医学影像数据挖掘（精选12篇）
医学影像数据挖掘 第1篇
关键词：数据挖掘,医学,应用,综述
随着信息技术的迅猛发展, 数据库应用的规模、范围和深度不断扩大, 各行业都积累了大量的数据资料, 但是人们无法理解并有效地利用这些大量的数据, 从而导致"数据太多而知
1 引言
识太少"的尴尬局面.在这样的背景下, 数据挖掘 (Data Mining DM) 和数据库中的知识发现 (Knowledge Discovery in Database KDD) 应运而生.
KDD最早是在1989年举行的第11届美国人工智能协会学术会议上提出的。DM只是KDD的一个处理过程, 但却是KDD最重要的环节.DM是按照既定的业务目标, 对大量数据进行探索, 揭示隐藏其中的规律性并进一步将之模型化的先进的、有效的方法.在实际工作中, 数据挖掘和知识发现这两个词经常混用, 不加区分[1]。
2 医学数据的特点
医学数据具有以下特点[2]
2.1 模式的多态性
医学信息包括纯数据 (如体征参数、化验结果) 、信号 (如脑电信号等) 、图像 (如B超等医学成像设备的检测结果) 、文字 (如病人的症状描述和诊断结果的文字表述) , 以及语音和视频信息等.
2.2 不完整性
疾病信息所体现出的客观不完整和描述疾病的主观不确切, 形成了医学信息的不完整性.
2.3 时间性
医学检测的波形、图像都是时间的函数;还有一部分医学信息是对病人在某一时刻医疗活动的记录.
2.4 冗余性
医学数据库是一个庞大的数据资源, 每天都会有大量相同的或部分相同的信息存储在其中.
上述这些特点, 决定了医学数据挖掘的特殊性.
3 医学数据挖掘的关键问题
由于医学数据的特点, 导致医学数据挖掘存在以下关键问题[2]
3.1 数据预处理
医学数据库中含有海量的、不同来源的原始信息, 其中包括大量模糊的、不完整的、带有噪声和冗余的信息.在数据挖掘之前, 必须对这些信息进行清理和过滤, 以确保数据的一致性和确定性.
3.2 信息融合技术
医学信息是由文字、数据、波形信号、图像、以及少量的语音和视频信号组成.对这些不同物理属性的医学数据, 应采用不同的技术和措施进行处理, 再对处理的结果进行综合.
3.3快速的、鲁棒的挖掘算法
医学数据库涉及面广、信息量大, 要在这样庞大的数据库中提取知识, 需要花费比其它数据库更多的时间, 因此必须考虑医学数据挖掘的效率问题.同时, 医学数据库的类型较多, 并且又是动态变化的, 要求挖掘算法具有一定的容错性和鲁棒性.
3.4 提供知识的准确性和可靠性
医学数据挖掘的主要目的是为医疗活动和管理提供科学的决策, 因此必须保证挖掘算法所提供的知识具有较高的准确率和可靠性.提高挖掘结果的准确性和科学性, 是医学数据挖掘能否得到实际应用的关键所在.
4 医学数据挖掘的应用方向
数据挖掘技术在商业及工业生产中已经得到了较为广泛的应用, 取得了显著的经济及社会效益.然而在医学领域的应用尚处于起步阶段, 积极探索数据挖掘在该领域的应用具有重要的实用价值和广阔的发展前景.目前数据挖掘在医学领域的应用主要集中在以下4个方面[1]:
4.1 在疾病辅助诊断中的应用
采用数据挖掘技术, 通过对患者资料数据库中大量历史数据的处理, 挖掘出有价值的诊断规则, 这样根据患者的年龄、性别、辅助检查结果、生理生化指标等就可以做出诊断结论, 从而排除了人为因素的干扰, 客观性强, 此外由于处理的数据量很大, 因此所得到的诊断规则有着较好的应用普遍性.目前国外已有不少这方面的成功案例, 显示出数据挖掘技术用于疾病辅助诊断的广阔的应用前景.
4.2 在药物开发中的应用
在新药的研究、开发过程中, 先导化合物的发掘是关键环节, 有2种基本途径, 一是随机筛选与意外发现, 二是定向发掘.采用的随机筛选的方法开发周期长、研究费用高, 采用数据挖掘技术建立的药物开发系统, 可以确定药效基团, 指导新药的研究与开发, 从而缩短新药的研究开发周期.
4.3 在医院信息系统中的应用
医院信息系统是医学信息学的一个分支, 分为管理信息系统和临床信息系统.前者主要处理医院内部管理方面的信息如人事、财务和设备管理等, 而后者是以处理患者为中心的信息系统.目前这两类系统的信息处理都是停留在基于数据库技术支持的操作型事务处理的水平上, 但对于预测未来某段时间内哪些药品使用的频率最高或最低、哪些疾病的发病率最高等问题却是无能为力.利用数据挖掘技术可以轻而易举地找到这些问题的答案.
4.4 在遗传学方面的应用
遗传学的研究表明, 遗传疾病的发生是由基因决定的, 通过对DNA片段进行测序能够了解从细菌到人的基因代码的分子结构.如何从大量的DNA数据中找到具有统计特异性的序列 (组) 就成为最迫切需要解决的问题.目前的研究结果表明数据挖掘技术较传统的统计分析方法更为有效.
5 应用举例
下面, 给出一些医学数据挖掘应用的实例, 主要涉及西医和中医的辅助诊断的内容。
5.1 诊断心肌灌注的知识发现系统[3]
目标:根据心肌灌注情况诊断有或无冠状动脉疾病.
挖掘方法:CLIP3机器学习算法, 结合了决策树概念和基于规则的算法.
使用病例:161正常/24有病.
分类精度:最高精度62.7%.
5.2 关联规则在中医疾病症候诊断中的应用[4]
通过采用基于关联规则的数据挖掘方法, 可以得到很有价值的一些规则:把《伤寒论》中的病名, 症状, 舌脉分别作为数据表建立数据库, 挖掘得出
规则1:发热, 恶寒, 脉浮身=〉太阳病 (支持度65%, 置信度5%, 兴趣度1.2) , 说明《伤寒论》里有发热, 恶寒, 脉浮的条文的65%都提到太阳病, 《伤寒论》里提到发热, 恶寒, 脉浮, 太阳病的条文占65%之多, 该规则很有意义.可以认为发热, 恶寒的确是太阳病的诊断依据.
规则2:脉紧=〉太阳病 (支持度30%, 置信度1%) , 支持度与置信度小, 故认为不能单独凭脉紧就诊断为太阳病;
规则3:脉弦=〉太阳病 (支持度0.5%, 置信度O.5%) , 支持度与置信度太小, 可以认为脉弦根本不是太阳病的备选证候.
6 结束语
医学数据挖掘是计算机技术、人工智能、统计学等与现代医疗相结合的产物, 具有广阔的应用前景.由于医学信息自身具有的特殊性和复杂性, 与常规数据挖掘相比, 医学数据挖掘在挖掘对象的广泛性、挖掘算法的高效性和鲁棒性、提供知识或决策的准确性方面有着更高的要求.医学数据挖掘是一门涉及面广、技术难度大的新兴交叉学科, 需要从事智能信息处理的科研人员与医务工作者进行通力的合作, 力争在多属性医学信息的融合、挖掘算法的高效性和准确性等关键技术方面有所突破.随着技术的发展, 医学数据挖掘在疾病的诊断和治疗、医学科研与教学以及医院的管理等方面将会发挥巨大的作用.
参考文献
[1]于长春, 贺佳等.数据挖掘技术在医学领域中的应用.第二军医大学学报, 2003, 24:1250-1252.
[2]朱凌云, 吴宝明.医学数据挖掘的技术、方法及应用.生物医学工程学杂志, 2003, 20 (3) :559-562.
[3]翟爱珍, 庄天戈.计算机辅助医学诊断系统的数据挖掘和知识发现研究.国外医学生物医学工程分册, 2002, 25 (3) :97-103.
大数据背景下生物医学论文 第2篇
1大数据
来自生物、医药、医械、临床实验与健康管理等各个方面的数据，构成生物医学的各类大数据资源，它们形式多样，具有自身的特殊性，主要表现在以下几个方面：
(1)原始数据量大，且呈异构、多样性。
(2)难以用数学方式表达其结构及特征。例如：医生对医学影像、信号和其他临床数据的解释多是非结构化的语言或文字形式自由的口述，难以标准化。
(3)数据可能包含冗余的、无意义的或不一致的属性，并且数据经常要更新。
(4)数据采集很难完全避免噪声干扰，而噪声往往会影响处理结果。生物医学大数据处理包括数据的收集、抽取与集成、分析与挖掘、解释和共享等诸多方面，涉及数据库、信息科学、统计学、高性能计算、网络科学、心理学等多个领域。
2生物医学信息处理
2.1数据挖掘在生物医学信息分析中的应用
数据挖掘是对海量数据进行处理和分析，找出数据间的隐含联系，发现未知规律，最终获得知识的过程。挖掘的过程包括信息收集、数据集成、数据规约、数据清理、数据变换、数据挖掘、模式评估和知识表示8个步骤[5]。近年来，数据挖掘是生物医学信息分析的常用手段，尤其是在循证医学研究、基因组和蛋白质组的研究领域中有很广泛的应用价值。KDNuggets在全球数据挖掘应用行业调查的结果表明：健康行业位居10大数据挖掘应用领域的第3位。生物医学领域大数据多是不完整的、不一致的、有噪声的，数据具有独特的复杂性、丰富性、规模和重要性，需要数据挖掘的特殊关注。数据挖掘经典算法，如：分类、聚类、关联分析、序列等在生物医学数据挖掘时都可使用。
2.1.1 分类(Classification)
分类是根据己知数据的特征和分类结果，为每个类找到合理的模型(构造分类器)，然后用这些模型对新数据进行分类。K最邻近算法、决策树、支持向量机、神经网络等是常用的分类模型构造方法。疾病的诊断和鉴别就是典型的分类过程。例如：美国学者利用数据挖掘软件Clementine，以决策树算法为模型，分析挖掘了医疗机构HealthOrg的数据仓库中有关年龄、BMI指数、腰臀比和周锻炼次数等数据，得出糖尿病患病危险因素的分析结果。此外，还有一些国内外研究者针对肺癌、乳腺癌的诊断数据，通过分类挖掘的方法提高诊断的精确性。
2.1.2 聚类(Clustering)
分析聚类分析是将有共同特征或相似度高的数据对象实例聚成一类的过程，常用来研究样品或指标分类问题。聚类分析在生物医学领域已经得到广泛的应用，例如：可以根据流行病学特征属性的相似程度将病例数据划分成若干类，通过比较各个类别之间的临床医学状态特征属性的差异来分析某类疾病。国外学者选取SEER数据库中的217558例肺癌病例，通过分析每个病例的22个临床医学特征属性和23个流行病学特征属性的相似度后，将这些病例划分为20类，这就是典型的聚类分析。
2.1.3 关联(Association)分析
关联反映的是一个事件和其他事件之间依赖或关联的知识，可以通过表征事物特征的两个或多个变量的取值之间存在的某种规律性，找出数据之间隐藏的关联关系。关联现象在生物医学领域普遍存在，例如：临床上的某些疾病会同时呈现几种不同的病症，这些病症之间就表现为一定程度的关联性，而医生诊断病症的过程常常以观察症状为基础。
2.1.4 序列挖掘(SequenceMining)
序列是指按一定顺序或规律排列构成的一系列符号、数值或事件。存储于DNA、RNA和蛋白质中的`遗传和功能信息可用符号序列表示，分析序列数据能找到其统计规律或发现序列组成部分片段之间的相似性或相同性，这是生物信息学研究中最常用方法。此外，还可用时间序列数据进行某些疾病的研究与治疗，例如：欧盟资助的T-IDDM(TelemetricManagementofInsulinDependentDiabetesMellitus)项目通过Internet采集糖尿病患者的连续监测数据，经时间序列分析后找到患者一天内血糖水平变化的规律和趋势，为医生调整或精确胰岛素治疗方案提供有效的数据和支持。
2.1.5 图挖掘(GraphMining)
利用待研究的数据对象构建图这种数学模型，然后从图中寻找频繁出现的子图，从而挖掘出有价值的信息。例如：美国学术界整合出H5N1禽流感感染风险地图，经过图挖掘分析出H7N9人类病例区域[11]。此外，从政府管理角度来看，公共卫生部门可以针对覆盖全国患者的电子病历数据库进行图挖掘，从而完成全面疫情的监测。
2.2文本挖掘——生物医学文献信息的大数据处理
2.2.1 文本挖掘
目前，全球医药类期刊近3万种，每年发表论文200多万篇，并且以每年7%速度递增，互联网上的信息资源约有30%以上的是与医学信息相关的。文本挖掘(Text-Mining)和信息可视化(InformationVisualization)是分析这些数据，揭示知识领域的内在联系的最有效手段。文本挖掘主要结合文字处理技术，利用智能算法，分析大量的半结构化和非结构化文本源(如文档、电子表格、电子邮件、网页等)，抽取散布在文本文件中的有价值知识，并转化为可利用的知识的过程，其工作流程如图2所示，挖掘前要完成包括文本收集、文本分析和特征修剪三个步骤的预处理工作。文本挖掘多以计算机技术实现，文档聚类、文档分类和摘要抽取是应用最多的技术。文档聚类主要完成大规模文档集内容的概括、识别文档间隐藏的相似度、减轻浏览相关、相似信息等功能。文档分类多以统计方法或机器学习自动实现，简单贝叶斯分类法，矩阵变换法、K最邻近分类算法以及SVM等都是其常用的分类方法。摘要抽取主要是利用计算机自动地从原始文档中提取全面、准确反映该文档中心内容的简单连贯的短文。此外，文本挖掘的结果评价常用分类正确率、查准率、查全率、支持度和支持度置信度等世界公认的重要参数进行评价。生物医学信息处理领域所涉及的DNA序列综合特征分析、蛋白质功能和相互作用分析、疾病基因发现、药物作用靶点预测等都与文本挖掘技术密不可分。在我国，已经有一些研究者利用文本挖掘技术来研究医学文献背后隐藏的知识。临床上，医生用文本挖掘技术对疾病的处方和中药用药规律进行了分析。
2.2.2 信息可视化
信息可视化是一种运用计算机图形学和图像处理技术，将信息转换为具有一定意义图形或图像，并进行交互处理的理论、方法和技术。它能有效发掘、过滤和研究海量数据，以更直观、有效的方式使研究人员更容易发现隐藏在信息内部的特征和规律，深层次地发掘包括生物医学领域在内的多个学科的研究热点和研究前沿信息，为研究人员把握研究方向提供帮助。信息可视化的常用工具有TDA、CiteSpace、Histcite、Vxinsight等软件，主要完成数量统计、共现分析和统计图表、共现矩阵、节点链接图、技术报告展示等功能。例如：国外学者针对PubMed数据库中到20的文献，分析了以“电子健康档案”、“医疗记录系统”和“计算机辅助诊疗”为主题的文献的引用情况后，用可视化工具展现其研究结果，使相关领域的科研人员很直观的了解了该领域的研究状况。
3总结与展望
腾讯NBA影像数据集中地 第3篇
作为目前国内流量最高、影响力最大、产品线最全的NBA门户，腾讯近期率先推出NBA数据库大师—它搜集NBA球星投篮、失误、助攻、抢断和犯规等十大数据，结合比赛视频和专家解说、分析，形成了一个多功能数据系统。
海量的视频数据、独家的NBA资讯、国内顶尖NBA专家的专业解读，腾讯NBA数据库大师不仅给球迷带来了全新的视频体验以及更真实、更全面的篮球享受，并且帮助球迷成长为NBAMaster（NBA大师）。
NBA影像数据集中地
每周，腾讯NBA精选3场重量级的比赛进行视频直播，有“标清”和“高清”两种欣赏模式供球迷选择。在欣赏比赛的同时，用户可以便捷地获取最新的比赛数据，随时使用腾讯微博发表评论，实时与主持人微博互动，并参与有奖竞猜，赢取神秘奖品。
而且，NBA数据库大师记录下每个球星在球场上的表现，包括投篮、抢断、失误等。球员的每个动作，都用圆圈或箭头标出，每个图标都有视频链接。球迷点击任何一个图标，都会出现相应的视频。
海量的点播视频，腾讯NBA不错过任何一场比赛的任何一个经典镜头。赛前热身、每节比赛浓缩回放、当日最佳集锦、十佳进球，到场外花絮、历史片断、宝贝热舞，甚至搞笑视频，在腾讯，只有你想不到的精彩，没有你看不到的画面。
除了独家放送由NBA官方提供的精彩视频集锦外，腾讯NBA还精心制作了多档原创视频节目。《星播客》聚焦NBA最红的球星和最吸引人的比赛，《姚明传》则是国内第一个NBA视频评书节目，《NBA档案密》挖掘那些鲜为人知的NBA历史，无论是“乐活族”还是“考古派”，每个人都能在腾讯NBA找到自己喜爱的内容。
腾讯NBA数据库大师的使用方法便捷、简易，非常容易上手。进入NBA数据库大师，可以看到一个篮球场图样的FLASH，图像上有球队、比赛、球员、全场和数据5个分类项。只要把鼠标放在5个分类项上，每个分类项就会出现选择项，球迷依次进行选择。选择完成后，就能在篮球场上看到相应的图标，点击图标就会出现视频小框，播放相关视频。
NBA独家资讯
NBA全明星进驻腾讯微博更是腾讯NBA数据库大师的一大特色。你知道新科MVP罗斯在腾讯完成了与乒乓球世界冠军刘诗雯的“约会”吗？你知道科比通过腾讯为姚明退役送去祝福吗？你知道阿爾德里奇很满意腾讯为自己送上的新绰号吗？在腾讯微博，你还可以与斯科拉、波什、基德、巴蒂尔、林书豪、海耶斯等二十多位NBA球星互动，零距离接触，以最快的速度获取他们的资讯。
腾讯NBA还邀请张佳玮、管维佳、殳海等国内最优秀的NBA作者，联合业内最顶尖的NBA漫画家李泉，为网友推出国内第一个NBA漫画连载专题《画说NBA》。腾讯还推出国内首个NBA文化平台，为NBA粉丝独家提供NBA好书连载。梁希仪、易小荷、王猛等一线记者的报道，奥尼尔、诺维茨基、珍妮-巴斯等NBA当红球星的传记，在腾讯NBA数据库大师里应有尽有。
并且，为了在新赛季掌握更多的实时资讯，腾讯NBA前方记者兵分两路，一路前往“大苹果城”纽约，让网友亲眼见证尼克斯三巨头的豪门复兴；另一路驻扎在位于美国南海岸的迈阿密，现场直击热火三巨头的夺冠征程。腾讯NBA不让任何一个球迷被忽略，只要球迷在线，就能随时随地获取独家的NBA资讯。
NBA内容深度分析
如果你热衷于数据，腾讯数据库大师为你提供全面、真实和具体的数据参考；如果你错过了某场比赛，腾讯数据库大师为你呈上比赛集锦；如果你只喜欢一名球星，腾讯数据库大师帮你记录下这位球星在球场上所有的表现。对NBA的数据进行详细分析，从此轻而易举。
在腾讯NBA，球迷还可以欣赏业内“二平”元老组合（孙正平、张卫平）原汁原味的现场点评，可以领略于嘉、杨毅等中生代名嘴的妙语连珠，还能感受段旭、管维佳等少壮派专家的酷语辣评，更有李克等嘉宾一针见血的犀利评论。
此外，《体坛周报》、《篮球先锋报》、《扣篮SLAM》、《SLAM》（美国原版）、《篮球》、《NBA特刊》、《东方体育日报》、《尚篮》、《鞋帮》、《尺码》等近二十家体育平面媒体与腾讯NBA进行多平台深度合作，共同提供精彩的内容资源，并联合开展各种线上线下活动。
更重要的是，国内顶尖NBA专家还通过腾讯微博，随时随地与网友分享自己的NBA见解。普通球迷在欣赏NBA专家点评的同时，可以与NBA大师进行讨论、互动，提高自己的水平，最终成为NBA分析大师。
区域医学影像数据存储系统研究 第4篇
在2009年颁布的《中共中央国务院关于深化医药卫生体制改革的意见》中提出大力推进医药卫生信息化建设, 明确了信息技术的应用是医改的重要任务之一。在国家新医改政策实施过程中, 现代医院的信息化建设和业务网络化应用程度得到了飞速的发展, 数字影像设备在各级医疗单位应用广泛。PACS (影像归档和通信系统) 系统作为医院信息化建设的重要组成部分, 与医疗诊断环节紧密结合, 已成为病人诊治的重要依据。医疗信息化的发展, 使各医疗机构之间信息的共享成为必然趋势。创建一个区域化的医学影像数据中心, 提供医疗机构之间信息和存储设备的共享平台, 将起到支撑区域医疗发展, 提高医疗服务水平的重要作用。
1 区域医学影像数据中心概述
1.1 区域医学影像数据中心功能
随着我国医疗卫生事业的发展, 数字化医学影像设备在医学诊断中的应用越来越多, 与临床各学科的结合也日益紧密, 在医疗诊治工作中发挥着相当重要的作用。PACS系统是利用计算机和网络技术对医学影像进行数字化处理的系统, 主要包括数字化医学影像的采集、存储、传输和重现等, 该系统所需设备和技术与传统的文字信息处理系统差别很大。许多医院在建成了全院PACS后, 医学影像数据呈海量增长, 其管理和使用成为急需解决的问题, 医学影像数据中心的出现解决了这一难题。目前区域医学影像数据中心一般由政府部门建设, 统一架构将各医院的医学影像数据集中存储和共享。区域医学影像数据中心采用基于安全存储和高效检索的IDC (Internet Data center) 体系架构, 集成了安全环境和专业服务环境, 向各级医疗机构及医政管理部门提供医学影像信息存储和共享服务。以医学影像数据中心为平台, 利用网络将各医院的医疗影像数据集中交给专业人员进行专业化管理, 医院不需管理日益膨胀的海量影像数据, 可以更专注于对病人的诊断治疗。对于数据中心的数据实现区域化数据共享, 不同医院之间可以互相调阅被作为重要诊治依据的医学影像资料、诊断结果、电子病历等相关信息, 对患者在不同医院和不同时期的就诊数据进行跟踪, 报告互认共享, 初步实现基于医学图像的远程医疗, 有利于减少重复检查费用, 降低医疗成本, 提高诊治的有效性。汇集到数据中心的数据还可以为更多的机构服务, 如医学院可向数据中心申请对医学影像数据的借阅, 起到了医学影像教育和培训平台的功能。
1.2 区域医学影像数据中心系统设计要求
区域医学影像数据中心特别强调的是资源的充分共享和流程运作的一体化, 优化医疗资源和提高诊疗水平。该中心以实现区域数字医学影像信息实用共享为目标, 基于业务分布、数据集中的管理模式, 采用区域化集中式存储管理架构, 建立区域医学影像共享应用系统, 确保医学影像数据的集中归档管理和存储。区域医学影像数据中心实现市、区级阅片、诊断、报告、会诊 (TDS) 、管理、业务应用和数据挖掘分析等的全面应用和管理;支持区域医学影像资源专家库和区域远程影像会诊中心的建立;支持区域内各级医院调阅在本区域内就诊的病人影像信息和诊断信息;支持区域医学影像教育和培训平台的建立, 实现资源共享。在新的模式下, 患者的医学影像资料由前端的医疗设备采集后, 通过交换机传送到中心服务器, 并存储在中心数据库中。当有影像数据应用需求时, 服务器会通过网络将图像传输给相应的临床医生的终端, 或者传输到科室的工作站。医学影像共享应用系统须遵循国家及医疗卫生行业的信息化数据标准或规范, 如HL7CDA、DI-COM、ICD-10、电子签名法、电子病历国家标准等, 能够确保数据的准确性、可靠性、完整性、安全性及保密性。在大量数据环境下能保证系统的运行速度;有数据迁移功能和技术;能确保数据存储及共享的标准化。
1.3 医学影像数据中心体系结构
区域PACS在各级医疗机构以及医疗主管部门之间通过专用网络或公共网络进行影像同步和传输, 主要实现跨医疗机构的影像共享和中小医疗机构的影像托管。区域影像数据中心采用符合IHE相关技术规范的应用架构, 建立三层体系结构, 自下而上是资源层、服务层、应用层, 如图1所示。各层有相应的功能构件, 来实现服务器系统、存储系统、区域内医院各种异构PACS的集成、系统安全和数据安全以及运行维护管理等方面的功能。当需要扩展影像数据中心的功能时, 通过在服务层增加对应的功能模块来实现, 充分体现了系统的可扩展性。
2 区域医学影像数据中心存储技术
2.1 区域医学影像数据中心影像存储系统设计要求
医学影像数据具有占用存储空间大、保管时间长的特点;数据类型复杂多样, 主要是大量的图形和影像等信息:使用时响应速率要求高。区域医学影像数据中心采用DICOM标准来统一管理影像数据, 归档数据统一存储, 必须配有专门的服务器、磁盘阵列、光盘库、磁带库, 以支持影像的在线、近线和离线存储, 满足医学影像资料存储空间巨大的需要。区域医学影像数据中心负责存储和处理PACS系统中的在线影像和归档过期的影像, 对存储系统的要求有:影像数据完整无缺失;数据访问的高效率, 及时响应医生在各工作站上提出的各类检查影像的调阅申请;支持异质存储设备, 即不同厂商提供的不同类别的存储设备;无限扩充系统在线数据存储容量, 各级存储点可自由增设, 且存储容量可扩充;灵活实用的存储策略规划;支持服务器集群机制, 保障系统24h不间断服务。
2.2 医学影像数据智能分级存储管理
区域医学影像数据中心的建立解决了各医疗单位日益膨胀的医学图像数据安全高效存储的难题。依据影像数据存储要求和数据量, 在集中统一存储和管理的架构下, 医学影像数据大多采用多级存储和管理结构, 分为影像在线存储、近线存储、离线存储三级, 如图2所示:
(1) 在线存储:集中存储区域内各医疗单位产生的短期 (3个月) 在线影像数据, 供各医院医生及医政管理机构快速地通过网络实现查阅。在线存储需要大容量、高性能存储器, 能满足工作站高频率的访问、读取、写入请求。设备存储介质采用高转速、高接口带宽的SAS/FC高速磁盘, 具有访问速度快、吞吐量大的特点, 但存储空间有限, 单位存储价格较高。
(2) 近线存储:集中存储区域内各医疗单位产生的超过一定期限的影像数据, 在某一时刻存储设备中只有少数存储介质在线, 要获取所需影像数据时通过各种优化算法将其加载到系统中, 提供安全、及时、准确的数据访问。设备存储介质采用大容量SATA硬盘, 可集中存储区域内5年的在线影像数据, 每GB的存储价格最低。近线存储满足数据精确定位及存取要求所耗费的时间长, 智能化程度低, 需要一定的手工操作与管理。
(3) 离线存储:各医院的过时 (5年以上) 的医学影像数据交由数据中心统一存储和管理。医学影像数据中心服务平台与各医院的PACS系统相连接, 通过VPN专线将影像数据定时上传。离线存储在安全性、大容量等方面提出更高的要求, 存储介质以磁带库 (AIT) 和光盘塔为代表, 将影像数据刻录在磁带或光盘存储介质上, 按时间顺序垒放在档案柜中, 实现医学影像资料的永久性海量存储。
通过合理配置各级存储设备容量构建的医学影像数据在线、近线和离线三级存储系统, 在一定程度上解决了海量影像数据的长期存储与管理问题。
2.3 影像数据存储解决方案
区域影像数据中心以存储和查询为主要应用, 而影像数据存取的效率与存储架构密切相关, 可以使用大容量存储器实现海量永久存储要求, 使用高速存储设备满足影像高速率的存储要求。目前常用的存储架构有:
(1) 以服务器为中心的直连式存储 (Direct-Attached Storage, 简称DAS) 是将RAID硬盘阵列直接连接到服务器扩展接口的数据存储设备, 有近40年的使用历史。DAS依赖服务器主机操作系统进行数据的存储维护管理, 大量占用服务器主机资源 (包括CPU、I/O等) , 数据流需要回流主机后再存储到与服务器相连的磁带库。由于DAS本身是硬件的堆叠, 不带有存储操作系统, 存储效率较低。另外直连式存储的数据量越大, 存储和恢复操作耗时越长, 对服务器性能的依赖性就越大。
(2) 以数据为中心的网络附接式存储 (Network Attached Storage, 简称NAS) 是一种任务优化的直接与网络介质相连的存储设备, 每个设备都分配有IP地址, 所以客户机通过充当数据网关的服务器来实现数据的集中存储与访问。NAS具有网络服务器的功能, 能够提供独立的存储空间和设置文件夹或文件的存取权限, 通过以太网接口实现存储设备与LAN的互连, 支持数据从服务器中传送到外接的磁带机上, 保证数据安全和快捷备份。
(3) 以网络为中心的存储区域网络 (Storage Area Network., 简称SAN) SAN是一种基于光纤通道技术的高速网络或子网络, 提供在计算机与存储系统之间的数据传输。SAN的传输介质是同轴电缆和光纤, 以专用SAN光交换机 (或光集线器) 为核心, 与配备光纤接口的存储设备 (如磁带库、磁盘阵列等) 组成一个专用存储网络系统。非光纤连接的存储设备 (如基于SCSI的存储设备等) 可通过网桥、路由器等互联设备连接到SAN中。SCSI和iSC-SI是使用较广泛的两种存储区域网络协议。
SAN存储实现的是直接对物理硬件的块级存储访问, 提高了存储效率和具备更强的升级能力, 适合做数据库服务器存储;NAS可提供多台服务器文件系统级的共享, 适合做文件服务器;DAS存储效率低, 逐渐被淘汰。在区域影像数据中心存储应用中, 建议采用FC-SAN (FC, Fiber Channel光纤通道) 存储架构, SAN可简化数据管理及实现集中控制, 允许服务器连接到任何存储阵列中, 不仅增加系统存储容量, 而且方便服务器实现数据的直接存取。基于SAN的存储架构能更好地满足医学影像数据中心日益增长的存储和查询需求, 实现对医学影像数据的高效管理和维护。
2.4 医学影像数据存储、查询的实现
区域数据中心的存储系统存在两种数据存储类型:关系数据库和文件。影像文件通常以文件的形式存储, 而病人基本数据则采用关系数据库存储。
影像数据存储格式遵循DICOM (医学数字图像存储与通信标准) 规定, DICOM医学图像文件的后缀名为.dcm, 一般的图像处理软件不支持该种格式。DICOM文件包含文件头和数据集两部分, 其中DICOM文件头包含病人信息 (如ID号、姓名、性别、年龄等) 、图像信息 (如生成日期、采集设备型号、厂商信息等) 、文件大小等数据。图像数据集部分存储数字医疗设备的原始图像数据, 其数据量大小因医疗设备而异。
PACS大部分是基于文件系统的。病人的某次检查的所有DICOM影像数据, 以文件形式单独存放在文件服务器上为该次检查建立的文件夹下, 而其相关信息如:病人信息、医疗信息、诊断分析等文字信息及医学影像文件的物理存储路径以记录的形式仍旧存储在关系数据库服务器中。该数据库记录使得影像数据与病人信息之间建立起了索引关系, 客户端在查询某个病人的影像资料时, 首先从数据库服务器上依据病人ID、姓名等基本信息索引出相关影像资料存储的路径, 然后登陆文件服务器, 在该路径下读取所需影像资料。
2.5 医学影像数据中心安全措施
(1) 链路安全:二级以上医院均采用双链路、双路由器做热备份。
(2) 数据安全:通过存储消冗网关对数据进行重复数据删除、数据自动归档及网络查询调用, 实现数据绿色智能存储;中心容灾架构, 实现正常情况下的数据备份、遇到不同灾难时的数据修复, 确保数据无损;在应用层面进行数据加密传输防止数据外泄, 数据库行为审计防止非法数据操作。可实现对归档信息及归档操作日志的记录, 并可以查询某个时间范围的归档日志或用户操作日志, 方便管理员对归档过程的监控。
(3) 边界安全:在数据中心和医疗机构间架设防火墙、入侵检测, 数据中心和公众服务区用网闸隔离。
(4) 虚拟机安全:采用虚拟化技术, 打造计算资源统一管理、按需分配的基础架构云计算平台, 占用资源少, 升级维护简单。
(5) 业务安全性:关键业务采用负载均衡技术, 有效提高业务的连续性。核心业务利用医院原有设备, 将数据同步至医院。
3 结语
在建立医学影像数据中心之后, 可以逐步完成各级医疗机构的PACS系统集成, 并在建立和完善医学影像数据库的基础上实现各医院的远程会诊, 具有在会诊医生之间进行高效影像综合信息传输功能。医学影像数据中心的出现突破了医院局域网限制, 使优质的医疗资源得到高效共享, 医生可随时随地了解患者的情况并给予及时处理, 这样不仅可以提升医生的工作效率, 还可以提高患者的满意度。区域医学影像中心的建立与使用为我国医疗的现代化及医疗资源的高效利用, 提供了更为广阔的应用前景。
参考文献
[1]钱凯.PACS系统的现状与发展[J].医疗装备, 2011, 24 (4) .
医学影像数据挖掘 第5篇
该文主要谈的是医学论文写作中容易发生的问题和经验（特别是收集病例类或者流行病学类数据的医学论文）。听了好些大学教授的讲座，发表了好些包括流行病学数据的文章，现将经验总结如下：
一：论文的写作步骤：大多认为顺序为：结果－方法－前言－讨论－参考文献－摘要－标题。
二：表格是数据的概括，摘要是全文的概括，题目是摘要的概括！三：讨论时常着手于本文数据推理出结论的论述展开，并不断与文献中的数据、结论进行对比。我认为没有创新的文章不用大篇幅吹牛自己的新意。
四：统计很重要，一个数据库如果充分利用每个变量、每个case的数据，常常可以写成两篇以上的论文！如有条件，建议可去大学查看流行病学老师们写的论文＠。经常存在的问题就是，只会单因素分析，不会利用logistic回归分析；只会用logistic回归分析四五个变量以上的混杂因素，不能想到用logistic分析三个变量或混杂因素。多对数据库进行挖掘、多个角度去分析（很重要）；必要的时候一定要用多因素分析、交互作用。五：多参考别人写作的论文，尤其是大学教授们（流行病学）的论文，很有参考价值，很有启发。以下是某院士对论文写作的体会，摘录如下：
一、论文写作的要求
下面按论文的结构顺序依次叙述。
(一)论文——题目 题目大小应与内容符合，尽量不设副题，论文题目都用直叙口气，不用惊叹号或问号，也不能将科学论文题目写成广告语或新闻报道用语。
(二)论文——署名科学论文应该署真名和真实的工作单位。主要体现责任、成果归属并便于后人追踪研究。严格意义上的论文作者是指对选题、论证、查阅文献、方案设计、建立方法、实验操作、整理资料、归纳总结、撰写成文等全过程负责的人，应该是能解答论文的有关问题者。现在往往把参加工作的人全部列上，那就应该以贡献大小依次排列。论文署名应征得本人同意。学术指导人根据实际情况既可以列为论文作者，也可以一般致谢。行政领导人一般不署名。
(三)论文——引言 是论文引人入胜之言，很重要，要写好。一段好的论文引言常能使读者明白你这份工作的发展历程和在这一研究方向中的位置。要写出论文立题依据、基础、背景、研究目的。要复习必要的文献、写明问题的发展。文字要简练。(四)论文——材料和方法 按规定如实写出实验对象、器材、动物和试剂及其规格，写出实验方法、指标、判断标准等，写出实验设计、分组、统计方法等。这些按杂志 对论文投稿规定办即可。
(五)论文——实验结果 应高度归纳，精心分析，合乎逻辑地铺述。应该去粗取精，去伪存真，但不能因不符合自己的意图而主观取舍，更不能弄虚作假。只有在技术不熟练或仪器不稳定时期所得的数据、在技术故障或操作错误时所得的数据和不符合实验条件时所得的数据才能废弃不用。而且必须在发现问题当时就在原始记录上注明原因，不能在总结处理时因不合常态而任意剔除。废弃这类数据时应将在同样条件下、同一时期的实验数据一并废弃，不能只废弃不合己意者。
实验结果的整理应紧扣主题，删繁就简，有些数据不一定适合于这一篇论文，可留作它用，不要硬行拼凑到一篇论文中。论文行文应尽量采用专业术语。能用表的不要用图，可以不用图表的最好不要用图表，以免多占篇幅，增加排版困难。文、表、图互不重复。实验中的偶然现象和意外变故等特殊情况应作必要的交代，不要随意丢弃。
(六)论文——讨论 是论文中比较重要，也是比较难写的一部分。应统观全局，抓住主要的有争议问题，从感性认识提高到理性认识进行论说。要对实验结果作出分析、推理，而不要重复叙述实验结果。应着重对国内外相关文献中的结果与观点作出讨论，表明自己的观点，尤其不应回避相对立的观点。论文的讨论中可以提出假设，提出本题的发展设想，但分寸应该恰当，不能写成“科幻”或“畅想”。(七)论文——结语或结论 论文的结语应写出明确可靠的结果，写出确凿的结论。论文的文字应简洁，可逐条写出。不要用“小结”之类含糊其辞的词。
(八)论文——参考义献 这是论文中很重要、也是存在问题较多的一部分。列出论文参考文献的目的是让读者了解论文研究命题的来龙去脉，便于查找，同时也是尊重前人劳动，对自己的工作有准确的定位。因此这里既有技术问题，也有科学道德问题。
一篇论文中几乎自始至终都有需要引用参考文献之处。如论文引言中应引上对本题最重要、最直接有关的文献;在方法中应引上所采用或借鉴的方法；在结果中有时要引上与文献对比的资料；在讨论中更应引上与 论文有关的各种支持的或有矛盾的结果或观点等。
一切粗心大意，不查文献；故意不引，自鸣创新；贬低别人，抬高自己；避重就轻，故作姿态的做法都是错误的。而这种现象现在在很多论文中还是时有所见的，这应该看成是利研工作者的大忌。其中，不查文献、漏掉重要文献、故意不引别人文献或有意贬损别人工作等错误是比较明显、容易发现的。有些做法则比较隐蔽，如将该引在引言中的，把它引到讨论中。这就将原本是你论文的基础或先导，放到和你论文平起平坐的位置。又如 科研工作总是逐渐深人发展的，你的工作总是在前人工作基石出上发展起来做成的。正确的写法应是，某年某人对本题做出了什么结果，某年某人在这基础上又做出了什么结果，现在我在他们基础上完成了这一研究。这是实事求是的态度，这样表述丝毫无损于你的贡献。有些论文作者却不这样表述，而是说，某年某人做过本题没有做成，某年某人又做过本题仍没有做成，现在我做成了。这就不是实事求是的态度。这样有时可以糊弄一些不明真相的外行人，但只需内行人一戳，纸老虎就破，结果弄巧成拙，丧失信誉。这种现象在现实生活中还是不少见的。
(九)论文——致谢 论文的指导者、技术协助者、提供特殊试剂或器材者、经费资助者和提出过重要建议者都属于致谢对象。论文致谢应该是真诚的、实在的，不要庸俗化。不要泛泛地致谢、不要只谢教授不谢旁人。写论文致谢前应征得被致谢者的同意，不能拉大旗作虎皮。
(十)论文——摘要或提要：以200字左右简要地概括论文全文。常放篇首。论文摘要需精心撰写，有吸引力。要让读者看了论文摘要就像看到了论文的缩影，或者看了论文摘要就想继续看论文的有关部分。此外，还应给出几个关键词，关键词应写出真正关键的学术词汇，不要硬凑一般性用词。
二、写好论文的关键
(一)论文写作——材料、观点和文字
材料是写好论文的基础，观点是论文的灵魂，文字是论文的外在表现。材料和观点是论文的内容，文字是论文的形式。形式是表现内容的，内容要通过形式来表现。三者的完美结合是内容和形式的统一。材料来源于实验。设计的好坏直接影响材料获得的效率与质量。整篇论文是由若干工作单元组成的，每一工作单元又是由每次实验材料积累起来的。因此要善待每天的实验。每天工作时都要考虑到这一数据在将来论文中的可能位置，对每一张影像记录都要认真收集保存。材料要真实可靠，数据要充足。有了异常，要及时分析处理，要保证所得结果可信，排除假象。一篇论文总要有新现象、新处理、新效果、新观点。
观点应明确，客观辩证。不要、也不能回避不同观点。从论文定题到结论，处处有观点，所以观点是论文的灵魂，是贯穿始终的。讨论观点时不要强词夺理，不要自圆其说，力戒片面性、主观性、随意性。要和国内外文献上的观点相比较，也要和自己实验室过去的观点相比较。在比较中分析异同，提高认识。也不要怕观点错误，不要怕改正错误。要百家争鸣，通过争鸣，认识真理。
论文的文字要自然流畅，“言而无文，行之不远”。但也不要华丽雕琢，目的是“文以载道”。论文叙述要合乎逻辑，层次分明，朴素真实，分寸恰当。
(二)论文写作——准备和动笔
论文写得好坏，关键在于准备。会写论文的人，一般总是三步过程。论文写前深思熟虑，全局在胸;充分打好论文腹稿，提起笔来，一气呵成;写出论文初稿后，放一段时间，反复吟读，千锤百炼。不会写论文的人相反。肚子里空洞洞，脑子里乱烘烘，笔头上千斤重。他们拿起笔来就写，写几下就停。写写停停，停停写写。忽儿找材料，忽儿查数据，忽儿补实验。忽儿撕掉一页，忽儿抄上几句。忽儿哀声叹气，搔头摸耳，咬笔杆，踱方步。这两种人的差别在于准备状况的不同，这是很多初写论文的人意识不到的。写论文的良好准备应该有三个阶段。
1.论文写作——近期(写时)准备
是指实验结束后到着手写作论文前一段时间的准备。应该收齐材料，处理好数据，制备好图表，完成统计处理。然后打好论文腹稿，列出 论文提纲，明确基本观点和主要结论。与指导者和合作者讨论，取得共识。深思熟虑后，一气呵成。其中“打腹稿”是写论文的关键阶段。这时应将所有工作和数据通盘考虑，全局在胸。这就像战斗打响前的运筹帷帽一样，是作者脑力劳动最紧张的时刻。
2.论文写作——中期(做时)准备
会写论文的人不是做完实验后才开始考虑写论文的，而是在研究工作的全过程中都考虑着写论文。论文“题目”和“引言”是论证时各种思考的凝炼。“材料和方法”是在找方法、建方法时形成的，写论文时只要如实叙述就可以了。“实验结果”是在实验设计、实验操作、阶段归纳、资料整理等过程中不断积累、整理而来的。“讨论”是综合平时的思考，同周围人员经常讨论商量，查阅和分析文献等过程后最后归纳而成的，是将平时思考过的众多问题集中几个主要观点以讨论的形式表达出来。“结论”则只须将最终结果归纳一下就可以了。所以会写论文的人，是在做研究的整个过程中不断地自然形成着最后的论文。这整个过程就是论文的中期准备。可见，中期准备以论文题目之始为始，以题目之终为终。题目结束之日，也就是论文中期准备完成之时。
3.论文写作——远期(学时)准备
如果只是着力于做好论文近期准备和中期准备，往往还不能写出上乘的论文，这就要看论文作者的远期准备，也就是学习阶段的基础准备了。这种准备是指对研究动态的掌握，专业基础的积累和逻辑思维、文字表达、分析综合等各方面能力的总体水平。这决不是一朝一夕所能企及，而是终生积累训练而就的。这就是为什么要强调“读书破万卷，下笔如有神”，“尔果欲学诗，功夫在诗外”了。这些平时积累的功夫，决定着作者 论文的写作水平，而论文写作水平又影响着论文的传播。这种能力不是临用时提得高的，而是要作者从年轻时就下苦功的。
(三)论文写作——审稿与修改
一气呵成写好论文稿件后，是要反复修改、千锤百炼的。不仅自己应该反复锤炼，还应请有关人员提意见，最后还要通过编辑部请相关专家审阅。论文修改时凡是属于写作规格和篇幅方面的问题应按刊物规定的要求修改。作为论文作者，自己辛勤努力取得的实验数据当然十分珍惜，总希望在论文中尽量表达。但 论文审稿者旁观者清，往往提出一些合并或删除的意见。这时作者应该冷静考虑，该列入论文的列入，不必列入的不要列入。写论文只有“删繁就简三秋树”，才能“领导标新”地开出“二月花”。
论文审稿者也常会对所论观点提出意见。这是需要认真推敲决定是否采纳修改的。论文作者毕竟对自己的工作己有过长期实践和思考，逐渐形成了观点。应该说这些观点是有相当根据的。只要言之有理，述之有据，可以对审稿人的意见进行解释，保留自己的观点。但有时 论文作者自己局处一隅，想法越来越钻牛角尖。论文审稿人从更高的角度宏观审视，一针见血地指出论文立论和观点中的问题，这种情况也是有的。这时论文作者就应该认真思考意见的实质，调整思路，反复推敲，决定取舍。既不固执己见，也不曲意迎合。抱着探讨真理的态度，相互交流，共同提高。
医学影像数据挖掘 第6篇
【关键词】医学档案 特殊数据库 方式方法
【中图分类号】R19【文献标识码】A【文章编号】1672-5158（2013）02-0310-01
随着信息技术的迅猛发展和广泛应用，以计算机、网络和存储技术为核心的现代信息技术为档案工作拓展了创新的空间。档案信息管理特殊数据库的建立及应用为整合档案信息资源、创新档案服务机制提供了必备的物质、技术手段。医疗卫生系统内档案信息化工作也在逐步推进，为医学档案工作的发展创造了新的契机。医学数据库的建立积累了大量医学信息资料。
但同时看到，医疗卫生系统每天都要产生大量医疗、人事、科研档案信息，如何把这些数据高效地存储起来是一个非常重要的问题，也是本文研究的重点。这里提到的方便存储不仅仅要考虑存储过程的方便，同时也要考虑检索、交换以及其他应用时的便捷。为此，建立、开发医学特殊档案库，为医疗、科研、管理服务是信息工作的根本任务。尤其是在目前情况下，提倡拓宽服务领域，使医务信息和科技信息活动向经济、社会领域延伸，提供形式多样的服务，做好三个结合，即开发与利用结合，与日常管理结合，与科研开发结合[1]。
1.医学类特殊档案数据库建设应遵循的原则
1.1 专一性原则
档案专题数据库有效揭示并聚集某一主题相关的蕴藏在档案文献当中的有价值的信息，提供社会利用，属于档案信息资源开发的范畴。医学类特殊数据库档案系统顾名思义，就是在围绕服务医学职能部门所收集的医学方面的相关文献、科技文献、管理文献、人事信息文献等方面，形成鲜明的专题特色，为医疗、行政管理、研究、人事管理等领域工作者提供全面和详细的文献信息。
1.2 规范化、标准化原则
医学类档案数据库的规范化与标准化是保证数据质量、为了满足用户的文献信息需求，其价值和存在的意义在于其利用价值.以实用为原则，具有实用性、科学性的针对性。
1.3 及时更新原则
档案数据库通常保持相对稳定，但随着医学研究等各项事业的深人开展，各种新文献会不断出现，必须及时更新内容，才能保持可持续发展的生命力。
1.4 提高检索效率原则
医学档案特殊数据库提供的检索工具体系，要实现多角度检索，提高检索工具的覆盖率和确定性，从各个不同角度和侧而，制作多种专题检索工具，形成多种层次、多种形式、多种角度的比较完善的检索体系。
1.5 详细调查的目的、原则。
设计人员虽然掌握计算机技术，但对医学档案的业务不够清楚，而管理人员则熟悉本身业务而不一定了解数据库，两者结合，就能互补不足，更深人地发现系统存在的问题，共同研讨解决的方案。为此，医学特殊数据库在建立时，应详细调查，以调查问卷、部门参与、座谈、征询、讨论的基础上，充分遵循用户参与的原则，即由使用部门的业务人员、主管人员和设计部门的系统分析人员、系统设计人员共同进行[2]。
2. 医学类特殊数据库建立的方式方法
数据方式是当前医疗档案信息存储最普遍方式。数据库在建立时，一定要使用统一软件进行对数据增、删、改操作，以便于信息的检索。医学类特殊检档案包含信息很广泛而庞杂，这就需要首先分门别类的建立一个一个专门存储健康档案的数据表，然后为每一个项目建立一个字段，再把各项目数据存储到相应字段中。数据库存储方式通常是一个字段对应一个项目，而医疗档案又常常是项目繁多，这样就需要同样多的字段来实现存储，数量众多的字段就给数据库建立和维护带来很大难度[3]。
此外，传统的数据库方法在存储项目数量大时候建立和维护会非常的复杂，这就需要进一步考虑把需要存储的项目组合起来统一地存储到一个字段里。具体的做法是把需要存储的数据按顺序组合起来，各项数据间用某种标识符隔开，把这种方法称为按顺序组合的数据存储。以个人基本信息为例，先设定分割符为“l”，那么就可以把个人基本信息组合为“姓名l性别l出生日期l身高l体重”，然后把这个组合成的数据存储到数据库的一个字段里。跟传统的数据库方法相比，这种方法在数据库建立和维护上变得简单很多。这种方法的数据，在读取信息的时候要严格按照组合时的顺序。
3.医学类档案特殊数据库建设时注意事项
3.1好质量监控工作。
档案质量控制是一项集管理和技术于一体的综合性工作，主要包括三个方面的内容：即面向信息源的质量控制、面向系统建设的流程控制以及面向具体利用。
3.2 数据库发布的范围及利用方式。
医学档案特殊数据库建设目的之一就是为了资源共享，通过个人用户访问数据库更好地服务于医疗、管理。为了实现资源共享，需要在实践中不断充实数据库。
3.3 应注意知识产权保护问题。在建设特殊数据库过程中，特别要注意知识产权问题，对于一些涉及到知识产权保护的文献资源，一定要及时沟通，慎重采用，避免投诉甚至诉讼问题。
3.4 注重科研档案的利用价值。区别于普通医院的医学档案，医疗卫生部门的管理档案中有很大一部分是临床积累的科研档案。要通过对档案数据库的具体实践，研究开发一批指导性强、利用价值高的档案编研成果，不断丰富、充实医学特殊档案数据库为医学科研服务的能力。
3. 5 加强数据库队伍建设。数据库即便是多智能，也需要一线档案人员的维护、管理。因此必须要培养一技术精干、熟悉医疗卫生事业工作管理流程的专兼多能的档案管理人才。
各医疗管理单位要鼓励档案从业人员，积极加强学习，不断优化知识结构，建立一支高素质的数据收集、加工队伍。
此外，各单位在医学档案特殊库建设初期，以及在建设过程应不断积累经验，在实践中解决问题，为开展下一步的数字资源建设工作奠定基础，切实提供可靠的医学服务信息资源保障更好的发挥医疗卫生管理机构的服务功能。
参考文献
[1]黄慧琳.病案信息资源的开发和利用[J].中国医院统计，2011.8（1）： 55
[2]赵志红.高玉霞.王萱 拓宽医学档案编研范围发挥档案信息作用[J] 中国医院管理，2012.8
数据挖掘技术及其在医学上的应用 第7篇
很多人已经意识到数据中潜在的大量商机，并踏踏实实地进行着从数据中沙里淘金的工作。自20世纪80年代中期以来，人们利用信息技术生产和搜集数据的能力大幅度提高，大量数据库被用于商务管理、生产控制、市场分析、工程设计和科学探索等领域。但是，面对不断增加的海量数据，人们已不再满足于数据库的查询功能，而是提出了深层次的问题:能不能从数据中提取信息或者知识为决策服务？要解决这一问题，就数据库技术而言已经无能为力，同样，传统的统计技术也面临极大的挑战。这就急需有新的方法来处理这些数据。于是，集统计学、数据库、机器学习、可视化等技术于一身的综合性学科“数据挖掘”应运而生。近年来，数据挖掘技术在零售业、电信业、金融业、医疗卫生等许多领域得到了广泛的应用。
2 数据挖掘技术介绍
2.1 定义和发展
数据挖掘又称数据库中的知识发现 (Knowledge Discovery in Database, K D D) ，是从大量的数据中，抽取潜在的、有价值的知识 (模式或规则) 的过程。数据挖掘所挖掘的数据，可以存放在数据库、数据仓库或其它信息存储中。这是一个年青的跨学科领域，源于诸如数据库系统、数据仓库、统计、机器学习、数据可视化、信息提取和高性能计算。其它有贡献的领域包括神经网络、模式识别、空间数据分析、图像数据库、信号处理和一些应用领域，包括商务、经济和生物信息学等[1]。随着数据挖掘技术的逐步发展和完善，近年来在金融、电信、零售、医疗卫生、科学研究等多个领域中得到成功应用，发挥了巨大作用。当前，K D D国际研讨会的研究重点逐渐从发现方法等理论研究转向系统应用研究和数据挖掘工具的开发，注重多种发现策略和技术的集成，以及多种学科之间的相互渗透。
2.2 数据挖掘方法
数据挖掘常用的技术方法有特征化规则、关联规则、分类和预测规则、聚类规则、局外者分析规则、演变分析规则等。
特征化规则是对数据库中原始数据进行分析，获得它们所拥有的共同特征，又称数据总结。其目的是对目标类数据的一般特征或特性进行汇总，对数据进行浓缩。其方法是根据属性列的临界值和概括层次树，对原始数据进行概括，合并相同和相似的元组，最后得到一个或几个“抽象宏记录”即为所挖掘的知识。在特征化规则的发现中，概括的程度由一个合适的阈值来控制，规则的数量被控制在阈值以内。阈值越大，发现的规则越多，但规则的概括程度越小[2]。
关联规则挖掘可以发现大量数据中项目集之间有趣的关联或相关联系，从所有对象中来决定哪些相关对象应该放在一起。从大量商务事务记录中发现有趣的关联关系，可以帮助许多商务决策的制定，如分类设计、交叉购物和贱卖分析。依照不同的标准，关联规则可以分为布尔的和量化的、单维的和多维的、单层的和多层的关联规则。关联规则的算法有很多，其中，Apriori和DHP是比较成功的两个算法。
数据库内容丰富，蕴藏大量信息，可以用来作出智能的商务决策。分类和预测是两种数据分析形式，可以用于提取描述重要数据类的模型或预测未来的数据趋势。然而，分类是预测分类标号（或离散值），而预测建立连续值函数模型。例如，可以建立一个分类模型，对银行贷款的安全或风险进行分类；而可以建立预测模型，给定潜在顾客的收入和职业，预测他们在计算机设备上的花费。许多分类和预测方法已被机器学习、专家系统、统计和神经生物学方面的研究者提出。分类方法包括判定树归纳、贝叶斯分类和贝叶斯网络、神经网络、遗传算法和模糊集方法等。预测是构造和使用模型评估无标号样本或评估给定样本可能具有的属性值或区间值，一般采用线性回归、多元回归、非线性回归等方法获得该连续值函数模型。
将物理或抽象对象的集合分组成为由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。在许多应用中，一个簇中的数据对象可以被作为一个整体来对待。在聚类化技术中，没有预先定义好的类别和训练样本存在，所有记录都根据彼此相似程度来加以归类。所使用的方法有k-means法、k-medoids法、神经网络法和基于网格的方法等。
数据库中可能包含一些数据对象，它们与数据的一般行为或模型不一致。这些数据对象是局外者。大部分数据挖掘方法将局外者视为噪音或例外而丢弃。然而，在一些应用中（如：欺骗检测），罕见的事件可能比正规出现的那些更有趣。
数据演变分析描述行为随时间变化的对象的规律或趋势，并对其建模。尽管这可能包括时间相关数据的特征、区分、关联、分类或聚类，这类分析的不同特点包括时间序列数据分析、序列或周期模式匹配和基于类似性的数据分析。
2.3 数据挖掘过程
作为一种新的数据分析和知识获取技术，一个完整的数据挖掘过程应该包括5个方面：
2.3.1 问题理解和提出
在开始数据挖掘之前最基础的就是理解数据和实际的业务问题，在这个基础之上提出问题，对目标有明确的定义。
2.3.2 数据准备
获取原始的数据，并从中抽取一定数量的子集，建立数据挖掘库，其中一个问题是如果单位原来的数据仓库满足数据挖掘的要求，就可以将数据仓库作为数据挖掘库。
2.3.3 数据整理
由于数据可能是不完全的、有噪声的、随机的，有复杂的数据结构，就要对数据进行初步的整理，清洗不完全的数据，做初步的描述分析，选择与数据挖掘有关的变量，或者转变变量。
2.3.4 建立模型
根据数据挖掘的目标和数据的特征，选择合适的模型。
2.3.5 评价和解释
对数据挖掘的结果进行评价，选择最优的模型，作出评价，运用于实际问题，并且要和专业知识结合，并对结果进行解释。
以上的步骤不是一次完成的，可能其中某些步骤或者全部要反复进行。[3]
3 数据挖掘的医学应用
近年来，数据挖掘技术在医学领域中的应用越来越广泛。在疾病诊断、治疗、器官移植、基因研究、图像分析、康复、药物开发、科学研究等方面都获得了可喜的成果。
3.1 在病理学中的应用
在病理学研究中，通过数据挖掘对病理切片标本的大量数据进行分析，总结出其中的关键性指标，建立正常和病理的虚拟细胞模型。这样可以虚拟细胞的发生、活动和调节的生理机制，还可以了解和揭示疾病发病过程，寻找到有效致病分子和标记分子，进行疾病的预警诊断，提出防治和干预措施。
3.2 在药理学中的应用
目前，在新药研发的过程中，主要有四种基本途径: (1) 经验积累; (2) 偶然机遇; (3) 药物普筛; (4) 综合筛选。药物研究领域主要采用的是药物普筛，这种方法的缺点是开发周期长、研究费用高。现在，药物研究、开发最先进的技术是应用基因组学、基因表达谱、组合化学、高通量药物筛选、高通量生物学实验等学科。数据挖掘可以有效地存储、管理、分析及整合这些伴随而来的大量不同类型的生物和化学数据，并已成为国际上新药研制过程中的关键技术支撑平台，对于加速新药研发具有十分重要的意义。[4]
3.3 在临床医学中的应用
C T、M R I、B超、心电图、脑电图、电子显微镜等医疗仪器设备每天采集病人生理参数达到几十亿字节的数据，这些的数据背后隐藏着许多重要的信息，需要大容量的数据存储设备，更需要高能力的分析工具。然而人类的分析和抽象能力无法适应这些高维的海量数据，而且这些数据的增长速度也远远超过人类手工分析技术所能处理的程度。如果我们没有能力把这些原始资料转化成更易理解的信息和知识提供给使用者时，这些数据也就失去了存在的意义，造成大量的数据浪费。而数据挖掘可以更好地利用这些数据，帮助医师提高诊断的效率和准确性、降低医师的工作强度、发现新的医学规律、探索人体奥秘等，最大限度地降低医疗风险，提高治愈的成功率。
3.4 在生物医学中的应用
在过去的十几年时间里，生物医学研究有了迅猛的发展，从新药物的开发和癌症治疗的突破，到通过大规模序列模式和基因功能的发现，进行人类基因的识别与研究。而目前生物医学的大量研究都集中在D N A数据的分析上，近期D N A分析的研究成果已经导致了对许多疾病和残疾的基因成因的发现，以及对疾病的诊断、预防和治疗的新药物、新方法的发现。基因研究中的一个重要关注点是DNA序列的研究，因为这种序列构成了所有活的生物体的基因代码的基础。所有的D N A序列由四个基本的构块（称为核苷）组成：腺嘌呤（A），胞核嘧啶（C），鸟嘌呤（G），胸腺嘧啶（T）。这四个核苷组合构成很长的序列或链，类似一个双绞旋梯。人类有约100, 000个基因。一个基因通常由成百个核苷按一定次序组织而成。核苷按不同的次序和序列可以形成不同的基因，几乎是不计其数。具有挑战性的问题是从中找出导致各种疾病的特定基因序列模式。由于在数据挖掘中已经有许多有意思的序列模式分析和相似检索技术，因此数据挖掘成为DNA分析中的强有力工具。
3.5 在预防医学中的应用
当前，预防医学越来越受到人们的重视，各地区的疾病预防控制中心可以利用数据挖掘中的趋势和行为预测，自动地从传染病发病的年度监控数据（仓）库中寻找预测性信息，根据时间序列数据，由历史的和当前的统计数据预测未来的传染病可能发生的时间，以便能及时做出预防或应急预案，防止大规模疾病的爆发和流行，保障人民群众的身体健康，为公共卫生事业的发展保驾护航。
4 总结
数据挖掘是信息技术自然进化的结果。随着提供查询和事务处理的大量数据库系统广泛付诸实践，数据分析和理解自然成为下一个目标。数据挖掘已经逐渐开始应用于医学方向，并且为医学事业的发展开辟了一条新的途径，为广大医疗科技工作者提供了新的发展机遇。
参考文献
[1]Jiawei Han, Micheline Kamber著.数据挖掘概念与技术[M].英文版第2版.北京:机械工业出版社.2006;39
[2]富春枫, 荀鹏程等.Logitboost及其在判别分析中的应用[J].中国卫生统计.2006;23 (2) :98-100
[3]宣军英.数据挖掘及其在零售业中的应用[J].嘉兴学院学报.2007;19 (4) :78
医学影像数据挖掘 第8篇
数字图像处理具有处理精度高、图像的再现性好、处理的多样性、数据庞大、处理耗时和应用技术综合性强等诸多特点。近年来, 该技术被应用到医学、生物学、地理学等很多学科领域[1]。
数字图像在医学图像处理中的应用十分广泛, 医学图像主要涉及CT、MRI图像的边缘提取、图像增强、显微图像拼接、图像分割、立体重建等技术。通过医学图像的预处理, 去除噪声, 提高图像质量, 对人体器官或肌体组织特征表示, 确定参数, 从而给医学诊断提供一定的判断依据。
医学图像数据具有数据量大、数据结构复杂等特点。计算机技术的不断进步和发展, 促成数字医学图像能够实现高效和管理。信息科学研究领域中的模式识别、数据挖掘、图像处理等技术, 从更深层次对数字医学图像中的人体信息进行综合分析和知识发现, 为现代医学研究奠定基础, 为医学临床诊断和治疗提供依据。应用这些技术, 可以对人体解剖结构、病变区域等进行准确定位、分割、提取、量化分析等处理, 实现图像配准、三维重建、手术模拟、术间导航、治疗计划、病程跟踪等功能。所有这些, 对提高医学图像数据的利用价值有着深远影响, 可以大大提高临床诊断和治疗的正确性[2,12]。
2 医学图像特征表达的方法
医学图像特征用于表示图像内容的基本属性, 是图像内容描述的主要方法。在基于内容的医学图像检索、医学图像识别和医学图像数据挖掘等领域都信赖于图像的特征描述[3]。
2.1 定量特征
设数据集D={x1, ……, xN}Rd, 通过一个数学公式或者函数f根据其特征定义进行定量计算, 其结果是一个数值类型的图像特征值。
2.2 定性特征
设数据集D={x1, ……, xN}Rd, 无法通过一个数学公式或者函数f进行定量计算, 需运用文字或医学图像语义等方式给出定性的描述, 故称为定性特征, 语义特征分析等。
定性特征不是给定一个数值, 而是根据其固有的一些性质区分不同的图像。如果两幅背景不同而内容相似的医学图像, 灰度统计特征虽然相差比较大, 但定性特征一定相似;反之, 如果两幅背景相同而内容相差很大的医学图像, 灰度统计特征可能相差比较小, 但定性特征一定不相似。
3 医学图像特征提取
对医学图像属性的分析, 借助图像本身的特征尤其非常重要。但对医学图像而言, 必须要使用多种图像处理技术来实现[4]。
3.1 图像灰度直方图特征及其提取
图像灰度直方图特征是医学图像基本的重要特征数据。常用统计量来反映图像的直方图特征的方法主要有:
1) 均值:反映一幅图像的灰度平均值。
2) 方差:方差反映的是一幅图像的灰度在数值上的离散分布情况。
3) 倾斜度:倾斜度反映的是图像直方图分布的不对称程度, 歪斜度越大表示直方图分布越不对称, 反之越对称。
4) 峰态:峰态反映的是灰度分布与平均值的相近度。
3.2 基于灰度共生矩阵特征及其提取
共生矩阵能够反映图像灰度分布关于方向、局部领域和变化幅度综合信息, 但它不能直接提供区别纹理的特性。但灰度共生矩阵对图像的所有像素进行调查统计, 可反映图像的灰度值和灰度分布两个方面的特征, 是一种可同时描述图像灰度的空间分布特性和空间相关性的方法。为更直观地描述图像的纹理特征, 从共生矩阵中应用一些反映矩阵状况的参数, 如能量、对比度、相关性、熵, 逆差距等参数以达到更好的效果。
共生矩阵主要是反映图像的变化幅度、局部特征领域信息及方向等内容, 但对纹理的区别信息不能够区分。但是灰度共生矩阵对图像的幅面像素进行统计, 也可反映出图像的灰度分布与灰度值分布的信息。这样, 就可描述图像的纹理特性, 如能量、对比度、相关性、熵, 逆差距等参数。
取图像中任一点 (x, y) , 及偏离它的另一点 (x+a, y+b) , 该点对的灰度值记为 (g1, g2) , 令 (x, y) 在整个RIO上移动, 则会得到各种 (g1, g2) 值。以此法统计图像中相距 (a, b) 的两个像素灰度值出现的联合频数概率P= (g1, g2) 。设灰度值的级数为L, 则 (g1, g2) 的组合共有L2种, 对整个RIO统计出每一种 (g1, g2) 出现的次数, 即为共生矩阵f (g1, g2) 和第g1行, 第g2列的元素值。如再排列成一个方阵f (g1, g2) , 便得到目标图像的共生矩阵。同时再将灰度值出现的次数作归一化处理, 就得到各个点对出现的概率。
4 医学图像识别
医学诊断中对癌细胞切片的处理, 微生物的断定, 血液样本分析等均涉及医学图像识别的方法。所以说医学图像识别不但有生物医学工程和模式识别方面的技术, 也有计算机辅助技术和基础数学领域方面的知识, 是多学科结合的一个领域。在实际的应用中, 通过取得病理参数, 结合医学临床知识, 制订适合病人的治疗手段, 以进一步取得良好的治疗效果。
医学图像识别常用的方法有统计模型识别法和结构模型识别法。在实际应用中统计模型法应用较多。模式识别认为图像可能包含一个或者多个物体, 并且每个物体属于若干事先定义的类型、范畴或模式类之一。如果一幅图像包含有多个物体, 须对图像进行图像分割、图像特征提取、图像的分类。具体地说, 就是对图像中物体的分离阶段, 特征提取度量值确定阶段及最后的对特征向量为准的类别归属。
医学图像自动识别技术具有较高的人工智能性质和计算机图像处理技术等特点, 可以快速、准确地捕获目标, 自动分析处理, 并得到具有语义的对临床医学诊断有用的图像信息。因此, 医学图像自动识别技术具有较高实用价值。数字医学图像的识别主要应用于医学图像的分割与分类[5,13]。
5 医学图像数据挖掘
5.1 医学图像
在医学上目前常用的影像有CT图像, 磁共振成像 (Magnetic Resonance Imaging, MRI) , 核磁共振显微成像, X光断层显微成像等。每种成像技术都从人体获取某一方面的信息, 不同的医学成像技术获取的医学图像提供了丰富的病人信息, 供医生诊断和治疗参考。在实际应用中, 不同的成像技术得到的医学图像特点各不相同, 而且各自针对不同的结构或功能信息成像。例如, CT和MR图像给出了病人的解剖信息。在研究人脑时, MR图像可以很好地识别大脑灰质、白质等密度相近的软组织, 而CT在观测密度相差较大的骨组织时具有很好的分辨率。
医生获取医学图像信息本身不是最终目的, 而是为了利用这些信息。在临床上, 获取信息是为了诊断, 为了制定治疗的方案, 也是为了实施治疗方案。所以, 医生不仅需要懂得通过那种成像方式获得所需的信息, 还需要知道如何处理这些图像信息以适合医学临床上的需要。
5.2 医学图像数据挖掘
医学图像的数据挖掘旨在从海量的图像数据中挖掘出有效的模型、关联、规则、变化、不规则以及普遍的规律, 以加速医生决策诊断的过程和提高其决策诊断的准确度[7~9]。
对医学图像进行数据挖掘和知识发现的主要目的是实现对疾病的预测和分类。分类和预测是两种数据分析形式, 可以用于提取描述重要数据类的模型或预测未来的数据趋势, 分类是预测分类号 (或离散值) , 而预测是建立连续函数模型。数据分类的基本技术有决策树、粗集、贝叶斯分类及贝叶斯网络、神经网络、K-最近邻分类, 基于案例的推理和SVM等。预测方法有线性、非线性和广义线性回归模型。具体情况下, 可对上述的这些技术进行适当的修改、扩充和优化, 才能应用到各种特殊的医学影像数据库中进行疾病的分类和预测。
通过对医学图像的数据挖掘, 揭示其中的医学诊断规则和模式, 辅助医生对病变体和周围组织进行分析, 可极大地提高医疗诊断的准确性和科学性, 从而提高医疗诊断水平。目前世界上许多国家的研究机构开始致力于这个领域的研发工作, 医学图像数据挖掘的研究正受到普遍的重视。由于医学图像信息的非结构化, 非概念化, 难于对其直接应用数据挖掘方法发现知识, 医学图像数据挖掘是一项复杂的研究, 且提出了许多方法。
5.3 医学图像数据挖掘方法
目前, 图像数据挖掘主要采用的方法有图像数据的相似性搜索、图像数据的多维分析、图像数据的关联规则挖掘、图像数据的分类与聚类分析、对象识别和神经网络等[10,11]。
5.3.1 图像数据的相似性搜索
对图像数据的相似性检索主要有基于描述和基于内容的两种。基于描述的检索系统是在图像描述之上建立和执行对象检索, 如关键字、标题、尺寸和创建时间等, 若用手工完成是很费力的, 若自动完成又会造成检索结果的质量较差。
基于内容的检索系统支持对图像内容如颜色、纹理等的检索。基于内容的检索使用视觉的特征标引图像并基于特征相似检索对象, 这在很多应用中都是需要的, 因而有着广泛的应用前景。目前在医疗诊断、气象预报、遥感监测以及电子商务等方面有了不错的应用。
5.3.2 图像数据的多维分析
为对图像数据进行多维分析, 可以按传统的从关系数据库中构造数据立方体的方法去设计和构造出图像数据立方体。图像数据立方体可以包含针对图像信息的维和度量, 如颜色、纹理和形状, 图像数据立方体的建立有助于图像数据的基于视觉内容的多维分析和多种知识的挖掘, 如特征化、分类、比较和关联等。
5.3.3 图像数据的关联规则挖掘
相联规则模型是由IBM公司Almaden研究中心的R.Agrawal提出的, 它反映一个事物与其它事物之间的相互依存性和关联性。如果两个或多个事物之间存在一定的关联关系, 那么, 对其中的一个事物就可以通过其他事物进行预测。图像的关联规则挖掘是在相关的图像集中找到一组关联规则, 显示一组对象或特征的模式或相互关系的发生频率。图像的关联规则是指图像对象或特性之间频繁出现的模式, 可以是图像的大小、颜色、纹理、密度、对象、空间位置、文本描述等。图像的关联规则的挖掘分两个步骤:找出所有的频繁描述集, 从频繁描述集中推导出关联规则, 并确定强关联规则。
图像数据库中至少可以挖掘如下三类涉及图像对象的关联规则:图像内容和非图像内容特征间的关联, 与空间关系无关的图像内容的关联, 与空间关系有关的图像内容的关联。要挖掘图像对象间的关联规则, 可以把每一个图像看成一个事务, 从中找出不同图像间出现频率高的模式。但要注意图像数据库中的关联规则挖掘和事务数据库中的关联规则的区别。
5.3.4 图像分类和聚类
基于内容的智能图像分类可通过将图像与不同的信息类别相关联实现。图像分类是一种监督学习方法, 过程分3步:1) 建立图像表示模型, 对已进行类别标注的样本图像进行特征提取, 建立每一图像属性描述;2) 对每一类别的样本集进行学习, 建立规则或公式;3) 使用模型对未标注图像进行分类判决和标注。常用的分类方法有决策树、贝叶斯分类方法和神经网络方法等, 其他方法包括K-最近邻分类、粗糙集分类等。
5.4 医学图像数据挖掘的步骤
医学图像数据挖掘的过程如图1所示。首先要确定数据目标, 然后获取图像信息原始数据。现在数据化的医疗设备都比较先进, 采集数据迅速且准确性高, 为医学图像的数据挖掘提供了非常丰富的原始数据资源[6]。
医学图像的预处理包括图像数据格式的转化、去噪、增强等内容。医学图像在采集、存储或变换过程中会受到多种因素的影响, 总会造成图像质量的下降, 在实际应用中会存在不完整性、噪声和不一致性, 因此, 对医学图像进行预处理是必要的步骤。
对医学图像而言, 图像的特征提取可以使用多种图像处理技术来实现。在对图像特征这样的高维数据集进行数据挖掘时, 采用粗集方法对属性进行降维、约简并推导出应用规则, 形成图像知识库。医学图像数据挖掘的目的便是实现对数据的智能检索和分类, 最后利用挖掘所得知识, 确定是否为正常的图像, 实现医学辅助诊断的目标。
6 医学图像数据挖掘的实际应用
医学图像数据挖掘是目前在国际上空间数据挖掘领域很热门的一个研究领域, 是图像处理、图像分析方向上很有应用价值的方面, 不论是在算法理论的研究还是在实际背景应用都有很重要的意义。
1) 医学图像的重建技术方面的应用, 帮助医生进行外科手术的实施等;
2) 对大量医学数据积累, 研究致病基因的发现、遗传数据分析;
3) 利用图像挖掘技术在DNA的图像分析研究中可以进行DNA序列间的相似比较;
4) 建立DNA数据的分析, 开发新型药品;
5) 人类、动物基因序列的分析与研究等。
摘要：在医学图像特性分析基础上, 对医学图像的特征提取及数据挖掘热点进行了研究。根据CT、MRI图像的边缘提取、组织分割、立体重建和检索等方面的应用需求, 重点分析了基于定性与定量的特征表示, 及有效的灰度直方图和灰度共生矩阵的特征选取方法;通过对医学图像数据挖掘的相似性搜索、特征关联规则挖掘、多维分析及分类聚类方法的研究, 提取了一种医学图像数据挖掘实施步骤, 希望在医学与数据挖掘方法结合方面, 对医学诊断、数据分析有一定的贡献或帮助。
数据挖掘研究及在医学中的应用 第9篇
关键词：数据挖掘,算法,医学,应用
随着计算机技术的飞速发展,数据库管理系统在各行业中广泛应用,产生的数据量急剧增长。我们被淹没在数据的海洋中,却很难发现数据中存在的关系和规则,无法预测未来的发展趋势。为了解决这种拥有数据却不能充分利用数据的尴尬局面,数据挖掘技术迅速崛起,成为信息技术领域的研究热点。数据挖掘是从大量的、不完全的、有噪声的、模糊的和随机的数据中提取隐含在其中的、人们事先不知道的,但又是潜在有用的信息和知识的过程[1]。提取出的信息能对数据进行高层次的分析,以便用来解决决策、预测未来发展趋势等。目前数据挖掘技术正在各行业中发挥着越来越重要的作用。
1 数据挖掘研究
1.1 数据挖掘的功能
(1)分类和回归基于一个可预测属性把事例分成多个类别。可预测属性离散时可完成分类,可预测属性连续时可完成回归。(2)聚类(细分)基于一组属性对事例进行分组,在同一个聚类中的事例或多或少有相同的属性值。(3)关联从所有对象决定哪些相关对象应该放在一起。关联的任务有两个目标:找出频繁项集和关联规则。(4)预测根据对象属性的过去观察值来估计该属性的未来值。(5)偏差分析(孤立点检测)找出一些特殊的事例,这些事例的行为与其他事例有明显的不同。
1.2 数据挖掘的基本过程
(1)理解分析目标;(2)根据目标收集数据并对数据进行清洗和转换;(3)明确数据挖掘任务;(4)选择数据挖掘算法;(5)利用算法完成任务,构建模型;(6)对模型进行评估、预测;(7)集成到应用程序。
1.3 数据挖掘的基本步骤
(1)创建挖掘模型挖掘模型是一个容器,它用于存储由挖掘算法所挖掘的模式。在挖据模型定义中包含许多输入列、可预测列和相关算法。(2)模型训练(模式处理)将收集的数据提供给数据引擎,由挖掘算法分析输入数据,发现属性值之间的规则以便提取模式,将模式存储在挖掘模型中。(3)模型预测数据挖掘引擎将训练过程中发现的规则应用到新的数据集,并对每一个新事例的可预测列进行预测,并将预测结果赋给每个输入事例。
1.4 数据挖掘算法
在数据挖掘过程中,每一种模型的创建都与一个数据挖掘算法相关联,通过使用指定的数据挖掘算法和适当的算法参数值,发现数据集中的模式。探寻目前流行的数据挖掘算法的来源,主要来自统计学、机器学习和数据库领域。
1.4.1 决策树算法
决策树用已收集数据的属性作为结点、用属性的取值作为分支,从而对大量数据进行分析和归纳。决策树由决策结点、分支和叶子组成,根结点是所有数据中信息量最大的属性,中间结点是以该结点为根的子树所包含的数据子集中信息量最大的属性,决策树的叶结点是数据的类别值。每一个叶子结点代表一种可能的分类结果,每一条从根接点到叶结点的路径就是一条规则。
典型的决策树算法有ID3算法及在ID3算法基础上改进的C4.5算法等。
1.4.2 关联规则算法
关联规则算法是根据数据项集在数据库中出现的概率来发现项集之间的关联关系。关联规则按不同情况可进行以下分类[2]:(1)基于规则中处理的变量的类别,可分为布尔型和数值型。布尔型关联规则处理的值都是离散的、分类的,而数值型关联规则处理的变量包含数值型的。(2)基于规则中数据的抽象层次,可分为单层关联规则和多层关联规则。在单层关联规则中,所有变量都不考虑现实的数据是具有多个不同层次的;在多层关联规则中,则充分考虑到现实生活中数据的多层次性。(3)基于规则中涉及的数据维数,关联规则可分为单维的和多维的。单维关联规则是要处理单个属性之间的一些关系,多维关联规则是要处理多个属性之间的一些关系。
Apriori算法和FP树算法是典型的两种性质不同的关联规则算法。
1.4.3 贝叶斯算法
在18世纪,英国学者贝叶斯曾提出计算条件概率的公式用来解决如下一类问题:假设H[,1],H[,2]…互斥且构成一个完全事件,已知它们的概率P(H[,i],i=1,2,…,现观察到某事件A与H[,1],H[,2]…相伴随而出现,且已知条件概率P(A/H[,i]),求P(H[,i]/A),可使用贝叶斯定理。
贝叶斯定理:P(H[,i]/A)=P(H[,i])P(A│H[,i])/[P(H[,1])P(A│H[,1])+P(H[,2])P(A│H[,2])+…]
贝叶斯定理用于预测性建模。假设已知相关项目B的资料,而缺乏论证项目A的直接资料,通过对B项目的有关状态及发生概率分析推导A项目的状态及发生概率。即当已知事件Bi的概率P(Bi)和事件Bi已发生条件下事件A的概率P(A│Bi),则可运用贝叶斯定理计算出在事件A发生条件下事件Bi的概率P(Bi│A),表示为:
1.4.4 聚类分析算法
聚类分析处理的数据对象的类是未知的。聚类算法依赖于猜测和假设,猜测数据的分组,把对象集合分组为由类似的对象组成的多个类。基于最初的假设,算法将通过计算确定分类适合于现实世界的程度,然后尝试重新假设分组以创建可以更好地表示数据的分类,该算法会循环执行该过程,直到它不能再通过重新定义分类来改进结果为止。
1.4.5 神经网路算法
神经网络包含一组节点(神经元)和边,节点的类型有三种:输入、隐含和输出,每条边都通过一个相关联的权值来连接两个节点,边的方向代表预测过程中的数据流。输入神经元定义数据挖掘模型的所有输入属性值及其概率;隐含神经元从输入神经元或前面的隐含神经元接收输入,向各种输入概率分配权重,处理一些计算,并向输出神经元提供输出;输出神经元代表数据挖掘模型的可预测属性值。
神经网络模型训练的核心过程为[3]:(1)算法在初始阶段为网络中的所有权值都随机指派值(范围通常从-1.0~1.0)。(2)对于每个训练事例(或者每组训练事例),它会基于网络中的当前权值来计算输出。(3)计算输出误差,然后反向传播过程为网络中的每个输出和隐含神经元计算误差,网络中的权值会被更新。(4)重复步骤,直到满足条件为止。
2 数据挖掘在医学中的应用
随着管理信息系统在各医疗机构的广泛应用,已累计了大量的医学数据。数据挖掘技术的出现,使我们有机会充分利用这些海量且宝贵的数据资源,来支持医院各种层次的科学决策服务。
2.1 医学数据的特点
医学数据库是一个庞大而复杂的资源,与其他类型的数据库相比有其自身的独特性。在挖掘时我们要充分考虑到医学数据的以下特点[4,5]:(1)数据的多样性医学信息包括纯数据(如体征参数、化验结果等)、文字(如病人的身份记录、症状描述等)、信号(如脑电信号、肌电信号等)、图像(如B超、X光等)。(2)数据的不完整性病例和病案的有限性使医学数据库无法全面反映所有的疾病信息;另外,许多医学信息的表达、记录本身也具有不确定性和模糊性。(3)数据的时间性病人的身份、工作等信息会有时间的变动;医学检测的波形、图像等也都是时间的函数。(4)数据的冗余性由于疾病病种等因素的影响,每天都会有相同的信息(如病人症状、化验结果、治疗措施等可能完全一样)被提交到数据库。(5)数据的隐私性医学数据库的许多信息涉及到患者的隐私,隐私的泄漏会给患者带来不可预测的侵扰。
2.2 数据挖掘在医学中的应用特点
医学数据的特异性表现,使得数据挖掘在医学领域应用时既要遵循数据挖掘的一般性规律,又要充分考虑到医学信息的特殊性,这些特殊性使数据挖掘在医学中的应用表现为如下特点:
2.2.1 挖掘难度大
医学数据的复杂性和特殊性,使医学数据挖掘要突破的关键技术较多。如由于数据的不完整性而导致数据的预处理较困难,由于患者隐私而需要实现信息的匿名化及标识转换,由于数据的多样性而要实现数据文本挖掘技术、影像数据挖掘技术等。
2.2.2 起步晚
数据挖掘在其他行业如商业、气象、电信等方面已取得了显著的效益;但是由于在医学领域挖掘难度较大,诸多难关的攻克需要时间、需要资源,这也就或多或少的阻碍了数据挖掘在医学中的应用,使得数据挖掘在医学领域才初步发展。
2.2.3 应用前景广阔
医学数据的复杂性和特殊性使得一般的研究方法难以全面发掘,虽然也给数据挖掘增加了难度,但这也恰好是数据挖掘发挥效力的用武之地。
3 结束语
目前,数据挖掘已在学术界和工业界备受青睐,与此同时逐步改进的数据挖掘算法愈加高效和准确,数据挖掘应用的领域也愈加宽范。而医学数据挖掘是一门涉及面广、技术难度大的新兴交叉学科,需要从事计算机、智能信息处理、统计学与医务专家紧密合作,来突破各项技术难关。随着数据挖掘理论的进一步深入研究及在医学领域的应用探索,庞大而独特的医学领域将会给数据挖掘提供广阔的施展空间,同时数据挖掘也必将会给医学发展带来新的生机。
参考文献
[1]Han J,Kambr M.Data mining:Concepts and techniques[M].Beijing Higher E-ducation Press,2001:1～3.
[2]谢邦昌,主编.商务智能与数据挖掘Microsoft SQL Server应用[M].北京:机械工业出版社,2008:97～98.
[3]邝祝芳,焦贤龙,高升译.数据挖掘原理与应用-SQL Server 2005数据库[M].北京:清华大学出版社,2007:211.
[4]朱凌云,吴保名.医学数据挖掘的技术、方法及应用[J].生物医学工程学杂志,2003,3(20):559～562.
医学影像数据挖掘 第10篇
“数据仓库与数据挖掘”是国内外高等院校一门重要的课程, 是国家基础教育较为重视的一门学科, 受到不同专业学生的喜爱。其教学目标是提高学生的数据分析水平和能力, 除了教授学生数据分析的常见方法之外, 还将引导学生如何对实际的问题进行建模, 如何对模型进行简化
----------------------------------------------
人才。这一现实又促使高校必须鼓励综合类设计题目。
毕业设计的过程通常是先由指导教师设计若干备选题目, 并撰写任务书, 待学院审核通过后交由毕设生自由选择。教师、学生双向选择对应关系确定后, 由教师指导学生制定进度计划, 之后按顺序依次完成调研、设计、撰写、答辩等一系列过程。要想指导出合格的甚至优秀的毕业生, 指导教师必须认真对待每一个环节, 并且在主要环节有所创新才行。[4]文中把影响毕业设计质量的关键因素总结为5项, 分别是重视程度不够、投入精力不足、成绩评定要求不严、选题不当、毕业实习与毕业设计题目脱节。针对专业、毕业设计题目不完全匹配的毕业设计指导, 作者认为后两项的作用至关重要, 因此本文以作者指导的机械类学生为研究对象, 主要从这两个方面以及具体指导过程中需要注意的问题进行探讨。
二、如何选好毕设题目
评判选题优劣的依据主要是看题目是否做到理论联系实际, 是否具有工程性、科学性和综合性, 是否可以培养毕业生的实践能力和创新能力。[5]指导教师在设计题目时, 应该兼顾学生培养计划, 学生实际水平与教师本身兴趣、特长, 同时应该注意尽量与生产实际结合。设计电类题目时要参考学生培养计划, 尽量不要完全脱离机械。比如类似“基于51单片机的无线数据采集系统设计”“小功率反激式开关电源设计”的题目, 对于机械类的学生是不太恰当的。“家用扫地机器人设计”“健身发电单车设计”之类的题目则更适合。另外, 设计题目时应该使之有一定的弹性, 使不同水平的学生在该题目上都能多多少少做一些工作。比如“基于CAN总线的汽车运行状态监控系统设计”, 这个题目只有在学生对CAN总线有一定了解的基础上, 才能顺利完成, 因此适合面很窄。若改成“汽车运行状态监控系统设计”则有很大弹性, 学生可以根据自己的特长, 选择不同的方案来完成设计。从教师兴趣来说, 作者发现许多教师喜欢从自己的研究课题或研发项目中抽出并简化得到题目。这种方式在有些情况下可以使学生水平得到很大提高, 在有些情况下也可能成为教师选题时“偷懒”的方法。例如, 若机械方向的教师设计了一个“基于数据融合理论的机械故障诊断系统设计”肯定是不恰当的。对于本科生来说, 这个题目偏深。总之, 优秀的题目不是凭空想出来的, 应该来源于教师的工程、科研实践, 应该具有工程背景、意义, 且能使学生能力得到提升。
三、如何指导
指导毕业设计的关键是“导”。指导教师在任务书中已经明确为学生指定要做什么, 至于如何做, 这不应该是指导教师教给学生的, 而是学生设计, 指导教师给出评价和建议。这一点指导教师一定要明确, 这和授课时的目标是有区别的。机械类的学生, 必需的电学基础都是有的, 只是由于学生或学院对其重视不够, 导致学生从心理上没有引起足够的重视。即使如此, 这也不会影响到学生出色地完成电类题目。机械类课程和电类课程在学习、设计上有很多相似的地方, 指导教师要引导毕业生用同样的思维方式去思考电类问题。每年都有许多毕业生抱怨没有电学基础或相关课程没学好。此时指导教师一定要鼓励和相信他们, 并且让他们独立制定计划。若指导教师发现计划不合理, 一定不要直接给出计划, 要让他们首先明白自己的计划为什么不合理, 符合什么样的标准才是合理的计划, 然后重新制定, 直至达到要求。
四、总结
本文通过分析机械类毕业生的特点, 对如何指导机械类学生做好电类毕业设计题目进行了讨论, 主要围绕如何选题和如何指导进行探讨, 同时也对毕业设计过程中的其它问题进行了总结。另外, 要使学生出色地完成毕业设计, 除了以上两方面外, 还应该从说明书撰写, 图纸的绘制, 答辩技巧等方面进行指导。
经过作者几年的指导经历证明, 只要指导教师有耐心、决心和爱心, 并且能认真处理好上述几项关键环节, 一般都会取得满意的指导效果。
致谢:本论文得到河南工业大学校高层次人才基金项目 (2010BS049) 的资助, 在此表示感谢。
参考文献:
[1]武卫莉, 提高大雪山毕业设计 (论文) 的教学质量研究[J].实验技术与管理, 2012, 29 (2) :153-155.
[2]李秋霞, 范柳先, 周志明等.在毕业设计中提高学生综合素质问题的探讨[M].中国建设教育, 2007, (6) :43-46.
[3]符杰, 宋文武.工科毕业设计存在的问题及改进措施[J].高等教育研究, 2011, 28 (2) :49-51.
[4]韦爱勇, 陆文, 裴来政等.提高安全工程本科毕业设计质量的措施[J].高教研究, 2008, (3) :37-40.
[5]梁军.毕业设计的实践与探索[M].三江学院学报, 2006, 2
和求解。利用实例教学等方法, 可以很好地将数据挖掘中的抽象概念、模型、公式等阐述清楚, 让学生易于理解和接受。近年来, 数据挖掘技术在医学领域中的应用越来越广泛。在疾病诊断、治疗、器官移植、基因研究、图像分析、康复、药物开发、科学研究等方面都获得了可喜的成果。运用各种数据挖掘技术了解各种疾病之间的相互关系、各种疾病的发展规律, 总结各种治疗方案的治疗效果, 以及对疾病的诊断、治疗和医学研究都是非常有价值的。因此, 我们学院也把这门课程作为计算机专业及信息管理与信息系统专业的必修课。把计算机与医学结合, 使得学生的培养方案全面包括了计算机与医学的知识点。由于该课程原本属于研究生阶段开设的专业课程, 教材也大多侧重于介绍体系结构、算法原理、效率分析与改进等理论知识, 其中所涉及的内容大多比较深, 许多知识都超出了本科生的接受范围, 此外, 教材对相关理论在实际应用方面的说明也比较少, 不利于安排实验教学。因此要实现“数据仓库与数据挖掘”课程的教学目标, 必须在理论教学和实验教学环节综合考虑学时多少、教学条件以及学生的接受情况等因素, 灵活地加以选择安排。
二、存在的问题
主要包括以下几方面: (1) 课堂上以教师讲、学生听的教学形式为主, 学生学习处于被动状态, 他们的创造性因此被严重扼杀; (2) 教师对专业课程体系和学生的知识体系不够重视, 对课程体系的讲解不到位, 造成学生在学习时课程之间联系不上, 知识衔接不好, 对知识的运用和融会贯通比较差; (3) 实验与理论脱节。“数据仓库与数据挖掘”课程理论讲授的算法与实验软件中的算法有很大差距, 使得学生难以理解。比如对于理论上讲授的关联规则算法, 实验中使用SQL SERVER 2005中的商务智能工具做实验, 学生发现有很多参数与理论上讲授的有很大不同; (4) 医学院校的学生对纯粹计算机理论知识接受困难。由于该门课程是交叉学科, 涉及计算机、数学、统计学等知识, 如果学生的其他学科学得不好, 就会对该课程的学习产生障碍; (5) 教师讲授没有把理论课程结合到实际应用中。有很多学生不知道学习这门课的意义, 老师没有很好引导学生, 激活他们的学习热情。
三、目标驱动的教学框架
对于以上问题, 本文提出了一个新的教学体系, 设计了一套基于目标驱动的教学框架, 把教师与学生紧密联系起来, 从教学大纲的设置, 教材的选择, 理论教学, 实验教学, 课程设计及毕业论文, 全面引导学生从初步了解到深入学习的过程。对于我们学校的实际情况, 有两个专业的学生要学习这门课程。一个是计算机科学与技术专业, 一个是信息管理与信息系统专业。对于两个不同的专业, 我们设置不同的教学大纲。比如对于计算机专业的学生, 数据仓库和数据挖掘教学总时数为72学时, 其中理论为54学时, 实验为36学时。
1. 理论教学。
对于信息管理与信息系统专业的学生, 我们可以设置如下的教学计划, 可分为三个主要部分。我们教材选择韩家炜的《数据挖掘概念与技术》, 第一部分:第一至四章为数据挖掘的基础知识, 包括数据仓库和数据挖掘的基本概念和相关知识介绍;第二部分:第五、六章介绍了数据挖掘的算法和工具;第三部分:第七章是数据挖掘的聚类分析的实际应用。本课程是信息管理与信息系统专业本科生专业必修课。通过该课程的学习, 要求学生掌握数据仓库和数据挖掘的基本概念, 了解基本方法和应用背景。掌握数据仓库的设计和建立, 掌握数据挖掘的主要步骤和实现方法, 数据挖掘的常用算法, 实现数据挖掘的具体操作。理论学时的安排, 第一章绪论 (6学时) ;第二章数据仓库 (4学时) ;第三章数据预处理 (8学时) ;第四章数据挖掘发现知识的类型 (8学时) ;第五章数据挖掘中常用算法 (12学时) ;第六章数据挖掘的工具及其应用 (8学时) ;第七章数据挖掘应用实例 (8学时) 。
2. 实验教学。
本课程配合理论教学, 通过系统的实践教学锻炼, 着重培养学生的独立分析问题和解决问题的能力, 熟练掌握数据仓库的设计和建立以及各类数据挖掘方法, 使学生具有一定的数据分析和挖掘能力, 能在认识基础上, 提出有效的数据挖掘方法, 依据实际例子, 写出解决方案。学生应在实验课前明确实验的目的和要求, 然后针对相关问题写出解决方案。实验时对实际方案的运行结果应能进行分析并提出改进方法, 最终写出实验报告。通过实验教学应达到以下基本要求: (1) 理解数据仓库的工作机理及其构建过程; (2) 掌握典型的数据仓库系统及其开发工具的使用; (3) 理解数据挖掘技术的工作原理与流程; (4) 掌握典型数据挖掘工具的使用; (5) 掌握几种典型的数据挖掘算法; (6) 掌握使用SQL SERVER 2000和SPSS工具解决实际问题。实验成绩包括:实验教学过程成绩、实验报告成绩, 各占50%。实验过程表现成绩包括:学习态度是否认真、实验操作是否正确规范、基本技能掌握程度是否具有创新意识等方面。实验报告成绩包括:实验报告格式是否正确、原理是否论述清楚、实验结果分析讨论是否符合逻辑, 报告字迹是否清楚等方面。
3. 课程设计。
理论课和实验课接近结束时, 我们把最后三周作为本门课程的课程设计。课程设计的目的是让学生进一步深刻理解所学知识。由于本门课程很多算法不容易理解, 如何让学生把所学知识结合到医学应用中是课程设计的关键。比如我们对信息管理与信息系统专业的学生课程设计, 要求学生每人选择一个老师给定的题目, 课程设计有详细的要求, 比如题目“数据挖掘在医学诊断中的应用”要求学生能把本门课程相关的算法结合使用, 最后给出详细的分析。通过课程设计, 我们发现, 学生对本门课程更有兴趣。
4. 毕业论文。
我们把课程一般开设在大三的下学期, 也就是说学生学完这门课程后, 就做了该门课的课程设计, 使得学生对数据挖掘相关知识有了比较深刻的认识。这样, 我们可以引导学生毕业论文的选择。毕业论文毕竟是反映学生大学四年所学知识, 也对他们将来就业起到提前培训的作用。把理论结合实践, 老师对学生的引导也十分重要。
我们根据医学院校的特征, 提出了一套目标驱动的教学理念, 从学生认识这门课程到学生理论课的学习, 实验课的学习, 课程设计及毕业论文的完成, 在老师的指导下, 使用我们的考核体系, 可提高学生对所学课程的兴趣。
摘要：“数据仓库与数据挖掘”课程这几年来发展迅速, 各大学计算机相关专业都开设了该门课程, 但由于课程内容比较抽象, 对非计算机专业的教学, 一直是很多教学者研究的问题。对此, 我们根据医学院校的特点, 提出了一种目标驱动的教学框架。
关键词：医学院校,目标驱动,课程设计,毕业论文
参考文献
[1]高圆圆, 吕庆文.数据挖掘课程的教学思考[J].医学信息, 2009, (11) .
医学影像数据挖掘 第11篇
关键词：分布式数据库；数据分片；数据同步
1 引言
高職院校医学专业学生在校理论学习结束后，要进入医院等用人单位顶岗实习，为毕业后能迅速适应就业岗位打下良好基础。但在实习学生管理方面，各院校仍在采用传统的人工管理模式，沟通不畅，资源浪费且效率低下。所以，如何进行高效的学生实习管理，成为众多医学院校亟待解决的一个核心问题。随着互联网技术的不断发展，信息化的管理模式成为了各医学院校进行实习学生管理的最优选择，开发一个基于数据库和网络的实习管理系统，实现实习学生的信息化管理，降低学校对实习学生的管理成本，提高管理效率，实现学院-医院双重管理的无缝衔接，是众多高职医学院校正在进行的一项课题。
由于在实际环境下，学生实习的单位在地理位置上是分散的，以笔者所在学校为例，实习单位主要分布在西安市、咸阳市、宝鸡市、渭南市、榆林市、汉中市、重庆市等省内外地区，且每年都有新增的实习单位。因此，在进行管理系统的设计时，采用什么样的数据库方案就成了决定系统效率和稳定性的关键因素。
2 数据库设计方案
在数据库方案的选择上，可以考虑集中式数据库和分布式数据库。集中式数据库硬件系统是由一个处理器、与它相关联的数据存储设备以及其他外围设备组成，见图1。
若采用集中式数据库，所有系统成分均驻留在单个计算机（或场地）内，用户可以在同样的站点上操作，也可以在地理位置隔开的其他站点上通过远程终端来操作。系统及其数据管理被某个中心站点集中控制，这样有利于数据的维护和保持数据一致性，但是，一旦中心数据库发生故障，就会导致整个系统瘫痪。
分布式数据库是由一组数据组成的，这组数据分布在网络中的不同计算机上，网络中的每个结点都具有独立处理的能力，可以执行局部应用，也能通过网络通信子系统执行全局应用，如图2所示。
对用户来说，一个分布式数据库系统从逻辑上看如同集中式数据库系统一样，用户可以在任何一个场地执行全局应用。所以，根据学生实习的实际情况来看，适宜采用分布式数据库系统，允许各实习单位将自己常用的数据存储在本地，在本地录入、查询、维护，实行局部控制，在降低通信代价的同时，提高响应速度。
3 数据分布策略
在进行数据分布设计时，可考虑采用分割式与复制式相结合的数据分布策略。在学院站点上保留一个完整的数据副本，然后根据学生将要去往的实习单位，将所有实习学生的信息按照实习单位进行分配，即一个实习单位一个数据子集副本。这样，各实习单位可自治的查询和修改本单位实习学生的数据，发挥系统的并发操作能力。同时，由于数据分布在多个站点上，当部分站点出现故障时，系统仍能保持运行，提高了系统的可靠性。
在本系统中，每个实习单位都需要对分配给自己的实习学生的信息进行一系列的管理，也就是说，对于学生的基本信息及其关联信息的应用较为频繁。所以在进行数据分片设计时，应采用水平分片，使实习单位的绝大多数应用在实习单位的站点内完成，系统的效率得到提高，避免因为频繁访问两个或多个片段导致执行连接操作增加而使得代价增加。并且，采用水平分片方法产生的片段，将被分配到访问它次数最多的站点上，即在各实习单位站点上只分配去该单位实习的学生信息，而全部实习学生的数据则存放在学院站点上。
4 数据同步设计
在进行分布式数据库之间的数据同步（数据复制）时，可采用发布/订阅方式：首先在数据源数据库服务器上对需要同步的数据进行发布，然后在目标数据库服务器上对上述的发布进行订阅。基于快照的事务复制，主数据库服务器生成快照，备份库服务器读取并加载该快照，然后不停地从主数据库服务器复制事务日志。
在本系统应用环境下，同一地区的不同实习单位共用一个站点空间，而在实习管理过程中，对分配给自己的实习学生数据的修改总是由实习单位发起的，所以，在给实习单位分配实习学生时，将学院数据库服务器作为源数据库服务器进行学生信息数据的发布，各地区数据库服务器作为目标数据库服务器对该发布进行订阅；学生进入实习单位后，可将各地区数据库服务器作为源数据库服务器对随管理过程变化的学生信息进行数据发布，学院数据库服务器作为目标数据库服务器对该发布进行订阅，采用事务复制来保证数据的一致性。在第一次设置好事务复制后，发布的表、存储过程等将会被镜像，之后每次对于发布服务器所做的改动都会以日志的方式传送到订阅服务器，使得发布服务器和订阅服务器几乎可以保持同步。
探究基于元数据的遥感影像数据库 第12篇
1、遥感影像系统的工作原理
基于元素据的遥感影像系统的内容有三个:数据录入、信息检索、数据输出。观其工作模块有2个部分:一个是对数据进行转换的处理模块,这一模块将零散储存于数据库中的图像数据文件归集起来,合并转化为统一的自定义文件。这一模块还可以针对转化过程做反向处理,即把同一个自定义文件分解,转化为之前零散的图像数据。另一个是提取元数据的处理模块,该处理模块从图像元素据中提取经纬度、轨道号等信息,并将元素据存入数据库内。Linux与IOS系统因其兼容性问题,本文暂且不议,仅看微软系统由于使用API函数处理文件,而在处理数据时可以兼顾较快的速度和具有保证的稳定性。
众所周知,数据太过零散,传输和读取的速度相对较慢,数据如果很完整,即使体积较大,其传输和读取速度也要比同等体积的零散数据要快得多。
影像数据存入数据库时,系统模块将指定目录下的数据进行合并转化,产生一个具有唯一ID、内部具有明晰逻辑结构的自定义文件,该文件即为元数据文件,这一元素据文件内部包含了数据图像的各种信息,占用空间极小,也就使得读取和传输的时间可以大幅度缩短。
至于元素据的检索,则是数据图像系统利用自身的两个模块,依靠文件的唯一ID进行关联性操作。数据读取模块先根据文件的唯一ID查找元数据文件,待元数据文件查找到后转交于数据转化模块,将文件分解为原始图像数据。
2、元数据的目录检索服务
用户们总是对图像数据提出各种各样的要求,但是提供遥感图像数据的人无法同时满足所有人的要求,为了解决这种供求矛盾,就必须建立起一个具有共享性能的元数据信息体系,用户们利用关系数据库这个大平台来及时获取他们想要的数据信息。元数据目前的目录体系有三种发展方案:
(一)“单点集中,多点复制”
多个数据库指向同一个目录中心,通过动态复制的方式分布于多处,这样可以对目录进行统一性的管理,分布于各处的用户也可以及时获得元数据的目录检索服务。这一方案可以在服务器的处于平衡负载的前提下为用户提供最快的目录检索服务,且因其主副目录的数据传输量较小,更新量较少,可以保持数据的一致。
需要注意的是,这一方案的目录错误传播较快,主目录一旦发生错误会迅速复制到副目录中,从而导致巨大的修改量,主目录的负担过大,则容易造成系统的瘫痪。另外,虽然主副目录可以共同更新,但更新并非是同步的,更新时间取决于数据传速度。
(2)利用链接方式进行目录跳转
主目录下属的各个分支居于不同的服务器,共同组成完整的主目录树。方案二的因其节点多、数据容纳量大而具有极强的扩展性,管理时只需进行副目录的管理,不必整体修改,工作效率更高。此外,方案二的性能要优于方案一,单一处的错误不会波及其他目录分支,只要不波及主目录,系统就不会瘫痪,具有更高的安全性。同样,由于访问的目录都是单个的分支,即使用户的访问不会造成服务器堵塞,并发性非常好。
需要注意的是,方案二的访问速度无法比方案一相比,由于多个不同服务器副目录的并发访问,容易导致网络延时。主目录依然最为重要,一旦发生问题,同样会导致整个目录系统瘫痪,造成这种情况的原因是查询操作依然要经过主目录才能抵达各副目录。另外,由于方案二的目录管理非常复杂,查询期间经常要重新定向。
(3)副目录复制与分支目录分居
目录分支不仅居于不同服务器,还被复制到各处零散分布。方案三可以说是综合了前两者方案的优点,扩展范围更广、访问速度更快、数据容纳量更大。但也由于方案三是方案一与方案二的综合体,因此对硬件设备的需求极大,在管理方面具有更高的负担。尽管方案三有了这么一个缺点,但是为了迎合未来大数据时代的发展需求,方案三反而是最可行的。
3、基于元数据的遥感影像数据库体系
该数据库体系的应用模式如下:
首先,在中心服务器上设置元数据中心,并联合多个分数据服务器,由系统管理员将主副服务器进行关联。用户只需安装终端软件,在主数据中心注册账号,即可获得系统管理员给予的授权,进而访问整个系统体系。
其次,元数据位于主服务器,系统连接各主副服务器,系统管理员可以对提供者上载的影像数据进行统一管理。
最后,分布于各处的用户可以登录本地副服务器,利用主副服务器的联接性访问中心服务器,进而检索元素据目录,下载图像数据。
结语
基于元数据的遥感图像管理系统,可以对数据的采集、维护、转化、检索提供有效管理,使用户尽可能快的检索到所需数据。
参考文献
[1]刘鹏.基于元数据的遥感影像数据库研究[D].山东科技大学,2005.
[2]袁德阳,聂娟,邓磊,杨典华,尹川.基于元数据的多源遥感影像数据库集成技术研究与实现[J].测绘科学,2012(03).