[发明专利]一种医学领域图像语义相似度矩阵的生成方法

说明书

本发明涉及一种领域图像间语义相似度矩阵的生成方法，以医学领域图像间语义距离为研究对象，通过多策略匹配的相似度关系映射，提出一种基于粗糙语义概率模型的医学图像相似矩阵提取建模方法，主要包括四个步骤：基于贝叶斯概率模型的语义标注、图像特征离散化、语义特征约简和基于多态理论的领域相似度模型计算。本发明能够有效的提高医学领域图像间语义信息合并的准确率，提升融合医学临床诊断领域知识库的质量，降低大规模挖掘图像语义信息所需的计算规模。

技术领域

本发明属于医学语义网络与知识网格计算与检索技术领域，具体涉及一种医学领域图像语义相似度矩阵的生成方法。

背景技术

医学领域知识因其应用的广泛性，越来越受到相关学者的重视。医学信息资源因庞杂、分散、异构而呈现出相对孤立和难于满足用户对信息需求的状况，造成在同一领域内的图像数据库呈现出多样性与冲突性，使得领域内知识库间无法进行互操作。

伴随着网络通讯以及云存储等技术的迅速发展，包含各种医学图像的信息源规模逐渐扩大。如何从海量数据中获取隐含的、极具价值的信息成为数据挖掘领域的新方向。图像分类技术能够将以相同或相似主题聚类的图像归类，以集合的形式确定主题，该方法使得用户不用花费大量的时间与精力去寻找目标图像，从而更好地将注意力投入到所感兴趣的图像组。然而图像分类需要以度量图像间的语义相似度为前提，同时机器能够识别的图像基本视觉信息有限，无法完全与人类对图像的内在含义理解相匹配，导致目前对于图像语义的分类存在诸多的问题，图像归类的效果十分有限，整体效率普遍不高。

随着对领域知识研究与应用的增多，大多数基于图像检索技术的领域知识库研究组织面向不同的应用开发出不同的领域知识库系统，系统间存在着较大的差异。尽管这些不尽相同的领域知识库系统是对同一领域知识的集中描述，仍不可避免地包含着许多具有重复语义的图片信息，造成有限存储空间的浪费，严重降低了医学图像语义检索的效率与准确性，最终使得领域内各知识实体之间无法进行互操作，大大制约了知识的使用效率。

发明内容

本发明利用贝叶斯概率理论，对所获取的领域图像属性提取离散化的特征，将领域图像知识信息源转变为基于语义标注的关键词集合，提出基于可辨识差别矩阵理论的概念特征属性集约简方法，降低属性约简的计算规模，构建基于多角度语义距离的领域图像知识库，获取基于图像语义关系的相似度计算模型。

为实现上述目的，本发明的技术方案提出了一种领域图像间语义相似度矩阵的生成方法，本发明具体如下：

一种医学领域图像语义相似度矩阵的生成方法，通过计算机调取医学领域图像知识库内数据，并按如下步骤进行处理：

步骤1.用贝叶斯概率模型对医学领域图像知识库中的领域图像进行语义信息的标注，并对标注词赋以权值，获得赋有权值的标注词。将赋有权值的标注词的集合记为“语义向量空间”。

步骤2.对由步骤1获得的赋有权值的标注词提取离散化的特征，获得包含离散化特性的赋权标注词。即该包含离散化特性的赋权标注词与对应的领域图像一一对应。所述包含离散化特性的赋权标注词的集合称为“图像属性的语义空间”。

步骤3.对步骤2所获得的“图像属性的语义空间”进行约简处理，获得特征属性，由特征属性构建维度最简的约简集。所述约简包括四个步骤：构造可辨识差别矩阵，求解可辨识差别矩阵的核，删除可辨识矩阵的差别属性项，获得维度最简的约简集。

步骤4.由步骤3获得的维度最简的约简集构建领域图像语义相似度的计算模型，通过领域图像语义相似度的计算模型获得医学领域图像语义相似度矩阵。

进一步说，领域图像是指影像报告中的图片。医学领域图像知识库是由领域图像构成的集合。