一种多路并行的医学知识整合方法技术

本发明专利技术涉及医学知识整合的技术领域，公开了一种多路并行的医学知识整合方法，所述方法包括：采集医学大数据并进行特征提取，得到不同形态的医学数据特征向量；根据医学数据特征向量间的相似性和分布一致性确定多路特征相似性度量优化目标函数，对多路特征融合网络进行网络模型优化；利用最优多路特征融合网络对医学数据特征向量进行医学知识整合

【技术实现步骤摘要】
一种多路并行的医学知识整合方法


[0001]本专利技术涉及医学知识整合的
，尤其涉及一种多路并行的医学知识整合方法
。

技术介绍

[0002]随着现代医学的快速发展，数据形式变得多种多样，医学大数据已由单一的数据形式转移到多路数据形式，例如图像
、
文本
、
视频等数据形式，多路医学数据可以增强人们对同一疾病的全方位认知
。
但是现有的医学大数据比较分散，都是独立存储使用，缺乏对医学知识的整合过程，无法有效发挥医学大数据的积极指导意义
。
针对该问题，本专利技术提出一种多路并行的医学知识整合方法，通过多路数据关联分析学习不同形态的数据之间的异构差异，通过对不同形态之间的数据关系进行建模实现多路并行医学知识整合，提高医学大数据现实价值
。

技术实现思路

[0003]有鉴于此，本专利技术提供一种多路并行的医学知识整合方法，目的在于：1）获取不同形态的医学数据，并采用不同的特征提取方式分别提取得到文本形态医学数据
、
图像形态医学数据以及视频形态医学数据的特征向量，实现不同形态医学数据特征向量提取，并构建多路特征融合网络，通过对不同形态医学数据特征向量进行迭代重建，且每次迭代重建保留上次迭代的有效信息，在保留有效信息的情况下实现特征向量尺度统一；2）根据医学数据特征向量间的相似性和分布一致性确定多路特征相似性度量优化目标函数进而进行多路特征融合网络优化，利用最优多路特征融合网络对同尺度下的不同形态医学数据特征向量进行融合匹配，若融合后的医学数据特征向量与原始特征向量具有较高的相似度，则表示两种形态的医学数据特征具有较高的语义相似性以及分布相似性，实现同一医学知识下不同形态医学数据的整合处理
。
[0004]实现上述目的，本专利技术提供的一种多路并行的医学知识整合方法，包括以下步骤：
S1
：采集医学大数据并进行特征提取，得到不同形态的医学数据特征向量，所述医学大数据包括文本形态医学数据
、
图像形态医学数据以及视频形态医学数据；
S2
：构建多路特征融合网络，所述多路特征融合网络以不同形态的医学数据特征向量为输入，以医学知识整合结果为输出；
S3
：根据医学数据特征向量间的相似性和分布一致性确定多路特征相似性度量优化目标函数；
S4
：基于多路特征相似性度量优化目标函数对多路特征融合网络进行网络模型优化，得到最优多路特征融合网络；
S5
：将提取到的医学数据特征向量输入到最优多路特征融合网络中，利用最优多路特征融合网络进行医学知识整合
。
[0005]作为本专利技术的进一步改进方法：
可选地，所述
S1
步骤中采集医学大数据，包括：采集医学大数据，其中所述医学大数据包括文本形态医学数据
、
图像形态医学数据以及视频形态医学数据，所采集医学大数据的形式为：；其中：表示所采集医学大数据中第
k
条文本形态医学数据，
K
表示医学大数据中文本形态医学数据的总数；表示所采集医学大数据中第
m
条图像形态医学数据，
M
表示医学大数据中图像形态医学数据的总数；表示所采集医学大数据中第
n
条视频形态医学数据，
N
表示医学大数据中视频形态医学数据的总数
。
[0006]可选地，所述
S1
步骤中对医学大数据进行特征提取，包括：对医学大数据进行特征提取，得到不同医学数据形态的医学数据特征向量，其中特征提取流程为：
S11
：对医学大数据中文本形态医学数据进行特征提取，其中文本形态医学数据的特征提取公式为：；；其中：表示文本形态医学数据的医学数据特征向量，表示文本形态医学数据中第个文本字符的医学数据特征，表示文本形态医学数据中的文本字符数目；表示以自然常数为底的指数函数；
T
表示转置，表示对文本形态医学数据进行特征提取的参数矩阵；表示文本形态医学数据中第个文本字符的独热编码向量；
S12
：对医学大数据中图像形态医学数据进行特征提取，其中图像形态医学数据的特征提取公式为：；；其中：表示图像形态医学数据的医学数据特征向量；
表示图像形态医学数据中第
i
行第
j
列像素的梯度，表示图像形态医学数据中第
i
行第
j
列像素的灰度值，，表示图像形态医学数据中的像素行数，表示图像形态医学数据中的像素列数；表示像素梯度所构成的行列的图像像素梯度矩阵；
S13
：对医学大数据中视频形态医学数据进行特征提取，其中视频形态医学数据的特征提取公式为： ；；；；其中：表示视频形态医学数据的医学数据特征向量，表示视频形态医学数据中第
u
帧视频图像的医学数据特征，表示视频形态医学数据的帧数；为预构建的参数矩阵；表示视频形态医学数据中第
u
帧视频图像的图像形态下医学数据特征向量；
S14
：将不同医学数据形态的医学数据特征向量构成医学数据特征向量集合：
。
[0007]可选地，所述
S2
步骤中构建多路特征融合网络，包括：构建多路特征融合网络，所述多路特征融合网络以不同形态的医学数据特征向量为输入，以医学知识整合结果为输出；其中多路特征融合网络包括输入层
、
多路特征重建层
、
特征融合层以及医学知识整合层，输入层用于接收不同医学数据形态的医学数据特征向量，多路特征重建层用于对医学数据特征向量进行重建，特征融合层用于进行不同医学数据形态的医学特征向量融合匹配，医学知识整合层用于将融合匹配成功的不同形态的医学数据整合作为同一医学知识，得到医学知识整合结果；多路特征融合网络中的待优化参数为多路特征重建层以及特征融合层中的参数矩阵
。
[0008]可选地，所述
S3
步骤中确定多路特征相似性度量优化目标函数，包括：获取同一医学知识的不同医学数据形态的医学数据，并将医学数据转换为医学数据特征向量，构建得到医学知识训练集：；其中：
表示所获取第
d
组医学知识的三种医学数据形态医学数据特征向量，表示文本形态的医学数据特征向量，表示图像形态的医学数据特征向量，表示视频形态的医学数据特征向量，表示第
d
组医学知识的知识标签描述向量，
D
表示所获取医学知识的组数；在本专利技术实施例中，医学知识的知识标签描述向量构建流程为文本形态医学数据的特征提取流程；基于医学知识训练集确定多路特征相似性度量优化目标函数： ；其中：表示多路特征相似性度量优化目标函数，表示多路特征融合网络中的待优化参数向量；表示将第
d
组医学知识的任意两种医学数据特征向量输入到基于待优化参数向量的多路特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多路并行的医学知识整合方法，其特征在于，所述方法包括：
S1
：采集医学大数据并进行特征提取，得到不同形态的医学数据特征向量，所述医学大数据包括文本形态医学数据
、
图像形态医学数据以及视频形态医学数据；
S2
：构建多路特征融合网络，所述多路特征融合网络以不同形态的医学数据特征向量为输入，以医学知识整合结果为输出；
S3
：根据医学数据特征向量间的相似性和分布一致性确定多路特征相似性度量优化目标函数；
S4
：基于多路特征相似性度量优化目标函数对多路特征融合网络进行网络模型优化，得到最优多路特征融合网络；
S5
：将提取到的医学数据特征向量输入到最优多路特征融合网络中，利用最优多路特征融合网络进行医学知识整合
。2.
如权利要求1所述的一种多路并行的医学知识整合方法，其特征在于，所述
S1
步骤中采集医学大数据，包括：采集医学大数据，其中所述医学大数据包括文本形态医学数据
、
图像形态医学数据以及视频形态医学数据，所采集医学大数据的形式为：；其中：表示所采集医学大数据中第
k
条文本形态医学数据，
K
表示医学大数据中文本形态医学数据的总数；表示所采集医学大数据中第
m
条图像形态医学数据，
M
表示医学大数据中图像形态医学数据的总数；表示所采集医学大数据中第
n
条视频形态医学数据，
N
表示医学大数据中视频形态医学数据的总数
。3.
如权利要求2所述的一种多路并行的医学知识整合方法，其特征在于，所述
S1
步骤中对医学大数据进行特征提取，包括：对医学大数据进行特征提取，得到不同医学数据形态的医学数据特征向量，其中特征提取流程为：
S11
：对医学大数据中文本形态医学数据进行特征提取，其中文本形态医学数据的特征提取公式为：；；其中：表示文本形态医学数据的医学数据特征向量，表示文本形态医学数据中第个文本字符的医学数据特征，表示文本形态医学
数据中的文本字符数目；表示以自然常数为底的指数函数；
T
表示转置，表示对文本形态医学数据进行特征提取的参数矩阵；表示文本形态医学数据中第个文本字符的独热编码向量；
S12
：对医学大数据中图像形态医学数据进行特征提取，其中图像形态医学数据的特征提取公式为：；；其中：表示图像形态医学数据的医学数据特征向量；表示图像形态医学数据中第
i
行第
j
列像素的梯度，表示图像形态医学数据中第
i
行第
j
列像素的灰度值，，表示图像形态医学数据中的像素行数，表示图像形态医学数据中的像素列数；表示像素梯度所构成的行列的图像像素梯度矩阵；
S13
：对医学大数据中视频形态医学数据进行特征提取，其中视频形态医学数据的特征提取公式为： ；；；；其中：表示视频形态医学数据的医学数据特征向量，表示视频形态医学数据中第
u
帧视频图像的医学数据特征，表示视频形态医学数据的帧数；为预构建的参数矩阵；表示视频形态医学数据中第
u
帧视频图像的图像形态下医学数据特征向量；
S14
：将不同医学数据形态的医学数据特征向量构成医学数据特征向量集合：
。4.
如权利要求1所述的一种多路并行的医学知识整合方法，其特征在于，所述
S2
步骤中
构建多路特征融合网络，包括：构建多路特征融合网络，所述多路特征融合网络以不同形态的医学数据特征向量为输入，以医学知识整合结果为输出；其中多路特征融合网络包括输入层
、
多路特征重建层
、
特征融合层以及医学知识整合层，输入层用于接收不同医学数据形态的医学数据特征向量，多路特征重建层用于对医学数据特征向量进行重建，特征融合层用于进行不同医学数据形态的医学特征向量融合匹配，医学知识整合层用于将融合匹配成功的不同形态的医学数据整合作为同一医学知识，得到医学知识整合结果；多路特征融合网络中的待优化参数为多路特征重建层以及特征融合层中的参...

【专利技术属性】
技术研发人员：陈廷寅，冯嵩，张文范，
申请(专利权)人：中南大学湘雅医院，
类型：发明
国别省市：