一种医学领域图像语义相似度矩阵的生成方法
【技术领域】
[0001] 本发明属于医学语义网络与知识网格计算与检索技术领域，具体涉及一种医学领 域图像语义相似度矩阵的生成方法。
【背景技术】
[0002] 医学领域知识因其应用的广泛性，越来越受到相关学者的重视。医学信息资源因 庞杂、分散、异构而呈现出相对孤立和难于满足用户对信息需求的状况，造成在同一领域内 的图像数据库呈现出多样性与冲突性，使得领域内知识库间无法进行互操作。
[0003] 伴随着网络通讯以及云存储等技术的迅速发展，包含各种医学图像的信息源规模 逐渐扩大。如何从海量数据中获取隐含的、极具价值的信息成为数据挖掘领域的新方向。图 像分类技术能够将以相同或相似主题聚类的图像归类，以集合的形式确定主题，该方法使 得用户不用花费大量的时间与精力去寻找目标图像，从而更好地将注意力投入到所感兴趣 的图像组。然而图像分类需要以度量图像间的语义相似度为前提，同时机器能够识别的图 像基本视觉信息有限，无法完全与人类对图像的内在含义理解相匹配，导致目前对于图像 语义的分类存在诸多的问题，图像归类的效果十分有限，整体效率普遍不高。
[0004] 随着对领域知识研究与应用的增多，大多数基于图像检索技术的领域知识库研究 组织面向不同的应用开发出不同的领域知识库系统，系统间存在着较大的差异。尽管这些 不尽相同的领域知识库系统是对同一领域知识的集中描述，仍不可避免地包含着许多具有 重复语义的图片信息，造成有限存储空间的浪费，严重降低了医学图像语义检索的效率与 准确性，最终使得领域内各知识实体之间无法进行互操作，大大制约了知识的使用效率。
【发明内容】
[0005] 本发明利用贝叶斯概率理论，对所获取的领域图像属性提取离散化的特征，将领 域图像知识信息源转变为基于语义标注的关键词集合，提出基于可辨识差别矩阵理论的概 念特征属性集约简方法，降低属性约简的计算规模，构建基于多角度语义距离的领域图像 知识库，获取基于图像语义关系的相似度计算模型。
[0006] 为实现上述目的，本发明的技术方案提出了一种领域图像间语义相似度矩阵的生 成方法，本发明具体如下：
[0007] -种医学领域图像语义相似度矩阵的生成方法，通过计算机调取医学领域图像知 识库内数据，并按如下步骤进行处理：
[0008] 步骤1.用贝叶斯概率模型对医学领域图像知识库中的领域图像进行语义信息的 标注，并对标注词赋以权值，获得赋有权值的标注词。将赋有权值的标注词的集合记为"语 义向量空间"。
[0009] 步骤2.对由步骤1获得的赋有权值的标注词提取离散化的特征，获得包含离散化 特性的赋权标注词。即该包含离散化特性的赋权标注词与对应的领域图像一一对应。所述 包含离散化特性的赋权标注词的集合称为"图像属性的语义空间"。步骤3.对步骤2所获 得的"图像属性的语义空间"进行约简处理，获得特征属性，由特征属性构建维度最简的约 简集。所述约简包括四个步骤：构造可辨识差别矩阵，求解可辨识差别矩阵的核，删除可辨 识矩阵的差别属性项，获得维度最简的约简集。
[0010] 步骤4.由步骤3获得的维度最简的约简集构建领域图像语义相似度的计算模型， 通过领域图像语义相似度的计算模型获得医学领域图像语义相似度矩阵。
[0011] 进一步说，领域图像是指影像报告中的图片。医学领域图像知识库是由领域图像 构成的集合。
[0012] 在步骤1中，将领域图像进行区域分割，形成图像集合{P1，P2……}。采用人机交 互的方式对领域图像进行语义标注，形成标注词集合{C1，C2……}。计算标注词集合{C1， C2……}中的每个标注词的后验概率，获取带权值信息的语义向量空间，该带权值信息的语 义向量空间的集合即为语义向量空间集合。领域图像是指影像报告中的图片，医学领域图 像知识库是由领域图像构成的集合。
[0013] 在步骤2中，将由步骤1获得的带有权重的语义向量空间集合作为输入量，构建条 件决策表。计算图像属性的决策阈值参数j，通过动态阈值迭代，遍历连续图像属性的区间 划分端点，获取离散图像属性，将离散区间按递减序排列，得到图像属性的语义空间，记为 离散编码集合{A1，A2……}。
[0014] 在步骤3中，利用带有双向指针的二叉树对步骤2获得的离散编码集合{A1， A2……}的差别属性进行存储，并通过调整初次抽样系数p以及抽取函数f(0)的抽样阈 值，构建可变识差别矩阵，获取图像属性集合簇元素的多阶方阵，求解图像属性维度的约简 集 red()。
[0015] 在步骤4中，由图像属性维度的约简集red()，计算标注词节点属性相似度、标注 词节点深度属性、标注词节点非对称属性，度量节点间横向语义距离、节点间纵向语义距 离、度量节点间非对称语义距离，利用标注词线性加权模型求解获得图像间语义相似度。
[0016] 有益的技术效果
[0017] 本发明的技术方案旨在解决图像间语义鸿沟的消解问题，信息集成设计中的准确 度计算问题以及医学临床决策判别的图像间语义距离度量问题，通过系统层面的优化，实 现医学图像之间基于语义的自动或半自动融合。本发明使用语义标注词作为图像语义信息 的领域知识表示，利用带有不同层次权值的属性作为区别重要标注概念的特征向量，提高 领域知识表示的准确率，降低了无关语义对的发生率，从而使得大规模融合领域知识成为 可能。
【附图说明】
[0018] 图1是本发明的方法流程图。
[0019] 图2是图1中步骤1的具体流程图。
[0020] 图3是图1中步骤2的具体流程图。
[0021 ] 图4是图1中步骤3的具体流程图。
[0022] 图5是图1中步骤4的具体流程图。
【具体实施方式】
[0023] 本发明的设计思想是：使用贝叶斯概率模型将图像所隐藏的语义信息以标注词集 合的形式显性表示。利用属性调整图像概念的语义权重，通过构造二元条件属性决策表，获 取离散属性值。采用可辨识差别矩阵的方法，缩减标注词的计算规模。引入多角度语义距 离的矩阵计算，生成语义相似度矩阵。
[0024] 本实施例系统包括领域图像语义信息标注模块、条件决策熵生成模块、标注词约 简模块以及矩阵计算模块，下面结合附图对本发明做进一步说明。
[0025] 参见图1，一种医学领域图像语义相似度矩阵生成方法，通过计算机调取医学领域 图像知识库内数据，并按如下步骤进行处理：
[0026] 步骤1.用贝叶斯概率模型对医学领域图像知识库中的领域图像进行语义信息的 标注，并对标注词赋以权值，获得赋有权值的标注词。
[0027] 将赋有权值的标注词的集合记为"语义向量空间"。
[0028] 步骤2.对由步骤1获得的赋有权值的标注词提取离散化的特征，获得包含离散化 特性的赋权标注词。即该包含离散化特性的赋权标注词与对应的领域图像一一对应。
[0029] 所述包含离散化特性的赋权标注词的集合称为"图像属性的语义空间"。
[0030] 步骤3.对步骤2所获得的"图像属性的语义空间"进行约简处理，获得特征属性， 由特征属性构建维度最简的约简集。
[0031] 所述约简包括四个步骤：构造可辨识差别矩阵，求解可辨识差别矩阵的核，删除可 辨识矩阵的差别属性项，获得维度最简的约简集。
[0032] 步骤4.由步骤3获得的维度最简的约简集构建领域图像语义相似度的计算模型， 通过领域图像语义相似度的计算模型获得医学领域图像语义相似度矩阵。
[0033] 参见图1，进一步说，领域图像是指影像报告中的图片。医学领域图像知识库是由 领域图像构成的集合。
[0034] 在步骤1中，将领域图像进行区域分割，形成图像集合{Pl，P2……}。
[0035] 采用人机交互的方式对领域图像进行语义标注，形成标注词集合{C1，C2……}。计 算标注词集合{C1，C2……}中的每个标注词的后验概率，获取带权值信息的语义向量空间， 该带权值信息的语义向量空间的集合即为语义向量空间集合。领域图像是指影像报告中的 图片，医学领域图像知识库是由领域图像构成的集合。
[0036] 在步骤2中，将由步骤1获得的带有权重的语义向量空间集合作为输入量，构建条 件决策表。计算图像属性的决策阈值参数j，通过动态阈值迭代，遍历连续图像属性的区间 划分端点，获取离散图像属性，将离散区间按递减序排列，得到图像属性的语义空间，记为 离散编码集合{A1，A2……}。
[0037] 在步骤3中，利用带有双向指针的二叉树对步骤2获得的离散编码集合{A1，
[0038] A2……}的差别属性进行存储，并通过调整初次抽样系数p以及抽取函数f( Θ )的 抽样阈值，构建可变识差别矩阵，获取图像属性集合簇元素的多阶方阵，求解图像属性维度 的约简集red ()。
[0039] 在步骤4中，由图像属性维度的约简集red()，计算标注词节点属性相似度、标注 词节点深度属性、标注词节点非对称属性，度量节点间横向语义距离、节点间纵向语义距 离、度量节点间非对称语义距离，利用标注词线性加权模型求解获得图像间语义相似度。
[0040] 参见图1，步骤1具体按如下步骤进行：
[0041] Sll :初始化语义：通过人机交互的方式，抽取医生对于影像报告中图像的标注信 息。将抽取出的标注信息的初始权值清空，初始化关键词标注--即标注信息的赋值为0。 默认所有语义权重对图像影响效果一样。形成语义标注词集合。
[0042] S12 :将用户待比较语义输入计算机。计算机依据待比较语义对医学领域图像知识 库中的分类信息概念进行检索，获得检索出的图像。
[0043] 由用户向计算机录入主关键词和非关键词。所