多層云計算框架協同的孕齡新生兒腦病歷集成約簡方法
【技術領域】：
[0001] 本發明設及到醫學信息智能處理領域，具體來說設及一種多層MapRe化ce協同的 孕齡新生兒腦病歷集成約簡方法。
【背景技術】：
[0002] 隨著大數據時代的到來，在電子病歷數據庫中，電子病歷醫療數據中屯、節點的規 模動輒幾萬甚至幾十萬，數據中屯、存儲的醫療數據WPB甚至邸計，其規模呈現爆炸式增 長，不斷積累的各類電子病歷醫療數據對其存儲分析、醫療規則與知識獲取技術等提出了 嚴峻的挑戰。電子病歷醫療數據中蘊含有價值的醫學規則與知識成為人們存儲和處理病歷 數據的驅動力，因此如何縮短大規模海量電子病歷處理時間、提高醫學規則提取效率等，越 來越多引起相關研究者關注。
[0003] 孕齡新生兒腦病歷是一種特殊電子病歷：孕齡新生兒出生時間大概范圍為 (28 + 1. 5)weeks，其腦組織邊界和拓撲結構尚未完全形成，白質外面覆蓋著大量灰質，而灰 質眾多權皺面起伏形成溝回，腦溝內充滿著腦脊，另外液腦室系統體積形態變化量較大，運 動偽影較明顯，導致不同腦組織的灰度值分布易形成較多的重疊，因此孕齡新生兒腦病歷 各軟組織間邊界比一般電子病歷具有更強的模糊性和不連續性，對其快速、準確和魯棒地 分割是一件比較困難的事。
[0004] MapRe化ce是典型分布式并行的云計算框架，目前云計算在各行業應用的快速發 展，Google化alth平臺已將云計算框架引入醫療領域，在Google推動下，云計算技術在醫 療領域得到一定發展和應用，一些企業也相繼推出了云醫療平臺，如IBM的智慧醫療服務、 Cisco的區域醫療遠程協作平臺和華為的健康云解決方案等，均在醫療領域得到一定應用。 但目前運些平臺對電子病歷的使用還只是在原有病歷數據倉庫基礎上做簡單資源整合與 共享，對云計算環境下孕齡新生兒腦病歷知識約簡、診斷規則挖掘W及智能化臨床決策支 持服務等相關研究還相對較少。
【發明內容】
：
[0005] 本發明的目的是提供一種具有較高的約簡效率、準確性和穩定性的多層 MapRe化ce協同的孕齡新生兒腦病歷集成約簡方法。
[0006] 本發明通過W下的技術方案實現的：
[0007] -種多層MapRe化ce協同的孕齡新生兒腦病歷集成約簡方法，具體步驟如下：
[0008] A.構造η個進化神經網絡子種群化uro-subpopulatiorii,… ,Neuro-subpopulatiorii,…，Neuro-subpopulation。1,Neuro-subpopulatiorin,將第i個 子種群化uro-subpopulatiorii分成η個模因組Memeplexij,j= 1, 2,…，η,在每個模因組 Memeplexi,內進行進化個體適應度從大到小排序，選出最優適應度個體為該模因組精英，然 后在η個精英中選出第i個子種群化uro-subpopulatiorii最優適應度的精英個體Elitist_ leader;，W及次優適應度精英個體Elitist_followe;r.j;
[0009]B.在云計算MapRe化ce框架下將大規模孕齡新生兒腦病歷組織劃分到η個進化 神經網絡子種群中，提取出第i個子種群化uro-subpopulatiorii最優帶權裕度WCi，W及 化uro-subpopulatiorii的精英Elitistjeaderi和Elitist_followe;rj分別優化腦病歷組 織化ain-EMRi，從而取得各自最佳分割曲面；
[0010]C.設計一種五層結構的神經網絡優化模型，構造精英能量矩陣NSMP，神經子種群 最優能量精英在MapRe化ce框架下進行腦病歷曲面Sub_cu;rvei的集成化協同約簡，達到各 自分割曲面的最優約簡集;
[0011] 化提取出孕齡新生兒腦病歷全局最優約簡集，并判斷孕齡新生兒腦病歷組織集成 約簡結果是否滿足約簡精度要求，若滿足，則輸出腦病歷組織集成約簡集；否則，則轉至步 驟B繼續執行；
[0012]E.輸出孕齡新生兒腦病歷組織集成約簡的全局最優集為
[0013]
[0014] 本發明的進一步改進在于：步驟B的具體步驟如下：
[001引a.將孕齡新生兒腦病歷Brain-EMRi分配到相應的神經子種群P'Jeuro-subpopulationi中，使P'Jeuro-subpopulationi在其進化空間能優化腦病歷組織 Brain-EMR沖相應的白質、灰質和腦脊液曲面；
[0016]b.在云計算MapRe化ce框架下將帶權裕度分配給相應的孕齡新生兒腦病歷，第i 個神經子
[0017]種群P'Jeuro-subpopulationi分配其精英Elitistjeaderi的最優帶權裕度WCi為
[0018]
[001 引式中?*Ε腿stjeadejj為束i個精央E1itiSt_leaderi的適應度，tElitist_fol]owt:rj為束 j個精英Elitist_followe；Tj的適應度，k為神經子種群化uro-subpopulation沖精英Elitist_followe；Tj的總個數；
[0020]C.神經子種群化uro-subpopulatiorii中精英Elitistjeader i W自適應概率P i優化孕齡新生兒腦病歷化ain-EMI?i中第i個白質、灰質和腦脊液曲面，P1定義為
[0024]d.執行第i個神經子種群化uro-subpopulatiorii中兩類精英的合并優化，精英Elitist_leade；Ti將W加速因子sf(ri)合并相應的精英Elitist_followe;r.j，sfb)定義為
[00巧]
[002引其中參數和q2的范圍為（0, 1)，e為指數常量3. 1415，
[0027]
[0028] e.構造孕齡新生兒腦病歷組織屬性白質、灰質和腦脊液曲面的分配集為
[0029]
[0030] 其中第i個分配集;為
[0031]
[0032] 5值越小，孕齡新生兒腦病歷組織屬性之間交迭性越高，因此將需要分割腦病歷 組織屬性依據變量^值進行從大到小降序排序，使得腦病歷組織的交迭性程度從低到高排 序，越排在前面病歷組織的白質、灰質和腦脊液曲面越易分割；
[0033]f.設計自適應強化約束罰函數Φ(X)，根據第i個化uro-subpopulationi中精英 迭代時獲取的反饋信息來調整φ(χ)中罰因子大小，降低孕齡新生兒腦病歷組織曲面最優 解捜索迭代次數，從而進一步優化所求腦病歷組織屬性白質、灰質和腦脊液分割曲面精度， Φ(X)公式定義如下：
[0034]
[0035] 式中為|C(x)I孕齡新生兒腦病歷組織屬性特征總數，|R(x)I為屬性子 集長度，丫e(D)為腦組織決策屬性D對條件屬性C依賴度，λι第i個神經子種群 Neuro-subpopulatiorii為罰因子，其將根據所求曲面目標解逼近最優解的程度而自適應調 整，其迭代公式如下：
[0036]
[0037] 罰函數Φ(X)大小將隨時間和精英捜索過程反饋的信息而進行自適應調整，從而 有效提高精英Elitist_leaderi自適應控制腦組織屬性捜索空間范圍，提高孕齡新生兒腦 病歷白質、灰質和腦脊液分割曲面收斂性能，有效排除噪聲干擾，使精英Elitist_leaderi 較好地分割出白質、灰質和腦脊液曲面S址)_cu;rvei;
[0038]g.重復上述過程，直至η個進化神經網絡子種群均取得各自最優腦組織曲面，輸 出孕齡新生兒腦病歷組織達到最佳分割曲面集合
[0039]
[0040] 本發明的進一步改進在于：步驟c具體步驟如下：
[0041] a.按照經典神經網絡設計流程設計一種五層結構的神經網絡優化模型：Layerl 為輸入層，Layer2、Layer3和Layer4為隱藏層，Laye;r5為輸出層，其中Layer2層為各神經 子種群精英求交集η運算，Layers層為各神經子種群精英求乘積Π運算，W及Layer4層為 各神經子種群精英求和集Σ運算；
[0042]b.計算第i個神經子種群化uro-subpopulatiorii中精英Elitistjeaderi與各 個Elitis