多层云计算框架协同的孕龄新生儿脑病历集成约简方法
【技术领域】：
[0001] 本发明设及到医学信息智能处理领域，具体来说设及一种多层MapRe化ce协同的 孕龄新生儿脑病历集成约简方法。
【背景技术】：
[0002] 随着大数据时代的到来，在电子病历数据库中，电子病历医疗数据中屯、节点的规 模动辄几万甚至几十万，数据中屯、存储的医疗数据WPB甚至邸计，其规模呈现爆炸式增 长，不断积累的各类电子病历医疗数据对其存储分析、医疗规则与知识获取技术等提出了 严峻的挑战。电子病历医疗数据中蕴含有价值的医学规则与知识成为人们存储和处理病历 数据的驱动力，因此如何缩短大规模海量电子病历处理时间、提高医学规则提取效率等，越 来越多引起相关研究者关注。
[0003] 孕龄新生儿脑病历是一种特殊电子病历：孕龄新生儿出生时间大概范围为 (28 + 1. 5)weeks，其脑组织边界和拓扑结构尚未完全形成，白质外面覆盖着大量灰质，而灰 质众多權皱面起伏形成沟回，脑沟内充满着脑脊，另外液脑室系统体积形态变化量较大，运 动伪影较明显，导致不同脑组织的灰度值分布易形成较多的重叠，因此孕龄新生儿脑病历 各软组织间边界比一般电子病历具有更强的模糊性和不连续性，对其快速、准确和鲁棒地 分割是一件比较困难的事。
[0004] MapRe化ce是典型分布式并行的云计算框架，目前云计算在各行业应用的快速发 展，Google化alth平台已将云计算框架引入医疗领域，在Google推动下，云计算技术在医 疗领域得到一定发展和应用，一些企业也相继推出了云医疗平台，如IBM的智慧医疗服务、 Cisco的区域医疗远程协作平台和华为的健康云解决方案等，均在医疗领域得到一定应用。 但目前运些平台对电子病历的使用还只是在原有病历数据仓库基础上做简单资源整合与 共享，对云计算环境下孕龄新生儿脑病历知识约简、诊断规则挖掘W及智能化临床决策支 持服务等相关研究还相对较少。
【发明内容】
：
[0005] 本发明的目的是提供一种具有较高的约简效率、准确性和稳定性的多层 MapRe化ce协同的孕龄新生儿脑病历集成约简方法。
[0006] 本发明通过W下的技术方案实现的：
[0007] -种多层MapRe化ce协同的孕龄新生儿脑病历集成约简方法，具体步骤如下：
[0008] A.构造η个进化神经网络子种群化uro-subpopulatiorii,… ,Neuro-subpopulatiorii,…，Neuro-subpopulation。1,Neuro-subpopulatiorin,将第i个 子种群化uro-subpopulatiorii分成η个模因组Memeplexij,j= 1, 2,…，η,在每个模因组 Memeplexi,内进行进化个体适应度从大到小排序，选出最优适应度个体为该模因组精英，然 后在η个精英中选出第i个子种群化uro-subpopulatiorii最优适应度的精英个体Elitist_ leader;，W及次优适应度精英个体Elitist_followe;r.j;
[0009]B.在云计算MapRe化ce框架下将大规模孕龄新生儿脑病历组织划分到η个进化 神经网络子种群中，提取出第i个子种群化uro-subpopulatiorii最优带权裕度WCi，W及 化uro-subpopulatiorii的精英Elitistjeaderi和Elitist_followe;rj分别优化脑病历组 织化ain-EMRi，从而取得各自最佳分割曲面；
[0010]C.设计一种五层结构的神经网络优化模型，构造精英能量矩阵NSMP，神经子种群 最优能量精英在MapRe化ce框架下进行脑病历曲面Sub_cu;rvei的集成化协同约简，达到各 自分割曲面的最优约简集;
[0011] 化提取出孕龄新生儿脑病历全局最优约简集，并判断孕龄新生儿脑病历组织集成 约简结果是否满足约简精度要求，若满足，则输出脑病历组织集成约简集；否则，则转至步 骤B继续执行；
[0012]E.输出孕龄新生儿脑病历组织集成约简的全局最优集为
[0013]
[0014] 本发明的进一步改进在于：步骤B的具体步骤如下：
[001引a.将孕龄新生儿脑病历Brain-EMRi分配到相应的神经子种群P'Jeuro-subpopulationi中，使P'Jeuro-subpopulationi在其进化空间能优化脑病历组织 Brain-EMR冲相应的白质、灰质和脑脊液曲面；
[0016]b.在云计算MapRe化ce框架下将带权裕度分配给相应的孕龄新生儿脑病历，第i 个神经子
[0017]种群P'Jeuro-subpopulationi分配其精英Elitistjeaderi的最优带权裕度WCi为
[0018]
[001 引式中?*Ε腿stjeadejj为束i个精央E1itiSt_leaderi的适应度，tElitist_fol]owt:rj为束 j个精英Elitist_followe；Tj的适应度，k为神经子种群化uro-subpopulation冲精英Elitist_followe；Tj的总个数；
[0020]C.神经子种群化uro-subpopulatiorii中精英Elitistjeader i W自适应概率P i优化孕龄新生儿脑病历化ain-EMI?i中第i个白质、灰质和脑脊液曲面，P1定义为
[0024]d.执行第i个神经子种群化uro-subpopulatiorii中两类精英的合并优化，精英Elitist_leade；Ti将W加速因子sf(ri)合并相应的精英Elitist_followe;r.j，sfb)定义为
[00巧]
[002引其中参数和q2的范围为（0, 1)，e为指数常量3. 1415，
[0027]
[0028] e.构造孕龄新生儿脑病历组织属性白质、灰质和脑脊液曲面的分配集为
[0029]
[0030] 其中第i个分配集;为
[0031]
[0032] 5值越小，孕龄新生儿脑病历组织属性之间交迭性越高，因此将需要分割脑病历 组织属性依据变量^值进行从大到小降序排序，使得脑病历组织的交迭性程度从低到高排 序，越排在前面病历组织的白质、灰质和脑脊液曲面越易分割；
[0033]f.设计自适应强化约束罚函数Φ(X)，根据第i个化uro-subpopulationi中精英 迭代时获取的反馈信息来调整φ(χ)中罚因子大小，降低孕龄新生儿脑病历组织曲面最优 解捜索迭代次数，从而进一步优化所求脑病历组织属性白质、灰质和脑脊液分割曲面精度， Φ(X)公式定义如下：
[0034]
[0035] 式中为|C(x)I孕龄新生儿脑病历组织属性特征总数，|R(x)I为属性子 集长度，丫e(D)为脑组织决策属性D对条件属性C依赖度，λι第i个神经子种群 Neuro-subpopulatiorii为罚因子，其将根据所求曲面目标解逼近最优解的程度而自适应调 整，其迭代公式如下：
[0036]
[0037] 罚函数Φ(X)大小将随时间和精英捜索过程反馈的信息而进行自适应调整，从而 有效提高精英Elitist_leaderi自适应控制脑组织属性捜索空间范围，提高孕龄新生儿脑 病历白质、灰质和脑脊液分割曲面收敛性能，有效排除噪声干扰，使精英Elitist_leaderi 较好地分割出白质、灰质和脑脊液曲面S址)_cu;rvei;
[0038]g.重复上述过程，直至η个进化神经网络子种群均取得各自最优脑组织曲面，输 出孕龄新生儿脑病历组织达到最佳分割曲面集合
[0039]
[0040] 本发明的进一步改进在于：步骤c具体步骤如下：
[0041] a.按照经典神经网络设计流程设计一种五层结构的神经网络优化模型：Layerl 为输入层，Layer2、Layer3和Layer4为隐藏层，Laye;r5为输出层，其中Layer2层为各神经 子种群精英求交集η运算，Layers层为各神经子种群精英求乘积Π运算，W及Layer4层为 各神经子种群精英求和集Σ运算；
[0042]b.计算第i个神经子种群化uro-subpopulatiorii中精英Elitistjeaderi与各 个Elitis