[发明专利]基于矩阵分解和多划分对齐的医疗数据聚类方法及系统

权利要求书

1.基于矩阵分解和多划分对齐的医疗数据聚类方法，其特征在于，包括：

S1.获取与医疗数据相对应的原始图像数据；

S2.对获取的原始图像数据相对应的多视图数据通过多层矩阵进行分解，得到各个视图的基础划分矩阵；

S3.利用列变换将得到的各个视图的基础划分矩阵进行融合对齐，得到一致融合后的划分矩阵；

S4.将得到的各个视图的基础划分矩阵以及一致融合后的划分矩阵进行统一，并构建统一后划分矩阵相对应的目标函数；

S5.采用交替优化方法优化构建的目标函数，得到优化后的统一划分矩阵；

S6.对得到的优化后的统一划分矩阵进行谱聚类，得到最终的聚类结果。

2.根据权利要求1所述的基于矩阵分解和多划分对齐的医疗数据聚类方法，其特征在于，所述步骤S4中构建统一后划分矩阵相对应的目标函数，表示为：

其中，α^(v)表示对于第v个视图的权重；X^(v)表示第v个视图的特征矩阵；表示第v个视图的第i层基础矩阵；λ表示划分学习和融合学习的一个平衡系数；W^(v)、H分别表示第v个视图的基础划分矩阵、列对齐矩阵、一致融合后的划分矩阵；β^(v)表示针对后期融合过程中第v个视图对应基础划分的权重；H^T表示H的转置；W^(v)T表示W^(v)的转置。

3.根据权利要求2所述的基于矩阵分解和多划分对齐的医疗数据聚类方法，其特征在于，所述步骤S5中采用交替优化方法优化构建的目标函数，具体包括：

A1.固定变量W^(v)、β、α^(v)，优化H，则H的优化式表示为：

min-tr(HU),s.t.HH^T＝I_k

其中，表示融合后的划分矩阵；

A2.固定变量H、W^(v)、β、α^(v)，优化则的优化式表示为：

其中，表示前i-1个基矩阵的累乘；

A3.固定变量H、W^(v)、β、α^(v)，优化则的优化式表示为：

其中，表示前i个基矩阵的累乘；

A4.固定变量H、W^(v)、β、α^(v)，优化则的优化式表示为：

其中，表示前i个基矩阵的累乘；表示除了第v个视图对应的划分矩阵的其他基础划分的融合；

A5.固定变量H、β、α^(v)，优化W^(v)，则W^(v)的优化式表示为：

min-tr(W^(v)TQ),s.t.W^(v)W^(v)T＝I_k

其中，表示第v个视图的相似度和其对应的权重的乘积；

A6.固定变量W^(v)、β、H，优化α^(v)，则α^(v)的优化式表示为：

其中，表示第v个视图的重构损失；

A7.固定变量W^(v)、H、α^(v)，优化β，则β的优化式表示为：

β的优化式化简为：

其中，f^T＝[f₁,f₂,…,f_V]，表示不同视图相似度矩阵的迹的集合；表示第v个视图的相似度矩阵的迹。

4.根据权利要求3所述的基于矩阵分解和多划分对齐的医疗数据聚类方法，其特征在于，所述步骤A1、A2、A3、A4、A5中均还包括：通过SVD分解得到优化后的结果。