APP下载

数据挖掘技术在辅助诊断心血管类疾病的AVR测量方法中的应用

2022-05-29张美华

电脑知识与技术 2022年12期
关键词:计算机辅助数据挖掘

摘要:随着计算机应用技术的发展和图像处理技术的进步,数据挖掘技术的应用也越来越广泛,基于医学图像处理与分析的计算机辅助诊断技术是计算机科学与医学相结合的具体应用,利用临床医学成像设备获取高质量的医学图像,通过数字图像处理技术对医学图像进行处理,并应用数据挖掘技术分析医学数据,探测数据之间的关联,运用有效的AVR测量方法预警排查与视网膜病变有关的各种疾病,最终辅助临床医学做出有效诊断。该过程以医学知识和临床症状为导向,以图像处理技术和计算机机器学习为方法,以数据挖掘技术为辅助手段进行的计算机辅助临床诊断过程。

关键词:数据挖掘;心血管类疾病;AVR;计算机辅助

中图分类号:TP391      文献标识码:A

文章编号:1009-3044(2022)12-0015-02

开放科学(资源服务)标识码(OSID):

心脑血管疾病是心脏血管和脑血管疾病的统称,泛指由于高脂血症、血液黏稠、动脉粥样硬化、高血压等导致的心脏、大脑及全身组织发生的缺血性或出血性疾病[1]。心脑血管疾病严重威胁人类的健康,通常,心血管疾病诊断技术包含有动态血压、动态心电图、运动负荷试验、心血管超声、心肌显像、CT、核磁共振以及造影、电生理检查和心肌标志物的检测等,临床经验表明,眼底图像中动静脉宽度之比(arteriolar-to-venular diameter rati-o,AVR) 的变化与脑萎缩、中风、高血压、糖尿病等疾病的病程情况密切相关,有效的 AVR测量可用于预警或排查与视网膜病变有关的各种疾病。

当今,各大医院都拥有数据库用来存储丰富的各类检测数据,虽然解决了海量的医学数据的存储和数据检索的效率问题,但无法改变“大量数据,缺乏信息”的现象,将数据挖掘技术应用到医学信息数据库,充分利用宝贵的医学信息资源,辅助医生进行科学的疾病诊断,预测疾病的发生,为治疗提供科学的决策,促进医学研究发展。通过 AVR 测量方法得到的数据,进行数据关联建模,寻找预测心脑血管疾病的 AVR 数据。

1准备前期

(1)自动识别眼底图像视网膜血管的动静脉的分析与研究

动静脉自动识别是进行动静脉管径或者曲率变化分析的预处理操作,与各种疾病尤其是心血管疾病预警或排查息息相关。眼睛是唯一可无损检测,同时信息丰富的器官,眼底检查能预警或者检测到的疾病较多,并且相对其他检查较为便宜、性价比很高、易于普及。动静脉血管在眼底图中,在颜色、形态上均有差异。动脉血管亮度较静脉血管高,并且动脉血管中心光反射更强。由于血管是非闭合结构,可用眼底图上对于血管的 2D 投影的血管树表示,不同血管交叉处的血管类型不一样,即两条相交的血管必有一根动脉血管一根静脉血管,为动静脉的自动识别提供了基础。目前用于动静脉识别的方法主要有半自动和全自动分类方法,其中半自动分类方法主要基于视网膜网络结构特征来实现。眼科医师标出分类起始端的血管类型,再利用血管分割算法和跟踪算法得到剩余血管的类型。全自动分类方法是根据血管结构划分血管分类集合,再利用血管的颜色、亮度特征差异构造分类特征向量进行分类操作。

(2)视网膜动静脉血管分类

视网膜血管分割和分类是研究血管变化与疾病关系的重要步骤,目前关于视网膜血管分割已经有很多研究者提出了方法,随着机器学习方法和深度学习方法在医学图像处理中的应用,血管分割的准确度达到了98%,为后面的血管分类提供了足够高的准确度,因此本文的研究应用着重在于分类。但由于视网膜血管分类的难度随距视盘的距离增大而增大,有白内障或者青光眼等眼睛病理性疾病的眼底图血管投影模糊等问题,视网膜血管的分类仍是计算机图像处理领域的难点问题。常用的分类方法中大多选取 ROI 区域,即以视盘为中心的同心圆区域,研究视盘以外、同心圆以内的血管的分类。这种方法的局限性很大,不能分析整个眼底图中的所有血管的分类。而且有研究表明,离视盘很远的小血管的管径、弯曲度的改变对某些疾病更为敏感。也有研究者提出在 ROI 区域的血管分类的基础上,利用血管的连接性基于血管追踪将分类结果不断扩展到剩余血管中,但这种方法的整体精确度不高[2-3]。所以必须研究出新的方法,对所有血管段进行分类的同时提高分类精度。

(3)数据挖掘技术的应用

利用数据挖掘技术从数据库中找到有价值的规律。先提取 AVR 的自动计算数据,经过布尔转换成适合数据挖掘的数据集,选择合适的算法,对整合后的数据集进行挖掘,发现并找出隐藏的、有价值的规律[4]。再将挖掘得到的隐藏规律使用用户可以理解的方式表达出来,从而辅助医生对心血管疾病的诊断,提前预知病情,避免造成发病期的严重后果[5]。数据挖掘流程图如图1所示。

(4)自适应的 AVR 计算

视网膜血管动静脉管径比(AVR)可以用来衡量视网膜血管的宽度变化,是检测疾病重要的技术参数。其临床意义在于能够筛查和预警多种疾病,如脑萎缩、心肌梗塞、糖尿病视网膜病变、早产儿视网膜病变等[6]。AVR 的计算是对视网膜动静脉分类的进一步应用。目前AVR 的自动计算整体流程大致分为两种,一种是提取血管骨架,得到血管走向方向,计算血管两边边界点之间的距离,从而得到血管口径长度。这种方法对于分叉处的血管的鲁棒性不够。第二种是根据血管灰度等特性,构造模型测量。这种方法因需要对参数进行设定,所以对于自适应的测量要求难以达到。AVR处理过程图如图2所示。

2 建立AVR测量方法的步骤

(1)寻找一种高效率、高精度的视网膜动静脉分类方法,为多种疾病的自动诊断和 AVR 的计算提供研究条件,给数据挖掘 AVR 与心脑血管疾病的关联提供精准数据。

研究表明,部分心血管疾病,例如高血压、心脏病、冠心病等疾病的发生,对动静脉血管造成不同的影响,使视网膜血管中的动脉和静脉形态发生较大改变,其他系统疾病,比如动脉硬化、糖尿病视网膜病变,也会影响视网膜血管结构。高血压视网膜病变的早期特征则包括视网膜动脉管径变小[7]。因此,要实现对视网膜动静脉高效率、高精度的分類,以提供精准的挖掘数据。

(2)建立一个有效的数据挖掘模型,实现高效率、高精度的 AVR 计算系统,尝试利用数据挖掘技术找出 AVR 与心血管疾病的规律,辅助医师对于心血管疾病的预警或诊断[8]。

多种疾病的预警和监测都依赖于视网膜的动静脉血管管径改变的计算,比如眼底血管的动静脉血管宽度之差的变化与糖尿病的病程、严重程度及愈后情况密切相关[9-10]。本文最终目标是建立一个有效的数据挖掘模型,实现一个高效率、高精度的 AVR 全自动测量系统,并利用数据挖掘技术找出 AVR 与心血管疾病之间的关联,预测心脑血管疾病,为临床诊断提供有一定价值的预测参考。

3讨论

(1)针对疾病的眼底表现与小静脉和小动脉的关联,比如视网膜小动脉管径增宽与糖尿病有关等,通过对整幅图像的血管进行分析,结合血管拓扑结构和图论,对包括感兴趣区域的整体血管进行分类。首先提取血管中心线进行图论和拓扑分析,再将血管进行分块分类。最后再结合动静脉血管特征向量进行分类。

(2)AVR 的计算中,为了减少分叉点的位置对计算结果的影响,首先根据图论确定分叉点位置后,再确定血管两边边界点,然后进行血管口径计算。

(3)实现一个基于眼底图像的 AVR 自动测量系统,辅助医生诊断,该系统简单好用,能帮助医生测量难以通过人眼观察到的动静脉管径比值的变化。

通过自动测量 AVR 值,利用数据挖掘技术辅助医生对心血管类疾病的诊断。视网膜动静脉血管的正确分类是 AVR 测量的前提和关键,选择挖掘算法并改进,通过算法分析找出 AVR 和心血管疾病的关联规律。

参考文献:

[1] Ayub L,Khan A S,Ayub J,et al.Differentiation of blood vessels in retina into arteries and veins using neural network[C]//2016 International Conference on Computing,Electronic and Electrical Engineering (ICE Cube).April 11-12,2016,Quetta,Pakistan.IEEE,2016:301-306.

[2] Niemeijer M,Xu X Y,Dumitrescu A V,et al.Automated measurement of the arteriolar-to-venular width ratio in digital color fundus photographs[J].IEEE Transactions on Medical Imaging,2011,30(11):1941-1950.

[3] Dashtbozorg B, Mendon?a A M, Campilho A.An Automatic Graph-Based Approach for Artery/Vein Classification in Retinal Images[J].IEEE Transactions on Image Processing, 2014(23):1073-1083.

[4] 张美华.浅谈数据挖掘技术及其应用过程[J].电脑知识与技术,2015,11(32):1-3.

[4] Estrada R,Allingham M J,Mettu P S,et al.Retinal artery-vein classification via topology estimation[J].IEEE Transactions on Medical Imaging,2015,34(12):2518-2534.

[5] Vijayakumar V,Koozekanani D D,White R,et al.Artery/vein classification of retinal blood vessels using feature selection[J].Annual International Conference of the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and Biology Society Annual International Conference,2016,2016:1320-1323.

[6] 冯变玲,魏芬,杨世民,等.心脑血管用药不良反应与用药人群间的关联关系分析[J].中国药房,2011,22(36):3389-3391.

[7] 苏杰.基于数据挖掘技术的高血压疾病评估方法研究[D].杭州:浙江大学,2006.

[8] 陈文伟,陈晟.从数据到决策的大数据时代[J].吉首大学学报(自然科学版),2014,35(3):31-36.

[9] 刘宏强.基于数据挖掘的冠心病发病相关因素研究分析[J].科技资讯,2008,6(10):207-208.

[10] 陈明.医学数据挖掘综述[J].医学信息,2008,21(1):19-21.

【通聯编辑:唐一东】

猜你喜欢

计算机辅助数据挖掘
基于并行计算的大数据挖掘在电网中的应用
计算机辅助的抽样调查应用框架探讨
机械制造自动化方式解析
计算机辅助翻译与教学设计探讨
一种基于Hadoop的大数据挖掘云服务及应用
例谈作图法在高中化学解题中的应用
数据挖掘的分析与探索
基于GPGPU的离散数据挖掘研究