（成都市公共卫生临床医疗中心 四川成都 610000）
【摘要】针对医学CT图像上图像挖掘技术的应用方式进行分析，讨论数据收集与CT图像特征等，希望能够对相关研究活动带来一定的借鉴价值。
【关键词】医学CT图像；图像挖掘技术
【中图分类号】R445 【文献标识码】A 【文章编号】1007-8231（2017）28-0174-02
医院CT图像检查为临床诊断疾病、早期发现疾病的重要方式，随着现代计算机技术的快速发展，CT图像中图像挖掘技术的得到广泛应用，能够更加清晰观察到患者的临床症状，对患者疾病的综合性筛查能够产生重要影响。文章将结合医学CT图像上图像挖掘技术的应用进行分析，结合病例书库进行讨论，现总结内容如下。
1.数据收集与特征提取
1.1 数据收集
纵观当前临床检查的情况来看，肝部病变肝纤维化的早期诊断，是预防肝硬化、肝癌的重要方式，故而在实际的临床诊断工作中，将工作的重点置于肝部CT图像的挖掘方面。通常一位患者拍摄的CT片包含20多层，以便于提升临床诊断符合率。但是图像特征的分析与识别，对临床诊断工作提出了更高要求，诊断与鉴别工作难度较大。
1.2 CT图像特征提取
肝纤维化指的是肝细胞发生坏死或者炎症刺激的情况下，肝脏内纤维结缔组织异常增生的病理变化[1]。纤维化的状态下，肝脏表面因为结节增生而高低不均，且肝脏实质密度呈现出较大转变。CT图像中，纤维化的肝脏边缘发生波浪状、锯齿状等不平滑改变,肝表面颜色偏暗,质感粗糙,灰度分布不均匀。
通常情况下图像包含颜色、纹理、形状以及边缘状态等等特征。结合肝部CT图像的特点能够挖掘肝部的纹理特征[2]。通常认为纹理为灰度的空间下，形式变化生成的团为真实图像区域固有的特征，故而量化区域纹理的内容描述空间，对患者整体疾病发展状态的问题十分关键。常用的纹理分析方式包含统计法、频谱法以及结构法。
应用统计法实施灰度共生矩阵分析，提取肝部CT图像的纹理特征，提取的特征如下：
（1）灰度特征：平均CT值为所选择位置各类CT值之和以及所包含的像素点数量。病变位置的CT片区域相对较亮，与周围状态具有显著区别，可以作为特征分析的重要组成部分。
（2）纹理特征：肝部CT片中，病变位置的纹理与正常状态下差异较大，故而可以通过统计法进行CT图像的分析，对比差距、最大概率以及相关系数等[3]。
期刊文章分类查询,尽在期刊图书馆
2.构建CT图像挖掘数据库
肝部CT图像挖掘数据库技术的应用，需要对肝部CT图像特征进行综合分析，且需要融合患者已有的相关数据特征，构建CT图像挖掘数据库[4]。患者已有的数据信息，具体包含患者的年龄、性别、CT图像中病变位置的情况等，且将上述内容纳入CT图像挖掘数据库中，对各项数据进行全面性分析。CT图像挖掘数据库的每条记录如下：
(CTID; LayerID; f1, f2,...,fn;g1,g2,...,gm;Class)
公式中CTID为CT事务编号，LayerID代表第几层的CT片，f1，...，fn为由图像中抽取的特征。g1，...，gm代表患者原有的特征；Class代表CT片的类别，主要分为政策与非正常两个类别。针对于正常图像而言，所挖掘的特征将纳入数据库当中，病变图像通常抽取病变位置的特征纳入数据库中，这种方式能够获得更多的患者信息，以便于患者疾病症状的综合判断。
3.CT图像关联规则的挖掘
3.1 CT图像关联规则的挖掘
关联规则是数据挖掘中应用最广泛的技术之一，将其应用到CT图像挖掘数据库中，能够挖掘到更多有价值的信息，发挥CT图像检查的价值。在实际的挖掘过程中，需要将挖掘出的关联规则定义为如下形式。
规则的前项为数据库中特征的聚合，规则后项即为CT片所属的类型，包含正常与非正常之分。将最小可信度设置为50%，最小支持度设置为25%，将数据挖掘记录划分为10个小组，建立挖掘模型[5]。模型中，将第1组留出作为测试数据，将其他9组合并形成训练数据予以挖掘。将所获得的关联规则在留出的第1组中进行测试，以保证其检测的准确率。上述过程对每一组数据均需要重复开展1次，得到10个正确率，模型的正确率为10个正确率的平均值。
挖掘的过程中，正常图像与非正常图像的比率分别为80%和20%。根据挖掘的情况来看，其准确率不够高，挖掘的效果仍然不够理想，故而需要进一步应用平衡数据图像进行分析，保证其数据分析的准确率。
3.2 规则入库与新图像分类
将挖掘且修剪后得到的数据纳入规则库中以便应用，如果出现新的图像，则需要输入其中获得图像的各个特征值。应用规则库的的过程中，需要对其进行类别划分，判断CT图像是否存在病变问题。
可以将规则库中的规则解释为自然语言并与医生诊断相对比，能够获得“规则CT图像能量<0.2=>CT图像不正常”等相关理论。其原因在于CT图像能量参数能够反映区域图像的均衡性与平滑性特点，图像能量值相对较低，表面质感粗糙，致使灰度分布向某一个灰度范围转变。
4.小结
医院CT图像中图像挖掘技术的应用，能够为CT图像检查活动提供必要的数据支持，应用关联规则挖掘更多有价值的数据信息，全面了解患者的病灶状态与疾病发展情况等，以便于患者疾病的早期确诊与针对性治疗。临床应用中需要继续优化挖掘算法，提升挖掘的效率，通过各类数据挖掘技术实现CT图像挖掘，且更好的应用到实际医学服务中。
【参考文献】
[1]伍强,伍鼎韡,高炳玉,等.基于医学图像数据挖掘的高精度显示及格式压缩[J].信息系统工程,2014,05（13）:144-145.
[2]沈奕晨,聂生东.锥形束CT与螺旋CT图像配准算法及其在放疗中的应用[J].中国医学物理学杂志,2014,05（22）:5151-5156.
[3]李莉,森干,木拉提·哈米提,严传波.基于医学图像内容的挖掘技术研究[J].电脑知识与技术,2011,21（19）:5229-5230+5232.
[4]欧阳志平,王丽珍,周丽华.实例位置模糊的空间co-location模式挖掘研究[J].计算机科学与探索,2012,12（22）:1144-1152.
[5]林晓佳.基于改进AdaboostM1算法医学图像分类系统的研究[J].聊城大学学报(自然科学版),2015,04（18）:29-32.
论文作者:熊维
论文发表刊物:《心理医生》2017年28期
论文发表时间:2017/11/1
标签：图像论文; 特征论文; 肝部论文; 规则论文; 患者论文; 纹理论文; 数据论文; 《心理医生》2017年28期论文;