[发明专利]基于深度学习的基因检测报告信息识别方法、系统及设备

权利要求书

1.一种基于深度学习的基因检测报告信息识别方法，其特征在于，所述方法包括：

获取基因检测报告并处理为目标图片格式文件；

通过OCR文字识别技术提取所述目标图片格式文件中每个页面的文本信息数据；

对所述文本信息数据进行基因测序信息识别以得到包含基因测序信息的基因测序信息页；

对所述基因测序信息页进行表格提取，并对提取到的所有表格进行分类识别以得到包含基因测序信息的基因测序信息表格；

对所述基因测序信息表格进行表头识别，根据预设标准表头信息在所述基因测序信息表格中提取相关基因测序信息并进行结构化处理，以得到基因测序信息的结构化内容。

2.根据权利要求1所述的基于深度学习的基因检测报告信息识别方法，其特征在于，所述基因检测报告的文件格式包括：PDF格式或原始图片格式；

所述获取基因检测报告并处理为目标图片格式，具体包括：

当基因检测报告为PDF格式文件，则将其通过格式转换为目标图片格式文件，以将PDF格式文件逐页输出为页面图片集合；其中，所述将PDF格式文件逐页输出为页面图片集合具体为：通过java语言编程中的ApachePDFBox开源工具或通过python语言编程中的PyMuPDF库实现；

当基因检测报告为原始图片格式文件，则将其通过预处理为目标图片格式文件；其中，所述预处理包括旋转校正、弯曲校正；将原始图片格式文件通过预处理转换为目标图片格式文件具体为：通过文档校正算法DocTR实现。

3.根据权利要求1所述的基于深度学习的基因检测报告信息识别方法，其特征在于，所述通过OCR文字识别技术提取所述目标图片格式文件中每个页面的文本信息数据，包括：

利用文本检测模型识别所述目标图片格式文件中每个页面的文本行区域以得到文本行图像；

利用文字识别模型对所述文本行图像进行识别以得到对应的文本信息数据。

4.根据权利要求3所述的基于深度学习的基因检测报告信息识别方法，其特征在于，对所述文本信息数据进行基因测序信息识别以得到包含基因测序信息的基因测序信息页，包括：

对提取到的历史页面中的文本信息数据进行基因测序信息有无的标签标注以得到标注页面，并将其输入至第一二分类模型进行训练，以供识别待判断页面是否为包含基因测序信息的基因测序信息页。

5.根据权利要求4所述的基于深度学习的基因检测报告信息识别方法，其特征在于，所述对所述基因测序信息页进行表格提取，并对提取到的所有表格进行分类识别以得到包含基因测序信息的基因测序信息表格，包括：

利用深度学习图像分割模型，通过像素分类提取出历史基因测序信息页中的表格区域，以得到所有的原始表格图像；

对提取到的所有的原始表格图像中的文本信息数据进行基因测序信息有无的标签标注，以得到第一标注表格图像，并将其输入至第二二分类模型进行训练，以供识别待判断表格图像是否为包含基因测序信息的基因测序信息表格图像。

6.根据权利要求5所述的基于深度学习的基因检测报告信息识别方法，其特征在于，所述对所述基因测序信息表格进行表头识别，根据预设标准表头信息在所述基因测序信息表格中提取相关基因测序信息并进行结构化处理，以得到基因测序信息的结构化内容，包括：

对提取到的历史基因测序信息表格图像中每一行对应的文本信息数据进行是否为基因测序信息的表头信息的标签标注，以得到第二标注表格图像，并将其输入至第三二分类模型进行训练，以供识别待判断基因测序信息表格的每一行是否为表头信息；

根据预设标准表头信息，使用语义匹配模型在待判断基因测序信息表格图像中提取相关目标基因测序信息；

结合对应所述目标基因测序信息的文本信息数据对所述待判断基因测序信息表格图像进行信息结构化识别，以得到基因测序信息的结构化内容。