數據挖掘技術在輔助診斷心血管類疾病的AVR測量方法中的應用

摘要：隨著計算機應用技術的發展和圖像處理技術的進步，數據挖掘技術的應用也越來越廣泛，基于醫學圖像處理與分析的計算機輔助診斷技術是計算機科學與醫學相結合的具體應用，利用臨床醫學成像設備獲取高質量的醫學圖像，通過數字圖像處理技術對醫學圖像進行處理，并應用數據挖掘技術分析醫學數據，探測數據之間的關聯，運用有效的AVR測量方法預警排查與視網膜病變有關的各種疾病，最終輔助臨床醫學做出有效診斷。該過程以醫學知識和臨床癥狀為導向，以圖像處理技術和計算機機器學習為方法，以數據挖掘技術為輔助手段進行的計算機輔助臨床診斷過程。

關鍵詞：數據挖掘;心血管類疾病;AVR;計算機輔助

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）12-0015-02

開放科學（資源服務）標識碼（OSID）：

心腦血管疾病是心臟血管和腦血管疾病的統稱，泛指由于高脂血癥、血液黏稠、動脈粥樣硬化、高血壓等導致的心臟、大腦及全身組織發生的缺血性或出血性疾病[1]。心腦血管疾病嚴重威脅人類的健康，通常，心血管疾病診斷技術包含有動態血壓、動態心電圖、運動負荷試驗、心血管超聲、心肌顯像、CT、核磁共振以及造影、電生理檢查和心肌標志物的檢測等，臨床經驗表明，眼底圖像中動靜脈寬度之比（arteriolar-to-venular diameter rati-o，AVR） 的變化與腦萎縮、中風、高血壓、糖尿病等疾病的病程情況密切相關，有效的 AVR測量可用于預警或排查與視網膜病變有關的各種疾病。

當今，各大醫院都擁有數據庫用來存儲豐富的各類檢測數據，雖然解決了海量的醫學數據的存儲和數據檢索的效率問題，但無法改變“大量數據，缺乏信息”的現象，將數據挖掘技術應用到醫學信息數據庫，充分利用寶貴的醫學信息資源，輔助醫生進行科學的疾病診斷，預測疾病的發生，為治療提供科學的決策，促進醫學研究發展。通過 AVR 測量方法得到的數據，進行數據關聯建模，尋找預測心腦血管疾病的 AVR 數據。

1準備前期

（1）自動識別眼底圖像視網膜血管的動靜脈的分析與研究

動靜脈自動識別是進行動靜脈管徑或者曲率變化分析的預處理操作，與各種疾病尤其是心血管疾病預警或排查息息相關。眼睛是唯一可無損檢測，同時信息豐富的器官，眼底檢查能預警或者檢測到的疾病較多，并且相對其他檢查較為便宜、性價比很高、易于普及。動靜脈血管在眼底圖中，在顏色、形態上均有差異。動脈血管亮度較靜脈血管高，并且動脈血管中心光反射更強。由于血管是非閉合結構，可用眼底圖上對于血管的 2D 投影的血管樹表示，不同血管交叉處的血管類型不一樣，即兩條相交的血管必有一根動脈血管一根靜脈血管，為動靜脈的自動識別提供了基礎。目前用于動靜脈識別的方法主要有半自動和全自動分類方法，其中半自動分類方法主要基于視網膜網絡結構特征來實現。眼科醫師標出分類起始端的血管類型，再利用血管分割算法和跟蹤算法得到剩余血管的類型。全自動分類方法是根據血管結構劃分血管分類集合，再利用血管的顏色、亮度特征差異構造分類特征向量進行分類操作。

（2）視網膜動靜脈血管分類

視網膜血管分割和分類是研究血管變化與疾病關系的重要步驟，目前關于視網膜血管分割已經有很多研究者提出了方法，隨著機器學習方法和深度學習方法在醫學圖像處理中的應用，血管分割的準確度達到了98%，為后面的血管分類提供了足夠高的準確度，因此本文的研究應用著重在于分類。但由于視網膜血管分類的難度隨距視盤的距離增大而增大，有白內障或者青光眼等眼睛病理性疾病的眼底圖血管投影模糊等問題，視網膜血管的分類仍是計算機圖像處理領域的難點問題。常用的分類方法中大多選取 ROI 區域，即以視盤為中心的同心圓區域，研究視盤以外、同心圓以內的血管的分類。這種方法的局限性很大，不能分析整個眼底圖中的所有血管的分類。而且有研究表明，離視盤很遠的小血管的管徑、彎曲度的改變對某些疾病更為敏感。也有研究者提出在 ROI 區域的血管分類的基礎上，利用血管的連接性基于血管追蹤將分類結果不斷擴展到剩余血管中，但這種方法的整體精確度不高[2-3]。所以必須研究出新的方法，對所有血管段進行分類的同時提高分類精度。

（3）數據挖掘技術的應用

利用數據挖掘技術從數據庫中找到有價值的規律。先提取 AVR 的自動計算數據，經過布爾轉換成適合數據挖掘的數據集，選擇合適的算法，對整合后的數據集進行挖掘，發現并找出隱藏的、有價值的規律[4]。再將挖掘得到的隱藏規律使用用戶可以理解的方式表達出來，從而輔助醫生對心血管疾病的診斷，提前預知病情，避免造成發病期的嚴重后果[5]。數據挖掘流程圖如圖1所示。

（4）自適應的 AVR 計算

視網膜血管動靜脈管徑比（AVR）可以用來衡量視網膜血管的寬度變化，是檢測疾病重要的技術參數。其臨床意義在于能夠篩查和預警多種疾病，如腦萎縮、心肌梗塞、糖尿病視網膜病變、早產兒視網膜病變等[6]。AVR 的計算是對視網膜動靜脈分類的進一步應用。目前AVR 的自動計算整體流程大致分為兩種，一種是提取血管骨架，得到血管走向方向，計算血管兩邊邊界點之間的距離，從而得到血管口徑長度。這種方法對于分叉處的血管的魯棒性不夠。第二種是根據血管灰度等特性，構造模型測量。這種方法因需要對參數進行設定，所以對于自適應的測量要求難以達到。AVR處理過程圖如圖2所示。

2 建立AVR測量方法的步驟

（1）尋找一種高效率、高精度的視網膜動靜脈分類方法，為多種疾病的自動診斷和 AVR 的計算提供研究條件，給數據挖掘 AVR 與心腦血管疾病的關聯提供精準數據。

研究表明，部分心血管疾病，例如高血壓、心臟病、冠心病等疾病的發生，對動靜脈血管造成不同的影響，使視網膜血管中的動脈和靜脈形態發生較大改變，其他系統疾病，比如動脈硬化、糖尿病視網膜病變，也會影響視網膜血管結構。高血壓視網膜病變的早期特征則包括視網膜動脈管徑變小[7]。因此，要實現對視網膜動靜脈高效率、高精度的分類，以提供精準的挖掘數據。

（2）建立一個有效的數據挖掘模型，實現高效率、高精度的 AVR 計算系統，嘗試利用數據挖掘技術找出 AVR 與心血管疾病的規律，輔助醫師對于心血管疾病的預警或診斷[8]。

多種疾病的預警和監測都依賴于視網膜的動靜脈血管管徑改變的計算，比如眼底血管的動靜脈血管寬度之差的變化與糖尿病的病程、嚴重程度及愈后情況密切相關[9-10]。本文最終目標是建立一個有效的數據挖掘模型，實現一個高效率、高精度的 AVR 全自動測量系統，并利用數據挖掘技術找出 AVR 與心血管疾病之間的關聯，預測心腦血管疾病，為臨床診斷提供有一定價值的預測參考。

3討論

（1）針對疾病的眼底表現與小靜脈和小動脈的關聯，比如視網膜小動脈管徑增寬與糖尿病有關等，通過對整幅圖像的血管進行分析，結合血管拓撲結構和圖論，對包括感興趣區域的整體血管進行分類。首先提取血管中心線進行圖論和拓撲分析，再將血管進行分塊分類。最后再結合動靜脈血管特征向量進行分類。

（2）AVR 的計算中，為了減少分叉點的位置對計算結果的影響，首先根據圖論確定分叉點位置后，再確定血管兩邊邊界點，然后進行血管口徑計算。

（3）實現一個基于眼底圖像的 AVR 自動測量系統，輔助醫生診斷，該系統簡單好用，能幫助醫生測量難以通過人眼觀察到的動靜脈管徑比值的變化。

通過自動測量 AVR 值，利用數據挖掘技術輔助醫生對心血管類疾病的診斷。視網膜動靜脈血管的正確分類是 AVR 測量的前提和關鍵，選擇挖掘算法并改進，通過算法分析找出 AVR 和心血管疾病的關聯規律。

參考文獻：

[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] 張美華.淺談數據挖掘技術及其應用過程[J].電腦知識與技術，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] 馮變玲，魏芬，楊世民，等.心腦血管用藥不良反應與用藥人群間的關聯關系分析[J].中國藥房，2011，22（36）：3389-3391.

[7] 蘇杰.基于數據挖掘技術的高血壓疾病評估方法研究[D].杭州：浙江大學，2006.

[8] 陳文偉，陳晟.從數據到決策的大數據時代[J].吉首大學學報（自然科學版），2014，35（3）：31-36.

[9] 劉宏強.基于數據挖掘的冠心病發病相關因素研究分析[J].科技資訊，2008，6（10）：207-208.

[10] 陳明.醫學數據挖掘綜述[J].醫學信息，2008，21（1）：19-21.

【通聯編輯：唐一東】