CN106023030A - 一种用于异常脑组织病历分类的自适应分层邻域半径方法 - Google Patents
一种用于异常脑组织病历分类的自适应分层邻域半径方法 Download PDFInfo
- Publication number
- CN106023030A CN106023030A CN201610320142.5A CN201610320142A CN106023030A CN 106023030 A CN106023030 A CN 106023030A CN 201610320142 A CN201610320142 A CN 201610320142A CN 106023030 A CN106023030 A CN 106023030A
- Authority
- CN
- China
- Prior art keywords
- radius
- neighbourhood
- layer
- vector
- mutual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G06Q50/24—
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种用于异常脑组织病历分类的自适应分层邻域半径方法,包括以下步骤:首先构造基于自适应邻域半径的四层结构分割框架,将每一层对应一个邻域半径有效解,通过迭代计算自适应调整邻域半径;然后通过对异常脑组织病历进行同层内邻域半径交互和不同层间邻域半径级联操作。本发明能有效提取异常脑组织病历内部不同区域属性特征,提高脑组织不同纵向皮质表面标签的分类效率,对异常脑部疾病早期预防、延缓脑疾病发作等具有较好的作用。
Description
技术领域
本发明涉及到医学信息领域,具体来说涉及一种用于异常脑组织病历分类的自适应分层邻域半径方法。
背景技术
电子病历系统中脑部组织包括头皮、皮下脂肪、颅骨、脑内膜、灰质、白质、脑脊液和血管等,这些脑组织数据具有多源、异构和动态变化等特性,另外这些脑组织结构本身含有神经元细胞体,含有连接和传出的神经纤维,传统的分类方法往往会不同程度地改变原脑组织中病历属性的规则成份,目前大部分计算机辅助智能医疗诊断系统中脑组织病历特征选择与分类等均依靠相应脑部疾病临床专家知识来确定。因此,脑组织病历分类已成为电子病历脑部疾病知识发现研究中一个关键问题。
脑组织分类最主要工作是将脑组织中三种主要组织成分:白质GM、灰质WM和脑脊液CSF分割出来。由于脑组织病历结构非常复杂,白质外面覆盖着灰质,而灰质众多的褶皱面起伏形成沟回,脑沟内充满着脑脊液,因此脑组织表现为同类组织的弯曲和突触很多。另外每种组织类型灰度往往不是常数,而是缓慢变化的,加之噪声、偏场和部分容积效应作用,导致不同异常脑组织灰度值分布中具有较多的相互重叠部分,导致脑部组织子结构之间边界非常模糊,使得准确分类不同异常脑组织区域非常困难。
脑部疾病在早期阶段并不会表现出显著病症异常,要制定早期阶段脑疾病干预措施,需要及时将不同脑组织病历进行分类,开展异常脑组织结构与病理结构的形态学分析,监视病理解剖结构形态动态变化过程以及进行形态、大小和位置的3D显示等,从而有效构建出脑组织解剖学结构图谱以及手术导航等。因此设计用于异常脑组织病历分类方法在学术研究和技术应用上都面临着较大的挑战。
本发明公开了一种用于异常脑组织病历分类的自适应分层邻域半径方法。该方法首先构造基于自适应邻域半径的四层结构分割框架,将每一层对应一个邻域半径有效解,通过迭代计算自适应调整邻域半径;然后通过对异常脑组织病历进行同层内邻域半径交互和不同层间邻域半径级联操作,较好地发现脑组织决策属性中隐含的异常结构,构建基于脑组织病历邻域半径矩阵分层交互,求出最优邻域半径集,使相应脑组织属性的交叠性保持最小化;最后最后构建属性分类向量较好地完成异常脑组织病历分类。该方法能有效提取异常脑组织病历内部不同区域属性特征,提高不同纵向皮质表面分类效率,对脑部疾病早期预防、延缓脑疾病发作等具有较好的作用。
发明内容
本发明的目的是为了克服以上的不足,提供能有效提取异常脑组织病历内部不同区域属性特征,提高脑组织不同纵向皮质表面标签的分类效率,对异常脑部疾病早期预防、延缓脑疾病发作等具有较好的作用的用于异常脑组织病历分类的自适应分层邻域半径方法。
本发明的目的通过以下技术方案来实现:一种用于异常脑组织病历分类的自适应分层邻域半径方法,包括以下步骤:
A.构造基于自适应邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解,并基于异常脑组织邻域半径分配矩阵NRDMn×n将脑组织病历进行分层,接着计算出第i层中不同脑部组织比例矢量与第j层中不同脑部组织比例矢量之间的关联系数C4(i,j),然后通过迭代计算自适应调整邻域半径Ri(l+1),协同种群在各自相应邻域半径内共享寻优经验,参与脑病历组织分类;
B.通过对异常脑组织病历进行同层内邻域半径交互以及不同层间邻域半径级联操作,并根据邻域半径的影响因子构建每一层与其他层的成员关系分解矩阵Mi;接着生成第L4层上四个邻域半径的交互向量,将大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集;然后计算第L4层上相邻两个邻域半径交互向量的交互裕度值,直至满足交互向量的粗糙熵;最后在第Li层构建基于脑组织病历邻域半径矩阵分层交互,求出第Li层中最优邻域半径集,使相应脑组织属性的交叠性在其分类时保持最小;
C.构建属性分类向量 为不同邻域半径内白质GM、灰质WM和脑脊液CSF的平均值,发现脑部组织决策属性中隐含的异常结构,较好完成异常脑组织病历属性特征提取与分类;
D.提取异常脑组织区域全局分类集,并判断分类成结果是否满足最优分类精度要求。若满足,则输出异常脑组织区域全局分类集;否则,则转至步骤B继续反复执行;
E.输出异常脑组织病历区域白质GM、灰质WM和脑脊液CSF全局最优分类集。
具体来讲:
1、步骤A中所述实现构造基于自适应邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解,并基于异常脑组织邻域半径分配矩阵NRDMn×n将脑组织病历进行分层,接着计算出第i层中不同脑部组织比例矢量与第j层中不同脑部组织比例矢量之间的关联系数C4(i,j),然后通过迭代计算自适应调整邻域半径Ri(l+1),协同种群在各自相应邻域半径内共享寻优经验,参与脑病历组织分类;具体步骤如下:
a.构造基于自组织邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解;
b.设计大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织等四种异常脑组织的邻域半径分配矩阵NRDMn×n,其定义如下:
其中常量λ=0.35,为第1个邻域半径的第n个分量,为第2个邻域半径的第n个分量;
c.设最低层分层结构为L4,其余各层从下往上依次为L3,L2,L1,这四层上分别分布着不同的邻域半径。第L4层通过层次聚类法将脑组织按照不同类别划分于邻域半径R4上,第L3层通过层次聚类法第L4层中划分的脑组织分类邻域半径进行不同邻域半径的集成分类,第L2层和第L1层也均采用同样方法分别进行第L3层和第L2层上不同邻域半径的集成分类;
d.构建两种类型的邻域:单一邻域○位于最底层第L4层,混合邻域●分别位于第L3层、第L2层和第L1层,然后分别设计两种类型的边:同层内交互边-,不同层间级联边-----;
e.设fi表示第i层中白质GM、灰质WM和脑脊液CSF的容积比例矢量,fj表示第j层中白质GM、灰质WM和脑脊液CSF的容积比例矢量,矩阵C4(i,j)表示第L4层中不同邻域半径数目,其值等于fi与fj的层次关联系数,计算公式定义如下:
其中corr(fi,fj)为fi与fj皮尔逊相关系数;
f.通过迭代计算自适应调整邻域半径Ri(l+1)如下:
其中函数Ri(l)为第l次迭代时Ri的邻域半径,Rj(l)为第l次迭代时Rj的邻域半径,e为自然常数且e取值为3.14159,Ri(l+1)为第l+1次迭代时调整后Ri邻域半径。
2、步骤B中所述通过对异常脑组织病历进行同层内邻域半径交互以及不同层间邻域半径级联操作,并根据邻域半径的影响因子构建每一层与其他层的成员关系分解矩阵Mi;接着生成第L4层上四个邻域半径的交互向量,将大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集;然后计算第L4层上相邻两个邻域半径交互向量的交互裕度值,直至满足交互向量的粗糙熵;最后在第Li层构建基于脑组织病历邻域半径矩阵分层交互,求出第Li层中最优邻域半径集,使相应脑组织属性的交叠性在其分类时保持最小;具体步骤如下:
a.设第i层Li的第i个邻域半径Ri有四个影响因子m,n,t,p,其值部分取“0”或者“1”,如果为“1”,则表示第L4层上第j个邻域半径包含在第Li层上第i个邻域半径内;如果为“0”,则表示第L4层上第j个邻域半径不包含在第Li层上第i个邻域半径内;
b.构建成员关系分解矩阵Mi,包括Ni个行,N4个列,其中N为第L4层上邻域半径总数,每一行对应于第Li层上单一邻域,每一列对应于第L4层上单一邻域;
c.在成员关系分解矩阵Mi的作用下,生成第L4层上四个邻域半径的交互向量,即和
d.将上述邻域半径的交互向量和按照大脑白质GM、
灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集,即
e.计算第L4层上相邻两个邻域半径交互向量的交互裕度值,计算方法如下:
其中和表示在第L4层上邻域半径向量,其分别包含a个和b个邻域半径数目,和分别表示和中所包含简单邻域的集合;
f.反复进行和中交互裕度值计算,直至相邻交互向量的粗糙熵
Rough_entropy满足如下条件:
其中
g.重复进行中其他两两向量的交互裕度值计算,直至相邻交互向量的粗糙熵均满足条件Rough_entropy≤0.25;
h.在第Li层中构建基于脑组织病历邻域半径矩阵分层交互如下:
其中m,n,t,p为邻域半径影响因子,a,b为邻域半径数目;
i.构造第Li层中最优邻域半径集如下:
其中表示为矩阵和的矩阵积;
g.重复上述同层内邻域半径交互以及不同层间邻域半径级联过程,从第L4层开始依次向上采用同样方法分别进行第L3层,第L2层,第L1层的脑组织病历邻域半径矩阵分层交互优化,并计算出最优邻域半径集值,自适应控制脑组织属性搜索空间范围,提高异常脑组织病历白质、灰质和脑脊液等分类性能。
本发明与现有技术相比具有以下优点:
1.本发明能将异常脑组织病历中存在着相互依赖和关联的病历属性准确划分,较好地发现脑部组织决策属性中隐含的交叠复杂结构,对异常脑组织病历决策表进行分类处理,能有效排除噪声干扰、灰度不均匀性等。本发明在脑组织不同纵向皮质表面曲线演化过程中,不断驱动曲线向目标边界运动,并使相应属性交叠性在其分类时保持最小化,稳定取得所求异常脑组织目标最优分类约简集。本发明能进行异常脑组织病历分类处理,充分挖掘出脑部疾病或体征之间的关联性,对开展脑组织临床决策支持分析,以及提供个性化、协同化与知识化医疗健康大数据服务等具有重要意义。
2.异常脑组织病历组织纵向皮质表面结构异常复杂,且同种脑组织病历区域具有很大相似的特性,该自适应分层邻域半径方法对脑组织不同纵向皮质表面初始位置敏感度较高,能将分割曲线很好地定位到目标边界处,各脑组织属性子空间中分层协同邻域半径能达到整体最优效果,具有较强的自适应机制,极大地提高了异常脑组织不同纵向皮质表面标签的分类效率,且分类效果更加符合实际解剖结构。该方法为多角度研究脑组织病历影像内部特征、寻找部分脑疾病发病机制以及制定早期诊断措施等提供了一种较好自适应分类方法。
附图说明
图1为本发明总体结构图;
图2为基于自适应邻域半径的多层次结构分割图;
图3为基于脑组织病历邻域半径矩阵分层交互示意图;
具体实施方式
为了加深对本发明的理解,下面将结合实施例及附图对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
如图1-图3所示一种用于异常脑组织病历分类的自适应分层邻域半径方法的具体实施方式:包括以下步骤:
A.构造基于自适应邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解,并基于异常脑组织邻域半径分配矩阵NRDMn×n将脑组织病历进行分层,接着计算出第i层中不同脑部组织比例矢量与第j层中不同脑部组织比例矢量之间的关联系数C4(i,j),然后通过迭代计算自适应调整邻域半径Ri(l+1),协同种群在各自相应邻域半径内共享寻优经验,参与脑病历组织分类;
B.通过对异常脑组织病历进行同层内邻域半径交互以及不同层间邻域半径级联操作,并根据邻域半径的影响因子构建每一层与其他层的成员关系分解矩阵Mi;接着生成第L4层上四个邻域半径的交互向量,将大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集;然后计算第L4层上相邻两个邻域半径交互向量的交互裕度值,直至满足交互向量的粗糙熵;最后在第Li层构建基于脑组织病历邻域半径矩阵分层交互,求出第Li层中最优邻域半径集,使相应脑组织属性的交叠性在其分类时保持最小;
C.构建属性分类向量 为不同邻域半径内白质GM、灰质WM和脑脊液CSF的平均值,发现脑部组织决策属性中隐含的异常结构,较好完成异常脑组织病历属性特征提取与分类;
D.提取异常脑组织区域全局分类集,并判断分类成结果是否满足最优分类精度要求。若满足,则输出异常脑组织区域全局分类集;否则,则转至步骤B继续反复执行;
E.输出异常脑组织病历区域白质GM、灰质WM和脑脊液CSF全局最优分类集。
具体来讲:
1、步骤A中所述实现构造基于自适应邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解,并基于异常脑组织邻域半径分配矩阵NRDMn×n将脑组织病历进行分层,接着计算出第i层中不同脑部组织比例矢量与第j层中不同脑部组织比例矢量之间的关联系数C4(i,j),然后通过迭代计算自适应调整邻域半径Ri(l+1),协同种群在各自相应邻域半径内共享寻优经验,参与脑病历组织分类;具体步骤如下:
a.构造基于自组织邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解;
b.设计大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织等四种异常脑组织的邻域半径分配矩阵NRDMn×n,其定义如下:
其中常量λ=0.35,为第1个邻域半径的第n个分量,为第2个邻域半径的第n个分量;
c.设最低层分层结构为L4,其余各层从下往上依次为L3,L2,L1,这四层上分别分布着不同的邻域半径。第L4层通过层次聚类法将脑组织按照不同类别划分于邻域半径R4上,第L3层通过层次聚类法第L4层中划分的脑组织分类邻域半径进行不同邻域半径的集成分类,第L2层和第L1层也均采用同样方法分别进行第L3层和第L2层上不同邻域半径的集成分类;
d.构建两种类型的邻域:单一邻域○位于最底层第L4层,混合邻域●分别位于第L3层、第L2层和第L1层,然后分别设计两种类型的边:同层内交互边-,不同层间级联边-----;
e.设fi表示第i层中白质GM、灰质WM和脑脊液CSF的容积比例矢量,fj表示第j层中白质GM、灰质WM和脑脊液CSF的容积比例矢量,矩阵C4(i,j)表示第L4层中不同邻域半径数目,其值等于fi与fj的层次关联系数,计算公式定义如下:
其中corr(fi,fj)为fi与fj皮尔逊相关系数;
f.通过迭代计算自适应调整邻域半径Ri(l+1)如下:
其中函数Ri(l)为第l次迭代时Ri的邻域半径,Rj(l)为第l次迭代时Rj的邻域半径,e为自然常数且e取值为3.14159,Ri(l+1)为第l+1次迭代时调整后Ri邻域半径。
2、步骤B中所述通过对异常脑组织病历进行同层内邻域半径交互以及不同层间邻域半径级联操作,并根据邻域半径的影响因子构建每一层与其他层的成员关系分解矩阵Mi;接着生成第L4层上四个邻域半径的交互向量,将大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集;然后计算第L4层上相邻两个邻域半径交互向量的交互裕度值,直至满足交互向量的粗糙熵;最后在第Li层构建基于脑组织病历邻域半径矩阵分层交互,求出第Li层中最优邻域半径集,使相应脑组织属性的交叠性在其分类时保持最小;具体步骤如下:
a.设第i层Li的第i个邻域半径Ri有四个影响因子m,n,t,p,其值部分取“0”或者“1”,如果为“1”,则表示第L4层上第j个邻域半径包含在第Li层上第i个邻域半径内;如果为“0”,则表示第L4层上第j个邻域半径不包含在第Li层上第i个邻域半径内;
b.构建成员关系分解矩阵Mi,包括Ni个行,N4个列,其中N为第L4层上邻域半径总数,每一行对应于第Li层上单一邻域,每一列对应于第L4层上单一邻域;
c.在成员关系分解矩阵Mi的作用下,生成第L4层上四个邻域半径的交互向量,即和
d.将上述邻域半径的交互向量和按照大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集,即
e.计算第L4层上相邻两个邻域半径交互向量的交互裕度值,计算方法如下:
其中和表示在第L4层上邻域半径向量,其分别包含a个和b个邻域半径数目,和分别表示和中所包含简单邻域的集合;
f.反复进行和中交互裕度值计算,直至相邻交互向量的粗糙熵Rough_entropy满足如下条件:
其中
g.重复进行中其他两两向量的交互裕度值计算,直至相邻交互向量的粗糙熵均满足条件Rough_entropy≤0.25;
h.在第Li层中构建基于脑组织病历邻域半径矩阵分层交互如下:
其中m,n,t,p为邻域半径影响因子,a,b为邻域半径数目;
i.构造第Li层中最优邻域半径集如下:
其中表示为矩阵和的矩阵积;
g.重复上述同层内邻域半径交互以及不同层间邻域半径级联过程,从第L4层开始依次向上采用同样方法分别进行第L3层,第L2层,第L1层的脑组织病历邻域半径矩阵分层交互优化,并计算出最优邻域半径集值,自适应控制脑组织属性搜索空间范围,提高异常脑组织病历白质、灰质和脑脊液等分类性能。
本发明能将异常脑组织病历中存在着相互依赖和关联的病历属性准确划分,较好地发现脑部组织决策属性中隐含的交叠复杂结构,对异常脑组织病历决策表进行分类处理,能有效排除噪声干扰、灰度不均匀性等。
本发明在脑组织不同纵向皮质表面曲线演化过程中,不断驱动曲线向目标边界运动,并使相应属性交叠性在其分类时保持最小化,稳定取得所求异常脑组织目标最优分类约简集。
本发明能进行异常脑组织病历分类处理,充分挖掘出脑部疾病或体征之间的关联性,对开展脑组织临床决策支持分析,以及提供个性化、协同化与知识化医疗健康大数据服务等具有重要意义。
异常脑组织病历组织纵向皮质表面结构异常复杂,且同种脑组织病历区域具有很大相似的特性,该自适应分层邻域半径方法对脑组织不同纵向皮质表面初始位置敏感度较高,能将分割曲线很好地定位到目标边界处,各脑组织属性子空间中分层协同邻域半径能达到整体最优效果,具有较强的自适应机制,极大地提高了异常脑组织不同纵向皮质表面标签的分割效率,且分割效果更加符合实际解剖结构。该方法为多角度研究脑组织病历影像内部特征、寻找部分脑疾病发病机制以及制定早期诊断措施等提供了一种较好自适应分类方法。
以上内容仅为本发明的较佳实施方式,对于本领域的普通技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,本说明书内容不应理解为对本发明的限制。
申请人又一声明,本发明通过上述实施例来说明本发明的实现方法及装置结构,但本发明并不局限于上述实施方式,即不意味着本发明必须依赖上述方法及结构才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明所选用实现方法等效替换及步骤的添加、具体方式的选择等,均落在本发明的保护范围和公开的范围之内。
本发明并不限于上述实施方式,凡采用和本发明相似结构及其方法来实现本发明目的的所有方式,均在本发明的保护范围之内。
Claims (3)
1.一种用于异常脑组织病历分类的自适应分层邻域半径方法,其特征在于:包括以下步骤:
A.构造基于自适应邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解,并基于异常脑组织邻域半径分配矩阵DMN×N将脑组织病历进行分层,接着计算出第i层中不同脑部组织比例矢量与第j层中不同脑部组织比例矢量之间的关联系数C4(i,j),然后通过迭代计算自适应调整邻域半径Ri(l+1),协同种群在各自相应邻域半径内共享寻优经验,参与脑病历组织分类;
B.通过对异常脑组织病历进行同层内邻域半径交互以及不同层间邻域半径级联操作,并根据邻域半径的影响因子构建每一层与其他层的成员关系分解矩阵Mi;接着生成第L4层上四个邻域半径的交互向量,将大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集;然后计算第L4层上相邻两个邻域半径交互向量的交互裕度值,直至满足交互向量的粗糙熵;最后在第Li层构建基于脑组织病历邻域半径矩阵分层交互,求出第Li层中最优邻域半径集,使相应脑组织属性的交叠性在其分类时保持最小;
C.构建异常脑组织属性分类向量 为不同邻域半径内白质GM、灰质WM和脑脊液CSF的平均值,发现脑部组织决策属性中隐含的异常结构,较好完成异常脑组织病历属性特征提取与分类;
D.提取异常脑组织区域全局分类集,并判断分类成结果是否满足最优分类精度要求。若满足,则输出异常脑组织区域全局分类集;否则,则转至步骤B继续反复执行;
E.输出异常脑组织病历区域白质GM、灰质WM和脑脊液CSF全局最优分类集。
2.根据权利要求1所述一种用于异常脑组织病历分类的自适应分层邻域半径方法,其特征在于:所述步骤A具体包括以下步骤:
a.构造基于自组织邻域半径的四层结构分割框架,将每i层Li分别对应第i个邻域半径Ri的有效解;
b.设计大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织等四种异常脑组织的邻域半径分配矩阵NRDMn×n,其定义如下:
其中常量λ=0.35,为第1个邻域半径的第n个分量,为第2个邻域半径的第n个分量;
c.设最低层分层结构为L4,其余各层从下往上依次为L3,L2,L1,这四层上分别分布着不同的邻域半径。第L4层通过层次聚类法将脑组织按照不同类别划分于邻域半径R4上,第L3层通过层次聚类法第L4层中划分的脑组织分类邻域半径进行不同邻域半径的集成分类,第L2层和第L1层也均采用同样方法分别进行第L3层和第L2层上不同邻域半径的集成分类;
d.构建两种类型的邻域:单一邻域○位于最底层第L4层,混合邻域●分别位于第L3层、第L2层和第L1层,然后分别设计两种类型的边:同层内交互边——,不同层间级联边-----;
e.设fi表示第i层中白质GM、灰质WM和脑脊液CSF的容积比例矢量,fj表示第j层中白质GM、灰质WM和脑脊液CSF的容积比例矢量,矩阵C4(i,j)表示第L4层中不同邻域半径数目,其值等于fi与fj的层次关联系数,计算公式定义如下:
其中corr(fi,fj)为fi与fj皮尔逊相关系数;
f.通过迭代计算自适应调整邻域半径Ri(l+1)如下:
其中函数Ri(l)为第l次迭代时Ri的邻域半径,Rj(l)为第l次迭代时Rj的邻域半径,e为自然常数且e取值为3.14159,Ri(l+1)为第l+1次迭代时调整后Ri邻域半径。
3.根据权利要求1所述一种用于异常脑组织病历分类的自适应分层邻域半径方法,其特征在于:所述步骤B具体包括以下步骤:
a.设第i层Li的第i个邻域半径Ri有四个影响因子m,q,t,p,其值部分取“0”或者“1”,如果为“1”,则表示第L4层上第j个邻域半径包含在第Li层上第i个邻域半径内;如果为“0”,则表示第L4层上第j个邻域半径不包含在第Li层上第i个邻域半径内;
b.构建成员关系分解矩阵Mi,包括Ni个行,N4个列,其中N为第L4层上邻域半径总数,每一行对应于第Li层上单一邻域,每一列对应于第L4层上单一邻域;
c.在成员关系分解矩阵Mi的作用下,生成第L4层上四个邻域半径的交互向量,即和
d.将上述邻域半径的交互向量和按照大脑白质GM、灰质WM、脑脊液CSF以及其他脑组织分别分成4个子集,即
e.计算第L4层上相邻两个邻域半径交互向量的交互裕度值,计算方法如下:
其中和表示在第L4层上邻域半径向量,其分别包含a个和b个邻域半径数目,和分别表示和中所包含简单邻域的集合;
f.反复进行和中交互裕度值计算,直至相邻交互向量的粗糙熵
Rough_entropy满足如下条件:
其中
g.重复进行中其他两两向量的交互裕度值计算,直至相邻交互向量的粗糙熵均满足条件Rough_entropy≤0.25;
h.在第Li层中构建脑组织病历邻域半径矩阵分层交互如下:
其中m,n,t,p为邻域半径影响因子,a,b为邻域半径数目;
i.构造第Li层中最优邻域半径集如下:
其中表示为矩阵和的矩阵积;
g.重复上述同层内邻域半径交互以及不同层间邻域半径级联过程,从第L4层开始依次向上采用同样方法分别进行第L3层,第L2层,第L1层的脑组织病历邻域半径矩阵分层交互优化,并计算出最优邻域半径集值,自适应控制脑组织属性搜索空间范围,提高异常脑组织病历白质、灰质和脑脊液等分类性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610320142.5A CN106023030A (zh) | 2016-05-13 | 2016-05-13 | 一种用于异常脑组织病历分类的自适应分层邻域半径方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610320142.5A CN106023030A (zh) | 2016-05-13 | 2016-05-13 | 一种用于异常脑组织病历分类的自适应分层邻域半径方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106023030A true CN106023030A (zh) | 2016-10-12 |
Family
ID=57097398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610320142.5A Pending CN106023030A (zh) | 2016-05-13 | 2016-05-13 | 一种用于异常脑组织病历分类的自适应分层邻域半径方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023030A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599555A (zh) * | 2016-12-01 | 2017-04-26 | 南通大学 | 一种用于癫痫脑波病历特征选择的多专家协同决策方法 |
CN112750502A (zh) * | 2021-01-18 | 2021-05-04 | 中南大学 | 一种基于二维分布结构判定的单细胞转录组测序数据聚类推荐方法 |
-
2016
- 2016-05-13 CN CN201610320142.5A patent/CN106023030A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599555A (zh) * | 2016-12-01 | 2017-04-26 | 南通大学 | 一种用于癫痫脑波病历特征选择的多专家协同决策方法 |
CN106599555B (zh) * | 2016-12-01 | 2018-10-30 | 南通大学 | 一种用于癫痫脑波病历特征选择的多专家协同决策方法 |
CN112750502A (zh) * | 2021-01-18 | 2021-05-04 | 中南大学 | 一种基于二维分布结构判定的单细胞转录组测序数据聚类推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsumoto | Mining diagnostic rules from clinical databases using rough sets and medical diagnostic model | |
Jerez-Aragonés et al. | A combined neural network and decision trees model for prognosis of breast cancer relapse | |
Karaboga et al. | Fuzzy clustering with artificial bee colony algorithm | |
Bashir et al. | Heterogeneous classifiers fusion for dynamic breast cancer diagnosis using weighted vote based ensemble | |
CN106778014A (zh) | 一种基于循环神经网络的患病风险预测方法 | |
CN106203432A (zh) | 一种基于卷积神经网显著性图谱的感兴趣区域的定位方法 | |
CN104751469B (zh) | 基于核模糊c均值聚类的图像分割方法 | |
CN106874688A (zh) | 基于卷积神经网络的智能化先导化合物发现方法 | |
CN108520166A (zh) | 一种基于多重相似性网络游走的药物靶标预测方法 | |
CN110136836A (zh) | 一种基于体检报告聚类分析的疾病预测方法 | |
CN114927162A (zh) | 基于超图表征与狄利克雷分布的多组学关联表型预测方法 | |
CN104615892B (zh) | 一种用于中医病历诊断规则挖掘的多层精英角色方法 | |
CN108764280A (zh) | 一种基于症状向量的医学数据处理方法和系统 | |
Mohammedqasim et al. | Real-time data of COVID-19 detection with IoT sensor tracking using artificial neural network | |
Lin et al. | Bone age cluster assessment and feature clustering analysis based on phalangeal image rough segmentation | |
CN110459303A (zh) | 基于深度迁移的医疗影像异常检测装置 | |
Resta et al. | Unsupervised neural networks for clustering emergent patient flows | |
CN109360658A (zh) | 一种基于词向量模型的疾病模式挖掘方法及装置 | |
Obayya et al. | Biomedical image analysis for colon and lung cancer detection using tuna swarm algorithm with deep learning model | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
Singh et al. | A neighborhood search based cat swarm optimization algorithm for clustering problems | |
CN106023030A (zh) | 一种用于异常脑组织病历分类的自适应分层邻域半径方法 | |
Abdelhafeez et al. | A novel approach toward skin cancer classification through fused deep features and neutrosophic environment | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
CN108320797A (zh) | 一种鼻咽癌数据库及基于所述数据库的综合诊疗决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |