【技术实现步骤摘要】
本专利技术涉及数据分类，尤其涉及一种基于特征相似性图神经网络的医学数据分类方法。
技术介绍
1、医学数据分类问题，一方面往往基于海量有真实标签的数据构建神经网络进行训练学习，这在神经网络学习过程中造成了对高性能计算资源如gpu等高成本、造价昂贵的硬件设备的依赖，因而不利于部署和应用。
2、另一方面，目前的医学数据分类神经网络，特别是使用医学图像的分类问题在gpu依赖的同时，神经网络以医学图像为主要输入对象进行分析，这忽略了医学数据中基线资料对医学数据分类问题的价值。
3、图卷积网络作为一种能够有效结合及同时分析医学数据基线资料与其他数据---如医学图像特征信息的新型网络，其以图结构上各个节点间连接为边集，以各个节点的特征属性为邻接矩阵，以图结构训练神经网络，能够在cpu低成本硬件设备上有效训练与部署。有潜力为医学数据分类问题提供一种廉价、易于获取、通用的方法。
技术实现思路
1、本专利技术就是针对现有技术存在的缺陷，提供一种基于特征相似性图神经网络的医学数据分类方法。
2、为实现上述目的，本专利技术采用如下技术方案：
3、一方面：首先建立一种个体间相似性测量的双向特征编码器，对医学数据中人群的基线资料的相似性进行编码。
4、双向特征编码器以监督学习方式获得人群中个体间相似性得分，定义相似性得分的联通阈值。并以个体作为图卷积神经网络的节点，基于个体相似性得分定义联通阈值，为高于联通阈值的两两节点间建立连接边。基于所述节点间的
5、基于人群中个体的图像特征，如影像组学特征作为各个节点的属性向量，基于每个节点的属性向量建立图神经网络的邻接矩阵。并基于所述边集以及所述邻接矩阵构建图神经网络，以监督学习方式实现所述医学数据分类的训练与预测。
6、另一方面：基于特征相似性图神经网络的医学数据分类方法，包括：
7、首先，将医学数据中各个个体作为节点，将各个个体的基线资料输入双向特征编码器，以监督学习方式训练双向特征编码器，输出节点间相似性得分，定义节点间联通阈值，确定节点间连接边，根据节点间连接边组成图卷积网络的边集。通过特征提取方法，如影像组学特征提取方法对各个节点的医学影像数据进行特征提取，集合所有节点的特征向量构成图卷积网络上节点的邻接矩阵，通过节点间边集以及节点的邻接矩阵建立图卷积网络，以监督学习方式训练图卷积网络对医学数据进行分类训练与预测。
8、与现有技术相比本专利技术有益效果。
9、本专利技术通过双向特征编码器计算医学数据中人群基线资料特征的相似性得分，定义相似性得分的联通阈值建立节点间连接边集，通过医学数据中各个个体的医学影像提取影像特征建立邻接矩阵，通过监督学习方式在连接边集与邻接矩阵上建立图卷积网络完成医学数据分类的训练与预测。
10、本专利技术对医学数据的基线资料与图像数据进行融合分析，提高了对现有医学数据的利用效率，提高了医学数据分类的精度。
本文档来自技高网...【技术保护点】
1.一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：包括：
2.根据权利要求1所述的一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：
3.根据权利要求2所述的一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：所述基于所述联通阈值来建立所述节点间的连接边包括：
4.根据权利要求1所述的一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：所述基于所述人群中个体的图像特征建立图神经网络的邻接矩阵包括：
5.根据权利要求4所述的一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：所述图像特征包括传统影像学基本特征、影像组学特征、以及影像深度学习特征。
6.根据权利要求4所述的一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：所述根据每个个体的属性向量，建立所述人群在图神经网络的邻接矩阵包括：
【技术特征摘要】
1.一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：包括：
2.根据权利要求1所述的一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：
3.根据权利要求2所述的一种基于特征相似性图神经网络的医学数据分类方法，其特征在于：所述基于所述联通阈值来建立所述节点间的连接边包括：
4.根据权利要求1所述的一种基于特征相似性图神经网络的医学数据分类方法，其特...
【专利技术属性】
技术研发人员：王振宁，宋江典，宋永喜，高鹏，
申请(专利权)人：中国医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。