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
【专利摘要】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。
【专利说明】
-种用于异常脑组织病历分类的自适应分层邻域半径方法
技术领域
[0001] 本发明设及到医学信息领域，具体来说设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】
[0002] 电子病历系统中脑部组织包括头皮、皮下脂肪、烦骨、脑内膜、灰质、白质、脑脊液 和血管等，运些脑组织数据具有多源、异构和动态变化等特性，另外运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。
[0003] 脑组织分类最主要工作是将脑组织中=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，而灰质众多的權皱 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。
[0004] 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W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W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。
[0005] 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】
[0006] 本发明的目的是为了克服W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。
[0007]本发明的目的通过W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W下步骤：
[000引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。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NRDMnxn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 (1+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；
[0009] B.通过对异常脑组织病历进行同层内邻域半径交互W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r;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CSFW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 互向量的粗糖赌;最后在第。层构建基于脑组织病历邻域半径矩阵分层交互，求出第。层中 最优邻域半径集，使相应脑组织屋'陆的々叠巧在其分类时保持最小；
[0010] 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；
[0011] 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；
[0012] 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。
[OOU]具体来讲：
[0014] 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。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NRDMnxn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R1Q+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：
[0015] 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。分别对应第i个邻域 半径Ri的有效解；
[0016] b.设计大脑白质GM、灰质WM、脑脊液CSFW及其他脑组织等四种异常脑组织的邻域 半径分配矩阵NRDMnxn,其定义如下：
[0017]
[001引其中常量人=0.35，及,1,为第1个邻域半径的第11个分量，欠,^为第2个邻域半径的第11 个分量；
[0019] C.设最低层分层结构为L4,其余各层从下往上依次为1^。，1^运四层上分别分布 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Li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；
[0020] d.构建两种类型的邻域:单一邻域O位于最底层第L4层，混合邻域?分别位于第L3层、第L2层和第Li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--；
[0021] e.设fi表示第i层中白质GM、灰质丽和脑脊液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C4QJ)表示第L4层中不同邻域半径数 目，其值等于fi与的层次关联系数，计算公式定义如下：
[0022]
[0023] 其中corr(fi，fj)为fi与fj皮尔逊相关系数；[0024] f.通过迭代计算自适应调整邻域半径Ri (1+1)如下：
[0025]
[00%] J第1次迭代时Ri的邻 域半径，Rj(I)为第1次迭代时Rj的邻域半径，e为自然常数且e取值为3.14159，护（1+1)为第1 +1次迭代时调整后Ri邻域半径。
[0027] 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W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 MS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、灰质丽、脑脊液CSFW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糖赌;最后在第。层构建基于脑组织病历邻域半径矩阵分层交互， 求出第。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：
[0028] a.设第i层。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 "r，如果为"r，则表示第L4层上第j个邻域半径包含在第。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。层上第i个邻域半径内；
[0029] b.构建成员关系分解矩阵r，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。层上单一邻域，每一列对应于第L4层上单一邻域；
[0030] C.在成员关系分解矩阵r的作用下，生成第L4层上四个邻域半径的交互向量，即 賊，岭，瑞和R；!;
[0031] d.将上述邻域半径的交互向量校R;, Ri和按照大脑白质GM、
[0032] 灰质WM、脑脊液CSFW及其他脑组织分别分成4个子集，即
[00；3 引
，
[0033]
[0034]
[0035]
[0036]
[0037] 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：
[0039] 其中Rf4和Rl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， Sf和分别表示Rf和Ri中所包含简单邻域的集合；
[0040] f.反复进行和反i中交互裕度值计算，直至相邻交互向量的粗糖赌 [0041 ] Rough_ent;ropy 满足如下条件：
[0042] ,
[0043]
[0044] g.重复进行Rf, R^., Rt，中其他两两向量的交互裕度值计算，直至相邻 交互向量的粗糖赌均满足条件R〇ugh_ent;ropy《0.25;
[0045] h.在第。层中构建基于脑组织病历邻域半径矩阵分层交互如下：
[0046]
[0047] 其中m，n，t，p为邻域半径影响因子，a，b为邻域半径数目；
[004引i.构造第Li层中最优邻域半径集如下：
[0049]
[0050] 其中@表示为矩阵戊V )T和％的矩阵积；
[0051] g.重复上述同层内邻域半径交互W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Li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捜索空间范围，提高异常脑组 织病历白质、灰质和脑脊液等分类性能。
[0052] 本发明与现有技术相比具有W下优点：
[0053] 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，W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。
[0054] 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W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】
[0055] 图1为本发明总体结构图；
[0056] 图2为基于自适应邻域半径的多层次结构分割图；
[0057] 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】
[0058] 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。
[0059] 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W下步骤：
[0060] 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NRDMnxn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 (1+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；
[0061] B.通过对异常脑组织病历进行同层内邻域半径交互W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r;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CSFW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 互向量的粗糖赌;最后在第。层构建基于脑组织病历邻域半径矩阵分层交互，求出第。层中 最优邻域半径集，使相应脑组性在其分类时保持最小；
[0062] C.构建属性分类向i
'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；
[0063] 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；
[0064] 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。
[00化]具体来讲；
[0066] 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。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NRDMnxn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R1Q+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：
[0067] 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。分别对应第i个邻域 半径Ri的有效解；
[0068] b.设计大脑白质GM、灰质WM、脑脊液CSFW及其他脑组织等四种异常脑组织的邻域 半径分配矩阵NRDMnxn，其定义如下：
[0069]
[0070] 其中常量A= 0.35，及;i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；
[0071] C.设最低层分层结构为L4,其余各层从下往上依次为1^。，1^运四层上分别分布 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Li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；
[0072] d.构建两种类型的邻域:单一邻域O位于最底层第L4层，混合邻域?分别位于第L3层、第L2层和第Li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--； [007引 e.设f嗦示第i层中白质GM、灰质丽和脑脊液CSF的容积比例矢量，f嗦示第j层中 白质GM、灰质WM和脑脊液CSF的容积比例矢量，矩阵C4QJ)表示第L4层中不同邻域半径数 目，其值等于fi与的层次关联系数，计算公式定义如下：
[0074]
[007引其中Corr (f 1，f J)为f 1与f诚尔逊相关系数；
[0076] f.通过迭代计算自适应调整邻域半径Ri (1+1)如下：
[0077]
[0078] )为第1次迭代时Ri的 邻域半径，Rj(I)为第1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+l)为 第1+1次迭代时调整后Ri邻域半径。
[0079] 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W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 MS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、灰质丽、脑脊液CSFW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糖赌;最后在第。层构建基于脑组织病历邻域半径矩阵分层交互， 求出第。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：
[0080] 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 "r，如果为"r，则表示第L4层上第j个邻域半径包含在第。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。层上第i个邻域半径内；
[00川 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。层上单一邻域，每一列对应于第L4层上单一邻域；
[0082] C.在成员关系分解矩阵r的作用下，生成第L4层上四个邻域半径的交互向量，即 皆，時，：Rl和R:;
[0083] d.将上述邻域半径的交互向量，Rl和按照大脑白质GM、灰质歷、 脑脊液CSF W及其他脑组织分别分成4个子集，即
[0089]
,
[0084]
[0085]
[0086]
[0087]
[0088] 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：
[0090] 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， Sf和Si分别表示R；^和中所包含简单邻域的集合；
[0091] f.反复进行Rf和R；!,中交互裕度值计算，直至相邻交互向量的粗糖赌Rough, entropy满足如下条件：
[0092] ，
[0093]
[0094] 邑.重复进行及；^，！(6, R^, 11^中其他两两向量的交互裕度值计算，直至相邻 交互向量的粗糖赌均满足条件R〇ugh_ent;ropy《0.25;
[00M] h.在第。层中构建基于脑组织病历邻域半径矩阵分层交互如下：
[0096]
[0097] 其中m，n，t，p为邻域半径影响因子，a，b为邻域半径数目；
[0098] i .构造第。层中最优邻域半径集如下：
[0099]
[0100] 其中@表示为矩阵典和^1的矩阵积；
[0101] g.重复上述同层内邻域半径交互W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Li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捜索空间范围，提高异常脑组 织病历白质、灰质和脑脊液等分类性能。
[0102] 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。
[0103] 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。
[0104] 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，W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。
[0105] 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W及制定早期诊断措施等提供了一种较好自适应分 类方法。
[0106] W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。
[0107]
【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。
[0108] 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。
【主权项】
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L1分别对应第i个邻域半径 R1的有效解，并基于异常脑组织邻域半径分配矩阵DM nxn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C 4(i， j)，然后通过迭代计算自适应调整邻域半径R1(Rl),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M 1;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、灰质丽、脑脊液CSF以及其他脑组织分别分成4 个子集;然后计算第L 4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L1层构建基于脑组织病历邻域半径矩阵分层交互，求出第L 1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?7 = ^]，歹为不同邻域半径内白质GM、灰质丽和脑 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L1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NRDMnxn，其定其中常量λ = 〇 . 35，^为第1个邻域半径的第η个分量，为第2个邻域半径的第η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!^，!^，!^，这四层上分别分布着不 同的邻域半径。第L 4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L 4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L 2层和第L1层，然后分别设计两种类型的边：同层内交互边一一，不同层间级联边--； ejfi表示第i层中白质GM、灰质丽和脑脊液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Γ与的层次关联系数，计算公式定义如下：其中corr(fi，fj)为f1与皮尔逊相关系数； f.通过迭代计算自适应调整邻域半径R1 (1+1)如下：其中函藝（1)为第1次迭代时R1的邻域半 径，Rj(l)为第1次迭代时#的邻域半径，e为自然常数且e取值为3.14159，妒(1+1)为第1+1次 迭代时调整后R1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L1的第i个邻域半径R1有四个影响因子m，q，t，p，其值部分取"0"或者"1"，如 果为"Γ，则表示第L 4层上第j个邻域半径包含在第L1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L 1层上第i个邻域半径内； b. 构建成员关系分解矩阵M1，包括N1个行，N4个列，其中N为第L 4层上邻域半径总数，每一 行对应于第L1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M1的作用下，生成第L4层上四个邻域半径的交互向量，即 杧，Rj， d. 将上述邻域半径的交互向量Rf , Rj，R；；;和R；；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个子隼，艮口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Ri4和Rt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，S i4和 Si.分别表示中所包含简单邻域的集合；g. 重复进行Rf，： ，R；；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R〇ugh_en tr opy < 0.2 5; h. 在第L1层中构建脑组织病历邻域半径矩阵分层交互如下：其中m，η，t，p为邻域半径影响因子，a，b为邻域半径数目； .构造第L1层中最优邻域半径集如下：
【文档编号】G06Q50/24GK106023030SQ201610320142
【公开日】2016年10月12日
【申请日】2016年5月13日
【发明人】丁卫平, 张晓峰, 王杰华, 陈森博, 董建成, 管致锦, 程学云, 李跃华
【申请人】南通大学