[发明专利]医疗图像的识别方法、装置、设备及存储介质

权利要求书

1.一种医疗图像的识别方法，其特征在于，包括：

接收用户终端发送的初始图像，所述初始图像包括不同类型的报告单图像，其中，不同类型的报告单的图像规格不同；

通过预置的细粒度分类模型对所述初始图像进行分类，确定所述初始图像的图像类型，所述图像类型包括医疗特征图像和非医疗特征图像；

当所述初始图像为医疗特征图像时，通过预置的双注意力网络模型对所述医疗特征图像进行图像分割，得到医疗前景图像；

采用透视变换对所述医疗前景图像进行校正，得到校正的医疗前景图像；

调用预置的差分二值化网络模型对所述校正的医疗前景图像进行文本检测，得到目标文本；

调用预置的识别模型对所述目标文本进行文字识别，得到已识别字段；

根据预置字典集对所述已识别字段中的指标字段进行校正检查，得到校正字段；

采用预置的TextCNN模型对所述校正字段进行分类，得到分类结果，并将所述分类结果发送至目标终端，所述分类结果用于指示指标字段存在的风险。

2.根据权利要求1所述的医疗图像的识别方法，其特征在于，所述通过预置的细粒度分类模型对所述初始图像进行分类，确定所述初始图像的图像类型，所述图像类型包括医疗特征图像和非医疗特征图像，包括：

调用预置的判别滤波学习网络模型对所述初始图像进行识别，得到识别结果，所述识别结果为历史医学影像诊断报告单、医学检验报告单、药品包装或其他；

根据所述识别结果确定所述初始图像的图像类型，所述图像类型包括医疗特征图像和非医疗特征图像。

3.根据权利要求2所述的医疗图像的识别方法，其特征在于，所述调用预置的判别滤波学习网络模型对所述初始图像进行识别，得到识别结果，所述识别结果为历史医学影像诊断报告单、医学检验报告单、药品包装或其他，包括：

将所述初始图像输入预置的判别滤波学习网络DFL-CNN模型；

通过所述DFL-CNN模型中密集卷积网络DenseNet的卷积池化层进行卷积和池化操作，得到初始特征图；

将所述初始特征图输入DenseNet的第一密集块进行密集连接运算，得到第一中间特征图；

将所述第一中间特征图输入到DenseNet的第一过渡层进行卷积池化操作，得到第一池化特征图；

将所述第一池化特征图输入DenseNet的第二密集块行密集连接运算，得到第二中间特征图；

将所述第二中间特征图输入到DenseNet的第二过渡层进行卷积池化操作，生成第二池化特征图，继续对所述第二池化特征图进行密集连接运算和卷积池化操作，直至得到的最后特征图输入全连接层和判别滤波学习DFL网络，生成目标特征图；

根据所述目标特征图生成所述初始图像的识别结果，所述识别结果为历史医学影像诊断报告单、医学检验报告单、药品包装或其他。

4.根据权利要求1所述的医疗图像的识别方法，其特征在于，所述当所述初始图像为医疗特征图像时，通过预置的双注意力网络模型对所述医疗特征图像进行图像分割，得到医疗前景图像，包括：

当所述初始图像为医疗特征图像时，通过预置的残差网络对所述医疗特征图像进行识别，生成原始特征矩阵；

将所述原始特征矩阵输入预置的双注意力网络模型中的位置注意力模型，生成空间特征矩阵；

将所述原始特征矩阵输入预置的双注意力网络模型中的通道注意力模型，生成通道特征矩阵；

将所述空间特征矩阵和所述通道特征矩阵进行融合，得到融合特征矩阵；

根据所述融合特征矩阵生成医疗前景图像。

5.根据权利要求4所述的医疗图像的识别方法，其特征在于，所述将所述原始特征矩阵输入预置的双注意力网络模型中的位置注意力模型，生成空间特征矩阵，包括：

调用预置的双注意力模型中的位置注意力模型对所述原始特征矩阵进行识别，得到空间注意力矩阵，所述空间注意力矩阵用于指示所述医疗特征图像中任意两个像素之间的空间依赖关系；

将所述空间注意力矩阵与所述原始特征矩阵相乘，生成空间乘积矩阵；

将所述空间乘积矩阵和所述原始特征矩阵进行加权求和，生成空间特征矩阵，所述空间特征矩阵用于指示长程上下文信息。