做完CT或者核磁共振检查， “塑料袋+传统胶片”是患者求医问诊的标配，有些医院可以自动将检查影像同步到手机，扫码就能浏览，有些医院会让我们自带U盘去拷贝DICOM格式图像，有区别吗？哪种更靠谱？
在现代医疗中，X光、CT、超声、核磁共振等医学影像技术，成为辅助临床医生进行决策的重要工具。作为医疗影像业务的核心，PACS系统，即医学影像存档与通信系统，成为医院信息系统的重要组成部分。为实现不同网络硬件和软件环境下，医学影像可靠、高效的在不同医疗设备之间进行传输，医疗数字成像和通信DICOM标准制定，并成为最为广泛的医疗信息标准之一。
近年来，随着我国医学影像信息化水平明显提高，医疗设备新技术的出现和医联体等新业态的发展，在存储层面，传统PACS存在一些技术上的“痛点”。
PACS系统数据存储痛点剖析
PACS系统利用计算机信息技术将不同型号、类别、地点的设备产生的图像，在统一的数字图像格式如DICOM标准下，进行采集和集中存储，使得医生可以在自己的终端上调阅所需要的图像，做各种处理、辅助诊断和治疗。
随着各级医院门诊量的增长，放射科等科室医学影像采集设备的增加，以及医联体医学影像云中心或区域医学影像云中心的建设，PACS系统的医学影像数据越来越多，性能及效率要求越来越高。这些变化，对医学影像数据的存储系统提出了新的要求。
海量数据的长期存储
一家三甲医院的医学影像文件每月新增数量可能达到千万级，每年增长量达到上亿，存储空间高达PB级，按照地级卫生部门的要求，住院的影像数据要求保留时间不少于 30 年，门急诊影像数据要求保留时间不少于15年。传统集中式存储架构采用SAN+NAS方式，硬件兼容性较差，扩展性方面存在较大的短板，期间还会遇到硬件更替、数据迁移以及不可预知的硬盘故障，无法满足需求。
影像数据的及时调阅
老旧的影像系统一般支持6个月内的影像数据调阅，如超出6个月，临床医生无法及时甚至不能调阅历史影像文件，进而影响看诊效率。大型三甲医院往往有着上亿小文件存储规模，在业务高峰期，数百位门诊、临床医生同时阅片时，对存储系统产生高并发访问，存储性能下降造成读写时延，直接影响医生阅片效率。
影像数据的智能处理
数据显示，目前我国医学影像数据的年增长率约为30%，但影像科医生的增长速度远不及影像数据的增长，这将给医生带来巨大的压力。而通过AI智能影像识别方式辅助影像科医师进行诊断，因效率高、成本低成为市场刚需。除了医学影像对AI的潜在需求，国家政策高度支持医学影像行业及“AI+医疗”的发展，医学影像和教学科研工作的开展，也需要与AI技术相结合，以加速新技术的更新。
DICOM文件结构化解析，实现快速检阅
要完美地契合医学PACS影像场景的需求，我们在医学影像数据全流程方案的规划上既要考虑数据存储，也要考虑数据管理和数据智能。在满足数据存储基本需求的基础上，DICOM文件解析是一个实现更优数据管理和数据智能的较好的切入点。
DICOM文件是按照DICOM标准而存储的医学文件，是医疗影像的关键，一个DICOM文件保存了单次诊断的全部信息（病人信息+图像数据等），主要包含一个DICOM文件头和一个DICOM数据集合组成，格式后缀一般为DCM。
图 DICOM文件结构
从数据元素开始，均是以key、value的形式提供，每个Tag就是DICOM中定义好的字典。DICOM全部的Tag有2000多个。我们在解析时根据需要关注特定的Tag即可。
图 数据元素的格式及示例
目前DICOM的版本是3.0，基于DICOM3.0标准的医学图像Tag信息主要可以分为Patient、Study、Series和Image四类。每一个DICOM Tag都是由两个十六进制数的组合来确定的，分别为Group和Element。常用的Group：0002组描述设备信息，0008组描述检查信息，0010组描述患者信息，0028组描述图像信息。如(0010,0010)这个Tag表示的是Patient’s Name，它存储着这张DICOM图像的患者姓名。
杉岩MOS破解PACS影像数据难题
在研发及使用医学影像系统时，必然需要对导入的DICOM图像进行解析，其中很重要的一部分工作就是从图像中获取它所包含的信息，然后根据需要显示或利用相关信息。
作为一款兼具企业级海量非结构化数据存储能力和智能数据处理能力的分布式存储产品，杉岩MOS海量对象存储再次强化智能数据处理能力，推出医学影像DICOM解析存储解决方案，基于DICOM标准，可以自动解析DICOM文件包含的病人信息、检查信息、设备信息、图像信息等，自动生成相关信息标签，并支持基于标签的检索能力，支持从海量文件中快速提取信息，为白衣天使减负。
图 医学影像DICOM解析存储解决方案
海量数据存储：杉岩MOS采用全对称、去中心化的分布式架构，具有强大的存储扩展能力，支持EB级容量和亿级医疗影像文件数量；性能随着存储节点的增加而线性的增加，确保多并发、高带宽和低时延读写。杉岩MOS强大的扩展能力与线性增长的性能，为医院、医联体、医疗集团未来业务的扩展奠定坚实的基础。
DICOM解析：杉岩MOS基于DICOM标准，自动解析DICOM文件包含的Patient、Study、Series和Image信息（如姓名、性别、年龄、生日、检查号、图像信息等），自动生成相关信息标签。杉岩MOS支持对单个文件添加标签数量超过100个。用户可以根据自己的使用习惯制定常用Tag解析模板，满足日常诊疗的需求。杉岩MOS还可基于标签信息进行模板化检索，实现检索能力与业务需求紧密贴合，数据获取更精准，价值利用效率进一步提升。
智能数据处理：医学影像被认为是人工智能最有可能落地的领域之一。海量的医学影像数据也促进着AI+医疗的发展。数据分析、深度学习前科研人员往往要把DICOM格式转化为其他格式，比如将DICOM（.dcm）数据转化为NIFTI（.nii）数据。杉岩MOS的智能数据处理引擎可以通过可插拔的数据智能处理插件实现格式转换等预处理，依托开放式平台和强大的数据处理能力，并基于数据感知实现智能调度，满足智能处理数据、挖掘数据价值的需求。
价值总结
杉岩MOS在医学PACS场景可以提供DICOM文件解析，高速、高效的检索、复制、传递图像，真正实现医学图像信息资源的共享。医学图像按照需要实现跨科室、跨医院、跨地区流动，自动生成信息标签，便于医疗会诊等业务系统从海量影像数据中快速提取病人相关信息，为分级诊疗、专家会诊、病案研究提供影像数据检索和调阅支持，以快速开展诊断和治疗。
同时，杉岩MOS将数据处理能力下沉到存储内部，通过与海量存储核心引擎高效联动，加速智能应用，释放数据价值，为开展AI+医疗科研工作极大地简化业务流程，提升业务效率。
