CN108446740A - 一种用于脑影像病历特征提取的多层一致协同方法 - Google Patents

Abstract

本发明公开了一种用于脑影像病历特征提取的多层一致协同方法，首先构建一种多层协同MapReduce模型进行不可分割相关脑影像病历特征的标识，将具有多个相关特征的脑病历进行有效分类；然后设计一种脑影像病历特征一致相容性聚合方法，使协同模因组提取的脑影像病历特征局部解和全局优势解能达到有效平衡；其次采用多决策一致性优化矩阵进一步检测协同模因组的非合作MapReduce行为，从而有效取得特征集的一致纳什均衡；最后评估脑影像病历特征提取的精度，输出最优特征选择集。本发明为相关疾病的临床诊断和治疗提供重要的影像特征依据。

Description

一种用于脑影像病历特征提取的多层一致协同方法

技术领域：

本发明涉及到医学信息智能处理领域，具体来说涉及一种用于脑影像病历特征提取的多层一致协同方法。

背景技术：

脑影像病历图像结构异常复杂，很多特征不明显，其具有信息量巨大，格式多样，存取速度快以及应用价值高等特点，目前尚无客观指标用于脑影像病历中隐含疾病症状的早期诊断、风险评估及治疗方案选择等。脑影像特征提取主要涉及复杂的信息分析模型和方法，目前主要采用磁共振脑成像来提供功能和结构影像信息，探测脑功能活动特征、功能和结构网络特征等。由于脑影像病历内部的相似性导致了细粒度影像是难以区分的，现有的算法在脑影像病历特征提取时均存在不同程度的耗时、难训练和精度低等问题，我们需要进一步提出一些高效的方法来揭示脑疾病的影像学神经机制和内在结构，提高其分类准确率，为脑疾病的诊断和评估提供客观的指标依据。

近年来，随着医学成像技术和计算机技术的飞速发展，产生了大量多角度、高分辨率的医学磁共振脑影像，通过使用基于人工智能的计算机辅助诊断技术，能够提取出更多的脑影像病历特征，揭示脑疾病各特征对象之间隐含的疾病诱因关系，大大提高医生在复杂疾病诊断的准确率。

发明内容：

本发明涉及了一种大大降低了运行时间，提高了特征提取时的精度，为相关疾病的临床诊断和治疗提供重要的影像特征依据的用于脑影像病历特征提取的多层一致协同方法。

本发明的目的通过以下技术方案来实现：一种用于脑影像病历特征提取的多层一致协同方法，包括以下步骤：

A.设计一种高效的多层协同MapReduce模型，构建每个精英与邻接矩阵P之间偏爱关系矩阵PE，对协同模因组中多重关联的不可分割脑影像病历进行多层相关特征标识，求出精英转移矩阵ECM，并将其特征向量Cov最小化；

B.利用脑影像病历多层相关特征精英组矩阵E_G，进行具有多个相关特征的脑影像病历特征分类；

C.构建参与脑影像病历特征提取的聚类精英拓扑关系，第i个集成聚类向量EW_i对第j个决策类DC_j在协同模因组中的MapReduce非合作行为进行检测，使协同决策类在被分割的纳什均衡三角形Δ³内均能收敛于纳什均衡点(x,y)，取得脑影像病历特征集的最优纳什均衡解；

D.在纳什均衡点(x,y)建立起协同特征决策类的平均特征提取精度PD为：N为决策类的数量；

E.比较上述求出的特征提取精度PD与预先设定精度值δ关系，若满足PD≥δ，则输出脑影像病历最优选择集；否则，继续执行上述步骤B和步骤C，直至特征提取精度满足PD≥δ；

F.将提取的脑影像病历脑脊液、脑灰质、脑白质三类特征集存放到云存储中，为相关脑疾病的临床诊断和治疗提供重要的影像特征依据。

本发明的进一步改进在于：所述步骤A的具体步骤如下：

a.构建进化种群第i个模因组Memeplex_i的并行Map/Reduce操作算子＜key_i,value_i＞，具体定义如下：

其中f_Elitisti为第i个模因组Memeplex_i中精英的局部最优适应度，f_ELITIST为所有模因组的全体精英最小适应度，其值为f_j为第j个精英的适应度，r为第i个模因组Memeplex_i中协同精英总的数量；

b.设计参与脑影像病历特征提取的所有模因组并行操作矩阵如下：

其中

c.种群模因组中精英邻接矩阵集为P＝{P₁,P₂,...,P_i,...,P_N}，P_i计算方法为

其中w_j为第j个精英的在初始化时重要性权重值,r为第i个模因组Memeplex_i中协同精英总的数量；

d.构建每个精英与邻接矩阵集P之间的偏爱关系矩阵PE，该矩阵定义如下：

其中第i个特征关系值将从每个精英对(Elitist_l,Elitist_k)中获得，该特征关系值用来标识距离精英对(Elitist_l,Elitist_k)的最优偏向参数，其值计算方法如下：

其中＜key_l,value_l＞和＜key_k,value_k＞分别为多层协同MapReduce模型中第l个和第k个Map/Reduce的并行操作算子对；

e.对协同模因组中脑影像病历多重关联特征执行如下标识操作：

(i)选出双亲特征列表为P_i1,P_i2,…,P_iN，i＝1,2,…N；

(ii)将脑影像病历多重关联特征值通过维度增加方式划分到多个不同的模因组中，然后在孩子特征列表中以3维子空间形式构建相邻列表三元组{P_(i-1)1,P_i1,P_(i+1)1}，并产生多个不同模因组的笛卡儿坐标C_ij，i和j分别为横坐标和纵坐标的序列位置，三元组的具体值为：

P_(i-1)1＝[C_(i-1)1,C_(i-1)2,C_(i-1)3,...C_(i-1)N]^T，

P_i1＝[C_i1,C_i2,C_i3,...C_iN]^T，

P_(i+1)1＝[C_(i+1)1,C_(i+1)2,C_(i+1)3,...C_(i+1)N]^T，

其中上标T表示矩阵的转置；

(iii)正则化精英的偏爱关系矩阵PE，求出具有协方差矩阵的特征向量Cov，该值与最大特征值λ＝[λ₁,λ₂,...,λ_N]^T保持一致，且每个特征值满足关系为λ_j≥λ_j+1，特征向量Cov的值定义为

f.根据多元变量高斯分布零平均法，求出精英的转移矩阵ECM为

ECM＝diag(λ₁,λ₂,...,λ_N)，

其中diag(λ₁,λ₂,...,λ_N)表示对角线元素为λ₁,λ₂,...,λ_N的对角矩阵，元素特征值λ₁,λ₂,...,λ_N是相互独立的；

g.为进一步保持精英转移矩阵ECM的稳定性，使其特征值λ_i满足如下条件：

其中为特征向量系数总和，且满足η为特征精度衡量常量，值为η＝0.85；

h.将第i个模因组Memeplex_i中精英对(Elitist_i,Elitist_j)的两个一致度ca_i和cp_j标识如下：

i.求出脑影像病历特征提取时第i个模因组Memeplex_i中精英的平均邻近值P_iN为

g.取得不可分割的多层相关特征精英组矩阵E_G为

其中I_N为N维的单位矩阵。

本发明的进一步改进在于：所述步骤C具体步骤如下：

a.将整个进化模因组划为不同的聚类，通过当前执行的精英邻接矩阵集P计算出各个聚类中心C_i，1<i<N；

b.将每个聚类中的精英与其左右两个相邻精英进行连接，建立一种初始的精英环形拓扑结构，然后随机选择其中一个聚类中心C_i，基于长距离连接概率权重关系建立新的聚类精英拓扑关系；

c.将位于同一邻域半径向量内一对聚类中心点记为(d_i,d_j)，与它们相对立的聚类中中心点为d_k，则聚类中心C_i和C_j之间的权重标准如下：

d.建立第i个集成聚类向量为EW_i,i＝1,2,...,N，第j个协同决策类为DC_j,j＝1,2,...,N，N为特征决策类的数量，该协同决策类表示集成聚类向量EW_i对决策类DC_j在协同模因组中MapReduce非合作性行为的预测；

e.将纳什均衡区域划分成3个面积相等的纳什均衡三角形Δ³，然后在相同的纳什均衡三角形内执行第i个和第j个集成聚类向量EW_i和EW_j之间的成对比较，如果比较值达到消除标准，则特征决策类DC_j在其他N-1个决策类中将从新的聚类中心点C_j开始逐一消除；

在新的聚类中心点C_j逐步消除后,如果N＞1,则N以步长继续进行上述消除操作；

f.设U(ρ_i)和U(ρ_j)为邻域半径向量内任意两个聚类点C_i和C_j的消除代价值，U(ρ_i ^*)和U(ρ_j ^*)分别表示消除代价值U(ρ_i)和U(ρ_j)的收益值,协同进化MapReduce方法取得整体收益U(ρ^*)＝U(ρ₁ ^*,ρ₂ ^*,...,ρ_N ^*)的一致纳什均衡，其中任意两个收益满足如下关系：

g.在纳什均衡三角形Δ³的纳什均衡点，如果存在协同决策类没有收益于当前纳什均衡三角形Δ³，则再次使用集成聚类向量EW_i进行协同决策类的优化，使协同决策类在被划分的纳什均衡三角形Δ³内均能收敛于纳什均衡点(x,y)，从而取得脑影像病历特征局部解和全局优势解的有效平衡。

本发明与现有技术相比具有以下优点：

1.本发明能较好地保证脑影像特征提取过程中协同种群的多样性和协作性，通过剖析协同种群和脑影像病历之间的内在本质联系，对脑组织影像复杂性内在机理进行建模，找出影响其特征提取的相关因素和分布规律，从而构建一种基于多层一致协同技术的脑影像特征提取方法，大大降低了运行时间，提高了特征提取时的精度。

2.本发明在保持脑影像病历病症属性原有性能条件下可用于开展大规模电子病历云端按需特征提取，使协同进化模因组在云计算MapReduce技术下能有效进行脑影像病历特征自适应提取，并将提取的脑脊液、脑灰质、脑白质三类特征集存放到云存储中，大大降低大规模脑影像病历特征提取的复杂度成本，进一步提高了云计算环境下大规模脑影像病历并行特征提取的细粒度和鲁棒性。

附图说明：

图1本发明总体结构图；

图2多层协同一致的MapReduce模型处理过程图；

图3不可分割多层脑影像病历相关特征的标识过程图；

图4特征集纳什优势解的一致聚合过程图；

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4所示一种用于脑影像病历特征提取的多层一致协同方法的具体实施方式：包括以下步骤：

A、设计一种高效的多层协同MapReduce模型，构建每个精英与邻接矩阵P之间偏爱关系矩阵PE，对协同模因组中多重关联的不可分割脑影像病历进行多层相关特征标识，求出精英转移矩阵ECM，并将其特征向量Cov最小化；具体包括以下步骤：

a.构建进化种群第i个模因组Memeplex_i的并行Map/Reduce操作算子＜key_i,value_i＞，具体定义如下：

其中f_Elitisti为第i个模因组Memeplex_i中精英的局部最优适应度，f_ELITIST为所有模因组的全体精英最小适应度，其值为f_j为第j个精英的适应度，r为第i个模因组Memeplex_i中协同精英总的数量；

b.设计参与脑影像病历特征提取的所有模因组并行操作矩阵如下：

其中

c.种群模因组中精英邻接矩阵集为P＝{P₁,P₂,...,P_i,...,P_N}，P_i计算方法为

其中w_j为第j个精英的在初始化时重要性权重值,r为第i个模因组Memeplex_i中协同精英总的数量；

d.构建每个精英与邻接矩阵集P之间的偏爱关系矩阵PE，该矩阵定义如下：

其中第i个特征关系值将从每个精英对(Elitist_l,Elitist_k)中获得，该特征关系值用来标识距离精英对(Elitist_l,Elitist_k)的最优偏向参数，其值计算方法如下：

其中＜key_l,value_l＞和＜key_k,value_k＞分别为多层协同MapReduce模型中第l个和第k个Map/Reduce的并行操作算子对；

e.对协同模因组中脑影像病历多重关联特征执行如下标识操作：

(i)选出双亲特征列表为P_i1,P_i2,…,P_iN，i＝1,2,…N；

(ii)将脑影像病历多重关联特征值通过维度增加方式划分到多个不同的模因组中，然后在孩子特征列表中以3维子空间形式构建相邻列表三元组{P_(i-1)1,P_i1,P_(i+1)1}，并产生多个不同模因组的笛卡儿坐标C_ij，i和j分别为横坐标和纵坐标的序列位置，三元组的具体值为：

P_(i-1)1＝[C_(i-1)1,C_(i-1)2,C_(i-1)3,...C_(i-1)N]^T，

P_i1＝[C_i1,C_i2,C_i3,...C_iN]^T，

P_(i+1)1＝[C_(i+1)1,C_(i+1)2,C_(i+1)3,...C_(i+1)N]^T，

其中上标T表示矩阵的转置；

(iii)正则化精英的偏爱关系矩阵PE，求出具有协方差矩阵的特征向量Cov，该值与最大特征值λ＝[λ₁,λ₂,...,λ_N]^T保持一致，且每个特征值满足关系为λ_j≥λ_j+1，特征向量Cov的值定义为

f.根据多元变量高斯分布零平均法，求出精英的转移矩阵ECM为

ECM＝diag(λ₁,λ₂,...,λ_N)，

其中diag(λ₁,λ₂,...,λ_N)表示对角线元素为λ₁,λ₂,...,λ_N的对角矩阵，元素特征值λ₁,λ₂,...,λ_N是相互独立的；

g.为进一步保持精英转移矩阵ECM的稳定性，使其特征值λ_i满足如下条件：

其中为特征向量系数总和，且满足η为特征精度衡量常量，值为η＝0.85；

h.将第i个模因组Memeplex_i中精英对(Elitist_i,Elitist_j)的两个一致度ca_i和cp_j标识如下：

i.求出脑影像病历特征提取时第i个模因组Memeplex_i中精英的平均邻近值P_iN为

g.取得不可分割的多层相关特征精英组矩阵E_G为

其中I_N为N维的单位矩阵。

B.利用脑影像病历多层相关特征精英组矩阵E_G，进行具有多个相关特征的脑影像病历特征分类；

C.构建参与脑影像病历特征提取的聚类精英拓扑关系，第i个集成聚类向量EW_i对第j个决策类DC_j在协同模因组中的MapReduce非合作行为进行检测，使协同决策类在被分割的纳什均衡三角形Δ³内均能收敛于纳什均衡点(x,y)，取得脑影像病历特征集的最优纳什均衡解；具体包括以下步骤：

a.将整个进化模因组划为不同的聚类，通过当前执行的精英邻接矩阵集P计算出各个聚类中心C_i，1<i<N；

b.将每个聚类中的精英与其左右两个相邻精英进行连接，建立一种初始的精英环形拓扑结构，然后随机选择其中一个聚类中心C_i，基于长距离连接概率权重关系建立新的聚类精英拓扑关系；

c.将位于同一邻域半径向量内一对聚类中心点记为(d_i,d_j)，与它们相对立的聚类中中心点为d_k，则聚类中心C_i和C_j之间的权重标准如下：

d.建立第i个集成聚类向量为EW_i,i＝1,2,...,N，第j个协同决策类为DC_j,j＝1,2,...,N，N为特征决策类的数量，该协同决策类表示集成聚类向量EW_i对决策类DC_j在协同模因组中MapReduce非合作性行为的预测；

e.将纳什均衡区域划分成3个面积相等的纳什均衡三角形Δ³，然后在相同的纳什均衡三角形内执行第i个和第j个集成聚类向量EW_i和EW_j之间的成对比较，如果比较值达到消除标准，则特征决策类DC_j在其他N-1个决策类中将从新的聚类中心点C_j开始逐一消除；

在新的聚类中心点C_j逐步消除后,如果N＞1,则N以步长继续进行上述消除操作；

f.设U(ρ_i)和U(ρ_j)为邻域半径向量内任意两个聚类点C_i和C_j的消除代价值，U(ρ_i ^*)和U(ρ_j ^*)分别表示消除代价值U(ρ_i)和U(ρ_j)的收益值,协同进化MapReduce方法取得整体收益U(ρ^*)＝U(ρ₁ ^*,ρ₂ ^*,...,ρ_N ^*)的一致纳什均衡，其中任意两个收益满足如下关系：

g.在纳什均衡三角形Δ³的纳什均衡点，如果存在协同决策类没有收益于当前纳什均衡三角形Δ³，则再次使用集成聚类向量EW_i进行协同决策类的优化，使协同决策类在被划分的纳什均衡三角形Δ³内均能收敛于纳什均衡点(x,y)，从而取得脑影像病历特征局部解和全局优势解的有效平衡。

D.在纳什均衡点(x,y)建立起协同特征决策类的平均特征提取精度PD为：N为决策类的数量；

E.比较上述求出的特征提取精度PD与预先设定精度值δ关系，若满足PD≥δ，则输出脑影像病历最优选择集；否则，继续执行上述步骤B和步骤C，直至特征提取精度满足PD≥δ；

F.将提取的脑影像病历脑脊液、脑灰质、脑白质三类特征集存放到云存储中，为相关脑疾病的临床诊断和治疗提供重要的影像特征依据。

本发明能较好地保证脑影像特征提取过程中协同种群的多样性和协作性，通过剖析协同种群和脑影像病历之间的内在本质联系，对脑影像复杂性内在机理进行建模，找出影响其特征提取的相关因素和分布规律，从而构建一种基于多层一致协同MapReduce技术的脑影像特征提取方法，大大降低了运行时间，提升了特征提取时的精度；在保持脑影像病历病症属性原有性能条件下开展大规模电子病历云端按需特征提取模式，使协同进化种群模因组在云计算MapReduce技术下能有效进行脑影像病历特征自适应提取，提取的脑脊液、脑灰质、脑白质三类特征集存放到云存储中，大大降低大规模脑影像病历特征提取的复杂度成本，进一步提高云计算环境下大规模脑影像病历并行特征提取的细粒度和鲁棒性。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。

因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.一种用于脑影像病历特征提取的多层一致协同方法，其特征在于：包括以下步骤：

A.设计一种高效的多层协同MapReduce模型，构建每个精英与邻接矩阵P之间偏爱关系矩阵PE，对协同模因组中多重关联的不可分割脑影像病历进行多层相关特征标识，求出精英转移矩阵ECM，并将其特征向量Cov最小化；

B.利用脑影像病历多层相关特征精英组矩阵E_G，进行具有多个相关特征的脑影像病历特征分类；

C.构建参与脑影像病历特征提取的聚类精英拓扑关系，第i个集成聚类向量EW_i对第j个决策类DC_j在协同模因组中的MapReduce非合作行为进行检测，使协同决策类在被分割的纳什均衡三角形Δ³内均能收敛于纳什均衡点(x,y)，取得脑影像病历特征集的最优纳什均衡解；

D.在纳什均衡点(x,y)建立起协同特征决策类的平均特征提取精度PD为：N为决策类的数量；

E.比较上述求出的特征提取精度PD与预先设定精度值δ关系，若满足PD≥δ，则输出脑影像病历最优选择集；否则，继续执行上述步骤B和步骤C，直至特征提取精度满足PD≥δ；

F.将提取的脑影像病历脑脊液、脑灰质、脑白质三类特征集存放到云存储中，为相关脑疾病的临床诊断和治疗提供重要的影像特征依据。

2.根据权利要求1所述一种用于脑影像病历特征提取的多层一致协同方法，其特征在于：所述步骤A的具体步骤如下：

a.构建进化种群第i个模因组Memeplex_i的并行Map/Reduce操作算子＜key_i,value_i＞，具体定义如下：

其中为第i个模因组Memeplex_i中精英的局部最优适应度，f_ELITIST为所有模因组的全体精英最小适应度，其值为f_j为第j个精英的适应度，r为第i个模因组Memeplex_i中协同精英总的数量；

b.设计参与脑影像病历特征提取的所有模因组并行操作矩阵如下：

其中

c.种群模因组中精英邻接矩阵集为P＝{P₁,P₂,...,P_i,...,P_N}，P_i计算方法为

其中w_j为第j个精英的在初始化时重要性权重值,r为第i个模因组Memeplex_i中协同精英总的数量；

d.构建每个精英与邻接矩阵集P之间的偏爱关系矩阵PE，该矩阵定义如下：

其中第i个特征关系值将从每个精英对(Elitist_l,Elitist_k)中获得，该特征关系值用来标识距离精英对(Elitist_l,Elitist_k)的最优偏向参数，其值计算方法如下：

其中＜key_l,value_l＞和＜key_k,value_k＞分别为多层协同MapReduce模型中第l个和第k个Map/Reduce的并行操作算子对；

e.对协同模因组中脑影像病历多重关联特征执行如下标识操作：

(i)选出双亲特征列表为P_i1,P_i2,…,P_iN，i＝1,2,…N；

(ii)将脑影像病历多重关联特征值通过维度增加方式划分到多个不同的模因组中，然后在孩子特征列表中以3维子空间形式构建相邻列表三元组{P_(i-1)1,P_i1,P_(i+1)1}，并产生多个不同模因组的笛卡儿坐标C_ij，i和j分别为横坐标和纵坐标的序列位置，三元组的具体值为：

P_(i-1)1＝[C_(i-1)1,C_(i-1)2,C_(i-1)3,...C_(i-1)N]^T，

P_i1＝[C_i1,C_i2,C_i3,...C_iN]^T，

P_(i+1)1＝[C_(i+1)1,C_(i+1)2,C_(i+1)3,...C_(i+1)N]^T，

其中上标T表示矩阵的转置；

(iii)正则化精英的偏爱关系矩阵PE，求出具有协方差矩阵的特征向量Cov，该值与最大特征值λ＝[λ₁,λ₂,...,λ_N]^T保持一致，且每个特征值满足关系为λ_j≥λ_j+1，特征向量Cov的值定义为

f.根据多元变量高斯分布零平均法，求出精英的转移矩阵ECM为

ECM＝diag(λ₁,λ₂,...,λ_N)，

其中diag(λ₁,λ₂,...,λ_N)表示对角线元素为λ₁,λ₂,...,λ_N的对角矩阵，元素特征值λ₁,λ₂,...,λ_N是相互独立的；

g.为进一步保持精英转移矩阵ECM的稳定性，使其特征值λ_i满足如下条件：

其中为特征向量系数总和，且满足η为特征精度衡量常量，值为η＝0.85；

h.将第i个模因组Memeplex_i中精英对(Elitist_i,Elitist_j)的两个一致度ca_i和cp_j标识如下：

i.求出脑影像病历特征提取时第i个模因组Memeplex_i中精英的平均邻近值P_iN为

g.取得不可分割的多层相关特征精英组矩阵E_G为

其中I_N为N维的单位矩阵。

3.根据权利要求1所述一种用于脑影像病历特征提取的多层一致协同方法，其特征在于：所述步骤C具体步骤如下：

a.将整个进化模因组划为不同的聚类，通过当前执行的精英邻接矩阵集P计算出各个聚类中心C_i，1<i<N；

b.将每个聚类中的精英与其左右两个相邻精英进行连接，建立一种初始的精英环形拓扑结构，然后随机选择其中一个聚类中心C_i，基于长距离连接概率权重关系建立新的聚类精英拓扑关系；

c.将位于同一邻域半径向量内一对聚类中心点记为(d_i,d_j)，与它们相对立的聚类中中心点为d_k，则聚类中心C_i和C_j之间的权重标准如下：

d.建立第i个集成聚类向量为EW_i,i＝1,2,...,N，第j个协同决策类为DC_j,j＝1,2,...,N，N为特征决策类的数量，该协同决策类表示集成聚类向量EW_i对决策类DC_j在协同模因组中MapReduce非合作性行为的预测；

e.将纳什均衡区域划分成3个面积相等的纳什均衡三角形Δ³，然后在相同的纳什均衡三角形内执行第i个和第j个集成聚类向量EW_i和EW_j之间的成对比较，如果比较值达到消除标准，则特征决策类DC_j在其他N-1个决策类中将从新的聚类中心点C_j开始逐一消除；

在新的聚类中心点C_j逐步消除后,如果N＞1,则N以步长继续进行上述消除操作；

f.设U(ρ_i)和U(ρ_j)为邻域半径向量内任意两个聚类点C_i和C_j的消除代价值，U(ρ_i ^*)和U(ρ_j ^*)分别表示消除代价值U(ρ_i)和U(ρ_j)的收益值,协同进化MapReduce方法取得整体收益U(ρ^*)＝U(ρ₁ ^*,ρ₂ ^*,...,ρ_N ^*)的一致纳什均衡，其中任意两个收益满足如下关系：

g.在纳什均衡三角形Δ³的纳什均衡点，如果存在协同决策类没有收益于当前纳什均衡三角形Δ³，则再次使用集成聚类向量EW_i进行协同决策类的优化，使协同决策类在被划分的纳什均衡三角形Δ³内均能收敛于纳什均衡点(x,y)，从而取得脑影像病历特征局部解和全局优势解的有效平衡。