System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于多源信息融合,涉及一种基于广义证据理论的医学诊断决策融合方法。
技术介绍
1、医学诊断仪器在各级医疗机构中不断迭代升级,大幅提升了整个医疗行业的诊疗水平。但由于医生的培养所需周期较长,难以满足当下日益增长的实际需求,经常导致医生超负荷工作,其带来的影响极易造成漏诊和误诊的情况发生。因此,利用计算机来辅助医生进行医学诊断技术便应运而生了,并且取得了快速的发展和很大的成功。然而,在实际应用中一些疑难疾病的诊断需要依赖多种医疗器械,而不同模态的医学诊断信源之间往往存在较大差异。如何有效融合多种医学诊断信息,辅助医生进行疾病诊断决策,仍然是一个没有被很好解决的难题。
2、dempster–shafer证据理论由于在没有先验信息的情况下对不确定性建模的灵活性和有效性,已被广泛应用于多源信息融合
广义dempster–shafer证据理论是对经典dempster–shafer证据理论的扩展,旨在处理更为复杂的不确定性和不精确性情况。它通过引入幅度和相位两个维度特征将质量函数从实数平面推广到了复数平面,可以更准确地表示数据在不同时间阶段的波动,并考虑到数据的不确定性和不精确性。因此如何将广义dempster–shafer证据理论用于多源医学诊断信息融合是目前亟需解决的问题。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种基于广义证据理论的医学诊断决策融合方法,从证据的冲突程度和重要性两个角度出发,综合考虑医学诊断证据之间的相似性和证据本身的信息量大小,
2、为达到上述目的,本专利技术提供如下技术方案:
3、一种基于广义证据理论的医学诊断决策融合方法,具体包括以下步骤:
4、s1:构建多源医学诊断信息融合识别框架;
5、s2:根据复jensen-shannon散度计算不同医学诊断证据体的距离矩阵;
6、s3:根据节点证据体与除该节点之外的证据体的支持度,分配信任度权重,得到医学诊断证据体可信度;
7、s4:根据复值邓熵计算各医学诊断证据体所含信息量;
8、s5:使用证据体可信度和信息量对原始医学诊断证据体基本概率分配进行修正,得到新的医学诊断证据体基本概率分配;
9、s6:利用广义dempster组合规则进行最终医学诊断决策融合。
10、进一步,步骤s1具体包括以下步骤:
11、s11:在医学诊断问题中,需要确定患者患有何种疾病;假设决策问题与n种疾病有关,利用集合ω表示一组相互独立的事件,表示为ω={e1,e2,e3,...,en-1,en},其中en表示第n种疾病,且集合ω被称之为多源医学诊断信息融合识别框架;且ω的幂集用2ω表示:
12、
13、其中,表示空集;
14、s12:将各医学诊断仪器经过特征提取后的复质量函数进行初始化赋值,利用幅度和相位来表征其二维特征;每个医学诊断证据体由一组复质量函数组成,能够表征识别框架内各疾病焦元的不确定性;且复质量函数是m到复数域的映射,定义为:
15、
16、复质量函数需满足如下条件:
17、m(ω)=0 (3)
18、m(a)=m(a)eiθ(a),a∈2ω (4)
19、
20、其中,m(a)∈[0,1]用来表示复质量函数的大小,用来表示复质量函数的相位角大小;
21、当所有复质量函数θ=0时,复质量函数从复数退化到实数范围内;
22、如果|m(a)|>0,则称a为复质量函数的焦点元素,在医学诊断案例中也可称为疾病焦点元素;其中a可为多种疾病的集合。
23、进一步,步骤s2具体包括以下步骤:
24、s21:利用复jensen-shannon散度计算出各医学诊断证据体之间的距离;
25、
26、其中,cij表示医学诊断证据体mi和医学诊断证据体mj之间的复jensen-shannon散度,用来衡量两证据体之间的差异;且cpt为复pignistic变换;
27、s22:根据计算出的各医学诊断证据体之间的距离,得到相应的距离矩阵cn×n为:
28、
29、进一步,步骤s3具体包括以下步骤:
30、s31:利用所求距离矩阵得到医学诊断证据体相似度矩阵sn×n;
31、
32、其中,sij表示医学诊断证据之间的相似度,主要通过1减距离函数数值来获得;
33、sij=1-cij (9)
34、s32:利用相似度矩阵获得每个医学诊断证据体的支持度,再根据支持度大小获得可信度;
35、
36、
37、其中,crddi表示医学诊断证据体mi的可信度,sup(mi)表示医学诊断证据体mi的支持度。
38、进一步,步骤s4中,所述复值邓熵ced的计算公式为:
39、
40、其中,fc(m(a))表示复值基本概率分配在复平面的映射,|a|表示焦点元素a的基数,表示为的模值。
41、进一步,步骤s5具体包括以下步骤:
42、s51:将复值邓熵归一化处理:
43、
44、s52:根据步骤s32得到的可信度和步骤s51得到的归一化复值邓熵对可信度进行修正,记为acrddi:
45、
46、将修正后的可信度进行归一化,得到每个医学诊断证据体的最终权重:
47、
48、s53:计算修正后的医学诊断证据体基本概率分配:
49、
50、其中,mace(a)表示修正后的医学诊断证据体基本概率分配,mi(a)表示原始医学诊断证据体基本概率分配。
51、进一步,步骤s6具体包括:利用广义dempster组合规则对调整权重后的n个医学诊断信源进行n-1次融合得到最终医学诊断证据体;最终融合结果能够表征识别框架中各疾病焦元的不确定性,减少高冲突医学诊断信源带来的影响,辅助医生进行疾病诊断决策;
52、
53、其中,
54、本专利技术的有益效果在于:本专利技术充分考虑了单个医学信源的多维特征,利用复质量函数合理刻画出其多维特性,同时从复证据的可信度和所含信息量大小来重新分配权重,减少多源医学诊断信息融合时高冲突域带来的反直觉效果,辅助医学专家的疾病诊断。
55、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员本文档来自技高网...
【技术保护点】
1.一种基于广义证据理论的医学诊断决策融合方法,其特征在于,该方法具体包括以下步骤:
2.根据权利要求1所述的医学诊断决策融合方法,其特征在于,步骤S1具体包括以下步骤:
3.根据权利要求2所述的医学诊断决策融合方法,其特征在于,步骤S2具体包括以下步骤:
4.根据权利要求3所述的医学诊断决策融合方法,其特征在于,步骤S3具体包括以下步骤:
5.根据权利要求4所述的医学诊断决策融合方法,其特征在于,步骤S4中,所述复值邓熵CEd的计算公式为:
6.根据权利要求5所述的医学诊断决策融合方法,其特征在于,步骤S5具体包括以下步骤:
7.根据权利要求6所述的医学诊断决策融合方法,其特征在于,步骤S6具体包括:利用广义Dempster组合规则对调整权重后的n个医学诊断信源进行n-1次融合得到最终医学诊断证据体;最终融合结果能够表征识别框架中各疾病焦元的不确定性,辅助医生进行疾病诊断决策;
【技术特征摘要】
1.一种基于广义证据理论的医学诊断决策融合方法,其特征在于,该方法具体包括以下步骤:
2.根据权利要求1所述的医学诊断决策融合方法,其特征在于,步骤s1具体包括以下步骤:
3.根据权利要求2所述的医学诊断决策融合方法,其特征在于,步骤s2具体包括以下步骤:
4.根据权利要求3所述的医学诊断决策融合方法,其特征在于,步骤s3具体包括以下步骤:
5.根据权利要求4所述的医学诊断决策融合...
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。