[发明专利]医学领域图像语义相似度矩阵的改进算法

摘要

本发明医学领域图像语义相似度矩阵的改进算法，以医学领域图像间语义距离为研究对象，通过多策略匹配的相似度关系映射，提出一种基于粗糙语义概率模型的医学图像相似矩阵提取建模方法，主要包括四个步骤：包括S1基于贝叶斯概率模型的语义标注，S2图像特征离散化及S3语义特征约简和S4基于多态理论的领域相似度模型计算。本发明能够有效的提高医学领域图像间语义信息合并的准确率，提升融合医学临床诊断领域知识库的质量，降低大规模挖掘图像语义信息所需的计算规模。

主权项

1.医学领域图像语义相似度矩阵的改进算法，其特征在于：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：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”；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；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；步骤2具体按如下步骤进行：S21：将语义向量空间中的图像固有属性按的出现次数从小到大排序，并将相邻属性值划分为一个等价类；基于条件语义属性，遍历出上述等价类之间的区域临界点，并以此作为初始语义属性的起点区间，计算获得条件决策熵；S22：对区域临界点与决策熵进行比较：对相邻区间端点决策熵的数值做差，若左端点决策熵小于右端点决策熵，则调换该区间的左右语义属性值，遍历与计算每个条件语义属性的条件信息量，并按数值递减排序，每次遍历，保留数值最大的条件语义属性，以此作为区间合并的方向决策条件，将相邻区间合并为单个区间；S23：将条件决策熵排序：采用基于动态反馈的阈值调整方法设定阈值：若决策阈值大于区间左端点决策熵，则将该决策熵所对应的语义属性添加入粗划分组；反之，将该决策熵所对应的语义属性划入细划分组；通过遍历相邻决策熵端点差值最小区间，动态调整决策阈值，直到决策阈值不再大于区间左端点决策熵时，将决策熵值所对应的语义属性与细划分组内的语义属性所在的离散区间排序；S24：若步骤S23对决策阈值的修改结果导致条件决策语义属性出现完全相同的领域区间，则取消步骤S23条件数值对调，还原成本区间的初始状态，将划分后的离散区间按其左端点由大到小排序，依次从大于0的正整数进行编码，获得编码区间集合{A1，A2……}；若步骤S23对决策阈值的修改结果未导致条件决策语义属性出现完全相同的领域区间，则保留步骤S23的阈值，将划分后的离散区间按其左端点由大到小排序，依次从大于0的正整数进行编码，获得编码区间集合{A1，A2……}。