CN110060022A - 一种医学胶片智能打印方法及系统 - Google Patents
一种医学胶片智能打印方法及系统 Download PDFInfo
- Publication number
- CN110060022A CN110060022A CN201910183938.4A CN201910183938A CN110060022A CN 110060022 A CN110060022 A CN 110060022A CN 201910183938 A CN201910183938 A CN 201910183938A CN 110060022 A CN110060022 A CN 110060022A
- Authority
- CN
- China
- Prior art keywords
- text
- matched
- candidate
- film
- patient
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学胶片智能打印方法及系统,包括如下步骤:S1、对待匹配胶片进行采样,获取最优采样;S2、检测最优采样中的文本信息,获取候选文本集合;S3、对候选文本集合中的各候选文本进行文本识别,获取与候选文本集合对应的识别结果集合;S4、提取识别结果集合中的关键字段集合;S5、将提取出的关键字段集合与信息库中的病人标签集合进行匹配,确定与待匹配胶片对应的病人。优点是:避免自助打印检查报告终端设备中关于检查报告与病人匹配环节所涉及的人工交互,实现真正的自动化,智能化自助打印检查报告。
Description
技术领域
本发明涉及医学领域,尤其涉及一种医学胶片智能打印方法及系统。
背景技术
随着医疗技术的发展,自助打印的方式逐渐应用在医疗中,病人可以通过使用自助打印检测报告终端设备,自助打印自己的检查报告;但是,现有的自助打印检查报告终端设备在患者进行自助打印检查报告的过程中存在一定的问题,在进行匹配的时候,需要对来自不同设备、不同类型的检查报告以及不同的打印格式进行人工匹配,同时还需要人工检测检查报告中的文本位置,以及人工进行循环多次识别等,造成了自助打印终端设备的工作效率低下,还会延误病人的治疗时间。
发明内容
本发明的目的在于提供一种智能化医学胶片智能打印方法及系统,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种医学胶片智能打印方法,包括如下步骤:
S1、对待匹配胶片进行采样,获取最优采样;
S2、检测最优采样中的文本信息,获取候选文本集合;
S3、对候选文本集合中的各候选文本进行文本识别,获取与候选文本集合对应的识别结果集合;
S4、提取识别结果集合中的关键字段集合;
S5、将提取出的关键字段集合与信息库中的病人标签集合进行匹配,确定与待匹配胶片对应的病人。
优选的,步骤S1采用基于图像质量评价方法中的结构相似性技术进行实施,包括如下步骤:
对待匹配胶片进行多种模版的网格划分,获得候选采样集合;
计算候选采样集合中相邻两采样块之间的SSIM值;
选取最高SSIM值所对应的两个采样块中任意一个采样块作为此待匹配胶片的最优采样。
优选的,步骤S2采用基于Faster-RCNN的CTPN文本检测框架进行实施,包括如下步骤:
将待匹配胶片的最优采样分别经过VGG16和RPN层得到第一特征层和初始候选文本集合;
将第一特征层和初始候选文本集合经过RoIPool层得到尺寸统一的RoI集合;
将RoI集合经RCNN层得到候选文本集合。
优选的,步骤S3采用基于VGG16和CTCLoss的CRNN文本识别模型进行实施,包括如下步骤:
将候选文本集合中各候选文本经过VGG16得到候选文本集合中各候选文本的第二特征层;
将候选文本集合中各候选文本依次通过BLSTM和Softmax获得各候选文本的后验概率输出;
将第二特征层和后验概率输出通过argmax,得到候选文本集合对应的识别结果集合。
优选的,步骤S4采用基于最小公共子串的关键字段提取技术进行实施:所述关键字段集合中的字段与识别结果集合中的字段一一对应。
优选的,步骤S5采用基于Levenshtein距离的文本相似性技术进行实施,包括如下步骤:
计算关键字段集合与所有病人标签集合的Levenshtein距离;
将具有最小Levenshtein距离的病人标签集合确定为与待匹配胶片对应的病人标签集合;
将确定的病人标签集合所对应的病人,确定为与待匹配胶片对应的病人。
优选的,所述信息库中存储着不同病人的病人标签集合,所述关键字段集合中的字段与病人标签集合中的字段一一对应。
本发明的目的还在于提供一种医学胶片智能打印系统,所述打印系统用于实现上述权利要求1至7任一所述的打印方法,包括:
采样单元,采用基于图像质量评价方法中的结构相似性技术对待匹配胶片进行采样,获取最优采样;
检测单元,采用基于Faster-RCNN的CTPN检测框架检测最优采样中的文本信息,获取候选文本集合;
识别单元,采用基于VGG16和CTCLoss的CRNN文本识别模型对候选文本集合中的各候选文本进行文本识别,获取与候选文本集合对应的识别结果集合;
提取单元,采用基于最小公共子串的关键字段提取技术提取识别结果集合中的关键字段集合;
匹配单元,采用基于Levenshtein距离的文本相似性技术将提取出的关键字段集合与信息库中的病人标签集合进行匹配,确定待匹配胶片对应的病人。
本发明的有益效果是:
1、避免自助打印检查报告终端设备中关于检查报告与病人匹配环节所涉及的人工交互,实现真正的自动化,智能化自助打印检查报告。
2、利用基于图像质量评价方法中的结构相似性技术对检查报告进行采样,能够从根本上减少后续文本检测的输入尺寸,极大的降低了检测时间。
3、利用基于Faster-RCNN的CTPN检测框架进行文本检测,从根本上抛弃了需要软件安装人员进行人工交互的环节,针对来自不同设备的不同类型的检查报告均具有很高的鲁棒性,并且其基于VGG16的网络结构一定程度上降低了模型的复杂度,保证了实时打印的要求和打印的智能性。
4、利用基于最小公共子串的关键字段提取技术进行关键字段提取。这种技术的运用与以往基于“强制规则”的关键字段提取方法相比允许了容错,一定程度上提高了匹配成功率。
5、利用基于Levenshtein距离的文本相似性技术将待匹配胶片与信息库中的病人信息进行匹配。这种技术利用多个关键字段进行匹配,很好的保证了准确性。
附图说明
图1是本发明实施例中打印方法的流程图;
图2是本发明实施例中打印方法执行的具体过程示意图;
图3是本发明实施例中CTPN检测框架执行的具体过程示意图;
图4是本发明实施例中CRNN识别框架执行的具体过程示意图;
图5是本发明实施例中最小公共子串的关键字段提取技术和Levenshtein距离的文本相似性技术对待匹配胶片与病人信息匹配的匹配过程示意图;
图6是本发明实施例中针对不同厂家的待匹配胶片使用该打印方法匹配结果的统计示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1至图2所示,本发明提供了一种医学胶片智能打印方法,所述打印方法包括:S1、对待匹配胶片进行采样,获取最优采样;S2、检测最优采样中的文本信息,获取候选文本集合;S3、对候选文本集合中的各候选文本进行文本识别,获取与候选文本集合对应的识别结果集合;S4、提取识别结果集合中的关键字段集合;S5、将提取出的关键字段集合与信息库中的病人标签集合进行匹配,确定与待匹配胶片对应的病人。整个执行过程无需人工进行检测或者匹配,打印系统会自行进行匹配并控制打印设备完成最终打印。所述带匹配胶片就是病人的检查报告。
实施例二
如图2至图5所示,本实施例中,步骤S1包括如下详细步骤:对待匹配胶片进行多种模版的网格划分,获得候选采样集合;计算候选采样集合中相邻两采样块之间的SSIM值;选取最高SSIM值所对应的两个采样块中任意一个采样块作为此待匹配胶片的最优采样。待匹配胶片为I,其分辨率为M*N,假设最优采样I1对应的网格形式为则最优采样I1的分辨率为m*n。
本实施例中,步骤S1利用基于图像质量评价方法中的结构相似性技术(Structural Similarity,SSIM)对待匹配胶片进行采样。
本实施例中,步骤S2包括如下详细步骤:将待匹配胶片的最优采样分别经过VGG16和RPN层得到第一特征层和初始候选文本集合;将第一特征层和初始候选文本集合经过RoIPool层得到尺寸统一的RoI集合;将RoI集合经RCNN层得到候选文本集合。如图3所示,检测单元对步骤S1中获取的最优采样,利用基于Faster-RCNN的CTPN文本检测框架去检测最优采样中的文本信息,获得所有候选文本集合T={ti|i∈Z},假设模型输入是分辨率为m*n的最优采样I1,首先将最优采样I1经过VGG16得到分辨率为m1*n1(m1<m,n1<n)的第一特征层f1,同时将最优采样I1经过RPN层得到初始候选文本集合T1,然后将f1和T1经过RoIPool层获得尺寸统一的RoI集合F,最后将第一特征层f1和初始候选文本集合T1经过RCNN层得到候选文本集合T。
本实施例中,步骤S3包括如下详细步骤:将候选文本集合中各候选文本经过VGG16得到候选文本集合中各候选文本的第二特征层;将候选文本集合中各候选文本依次通过BLSTM和Softmax获得各候选文本的后验概率输出;将第二特征层和后验概率输出通过argmax,得到候选文本集合对应的识别结果集合。如图4所示,对步骤S2获得的候选文本集合T中的各个候选文本利用基于VGG16和CTCLoss的CRNN识别模型进行识别,得到最终的识别结果R={ri|i∈Z},假设模型输入是分辨率为m2*n2(m2<m1,n2<n1)的候选文本t,首先将候选文本t经过VGG16得到分辨率为m3*n3(m3<m2,n3<n2)的第二特征层f2,然后将候选文本t经过BLSTM和Softmax获得后验概率输出f3,分辨率为c*n3,其中c是字符类别种类数目;最后将第二特征层f2和后验概率输出f3通过argmax得到预测最终结果r,则得到与候选文本集合T={ti|i∈Z}对应的识别结果集合是R={ri|i∈Z}。
本实施例中,所述CTPN文本检测框架和CRNN识别模型都是基于深度神经网络的模型。
本实施例中,如图5所示,信息库中存储着不同病人对应的病人标签集合,所述病人标签集合为了区分不同病人的字符串集合,所述病人标签集合为L={lj|j∈Z},识别结果R={ri|i∈Z}包含了集合L中很多不存在的字段,如“设备信息”和“时间信息”等,这些信息会对后续的文本匹配产生干扰;步骤S4,利用最小公共子串(Longest CommonSubsequence,LCS)的关键字段提取技术从R中提取与L中一一对应的关键字段集合S={sj|j∈Z},此集合组成了待打印胶片的唯一标识。步骤S5包括如下步骤:计算关键字段集合与所有病人标签集合的Levenshtein距离;将具有最小Levenshtein距离的病人标签集合Lk={lk,1,lk,2,…lk,s}确定为与待匹配胶片对应的病人标签集合;将确定的病人标签集合所对应的病人,确定为与待匹配胶片对应的病人。所述步骤S5利用基于Levenshtein距离的文本相似性技术进行实施。
本实施例中,Levenshtein距离定义如下:
指两个字符串之间,由一个转成另一个所需要的最少操作次数,数学表示如下:
其中i,j分别表示两个字符串的长度。
实施例三
如图6所示,使用此打印方法对来自飞利浦,GE等多家厂商的CT,MR等类型的共计220份待匹配胶片进行实验统计分析,统计结果如图6。对来自任意厂家的任意类型的检查报告,获得最优采样的准确率为100%。对于来自SIEMENS厂家的任意类型检查报告,该打印方法匹配准确率可以达到100%。对于来自DR的11例检查报告,在无需加入字符纠错的后处理操作情况下,匹配率可以达到100%。对于来自GE的两种类型检查报告在没加入字符纠错的后处理操作的情况下,分别均出现了一例或两例漏匹配现象。分析其原因是因为来自GE的胶片的分辨率要远低于SIEMENS生产的胶片,其胶片质量的对文本识别阶段产生了不可避免的影响,当加入字符纠错的后处理操作后,一定程度上弥补了这种影响,提高了匹配准确率。
实施例四
本实施例中,本发明还提供了一种医学胶片智能打印系统,所述打印系统用于实现上述打印方法,所述打印系统包括:采样单元、检测单元、识别单元、提取单元和匹配单元,各单元相互配合将待匹配胶片与信息库中的病人标签集合进行匹配,确定待匹配胶片对应的病人。采样单元,采用基于图像质量评价方法中的结构相似性技术对待匹配胶片进行采样,获取最优采样;检测单元,采用基于Faster-RCNN的CTPN检测框架检测最优采样中的文本信息,获取候选文本集合;识别单元,采用基于VGG16和CTCLoss的CRNN文本识别模型对候选文本集合中的各候选文本进行文本识别,获取与候选文本集合对应的识别结果集合;提取单元,采用基于最小公共子串的关键字段提取技术提取识别结果集合中的关键字段集合;匹配单元,采用基于Levenshtein距离的文本相似性技术将提取出的关键字段集合与信息库中的病人标签集合进行匹配,确定待匹配胶片对应的病人。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明通过提供一种医学胶片智能打印方法及系统,避免自助打印检查报告终端设备中关于检查报告与病人匹配环节所涉及的人工交互,实现真正的自动化,智能化自助打印检查报告;同时,在进行带匹配胶片匹配的过程中,采用了基于图像质量评价方法中的结构相似性对检查报告进行采样,能够从根本上减少后续文本检测的输入尺寸,极大的降低了检测时间;利用了基于Faster-RCNN的CTPN检测框架进行文本检测,从根本上抛弃了需要软件安装人员进行人工交互的环节,针对来自不同设备的不同类型的检查报告均具有很高的鲁棒性,并且其基于VGG16的网络结构一定程度上降低了模型的复杂度,保证了实时打印的要求和打印的智能性;利用基于最小公共子串的关键字段提取技术进行关键字段提取。这种技术的运用与以往基于“强制规则”的关键字段提取方法相比允许了容错,一定程度上提高了匹配成功率。利用基于Levenshtein距离的文本相似性技术将待匹配胶片与信息库中的病人信息进行匹配。这种技术利用多个关键字段进行匹配,很好的保证了准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种医学胶片智能打印方法,其特征在于,包括如下步骤:
S1、对待匹配胶片进行采样,获取最优采样;
S2、检测最优采样中的文本信息,获取候选文本集合;
S3、对候选文本集合中的各候选文本进行文本识别,获取与候选文本集合对应的识别结果集合;
S4、提取识别结果集合中的关键字段集合;
S5、将提取出的关键字段集合与信息库中的病人标签集合进行匹配,确定与待匹配胶片对应的病人。
2.根据权利要求1所述的医学胶片智能打印方法,其特征在于,步骤S1采用基于图像质量评价方法中的结构相似性技术进行实施,包括如下步骤:
对待匹配胶片进行多种模版的网格划分,获得候选采样集合;
计算候选采样集合中相邻两采样块之间的SSIM值;
选取最高SSIM值所对应的两个采样块中任意一个采样块作为此待匹配胶片的最优采样。
3.根据权利要求1所述的医学胶片智能打印方法,其特征在于,步骤S2采用基于Faster-RCNN的CTPN文本检测框架进行实施,包括如下步骤:
将待匹配胶片的最优采样分别经过VGG16和RPN层得到第一特征层和初始候选文本集合;
将第一特征层和初始候选文本集合经过RoIPool层得到尺寸统一的RoI集合;
将RoI集合经RCNN层得到候选文本集合。
4.根据权利要求1所述的医学胶片智能打印方法,其特征在于,步骤S3采用基于VGG16和CTCLoss的CRNN文本识别模型进行实施,包括如下步骤:
将候选文本集合中各候选文本经过VGG16得到候选文本集合中各候选文本的第二特征层;
将候选文本集合中各候选文本依次通过BLSTM和Softmax获得各候选文本的后验概率输出;
将第二特征层和后验概率输出通过argmax,得到候选文本集合对应的识别结果集合。
5.根据权利要求1所述的医学胶片智能打印方法,其特征在于,步骤S4采用基于最小公共子串的关键字段提取技术进行实施:所述关键字段集合中的字段与识别结果集合中的字段一一对应。
6.根据权利要求1所述的医学胶片智能打印方法,其特征在于,步骤S5采用基于Levenshtein距离的文本相似性技术进行实施,包括如下步骤:
计算关键字段集合与所有病人标签集合的Levenshtein距离;
将具有最小Levenshtein距离的病人标签集合确定为与待匹配胶片对应的病人标签集合;
将确定的病人标签集合所对应的病人,确定为与待匹配胶片对应的病人。
7.根据权利要求1所述的医学胶片智能打印方法,其特征在于:所述信息库中存储着不同病人的病人标签集合,所述关键字段集合中的字段与病人标签集合中的字段一一对应。
8.一种医学胶片智能打印系统,所述打印系统用于实现上述权利要求1至7任一所述的打印方法,其特征在于,包括:
采样单元,采用基于图像质量评价方法中的结构相似性技术对待匹配胶片进行采样,获取最优采样;
检测单元,采用基于Faster-RCNN的CTPN检测框架检测最优采样中的文本信息,获取候选文本集合;
识别单元,采用基于VGG16和CTCLoss的CRNN文本识别模型对候选文本集合中的各候选文本进行文本识别,获取与候选文本集合对应的识别结果集合;
提取单元,采用基于最小公共子串的关键字段提取技术提取识别结果集合中的关键字段集合;
匹配单元,采用基于Levenshtein距离的文本相似性技术将提取出的关键字段集合与信息库中的病人标签集合进行匹配,确定待匹配胶片对应的病人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910183938.4A CN110060022A (zh) | 2019-03-12 | 2019-03-12 | 一种医学胶片智能打印方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910183938.4A CN110060022A (zh) | 2019-03-12 | 2019-03-12 | 一种医学胶片智能打印方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060022A true CN110060022A (zh) | 2019-07-26 |
Family
ID=67316861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910183938.4A Pending CN110060022A (zh) | 2019-03-12 | 2019-03-12 | 一种医学胶片智能打印方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060022A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160963A (zh) * | 2020-12-18 | 2021-07-23 | 中电云脑(天津)科技有限公司 | 一种事件确定方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235007A1 (en) * | 2012-07-24 | 2015-08-20 | Koninklijke Philips N.V. | System and method for generating a report based on input from a radiologist |
CN106355782A (zh) * | 2016-08-31 | 2017-01-25 | 陕西省人民医院 | 报告、胶片自助打印管理系统 |
CN107220646A (zh) * | 2017-05-25 | 2017-09-29 | 杭州健培科技有限公司 | 一种去背景干扰的医学图像文字识别增强方法 |
CN207164912U (zh) * | 2017-09-15 | 2018-03-30 | 南京市第一医院 | 具有自动装片与分选功能的医用胶片报告打印一体机 |
-
2019
- 2019-03-12 CN CN201910183938.4A patent/CN110060022A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235007A1 (en) * | 2012-07-24 | 2015-08-20 | Koninklijke Philips N.V. | System and method for generating a report based on input from a radiologist |
CN106355782A (zh) * | 2016-08-31 | 2017-01-25 | 陕西省人民医院 | 报告、胶片自助打印管理系统 |
CN107220646A (zh) * | 2017-05-25 | 2017-09-29 | 杭州健培科技有限公司 | 一种去背景干扰的医学图像文字识别增强方法 |
CN207164912U (zh) * | 2017-09-15 | 2018-03-30 | 南京市第一医院 | 具有自动装片与分选功能的医用胶片报告打印一体机 |
Non-Patent Citations (1)
Title |
---|
王小冬等: "DICOM自助胶片打印系统的设计与实现", 《中国医疗器械杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160963A (zh) * | 2020-12-18 | 2021-07-23 | 中电云脑(天津)科技有限公司 | 一种事件确定方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540468B (zh) | 一种诊断原因可视化的icd自动编码方法与系统 | |
CN109918671A (zh) | 基于卷积循环神经网络的电子病历实体关系抽取方法 | |
Ahishali et al. | Advance warning methodologies for covid-19 using chest x-ray images | |
Zhou et al. | Soda: Detecting covid-19 in chest x-rays with semi-supervised open set domain adaptation | |
CN106844741A (zh) | 一种面向特定领域的问题解答方法 | |
CN111949759A (zh) | 病历文本相似度的检索方法、系统及计算机设备 | |
Ji et al. | Research on classification of COVID‐19 chest X‐ray image modal feature fusion based on deep learning | |
CN113688248B (zh) | 一种小样本弱标注条件下的医疗事件识别方法及系统 | |
Li et al. | A generalized framework of feature learning enhanced convolutional neural network for pathology-image-oriented cancer diagnosis | |
CN113723312B (zh) | 基于视觉transformer的水稻病害识别方法 | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
CN116311483B (zh) | 基于局部面部区域重构和记忆对比学习的微表情识别方法 | |
TW202101477A (zh) | 一種抽樣後標記應用在類神經網絡訓練模型之方法 | |
CN110263174A (zh) | —基于焦点关注的主题类别分析方法 | |
Zheng et al. | Learning to learn by yourself: Unsupervised meta‐learning with self‐knowledge distillation for COVID‐19 diagnosis from pneumonia cases | |
CN113889219A (zh) | 一种用于慢性阻塞性肺疾病的药物推荐方法及系统 | |
CN109815478A (zh) | 基于卷积神经网络的药化实体识别方法及系统 | |
CN113254675A (zh) | 基于自适应少样本关系抽取的知识图谱构建方法 | |
CN116797848A (zh) | 一种基于医疗图像文本对齐的疾病定位方法及系统 | |
Wang et al. | Recognizing handwritten mathematical expressions as LaTex sequences using a multiscale robust neural network | |
CN117393098A (zh) | 基于视觉先验和跨模态对齐网络的医疗影像报告生成方法 | |
CN107766895A (zh) | 一种诱导式非负投影半监督数据分类方法及系统 | |
CN110060022A (zh) | 一种医学胶片智能打印方法及系统 | |
CN114093507A (zh) | 边缘计算网络中基于对比学习的皮肤病智能分类方法 | |
CN113034448B (zh) | 一种基于多示例学习的病理图像细胞识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |