近些年來,隨著社會進(jìn)步和發(fā)展,醫(yī)療領(lǐng)域的改革和發(fā)展已經(jīng)成為社會熱點(diǎn)。其中關(guān)于分級診療的遠(yuǎn)程醫(yī)療服務(wù)作為國家建設(shè)“健康中國”戰(zhàn)略的一部分正在逐步推進(jìn),利用人工智能技術(shù)推動醫(yī)療領(lǐng)域改革和發(fā)展也逐漸引起關(guān)注。在分級診療方案里,建立起就醫(yī)患者在多級醫(yī)院的病歷檔案是基礎(chǔ)工作,一般來說,患者的病歷檔案主要包括:化驗(yàn)單、病歷、化驗(yàn)影像圖等,然而當(dāng)前大多數(shù)基層醫(yī)院并沒有建立完備的電子病歷數(shù)據(jù)庫。在遠(yuǎn)程診療的場景里,患者大多是將打印出來的化驗(yàn)單拍攝成照片以圖片的形式發(fā)送給遠(yuǎn)程醫(yī)生。這樣的化驗(yàn)單圖片數(shù)據(jù)是非結(jié)構(gòu)化數(shù)據(jù),從建立患者病歷檔案的角度來看,如何將化驗(yàn)單圖片里的信息提取并結(jié)構(gòu)化是一個迫切的需求。本研究課題將利用目前迅速發(fā)展的深度學(xué)習(xí)技術(shù),建立一個完備的化驗(yàn)單圖片信息識別提取的系統(tǒng),實(shí)現(xiàn)端到端的從圖片輸入到結(jié)構(gòu)化數(shù)據(jù)輸出的功能。算法上,本文設(shè)計(jì)完成了文本區(qū)域檢測模型和字符串識別模型,并主要針對字符串識別模型進(jìn)行了研究和改進(jìn),提出了分別適用于不同類型數(shù)據(jù)的基于卷積神經(jīng)網(wǎng)絡(luò)的中文字符串識別模型和基于序列模型的非中文字符串識別模型,同時,創(chuàng)新性地引入了在人臉識別領(lǐng)域中的類中心損失和目標(biāo)檢測領(lǐng)域的權(quán)重?fù)p失,構(gòu)... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及內(nèi)容
    1.2 研究現(xiàn)狀概述
    1.3 研究成果與意義
    1.4 論文組織結(jié)構(gòu)
第二章 模型研究背景與相關(guān)技術(shù)
    2.1 深度學(xué)習(xí)基礎(chǔ)簡介
        2.1.1 基礎(chǔ)結(jié)構(gòu)
        2.1.2 正則化
        2.1.3 數(shù)據(jù)增強(qiáng)
    2.2 特征提取模型
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 長短時記憶網(wǎng)絡(luò)
    2.3 圖像處理相關(guān)算法
        2.3.1 Canny邊緣檢測
        2.3.2 Hough變換直線檢測
        2.3.3 圖像投影算法
    2.4 文字識別
        2.4.1 圖像分類模型
        2.4.2 文字識別模型
    2.5 Tensorflow簡介
第三章 化驗(yàn)單識別模型
    3.1 數(shù)據(jù)集說明
    3.2 文本區(qū)域檢測
        3.2.1 化驗(yàn)單識別區(qū)域檢測
        3.2.2 化驗(yàn)單文字區(qū)域檢測
        3.2.3 字符圖片分類
    3.3 中文字符串識別模型
        3.3.1 圖像特征提取網(wǎng)絡(luò)
        3.3.2 加權(quán)中心損失函數(shù)
        3.3.3 樣本均衡損失函數(shù)
    3.4 非中文字符串識別模型
        3.4.1 特征提取網(wǎng)絡(luò)
        3.4.2 CTC損失函數(shù)
    3.5 模型輕量化
        3.5.1 卷積模型
        3.5.2 局部卷積模型
    3.6 實(shí)驗(yàn)及效果分析
        3.6.1 文本區(qū)域檢測
        3.6.2 中文字符串識別
        3.6.3 非中文字符串識別
        3.6.4 模型輕量化
    3.7 本章小結(jié)
第四章 不確定性度量模型
    4.1 深度學(xué)習(xí)中的不確定性
    4.2 度量學(xué)習(xí)技術(shù)
    4.3 不確定性度量
    4.4 模型算法設(shè)計(jì)
        4.4.1 度量損失
        4.4.2 不確定性度量定義
        4.4.3 不確定性度量模型
    4.5 模型實(shí)現(xiàn)與效果分析
        4.5.1 模型實(shí)驗(yàn)設(shè)計(jì)
        4.5.2 模型效果分析
        4.5.3 不確定性度量效果分析
    4.6 本章小結(jié)
第五章 在線化驗(yàn)單識別系統(tǒng)
    5.1 Django Web框架
    5.2 在線化驗(yàn)單識別系統(tǒng)
        5.2.1 離線模型訓(xùn)練模塊
        5.2.2 在線系統(tǒng)模塊
    5.3 系統(tǒng)效果分析
        5.3.1 識別系統(tǒng)效果分析
        5.3.2 不確定性度量效果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄



本文編號：3188653