[發明專利]醫療圖像的識別方法、裝置、設備及存儲介質

在審

• 申請號: 202010895415.5
• 申請日: 2020-08-31
• 公開（公告）號: CN111985574A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 張俊杰
• 申請（專利權）人: 平安醫療健康管理股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/32;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 姚維

1.一種醫療圖像的識別方法，其特征在于，包括：

接收用戶終端發送的初始圖像，所述初始圖像包括不同類型的報告單圖像，其中，不同類型的報告單的圖像規格不同；

通過預置的細粒度分類模型對所述初始圖像進行分類，確定所述初始圖像的圖像類型，所述圖像類型包括醫療特征圖像和非醫療特征圖像；

當所述初始圖像為醫療特征圖像時，通過預置的雙注意力網絡模型對所述醫療特征圖像進行圖像分割，得到醫療前景圖像；

采用透視變換對所述醫療前景圖像進行校正，得到校正的醫療前景圖像；

調用預置的差分二值化網絡模型對所述校正的醫療前景圖像進行文本檢測，得到目標文本；

調用預置的識別模型對所述目標文本進行文字識別，得到已識別字段；

根據預置字典集對所述已識別字段中的指標字段進行校正檢查，得到校正字段；

采用預置的TextCNN模型對所述校正字段進行分類，得到分類結果，并將所述分類結果發送至目標終端，所述分類結果用于指示指標字段存在的風險。

2.根據權利要求1所述的醫療圖像的識別方法，其特征在于，所述通過預置的細粒度分類模型對所述初始圖像進行分類，確定所述初始圖像的圖像類型，所述圖像類型包括醫療特征圖像和非醫療特征圖像，包括：

調用預置的判別濾波學習網絡模型對所述初始圖像進行識別，得到識別結果，所述識別結果為歷史醫學影像診斷報告單、醫學檢驗報告單、藥品包裝或其他；

根據所述識別結果確定所述初始圖像的圖像類型，所述圖像類型包括醫療特征圖像和非醫療特征圖像。

3.根據權利要求2所述的醫療圖像的識別方法，其特征在于，所述調用預置的判別濾波學習網絡模型對所述初始圖像進行識別，得到識別結果，所述識別結果為歷史醫學影像診斷報告單、醫學檢驗報告單、藥品包裝或其他，包括：

將所述初始圖像輸入預置的判別濾波學習網絡DFL-CNN模型；

通過所述DFL-CNN模型中密集卷積網絡DenseNet的卷積池化層進行卷積和池化操作，得到初始特征圖；

將所述初始特征圖輸入DenseNet的第一密集塊進行密集連接運算，得到第一中間特征圖；

將所述第一中間特征圖輸入到DenseNet的第一過渡層進行卷積池化操作，得到第一池化特征圖；

將所述第一池化特征圖輸入DenseNet的第二密集塊行密集連接運算，得到第二中間特征圖；

將所述第二中間特征圖輸入到DenseNet的第二過渡層進行卷積池化操作，生成第二池化特征圖，繼續對所述第二池化特征圖進行密集連接運算和卷積池化操作，直至得到的最后特征圖輸入全連接層和判別濾波學習DFL網絡，生成目標特征圖；

根據所述目標特征圖生成所述初始圖像的識別結果，所述識別結果為歷史醫學影像診斷報告單、醫學檢驗報告單、藥品包裝或其他。

4.根據權利要求1所述的醫療圖像的識別方法，其特征在于，所述當所述初始圖像為醫療特征圖像時，通過預置的雙注意力網絡模型對所述醫療特征圖像進行圖像分割，得到醫療前景圖像，包括：

當所述初始圖像為醫療特征圖像時，通過預置的殘差網絡對所述醫療特征圖像進行識別，生成原始特征矩陣；

將所述原始特征矩陣輸入預置的雙注意力網絡模型中的位置注意力模型，生成空間特征矩陣；

將所述原始特征矩陣輸入預置的雙注意力網絡模型中的通道注意力模型，生成通道特征矩陣；

將所述空間特征矩陣和所述通道特征矩陣進行融合，得到融合特征矩陣；

根據所述融合特征矩陣生成醫療前景圖像。

5.根據權利要求4所述的醫療圖像的識別方法，其特征在于，所述將所述原始特征矩陣輸入預置的雙注意力網絡模型中的位置注意力模型，生成空間特征矩陣，包括：

調用預置的雙注意力模型中的位置注意力模型對所述原始特征矩陣進行識別，得到空間注意力矩陣，所述空間注意力矩陣用于指示所述醫療特征圖像中任意兩個像素之間的空間依賴關系；

將所述空間注意力矩陣與所述原始特征矩陣相乘，生成空間乘積矩陣；

將所述空間乘積矩陣和所述原始特征矩陣進行加權求和，生成空間特征矩陣，所述空間特征矩陣用于指示長程上下文信息。