基于改進K-means 與機器視覺的檔案數據分析技術

崔雨晴

（濟寧市第一人民醫院，山東 濟寧 272000）

醫院的健康管理信息平臺是信息化建設的重要組成部分，也是對傳統健康管理業務流程的再造[1-4]。根據國外經驗，醫院信息化投入通常占總收入的5%，而我國的平均水平僅約為2%。創建一套完善、周密及個性化的健康數據分析系統，其目的在于輔助建立有序、健康的生活方式，進而降低疾病風險；而一旦出現臨床癥狀，則可通過智能化就醫服務，盡快接受診斷治療[5-9]。

基于上述應用背景，文中面向醫院的健康信息管理平臺設計了醫療檔案的數據分析算法。該方法基于機器視覺技術(Machine Vision，MV)實現對門診記錄和檢驗報告等信息的提取，再使用K-means算法對提取的信息進行歸類分析，從而提升健康信息管理平臺的數據管理效率，并規范了相關的業務流程。

1 理論分析

1.1 聚類算法設計

該算法的應用場景為醫療信息系統相關檔案的初步自動歸類分析。所選擇的聚類算法是適用于醫療檔案這類大數據應用場景的K-means 算法[10-13]。在使用該算法前，首先，要確定醫療檔案的類別數量，即k值；然后，在迭代過程中，以每個檔案樣本到聚類中心的距離之和最小作為最佳聚類方案。其基本步驟描述如下：

1）在n個樣本中，選取k個樣本{z1,z2,…,zk}作為所有樣本的初始聚類中心。

2）遍歷n個樣本，對于第i個樣本xi，得到與其距離最近的聚類中心zv，同時將該樣本分配到zv對應的類別uv中。

3）根據平均法，重新分配類別中心。

4）根據式（1）計算所有樣本到聚類中心的距離D：

5）判斷D的收斂情況，若D不收斂，則重復步驟2）；否則，返回分類結果，如式（2）：

根據醫療檔案信息管理系統的需求，聚類方法應準確反映不同檔案樣本間的內在結構，且類內的樣本也需盡可能相似。由于該場景下的數據結構復雜，傳統K-means 算法的分類效果受初始聚類中心的影響較大。因此，文中建立了新的指標評價體系。

記聚類空間為K={X，R}，其中X是數量為n、類別為c的樣本集合，R為實數集合。設樣本的最小類間距為b，類內距離為w，聚類距離為baw，聚類離差距離為bsw，則第j類和第i個樣本下各指標的計算方法如下：

綜合式（3）-（6）的相關指標，文中在劃分聚類時使用的最終指標BWP 的定義如下：

1.2 圖像采集與處理

為了提升數據的采集效率，該醫療檔案信息系統還引入了機器視覺的圖像處理相關方法[14-16]。該方法可以自動識別患者的門診記錄、診斷報告等信息，進而實現數據的快速錄入。系統視覺處理模塊如圖1 所示。

圖1 系統視覺處理模塊

視覺處理模塊主要包括三個部分：圖像采集模塊、圖像處理模塊以及數據管理與信號控制模塊。其中，圖像采集模塊主要對醫療信息系統中的相機、光源等設備的曝光時間、觸發頻率、環境亮度和照射角度等參數進行調整，以保證醫療檔案采集的清晰度。圖像處理模塊的主要流程如圖2 所示。

圖2 圖像處理模塊的工作流程

在進行圖像降噪[17-19]時，采用了鄰域平均法。記f(i,j)為相機采集的含有噪聲的圖像，g(i,j)為降噪處理后的圖像，則有：

圖像配準是指將采集的圖像通過平移、旋轉等操作，完成幾何矯正，文中采用基于鄰域搜索的模板匹配法來進行配準。首先在標準模板中選取兩個小區域模板T0、T1，并將二者的中心分別設為(x0,y0)和(x1,y1)；記P(X,Y)為(x0,y0)與(x1,y1)連線的中心線，M(x,y)為降噪后圖像的中心點坐標，則可以得到坐標間的對應關系為：

式（9）中，(x′,y′)為降噪后圖像M繞原點O旋轉角度θ后的坐標，并記該點為M′，其坐標計算公式為：

其中，γ為OM連線與平面直角坐標系中x軸的夾角。其計算公式如下：

最終，可以得到配準的平移量為：

圖像差分是將配準后的圖像進行差分，進而獲得差值圖。其可描述兩幅圖像之間的差異，從而為提取有效的患者檔案信息提供基礎。假設系統預置的模板圖像灰度矩陣為T，配準后的圖像記為S，插值圖像記為E，則有：

基于插值圖像，即可最終完成相關的醫療檔案信息提取。

2 方法實現

2.1 實驗平臺設計

在使用醫療信息系統進行檔案管理時，由于患者人數多、提取的信息結構復雜且獲取的數據量也較大，此時若采用傳統的K-means 算法進行數據處理，不僅迭代過程難以收斂，算法的相關指標也無法令人滿意，因此文中仍基于機器視覺的相關理論，搭建算法仿真的GPU 并行計算平臺。

GPU 是計算機上用于圖像處理的微處理器，根據計算機視覺體系下的計算特點，該處理器適用于文中所述的計算密集型場景。CUDA(Compute Unified Device Architecture)是NVIDIA 公司開發的面向GPU的并行計算平臺，基于該平臺實現醫療信息管理系統的相關機器視覺計算任務與K-means的并行化處理。

為了滿足醫療機構現有數據分析系統的接口要求，需要在CUDA 中按照Host 端、Device 端進行數據結構體設計。Host 端主要包含Data 結構體。該結構體的具體描述如表1 所示。

表1 Data結構體屬性設計

相較于Host 端，Device 端的數據結構相對簡單，所有的結構體均為一維數組。每個結構體的功能描述如表2 所示。

表2 Device端結構體屬性設計

在進行K-means 算法設計時，由于不同時間、不同地點醫療信息系統采集的數據規模是不同的。因此文中對于不同的數據集規模，分別設計了不同串行、并行的K-means 算法。具體的描述如表3 所示。

表3 系統內設計的聚類算法和處理對象

根據K-means算法的基礎理論和改進的K-means算法描述，在CUDA 中設置該算法的相關參數，如表4所示。

表4 改進K-means算法的參數

文中使用的算法硬件仿真平臺與CUDA 平臺的相關參數，如表5-6 所示。

表5 算法仿真硬件平臺

表6 CUDA的相關參數

2.2 實驗測試與評估

基于上文所述的相關圖像處理方法共提取了七個數據集，不同數據集的標簽維度數、提取的時間如表7 所示。

表7 數據提取結果

從表7 中可以看出，圖像處理算法在GPU 上的運行速度是顯著優于CPU 的。而在CPU 中，數據的提取效率會隨著數據維度的提升而降低，在并行的GPU 計算模式下，提取時間的增加速度則小于CPU中的速度。

在完成數據提取后，選取編號為6 的數據集(64/8 MB)作為測試樣本，并對改進后的K-means 算法在CUDA 中的運行效率進行評估。評估結果如表8 所示。

表8 不同k值下的運行時間

由表8 可知，不同的k取值會影響K-means 算法的運行效率。在CPU 中進行聚類實驗時，算法的運行時間會隨著k取值的變大而顯著增加；而在GPU中進行計算時，運行時間隨k取值的變化則并不明顯。對比兩個算法，當k取值為16、32 時，GPU 的運行時間分別下降了76.79%和82.49%。由此說明，Kmeans 算法越復雜，GPU 下的計算優勢便愈發明顯。

最后，在編號為7 的數據集上對上文所述的聚類算法BWP 評價指標體系進行了評估。經前期標注，已探明該數據集的最佳分類數k為16。在測試時，使用現在常用的CH、DB、KL 等聚類評價指標體系作為對比。測試對比結果如表9 所示。

表9 不同指標體系下的聚類效果

從表9 可以看出，CH、DB 算法無法在具有多個類別時正確識別樣本的類別數量。而KL 與所提BWP 指標均能幫助K-means 算法正確識別出樣本的類別數，但后者正確聚類的樣本占比提升了4.88%。

3 結束語

文中面向醫療信息管理系統設計了一套基于機器視覺的檔案信息提取算法，并引入改進的Kmeans 算法對提取的檔案信息進行了聚類分析。在實現相關算法時，文中還使用了基于GPU 的CUDA計算平臺，提升了算法的計算效率。未來，隨著醫療信息化程度的不斷提升，所提數據分析方法將有更廣泛的應用。