目前国内普遍采用的 MRI 质检流程是：申请检测-确定信息-扫描体模-测算图像-反馈报告。其中，测算图像是质检的核心内容和关键环节，现主要通过手工完成。由此获得的检测结果可能会因人而异，主观性强、成本高、效率低[8]；同时，其保存方式是纸质文档或体模胶片影像，不具有可追溯性，对检测数据缺乏系统性的管理。此外，在 MRI 设备分散较广而设备数量仍保持快速增长的情况下，执行周期性质检的规定，又对质检效率、测算结果和信息管理方式提出了更高的要求。这些问题的存在，使得检测部门能力有限与检测任务日益繁重之间的矛盾愈发明显。因此，提高质检效率和结果可靠性就显得尤为必要。
鉴于此，本文提出并实现了一套基于 QT 平台采用 C++语言开发的 MRI 质量检测自动分析系统方案，旨在利用计算机管理 MRI 设备和检测信息，引入自动分析代替人工测算，基于操作简单的软件平台实现高效便捷、可靠性更强的质量检测与系统管理。
1 自动测算方法
体模是 MRI 质量检测的主要工具，清晰有效的体模扫描图像是参数测算的基础。由美国体模实验室研制的 Magphan SMR170 性能测试体模是一种使用频率较高的体模。该体模为圆柱形，内含测试立方体，组装有不同的模块，其上设计了不同尺寸的矩形或圆形凹槽测试结构。用于质检的体模扫描图像包括均匀性层、空间线性层、高空间对比度分辨力层和低对比度分辨力层四幅图像，存储格式为医学数字成像和通信（Digital Imaging and Communications in Medicine，DICOM）格式[9]。对应可测算的参数有信噪比、均匀性、纵横比、层厚、空间线性、高空间分辨力和低对比度分辨力共计七个。其中前五个参数目前主要依靠检测人员借助交互式软件定位目标检测区域再手工计算获得，而后两个参数则通过调窗目测确定。MRI 设备性能是否符合要求取决于这些参数值与标准规定值的对比结果。
针对四幅体模扫描图像的自动测算流程如图 1 所示。首先对每幅图像均采用大津阈值法进行图像二值化[10]，再重复使用连通域标记将体模圆形区域、测试立方体矩形区域、圆孔区域及圆形凹槽区域逐一识别。然后根据需要，计算区域的质心或采用 Canny 算子进行边缘检测确定边框及顶点，作为定位参考。再结合相对位置关系提取与待测参数相关的目标图像区域，最后参考标准规定的测算方法和公式计算出参数指标。因篇幅所限，仅以较为重要且计算相对复杂的层厚和高空间分辨力两个参数为例阐述自动分析算法。
图1
自动测算流程框图
Figure1.
Block diagram of automatic calculation
1.1 层厚测算
层厚测算的目标图像区域获取过程如图 2 所示。目标对象为安装在测试立方体外部的 2 mm 厚、10 mm 宽的层面厚度斜板影像，即均匀性层图像中测试立方体边框外的四个矩形结构（见图 2a）。它们与边框、圆孔的相对位置是不变的。根据前述方法确定出测试立方体的顶点（A、B、C、D）和圆孔的质心（E、F、G、H）。设其位置坐标为 A（
，
）、B（
，
）、E（
，
）、F（
，
），圆孔半径为 r，可确定包含顶部矩形结构的目标图像截取范围是以 P（
，
）为顶点、
为长度、
为宽度的矩形区域，而包含左侧矩形结构的目标图像截取范围则是以 Q（
，
）为顶点、
为宽度、
为高度的矩形区域，其中
图2
层厚测算的目标图像区域获取过程
a. 均匀性层图像；b. 二值化；c. 连通域标记与定位；d. 目标图像截取
Figure2. Target image region acquisition process for slice thickness calculationa. uniformity slice image; b. binaryzation; c. connected component; d. target image labeling and location cropping
 |
 |
 |
 |
 |
 |
同理，可分别确定包含底部和右侧矩形结构的目标图像截取范围。将此边界范围映射到均匀性层图像中，可截取出四个目标图像区域，分别计算其最小灰度值（
），再二值化后计算质心。以质心为参考点，在原图中四个矩形结构外侧分别截取面积为 100 mm2的圆形区域，计算其灰度均值（
）。将截取出的目标图像区域窗位设置为
，沿水平方向遍历目标图像区域，计算此时矩形结构内的各平行线长度，以其平均值为半高全宽值（full width at half maximum，FWHM）。将四个矩形结构的半高全宽值的平均值（
）、层面厚度斜板与体模轴线的夹角（
=14°）代入公式（7）可计算出层厚（Slice_thickness）。
 |
1.2 高空间分辨力测算
高空间分辨力测算通过识别高分辨力模块上形成的一系列矩形凹槽完成，其目标图像区域获取过程如图 3 所示。该模块的完整结构包含两列交叉排布的多个相同尺寸的圆形凹槽和相互垂直的两组矩形凹槽（见图 3a）。这些矩形凹槽设计为 1 到 11 种规格的线对，所代表的分辨力范围是 5～0.45 mm。其中 1～4 线对分为一组，5～11 线对分为另一组。测试以在高空间对比度分辨力层图像上所能识别出的分辨力最高的线对作为结果，因此目标图像区域为两组矩形凹槽。从图 3a 可以看出一组目标区域的长度在圆形凹槽 R 与 S 之间，宽度在圆形凹槽 R 与 T 之间；另一组目标区域的长度在圆形凹槽 R 与 U 之间，宽度在圆形凹槽 U 与 V 之间，由此可以通过圆形凹槽坐标确定目标区域的位置范围。具体而言，首先根据前述方法确定图像中心点 O，以此为参照可计算这 5 个圆形凹槽位置坐标，进而获得两个目标区域的边界范围，将其映射到高空间对比度分辨力层图像原图中可截取出目标图像区域。对目标图像区域进行连通域标记，依次对图像局部开运算，能断开狭窄间隙并消除细的突出物，再计算各连通域的质心、相邻质心间距及质心间距相近的连通域个数，与高分辨力模块上线对的对应标称参数作比较，得出能够识别的最大线对数，即为高空间分辨力值。
图3
高空间分辨力测算的目标图像区域获取过程
a. 高分辨力模块结构；b. 高空间对比度分辨力层图像；c. 连通域标记与定位；d. 目标图像截取
Figure3. Target image cropping process for high spatial resolution calculationa. high resolution module structure; b. high spatial contrast resolution slice image; c. connected component labeling and location; d. target image cropping
2 基于 QT 平台的系统设计
QT 是面向对象的框架，具有丰富的应用程序接口和优良的跨平台特性，可实现应用程序在不同终端运行。因此，选择以 Windows 操作系统为载体，基于 QT 平台采用 C++语言设计开发整个质检自动分析系统。
系统默认系统管理员、检测人员和审核人员等三个角色，包含质控计划、数据录入与测算、检测记录、设备管理和系统设置等五大功能模块，整个业务流程如图 4 所示。其中，质控计划用于检测人员制定和修改质控计划，提供设置质控设备、质检时间、质控项目等功能。数据录入与测算模块用于检测人员对指定完成的质控计划进行基本数据录入，以及对体模图像进行参数自动测算并显示结果。检测记录模块为审核人员提供查看和审核质检内容及结果的功能，为检测人员提供查看检测历史记录和审核状态的功能，以及报告打印功能。设备管理用于对质控设备基本信息的维护。系统设置用于管理员对系统角色和用户进行管理，以及其他角色对自身个人信息进行维护等。
图4
系统业务流程框图
Figure4.
Block diagram of system business process
3 实验与结果分析
3.1 自动测算实验与结果
用于自动测算实验的质检图像为 31 套 SMR170 体模的 MRI 扫描图像，共涉及 13 台 MRI 设备，是由重庆医科大学附属第二医院、贵州省人民医院和陆军军医大学第一附属医院等多家医院按照标准[7]规定的体模扫描方法及参数设置采集获得，并由重庆市医疗设备质量检测管理所或相关医院的专业质检人员完成了手工测算。图 5 展示了其中一套数据四个参数的自动和手工测算结果。由图可见，手工测算过程是由检测人员基于对标准的解读，借助交互式操作软件（如 RadiAnt DICOM Viewer）用手工勾画选取目标图像区域，再测量获取大小、长度、灰度等基本信息然后手工计算出参数，过程繁琐费时，依赖于质检人员的检测经验。相比之下，自动分析测算完全摒弃了人工操作，无疑更加客观高效。
图5
测算结果
Figure5.
Measurement results
对比表 1 给出的自动测算和手工测算 31 套数据的七个质检参数的平均值与标准偏差可以看出，整体吻合度很高。特别是低对比度分辨力的均值无差异且标准差均为零，说明该参数的自动测算和手工测算值完全相同。
表1
自动与手工测算结果对比
Table1.
Comparison between automatic and manual calculation results
进一步在统计产品与服务解决方案（Statistical Product and Service Solutions，SPSS）软件中对自动和手工测算结果（低对比度分辨力除外）作组内相关系数（intra-class correlation efficient，ICC）分析。ICC 被定义为组间方差占总方差的比重[11]，常应用于评价不同测定方法或评定者对同一定量测量结果的可重复性或一致性[12]。采用双因素随机模型和绝对一致类型，选取单一测量的结果值[13]，如表 2 所示。就评价方法对比而言，一般认为 ICC 值小于 0.4 表示一致性较差；0.41～0.60 之间为一般；0.61～0.75 为中等；ICC 值大于 0.75 则表示一致性较好[14]。从分析结果看，信噪比、层厚、空间线性、高空间分辨力和纵横比等五个参数的 ICC 值均在 0.75 以上，前四个参数的 ICC 值甚至超过 0.95，且P < 0.001，可以认为自动测算结果和手工测算结果的一致性较好。而均匀性的 ICC 值略低于 0.75，原因在于 ICC 的应用会受到测量值范围的局限[15]，在该参数测算值变化较小（见表 1 所列标准偏差）的情况下，尽管两种测量值近似，ICC 也会偏小。以上的一致性分析结合表 1 的数据对比表明自动测算方法准确有效。
表2
组内相关系数分析结果
Table2.
ICC analysis results
3.2 系统运行结果
整个系统的运行界面与结果如图 6 所示。检测人员仅需登录系统、指定质控计划，然后在数据录入模块导入体模扫描图像，由系统自动筛选出待检测图像，通过 DICOM 协议解析图像文件，再点击测算按钮，即可在数秒内完成全部参数的测算，高效便捷，且提高了检测结果的客观性。测算结果以图像和数值两种方式呈现，清晰直观，可保存并自动生成检测报告。经测试，系统全部功能运行正常，可在平板、笔记本电脑、台式电脑及其他嵌入式平台上使用，能满足不同应用场景的需要，从而实现对日常质检工作的系统化管理。
图6
系统界面与运行结果
Figure6.
System interface and operation results
4 总结
综上所述，本文实现了基于 QT 的 MRI 质量检测自动分析系统，能够自动计算质检参数，提高检测结果可靠性和工作效率，便于 MRI 设备质控信息管理，符合实际的质控工作需求，能够有效缓解当前 MRI 医疗卫生事业快速发展的需求与检测系统方案时效较低的矛盾。该系统可以直接在 Windows 系统上使用以及跨平台应用，为未来 MRI 设备质量检测工作更好的发展奠定了基础。
然而，本系统仍有很大的发展空间，例如获取医院影像归档和通信系统（Picture Archiving and Communication Systems，PACS）的许可，直接从 PACS 导入体模图像；又如在自动分析模块部分加入交互功能，从而允许手工测算对自动测算加以调整和补充，有利于进一步确保检测准确性。
利益冲突声明：本文全体作者均声明不存在利益冲突。
引言
核磁共振成像（magnetic resonance imaging，MRI）具有极好的软组织分辨力、多参数成像、能提供人体功能代谢信息和自由任意层面成像等特点，因而在全身各系统疾病的辅助诊断，尤其是早期肿瘤诊断方面极具价值[1-2]，在临床上得到广泛应用。但 MRI 复杂的多参数成像过程，也为投入应用的设备影像质量以及辅助诊断效果带来考验[3]，而以 MRI 成像性能参数为核心的质量检测无疑是保证其成像质量的有效手段[4]。为此我国提出了《大型医用设备配置与使用管理方法》[5]，要求依据《（YY/T 0482-2010 4.2）医疗成像磁共振设备主要图像质量参数的测定》[6]和《（WS/T 263-2006）医用磁共振成像（MRI）设备影像质量检测与评价规范》[7]对 MRI 性能参数进行周期性检测和评价，以确保系统正常稳定工作。
目前国内普遍采用的 MRI 质检流程是：申请检测-确定信息-扫描体模-测算图像-反馈报告。其中，测算图像是质检的核心内容和关键环节，现主要通过手工完成。由此获得的检测结果可能会因人而异，主观性强、成本高、效率低[8]；同时，其保存方式是纸质文档或体模胶片影像，不具有可追溯性，对检测数据缺乏系统性的管理。此外，在 MRI 设备分散较广而设备数量仍保持快速增长的情况下，执行周期性质检的规定，又对质检效率、测算结果和信息管理方式提出了更高的要求。这些问题的存在，使得检测部门能力有限与检测任务日益繁重之间的矛盾愈发明显。因此，提高质检效率和结果可靠性就显得尤为必要。
鉴于此，本文提出并实现了一套基于 QT 平台采用 C++语言开发的 MRI 质量检测自动分析系统方案，旨在利用计算机管理 MRI 设备和检测信息，引入自动分析代替人工测算，基于操作简单的软件平台实现高效便捷、可靠性更强的质量检测与系统管理。
1 自动测算方法
体模是 MRI 质量检测的主要工具，清晰有效的体模扫描图像是参数测算的基础。由美国体模实验室研制的 Magphan SMR170 性能测试体模是一种使用频率较高的体模。该体模为圆柱形，内含测试立方体，组装有不同的模块，其上设计了不同尺寸的矩形或圆形凹槽测试结构。用于质检的体模扫描图像包括均匀性层、空间线性层、高空间对比度分辨力层和低对比度分辨力层四幅图像，存储格式为医学数字成像和通信（Digital Imaging and Communications in Medicine，DICOM）格式[9]。对应可测算的参数有信噪比、均匀性、纵横比、层厚、空间线性、高空间分辨力和低对比度分辨力共计七个。其中前五个参数目前主要依靠检测人员借助交互式软件定位目标检测区域再手工计算获得，而后两个参数则通过调窗目测确定。MRI 设备性能是否符合要求取决于这些参数值与标准规定值的对比结果。
针对四幅体模扫描图像的自动测算流程如图 1 所示。首先对每幅图像均采用大津阈值法进行图像二值化[10]，再重复使用连通域标记将体模圆形区域、测试立方体矩形区域、圆孔区域及圆形凹槽区域逐一识别。然后根据需要，计算区域的质心或采用 Canny 算子进行边缘检测确定边框及顶点，作为定位参考。再结合相对位置关系提取与待测参数相关的目标图像区域，最后参考标准规定的测算方法和公式计算出参数指标。因篇幅所限，仅以较为重要且计算相对复杂的层厚和高空间分辨力两个参数为例阐述自动分析算法。
图1
自动测算流程框图
Figure1.
Block diagram of automatic calculation
1.1 层厚测算
层厚测算的目标图像区域获取过程如图 2 所示。目标对象为安装在测试立方体外部的 2 mm 厚、10 mm 宽的层面厚度斜板影像，即均匀性层图像中测试立方体边框外的四个矩形结构（见图 2a）。它们与边框、圆孔的相对位置是不变的。根据前述方法确定出测试立方体的顶点（A、B、C、D）和圆孔的质心（E、F、G、H）。设其位置坐标为 A（，）、B（，）、E（，）、F（，），圆孔半径为 r，可确定包含顶部矩形结构的目标图像截取范围是以 P（，）为顶点、为长度、为宽度的矩形区域，而包含左侧矩形结构的目标图像截取范围则是以 Q（，）为顶点、 为宽度、 为高度的矩形区域，其中
图2
层厚测算的目标图像区域获取过程
a. 均匀性层图像；b. 二值化；c. 连通域标记与定位；d. 目标图像截取
Figure2. Target image region acquisition process for slice thickness calculationa. uniformity slice image; b. binaryzation; c. connected component; d. target image labeling and location cropping
|
|
|
|
|
|
同理，可分别确定包含底部和右侧矩形结构的目标图像截取范围。将此边界范围映射到均匀性层图像中，可截取出四个目标图像区域，分别计算其最小灰度值（），再二值化后计算质心。以质心为参考点，在原图中四个矩形结构外侧分别截取面积为 100 mm2的圆形区域，计算其灰度均值（）。将截取出的目标图像区域窗位设置为，沿水平方向遍历目标图像区域，计算此时矩形结构内的各平行线长度，以其平均值为半高全宽值（full width at half maximum，FWHM）。将四个矩形结构的半高全宽值的平均值（）、层面厚度斜板与体模轴线的夹角（=14°）代入公式（7）可计算出层厚（Slice_thickness）。
|
1.2 高空间分辨力测算
高空间分辨力测算通过识别高分辨力模块上形成的一系列矩形凹槽完成，其目标图像区域获取过程如图 3 所示。该模块的完整结构包含两列交叉排布的多个相同尺寸的圆形凹槽和相互垂直的两组矩形凹槽（见图 3a）。这些矩形凹槽设计为 1 到 11 种规格的线对，所代表的分辨力范围是 5～0.45 mm。其中 1～4 线对分为一组，5～11 线对分为另一组。测试以在高空间对比度分辨力层图像上所能识别出的分辨力最高的线对作为结果，因此目标图像区域为两组矩形凹槽。从图 3a 可以看出一组目标区域的长度在圆形凹槽 R 与 S 之间，宽度在圆形凹槽 R 与 T 之间；另一组目标区域的长度在圆形凹槽 R 与 U 之间，宽度在圆形凹槽 U 与 V 之间，由此可以通过圆形凹槽坐标确定目标区域的位置范围。具体而言，首先根据前述方法确定图像中心点 O，以此为参照可计算这 5 个圆形凹槽位置坐标，进而获得两个目标区域的边界范围，将其映射到高空间对比度分辨力层图像原图中可截取出目标图像区域。对目标图像区域进行连通域标记，依次对图像局部开运算，能断开狭窄间隙并消除细的突出物，再计算各连通域的质心、相邻质心间距及质心间距相近的连通域个数，与高分辨力模块上线对的对应标称参数作比较，得出能够识别的最大线对数，即为高空间分辨力值。
图3
高空间分辨力测算的目标图像区域获取过程
a. 高分辨力模块结构；b. 高空间对比度分辨力层图像；c. 连通域标记与定位；d. 目标图像截取
Figure3. Target image cropping process for high spatial resolution calculationa. high resolution module structure; b. high spatial contrast resolution slice image; c. connected component labeling and location; d. target image cropping
2 基于 QT 平台的系统设计
QT 是面向对象的框架，具有丰富的应用程序接口和优良的跨平台特性，可实现应用程序在不同终端运行。因此，选择以 Windows 操作系统为载体，基于 QT 平台采用 C++语言设计开发整个质检自动分析系统。
系统默认系统管理员、检测人员和审核人员等三个角色，包含质控计划、数据录入与测算、检测记录、设备管理和系统设置等五大功能模块，整个业务流程如图 4 所示。其中，质控计划用于检测人员制定和修改质控计划，提供设置质控设备、质检时间、质控项目等功能。数据录入与测算模块用于检测人员对指定完成的质控计划进行基本数据录入，以及对体模图像进行参数自动测算并显示结果。检测记录模块为审核人员提供查看和审核质检内容及结果的功能，为检测人员提供查看检测历史记录和审核状态的功能，以及报告打印功能。设备管理用于对质控设备基本信息的维护。系统设置用于管理员对系统角色和用户进行管理，以及其他角色对自身个人信息进行维护等。
图4
系统业务流程框图
Figure4.
Block diagram of system business process
3 实验与结果分析
3.1 自动测算实验与结果
用于自动测算实验的质检图像为 31 套 SMR170 体模的 MRI 扫描图像，共涉及 13 台 MRI 设备，是由重庆医科大学附属第二医院、贵州省人民医院和陆军军医大学第一附属医院等多家医院按照标准[7]规定的体模扫描方法及参数设置采集获得，并由重庆市医疗设备质量检测管理所或相关医院的专业质检人员完成了手工测算。图 5 展示了其中一套数据四个参数的自动和手工测算结果。由图可见，手工测算过程是由检测人员基于对标准的解读，借助交互式操作软件（如 RadiAnt DICOM Viewer）用手工勾画选取目标图像区域，再测量获取大小、长度、灰度等基本信息然后手工计算出参数，过程繁琐费时，依赖于质检人员的检测经验。相比之下，自动分析测算完全摒弃了人工操作，无疑更加客观高效。
图5
测算结果
Figure5.
Measurement results
对比表 1 给出的自动测算和手工测算 31 套数据的七个质检参数的平均值与标准偏差可以看出，整体吻合度很高。特别是低对比度分辨力的均值无差异且标准差均为零，说明该参数的自动测算和手工测算值完全相同。
表1
自动与手工测算结果对比
Table1.
Comparison between automatic and manual calculation results
进一步在统计产品与服务解决方案（Statistical Product and Service Solutions，SPSS）软件中对自动和手工测算结果（低对比度分辨力除外）作组内相关系数（intra-class correlation efficient，ICC）分析。ICC 被定义为组间方差占总方差的比重[11]，常应用于评价不同测定方法或评定者对同一定量测量结果的可重复性或一致性[12]。采用双因素随机模型和绝对一致类型，选取单一测量的结果值[13]，如表 2 所示。就评价方法对比而言，一般认为 ICC 值小于 0.4 表示一致性较差；0.41～0.60 之间为一般；0.61～0.75 为中等；ICC 值大于 0.75 则表示一致性较好[14]。从分析结果看，信噪比、层厚、空间线性、高空间分辨力和纵横比等五个参数的 ICC 值均在 0.75 以上，前四个参数的 ICC 值甚至超过 0.95，且P < 0.001，可以认为自动测算结果和手工测算结果的一致性较好。而均匀性的 ICC 值略低于 0.75，原因在于 ICC 的应用会受到测量值范围的局限[15]，在该参数测算值变化较小（见表 1 所列标准偏差）的情况下，尽管两种测量值近似，ICC 也会偏小。以上的一致性分析结合表 1 的数据对比表明自动测算方法准确有效。
表2
组内相关系数分析结果
Table2.
ICC analysis results
3.2 系统运行结果
整个系统的运行界面与结果如图 6 所示。检测人员仅需登录系统、指定质控计划，然后在数据录入模块导入体模扫描图像，由系统自动筛选出待检测图像，通过 DICOM 协议解析图像文件，再点击测算按钮，即可在数秒内完成全部参数的测算，高效便捷，且提高了检测结果的客观性。测算结果以图像和数值两种方式呈现，清晰直观，可保存并自动生成检测报告。经测试，系统全部功能运行正常，可在平板、笔记本电脑、台式电脑及其他嵌入式平台上使用，能满足不同应用场景的需要，从而实现对日常质检工作的系统化管理。
图6
系统界面与运行结果
Figure6.
System interface and operation results
4 总结
综上所述，本文实现了基于 QT 的 MRI 质量检测自动分析系统，能够自动计算质检参数，提高检测结果可靠性和工作效率，便于 MRI 设备质控信息管理，符合实际的质控工作需求，能够有效缓解当前 MRI 医疗卫生事业快速发展的需求与检测系统方案时效较低的矛盾。该系统可以直接在 Windows 系统上使用以及跨平台应用，为未来 MRI 设备质量检测工作更好的发展奠定了基础。
然而，本系统仍有很大的发展空间，例如获取医院影像归档和通信系统（Picture Archiving and Communication Systems，PACS）的许可，直接从 PACS 导入体模图像；又如在自动分析模块部分加入交互功能，从而允许手工测算对自动测算加以调整和补充，有利于进一步确保检测准确性。
利益冲突声明：本文全体作者均声明不存在利益冲突。
