[发明专利]一种医学领域图像语义相似度矩阵的生成方法

摘要

本发明涉及一种领域图像间语义相似度矩阵的生成方法，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：基于贝叶斯概率模型的语义标注、图像特征离散化、语义特征约简和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

1.一种医学领域图像语义相似度矩阵的生成方法，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4具体按如下步骤进行：由步骤3的结果分别计算获得标注词横向节点属性、标注词纵向节点深度属性：S41：对维度最简的约简集进行语义标注词集合处理，所述语义标注词集合是对图像特征标准化描述；基于标注词横向节点属性，计算图像间语义距离并作加和；通过计算一对标注词节点所包含的共有属性量和差异属性量，衡量标注词间的语义距离，语义距离与共有属性成线性正相关，和差异属性成线性负相关；本步骤中只考虑相邻节点(a,b)间的相似度计算，语义距离等于a节点的上层父类节点属性集合与a节点的特征集合之间求并集；标注词节点的直接子节点数量愈多，对其细化的标注词语义描述就越具体，即其所含子类节点之间的语义相似度就愈大；该标注词节点属性信息量影响因子为：式中，o(c₁,c₂)表示标注词节点 (c₁,c₂) 并运算的共有属性集合；与表示标注词节点 (c₁,c₂) 的差异属性量；λ、α表示公式调节参数，避免分式无意义；S42：基于标注词纵向节点深度属性，计算图像间语义距离并作加和；任意一组标注词在语义树中的节点深度之和愈大，该标注词表达的图像属性愈具体，语义相似度距离愈小，相似度愈高，本发明通过指数函数来描述节点层次的语义相似度；该标注词的节点层次影响因子为：θ为标注词的节点 (c1,c2) 层次影响因子中可调节语义深度影响算子；SimD(c1，c2)为节点 (c1,c2) 在非对称属性下的影响因子函数；S43：由节点层次影响因子计算获得非对称因子:基于标注词节点非对称属性，在标注词语义树中，标注词节点间的语义相似度在一定程度上具有非对称性，即语义相似度距离匹配带有方向性；标注词节点与祖先节点的相似度值大于其祖先与子节点的相似度取值，若概念A为概念B的祖先，sim(A,B)要小于sim(B,A)；节点对 (c1,c2) 语义距离非对称属性影响因子为：Depth(A)表示概念A的属性节点在节点树中的层次数，计算方法同Depth(C1)，Depth(B)表示概念B的属性节点在节点树中的层次数，计算方法同Depth(C2)；S44：用线性方法加权的方法将节点属性信息量影响因子、非对称属性影响因子进行整合，形成基于多角度的语义距离相似度矩阵：通过标注词线性加权模型Sim(c1,c2)＝εSimC(c1,c2)+(1‑ε)SimDγ(c1,c2)将节点属性信息量影响因子、非对称属性影响因子进行整合，形成基于多角度的语义距离相似度矩阵，实现语义标注词之间相似度距离度量的基本特征：本式中，ε表示权重因子，调整标注词节点共有属性量和深度对语义距离度量的影响；本式对 (c1,c2) 语义相似度距离度量范围是0到1闭区间，值愈大，语义距离愈近；本式对 (c1,c2) 是相同一节点时，语义相似度值为1；本式对 (c1,c2) 在标注词语义树中的共有部分越大，即共有属性越集中，语义距离愈近；本式对 (c1,c2) 在标注词语义树中位置愈深，属性愈聚向，语义距离愈近。