数据挖掘在PACS系统中的应用

研究与开发　陈戏墨　，　谢铉洋　（广州医学院第二附属医院，广州５１０２６０）　摘要：ＰＡＣＳ系统在医院得到越来越广泛的应用，大量的图像和文本资料存贮在ＰＡＣＳ数据库中。这些海量数据　仅仅是一些“数据”的集合，而不是“信息”或者“知识”的集舍。本文将数据挖掘技术与ＰＡＣＳ系统结合，通　过处理ＰＡＣＳ系统中的各种病案资料，从“数据”中获取有用知识的集合，为医生的辅助诊断提供了智能的　决策支持。　关键词：数据挖掘；ＰＡＣＳ；决策支持　

引　言　各种电子化医疗设备的投入使用，带来了每日　大量的数据增加，这些数据包括各种文本数据和图　像数据。一些新的医学成像技术为临床提供了丰富　的影像学资料，极大地方便了医生的诊断，但与此同　时，所产生的大量的影像资料对医院的管理提出了　更高的要求。对于传统的胶片备份，人工管理的方法　不仅要耗费大量的资金、场地和人力，而且存在着丢　失资料、查找困难、存储时间短等问题。这种方法已　经远远不能满足医院迅速增长的业务要求。伴随着　高速计算设备、网络通信及图像处理技术的飞速发　展而产生的“医学影像归档与传输系统”ＰＡＣＳ（Ｐｉｃ－　ｔｕｒｅ　Ａ￣ｒｃｈｉｖｉｎｇ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ），为以上问　题的彻底解决提供了一种先进的技术手段。　广州医学院第二附属医院是一间现代化的大　型综合性医院，目前该院的ＰＡＣＳ系统数据量以每　月３０Ｇ的速度递增，传统人工分析的方法在这些　大量数据面前已经显得不足。因此，如何从这些数　据集中获取有益的“知识”，成为ＰＡＣＳ系统研究的　个重要方向。　目前ＰＡＣＳ中的病案资料分为两个主要的部　分：图像和文本。其中图像数据包含病人的各种检　查图像，如ＣＴ、ＤＸ、ＭＲ等；文本数据以病人的诊断　信息为主。本文将数据挖掘的技术与ＰＡＣＳ系统结　合，利用数据挖掘技术来处理ＰＡＣＳ中的数据，从　中抽取出对医生诊断有益的“知识”，并且提供智能　的辅助诊断。　

本课题由广州市科技厅资助　

本文的组织方式如下：第１节我们介绍一个通　用的数据挖掘模型Ｆａｙｙａｄ，并且对该模型进行分　析后，在第２节中给出我们原型系统的体系结构，并　从实现的角度分析数据挖掘与ＰＡＣＳ结合的技术难　点，最后给出全文的总结并指出将来的研究方向。　

ｌ　数据挖掘模型　简单地说，数据挖掘是从大量数据中抽取出知　识的过程【ｌｊ。目前广泛使用的数据挖掘模型是　Ｆａｙｙａｄ［２１总结出的过程模型，该模型如图１所示。　

数据　目标数据　处理后数据转换数据　模式　知识　图１　Ｆａｙｙａｄ过程模型　该模型主要分为如下的５个步骤：　（１）数据选择　这是数据挖掘过程的第一步，该步骤完成从现　有的数据中选择出对本次数据挖掘有关的数据。　显然与本次数据挖掘无关的数据无需被选择进入　该过程。　（２）预处理　数据的预处理包括数据清洗、集成等。在实际　的应用中，数据的分布情况往往不能达到理想的状　况。比如噪音数据、数据缺失、不一致数据等。这些　

ＭＯＤＥＲＮ　ＣＯＭＰＵＴＥＲ　２眦１２　

现　代　计　算　机　

总　第　

七　七　期　

维普资讯 http://www.cqvip.com 研究与开发　数据如果直接输入给数据挖掘的过程，显然会给挖　掘算法带来很多不确定性的因素。我们可以通过　统计分析、回归分析、数据拟合等方法清除或者填　充这些不一致的数据，从而为下一步的处理提供良　定（Ｗｅｌｌ—Ｄｅｆｉｎｅｄ）的数据。　（３）数据转换　经过预处理后“干净”的数据，还要经过数据转　换成数据挖掘算法需要的数据格式。一般来说，数　据挖掘算法往往不需要原始的数据，而是具有初步　语义特征的数据。　（４）挖掘　通过设计合适的数据挖掘算法，应用于经过清　理和转换后的数据，从中抽取数据的模式特征　（Ｄａｔａ　Ｐａｔｔｅｒｎ）。这个模式就是“知识”。　（５）解释和评估　数据挖掘出的知识往往是计算机的内部表示，　因此需要以适当的可视化技术来向用户展示这些　知识，并且对挖掘出的知识做出量的评估。　注意到Ｆａｙｙａｄ模型是一个迭代的过程。如果　该过程的某个阶段Ｋ的输出与实现的预计有出入　或者未达到预期的效果，则需要用户重复以前的工　作，即重复阶段Ｋ—ｌ的工作或者重复阶段ｌ到阶　段Ｋ—ｌ的所有工作。实际应用中，往往需要根据实　际数据情况和挖掘目标调整该模型的实施过程。　２　ＰＡＣＳ系统上的数据挖掘　ＰＡＣＳ系统中占主体地位的是医学图像数据，　因此找出这些医学图像数据和对应的诊断信息之　间的关系，成为我们的主要挖掘目标。图２是笔者　采用的挖掘体系结构。　图２　ＰＡＣＳ数据挖掘结构　（１）图像数据的特征抽取　图像内容获取是计算机视觉和人工智能的一　个研究领域，目前的方法主要是根据图像数据的特　征来进行模式的识别，从而获得统计上的语义特　征。图像数据的主要特征包括：颜色、纹理、空间特　征等。颜色是使图像中对象识别变得简单的强有　力的特征。纹理可用于不同表面和其他信息，包括　形状和运动等的区分，并反映一些抽象概念，如：均　ｏ　ＭＯＤＥＲＮ　ＣＯＭＰＵＴＥＲ　２００３．１２　匀性，密度，方向、频率等。空间特征主要指图像上　两个或多个语义实体之间的空间位置关系，比如上　下左右等。　在我们的实现中，通过一些图像的预处理技术　后将图像映射到一个矩阵Ａ上。矩阵Ａ的定义如下　

Ａ罂ｊ，　

ｍ＝图像高度，ｎ＝图像宽度，ａｉｉ表示图像对应点灰度值　因此，对图像特征的提取转换为对该图像对应　矩阵的数值分析。由于Ａ（ｍ｝ｎ）矩阵可能过大，比　如一幅５１２ｘ５１２的图像，则该矩阵有ｍ＝５１２行和　ｎ＝５１２列，其数据的计算量是非常大的。实际中，我　们将该矩阵进行分块，如下所示：　

Ａ＝　ａｌｌ　ａ１２－　－－

般采取均匀分块方式，如４：Ｉｃ　４，１６：Ｉｃ　１６等。　我们采用６４ｘ６４的均匀分块方式，即ｓ＝ｔ＝６４。如果　Ａ的大小为１０２４：Ｉｃ　１０２４，则每个分块　的大小为　１６ｘ１６。通过对每个分块进行特征的提取并将这些　特征值保存在数据库对应该图像的记录。每条记　录称为该矩阵Ａ的一个事务：　Ｔ＿ｉＩｍａｇｅｌＤ。Ｍａｔｎ＇ｘｌｎｆｏ。　。　，…。　ｌ　其中Ｍａｔｒｉｘｌｎｆｏ保存Ａ的分块信息，特征Ｆｌ…　Ｆｎ是从图像中抽取得特征数字。对图像特征的描　述有很多方式，主要有：　

平均值：　＝∑　，７。　ａ　ＥＡｓｔ　用来描述一组像素灰度的均值；　

标准方差：Ｆ曲：　用来描述该块图像与其平均值的离散程度；　偏斜度：　＝　∑＼ｇＦ妯ｉ－Ｘ　）。，　

维普资讯 http://www.cqvip.com 用来描述该块图像灰度值以平均值为中心的　不对称程度；　峰度：　＝　∑ｘ￣ｘ／４—　３（ｎ一１）　（几一２）（几一３）’　该特征值描述了该块图像与其正态分布的尖　锐度或者平坦度。　关于图像矩阵Ａ及其分块阵Ａ　的数学描述，　都从某一个角度反映了图像的像素点分布特征；而　像素点的分布又直接反映出图像的某种纹理分布、　亮度分布特征。因此，选择适当的特征值组合成图　像的事务Ｔ，存放到数据库中供关联规则挖掘算法　进行处理。　（２）病案资料分类　病案资料主要包括患者的诊断信息。以肺炎　患者为例，诊断的检查所见结论通常有肺野纹理增　多、纹理粗乱、门影增浓、膈面光滑等；诊断结论通　常有左（右）下肺炎、左（右）上肺炎、双下（上）肺炎　等。通过从病案资料库中提取出如上所示的关键　词，并将这些关键词作为结论向量Ｄ与其对应的　图像事务Ｔ一并存人数据库中。这里Ｄ的定义为：　Ｄ＝（　。扇，…，　，ＤＩ，　，…，　）　其中ＥＩ表示医生对图像的检查所见，而　表　示诊断结论。注意这里的Ｄ是一个向量而不是一　个集合。也就是说Ｄ中元素的权值和先后顺序是　相关的。　（３）关联规则挖掘　关联规则（Ａｓｓｏｃｉａｔｉｏｎ　Ｒｕｌｅ）挖掘是数据挖掘　领域中开展得比较活跃的一个区域。关联规则以　事务为研究对象，它的问题描述如下：　设Ｉ＝｛ｉｌ，ｉ２，……，ｉｍ１是ｍ个不同项的集合，Ｄ　为一事务集，其中每一事务Ｔ∈Ｉ是一组项集，且有　唯一标识１＇ＩＤ。Ｘ为某些项的集合，如果Ｘ∈Ｔ，　则称事务Ｔ包含Ｘ。关联规则表示为Ｘ—Ｙ，其中　Ｘ　Ｉ，Ｙ　Ｉ，且ＸｎＹ＝Ｏ，Ｘ称为规则的前提，Ｙ为结　果。项集中项的数量称为项集的长度，每一项集都　有一称为“支持度”（Ｓｕｐｐｏｒｔ）的统计度量。对于Ｘ，　Ｘ∈Ｉ，若事务集Ｄ中包含Ｘ的事务个数为Ｓ，则　Ｓｕｐｐｏｒｔ（Ｘ）－－Ｓ。　对于事务集Ｄ，规则Ｘ—Ｙ的置信度（Ｃｏ￣ｆｉ—　ｄｅｎｃｅ）定义为：　ｃｏｎｆｉｄｅｎｃｅ（Ｘ－－，Ｙ）￣ｕｐｐｏｒｔ（ＸＬＪＹ）／ｓｕｐｐｏｒｔ（Ｘ）＝Ｐ（Ｙ［Ｘ）　研究与开发　规则Ｘ—Ｙ的支持度定义为：　ｓｕｐｐｏｒｔ（Ｘ－－－￣Ｙ）＝Ｄ中包含（ＸｕＹ）的事务的百分比　＝Ｐ（ＸＵＹ）　挖掘ＡＲ就是找出这样一些规则，它们的支持　度和置信度分别大于用户指定的最小ｓｕｐｐｏｒｔ和　ｃｏｎｆｉｄｅｎｃｅ限度，这个限度成为阀值。因此，关联规　则的挖掘可分解为以下两步：　①产生所有支持度大于指定最小支持度的项　集，称之为频繁集（Ｆｒｅｑｕｅｎｔ　Ｉｔｅｍ　Ｓｅｔ）Ｌ，其他则称　为非平凡集；　②用频繁集来生成所希望的规则。　最著名的关联规则数据挖掘算法是Ａｇｒａｗａｌ，　Ｒ．提出的Ａｐｆｉｏｆｉ算法。它利用所谓的Ａｐｆｉｏｆｉ性质　压缩搜索空间，提高频繁项集产生的效率。大多　数比较成熟的算法基于Ａｐｆｉｏｆｉ算法。　典型的关联规则算法是Ａｐｆｉｏｆｉ算法，该算法　描述如下：　连接运算的定义为：用　自连接得到候选集Ｃｋ。　修剪：一个ｋ一项集，如果他的一个ｋ一１项集　（他的子集）不是频繁的，那他本身也不可能是频　繁的。　Ａｐｆｉｏｆｉ算法的伪代码：　

：大小为ｋ的候选集　厶：大小为ｋ的频繁集　Ｌ　｛ｆｒｅｑｕｅｎｔ　ｉｔｅｍｓ｝；　ｆｏｒ（七＝ｌ；厶！：ｏ；“＋）ｄｏ　ｂｅｇｉｎ　ｌ＝ｃａｎｄｉｄａｔｅｓ　ｇｅｎｅｒａｔｅｄｆｒｏｍ　ｆｏｒ　ｅａｃｈ　ｔｒａｎｓａｃｔｉｏｎ　ｔ　ｉｎ　ｄａｔａｂａ￥ｅ　ｄｏ　ｉｎｃｒｅｍｅｎｔ　ｔｈｅ　ｃｏｕｎｔ　ｏｆ　ａｌｌ　ｃａｎｄｉｄａｔｅｓ　ｉｎ　ｌ　上　ｌ＝ｃａｎｄｉｄａｔｅｓｉｎ　Ｃ　ｗｉｔｈｒａｉｎ　ｓｕｐｐｏｒｔ　Ｅｎｄ　ｒｅｔｕｒｎ　Ｕｔ厶　

上面代码中生成候选集的算法有很多，可以参　考文献［１］。　如果直接将Ｔ和Ｄ中涉及到高维数据集交由　Ａｐｆｉｏｆｉ算法，将会带来运行时空代价的增高，所以　要进行多维数据的约简（Ｈｉｇｈ　Ｄｉｍｅｎｓｉｏｎａｌ　Ｄａｔａ　Ｒｅ—　ｄｕｃｔｉｏｎ）。可以运用粗糙集嘲的方法对属性进行规　约，进一步将对象按属性约简归类，可以为每一类　对象提供一个支持度区间，从而减少多维数据的高　复杂性。　为提高Ａｐｆｉｏｆｉ算法的有效性，已经提出了许　多Ａｐｆｉｏｆｉ算法的变形，融合如散列项集计数，事务