[发明专利]一种用于MRI病历属性约简的量子协同博弈实现方法

说明书

技术领域

本发明涉及到医学信息智能处理领域，具体来说涉及一种用于MRI病历属性约简的量子协同博弈实现方法。

背景技术

电子病历蕴藏着巨大的潜在应用价值，其属性约简广泛存在于临床特征选择和决策支持系统中，是众多应用的核心支撑技术。由于病历数据属性所具有的多样性、不确定性、不完整性和动态性等不完备特征，给电子病历属性约简带来了较大挑战性。目前核磁共振成像(Magnetie Resonanee Imaging，MRI)技术已成为电子病历系统中临床疾病诊断的重要辅助手段，较好地进行MRI病历脑软组织(包括灰质、白质)和脑脊液正确分割，对脑功能、病理及其解剖研究与分析，对医生判断疾病的真实情况并作出正确的诊断计划具有重要的指导意义。然而MRI病历在实际图像成像过程中极易受噪声、射频场不均匀性以及容积效应等因素影响，导致各软组织之间边界比较模糊、不明确和不连续，给MRI病历相关属性特征的准确约简、分割和提取等造成较大困难。

发明内容

本发明的目的是提供一种具有较高的电子病历MRI属性约简效率、准确性和稳定性的用于电子病历MRI属性约简的量子混合协同博弈实现方法。

本发明通过以下的技术方案实现的：

一种用于MRI病历属性约简的量子协同博弈实现方法，具体步骤如下：

A、MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法：该方法通过竞争协同机制将MRI病历属性进行子适应划分到不同的进化子种群中，并在各进化子种群中进行各自优秀种群精英                                                的选取；

B、MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法：将参与MRI病历属性约简的各种群精英分别分配信任裕度，构建信任裕度效用矩阵，使得各种群精英通过其相应信任裕度动态调整将形成稳定均衡价，保证参与属性演化约简的各种群精英效用均能达到各自最佳值；

C、MRI病历属性约简中种群精英量子种群博弈策略实现方法：构建一种种群精英量子种群博弈策略进行MRI病历属性约简，通过各子种群精英在博弈中Nash均衡，使属性约简中各子种群精英的策略均是对博弈对方策略的最优反应，各种群精英根据相互博弈时观测到的情况将不断调整自身策略，从而最终地达到病历MRI属性演化约简的稳定态；

D、种群精英量子种群博弈后，计算各进化子种群精英个体在各自MRI病历属性子集上所取得目标适应度函数值，取进化种群中所有精英个体在各自分配信任裕度下适应度的平均值为该种群的最优适应度值，即

  

E、上述各子种群精英在MRI病历上量子协同博弈后，求出精英在其进化子种群上取最优适应度时所对应的病历MRI属性约简子集，从而取得MRI病历全局最优属性约简集为；

F、评估求得的MRI病历全局最优属性约简集，判断其是否满足MRI属性约简精度要求，如满足，则输出MRI病历全局最优属性约简集；不满足，则重复进行上述过程。

本发明的进一步改进在于：步骤A中所述的MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法，具体步骤如下：

a、设计进化种群为，MRI病历属性集为，将参与MRI病历属性约简的进化种群划分为个相同大小的子种群，每个子种群被分配一个表示MRI病历属性子集的概率，即子种群表示MRI病历属性子集的概率，初始概率值均设为，即所有子种群在参与MRI病历属性约简时都有相同的表示概率；

b、随着各子种群的进化，其表示MRI病历属性子集的概率将自适应变化。在开始迭代时，第个MRI病历属性子集被分配到第个子种群中；在接下来的第(k+1)次迭代中，各进化子种群表示第个MRI病历属性子集的概率定义如下：

其中()为子种群的学习率，子种群的选择概率将随着MRI病历属性子集约简过程的增加而自适应增大；

c、计算进化子种群表示第个MRI病历属性子集的平均概率为

d、构造子种群表示MRI病历属性的概率矩阵如下：

e、在上述概率矩阵中比较n个子种群表示第个MRI病历属性子集概率值大小，选出其中概率值最大的子种群，即可确定由该子种群来优化MRI病历属性子集；

f、计算每个子种群中每个进化个体的适应度，选出其中最优适应度个体即为该子种群的最优精英个体。