基于图聚类的影像分类管理方法及系统技术方案

本发明专利技术涉及智慧医院管理技术，公开了基于图聚类的影像分类管理方法及系统，基于图聚类的影像分类管理方法，其通过关系数据库的形式存储影像和报告数据；通过语义分析影像数据库的内容，并提取语义特征；将语义特征作为节点，语义特征间的相似度为边，建立无向图；依据建立的无向图，将无向图中的节点聚类成簇，从而完成影像的分类。本发明专利技术在PACS系统的基础上，利用相似度构建整个影像库中的无向图，表达所有检查间的关联，基于图聚类不用指定类别数量，且图也会自适应的变化，随着数据的增加，分类会自然演变，其对于影像的管理更为轻便，泛化性强，便于归纳整理。便于归纳整理。便于归纳整理。

【技术实现步骤摘要】
基于图聚类的影像分类管理方法及系统


[0001]本专利技术涉及智慧医院管理技术，尤其涉及了在多屏网络传输中，基于图聚类的影像分类管理方法及系统。

技术介绍

[0002]医院现有PACS系统主要通过患者个人信息、检查类型、检查项目、检查时间等维度管理放射检查，这些指标均在放射检查及医生撰写报告完成前可收集到，但医生撰写的报告内容较为复杂，难以归纳、统计和管理。

技术实现思路

[0003]本专利技术针对现有技术中医院系统中的检查及诊断报告内容复杂，难以归纳、统计和管理的问题，提供了基于图聚类的影像分类管理方法及系统。
[0004]为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
[0005]基于图聚类的影像分类管理方法，应用于PACS系统中，其方法包括：
[0006]影像数据库的存储，通过关系数据库的形式存储影像和报告数据；
[0007]语义特征的提取，通过语义分析影像数据库的内容，并提取语义特征；
[0008]无向图的建立，将语义特征作为节点，语义特征间的相似度为边，建立无向图，节点包括邻居节点、核节点、孤立节点和桥节点；
[0009]节点的分类，依据建立的无向图，将无向图中的节点聚类成簇，从而完成影像的分类。
[0010]作为优选，节点的分类方法包括：
[0011]步骤1，对于节点v，计算其与节点v所有核节点的文本相似度，并选择相似度超过文本相似度阈值ε的核节点、桥节点、孤立节点，进入步骤2；若没有相似度超过阈值ε的节点，则该节点v为孤立节点；
[0012]步骤2，计算节点v与已选择的核节点的ρ邻域内所有节点的文本相似度，并将文本相似度超过阈值ε的节点与节点v相连；
[0013]步骤3，计算该节点v是否存在于任一核节点的ρ邻域内，并分配于所属的ρ邻域；若该节点v不属于任一核节点的ρ邻域，计算节点v的ρ邻域中的节点数，若其大于阈值σ，则节点v为核节点，并生成一个新的节点簇；若节点v非核节点且不存在于任一核节点的ρ邻域内，如果节点v连接两个不同的ρ邻域，则为桥节点，否则，则为孤立节点。
[0014]作为优选，语义特征的提取以两条文本为输入，通过语义分析模型输出这两条文本各自的语义特征和文本相似度。
[0015]作为优选，语义分析模型以BERT神经网络为基础架构，两个文本样本通过同一个模型，生成各自的语义特征m、n，然后计算两个语义特征的余弦相似度cosinesim(m,n)，通过最小化不同类样本的余弦相似度优化模型。
[0016]作为优选，邻居节点，若两个节点相连，则互为邻居节点；节点相似度p，即两个节
点共同邻居节点数与两节点邻居节点数的几何平均数的比值，即其中Γ(v)为节点v的邻居节点集合，G为两个节点邻居数的几何平均数；ρ邻域，即某节点与所有节点相似度不小于ρ的节点组成的集合，同时作为一个节点簇；
[0017]核节点，ρ邻域中节点数量大于阈值σ的节点；
[0018]孤立节点，与最多一个节点簇相连的离群点；
[0019]桥节点，与至少两个节点簇相连的节点。
[0020]作为优选，无向图的边由三元组结构组成，分别为当前节点在文本特征数据库中的索引、下一个邻居节点在文本特征数据库中的索引、两者边的值。
[0021]为了解决上述技术问题，本专利技术还提供了基于图聚类的影像分类管理系统，应用于PACS系统中，其特征在于，包括：影像数据库存储模块、语义特征提取模块、无向图建立模块、节点分类模块；
[0022]影像数据库存储模块，影像数据库存储模块通过关系数据库的形式存储影像和报告数据；
[0023]语义特征提取模块，语义特征提取模块通过语义分析影像数据库的内容，并提取语义特征；
[0024]无向图建立模块，无向图建立模块将语义特征作为节点，语义特征间的相似度为边，建立无向图，节点包括邻居节点、核节点、孤立节点和桥节点；
[0025]节点分类模块，节点分类模块依据建立的无向图，将无向图中的节点聚类成簇，从而完成影像的分类。
[0026]为了解决上述技术问题，本专利技术还提供了一种电子设备，其特征在于，包括：至少一个处理器和存储器；
[0027]所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如所述的图聚类的影像分类管理方法。
[0028]为了解决上述技术问题，本专利技术还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如所述的图聚类的影像分类管理方法。
[0029]本专利技术由于采用了以上技术方案，具有显著的技术效果：
[0030]本专利技术在PACS系统的基础上，利用相似度构建整个影像库中的无向图，表达所有检查间的关联，基于图聚类不用指定类别数量，且图也会自适应的变化，随着数据的增加，分类会自然演变。其对于影像的管理更为轻便、泛化性强，便于归纳整理。
附图说明
[0031]图1是本专利技术的流程图。
[0032]图2是本专利技术的聚类流程图。
具体实施方式
[0033]下面结合附图与实施例对本专利技术作进一步详细描述。
[0034]实施例1
[0035]基于图聚类的影像分类管理方法，应用于PACS系统中，其方法包括：
[0036]影像数据库的存储，通过关系数据库的形式存储影像和报告数据；
[0037]语义特征的提取，通过语义分析影像数据库的内容，并提取语义特征；
[0038]无向图的建立，将语义特征作为节点，语义特征间的相似度为边，建立无向图，节点包括邻居节点、核节点、孤立节点和桥节点；
[0039]节点的分类，依据建立的无向图，将无向图中的节点聚类成簇，从而完成影像的分类。
[0040]节点的分类方法包括：
[0041]步骤1，对于节点v，计算其与节点v所有核节点的文本相似度，并选择相似度超过文本相似度阈值ε的核节点、桥节点、孤立节点，进入步骤2；若没有相似度超过阈值ε的节点，则该节点v为孤立节点；
[0042]步骤2，计算节点v与已选择的核节点的ρ邻域内所有节点的文本相似度，并将文本相似度超过阈值ε的节点与节点v相连；
[0043]步骤3，计算该节点v是否存在于任一核节点的ρ邻域内，并分配于所属的ρ邻域；若该节点v不属于任一核节点的ρ邻域，计算节点v的ρ邻域中的节点数，若其大于阈值σ，则节点v为核节点，并生成一个新的节点簇；若节点v非核节点且不存在于任一核节点的ρ邻域内，如果节点v连接两个不同的ρ邻域，则为桥节点，否则，则为孤立节点。
[0044]语义特征的提取以两条文本为输入，通过语义分析模型输出这两条文本各自的语义特征和文本相似度。
[0045]语义分析模型以BERT神经网络为基础架构，两个文本样本通过同一个模型，生成各自的语义特征m、n，然后计算两个语义特征的余弦相似度cos本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图聚类的影像分类管理方法，应用于PACS系统中，其特征在于，方法包括：影像数据库的存储，通过关系数据库的形式存储影像和报告数据；语义特征的提取，通过语义分析影像数据库的内容，并提取语义特征；无向图的建立，将语义特征作为节点，语义特征间的相似度为边，建立无向图，其中，节点包括邻居节点、核节点、孤立节点和桥节点；节点的分类，依据建立的无向图，将无向图中的节点聚类成簇，从而完成影像的分类。2.根据权利要求1所述的基于图聚类的影像分类管理方法，其特征在于，节点的分类的方法包括：步骤1，对于节点v，计算其与节点v所有核节点的文本相似度，并选择相似度超过文本相似度阈值ε的核节点、桥节点、孤立节点，进入步骤2；若没有相似度超过阈值ε的节点，则该节点v为孤立节点；步骤2，计算节点v与已选择的核节点的ρ邻域内所有节点的文本相似度，并将文本相似度超过阈值ε的节点与节点v相连；步骤3，计算该节点v是否存在于任一核节点的ρ邻域内，并分配于所属的ρ邻域；若该节点v不属于任一核节点的ρ邻域，计算节点v的ρ邻域中的节点数，若其大于阈值σ，则节点v为核节点，并生成一个新的节点簇；若节点v非核节点且不存在于任一核节点的ρ邻域内，如果节点v连接两个不同的ρ邻域，则为桥节点，否则，则为孤立节点。3.根据权利要求1所述的基于图聚类的影像分类管理方法，其特征在于，语义特征的提取以两条文本为输入，通过语义分析模型输出这两条文本各自的语义特征和文本相似度。4.根据权利要求3所述的基于图聚类的影像分类管理方法，其特征在于，语义分析模型以BERT神经网络为基础架构，两个文本样本通过同一个模型，生成各自的语义特征m、n，然后计算两个语义特征的余弦相似度cosinesim(m,n)，通过最小化不同类样本的余弦相似度优化模型。5.根据权利要求1所述的基于图聚类的影像...

【专利技术属性】
技术研发人员：胡利荣，尤堃，张跃华，
申请(专利权)人：浙江飞图影像科技有限公司，
类型：发明
国别省市：