PACS系统的分类报告管理策略研究

索方方

【摘要】报告作为信息基元被存储在PACS系统，用来对影像信息进行描述与分析。传统的报告信息管理模式忽略了报告信息内容之间的关联，不仅导致较高的报告信息查找与管理复杂度，而且造成已有报告信息无法为新信息提供相似解决方案而产生资源浪费。论文提出了一个基于分类的报告的管理策略，利用报告信息之间存在的相似性将报告信息进行分类管理以及为新信息提供相似解决方案。根据实验结果表明，该策略能够有效地提高报告信息查询效率。

【关键词】PACS相似报告信息查询

【中图分类号】R197.32【文献标识码】A【文章编号】2095-1752（2012）30-0029-02

1引言

随着信息技术（InformationTechnology，IT）与医疗设备的不断发展，医学影像存储与通信系统（PictureArchivingandCommunicationSystem，简称“PACS”）已经得到了广泛的应用，并且已经成为数字化医院的重要组成部分[1]。PACS由医学影像采集系统、数字成像系统、图形处理系统、网络通信系统以及多媒体DBMS系统组成[2]。PACS利用医学影像采集设备获取图像信息，并将其存储至中心服务器中，分布在各个科室的客户端通过网络通信设备访问服务器并获取存储的影像信息，而且还可以通过图像处理系统对影像信息进行加工和处理以及利用打印机等终端设备打印图像[3][4]。丰富的影像采集系统产生了大量的影像信息以及与其对应的报告，从而使报告信息的查询与管理面临着巨大的挑战。PACS采用传统中心化客户端/服务器（Client/Server，C/S）的系统模型，服务器端存储着所有的报告信息并为所有客户端提供服务。随着服务器存储的信息以几何级增长，服务器端的报告信息查询与管理效率不断地降低，导致PACS的应用性、健壮性及可扩展性差。其次，在现有的PACS中，报告信息在信息库中以静态方式存储，系统忽略了报告信息之间的关联性，使得旧有报告信息无法为新报告信息提供成功的解决方案，从而浪费了大量的可用信息资源。

本文设计了一个基于分类的报告管理策略，报告内容之间的相似性，将报告进行分类管理，从而提高了影像信息查询的效率。其次，当新的报告生成时，计算其与旧有报告之间的相似性，从而提高旧有信息的利用率。经过仿真实验，该系统能够提高PACS的报告信息查询效率。

2报告信息相似性模型

报告是PACS的信息库中所存储的基元。传统的信息存储方式依赖于关系数据库的结构化存储模型，即。其中PN表示一个病人信息的存储结构；ID为系统为该病人分配的ID号，ID作为主键通常用来唯一标识病人的信息；age作为结构化信息中的一个特征项被用来表示病人的年龄；iList是一个链表结构，用来存储病人的病理信息，即，且，其中ID为系统为病理信息ill分配的主键，用于唯一标识一条ill的记录；image为病理信息中所包含的图像信息；report为与图像相关的报告信息；detail为详细的病理描述；solution为对应病理的解决方案。当分布在各个科室的客户端查询病人的病理时，通过病人的ID从信息库PNDB中搜索对应的条目信息。

如图1所示，通过利用病人病理之间的相似性，将PNDB中每个条目进行归类处理，从而对PNDB进行划分，获得若干个子库subPNDB，即PNDB=(subPNDB1,subPNDB2,…,subPNDBm)。当科室客户端需要查询病人的病理信息时，首先确定病人病理的分类号，即所属的子库号，将查询范围映射到某一子库subPNDBi。显然，subPNDBi的查询空间规模要远远小于PNDB。因此，归类处理后的查询效率要远远高于传统的查询方法。

图1病理分类查询方法

除了ID外，病人的每个条目ill包含了四个特征，从而构成了一个四维向量空间模型，每一个ill都能被映射到该空间中的某一点上。将两个ill的每个特征进行相似性计算，获得特征的相似度量值Simage，Sreport，Sdetail，Ssolution，通过欧氏距离可以计算出两个ill之间的相似性度量值Sill。

其中，fset()为获得report特征集合的函数。Sdetail和Ssolution可以通过相同的方法获得。与传统的分类方法不同，一个病人可以拥有多个ill，那么这种一对多的映射关系为计算病人与病人之间的病理分类带来了较高的复杂度。对于一个病人而言，多个ill可以由一个病因引起，例如，根据病人病情的发展情况，从而采集了多个影像信息，他们之间以时间排列或者以拍摄的角度来排列。对于上述情况，由一个病因对应的多个ill之间必然存在较高的相似度量值。

不同病因对应的多个ill之间的相似度量值则明显低于前者。那么一个病人对应多种病理，而且一个病理特征可由多个ill来表示。因此，计算两个病人之间病理情况的相似度量值，则需要计算两个病人之间所有ill之间的相似度量值。首先计算ill与ill之间的相似度量值，其后，再将ill视为病理的一个特征，再利用欧氏距离计算病理的相似度量值，从而获得病人病理之间的相似度量值Sp。可将相似度高的病人划归为一类，并且系统给予其一个分类号CID，即。当科室客户端进行查询时，首先给出分类号CID，将查询范围映射到某一subPNDB，降低了查询空间规模，从而提高了查询效率。

3实验结果及分析

图2查询时间对比图

在仿真实验中，信息库中存储的基元数量为5000。通过运行分类算法，信息库中的信息被划分为34个类别。本文与传统未分类查询算法进行比较，并分别进行了1000次查询。图2表示查询时间对比结果。

如图2所示，随着请求数量的不断增加，未分类查询算法始终保持较高的查询响应时间。而基于分类的查询算法则保持较低的查询响应时间。这是由于当一个查询进入到系统中，对于未分类查询算法而言，它需要从整个信息库中查询给定的信息，因此，它的查询空间较大。而对于分类查询算法而言，通过指定的分类号，能够首先将查询信息映射到给出的分类号，从而降低了查询空间规模，查询响应时间维持在较低的水平。

4结语

本文提出了一个基于分类的影响与报告管理策略，利用传统信息库中基元存储的结构化特征来计算病理之间的相似性。通过计算每个病人之间的病理相似性将信息库中的基元进行分类，从而降低了查询空间规模。将新增信息与旧有信息进行相似度计算，获得与新增信息相似的旧有信息集合，从而辅助主治医生给出更加精确有效的病理解决方案。下一步工作，将进一步研究PNDB中信息的分布式存储策略。

参考文献

[1]王飞,朱博,朱俊,宁交贤,钱宇明,吴蜀燕.PACS系统和三维可视化关键技术的研究[J].四川大学学报：自然科学版.2011,48(5):1036-1040.

[2]张启川,蔡元卿,邹利光,戴书华.PACS为医学影像学数字化教学提供了有力的保证[J].激光杂志.2011,32(5):5-5.

[3]Gibaud,B.,Carfagni,H.,Aubry,F.,Pokropek,A.T.,Chameroy,V.,Bizais,Y.,DiPaola,R.,“Standardizationinthefieldofmedicalimagemanagement:thecontributionoftheMIMOSAmodel,”IEEETransactionsonMedicalImaging.vol.17(1):62–73,1998.

[4]XinhuaCaoandHuang,H.K.,“CurrentstatusandfutureadvancesofdigitalradiographyandPACS,”EngineeringinMedicineandBiologyMagazine,IEEE.vol.19(5):80–88,2000.