CN116434266A - 一种医疗检验单的数据信息自动提取分析方法 - Google Patents
一种医疗检验单的数据信息自动提取分析方法 Download PDFInfo
- Publication number
- CN116434266A CN116434266A CN202310699076.7A CN202310699076A CN116434266A CN 116434266 A CN116434266 A CN 116434266A CN 202310699076 A CN202310699076 A CN 202310699076A CN 116434266 A CN116434266 A CN 116434266A
- Authority
- CN
- China
- Prior art keywords
- information
- image data
- data
- inspection
- image
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000007689 inspection Methods 0.000 claims abstract description 370
- 238000012937 correction Methods 0.000 claims abstract description 194
- 238000012545 processing Methods 0.000 claims abstract description 163
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims description 116
- 238000005457 optimization Methods 0.000 claims description 65
- 238000012360 testing method Methods 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 47
- 238000013507 mapping Methods 0.000 claims description 33
- 238000005516 engineering process Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 125000004122 cyclic group Chemical group 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000002558 medical inspection Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000010339 medical test Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000002759 z-score normalization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 34
- 238000013075 data extraction Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,尤其涉及一种医疗检验单的数据信息自动提取分析方法。所述方法包括以下步骤:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;对检验单图像数据进行图像数据预处理,生成标准检验单图像数据;获取医疗数据库的历史检验单图像数据;利用Faster R‑CNN目标检测算法与历史检验单图像数据进行医疗检验单的目标数据区域标记模型建设,以生成优化目标区域标记模型;利用支持向量机算法与历史检验单图像数据进行图像倾斜智能校正的模型建设,以生成智能校正模型。本发明通过对医疗检验单的信息进行提取及利用个人历史检验信息进行校正,以实现对医疗检验单的分析方法。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种医疗检验单的数据信息自动提取分析方法。
背景技术
对于患者的医疗检验单上的检验信息,通过人工将信息输入到数据库中再反馈给医生或患者过于繁琐及耗费大量的人力资源,因此可以通过数据信息自动提取及分析的方法。然而,传统的医疗检验单的数据信息提取分析方法不能够准确识别出图像中的文字,识别出的文字也出现错误、遗漏等问题,并且对于医疗检验单出现可能错误的信息也无法去进行纠正。
发明内容
基于此,本发明提供一种医疗检验单的数据信息自动提取分析方法,以解决至少一个上述技术问题。
为实现上述目的,一种医疗检验单的数据信息自动提取分析方法,包括以下步骤:
步骤S1:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;对检验单图像数据进行图像数据预处理,生成标准检验单图像数据;
步骤S2:获取医疗数据库的历史检验单图像数据;利用Faster R-CNN目标检测算法与历史检验单图像数据进行医疗检验单的目标数据区域标记模型建设,以生成优化目标区域标记模型;
步骤S3:利用支持向量机算法与历史检验单图像数据进行图像倾斜智能校正的模型建设,以生成智能校正模型;将标准检验单图像数据传输至图像倾斜校正模型中进行图像智能倾斜校正处理,生成校正检验单图像数据;
步骤S4:将校正检验单图像数据传输至检验单目标区域标记模型中进行检验单目标区域图像提取处理,生成目标区域图像数据;
步骤S5:利用卷积循环神经网络对目标区域图像数据进行特征提取及字符映射,生成校正检验单图像数据的检验信息;
步骤S6:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验预测处理,生成检验信息校验数据;利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,生成校验判定数据;对校验判定数据对应的检验信息进行迭代优化处理,生成达标检验信息;
步骤S7:获取医疗数据库的用户历史检验信息;利用Transformer算法与用户历史检验信息进行个性化医疗检验信息校正模型建设,以生成检验信息校正模型;将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;将优化检验信息传输至终端进行反馈。
本发明通过使用电子拍摄设备对医疗检验单进行图像数据采集,将传统纸质检验单转化为数字形式,实现了对检验单的数字化处理,这种数字化处理可以提高数据的存储、传输和处理效率,方便后续的自动化分析和管理,避免人工输入数据时可能出现的错误和误读问题,提高了数据准确性。通过图像数据的预处理,图像数据可以完整地保留检验单的内容和格式,避免了信息遗漏或变形的情况,生成标准检验单图像数据,这样可以统一不同检验单的格式和布局,使得后续的数据提取和分析更加方便和准确。使用Faster R-CNN目标检测算法自动地对医疗检验单图像数据进行目标数据区域标记,这样可以准确地标记出检验单中的关键信息目标区域,减少了人工标记的工作量和时间消耗,并提高了标记的准确性和一致性,目标数据的提取使得后续的信息分析和处理更加方便和准确。并通过使用历史检验单图像数据进行目标数据区域标记模型的建设,可以利用大量的训练数据来优化模型的性能,模型的优化使得标记结果更加准确,能够适应不同类型的检验单和图像特征,优化后的模型具有更好的泛化能力,应对各种医疗检验单的数据提取需求,提高目标标记和数据提取的准确性和效率。利用支持向量机算法和历史检验单图像数据进行模型建设,得到的图像倾斜智能校正模型,可以对检验单图像进行自动化的倾斜校正处理,倾斜校正可以修复由于扫描或拍摄角度不正导致的图像倾斜问题,使图像变得水平或垂直,校正后的图像更容易阅读和分析,提高了后续处理的准确性和可靠性,避免了图像倾斜导致的信息变形和失真,并且大大减少了人工处理的工作量和时间成本,提高了处理的效率和生产力,校正后的图像数据更准确地反映了检验单的内容,有助于后续的数据提取和分析。通过检验单目标区域标记模型自动地提取校正后检验单图像中的目标区域,目标区域的提取使得后续的信息分析和处理更加精确和高效,目标区域图像数据只包含了检验单中关键的目标区域,相比于原始图像数据,具有更小的数据量,这样可以减少数据存储和传输的开销,提高处理的效率,同时目标区域图像数据也更便于后续的特征提取和分析,排除检验单图像中的非目标区域,减少了干扰信息的影响,有助于提高后续分析的准确性和可靠性,避免对无关信息进行误解或错误的处理。通过卷积循环神经网络对目标区域图像数据进行特征提取,卷积层可以捕捉图像的局部特征,循环层可以建立上下文信息,使得特征提取更加全局和综合,通过特征提取将图像数据转换为具有更高层次抽象的特征表示,有助于后续的数据分析和处理,卷积循环神经网络学习到图像数据中字符的映射关系,通过训练网络将图像中的字符映射为相应的文本信息,这使得校正检验单图像数据的检验信息可以以结构化的文本形式呈现,便于后续的信息分析和应用,有助于理解图像中字符的语义和语境,提高对字符的准确性和语义理解,卷积循环神经网络具有较强的学习能力和表达能力,能够有效地提取图像数据中的关键特征和信息,通过使用该网络对目标区域图像数据进行特征提取及字符映射,提高检验信息提取的准确性,减少错误和误判的可能性。通过医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行校验信息校验预测处理,评估图像数据与实际检验信息之间的匹配程度,判断图像数据中提取的检验信息的准确性和可靠性,根据校验信息校验预测处理的结果,生成检验信息校验数据,反映了图像数据中提取的检验信息的校验程度,用于后续的校验判定和优化处理。利用预设的检验信息校验阈值,对检验信息校验数据进行阈值判定处理,通过设定适当的阈值判断检验信息的合格性或不合格性,有助于对检验结果进行自动化的判定和筛选,反映了检验信息的校验结果,即判定为合格或不合格的信息,校验判定数据可以提供给医务人员或系统进行进一步的处理和决策。针对校验判定数据中不合格的检验信息进行迭代优化处理,通过分析不合格信息的原因,并对相应的图像数据、特征提取、字符映射等进行调整和优化,提高检验信息的准确性和可靠性,最终生成达标的检验信息。通过利用Transformer算法与用户历史检验信息进行模型建设,可以构建个性化的医疗检验信息校正模型,应用校正模型可以根据用户的历史记录和偏好对达标的检验信息进行个性化的校正和调整,包括语法纠正、术语统一、逻辑一致性等方面的优化,提高检验信息的准确性和可理解性,使其更符合用户的特定需求和情境。经过校正模型的医疗信息智能校正处理,生成优化的检验信息,这些信息经过个性化和智能化的校正,更加符合用户的需求和期望,具有更高的可读性和可用性。优化的检验信息可以提供给用户或医务人员作为参考,帮助他们更好地理解和解释检验结果。将优化的检验信息传输至终端进行反馈,通过将优化信息反馈给用户或医务人员,促进对校正效果的评估和反馈,发现可能的改进点和问题,这有助于不断改进和优化医疗检验信息校正模型,提高校正的准确性和适应性。因此,本发明的医疗检验单的数据信息提取分析方法能够准确识别出图像中的文字,识别出的文字不会出现错误、遗漏等问题,并且对于医疗检验单出现可能错误的信息会根据用户历史医疗检验的上的检验信息进行纠正。
优选地,步骤S1包括以下步骤:
步骤S11:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;
步骤S12:利用高斯滤波技术对检验单图像数据进行平滑降噪处理,生成降噪检验单图像数据;
步骤S13:利用锐化滤波对降噪检验单图像数据进行图像对比度增强处理,生成增强检验单图像数据;
步骤S14:利用边缘保留滤波技术对增强检验单图像数据进行图像边缘检测,生成边缘检验单图像数据;
步骤S15:利用自适应阈值化对边缘检验单图像数据进行灰度图像转换处理,生成灰度检验单图像数据;
步骤S16:利用Z-score归一化对灰度检验单图像数据进行图像归一化处理,生成标准检验单图像数据。
本发明通过使用高斯滤波技术进行平滑降噪和锐化滤波进行对比度增强处理,可以减少图像中的噪声和增强图像的清晰度和对比度,提高图像质量,使得后续处理步骤更加准确和可靠。利用边缘保留滤波技术对增强的图像进行边缘检测,准确地捕捉图像中的边缘信息,对于后续的目标区域提取和特征提取非常重要,有助于准确地识别和分析检验单的内容。通过自适应阈值化将边缘检验单图像数据转换为灰度图像,简化图像数据的处理和分析,灰度图像通常更容易进行特征提取和字符映射,有助于提取检验信息。利用Z-score归一化方法对灰度检验单图像数据进行归一化处理,可以使图像数据具有统一的尺度和分布,这有助于消除不同图像之间的差异性,使得后续处理步骤更加稳定和可靠。
优选地,步骤S2包括以下步骤:
步骤S21:获取医疗数据库的历史检验单图像数据;
步骤S22:基于Faster R-CNN目标检测算法建设医疗检验单的目标数据区域的映射关系,生成目标区域标记模型框架;
步骤S23:利用历史检验单图像数据对目标区域标记模型框架进行目标区域标记模型训练,生成目标区域标记模型;
步骤S24:利用目标区域误差函数优化算法对目标区域标记模型进行模型参数优化处理,以生成优化目标区域标记模型。
本发明通过获取医疗数据库的历史检验单图像数据,可以丰富训练数据集,提供更多样化和代表性的图像样本,这有助于提高目标区域标记模型的准确性和泛化能力,使其能够更好地适应各种检验单图像的特征和样式。基于Faster R-CNN目标检测算法建设目标数据区域的映射关系,更精确地标记医疗检验单中感兴趣的目标区域,如各种检验项目、数值和单位等,通过优化目标区域标记模型的框架和参数,提高模型的召回率和准确率,从而更准确地提取目标区域图像数据。利用目标区域误差函数优化算法对目标区域标记模型进行模型参数优化处理,进一步提升模型性能,通过优化模型参数使模型更好地拟合训练数据,并在测试数据上具有更好的泛化能力,提高模型的稳定性和准确性。
优选地,步骤S24的目标区域误差函数优化算法如下所示:
式中,表示为目标区域误差函数优化指数,/>表示为待预测的检验单图像数据系数,/>表示为第/>个检测单图像数据的目标区域检测标签,/>表示为第/>个检测单图像数据的像素点集合,/>表示为目标区域标记模型的检测单图像数据参数集合,/>表示为第/>个检测单图像数据的宽度,/>表示为第/>个检测单图像数据的长度,/>表示为第/>个检测单图像数据的参数集合,/>表示为目标区域误差函数优化指数的异常调整值。
本发明利用目标区域误差函数优化算法,该数学公式充分考虑了待预测的检验单图像数据系数、第/>个检测单图像数据的目标区域检测标签/>、第/>个检测单图像数据的像素点集合/>、目标区域标记模型的检测单图像数据参数集合/>、第/>个检测单图像数据的宽度/>、第/>个检测单图像数据的长度/>、第/>个检测单图像数据的参数集合/>以及函数之间的相互作用关系,以形成函数关系式/>,通过最小化目标区域误差函数E(θ),可以提高目标区域标记模型的精度,第一项是针对目标区域检测标签和像素点集合的交叉熵损失函数,用于度量模型对目标区域的预测准确性,通过最小化该项损失,模型可以更准确地预测目标区域的位置和标签。第二项是对检测单图像数据的参数集合的导数,表示目标区域误差函数对模型参数的敏感程度,通过优化参数检测单图像数据的参数集合调整模型的学习率和权重,进而提高模型的性能,该项的存在可以使模型在训练过程中动态调整参数,从而更好地适应不同的检验单图像数据,使得最小化目标区域误差函数来实现对模型的优化,提高目标区域标记模型的准确性和泛化能。利用目标区域误差函数优化指数的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成目标区域误差函数优化指数/>,提高了对目标区域标记模型进行模型参数优化处理的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的图像数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:基于支持向量机算法建设图像倾斜校正的映射关系,生成图像倾斜校正模型框架;
步骤S32:利用历史检验单图像数据对图像倾斜校正模型框架进行图像倾斜校正图像倾斜校正模型训练,生成图像倾斜校正模型;
步骤S33:将标准检验单图像数据传输至图像倾斜校正模型中进行图像智能倾斜校正处理,生成校正检验单图像数据。
本发明通过使用支持向量机算法对图像倾斜校正模型框架进行建设图像倾斜校正模型框架定义了图像倾斜校正的映射关系,便于后续处理标准检验单图像数据,提高图像倾斜校正的精度使得图像进行校正。利用历史检验单图像数据对图像倾斜校正模型进行训练,可以使模型具备较好的泛化能力,通过使用大量的历史数据,模型可以学习到不同类型的检验单图像的倾斜校正规律和特征,从而适应不同样本的校正需求。将标准检验单图像数据传输至图像倾斜校正模型中进行智能倾斜校正处理,可以生成校正后的检验单图像数据,以有效地校正图像中存在的倾斜问题,提高后续步骤对图像的处理和分析准确性。
优选地,步骤S4包括以下步骤:
步骤S41:将校正检验单图像数据传输至检验单目标区域标记模型中进行检验单目标区域图像标记处理,生成校正检验单图像数据的目标图像区域;
步骤S42:基于目标图像区域将校正检验单图像数据进行图像分割处理,生成初始目标区域图像数据;
步骤S43:利用连通区域分析技术初始目标区域图像数据进行图像区域连接,生成目标区域图像数据。
本发明通过将校正检验单图像数据传输至检验单目标区域标记模型中进行目标区域图像标记处理,可以提高目标区域的标记精准性,目标区域标记模型通过训练学习了不同目标区域的特征和位置信息,能够准确地标记出检验单图像中的目标区域,从而生成准确的目标图像区域。基于目标图像区域对校正检验单图像数据进行图像分割处理,将图像分割为不同的区域,这有助于将图像中的目标与背景分离,并提供更好的目标区域数据用于后续的分析和处理。利用连通区域分析技术对初始目标区域图像数据进行图像区域连接,可以改善图像区域的连续性,这样可以确保目标区域在空间上的连续性,避免将目标分割成不连续的小区域,从而提供更完整和准确的目标区域图像数据。
优选地,步骤S5包括以下步骤:
步骤S51:利用卷积神经网络模型对目标区域图像数据进行特征提取处理,生成目标区域图像特征数据;
步骤S52:利用循环神经网络模型对目标区域图像特征数据进行字符概率统计计算处理,生成特征数据字符概率分布图;
步骤S53:根据语意分析技术与特征数据字符概率分布图进行医疗检验信息提取处理,生成校正检验单图像数据的检验信息。
本发明通过利用卷积神经网络模型对目标区域图像数据进行特征提取处理,可以提取出具有辨识度的特征信息,卷积神经网络能够学习到图像中的局部特征和整体结构,从而有效地捕捉到目标区域的关键特征,提高特征提取的准确性。利用循环神经网络模型对目标区域图像特征数据进行字符概率统计计算处理,可以得到每个字符出现的概率分布图,循环神经网络能够考虑上下文信息对字符序列进行建模,从而更准确地估计字符的概率,这有助于提高字符识别的精度和准确性。通过结合语义分析技术和特征数据字符概率分布图进行医疗检验信息的提取处理,语义分析技术能够理解和解释文本的含义,结合特征数据字符概率分布图,可以更准确地提取出校正检验单图像数据中的检验信息,这有助于提高检验信息提取的效率和准确性,减少人工操作和错误。
优选地,其中校验判定数据包括达标校验数据以及异常校验数据,步骤S6包括以下步骤:
步骤S61:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验计算处理,生成检验信息校验数据;
步骤S62:利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,当检验信息校验数据大于检验信息校验阈值时,生成达标校验数据;当检验信息校验数据不大于检验信息校验阈值时,生成异常校验数据;
步骤S63:将异常校验数据对应的标准检验单图像数据返回步骤S33进行迭代优化;
步骤S64:将达标校验数据对应的检验信息进行数据标记,以生成达标检验信息。
本发明通过利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行校验计算处理,可以评估校正检验单图像数据与检验信息之间的匹配程度,这有助于确保校正后的检验单图像数据与检验信息的一致性和准确性。通过使用预设的检验信息校验阈值对校验数据进行阈值判定处理,根据具体需求设定阈值以灵活地判断校验数据的合格性。当校验信息校验数据超过阈值时,生成达标校验数据,表示该校正检验单图像数据与检验信息匹配良好;当校验信息校验数据不超过阈值时,生成异常校验数据,表示该校正检验单图像数据与检验信息存在差异或错误。对于生成的异常校验数据,可以将其对应的标准检验单图像数据返回到步骤S33进行迭代优化处理,这意味着系统可以识别出校正检验单图像数据中的异常情况,并通过迭代优化的方式进行纠正和改进,以提高校正后的检验单图像数据的质量和准确性。对于达标校验数据将其对应的检验信息进行数据标记,以生成达标检验信息,这有助于标识和提取出校正后的检验单图像数据中符合要求的检验信息,方便后续的分析和使用。
优选地,步骤S61中的医疗检测信息匹配程度计算公式如下所示:
式中,表示为检验信息校验数据,/>表示为第一个控制图像与文字匹配程度计算的权重参数调整值,/>表示为优化检验单图像数据的像素点集合,/>表示为优化检验单图像数据中提取的文字数据,/>表示为检验信息的医疗检测信息预测结果,/>表示为图像提取的特征数据与检测信息预测结果样式匹配程度调整值,/>表示为第二个控制图像与文字匹配程度计算的权重参数调整值,/>表示为检验信息校验数据的异常调整值。
本发明利用医疗检测信息匹配程度计算公式,该数学公式充分考虑了第一个控制图像与文字匹配程度计算的权重参数调整值、优化检验单图像数据的像素点集合/>、优化检验单图像数据中提取的文字数据/>、检验信息的医疗检测信息预测结果/>、图像提取的特征数据与检测信息预测结果样式匹配程度调整值/>、第二个控制图像与文字匹配程度计算的权重参数调整值/>以及函数之间的相互作用关系,以形成函数关系式,通过第一个与第二个控制图像与文字匹配程度计算的权重参数调整值可以根据具体需求进行灵活设置,用于调节图像与文字匹配程度在整个计算公式中的重要性,这允许系统根据不同的情况赋予不同的权重,以便更好地平衡图像与文字匹配程度和特征数据与检测信息样式匹配程度的重要性。并利用校正后的检验单图像数据中的像素点的集合与校正后的检验单图像数据中提取的文字信息,用于与提取的文字数据与图像的像素点进行初次匹配计算,并利用检验信息的医疗检测信息预测结果纳入计算可以考虑到检验信息中的医疗特征和诊断结果,这有助于提高校验数据的医学准确性,并确保校正检验单图像数据与医疗检测信息的一致性,从而对优化检验单图像数据与检验信息之间的匹配程度进行全面评估,从而提高检验信息校验的准确性,再利用图像提取的特征数据与检测信息预测结果样式匹配程度调整值,该参数用于调节特征数据与检测信息样式匹配程度在计算中的重要性,较大的参数值会增加特征数据与样式匹配程度在计算中的权重,强调样式的一致性。利用检验信息校验数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地检验信息校验数据/>,提高了对优化检验单图像数据与检验信息进行检验信息校验计算处理的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的图像数据与文字信息中,提高了算法的灵活性与适用性。
优选地,步骤S7包括以下步骤:
步骤S71:获取医疗数据库的用户历史检验信息;
步骤S72:利用Transformer算法建设个性化医疗检验信息校正的映射关系,生成检验信息校正模型框架;
步骤S73:利用用户历史检验信息对检验信息校正模型框架进行检验信息校正模型训练,生成检验信息校正模型;
步骤S74:将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;
步骤S75:将优化检验信息传输至终端进行反馈。
本发明利用Transformer算法建设个性化医疗检验信息校正的映射关系,生成检验信息校正模型框架,用于修正达标检验信息,使得达标检验信息提供更加准确、符合用户需求的检验信息校正需求。利用从医疗数据库获取的用户历史检验信息对检验信息校正模型框架进行训练,生成检验信息校正模型,这个模型可以通过学习用户的历史数据和校正需求,提供更加准确的校正结果。将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化的检验信息,这样可以提高校正的准确性和匹配用户需求的程度。将优化检验信息传输至终端进行反馈。这个步骤允许用户查看并验证优化的检验信息,提供反馈意见,这样可以建立一个反馈机制,不断优化校正模型,使其逐渐符合用户的偏好和需求。
本申请有益效果在于,本发明通过利用电子拍摄设备和一系列图像处理步骤,包括降噪、对比度增强、边缘检测、灰度转换和归一化处理,检验单图像数据得到了清晰、标准化的处理,从而提高了图像质量、减少了图像噪声和变形,为后续的分析和识别提供了更可靠的基础。通过目标区域标记和图像分割技术,成功定位和提取出检验单中的目标区域,如检验项目、结果和单位等,这种精确定位和提取有助于准确解析检验信息,避免信息混淆和错误解读。利用卷积神经网络和循环神经网络模型,从目标区域图像中提取特征并进行字符概率统计计算,实现了自动化的检验信息提取,通过医疗检测信息匹配程度计算公式,将优化检验单图像数据与检验信息进行校验计算处理,生成检验信息校验数据,这一过程有助于确保提取的检验信息的准确性和完整性。利用医疗数据库的历史检验信息构建个性化医疗检验信息校正模型框架,并利用用户历史检验信息对模型进行训练,生成了检验信息校正模型,通过将达标检验信息传输至校正模型进行医疗信息智能校正处理,生成了优化的检验信息,这种个性化的校正和优化能够针对每个用户的特定需求和历史数据进行精确处理,提高了校正模型的准确性和适应性。流程中将优化检验信息传输至终端进行反馈,这为用户提供了参考和确认的机会,同时也为系统提供了反馈数据用于改进和优化。通过持续的用户反馈和模型更新,可以不断提升整体的准确性、效率和用户体验。
附图说明
图1为本发明一种医疗检验单的数据信息自动提取分析方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S6的详细实施步骤流程示意图;
图5为图1中步骤S7的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
本申请实施例提供一种医疗检验单的数据信息自动提取分析方法,所述历史检验单图像数据包括但不限于:A医院所有患者的医疗检验单图像数据、B医院所有患者的医疗检验单图像数据等至少一种。所述用户历史检验信息为:用户在医疗数据库中对应的历史医疗检验信息。
为实现上述目的,请参阅图1至图5,一种医疗检验单的数据信息自动提取分析方法,包括以下步骤:
步骤S1:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;对检验单图像数据进行图像数据预处理,生成标准检验单图像数据;
步骤S2:获取医疗数据库的历史检验单图像数据;利用Faster R-CNN目标检测算法与历史检验单图像数据进行医疗检验单的目标数据区域标记模型建设,以生成优化目标区域标记模型;
步骤S3:利用支持向量机算法与历史检验单图像数据进行图像倾斜智能校正的模型建设,以生成智能校正模型;将标准检验单图像数据传输至图像倾斜校正模型中进行图像智能倾斜校正处理,生成校正检验单图像数据;
步骤S4:将校正检验单图像数据传输至检验单目标区域标记模型中进行检验单目标区域图像提取处理,生成目标区域图像数据;
步骤S5:利用卷积循环神经网络对目标区域图像数据进行特征提取及字符映射,生成校正检验单图像数据的检验信息;
步骤S6:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验预测处理,生成检验信息校验数据;利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,生成校验判定数据;对校验判定数据对应的检验信息进行迭代优化处理,生成达标检验信息;
步骤S7:获取医疗数据库的用户历史检验信息;利用Transformer算法与用户历史检验信息进行个性化医疗检验信息校正模型建设,以生成检验信息校正模型;将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;将优化检验信息传输至终端进行反馈。
本发明通过使用电子拍摄设备对医疗检验单进行图像数据采集,将传统纸质检验单转化为数字形式,实现了对检验单的数字化处理,这种数字化处理可以提高数据的存储、传输和处理效率,方便后续的自动化分析和管理,避免人工输入数据时可能出现的错误和误读问题,提高了数据准确性。通过图像数据的预处理,图像数据可以完整地保留检验单的内容和格式,避免了信息遗漏或变形的情况,生成标准检验单图像数据,这样可以统一不同检验单的格式和布局,使得后续的数据提取和分析更加方便和准确。使用Faster R-CNN目标检测算法自动地对医疗检验单图像数据进行目标数据区域标记,这样可以准确地标记出检验单中的关键信息目标区域,减少了人工标记的工作量和时间消耗,并提高了标记的准确性和一致性,目标数据的提取使得后续的信息分析和处理更加方便和准确。并通过使用历史检验单图像数据进行目标数据区域标记模型的建设,可以利用大量的训练数据来优化模型的性能,模型的优化使得标记结果更加准确,能够适应不同类型的检验单和图像特征,优化后的模型具有更好的泛化能力,应对各种医疗检验单的数据提取需求,提高目标标记和数据提取的准确性和效率。利用支持向量机算法和历史检验单图像数据进行模型建设,得到的图像倾斜智能校正模型,可以对检验单图像进行自动化的倾斜校正处理,倾斜校正可以修复由于扫描或拍摄角度不正导致的图像倾斜问题,使图像变得水平或垂直,校正后的图像更容易阅读和分析,提高了后续处理的准确性和可靠性,避免了图像倾斜导致的信息变形和失真,并且大大减少了人工处理的工作量和时间成本,提高了处理的效率和生产力,校正后的图像数据更准确地反映了检验单的内容,有助于后续的数据提取和分析。通过检验单目标区域标记模型自动地提取校正后检验单图像中的目标区域,目标区域的提取使得后续的信息分析和处理更加精确和高效,目标区域图像数据只包含了检验单中关键的目标区域,相比于原始图像数据,具有更小的数据量,这样可以减少数据存储和传输的开销,提高处理的效率,同时目标区域图像数据也更便于后续的特征提取和分析,排除检验单图像中的非目标区域,减少了干扰信息的影响,有助于提高后续分析的准确性和可靠性,避免对无关信息进行误解或错误的处理。通过卷积循环神经网络对目标区域图像数据进行特征提取,卷积层可以捕捉图像的局部特征,循环层可以建立上下文信息,使得特征提取更加全局和综合,通过特征提取将图像数据转换为具有更高层次抽象的特征表示,有助于后续的数据分析和处理,卷积循环神经网络学习到图像数据中字符的映射关系,通过训练网络将图像中的字符映射为相应的文本信息,这使得校正检验单图像数据的检验信息可以以结构化的文本形式呈现,便于后续的信息分析和应用,有助于理解图像中字符的语义和语境,提高对字符的准确性和语义理解,卷积循环神经网络具有较强的学习能力和表达能力,能够有效地提取图像数据中的关键特征和信息,通过使用该网络对目标区域图像数据进行特征提取及字符映射,提高检验信息提取的准确性,减少错误和误判的可能性。通过医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行校验信息校验预测处理,评估图像数据与实际检验信息之间的匹配程度,判断图像数据中提取的检验信息的准确性和可靠性,根据校验信息校验预测处理的结果,生成检验信息校验数据,反映了图像数据中提取的检验信息的校验程度,用于后续的校验判定和优化处理。利用预设的检验信息校验阈值,对检验信息校验数据进行阈值判定处理,通过设定适当的阈值判断检验信息的合格性或不合格性,有助于对检验结果进行自动化的判定和筛选,反映了检验信息的校验结果,即判定为合格或不合格的信息,校验判定数据可以提供给医务人员或系统进行进一步的处理和决策。针对校验判定数据中不合格的检验信息进行迭代优化处理,通过分析不合格信息的原因,并对相应的图像数据、特征提取、字符映射等进行调整和优化,提高检验信息的准确性和可靠性,最终生成达标的检验信息。通过利用Transformer算法与用户历史检验信息进行模型建设,可以构建个性化的医疗检验信息校正模型,应用校正模型可以根据用户的历史记录和偏好对达标的检验信息进行个性化的校正和调整,包括语法纠正、术语统一、逻辑一致性等方面的优化,提高检验信息的准确性和可理解性,使其更符合用户的特定需求和情境。经过校正模型的医疗信息智能校正处理,生成优化的检验信息,这些信息经过个性化和智能化的校正,更加符合用户的需求和期望,具有更高的可读性和可用性。优化的检验信息可以提供给用户或医务人员作为参考,帮助他们更好地理解和解释检验结果。将优化的检验信息传输至终端进行反馈,通过将优化信息反馈给用户或医务人员,促进对校正效果的评估和反馈,发现可能的改进点和问题,这有助于不断改进和优化医疗检验信息校正模型,提高校正的准确性和适应性。因此,本发明的医疗检验单的数据信息提取分析方法能够准确识别出图像中的文字,识别出的文字不会出现错误、遗漏等问题,并且对于医疗检验单出现可能错误的信息会根据用户历史医疗检验的上的检验信息进行纠正。
本发明实施例中,参考图1所述,为本发明一种医疗检验单的数据信息自动提取分析方法的步骤流程示意图,在本实例中,所述医疗检验单的数据信息自动提取分析方法包括以下步骤:
步骤S1:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;对检验单图像数据进行图像数据预处理,生成标准检验单图像数据;
本发明实施例中,使用一台高分辨率的数码相机进行图像数据采集,医生将患者的医疗检验单放置在拍摄区域内,确保拍摄到完整的检验单图像,通过按下快门按钮,相机会捕捉到医疗检验单的图像,并将其转换为数字数据。对采集到的检验单图像数据进行数据清洗、噪声去除、边缘保留等技术,使得到的图像高清化,提高图像质量,以获得标准检验单图像数据。
步骤S2:获取医疗数据库的历史检验单图像数据;利用Faster R-CNN目标检测算法与历史检验单图像数据进行医疗检验单的目标数据区域标记模型建设,以生成优化目标区域标记模型;
本发明实施例中,从医疗数据库中获取存储的历史检验单图像数据,这些数据可以是过去进行过的各种医疗检验单的图像记录。例如,从数据库中查询并获取一组包含不同类型检验单的图像数据集。利用这些历史图像数据,采用Faster R-CNN目标检测算法进行训练和建模,该算法能够识别图像中的目标区域,并进行标记,通过与历史检验单图像数据的训练,生成了一个优化的目标区域标记模型,能够准确地标记出检验单中的目标数据区域,如不同测试项目、结果数值等。
步骤S3:利用支持向量机算法与历史检验单图像数据进行图像倾斜智能校正的模型建设,以生成智能校正模型;将标准检验单图像数据传输至图像倾斜校正模型中进行图像智能倾斜校正处理,生成校正检验单图像数据;
本发明实施例中,利用支持向量机算法与历史检验单图像数据进行图像倾斜智能校正模型的建设,通过历史检验单图像数据训练以支持向量机算法为基础建造的智能校正模型,模型能够识别图像中的倾斜角度,并进行智能校正处理,将标准检验单图像数据传输至图像倾斜校正模型中,模型会对图像进行智能倾斜校正处理,使图像恢复水平状态,生成校正后的检验单图像数据。
步骤S4:将校正检验单图像数据传输至检验单目标区域标记模型中进行检验单目标区域图像提取处理,生成目标区域图像数据;
本发明实施例中,将校正后的检验单图像数据传输至之前生成的目标区域标记模型中,该模型能够识别和提取出检验单中的目标区域图像数据,如每个测试项目的区域图像,获得了包含不同测试项目的目标区域图像数据,为后续的特征提取和信息识别提供了基础。
步骤S5:利用卷积循环神经网络对目标区域图像数据进行特征提取及字符映射,生成校正检验单图像数据的检验信息;
本发明实施例中,利用卷积循环神经网络模型对目标区域图像数据进行处理,该模型能够提取图像中的特征信息,并将其映射到字符的概率分布上,对校正后的检验单图像数据进行特征提取,得到了检验单中的具体测试项目和相关信息的字符映射,以此获得校正检验单图像数据的检验信息。
步骤S6:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验预测处理,生成检验信息校验数据;利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,生成校验判定数据;对校验判定数据对应的检验信息进行迭代优化处理,生成达标检验信息;
本发明实施例中,利用医疗检测信息匹配程度计算公式对优化的检验单图像数据与检验信息进行校验预测处理,根据检验单图像中的字符概率分布和检验信息的预期结果,计算它们之间的匹配程度得分,通过比对图像数据和检验信息,生成了检验信息校验数据。设定一个匹配程度的阈值,若校验数据的匹配程度得分高于阈值,则判定为达标,否则判定为异常,以此生成了校验判定数据,用于指示每个检验信息的达标情况。针对那些判定为异常的检验信息进行进一步的分析和处理,可以采取不同的策略,例如重新校正图像数据、重新匹配检验信息、或者结合其他辅助信息进行判定,通过迭代优化处理得到符合标准的、可靠的检验信息。
步骤S7:获取医疗数据库的用户历史检验信息;利用Transformer算法与用户历史检验信息进行个性化医疗检验信息校正模型建设,以生成检验信息校正模型;将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;将优化检验信息传输至终端进行反馈。
本发明实施例中,从医疗数据库中获取用户的历史检验信息,例如根据用户的身份信息和权限,查询数据库中存储的该用户的历史检验记录,获取到的历史检验信息可以包括各种检验项目、结果和时间等相关数据。使用Transformer模型对用户历史检验信息进行训练,以学习用户的个性化偏好和特征,通过将历史检验信息作为输入,模型可以学习到用户的独特的医疗信息校正规律和模式,以此生成检验信息校正模型。将达标的检验信息作为输入,通过模型进行智能校正处理,纠正可能存在的错误、补充缺失的信息或者进行其他的信息修正,生成了经过个性化校正的、更加准确和完整的优化检验信息。将优化的检验信息传送给用户的移动设备或者医疗专业人员的工作站,以供查看、分析和处理,用户或者医疗专业人员可以及时了解到最新的检验结果和相关信息,从而做出相应的医疗决策和处理措施。
优选地,步骤S1包括以下步骤:
步骤S11:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;
步骤S12:利用高斯滤波技术对检验单图像数据进行平滑降噪处理,生成降噪检验单图像数据;
步骤S13:利用锐化滤波对降噪检验单图像数据进行图像对比度增强处理,生成增强检验单图像数据;
步骤S14:利用边缘保留滤波技术对增强检验单图像数据进行图像边缘检测,生成边缘检验单图像数据;
步骤S15:利用自适应阈值化对边缘检验单图像数据进行灰度图像转换处理,生成灰度检验单图像数据;
步骤S16:利用Z-score归一化对灰度检验单图像数据进行图像归一化处理,生成标准检验单图像数据。
本发明通过使用高斯滤波技术进行平滑降噪和锐化滤波进行对比度增强处理,可以减少图像中的噪声和增强图像的清晰度和对比度,提高图像质量,使得后续处理步骤更加准确和可靠。利用边缘保留滤波技术对增强的图像进行边缘检测,准确地捕捉图像中的边缘信息,对于后续的目标区域提取和特征提取非常重要,有助于准确地识别和分析检验单的内容。通过自适应阈值化将边缘检验单图像数据转换为灰度图像,简化图像数据的处理和分析,灰度图像通常更容易进行特征提取和字符映射,有助于提取检验信息。利用Z-score归一化方法对灰度检验单图像数据进行归一化处理,可以使图像数据具有统一的尺度和分布,这有助于消除不同图像之间的差异性,使得后续处理步骤更加稳定和可靠。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;
本发明实施例中,使用一台高分辨率的数码相机进行图像数据采集,医生将患者的医疗检验单放置在拍摄区域内,确保拍摄到完整的检验单图像,通过按下快门按钮,相机会捕捉到医疗检验单的图像,并将其转换为数字数据。
步骤S12:利用高斯滤波技术对检验单图像数据进行平滑降噪处理,生成降噪检验单图像数据;
本发明实施例中,使用高斯滤波器对图像中的噪声进行模糊处理,使图像变得更平滑,减少噪声的影响,从而生成降噪检验单图像数据。
步骤S13:利用锐化滤波对降噪检验单图像数据进行图像对比度增强处理,生成增强检验单图像数据;
本发明实施例中,应用锐化滤波器对图像进行增强处理,突出图像中的边缘和细节,使图像变得更清晰、更具对比度,生成增强检验单图像数据。
步骤S14:利用边缘保留滤波技术对增强检验单图像数据进行图像边缘检测,生成边缘检验单图像数据;
本发明实施例中,使用边缘保留滤波器,如Canny边缘检测算法,对图像进行处理,提取图像中的边缘信息,生成边缘检验单图像数据。
步骤S15:利用自适应阈值化对边缘检验单图像数据进行灰度图像转换处理,生成灰度检验单图像数据;
本发明实施例中,根据图像局部区域的灰度特性,动态地确定每个像素点的阈值,将图像转换为灰度图像,生成灰度检验单图像数据。
步骤S16:利用Z-score归一化对灰度检验单图像数据进行图像归一化处理,生成标准检验单图像数据。
本发明实施例中,根据图像的均值和标准差,利用Z-score归一化对图像进行线性变换,使得图像的像素值满足均值为0,标准差为1的标准正态分布,从而生成标准检验单图像数据。
优选地,步骤S2包括以下步骤:
步骤S21:获取医疗数据库的历史检验单图像数据;
步骤S22:基于Faster R-CNN目标检测算法建设医疗检验单的目标数据区域的映射关系,生成目标区域标记模型框架;
步骤S23:利用历史检验单图像数据对目标区域标记模型框架进行目标区域标记模型训练,生成目标区域标记模型;
步骤S24:利用目标区域误差函数优化算法对目标区域标记模型进行模型参数优化处理,以生成优化目标区域标记模型。
本发明通过获取医疗数据库的历史检验单图像数据,可以丰富训练数据集,提供更多样化和代表性的图像样本,这有助于提高目标区域标记模型的准确性和泛化能力,使其能够更好地适应各种检验单图像的特征和样式。基于Faster R-CNN目标检测算法建设目标数据区域的映射关系,更精确地标记医疗检验单中感兴趣的目标区域,如各种检验项目、数值和单位等,通过优化目标区域标记模型的框架和参数,提高模型的召回率和准确率,从而更准确地提取目标区域图像数据。利用目标区域误差函数优化算法对目标区域标记模型进行模型参数优化处理,进一步提升模型性能,通过优化模型参数使模型更好地拟合训练数据,并在测试数据上具有更好的泛化能力,提高模型的稳定性和准确性。
作为本发明的一个实例,参考图3所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:获取医疗数据库的历史检验单图像数据;
本发明实施例中,从医疗数据库中获取存储的历史检验单图像数据,这些数据可以是过去进行过的各种医疗检验单的图像记录。例如,从数据库中查询并获取一组包含不同类型检验单的图像数据集。
步骤S22:基于Faster R-CNN目标检测算法建设医疗检验单的目标数据区域的映射关系,生成目标区域标记模型框架;
本发明实施例中,利用Faster R-CNN目标检测算法建立用于医疗检验单中目标数据区域的模型,该模型以医疗检验单数据为输入参数,输出为医疗检验单的目标区域图像。
步骤S23:利用历史检验单图像数据对目标区域标记模型框架进行目标区域标记模型训练,生成目标区域标记模型;
本发明实施例中,利用历史检验单图像数据作为训练集和对应的目标标签(例如标记出的目标区域位置)来训练目标区域标记模型,使其能够准确地识别并标记出医疗检验单中的目标区域。
步骤S24:利用目标区域误差函数优化算法对目标区域标记模型进行模型参数优化处理,以生成优化目标区域标记模型。
本发明实施例中,利用目标区域误差函数优化算法对目标区域标记模型的的误差函数进行优化,将模型的误差函数进行参数优化调整,以使得定位到医疗数据单的目标区域更加准确。
优选地,步骤S24的目标区域误差函数优化算法如下所示:
式中,表示为目标区域误差函数优化指数,/>表示为待预测的检验单图像数据系数,/>表示为第/>个检测单图像数据的目标区域检测标签,/>表示为第/>个检测单图像数据的像素点集合,/>表示为目标区域标记模型的检测单图像数据参数集合,/>表示为第/>个检测单图像数据的宽度,/>表示为第/>个检测单图像数据的长度,/>表示为第/>个检测单图像数据的参数集合,/>表示为目标区域误差函数优化指数的异常调整值。
本发明利用目标区域误差函数优化算法,该数学公式充分考虑了待预测的检验单图像数据系数、第/>个检测单图像数据的目标区域检测标签/>、第/>个检测单图像数据的像素点集合/>、目标区域标记模型的检测单图像数据参数集合/>、第/>个检测单图像数据的宽度/>、第/>个检测单图像数据的长度/>、第/>个检测单图像数据的参数集合/>以及函数之间的相互作用关系,以形成函数关系式/>,通过最小化目标区域误差函数E(θ),可以提高目标区域标记模型的精度,第一项是针对目标区域检测标签和像素点集合的交叉熵损失函数,用于度量模型对目标区域的预测准确性,通过最小化该项损失,模型可以更准确地预测目标区域的位置和标签。第二项是对检测单图像数据的参数集合的导数,表示目标区域误差函数对模型参数的敏感程度,通过优化参数检测单图像数据的参数集合调整模型的学习率和权重,进而提高模型的性能,该项的存在可以使模型在训练过程中动态调整参数,从而更好地适应不同的检验单图像数据,使得最小化目标区域误差函数来实现对模型的优化,提高目标区域标记模型的准确性和泛化能。利用目标区域误差函数优化指数的异常调整值/>对函数关系进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成目标区域误差函数优化指数/>,提高了对目标区域标记模型进行模型参数优化处理的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的图像数据中,提高了算法的灵活性与适用性。
优选地,步骤S3包括以下步骤:
步骤S31:基于支持向量机算法建设图像倾斜校正的映射关系,生成图像倾斜校正模型框架;
步骤S32:利用历史检验单图像数据对图像倾斜校正模型框架进行图像倾斜校正图像倾斜校正模型训练,生成图像倾斜校正模型;
步骤S33:将标准检验单图像数据传输至图像倾斜校正模型中进行图像智能倾斜校正处理,生成校正检验单图像数据。
本发明通过使用支持向量机算法对图像倾斜校正模型框架进行建设图像倾斜校正模型框架定义了图像倾斜校正的映射关系,便于后续处理标准检验单图像数据,提高图像倾斜校正的精度使得图像进行校正。利用历史检验单图像数据对图像倾斜校正模型进行训练,可以使模型具备较好的泛化能力,通过使用大量的历史数据,模型可以学习到不同类型的检验单图像的倾斜校正规律和特征,从而适应不同样本的校正需求。将标准检验单图像数据传输至图像倾斜校正模型中进行智能倾斜校正处理,可以生成校正后的检验单图像数据,以有效地校正图像中存在的倾斜问题,提高后续步骤对图像的处理和分析准确性。
本发明实施例中,利用支持向量机算法建立用于医疗检验单中目标数据区域的模型,该模型以医疗检验单数据为输入参数,输出为对医疗检验单进行校正后的图像。利用历史检验单图像数据进行图像倾斜校正模型训练,使用包含有不同倾斜程度的图像数据集,以及对应的倾斜角度作为标签,训练图像倾斜校正模型来准确地预测图像的倾斜角度,通过图像倾斜校正模型,该模型可以学习到图像倾斜角度与校正参数之间的关系。将标准检验单图像数据输入图像倾斜校正模型中,进行智能的倾斜校正处理,模型会根据学习到的映射关系,自动检测图像的倾斜角度,并将图像进行相应的校正,生成校正后的检验单图像数据。
优选地,步骤S4包括以下步骤:
步骤S41:将校正检验单图像数据传输至检验单目标区域标记模型中进行检验单目标区域图像标记处理,生成校正检验单图像数据的目标图像区域;
步骤S42:基于目标图像区域将校正检验单图像数据进行图像分割处理,生成初始目标区域图像数据;
步骤S43:利用连通区域分析技术初始目标区域图像数据进行图像区域连接,生成目标区域图像数据。
本发明通过将校正检验单图像数据传输至检验单目标区域标记模型中进行目标区域图像标记处理,可以提高目标区域的标记精准性,目标区域标记模型通过训练学习了不同目标区域的特征和位置信息,能够准确地标记出检验单图像中的目标区域,从而生成准确的目标图像区域。基于目标图像区域对校正检验单图像数据进行图像分割处理,将图像分割为不同的区域,这有助于将图像中的目标与背景分离,并提供更好的目标区域数据用于后续的分析和处理。利用连通区域分析技术对初始目标区域图像数据进行图像区域连接,可以改善图像区域的连续性,这样可以确保目标区域在空间上的连续性,避免将目标分割成不连续的小区域,从而提供更完整和准确的目标区域图像数据。
本发明实施例中,将校正后的检验单图像数据输入到目标区域标记模型中,利用该模型中Faster R-CNN的特性对图像中的检验单目标区域进行标记,并生成包含目标区域标记的图像。根据目标图像区域的标记结果,对校正后的检验单图像数据进行图像分割处理,例如利用标记的目标区域信息,对图像进行像素级的分割,将图像中的目标区域与背景进行分离,生成初始的目标区域图像数据。使用连通区域分析技术对初始目标区域图像数据进行处理,将相邻的像素区域连接起来,生成连续的目标区域图像数据,例如通过计算像素之间的连接性,将属于同一目标的像素区域合并,形成完整的目标区域。
优选地,步骤S5包括以下步骤:
步骤S51:利用卷积神经网络模型对目标区域图像数据进行特征提取处理,生成目标区域图像特征数据;
步骤S52:利用循环神经网络模型对目标区域图像特征数据进行字符概率统计计算处理,生成特征数据字符概率分布图;
步骤S53:根据语意分析技术与特征数据字符概率分布图进行医疗检验信息提取处理,生成校正检验单图像数据的检验信息。
本发明通过利用卷积神经网络模型对目标区域图像数据进行特征提取处理,可以提取出具有辨识度的特征信息,卷积神经网络能够学习到图像中的局部特征和整体结构,从而有效地捕捉到目标区域的关键特征,提高特征提取的准确性。利用循环神经网络模型对目标区域图像特征数据进行字符概率统计计算处理,可以得到每个字符出现的概率分布图,循环神经网络能够考虑上下文信息对字符序列进行建模,从而更准确地估计字符的概率,这有助于提高字符识别的精度和准确性。通过结合语义分析技术和特征数据字符概率分布图进行医疗检验信息的提取处理,语义分析技术能够理解和解释文本的含义,结合特征数据字符概率分布图,可以更准确地提取出校正检验单图像数据中的检验信息,这有助于提高检验信息提取的效率和准确性,减少人工操作和错误。
本发明实施例中,使用预训练的卷积神经网络模型,如VGGNet或ResNet,将目标区域图像数据输入网络中,并提取图像的特征表示,通过卷积和池化等操作,网络可以学习到图像中的重要特征,例如边缘、纹理和形状等,将目标区域图像数据转化为具有语义信息的特征数据。基于目标区域图像的特征数据,使用循环神经网络模型,如长短期记忆网络(LSTM),对特征数据进行处理,循环神经网络可以捕捉到数据的时序关系,并输出字符的概率分布。通过训练模型,网络可以学习到特征数据与字符之间的映射关系,从而预测出每个位置上字符的概率分布。结合语义分析技术,将特征数据字符概率分布图与预定义的字符集进行匹配和解析,提取医疗检验信息,通过分析字符概率分布图中每个位置上字符的概率值和相对位置关系,可以确定最可能的字符序列,进而提取出医疗检验信息,如项目名称、结果值和单位等。
优选地,其中校验判定数据包括达标校验数据以及异常校验数据,步骤S6包括以下步骤:
步骤S61:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验计算处理,生成检验信息校验数据;
步骤S62:利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,当检验信息校验数据大于检验信息校验阈值时,生成达标校验数据;当检验信息校验数据不大于检验信息校验阈值时,生成异常校验数据;
步骤S63:将异常校验数据对应的标准检验单图像数据返回步骤S33进行迭代优化;
步骤S64:将达标校验数据对应的检验信息进行数据标记,以生成达标检验信息。
本发明通过利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行校验计算处理,可以评估校正检验单图像数据与检验信息之间的匹配程度,这有助于确保校正后的检验单图像数据与检验信息的一致性和准确性。通过使用预设的检验信息校验阈值对校验数据进行阈值判定处理,根据具体需求设定阈值以灵活地判断校验数据的合格性。当校验信息校验数据超过阈值时,生成达标校验数据,表示该校正检验单图像数据与检验信息匹配良好;当校验信息校验数据不超过阈值时,生成异常校验数据,表示该校正检验单图像数据与检验信息存在差异或错误。对于生成的异常校验数据,可以将其对应的标准检验单图像数据返回到步骤S33进行迭代优化处理,这意味着系统可以识别出校正检验单图像数据中的异常情况,并通过迭代优化的方式进行纠正和改进,以提高校正后的检验单图像数据的质量和准确性。对于达标校验数据将其对应的检验信息进行数据标记,以生成达标检验信息,这有助于标识和提取出校正后的检验单图像数据中符合要求的检验信息,方便后续的分析和使用。
作为本发明的一个实例,参考图4所示,为图1中步骤S6的详细实施步骤流程示意图,在本实例中所述步骤S6包括:
步骤S61:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验计算处理,生成检验信息校验数据;
本发明实施例中,根据医疗检测信息匹配程度计算公式,计算优化检验单图像数据与检验信息之间的匹配程度,这个公式可以基于特征匹配、相似度计算或其他相关的算法来衡量图像数据与检验信息的一致性,通过计算可以得到检验信息校验数据,用于判定图像数据与检验信息的匹配程度。
步骤S62:利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,当检验信息校验数据大于检验信息校验阈值时,生成达标校验数据;当检验信息校验数据不大于检验信息校验阈值时,生成异常校验数据;
本发明实施例中,根据预设的检验信息校验阈值,对检验信息校验数据进行阈值判定。如果检验信息校验数据大于检验信息校验阈值,即达到预设的匹配程度要求,生成达标校验数据。如果检验信息校验数据不大于检验信息校验阈值,即未达到预设的匹配程度要求,生成异常校验数据。
步骤S63:将异常校验数据对应的标准检验单图像数据返回步骤S33进行迭代优化;
本发明实施例中,对于异常校验数据,需要将其对应的标准检验单图像数据返回到步骤S33进行迭代优化处理。这意味着根据异常校验数据,重新进行图像倾斜校正、目标区域标记、图像分割等处理,以优化图像数据的质量和准确性。
步骤S64:将达标校验数据对应的检验信息进行数据标记,以生成达标检验信息。
本发明实施例中,对于达标校验数据,将其对应的检验信息进行数据标记。这可以包括将符合要求的检验信息进行标注、加上特殊标记或其他方式,以标识这些检验信息已通过校验,是达到预设标准的有效数据。这样生成的达标检验信息可以进一步用于后续的医疗处理、报告生成等任务。
优选地,步骤S61中的医疗检测信息匹配程度计算公式如下所示:
式中,表示为检验信息校验数据,/>表示为第一个控制图像与文字匹配程度计算的权重参数调整值,/>表示为优化检验单图像数据的像素点集合,/>表示为优化检验单图像数据中提取的文字数据,/>表示为检验信息的医疗检测信息预测结果,/>表示为图像提取的特征数据与检测信息预测结果样式匹配程度调整值,/>表示为第二个控制图像与文字匹配程度计算的权重参数调整值,/>表示为检验信息校验数据的异常调整值。
本发明利用医疗检测信息匹配程度计算公式,该数学公式充分考虑了第一个控制图像与文字匹配程度计算的权重参数调整值、优化检验单图像数据的像素点集合/>、优化检验单图像数据中提取的文字数据/>、检验信息的医疗检测信息预测结果/>、图像提取的特征数据与检测信息预测结果样式匹配程度调整值/>、第二个控制图像与文字匹配程度计算的权重参数调整值/>以及函数之间的相互作用关系,以形成函数关系式,通过第一个与第二个控制图像与文字匹配程度计算的权重参数调整值可以根据具体需求进行灵活设置,用于调节图像与文字匹配程度在整个计算公式中的重要性,这允许系统根据不同的情况赋予不同的权重,以便更好地平衡图像与文字匹配程度和特征数据与检测信息样式匹配程度的重要性。并利用校正后的检验单图像数据中的像素点的集合与校正后的检验单图像数据中提取的文字信息,用于与提取的文字数据与图像的像素点进行初次匹配计算,并利用检验信息的医疗检测信息预测结果纳入计算可以考虑到检验信息中的医疗特征和诊断结果,这有助于提高校验数据的医学准确性,并确保校正检验单图像数据与医疗检测信息的一致性,从而对优化检验单图像数据与检验信息之间的匹配程度进行全面评估,从而提高检验信息校验的准确性,再利用图像提取的特征数据与检测信息预测结果样式匹配程度调整值,该参数用于调节特征数据与检测信息样式匹配程度在计算中的重要性,较大的参数值会增加特征数据与样式匹配程度在计算中的权重,强调样式的一致性。利用检验信息校验数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地检验信息校验数据/>,提高了对优化检验单图像数据与检验信息进行检验信息校验计算处理的准确性和可靠性。同时该公式中的调整值可以根据实际情况进行调整,应用于不同的图像数据与文字信息中,提高了算法的灵活性与适用性。
优选地,步骤S7包括以下步骤:
步骤S71:获取医疗数据库的用户历史检验信息;
步骤S72:利用Transformer算法建设个性化医疗检验信息校正的映射关系,生成检验信息校正模型框架;
步骤S73:利用用户历史检验信息对检验信息校正模型框架进行检验信息校正模型训练,生成检验信息校正模型;
步骤S74:将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;
步骤S75:将优化检验信息传输至终端进行反馈。
本发明利用Transformer算法建设个性化医疗检验信息校正的映射关系,生成检验信息校正模型框架,用于修正达标检验信息,使得达标检验信息提供更加准确、符合用户需求的检验信息校正需求。利用从医疗数据库获取的用户历史检验信息对检验信息校正模型框架进行训练,生成检验信息校正模型,这个模型可以通过学习用户的历史数据和校正需求,提供更加准确的校正结果。将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化的检验信息,这样可以提高校正的准确性和匹配用户需求的程度。将优化检验信息传输至终端进行反馈。这个步骤允许用户查看并验证优化的检验信息,提供反馈意见,这样可以建立一个反馈机制,不断优化校正模型,使其逐渐符合用户的偏好和需求。
作为本发明的一个实例,参考图5所示,为图1中步骤S7的详细实施步骤流程示意图,在本实例中所述步骤S7包括:
步骤S71:获取医疗数据库的用户历史检验信息;
本发明实施例中,从医疗数据库中获取用户的历史检验信息,例如根据用户的身份信息和权限,查询数据库中存储的该用户的历史检验记录,获取到的历史检验信息可以包括各种检验项目、结果和时间等相关数据。
步骤S72:利用Transformer算法建设个性化医疗检验信息校正的映射关系,生成检验信息校正模型框架;
本发明实施例中,基于Transformer算法,建立个性化医疗检验信息校正的映射关系模型框架,Transformer是一种强大的神经网络模型,可以捕捉输入序列之间的长程依赖关系,适用于自然语言处理等任务,利用Transformer算法构建检验信息校正模型框架,以便对检验信息可能因为人为填写错误进行校正。
步骤S73:利用用户历史检验信息对检验信息校正模型框架进行检验信息校正模型训练,生成检验信息校正模型;
本发明实施例中,使用用户历史检验信息作为训练数据,对检验信息校正模型框架进行训练,通过将历史检验信息输入到模型中,模型可以学习到根据用户的历史检验信息生成的检验信息之间的关联性和校正规律,训练完成后生成检验信息校正模型,用于对新的检验信息进行校正。
步骤S74:将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;
本发明实施例中,将达标的检验信息传输至检验信息校正模型中,通过模型的智能校正处理,对达标检验信息进行优化,修正可能存在的错误、缺失或不一致之处,如用户填写医疗检验单造成的错误等信息,这样生成的优化检验信息具有更高的准确性和一致性。
步骤S75:将优化检验信息传输至终端进行反馈。
本发明实施例中,将优化的检验信息传输至终端设备,如医生的电脑、移动设备等,以便医生或其他医疗专业人员进行查看和分析。通过将优化的检验信息反馈给医疗人员,可以帮助他们更准确地理解患者的检验结果,做出正确的诊断和治疗决策。
本申请有益效果在于,本发明通过利用电子拍摄设备和一系列图像处理步骤,包括降噪、对比度增强、边缘检测、灰度转换和归一化处理,检验单图像数据得到了清晰、标准化的处理,从而提高了图像质量、减少了图像噪声和变形,为后续的分析和识别提供了更可靠的基础。通过目标区域标记和图像分割技术,成功定位和提取出检验单中的目标区域,如检验项目、结果和单位等,这种精确定位和提取有助于准确解析检验信息,避免信息混淆和错误解读。利用卷积神经网络和循环神经网络模型,从目标区域图像中提取特征并进行字符概率统计计算,实现了自动化的检验信息提取,通过医疗检测信息匹配程度计算公式,将优化检验单图像数据与检验信息进行校验计算处理,生成检验信息校验数据,这一过程有助于确保提取的检验信息的准确性和完整性。利用医疗数据库的历史检验信息构建个性化医疗检验信息校正模型框架,并利用用户历史检验信息对模型进行训练,生成了检验信息校正模型,通过将达标检验信息传输至校正模型进行医疗信息智能校正处理,生成了优化的检验信息,这种个性化的校正和优化能够针对每个用户的特定需求和历史数据进行精确处理,提高了校正模型的准确性和适应性。流程中将优化检验信息传输至终端进行反馈,这为用户提供了参考和确认的机会,同时也为系统提供了反馈数据用于改进和优化。通过持续的用户反馈和模型更新,可以不断提升整体的准确性、效率和用户体验。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种医疗检验单的数据信息自动提取分析方法,其特征在于,包括以下步骤:
步骤S1:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;对检验单图像数据进行图像数据预处理,生成标准检验单图像数据;
步骤S2:获取医疗数据库的历史检验单图像数据;利用Faster R-CNN目标检测算法与历史检验单图像数据进行医疗检验单的目标数据区域标记模型建设,以生成优化目标区域标记模型;
步骤S3:利用支持向量机算法与历史检验单图像数据进行图像倾斜智能校正的模型建设,以生成智能校正模型;将标准检验单图像数据传输至图像倾斜校正模型中进行图像智能倾斜校正处理,生成校正检验单图像数据;
步骤S4:将校正检验单图像数据传输至检验单目标区域标记模型中进行检验单目标区域图像提取处理,生成目标区域图像数据;
步骤S5:利用卷积循环神经网络对目标区域图像数据进行特征提取及字符映射,生成校正检验单图像数据的检验信息;
步骤S6:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验预测处理,生成检验信息校验数据;利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,生成校验判定数据;对校验判定数据对应的检验信息进行迭代优化处理,生成达标检验信息;
步骤S7:获取医疗数据库的用户历史检验信息;利用Transformer算法与用户历史检验信息进行个性化医疗检验信息校正模型建设,以生成检验信息校正模型;将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;将优化检验信息传输至终端进行反馈。
2.根据权利要求1所述的医疗检验单的数据信息自动提取分析方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用电子拍摄设备对用户的医疗检验单进行图像数据采集,生成检验单图像数据;
步骤S12:利用高斯滤波技术对检验单图像数据进行平滑降噪处理,生成降噪检验单图像数据;
步骤S13:利用锐化滤波对降噪检验单图像数据进行图像对比度增强处理,生成增强检验单图像数据;
步骤S14:利用边缘保留滤波技术对增强检验单图像数据进行图像边缘检测,生成边缘检验单图像数据;
步骤S15:利用自适应阈值化对边缘检验单图像数据进行灰度图像转换处理,生成灰度检验单图像数据;
步骤S16:利用Z-score归一化对灰度检验单图像数据进行图像归一化处理,生成标准检验单图像数据。
3.根据权利要求2所述的医疗检验单的数据信息自动提取分析方法,其特征在于,步骤S2包括以下步骤:
步骤S21:获取医疗数据库的历史检验单图像数据;
步骤S22:基于Faster R-CNN目标检测算法建设医疗检验单的目标数据区域的映射关系,生成目标区域标记模型框架;
步骤S23:利用历史检验单图像数据对目标区域标记模型框架进行目标区域标记模型训练,生成目标区域标记模型;
步骤S24:利用目标区域误差函数优化算法对目标区域标记模型进行模型参数优化处理,以生成优化目标区域标记模型。
5.根据权利要求3所述的医疗检验单的数据信息自动提取分析方法,其特征在于,步骤S3包括以下步骤:
步骤S31:基于支持向量机算法建设图像倾斜校正的映射关系,生成图像倾斜校正模型框架;
步骤S32:利用历史检验单图像数据对图像倾斜校正模型框架进行图像倾斜校正图像倾斜校正模型训练,生成图像倾斜校正模型;
步骤S33:将标准检验单图像数据传输至图像倾斜校正模型中进行图像智能倾斜校正处理,生成校正检验单图像数据。
6.根据权利要求5所述的医疗检验单的数据信息自动提取分析方法,其特征在于,步骤S4包括以下步骤:
步骤S41:将校正检验单图像数据传输至检验单目标区域标记模型中进行检验单目标区域图像标记处理,生成校正检验单图像数据的目标图像区域;
步骤S42:基于目标图像区域将校正检验单图像数据进行图像分割处理,生成初始目标区域图像数据;
步骤S43:利用连通区域分析技术初始目标区域图像数据进行图像区域连接,生成目标区域图像数据。
7.根据权利要求6所述的医疗检验单的数据信息自动提取分析方法,其特征在于,步骤S5包括以下步骤:
步骤S51:利用卷积神经网络模型对目标区域图像数据进行特征提取处理,生成目标区域图像特征数据;
步骤S52:利用循环神经网络模型对目标区域图像特征数据进行字符概率统计计算处理,生成特征数据字符概率分布图;
步骤S53:根据语意分析技术与特征数据字符概率分布图进行医疗检验信息提取处理,生成校正检验单图像数据的检验信息。
8.根据权利要求7所述的医疗检验单的数据信息自动提取分析方法,其特征在于,其中校验判定数据包括达标校验数据以及异常校验数据,步骤S6包括以下步骤:
步骤S61:利用医疗检测信息匹配程度计算公式对优化检验单图像数据与检验信息进行检验信息校验计算处理,生成检验信息校验数据;
步骤S62:利用预设的检验信息校验阈值对检验信息校验数据进行校验数据阈值判定处理,当检验信息校验数据大于检验信息校验阈值时,生成达标校验数据;当检验信息校验数据不大于检验信息校验阈值时,生成异常校验数据;
步骤S63:将异常校验数据对应的标准检验单图像数据返回步骤S33进行迭代优化;
步骤S64:将达标校验数据对应的检验信息进行数据标记,以生成达标检验信息。
10.根据权利要求8所述的医疗检验单的数据信息自动提取分析方法,其特征在于,步骤S7包括以下步骤:
步骤S71:获取医疗数据库的用户历史检验信息;
步骤S72:利用Transformer算法建设个性化医疗检验信息校正的映射关系,生成检验信息校正模型框架;
步骤S73:利用用户历史检验信息对检验信息校正模型框架进行检验信息校正模型训练,生成检验信息校正模型;
步骤S74:将达标检验信息传输至检验信息校正模型中进行医疗信息智能校正处理,生成优化检验信息;
步骤S75:将优化检验信息传输至终端进行反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699076.7A CN116434266B (zh) | 2023-06-14 | 2023-06-14 | 一种医疗检验单的数据信息自动提取分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699076.7A CN116434266B (zh) | 2023-06-14 | 2023-06-14 | 一种医疗检验单的数据信息自动提取分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116434266A true CN116434266A (zh) | 2023-07-14 |
CN116434266B CN116434266B (zh) | 2023-08-18 |
Family
ID=87084083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310699076.7A Active CN116434266B (zh) | 2023-06-14 | 2023-06-14 | 一种医疗检验单的数据信息自动提取分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434266B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662375A (zh) * | 2023-08-02 | 2023-08-29 | 湖南远跃科技发展有限公司 | 一种基于his的处方数据校验方法及系统 |
CN117197739A (zh) * | 2023-09-08 | 2023-12-08 | 江苏平熙智能电子科技有限公司 | 一种智慧楼宇的监控数据处理方法及系统 |
CN117275654A (zh) * | 2023-11-02 | 2023-12-22 | 中世康恺科技有限公司 | 一种检查检验互认数据采集方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060007204A (ko) * | 2004-07-19 | 2006-01-24 | 한국과학기술원 | 방대한 데이터의 디지털화를 위한 문서영상처리 및검증시스템 및 그 방법 |
CN101625760A (zh) * | 2009-07-28 | 2010-01-13 | 谭洪舟 | 一种证件图像倾斜校正的办法 |
CN106355177A (zh) * | 2016-08-17 | 2017-01-25 | 天津德闻数据科技有限公司 | 一种医疗检验单的检验项信息自动提取方法 |
CN107886047A (zh) * | 2017-10-13 | 2018-04-06 | 上海眼控科技股份有限公司 | 一种车辆年检检验报告的检测系统及方法 |
CN108241862A (zh) * | 2018-01-10 | 2018-07-03 | 王荆正 | 一种医疗检验单的检验项信息自动提取方法 |
CN111652162A (zh) * | 2020-06-08 | 2020-09-11 | 成都知识视觉科技有限公司 | 一种医疗单证结构化知识提取的文本检测与识别方法 |
US20210124919A1 (en) * | 2019-10-29 | 2021-04-29 | Woolly Labs, Inc., DBA Vouched | System and Methods for Authentication of Documents |
KR20210065228A (ko) * | 2019-11-26 | 2021-06-04 | 주식회사 소노엠 | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 |
CN113257409A (zh) * | 2021-06-04 | 2021-08-13 | 杭州云呼医疗科技有限公司 | 一种基于患者病症症状与医学检验报告的临床决策支持系统 |
CN115546801A (zh) * | 2022-06-24 | 2022-12-30 | 中国人民解放军国防科技大学 | 一种试验文书纸质图像数据特征提取方法 |
-
2023
- 2023-06-14 CN CN202310699076.7A patent/CN116434266B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060007204A (ko) * | 2004-07-19 | 2006-01-24 | 한국과학기술원 | 방대한 데이터의 디지털화를 위한 문서영상처리 및검증시스템 및 그 방법 |
CN101625760A (zh) * | 2009-07-28 | 2010-01-13 | 谭洪舟 | 一种证件图像倾斜校正的办法 |
CN106355177A (zh) * | 2016-08-17 | 2017-01-25 | 天津德闻数据科技有限公司 | 一种医疗检验单的检验项信息自动提取方法 |
CN107886047A (zh) * | 2017-10-13 | 2018-04-06 | 上海眼控科技股份有限公司 | 一种车辆年检检验报告的检测系统及方法 |
CN108241862A (zh) * | 2018-01-10 | 2018-07-03 | 王荆正 | 一种医疗检验单的检验项信息自动提取方法 |
US20210124919A1 (en) * | 2019-10-29 | 2021-04-29 | Woolly Labs, Inc., DBA Vouched | System and Methods for Authentication of Documents |
KR20210065228A (ko) * | 2019-11-26 | 2021-06-04 | 주식회사 소노엠 | 의료 영상 빅데이터를 이용한 초음파 병변 추출 방법 |
CN111652162A (zh) * | 2020-06-08 | 2020-09-11 | 成都知识视觉科技有限公司 | 一种医疗单证结构化知识提取的文本检测与识别方法 |
CN113257409A (zh) * | 2021-06-04 | 2021-08-13 | 杭州云呼医疗科技有限公司 | 一种基于患者病症症状与医学检验报告的临床决策支持系统 |
CN115546801A (zh) * | 2022-06-24 | 2022-12-30 | 中国人民解放军国防科技大学 | 一种试验文书纸质图像数据特征提取方法 |
Non-Patent Citations (4)
Title |
---|
SHUN OGIUE等: "Method of Correction of Rotated Images Using Deep Learning Networks", 2018 7TH INTERNATIONAL CONGRESS ON ADVANCED APPLIED INFORMATICS * |
张振宇;姜贺云;樊明宇;: "一种面向银行票据文字自动化识别的高效人工智能方法", 温州大学学报(自然科学版), no. 03 * |
梁国贤;陈广华;梁国胜;: "基于Tesseract中文全血化验单信息提取研究", 电脑编程技巧与维护, no. 04 * |
贾童瑶,等: "基于深度学习的单幅图像去雾研究进展", 电子学报 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662375A (zh) * | 2023-08-02 | 2023-08-29 | 湖南远跃科技发展有限公司 | 一种基于his的处方数据校验方法及系统 |
CN116662375B (zh) * | 2023-08-02 | 2023-10-10 | 湖南远跃科技发展有限公司 | 一种基于his的处方数据校验方法及系统 |
CN117197739A (zh) * | 2023-09-08 | 2023-12-08 | 江苏平熙智能电子科技有限公司 | 一种智慧楼宇的监控数据处理方法及系统 |
CN117275654A (zh) * | 2023-11-02 | 2023-12-22 | 中世康恺科技有限公司 | 一种检查检验互认数据采集方法及装置 |
CN117275654B (zh) * | 2023-11-02 | 2024-05-03 | 中世康恺科技有限公司 | 一种检查检验互认数据采集方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116434266B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116434266B (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
CN110472524B (zh) | 基于深度学习的发票信息管理方法、系统和可读介质 | |
CN109685765B (zh) | 一种基于卷积神经网络的x光片肺炎结果预测装置 | |
CN112819093A (zh) | 基于小数据集与卷积神经网络的人机不同步识别方法 | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估系统及实现方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN111652117B (zh) | 一种对多文档图像分割的方法及介质 | |
CN114049325A (zh) | 轻量化人脸口罩佩戴检测模型的构建方法及应用 | |
CN113240699B (zh) | 图像处理方法及装置,模型的训练方法及装置,电子设备 | |
CN112445849B (zh) | 一种报表分析方法及装置 | |
CN116912783B (zh) | 核酸检测平台的状态监控方法及系统 | |
CN111667457B (zh) | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 | |
CN109886320B (zh) | 一种人体股骨x光片智能识读方法及系统 | |
CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
CN114240928B (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN111914706B (zh) | 一种文字检测输出结果质量检测和控制的方法与装置 | |
CN114743048A (zh) | 检测异常秸秆图片的方法和检测装置 | |
CN116109543A (zh) | 一种数据快速识别读取方法及装置、计算机可读存储介质 | |
CN112991266A (zh) | 用于小样本医疗影像的语义分割方法及系统 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
CN115019136B (zh) | 抗边界点漂移的目标关键点检测模型训练方法及检测方法 | |
CN115439686B (zh) | 一种基于扫描影像的关注对象检测方法及系统 | |
CN117798654B (zh) | 汽轮机轴系中心智能调整系统 | |
CN117475436A (zh) | 一种基于深度学习算法的数显仪表数字识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |