[發(fā)明專利]一種多組學(xué)數(shù)據(jù)的聚類分析方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110644202.X
• 申請(qǐng)日: 2021-06-09
• 公開(kāi)（公告）號(hào): CN113392894A
• 公開(kāi)（公告）日: 2021-09-14
• 發(fā)明（設(shè)計(jì)）人: 懷曉晨;穆紅章
• 申請(qǐng)（專利權(quán)）人: 瓴域影諾（北京）科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08
• 代理公司: 北京知呱呱知識(shí)產(chǎn)權(quán)代理有限公司 11577
• 代理人: 陳晨

1.一種多組學(xué)數(shù)據(jù)的聚類分析方法，其特征在于，所述方法包括：

采用神經(jīng)網(wǎng)絡(luò)對(duì)MR影像信息進(jìn)行分割，根據(jù)各部分分割信息，提取高通量影像超參數(shù)；

對(duì)臨床數(shù)據(jù)、人口學(xué)數(shù)據(jù)和實(shí)驗(yàn)室檢查數(shù)據(jù)進(jìn)行處理，生成不同維度的向量表示；

將所述高通量影像數(shù)據(jù)和所述不同維度的向量表示進(jìn)行多源數(shù)據(jù)融合，得到融合后的多源異構(gòu)數(shù)據(jù)；

構(gòu)建多源異構(gòu)數(shù)據(jù)集，通過(guò)訓(xùn)練并測(cè)試多源圖聚類模型，得到最優(yōu)模型；

將MR影像信息輸入到所述最優(yōu)模型中，分析不同類別差異性和同一類別相似性。

2.如權(quán)利要求1所述的方法，其特征在于，所述將所述高通量影像數(shù)據(jù)和所述不同維度的向量表示進(jìn)行多源數(shù)據(jù)融合，得到融合后的多源異構(gòu)數(shù)據(jù)，包括：

添加MR定位定量開(kāi)采的影像組學(xué)超參數(shù)，將四種不同類型的數(shù)據(jù)進(jìn)行預(yù)處理，基于對(duì)應(yīng)的每個(gè)特征進(jìn)行歸一化處理；

對(duì)預(yù)處理后的四種數(shù)據(jù)進(jìn)行數(shù)據(jù)對(duì)齊；

將對(duì)齊后的數(shù)據(jù)進(jìn)行關(guān)聯(lián)，針對(duì)每一個(gè)組學(xué)樣本分別構(gòu)建關(guān)聯(lián)矩陣，通過(guò)局部高斯核構(gòu)建相似性度量指標(biāo)，計(jì)算每個(gè)關(guān)聯(lián)矩陣的相鄰樣本，過(guò)濾權(quán)重小于設(shè)定范圍的數(shù)據(jù)，得到過(guò)濾后的多組學(xué)信息的關(guān)聯(lián)矩陣；

利用隨機(jī)游走算法融合不同組學(xué)的關(guān)聯(lián)矩陣。

3.如權(quán)利要求1所述的方法，其特征在于，所述通過(guò)訓(xùn)練并測(cè)試多源圖聚類模型，得到最優(yōu)模型，包括：

采用多源圖聚類模型實(shí)現(xiàn)聚類分析，對(duì)節(jié)點(diǎn)的局部鄰居的特征進(jìn)行采樣和聚合，生成節(jié)點(diǎn)表示；

利用節(jié)點(diǎn)對(duì)的內(nèi)積運(yùn)算重構(gòu)原始網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合注意力機(jī)制學(xué)習(xí)鄰居節(jié)點(diǎn)的權(quán)重，以使得自動(dòng)學(xué)習(xí)特征；

在模型訓(xùn)練過(guò)程中，采用自訓(xùn)練聚類模塊，以實(shí)現(xiàn)對(duì)圖嵌入的約束和整合，對(duì)構(gòu)建的多源圖聚類模型進(jìn)行訓(xùn)練和驗(yàn)證，調(diào)整和優(yōu)化網(wǎng)絡(luò)參數(shù)，以實(shí)現(xiàn)多源圖聚類模型的訓(xùn)練和收斂。

4.如權(quán)利要求1所述的方法，其特征在于，所述將MR影像信息輸入到所述最優(yōu)模型中，分析不同類別差異性和同一類別相似性，包括：

針對(duì)多源異構(gòu)數(shù)據(jù)，在特征選擇時(shí)遍歷特征的所有可能性；

進(jìn)行相關(guān)度分析，分析各個(gè)特征的方差對(duì)總方差的貢獻(xiàn)大小，以衡量各個(gè)特征的重要性，其中特征方差貢獻(xiàn)越高重要性越高；

根據(jù)特征方差，確定MR影像信息中不同類別差異性和同一類別相似性。

5.一種多組學(xué)數(shù)據(jù)的聚類分析系統(tǒng)，其特征在于，所述系統(tǒng)包括：

高通量影像數(shù)據(jù)生成模塊，用于采用神經(jīng)網(wǎng)絡(luò)對(duì)MR影像信息進(jìn)行分割，根據(jù)各部分分割信息，提取高通量影像超參數(shù)；

基本數(shù)據(jù)處理模塊，用于對(duì)臨床數(shù)據(jù)、人口學(xué)數(shù)據(jù)和實(shí)驗(yàn)室檢查數(shù)據(jù)進(jìn)行處理，生成不同維度的向量表示；

多源數(shù)據(jù)融合模塊，用于將所述高通量影像數(shù)據(jù)和所述不同維度的向量表示進(jìn)行多源數(shù)據(jù)融合，得到融合后的多源異構(gòu)數(shù)據(jù)；

多源圖聚類模塊構(gòu)建模塊，用于構(gòu)建多源異構(gòu)數(shù)據(jù)集，通過(guò)訓(xùn)練并測(cè)試多源圖聚類模型，得到最優(yōu)模型；

數(shù)據(jù)分析模塊，用于將MR影像信息輸入到所述最優(yōu)模型中，分析不同類別差異性和同一類別相似性。

6.如權(quán)利要求5所述的系統(tǒng)，其特征在于，所述多源數(shù)據(jù)融合模塊，具體用于：

添加MR定位定量開(kāi)采的影像組學(xué)超參數(shù)，將四種不同類型的數(shù)據(jù)進(jìn)行預(yù)處理，基于對(duì)應(yīng)的每個(gè)特征進(jìn)行歸一化處理；

對(duì)預(yù)處理后的四種數(shù)據(jù)進(jìn)行數(shù)據(jù)對(duì)齊；

將對(duì)齊后的數(shù)據(jù)進(jìn)行關(guān)聯(lián)，針對(duì)每一個(gè)組學(xué)樣本分別構(gòu)建關(guān)聯(lián)矩陣，通過(guò)局部高斯核構(gòu)建相似性度量指標(biāo)，計(jì)算每個(gè)關(guān)聯(lián)矩陣的相鄰樣本，過(guò)濾權(quán)重小于設(shè)定范圍的數(shù)據(jù)，得到過(guò)濾后的多組學(xué)信息的關(guān)聯(lián)矩陣；

利用隨機(jī)游走算法融合不同組學(xué)的關(guān)聯(lián)矩陣。