[发明专利]一种医学OCR识别纠错方法

说明书

本发明提供的一种医学OCR识别纠错方法，根据医疗场景，利用医学生僻字合成的数据集结合现有通用语料微调现有OCR模型，使得OCR识别算法更适用于医学文本的识别；通过OCR识别文本图像的PDF版本，根据识别结果与真实文本做对比，构建出用于纠错的替换字符集，共包含混淆字典和形似字典两部分；通过中文分词技术，对未出现在现有词频表中的词语判断为疑似错词，若混淆字典中存在疑似错词将直接完成错词替换，若混淆字典中不存在疑似错词，便经过形似字典，给出疑似错词的候选纠错项作为后续语言模型的输入，让模型做出符合语义逻辑的判断。本发明中的方法可以与OCR识别相融合，将OCR识别结果中不符合语义的错误，进行纠正，最终给出正确的输出，大大提高了OCR识别的准确率。

技术领域

本发明涉及医疗信息技术领域，具体涉及一种医学OCR识别纠错系统和方法。

背景技术

在医疗场景中，面对纸质、扫描版的医学病历和检验报告，如何能够轻松高效地将这些内容电子化存储是困扰临床医生的难题。随着人工智能技术在医疗行业的应用，OCR识别技术广泛应用在临床医疗领域。该技术通过拍照、扫描等方式获取纸质文档内容，再利用OCR识别算法得到计算机可存储的电子化数据，用于医院信息化建设和临床科学研究。

文本纠错是指对文本中出现的错字、错词进行纠正的过程，可作为后处理模块与文本识别完美衔接。通过文本纠错算法自动地将OCR识别结果中疑似错词修正为符合逻辑的内容，以减轻纸质文档电子化过程中人工参与的工作量，对自然语言理解有着重要意义。

OCR识别技术在医疗场景的应用，为纸质医学文档的电子化提供了新的解决方案。但是，OCR系统的运行效果严重依赖于识别图像的质量，一旦图像出现光照不均、模糊等情况，OCR识别效果将大打折扣；此外，临床数据中存在的极少见的医学生僻字也会对OCR识别带来干扰。为应对OCR识别出错的问题以及保证医疗领域本身的专业、严谨性，文本纠错技术应运而生。

国外相关研究已经将文本纠错应用在OCR识别中，并已经研发出基于BERT模型的文本纠错算法[Thi Tuyet Hai Nguyen etal.Neural Machine Translation with BERTfor Post-OCR Error Detection and Correction，JCDL 2020]。

国内在文本纠错方面也已有研究，证明了该技术方法对自然语言处理的重要意义，极大了减轻了人工校对的工作量。如基于语言模型文本纠错方法[陈乐清.基于语言模型的文本纠错方法、装置、终端设备及介质：中国平安人寿保险股份有限公司，CN113268977A，2021.08.17]，使用专有名词库生成候选名词再进行文本比对的算法[张寅.一种基于中文字符级特征和语言模型的OCR纠错方法：浙江大学，CN113408535A，2021.09.17]，通过中文字符本身的字形特征、读音特征的纠错算法[张睿卿.文本纠错的方法、装置及电子设备:北京百度网讯科技有限公司，CN113553833A，2021.10.26],[郑颖.一种基于校验规则的OCR识别结果纠错方法、设备：福州符号信息科技有限公司，CN113128504A，2021.07.16]，结合语言模型和中文字符级特征的纠错方法[6]，均可作为OCR后处理纠错模块服务于自然语言处理任务。

综上可知，国外现有的文本纠错方法，仅适用于英文为主体的文本，并不适应于中文语言场景。国内现有的方法通常关注的是通用自然文本的纠错，对医学等专业领域的支持较差，且在纠错时未充分结合混淆字典、易错字形似字典、语言模型三者的优势。

发明内容

为了应对图像质量和医学生僻字可能导致OCR识别出错的问题，本发明提出一种OCR识别纠错方法。通过中文分词技术判断出疑似识别错误的词语，通过构建大量医学易错生僻字混淆词典、形似字词典，对疑似错词生成纠正词候选项，后使用语言模型判断出候选项中的最佳值，完成文本纠错。由于医疗领域本身的专业性以及严谨性，医学OCR纠错方法是文本识别在医学领域的能否高效应用的重要保障，消除了费时费力的人工矫正成本。