[发明专利]数据抽取方法、系统、终端及介质

权利要求书

1.一种数据抽取方法，其特征在于，所述方法包括：

对目标病历图像进行文字识别，得到文字识别结果，所述文字识别结果包括图像文字和各图像文字对应的位置信息、文书类别；

根据所述文书类别和所述位置信息对所述图像文字进行字段抽取，得到抽取字段，并对所述抽取字段的位置信息进行行划分；

若所述抽取字段是表格字段，则对所述抽取字段进行表头匹配，并根据表头匹配结果确定排表数量；

根据所述排表数量对所述抽取字段进行分割，并根据分割后的所述抽取字段中各表头进行字段值抽取，得到抽取数据。

2.如权利要求1所述的数据抽取方法，其特征在于，所述根据表头匹配结果确定排表数量，包括：

若所述表头匹配结果为匹配成功，则获取匹配成功次数，并将所述匹配成功次数确定为所述排表数量；

若所述表头匹配结果为匹配失败，则对所述抽取字段进行表头字段匹配，得到表头字段，并对所述表头字段的列进行标记；

对所述抽取字段中未标记的字段列进行列识别，并根据所述列识别结果和被标记列个数确定所述排表数量。

3.如权利要求2所述的数据抽取方法，其特征在于，所述对所述抽取字段中未标记的字段列进行列识别，并根据所述列识别结果和被标记列个数确定所述排表数量，包括：

分别对各未标记的字段列进行正则匹配；

若任一所述未标记的字段列中匹配成功次数大于次数阈值，则将所述未标记的字段列确定为被识别列，并计算所述被识别列个数与所述被标记列个数之间的个数和，得到所述排表数量。

4.如权利要求2所述的数据抽取方法，其特征在于，所述对所述抽取字段中未标记的字段列进行列识别，并根据所述列识别结果和被标记列个数确定所述排表数量，包括：

分别对各未标记的字段列进行数据打分，得到字段打分值，并根据所述字段打分值分别确定各未标记的字段列的打分平均值；

将最小所述打分平均值对应的所述未标记的字段列确定为被识别列，并计算所述被识别列个数与所述被标记列个数之间的个数和，得到所述排表数量。

5.如权利要求2所述的数据抽取方法，其特征在于，所述若所述表头匹配结果为匹配失败之后，还包括：

对所述抽取字段进行表尾识别，并根据所述表尾识别结果确定所述抽取字段中的表尾行；

根据所述表尾行对所述抽取字段进行噪声筛选。

6.如权利要求1至5任一所述的数据抽取方法，其特征在于，所述对所述抽取字段的位置信息进行行划分之后，还包括：

若所述抽取字段是非表格字段，则对所述抽取字段进行字段名匹配，并根据所述字段名匹配结果，确定所述抽取字段中的目标行内容；

对所述目标行内容进行字段值抽取，得到所述抽取数据。

7.如权利要求6所述的数据抽取方法，其特征在于，所述对所述目标行内容进行字段值抽取，得到所述抽取数据，包括：

对所述目标行内容进行正则匹配；

若所述目标行内容的正则匹配成功，则获取所述目标行内容的字段值，得到所述抽取数据；

若所述目标行内容的正则匹配失败，则针对所述目标行内容返回空值结果；

或，对所述目标行内容进行文本打分，得到文本打分值，若所述文本打分值小于文本阈值，则获取所述目标行内容的字段值，得到所述抽取数据。

8.一种数据抽取系统，其特征在于，所述系统包括：

文字识别模块，用于对目标病历图像进行文字识别，得到文字识别结果，所述文字识别结果包括图像文字和各图像文字对应的位置信息、文书类别；

字段抽取模块，用于根据所述文书类别和所述位置信息对所述图像文字进行字段抽取，得到抽取字段，并对所述抽取字段的位置信息进行行划分；

表头匹配模块，用于若所述抽取字段是表格字段，则对所述抽取字段进行表头匹配，并根据表头匹配结果确定排表数量；

数据抽取模块，用于根据所述排表数量对所述抽取字段进行分割，并根据分割后的所述抽取字段中各表头进行字段值抽取，得到抽取数据。