一种基于深度神经网络的医疗图像信息识别方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的医疗图像信息识别方法及系统，其中，所述方法包括：对获取到的待识别医疗图像信息进行图像预处理；采用训练好的深度神经网络模型对预处理后的待识别医疗图像信息进行深层次特征提取；采用待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配，获取至少一个以上的相似医疗图像信息；获取至少一个以上的相似医疗图像信息对应的文本信息；对文本信息进行关键字提取处理；根据关键字向用户反馈与所述待识别医疗图像信息相匹配的医疗服务信息。在本发明专利技术实施例中，解决了现有的医疗图像匹配慢和不准确的问题。 1

Medical image information recognition method and system based on deep neural network

The invention discloses a medical image information recognition method and system based on a deep neural network, in which the method includes: preprocessing the acquired medical image information and using a trained deep neural network model to carry out the deep characteristics of the pre processed medical image information. With the recognition of the deep characteristics of the medical image information and the medical image features in the medical image feature library, at least one more similar medical image information is obtained, and the text information corresponding to at least one similar medical image information is obtained, and the text information is extracted by keyword. According to the keyword, the user answers the medical service information matching with the medical image information to be identified. In the embodiment of the invention, the problem of slow and inaccurate matching of existing medical images is solved. One

【技术实现步骤摘要】
一种基于深度神经网络的医疗图像信息识别方法及系统
本专利技术涉及数字医疗
，尤其涉及一种基于深度神经网络的医疗图像信息识别方法及系统。
技术介绍
目前我国心脑血病和慢性病患者众多，全国有心血管病患者约3亿，至少有5.8亿人具有至少一种或以上的与慢病有关的危险因素，到2030年，中国的慢病负担将增长50％。2016年，国务院七部委联合发布《关于印发推进家庭医生签约服务指导意见的通知》(国医改办发〔2016〕1号)，要求到2017年，家庭医生签约服务覆盖率达到30％以上，重点人群签约服务覆盖率达到60％以上，重点人群主要包括高血压、糖尿病、结核病等慢性疾病患者。到2020年，力争将签约服务扩大到全人群，形成长期稳定的契约服务关系，基本实现家庭医生签约服务制度的全覆盖。权威调查数据显示，在大医院看病的人群中有70％的患者并不需要现场治疗，只需要在线或者移动端进行问诊服务即可，可以大大解决这部分人群的需求，减轻医生的工作负担，提高医疗服务水平和效率。然而，在在线问诊时，对于一些检查的图片可以直接上传进行处理，直接给出诊断意见或情况说明，但是由于在在线问诊对图像处理的准确度和速度上存在很大的缺陷，特别是关系到病人的病情情况，容不得半点的耽误，因此需要更加精确的图像处理技术进行支持。
技术实现思路
本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于深度神经网络的医疗图像信息识别方法及系统解决了现有的医疗图像匹配慢和不准确的问题。为了解决上述技术问题，本专利技术实施例提供了一种基于深度神经网络的医疗图像信息识别方法，所述医疗图像信息识别方法，包括：对获取到的待识别医疗图像信息进行图像预处理，获取预处理后的待识别医疗图像信息；采用训练好的深度神经网络模型对所述预处理后的待识别医疗图像信息进行深层次特征提取处理，获取所述待识别医疗图像信息的深层次特征；采用所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，取至少一个以上的相似医疗图像信息；获取至少一个以上的相似医疗图像信息对应的文本信息；对所述至少一个以上的相似医疗图像信息对应的文本信息进行关键字提取处理，获取文本信息的关键字；根据所述关键字向用户反馈与所述待识别医疗图像信息相匹配的医疗服务信息。优选地，所述对获取到的待识别医疗图像信息进行图像预处理，包括：对所述待识别医疗图像信息进行灰度化处理，获取灰度化处理后的待识别医疗图像信息；对所述度化处理后的待识别医疗图像信息进行图像区域提取处理，获取图像区域提取处理后的待识别医疗图像信息；对所述图像区域提取处理后的待识别医疗图像信息进行图像增强处理，获取预处理后的待识别医疗图像信息。优选地，所述深度神经网络模型的训练过程，包括：构建初始神经网络训练模型，所述初始神经网络模型包括输入层、第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和输出层；对用于训练的待训练图像信息依次进行灰度化、图像区域提取和图像增强预处理，获取预处理后的待训练图像信息；将所述预处理后的待训练图像信息输入所述初始神经网络训练模型进行模型训练，通过所述模型训练调整所述初始神经网络训练模型中第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层的参数设置；判断所述初始神经网络训练模型中第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层的参数设置是否区域稳定，若是，则完成训练，获取训练好的深度神经网络模型；若否，则返回上一步继续进行训练。优选地，所述采用所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，包括：采用Softmax分类器对所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，获取至少一个以上与所述待识别医疗图像信息的深层次特征相似的医疗图像特征。优选地，所述对所述至少一个以上的相似医疗图像信息对应的文本信息进行关键字提取处理中的关键字提取方法包括：TF-IDF关键字提取算法、基于语义的统计语言模型、TF-IWF文档关键字自动提取算法、基于分离模型的文中关键字提取算法、基于语义的中文文本关键字提取(SKE)算法、基于朴素贝叶斯模型的中文关键字提取算法。另外，本专利技术另一实施例提供了一种基于深度神经网络的医疗图像信息识别系统，所述医疗图像信息识别系统，包括：预处理模块：用于对获取到的待识别医疗图像信息进行图像预处理，获取预处理后的待识别医疗图像信息；特征提取模块：用于采用训练好的深度神经网络模型对所述预处理后的待识别医疗图像信息进行深层次特征提取处理，获取所述待识别医疗图像信息的深层次特征；特征匹配模块：用于采用所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，取至少一个以上的相似医疗图像信息；文本信息获取模块：用于获取至少一个以上的相似医疗图像信息对应的文本信息；关键字提取模块：用于对所述至少一个以上的相似医疗图像信息对应的文本信息进行关键字提取处理，获取文本信息的关键字；服务反馈模块：用于根据所述关键字向用户反馈与所述待识别医疗图像信息相匹配的医疗服务信息。优选地，所述预处理模块包括：灰度化单元：用于对所述待识别医疗图像信息进行灰度化处理，获取灰度化处理后的待识别医疗图像信息；图像区域提取单元：用于对所述度化处理后的待识别医疗图像信息进行图像区域提取处理，获取图像区域提取处理后的待识别医疗图像信息；图像增强单元：用于对所述图像区域提取处理后的待识别医疗图像信息进行图像增强处理，获取预处理后的待识别医疗图像信息。优选地，所述深度神经网络模型的训练过程，包括：构建初始神经网络训练模型，所述初始神经网络模型包括输入层、第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和输出层；对用于训练的待训练图像信息依次进行灰度化、图像区域提取和图像增强预处理，获取预处理后的待训练图像信息；将所述预处理后的待训练图像信息输入所述初始神经网络训练模型进行模型训练，通过所述模型训练调整所述初始神经网络训练模型中第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层的参数设置；判断所述初始神经网络训练模型中第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层的参数设置是否区域稳定，若是，则完成训练，获取训练好的深度神经网络模型；若否，则返回上一步继续进行训练。优选地，所述特征匹配模块包括：Softmax分类单元：用于采用Softmax分类器对所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，获取至少一个以上与所述待识别医疗图像信息的深层次特征相似的医疗图像特征。优选地，所述关键字提取模块中的关键字提取方法包括：TF-IDF关键字提取算法、基于语义的统计语言模型、TF-IWF文档关键字自动提取算法、基于分离模型的文中关键字提取算法、基于语义的中文文本关键字提取(SKE)算法、基于朴素贝叶斯模型的中文关键字提取算法。采用本专利技术实施例，解决了用户在获取医疗图像信息后，采用训练好的神经网络模型进行图像特征提取，能在保证提取速度不变的情况下，特征提取质量提高，保证后续的识别正确率，增加用户的体验度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的医疗图像信息识别方法，其特征在于，所述医疗图像信息

【技术特征摘要】
1.一种基于深度神经网络的医疗图像信息识别方法，其特征在于，所述医疗图像信息识别方法，包括：对获取到的待识别医疗图像信息进行图像预处理，获取预处理后的待识别医疗图像信息；采用训练好的深度神经网络模型对所述预处理后的待识别医疗图像信息进行深层次特征提取处理，获取所述待识别医疗图像信息的深层次特征；采用所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，获取至少一个以上的相似医疗图像信息；获取至少一个以上的相似医疗图像信息对应的文本信息；对所述至少一个以上的相似医疗图像信息对应的文本信息进行关键字提取处理，获取文本信息的关键字；根据所述关键字向用户反馈与所述待识别医疗图像信息相匹配的医疗服务信息。2.根据权利要求1所述的基于深度神经网络的医疗图像信息识别方法，其特征在于，所述对获取到的待识别医疗图像信息进行图像预处理，包括：对所述待识别医疗图像信息进行灰度化处理，获取灰度化处理后的待识别医疗图像信息；对所述度化处理后的待识别医疗图像信息进行图像区域提取处理，获取图像区域提取处理后的待识别医疗图像信息；对所述图像区域提取处理后的待识别医疗图像信息进行图像增强处理，获取预处理后的待识别医疗图像信息。3.根据权利要求1所述的基于深度神经网络的医疗图像信息识别方法，其特征在于，所述深度神经网络模型的训练过程，包括：构建初始神经网络训练模型，所述初始神经网络模型包括输入层、第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层和输出层；对用于训练的待训练图像信息依次进行灰度化、图像区域提取和图像增强预处理，获取预处理后的待训练图像信息；将所述预处理后的待训练图像信息输入所述初始神经网络训练模型进行模型训练，通过所述模型训练调整所述初始神经网络训练模型中第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层的参数设置；判断所述初始神经网络训练模型中第一卷积池化层、第二卷积池化层、第三卷积池化层、全连接层的参数设置是否区域稳定，若是，则完成训练，获取训练好的深度神经网络模型；若否，则返回上一步继续进行训练。4.根据权利要求1所述的基于深度神经网络的医疗图像信息识别方法，其特征在于，所述采用所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，包括：采用Softmax分类器对所述待识别医疗图像信息的深层次特征与医疗图像特征库中的医疗图像特征一一进行识别匹配处理，获取至少一个以上与所述待识别医疗图像信息的深层次特征相似的医疗图像特征。5.根据权利要求1所述的基于深度神经网络的医疗图像信息识别方法，其特征在于，所述对所述至少一个以上的相似医疗图像信息对应的文本信息进行关键字提取处理中的关键字提取方法包括：TF-IDF关键字提取算法、基于语义的统计语言模型、TF-IWF文档关键字自动提取算法、基于分离模型的文中关键字提取算法、基于语义的中文文本关键字提取SKE算法、基于朴素贝叶斯模型的中文关键字提取算法。6.一种基于深度...

【专利技术属性】
技术研发人员：林瞰，
申请(专利权)人：广州七乐康药业连锁有限公司，
类型：发明
国别省市：广东,44