【技术实现步骤摘要】
本专利技术涉及数据融合，特别涉及一种基于神经网络的多源异构数据融合方法及系统。
技术介绍
1、目前，在我国，皮肤科医生仅有2.6万人，每年就诊人次超过2亿人次，这意味着平均1个皮肤科医生1年接诊量近万人次，服务能力明显不足。皮肤科医师的诊断能力和水平也存在很大差异，会受到很多因素的影响(如学习能力、信息提取速度、记忆能力、生理心理状态等)。而且不止是医生和病人的数量不成正比，更为迫切的是如何实现对医院单个就诊病人的多个不同结构的医学数据进行融合，实现对就诊病人病情的综合判断成为了更重要的任务，在此背景下，开展以人工智能为主线的辅助诊断及决策系统研究，对提高医师工作效率、提高患者的生活质量和就医体验，都具有非常重要的社会价值和科学意义。
2、但是，现有的基于神经网络的多源异构数据融合方法及系统只是通过对数据进行预处理和文本匹配，实现了从不同网站获取商品的多源异构数据的融合存储，实现了建立完整性、准确性和一致性强的知识库，无法对文本医学数据和图像医学数据进行高效扩增和融合分析。例如公开号为“cn109308311a”、专利名称为“一种多源异构数据融合系统”，其方法包括以下步骤：包括数据获取模块、数据预处理模块、匹配模块、融合模块和评价模块，所述数据获取模块用于从不同网站获取商品的多源异构数据，所述数据预处理模块用于对数据进行规范化处理，生成短文本，所述规范化处理包括分词和去除停用词，所述匹配模块用于对短文本进行匹配，所述融合模块基于文本匹配结果对数据进行融合，所述评价模块用于对数据融合效果进行评价。本专利技术的有益效果为
3、因此，本专利技术提出了一种基于神经网络的多源异构数据融合方法及系统。
技术实现思路
1、本专利技术提供一种基于神经网络的多源异构数据融合方法及系统，用以根据所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果，获得所有文本医学数据的扩增数据的标签赋值结果和所有图像医学数据的扩增数据的标签赋值结果，对扩增数据进行标签赋值，便于后续对病情评测赋值初始模型进行再训练，根据病人的所有文本医学数据、所有图像医学数据及病情评测赋值最终模型，更精确地获得对应病人的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果，根据病人的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果构建对应病人的融合判断矩阵，即实现对文本医学数据和图像医学数据的扩增和异构数据融合，以便于后续获得病人的诊断结果。
2、本专利技术提供一种基于神经网络的多源异构数据融合方法，包括：
3、s1：对数据库中所有文本医学数据和所有图像医学数据进行数据扩增，获得所有文本医学数据的扩增数据和所有图像医学数据的扩增数据；
4、s2：基于数据库中的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果进行神经网络模型的训练，获得病情评测赋值初始模型；
5、s3：基于所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果，获得所有文本医学数据的扩增数据的标签赋值结果和所有图像医学数据的扩增数据的标签赋值结果；
6、s4：基于所有文本医学数据的扩增数据的标签赋值结果和所有图像医学数据的扩增数据的标签赋值结果，对病情评测赋值初始模型进行再训练，获得病情评测赋值最终模型；
7、s5：基于当前诊治的每个病人的所有文本医学数据、所有图像医学数据及病情评测赋值最终模型，获得对应病人的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果；
8、s6：基于当前诊治的每个病人的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果构建对应病人的融合判断矩阵，作为对应病人的多源异构医学数据融合结果。
9、优选的，基于神经网络的多源异构数据融合方法，s1：对数据库中所有文本医学数据和所有图像医学数据进行数据扩增，获得所有文本医学数据的扩增数据和所有图像医学数据的扩增数据，包括：
10、获取医院数据库内的所有文本医学数据和所有图像医学数据，其中文本医学数据为病历文本，图像医学数据为病理检查图像；
11、将每个文本医学数据内的每个词与预设词替换表中对应的替换词进行互换，获得每个文本医学数据的初始扩增数据，作为第一扩增数据；
12、基于每个文本医学数据内的分隔符号对对应文本医学数据的第一扩增数据进行分句划分，获得每个第一扩增数据的所有分句；
13、统计所有第一扩增数据中每个字的出现次数和所有第一扩增数据中的总字数，将每个字在所有第一扩增数据中出现的次数作为对应字的向量表示的第一向量元素，并基于所有第一扩增数据中的总字数与每个字在所有第一扩增数据中出现的次数确定出对应字的向量表示的第二向量元素；
14、将每个字的第一向量元素与第二向量元素作为对应字的二维向量的元素，获得每个字的二维向量，基于所有字的二维向量和预设第一相似度算法获得每个第一扩增数据的每个分句与所有第一扩增数据中除对应第一扩增数据之外的每个第一扩增数据的每个分句之间的相似度，将所有第一扩增数据中除当前第一扩增数据之外的所有第一扩增数据中，相似度大于预设文本相似度阈值的所有分句作为对应分句的可替换分句，获得每个第一扩增数据的每个分句的所有可替换分句；
15、将每个第一扩增数据中的至少一个分句替换为对应的任一可替换分句，获得所有第一扩增数据的所有扩增数据；
16、对所有图像医学数据进行数据扩增，获得所有图像医学数据的扩增数据。
17、优选的，基于神经网络的多源异构数据融合方法，对所有图像医学数据进行数据扩增，获得所有图像医学数据的扩增数据，包括：
18、将每个图像医学数据进行随机旋转及左右翻转，获得每个图像医学数据的多个初始扩增数据，作为多个第二扩增数据；
19、将每个第二扩增数据内每个像素点的三通道像素值的均值作为对应像素点的灰度值，获得每个第二扩增数据中所有像素点的灰度值；
20、将每个第二扩增数据中每个像素点的灰度值与相邻的所有像素点的灰度值进行求差，获得每个像素点的多个差值，将获得的每个像素点的所有差值和预设像素差值进行数值比对，若像素点存在差值大于预设像素差值，则将对应像素点作为边缘像素点，否则，将对应像素点作为组织像素点，获得每个第二扩增数据的所有边缘像素点和所有组织像素点；
21、基于每个第二扩增数据的所有边缘像素点和所有组织像素点获得所有第二扩增数据的所有扩增数据。
22、优选的，基于神经网络的多源异构数据融合方法，基于每个第二扩增数据的所有边缘像素点和所有组织像素点获得所有第二扩增本文档来自技高网...
【技术保护点】
1.一种基于神经网络的多源异构数据融合方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，S1：对数据库中所有文本医学数据和所有图像医学数据进行数据扩增，获得所有文本医学数据的扩增数据和所有图像医学数据的扩增数据，包括：
3.根据权利要求2所述的一种基于神经网络的多源异构数据融合方法，其特征在于，对所有图像医学数据进行数据扩增，获得所有图像医学数据的扩增数据，包括：
4.根据权利要求3所述的一种基于神经网络的多源异构数据融合方法，其特征在于，基于每个第二扩增数据的所有边缘像素点和所有组织像素点获得所有第二扩增数据的所有扩增数据，包括：
5.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，S2：基于数据库中的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果进行神经网络模型的训练，获得病情评测赋值初始模型，包括：
6.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，S3：基于所有文本医学数据的标签赋值结果和所有图像
7.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，S5：基于当前诊治的每个病人的所有文本医学数据、所有图像医学数据及病情评测赋值最终模型，获得对应病人的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果，包括：
8.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，S6：基于当前诊治的每个病人的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果构建对应病人的融合判断矩阵，作为对应病人的多源异构医学数据融合结果，包括：
9.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，S6：基于当前诊治的每个病人的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果构建对应病人的融合判断矩阵，作为对应病人的多源异构医学数据融合结果之后，还包括：
10.一种基于神经网络的多源异构数据融合系统，其特征在于，用于执行权利要求1至9中任一所述的一种基于神经网络的多源异构数据融合方法，包括：
...【技术特征摘要】
1.一种基于神经网络的多源异构数据融合方法，其特征在于，包括：
2.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，s1：对数据库中所有文本医学数据和所有图像医学数据进行数据扩增，获得所有文本医学数据的扩增数据和所有图像医学数据的扩增数据，包括：
3.根据权利要求2所述的一种基于神经网络的多源异构数据融合方法，其特征在于，对所有图像医学数据进行数据扩增，获得所有图像医学数据的扩增数据，包括：
4.根据权利要求3所述的一种基于神经网络的多源异构数据融合方法，其特征在于，基于每个第二扩增数据的所有边缘像素点和所有组织像素点获得所有第二扩增数据的所有扩增数据，包括：
5.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，s2：基于数据库中的所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果进行神经网络模型的训练，获得病情评测赋值初始模型，包括：
6.根据权利要求1所述的一种基于神经网络的多源异构数据融合方法，其特征在于，s3：基于所有文本医学数据的标签赋值结果和所有图像医学数据的标签赋值结果，获得...
【专利技术属性】
技术研发人员：秦川，郭乐杭，贾小超，张志华，赵洋，王树松，
申请(专利权)人：复旦大学附属金山医院上海市金山区眼病防治所，上海市金山区核化伤害应急救治中心，
类型：发明
国别省市：
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。