CN109583358A - 一种医疗卫生监督快速精准执法方法 - Google Patents
一种医疗卫生监督快速精准执法方法 Download PDFInfo
- Publication number
- CN109583358A CN109583358A CN201811414353.0A CN201811414353A CN109583358A CN 109583358 A CN109583358 A CN 109583358A CN 201811414353 A CN201811414353 A CN 201811414353A CN 109583358 A CN109583358 A CN 109583358A
- Authority
- CN
- China
- Prior art keywords
- image
- text
- value
- attribute
- medical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013459 approach Methods 0.000 title claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 22
- 238000007689 inspection Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 3
- 210000000056 organ Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003759 clinical diagnosis Methods 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 6
- 229930182555 Penicillin Natural products 0.000 description 2
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229940049954 penicillin Drugs 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及医疗卫生监督技术领域,尤其是一种医疗卫生监督快速精准执法方法,包括以下步骤:S1、抽检;S2、上传图像;S3、图像识别;S4、人工检查;S5、属性与属性值检索;S6、在数据库中搜索属性值,若是挑出搜索不到相应的文本,则提交结论:找不到该属性值,从而能够由执法人员复查;S7、将各种属性的属性值按照设定的匹配关系进行匹配,在数据库中查找,看匹配关系是否成立,若是成立,则合理,若是不成立,则该材料存在异常;S8、得出建议结论,交由执法人员到现场进行核查。本发明集合多个部门机构的数据库,大大提高医疗卫生监督执法的效率。
Description
技术领域
本发明涉及医疗卫生监督技术领域,尤其涉及一种医疗卫生监督快速精准执法方法。
背景技术
由于各个机构之间的数据往往没有打通、同步,各个部门之间的数据都不对外共享,医生信息、医疗机构信息、药师信息、药品信息等信息没办法在同一个平台实现一次性查询、比对。在传统的基层医疗机构卫生执法过程中,执法人员往往需要使用多种手段,才能实现医疗信息的完整查询和相互匹配,判断医疗机构是否符合资质,费时费力,效率低下。为此,我们提出了一种医疗卫生监督快速精准执法方法。
发明内容
本发明提出了一种医疗卫生监督快速精准执法方法,以解决上述背景技术中提出的问题。
本发明提出了一种医疗卫生监督快速精准执法方法,包括如下步骤:
S1、抽检:由监督机构派遣执法人员到各个医疗卫生点抽检得到处方、检查单以及检查报告相关的医疗卫生纸质材料;
S2、上传图像:并将S1得到的医疗卫生纸质材料进行扫描以及拍照,并利用利用智能手机端将所得材料上传医疗监督机构的监督系统内;
S3、图像识别:相关监督人员对接收的材料进行识别,从而能够得出关键文本,且能够根据文件类型以及文本位置进行识别,或者全部文字进行识别;
S4、人工检查:待S3中进行识别后的材料再次经过人工识别,并判断修正关键字段的正确性,且关键字段包括字段名以及字段,并挑选需要进入下一步骤的关键词;
S5、属性与属性值检索:根据S3中的图像识别以及S4中的人工检查后能够得到所检查材料的属性名,从而能够将属性名后面的属性值提取出来,在对应的表中搜索;
S6、在数据库中搜索属性值,若是挑出搜索不到相应的文本,则提交结论:找不到该属性值,从而能够由执法人员复查;
S7、将各种属性的属性值按照设定的匹配关系进行匹配,在数据库中查找,看匹配关系是否成立,若是成立,则合理,若是不成立,则该材料存在异常;
S8、得出建议结论,交由执法人员到现场进行核查,从而完成医疗卫生监督的快速精准执法。
优选的,在S3中的图像识别,具体步骤如下:
A、图像处理,从而能够对原始图片进行处理,来提高观察的准确性,具体步骤如下:
(1)、灰度化处理,根据公式f=0.30R+0.59G+0.11B能够将图像的像素点变为一个值,从而能够将图像变为灰度图,灰度图是将用一个0-255的值来表示像素点的颜色;
(2)、二值化处理,二值化能够将灰度图转换为黑白图,将原来的灰度图所有像素点的值从大到小排列,统计每个值出现的次数,如果图像是正常的,就会形成一个图像曲线,曲线的横坐标表示像素值,纵坐标表示每个像素值出现的次数,曲线一般会出现两个波峰和一个波谷的情形,在波谷中选取中间值作为阈值点,如果灰度图的像素点大于阈值设为255,小于阈值设为0,即得到黑白图;
(3)、去躁,待得到黑白图后,会存在噪声点,能够用腐蚀+膨胀的方式来去除噪声点,从而能够将图像变的清晰;
(4)、旋转,图像在拍摄的过程中可能出现旋转的现象,首先对整个图像的黑色点两两进行计算,找出在同一个直线上的点,即形成直线,然后计算直线的斜率,将其调整为水平;
(5)、去直线:将(4)的直线转化为底色;
(6)、切割,查找图像中的黑色区域(文字)的边缘,并根据中间间距的大小进行分割,将连成片的文字切割为单个文字;
B、识别:利用卷积神经网络来训练数据集,卷积神经网络是人工神经网络的一种变形,通过卷积核来和图片做卷积运算(加权求和),卷积核小于原始图片,每一次卷积运算,卷积核要对图片进行扫描操作,通过多次卷积运算之后,神经网络进入一个全连接层,即把一个立体的矩阵转换为一个一维矩阵,矩阵的长度就是可以识别文字的个数,矩阵的每个元素值就是该图像识别为某个文字的概率,查找最大的概率值就能够确定该图像识别后的文字;
C、组合:将所有的识别完成的文字按照切割前的顺序进行组合,并保持原来的位置;
D、病例固定文字修正:病例中存在很多固定的文字,在识别之后,根据文字的位置,对固定位置的文字进行检查,如果识别错误,自动进行修正;
E、常用词修正。
优选的,所述的腐蚀是对黑色区域进行缩小的操作,腐蚀之后,一些小的黑点(噪声)就会消失。
优选的,所述的膨胀是扩大黑色区域操作,能够将黑色区域还原为原来的大小。
优选的,在S5中的属性名具体包括姓名、医疗卡号、社保卡号、患者姓名、临床诊断、开具日期、处方药品内容、医师、审核医师、药品金额、调配药师以及调配发药药师。
本发明提出的一种医疗卫生监督快速精准执法方法,有益效果在于:
(1)、采用大数据技术,集合多个部门机构的数据库,大大提高医疗卫生监督执法的效率;
(2)、集成AI图像识别技术,能够大大提高对图像识别的准确性;
(3)、采用整篇文本识别,能够满足复杂多样的文件类型匹配需要;
(4)、加入人工检查环节,确保例外情况,采用属性名、属性值、属性间匹配关系多层检索、匹配,确保结论正确性。
附图说明
图1为本发明所提出的一种医疗卫生监督快速精准执法方法的图像处理波形图;
图2为本发明所提出的一种医疗卫生监督快速精准执法方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参考图1-2,一种医疗卫生监督快速精准执法方法,包括如下步骤:
S1、抽检:由监督机构派遣执法人员到各个医疗卫生点抽检得到处方、检查单以及检查报告相关的医疗卫生纸质材料;
S2、上传图像:并将S1得到的医疗卫生纸质材料进行扫描以及拍照,并利用利用智能手机端将所得材料上传医疗监督机构的监督系统内;
S3、图像识别:相关监督人员对接收的材料进行识别,从而能够得出关键文本,且能够根据文件类型以及文本位置进行识别,或者全部文字进行识别;
S4、人工检查:待S3中进行识别后的材料再次经过人工识别,并判断修正关键字段的正确性,且关键字段包括字段名以及字段,并挑选需要进入下一步骤的关键词;
S5、属性与属性值检索:根据S3中的图像识别以及S4中的人工检查后能够得到所检查材料的属性名,且属性名具体包括姓名、医疗卡号、社保卡号、患者姓名、临床诊断、开具日期、处方药品内容、医师、审核医师、药品金额、调配药师以及调配发药药师,从而能够将属性名后面的属性值提取出来,在对应的表中搜索;
S6、在数据库中搜索属性值,若是挑出搜索不到相应的文本,则提交结论:找不到该属性值,从而能够由执法人员复查;
S7、将各种属性的属性值按照设定的匹配关系进行匹配,在数据库中查找,看匹配关系是否成立,若是成立,则合理,若是不成立,则该材料存在异常;
S8、得出建议结论,交由执法人员到现场进行核查,从而完成医疗卫生监督的快速精准执法。
在S3中的图像识别,具体步骤如下:
A、图像处理,从而能够对原始图片进行处理,来提高观察的准确性,具体步骤如下:
(1)、灰度化处理,根据公式f=0.30R+0.59G+0.11B能够将图像的像素点变为一个值,从而能够将图像变为灰度图,灰度图是将用一个0-255的值来表示像素点的颜色;
(2)、二值化处理,二值化能够将灰度图转换为黑白图,将原来的灰度图所有像素点的值从大到小排列,统计每个值出现的次数,如果图像是正常的,就会形成一个图像曲线,曲线的横坐标表示像素值,纵坐标表示每个像素值出现的次数,曲线一般会出现两个波峰和一个波谷的情形,在波谷中选取中间值作为阈值点,如果灰度图的像素点大于阈值设为255,小于阈值设为0,即得到黑白图;
(3)、去躁,待得到黑白图后,会存在噪声点,能够用腐蚀+膨胀的方式来去除噪声点,从而能够将图像变的清晰,所述的腐蚀是对黑色区域进行缩小的操作,腐蚀之后,一些小的黑点(噪声)就会消失,所述的膨胀是扩大黑色区域操作,能够将黑色区域还原为原来的大小;
(4)、旋转,图像在拍摄的过程中可能出现旋转的现象,首先对整个图像的黑色点两两进行计算,找出在同一个直线上的点,即形成直线,然后计算直线的斜率,将其调整为水平;
(5)、去直线:将(4)的直线转化为底色;
(6)、切割,查找图像中的黑色区域(文字)的边缘,并根据中间间距的大小进行分割,将连成片的文字切割为单个文字;
B、识别:利用卷积神经网络来训练数据集,卷积神经网络是人工神经网络的一种变形,通过卷积核来和图片做卷积运算(加权求和),卷积核小于原始图片,每一次卷积运算,卷积核要对图片进行扫描操作,通过多次卷积运算之后,神经网络进入一个全连接层,即把一个立体的矩阵转换为一个一维矩阵,矩阵的长度就是可以识别文字的个数,矩阵的每个元素值就是该图像识别为某个文字的概率,查找最大的概率值就能够确定该图像识别后的文字;
C、组合:将所有的识别完成的文字按照切割前的顺序进行组合,并保持原来的位置;
D、病例固定文字修正:病例中存在很多固定的文字,例如:“处方笺”、“姓名”,“性别”等,在识别之后,根据文字的位置,对固定位置的文字进行检查,如果识别错误,自动进行修正;
E、常用词修正,具体步骤如下:
在病例中会出现很多常用的词汇,例如:“葡萄糖”、“青霉素”等,在识别过程中很可能会出现其中的一个文字是错误的,对于这个错误可以使用马尔科夫模型来修正,预先设置一个文字相邻的的变化矩阵,例如:
矩阵的每一行和列对应着“青霉素”三个字。矩阵第一行表示“青”字后面出现“青”字的概率是0.5,“霉”字的概率是0.2,“素”字的概率是0.3,利用这样的方法把所有出现的文字统计一遍(包含终止符),生成一个完整的变化矩阵;
在修正时,先在矩阵中找到第一个字所在的行(如果矩阵中找不到该字,就查找出字形最像的字),找出下一个可能出现的字(可能是多个),同理再找出第三个可能出现的字,以此类推,如果识别出的文字个数为n个,则在此就找出n个可能出现的字,把所有找出的字形成一个树型结构,将识别出的文字和这棵树进行匹配,找出相同文字最多的路径,对比路径中不同的文字,如果两个文字相似度很大,则说明有很大的可能出现识别错误,则根据树中的文字进行修改。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种医疗卫生监督快速精准执法方法,其特征在于,包括以下步骤:
S1、抽检:由监督机构派遣执法人员到各个医疗卫生点抽检得到处方、检查单以及检查报告相关的医疗卫生纸质材料;
S2、上传图像:并将S1得到的医疗卫生纸质材料进行扫描以及拍照,并利用利用智能手机端将所得材料上传医疗监督机构的监督系统内;
S3、图像识别:相关监督人员对接收的材料进行识别,从而能够得出关键文本,且能够根据文件类型以及文本位置进行识别,或者全部文字进行识别;
S4、人工检查:待S3中进行识别后的材料再次经过人工识别,并判断修正关键字段的正确性,且关键字段包括字段名以及字段,并挑选需要进入下一步骤的关键词;
S5、属性与属性值检索:根据S3中的图像识别以及S4中的人工检查后能够得到所检查材料的属性名,从而能够将属性名后面的属性值提取出来,在对应的表中搜索;
S6、在数据库中搜索属性值,若是挑出搜索不到相应的文本,则提交结论:找不到该属性值,从而能够由执法人员复查;
S7、将各种属性的属性值按照设定的匹配关系进行匹配,在数据库中查找,看匹配关系是否成立,若是成立,则合理,若是不成立,则该材料存在异常;
S8、得出建议结论,交由执法人员到现场进行核查,从而完成医疗卫生监督的快速精准执法。
2.根据权利要求1所述的一种医疗卫生监督快速精准执法方法,其特征在于:在S3中的图像识别,具体步骤如下:
A、图像处理,从而能够对原始图片进行处理,来提高观察的准确性,具体步骤如下:
(1)、灰度化处理,根据公式f=0.30R+0.59G+0.11B能够将图像的像素点变为一个值,从而能够将图像变为灰度图,灰度图是将用一个0-255的值来表示像素点的颜色;
(2)、二值化处理,二值化能够将灰度图转换为黑白图,将原来的灰度图所有像素点的值从大到小排列,统计每个值出现的次数,如果图像是正常的,就会形成一个图像曲线,曲线的横坐标表示像素值,纵坐标表示每个像素值出现的次数,曲线一般会出现两个波峰和一个波谷的情形,在波谷中选取中间值作为阈值点,如果灰度图的像素点大于阈值设为255,小于阈值设为0,即得到黑白图;
(3)、去躁,待得到黑白图后,会存在噪声点,能够用腐蚀+膨胀的方式来去除噪声点,从而能够将图像变的清晰;
(4)、旋转,图像在拍摄的过程中可能出现旋转的现象,首先对整个图像的黑色点两两进行计算,找出在同一个直线上的点,即形成直线,然后计算直线的斜率,将其调整为水平;
(5)、去直线:将(4)的直线转化为底色;
(6)、切割,查找图像中的黑色区域(文字)的边缘,并根据中间间距的大小进行分割,将连成片的文字切割为单个文字;
B、识别:利用卷积神经网络来训练数据集,卷积神经网络是人工神经网络的一种变形,通过卷积核来和图片做卷积运算(加权求和),卷积核小于原始图片,每一次卷积运算,卷积核要对图片进行扫描操作,通过多次卷积运算之后,神经网络进入一个全连接层,即把一个立体的矩阵转换为一个一维矩阵,矩阵的长度就是可以识别文字的个数,矩阵的每个元素值就是该图像识别为某个文字的概率,查找最大的概率值就能够确定该图像识别后的文字;
C、组合:将所有的识别完成的文字按照切割前的顺序进行组合,并保持原来的位置;
D、病例固定文字修正:病例中存在很多固定的文字,在识别之后,根据文字的位置,对固定位置的文字进行检查,如果识别错误,自动进行修正;
E、常用词修正。
3.根据权利要求2所述的一种医疗卫生监督快速精准执法方法,其特征在于:所述的腐蚀是对黑色区域进行缩小的操作,腐蚀之后,一些小的黑点(噪声)就会消失。
4.根据权利要求2所述的一种医疗卫生监督快速精准执法方法,其特征在于:所述的膨胀是扩大黑色区域操作,能够将黑色区域还原为原来的大小。
5.根据权利要求1所述的一种医疗卫生监督快速精准执法方法,其特征在于:在S5中的属性名具体包括姓名、医疗卡号、社保卡号、患者姓名、临床诊断、开具日期、处方药品内容、医师、审核医师、药品金额、调配药师以及调配发药药师。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414353.0A CN109583358A (zh) | 2018-11-26 | 2018-11-26 | 一种医疗卫生监督快速精准执法方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414353.0A CN109583358A (zh) | 2018-11-26 | 2018-11-26 | 一种医疗卫生监督快速精准执法方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109583358A true CN109583358A (zh) | 2019-04-05 |
Family
ID=65924019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811414353.0A Pending CN109583358A (zh) | 2018-11-26 | 2018-11-26 | 一种医疗卫生监督快速精准执法方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583358A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353445A (zh) * | 2020-03-05 | 2020-06-30 | 三构科技(武汉)有限公司 | 一种基于深度学习的患者援助智能审核系统 |
CN113183227A (zh) * | 2021-04-17 | 2021-07-30 | 魏成浩 | 一种橡胶软管剥胶加工系统及加工方法 |
CN113990436A (zh) * | 2021-12-27 | 2022-01-28 | 西藏自治区人民政府驻成都办事处医院 | 基于矩阵校验的快速判断用药合理性的方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012139088A2 (en) * | 2011-04-08 | 2012-10-11 | Accusentry, Inc. | System and method for generating multiple, interlaced images using a single scanning camera with multiple, alternating light sources |
CN103425975A (zh) * | 2013-07-17 | 2013-12-04 | 中国中医科学院 | 一种临床病例数据采集系统及采集方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN107397557A (zh) * | 2017-07-13 | 2017-11-28 | 深圳市前海博志信息技术有限公司 | 乳腺超声波检查报告生成系统及方法 |
CN107491730A (zh) * | 2017-07-14 | 2017-12-19 | 浙江大学 | 一种基于图像处理的化验单识别方法 |
CN108038211A (zh) * | 2017-12-13 | 2018-05-15 | 南京大学 | 一种基于上下文的无监督关系数据异常检测方法 |
CN108538356A (zh) * | 2018-01-18 | 2018-09-14 | 深圳市瑞驰致远科技有限公司 | 药品自动核对系统及方法 |
CN108875737A (zh) * | 2018-06-11 | 2018-11-23 | 四川骏逸富顿科技有限公司 | 一种纸质处方单据中检测复选框是否勾选的方法及系统 |
-
2018
- 2018-11-26 CN CN201811414353.0A patent/CN109583358A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012139088A2 (en) * | 2011-04-08 | 2012-10-11 | Accusentry, Inc. | System and method for generating multiple, interlaced images using a single scanning camera with multiple, alternating light sources |
CN103425975A (zh) * | 2013-07-17 | 2013-12-04 | 中国中医科学院 | 一种临床病例数据采集系统及采集方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN107397557A (zh) * | 2017-07-13 | 2017-11-28 | 深圳市前海博志信息技术有限公司 | 乳腺超声波检查报告生成系统及方法 |
CN107491730A (zh) * | 2017-07-14 | 2017-12-19 | 浙江大学 | 一种基于图像处理的化验单识别方法 |
CN108038211A (zh) * | 2017-12-13 | 2018-05-15 | 南京大学 | 一种基于上下文的无监督关系数据异常检测方法 |
CN108538356A (zh) * | 2018-01-18 | 2018-09-14 | 深圳市瑞驰致远科技有限公司 | 药品自动核对系统及方法 |
CN108875737A (zh) * | 2018-06-11 | 2018-11-23 | 四川骏逸富顿科技有限公司 | 一种纸质处方单据中检测复选框是否勾选的方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353445A (zh) * | 2020-03-05 | 2020-06-30 | 三构科技(武汉)有限公司 | 一种基于深度学习的患者援助智能审核系统 |
CN113183227A (zh) * | 2021-04-17 | 2021-07-30 | 魏成浩 | 一种橡胶软管剥胶加工系统及加工方法 |
CN113183227B (zh) * | 2021-04-17 | 2022-09-23 | 阔丹凌云汽车胶管有限公司 | 一种橡胶软管剥胶加工系统及加工方法 |
CN113990436A (zh) * | 2021-12-27 | 2022-01-28 | 西藏自治区人民政府驻成都办事处医院 | 基于矩阵校验的快速判断用药合理性的方法及系统 |
CN113990436B (zh) * | 2021-12-27 | 2022-03-01 | 西藏自治区人民政府驻成都办事处医院 | 基于矩阵校验的快速判断用药合理性的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669965B2 (en) | AI-based label generating system and methods for use therewith | |
US11551795B2 (en) | AI-based multi-label heat map generating system and methods for use therewith | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
Wang et al. | A study on long-close distance coordination control strategy for litchi picking | |
Yuan et al. | Robust cherry tomatoes detection algorithm in greenhouse scene based on SSD | |
CN109583358A (zh) | 一种医疗卫生监督快速精准执法方法 | |
CN104268192B (zh) | 一种网页信息提取方法、装置及终端 | |
CN108804718A (zh) | 数据推送方法、装置、电子设备及计算机可读存储介质 | |
CN111160096A (zh) | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 | |
EP4016454A1 (en) | Three-dimensional edge detection method and apparatus, storage medium and computer device | |
CN111652171A (zh) | 一种基于双分支网络的面部表情识别模型的构建方法 | |
CN110969613A (zh) | 一种具有影像征象解释的肺结核智能识别方法及系统 | |
CN115409638B (zh) | 基于人工智能的牲畜保险承保和理赔方法及相关设备 | |
CN115661580A (zh) | 基于卷积神经网络的中药饮片图像识别方法及识别系统 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
Mishra et al. | Towards robust object detection in floor plan images: A data augmentation approach | |
Abbasi-Sureshjani et al. | Boosted exudate segmentation in retinal images using residual nets | |
Javanmardi et al. | Caps captioning: a modern image captioning approach based on improved capsule network | |
CN109616165A (zh) | 医疗信息展示方法及装置 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
Sarkar et al. | Multi-scale cnn: An explainable ai-integrated unique deep learning framework for lung-affected disease classification | |
CN113642562A (zh) | 基于图像识别的数据解读方法、装置、设备及存储介质 | |
CN116778346A (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190405 |
|
WD01 | Invention patent application deemed withdrawn after publication |