數據挖掘在醫學影像儲存與傳輸系統結構化報告中的應用

林 妍

（梧州市紅十字會醫院信息科 廣西 梧州 543002）

數據挖掘指的是數據庫中的知識發現，主要挖掘對影像診斷有效信息，該項技術在20世紀80年代中后期開始得到廣泛應用。數據挖掘涉及較多學科，包括數據庫、模式識別、人工智能、統計學等，因此數據挖掘是一門交叉學科[1]。隨著醫學研究的深入，漸漸的將之用于醫學界中，本次研究針對數據挖掘技術相關理論知識及挖掘方法進行探究，分析該項技術在影像學存儲系統報告的基礎上提取有效信息的效果。旨在完善數據庫內容，快速得到有效的影像學資料。

1 資料與方法

1.1 開發工具

本次研究選擇兼容機、80G硬盤等硬件軟件開展探究；軟件方面選擇操作平臺為簡體中文，選擇雙軸分類的美國放射學院編碼數據庫。

1.2 結構化報告系統

選擇已有的結構化報告系統作為研究基礎，涉及影像學診斷、歸檔等數據庫，需要生成相關結構化報告，從而實施存儲、傳送等操作，對一經生成的圖像、波形等各種醫學數字影響和通訊標準信息進行整理，根據不同類型的醫學數字影響和通訊標準，建立結構化報告樹形文檔，入嵌套參考文獻引用，輸入關鍵詞引用相關圖像[2]。結構化報告中的儲存和傳送采取醫學數字影響和通訊標準中的遞歸嵌套項目序列數據集，使用樹形結構將之串聯，并予以驗證和審核，與醫學數字影響和通訊標準服務器保持通信，將該操作歸納為層級目錄當中，采取Microsoft Access 2000數據庫將影像診斷數據庫進行管理和整合，知識庫中的內容包括影像庫、診斷建議模板數據可庫等，同時診斷建議模板庫等幾項數據庫。歸檔數據庫這一方面，主要針對報告文本庫和報告圖像庫，前者采取SQL Server2000展開存儲管理，后者則經文件方式儲存即可。

1.3 方法

（1）在對醫學影像結構化報告進行操作期間，最大限度了解歸檔文本數據庫，通過錄入疾病征象擴展數據庫相關內容，數據庫知識數據達到一定量，有利于發現診斷規律。本次涉及的研究方法有粗糙集理論，在MDRBR算法基礎上尋找規律，使得知識自動獲取識別，從而實現能在較短時間內獲得病例中的有效信息，從而不斷完善數據庫內容。該理論是由波蘭學者提出的一種挖掘方法，通過對“概念”一詞展開剖析，認為是對象的集合，根據知識類型進行分類的能力。圍繞一個固定的問題知識點將之分為不同類型，在根據劃分的每一小部分組成形成一個概念。其特點在于可有效分析、處理不完全、不一致的各類信息，挖掘其中潛在的知識點或信息。（2）步驟，數據挖掘分步驟完成，共涉及8個步驟，首先了解醫學影像學基礎理論知識，確定系統目標；其次根據目標尋找數據，數據集合或者是發現變量；再次，數據預處理無關數據，將噪聲信息保留后期再處理；數據約減和投影，挖掘到相關數據表達特征后，數據這一模塊需要減少規模，并將目標與數據進行匹配，在數據變化中發現規律，開展數據挖掘，總結關聯規則等模式；對挖掘到的模式做分析和評估；最后應用挖掘到的信息。（3）結構，挖掘原始數據可通過德文本、圖像及數據實現，特別是異構型數據，有效挖掘原始數據，結構化報告則可以歸檔數據中獲取，將噪聲去除，從而建立結構化報告數據庫；并對數據庫中提出出來的數據進行分析，從變換后樣本中提出數據模式，數據挖掘結果一般包括概念、規則、模式等內容。經過數據挖掘獲取相關知識，并將之用于新得儲備系統中。

2 結果

2.1 擴充影像診斷知識庫

結構化報告將之納入數據庫報告中，并對之進行整理，影像學疾病類型、圖像等做好分類，對疾病“部位、大小、數量、密度”等內容的CT征象做好分類，形成帶有節點的疾病知識庫樹形圖，并將之存于數據庫中。生產診斷報告，將對應疾病的屬性進行判斷，最終形成結構化報告，并將之錄入診斷報告庫內，經特征值對結構化報告進行檢索。

2.2 輔助影像診斷

將結構化報告歸檔數據庫中，形成數據庫挖掘模式后，利用SQL Server2000相關操作，錄入患者一般資料、臨床疾病信息，形成基本數據表格。經檢查，大部分患者診斷出已確診疾病，其診斷率高達90.00%。

3 討論

數據挖掘技術隨著時代技術的進步得到廣泛應用，在醫學影像學科也逐漸得到重視，利用該項技術整合患者一般資料，對其歸檔資料進行整理，尋找影像診斷規律，最后得出診斷結論，加之得到大量數據作為支撐，因而診斷規則及模式具備一定的有效性。查閱相關文獻[3]，表示國內外具有該技術的研究成果，經粗糙集理論分析醫學影像學數據庫中的有效性信息，為急診科醫生以及各科護理提供正確決斷提供參考。這次的研究中，通過粗糙理論對挖掘技術病例展開分析，經建立影像診斷知識庫后顯示確診率達95.00%以上，說明挖掘技術在影像學診斷中發揮良好的作用。查閱相關文獻顯示[4]，應用貝葉斯學習分類法對男、女患者CT圖像繼續自動診斷，通過關聯規則對頭部創傷患者CT檢查圖像做分析，通過CT、HRCT影像和超聲影像紋理展開評估。CT圖像做鈣化、數量等方面的特征參考相關數據分析腫瘤性質。但需要注意的是，數據研究只能在結構化報告文本中操作，鑒于目前還有較多技術問題需要解決，仍需不斷優化操作步驟，數據分析準確性還有待提升[5]。

數據挖掘技術在醫學影像查詢及檢索中的應用，數據庫數據的引用促進PACS的發展，對不同設備醫學影像數據進行處理，PACS的應用會使得影像學數據發生較大的變化，以增長為主要趨勢。針對該情況，在文本檢索系統基礎上，影像存儲的同時建立有關患者的基本信息，對設備信息進行檢索時使用數據庫進行管理。在檢索系統中對圖像進行搜索，獲取有效信息，利用投影、數據分析等方式對其做深度處理，得到相關特征向量，所得信息與已知對象做對比處理，本次研究利用模糊神經網絡算法進行深度處理[6]。而關于復雜圖像方面的分析，需通過復雜的計算，計算量極大，且得到的結結果并不能確保其準確性，當前該算法在影像學圖像中的應用該處在摸索階段[7]。通過結構化報告的研究，應用挖掘技術將疾病CT診斷知識庫進行擴大，每一個模板需要在特定條件下進行可能性診斷。影像學診斷醫生的報告可從系統中查閱，選取與結果相符或相貼合的選項，對影像學圖像進行處理期間整理數據，將數據錄入后選擇對應菜單即可將報告調出[8]。極大提升了醫務人員的工作效率，還能使得醫學影像學結構化報告更為完善。

總之，數據挖掘技術在醫學影像學中還處在完善階段，未來需要更深入開發相關工具，全面提升查閱結構化報告圖像的效率，同時保證得到有效的數據信息，為患者臨床治療提供有效信息，保證廣大患者的身心健康。