基于CE-CNN-Adam的病案图像自动分类方法技术

本发明专利技术的实施例提供了基于CE‑CNN‑Adam的病案图像自动分类方法。所述方法包括获取病案图像数据集，对所述病案图像数据集进行图像预处理，得到训练集；构建CNN模型，基于训练集对CNN模型进行训练，得到训练完成的CNN模型；通过将验证集输入训练完成的CNN模型进行前向传播，得到输出向量；计算每个输出向量的最大值的索引作为预测类别，计算类别预测正确的准确率，当准确率大于当前最高准确率时，保存当前的CNN模型作为分类模型；利用所述分类模型对病案图像进行分类。以此方式，可以提高对病案图像的分类准确性，并提升病案分类效率。

【技术实现步骤摘要】

本专利技术一般涉及图像处理，并且更具体地，涉及基于ce-cnn-adam的病案图像自动分类方法、装置、设备和存储介质。

技术介绍

1、目前，现有病案自动分类以ocr文字识别加关键字匹配为主；虽可以实现图像的自动分类，但是前期需要维护大量的关键字信息以提升自动分类的准确率，分类关键字差异较小时，容易造成机器分类错误，且由于各个医院病案分类与文书内容并无统一的规范，分类关键字内容无法固定，导致分类效率低。

技术实现思路

1、根据本专利技术的实施例，提供了一种基于ce-cnn-adam的病案图像自动分类方案。本方案病案图像采集完成后，基于训练的模型可根据图像内容自动完成图像分类，提升病案分类效率。

2、在本专利技术的第一方面，提供了一种基于ce-cnn-adam的病案图像自动分类方法。该方法包括：

3、获取病案图像原始数据集，对所述病案图像原始数据集进行图像预处理，得到训练集和验证集；

4、构建cnn模型，基于训练集对cnn模型进行训练，得到训练完成的cnn模型；

5本文档来自技高网...

【技术保护点】

1.一种基于CE-CNN-Adam的病案图像自动分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于预处理后的病案图像数据集对CNN模型进行训练，得到训练完成的CNN模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用交叉熵损失函数计算损失值，包括：

4.根据权利要求2所述的方法，其特征在于，所述通过反向传播算法，根据损失值计算输出层和隐藏层的误差梯度，包括：

5.根据权利要求3或4所述的方法，其特征在于，还包括：对损失函数加入正则化项，包括：

6.根据权利要求2所述的方法，其特征在于，所...

【技术特征摘要】

1.一种基于ce-cnn-adam的病案图像自动分类方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于预处理后的病案图像数据集对cnn模型进行训练，得到训练完成的cnn模型，包括：

3.根据权利要求2所述的方法，其特征在于，所述利用交叉熵损失函数计算损失值，包括：

4.根据权利要求2所述的方法，其特征在于，所述通过反向传播算法，根据损失值计算输出层和隐藏层的误差梯度，包括：

5.根据权利要求3或4所述的方法，其特征在于，...

【专利技术属性】
技术研发人员：石超，朱守用，宋健，杨宏东，马兆梅，张奔，孙卓凯，常可，黄扣，
申请(专利权)人：上海今创信息技术有限公司，
类型：发明
国别省市：