[发明专利]基于统一锚点与子空间学习的医疗数据的聚类方法及系统

说明书

本发明公开了基于统一锚点与子空间学习的医疗数据的聚类方法及系统。其中，本发明涉及的基于统一锚点与子空间学习的医疗数据的聚类方法，包括：S1.获取与多种类型医疗数据相对应的原始图像数据；S2.对获取的原始图像数据相对应的多视图数据进行统一锚点学习，并根据学习到的统一锚点自适应的构建锚图相对应的目标函数；S3.采用交替优化方法优化构建的目标函数，得到优化后的统一锚图；S4.对得到的优化后的统一锚图进行谱聚类，得到最终的聚类结果。

技术领域

本发明涉及面向医疗诊断的多视图聚类技术领域，尤其涉及基于统一锚点与子空间学习的医疗数据的聚类方法及系统。

背景技术

在传统医疗领域，分析多种类型的医疗数据是医生进行诊断必不可少的手段。随着计算机技术的发展，在医疗数据分析领域，涌现了大量的机器学习方法来辅助医生诊断，从而提高医疗诊断的效率并达到减少医生的工作负担的目的。在实际问题中，存在着大量的多视图医疗数据，医生在进行诊断之前需要通过对多种医疗信息进行分析，从而给出一个合理准确的诊断结论。此外，对大量的医疗数据进行精准标注的成本十分高昂，因此，多视图聚类学习应运而生。多视图聚类作为一种重要的无监督数据分析方法，对医疗的发展起着非常重要的作用。通过多视图聚类方法，从多个角度处理同一样本数据，丰富数据在聚类空间中的表示，从而产生较好的聚类效果。多视图聚类是是目前机器学习和多媒体数据挖掘社区中一种重要的无监督学习方法，也可以应用到医疗图像数据。医疗图像可以通过多视图聚类的方法来进行处理，多视图聚类可以集成多个医疗视图之间的多样性和互补信息进行聚类。多视图聚类方法可以辅助医生做出精准的判断，及时地缓解病患的痛苦，从而辅助医生的诊断治疗。

目前有关多视图聚类的文献中已经提出了许多卓越的方案，其中多视图子空间聚类非常流行。多视图子空间聚(MVSC)通常从融合的多视图数据表示中寻求统一的子空间结构，然后将数据在子空间中进行分离，即以下两步策略：i)图构建：从多视图数据中获得低维子空间表示，得到视图特定的相似图或者融合图；ii)谱聚类：对融合图进行谱聚类。通过捕获非线性结构并保留图中的成对相似性，MVSC已广泛应用于各种应用，例如医疗图像诊断、面部聚类、社区检测。

尽管现有的MVSC方法在提高聚类性能方面取得了巨大成功，但MVSC进一步应用的一个主要缺点是关于样本数的三次时间复杂度，第一个图构建阶段需要解决每次迭代的时间复杂度至少为O(n³)的n凸二次规划子问题。此外，第二个谱聚类过程需要O(n³)进行奇异值分解(SVD)。因此，设计可扩展的MVSC算法来处理大规模多视图数据仍然是一个悬而未决的问题。

近年来，人们提出了基于锚点的MVSC来缓解传统子空间方法的高复杂性。通过独立采样选择k个锚点，原始的大小为n×n的全局图被替换为大小为n×k的对应锚图。将各锚图等权重融合到共识图中，然后进行谱聚类得到最终的聚类结果。基于锚点的多视图子空间聚类方法的整个时间复杂度可以减少到O(n)，并且可以应用于大规模任务。

现有的基于锚点的多视图子空间聚类策略可以通过以下考虑进一步改进。首先，每个视图的锚点是通过k均值聚类或随机采样独立生成的，与其他视图信息没有关联。此外，启发式采样和图构建过程的分离导致弱判别锚点。因此，选定的锚点可能无法反映实际的数据分布并生成不精确的图结构。其次，在没有充分信息融合的情况下，互补的多视图信息没有得到很好的利用，因为图是由相应视图的锚点独立构建的。现有方法的上述两种限制都会降低聚类性能。

发明内容

本发明的目的是针对现有技术的缺陷，提供了基于统一锚点与子空间学习的医疗数据的聚类方法及系统。

为了实现以上目的，本发明采用以下技术方案：

基于统一锚点与子空间学习的医疗数据的聚类方法，包括：

S1.获取与多种类型医疗数据相对应的原始图像数据；