醫學影像學診斷中粗糙集方法的應用

　　醫學影像學診斷中粗糙集方法的應用

　　【摘 要】隨著圖像處理技術的發展以及互聯網、計算機的普及，各種數字技術在醫學領域得到了廣泛應用。

　　作為一種專門的視覺處理工具――圖像處理技術正在不斷向社會各個方面滲透，在與其他學科相互促進的同時，自身得到了飛速發展。

　　目前來說，醫學圖像處理是非常重要的數字圖像分支，數字技術的應用在降低醫療成本的同時，大幅度提高了臨床診斷正確性。

　　面對大量的臨床影像學資料，不同的分析方法有著不同的診斷準確性。

　　接下來，本文將結合筆者多年相關工作經驗，詳細論述醫學影像學診斷中粗糙集方法的應用分析。

　　【關鍵詞】粗糙集方法;醫學影像學;診斷準確性

　　粗糙集理論是一個交叉融合多種學科形成的新學科，已被廣泛用于各個行業包括：市場營銷、衛生、電信、金融、農副產品、互聯網語言的識別以及知識管理系統等等。

　　粗糙集理論在很多的領域已取得令人驕傲的應用效果。

　　在醫學影像學領域中，隨著影像學數據信息不斷的增長，在醫學影像學診斷中運用粗糙集方法，能客觀地展現出海量數據信息以及高維資料的背后的真實情況，更好的幫助醫生做出客觀、準確的判斷，有利于臨床診斷正確性的提高。

　　1 簡要論述粗糙集方法

　　1982年波蘭數學家首次提出粗糙集概念，這是以等價關系為基礎的，用于分類問題的研究，用上集合與下集合生成一個相逼近的新集合，新結合的邊界線被定義為上下近似集的差集。

　　是繼概率論、證據論之后有一個不確定性問題的處理工具，是一種新型的軟計算方式。

　　這種建立在分類機制前提下的粗糙及理論，可以把分類解釋成為一定區域中的等價關系，這個區域正是由等價關系進行劃分的。

　　將知識歸納為數據的劃分，被劃分后的集合定義為概念。

　　充分利用已知的信息庫，對不確定或不精確的知識通過已知的信息庫進行近似刻畫。

　　無須提出數據集合以外的一切知識，因此，對于問題的描述比較客觀、比較具體，再加上粗糙集理論不包含不確定或不精確原始數據機制，與證據理論、概率論等有較強的互補性。

　　粗糙集合理方法適用于研究不定型問題的工具，作為集合理論的擴展，粗糙集理論主要用來研究不完整的信息數據挖掘技術。

　　它可以在缺乏數據的先驗知識前提下，用考察數據分類的能力解決模糊不定的數據并加以分析處理，與此同時粗糙集算法簡單且容易操作，現在以它為基礎的數據挖掘工具也非常多，粗糙集理論其出發點是假設所有研究對象都涉及一些的信息。

　　隨著粗糙集理論的廣泛應用，其有效性被越來越多的證實，成為了現階段人工智能研究的重點。

　　2 醫學影像學診斷中粗糙集方法的應用實例分析

　　收集了2011年1月-2012年1月來我院進行膠質瘤診斷治療的50例患者的臨床資料進行詳細研究，其中，29例男，21例女，患者年齡在23歲-77歲之間，平均年齡為58.7歲。

　　其中，11例WHO I級，25例WHO II級，9例WHO III級，5例WHO IV級。

　　對上述患者進行MRI檢查，平掃TIW1橫斷面與矢狀面得出影像學資料。

　　由放射科專業醫生對上述患者的MRI影像學資料進行分析研究，包括病灶位置、形狀、囊變、TIW1、T2W1、水腫、鈣化、出血、性變等等，按照影像學特征對不同指標進行分類。

　　并通過粗糙集方法、Logistic二元回歸方法與分類回歸樹方法對影像學資料進行研究。

　　具體粗糙集方法：將決策表導入專門的Rosetta軟件，通過軟件對病例進行規則約簡與屬性約簡。

　　在條件屬性核產生的基礎上，得到決策規則庫，通過規則庫過濾，達到知識的精簡。

　　通過10折交叉驗證方式測試膠質瘤數據，通過測試結果的診斷靈敏性、覆蓋率、陽性預測值、特異度、陰性預測值等提取診斷性能，繪制ROC曲線。

　　結果顯示，粗糙集方法的診斷準確性為85.2%，特異度為92.7%;決策樹方法診斷準確性為83.0%，特異度為91.3%;Logistic二元回歸方法診斷準確性為83.2%，特異度為85.6%。

　　充分證實了，在臨床影像學診斷中，粗糙集方法能夠得到更多的確定性規則，進一步提高臨床診斷準確率。

　　3 醫學影像學診斷中粗糙集方法的應用的優點分析

　　3.1 粗糙集方法應用便捷、結果準確性高

　　粗糙集方法不需要預先設計概率、不需要建立相應的因變量函數關系，直接運算集合中的對象，直接獲得不可分辨的矩陣，直接得出結論。

　　通過粗糙集法分析，其結論呈現的方式是以IF….Then…的形式出現，呈現結果不僅具有非常高的價值，而且呈現形式非常明確。

　　3.2 粗糙集方法能客觀地展現出海量數據信息以及高維資料的背后的真實情

　　這種基于數據集合的挖掘方法，在臨床影像學診斷中，粗糙集方法能夠發現隱藏在現象背后的知識。

　　例如，在在對膠質瘤影像學資料進行規則提取以及屬性約簡時，整個過程都是客觀的，不受外界因素、人為因素的干擾，獲得的膠質瘤級別診斷比較容易理解、診斷規則比較清晰。

　　Logistic二元回歸方法與分類回歸樹方法，是通過訓練集方式生成一個新的測試函數，通過函數分析方法，計算不同對象的可能發生概率，進而預測對象的分類。

　　Logistic二元回歸方法是基于數理統計基礎上的，通過筆數比篩選具有價值、有統計學意義的不同變量，將這些變量通過模型方程形式進行計算，比較計算前后實際結果與預測結果兩者的差異性，從而進一步確定自變量的入選，同時，還可以計算出自變量的重要價值。

　　決策樹方式是通過地規模與分層模式進行的，也就是根據不同的對象建立不同的樹分支。

　　在不同分支的子集中建立重復的分值和下層節點，從而生成了決策樹。

　　再對決策樹剪枝，再對決策樹進行規則處理。

　　但是，這種基于概率的分類結果，是根據概率進行判定的，對于高級別膠質瘤的診斷率比較低，這種決策樹分析方法很容易受到人為因素的影響，比如說決策樹的修建、決策樹的增長、選擇父節點數以及子節點數等等，都會影響到分析結果的準確性。

　　4 結語

　　粗糙集方法是將觀測到的龐大數據集加以分析研究，其目的是找的未知的關系及數據擁有者能夠理解且有價值的新方法來總結數據，經粗糙集方法推導出的準確率較高，在臨床醫學影像診斷中應用價值較高。

　　【參考文獻】

　　[1]馬常杰，陳守余.數據庫中模糊關聯規則挖掘研究進展[J].計算機工程與應用，2010，12(11)：752-753.

　　[2]田軍章.基于PACS的結構化報告(SR)模塊的設計與實現研究[D].第一軍醫大學，2011，4(09)：141-142.

　　[3]王小鳳，周明全，耿國華.一種基于模糊粗糙集理論的算法及其在醫學影像中的應用[J].計算機應用研究，2012，11(5)：369-371.

　　[4]王國胤.Rough集理論在不完備信息系統中的擴充[J].計算機研究與發展，2012，5(17)：13-15.

　　[5]莊傳禮，楊萍，李道亮，傅澤田.基于神經網絡和粗糙集規則的提取方法[J].計算機工程，2011，15(4)：56-57.

　　[6]張超.數據挖掘中分類分析的策略研究及其生物醫學應用[D].南方醫科大學，2011，10(3)：168-169.

【醫學影像學診斷中粗糙集方法的應用】相關文章：

學習方法多核診斷題10-06

螺旋CT在肺栓塞診斷的臨床應用10-26

對遺傳學診斷的分析論文10-10

臨床醫學影像在泌尿系統結石中的應用論文10-08

淺談學具在小學數學教學中的應用論文10-08

高校計算機教學中的應用方法研究論文10-08

血腫影像學診斷與誤診分析論文10-09

社會實踐在人體發育學課程中的應用論文10-08

參與式教學在土地經濟學中的應用論文10-09

淺析機床機械故障維修的診斷及方法10-26