基于机器视觉的医院档案信息智能搜索

谢梦怡

(泉州信息工程学院 软件学院,福建 泉州 362000)

0 引 言

医院每天接受大量的病患,从患者进入医疗医院诊治到诊治结束,所经历的一切事宜都会记录成文字、报告、影像,将这些信息综合到一起形成档案,由于在短时间内很难建立出最完善的医疗档案,由此严重影响了当代医疗事业的发展[1]。近年来,医疗档案信息共享、数字化医院、医院数字化建设等概念不断出现,也使得“医院档案信息搜索”这一概念成为人们热门研究的问题[2]。

文献[3]提出了基于信息网模型的Web实体语义信息搜索方法,使用信息网模型对Web数据进行语义表示和建模,将实体的所有语义信息组织在一个对象中,快速获取实体完整的语义信息,基于信息网模型构建复杂语义数据库,设计可对教育领域相关实体信息进行精确搜索的TLDW系统。但该方法花费的搜索时间较长。文献[4]提出一种基于模糊集的海量图书馆档案信息快速检索方法，利用多个向量代表档案信息的对象,建立特征向量模型对图书馆档案信息进行处理,需要在数据库中对档案信息的语义索引和语义特征向量进行处理。在对图书馆档案信息处理完成的基础上,计算索引项在档案信息中的频率,对图书馆档案信息检索式进行量化和划分,获得档案信息向量,利用档案信息向量计算相似度函数,实现模糊集的图书馆档案信息快速检索方法。但该方法搜索结果的相关性较差。

针对以上问题,提出基于机器视觉的医院档案信息智能搜索方法。作为人工智能领域的一个分支,机器视觉具有成本低、效果好、操作简单等优点。将其应用到医院档案信息智能搜索中,可以有效提高搜索效率,确保搜索的精准率。

1 信息目标区域选取

医院档案信息主要包括患者从进入医院诊治到诊治结束过程中的检验报告、影像以及病况记录等。基于机器视觉智能搜索医院档案信息,需要确定信息的目标区域,对医院档案信息的目标区域选取可以缩小医院海量档案信息的搜索范围。采用机器视觉多视角注意的方法选取目标区域。机器视觉多视角注意指的是在众多物体中从多个角度选择性地进行注意,这种方式可以确保机器在复杂的日常环境中高效完成活动[5-7]。如图1所示为多视角下机器视觉注意模型。

图1 机器视觉注意模型Fig.1 Machine vision attention model

机器视觉注意档案信息主要有2种,分别是自下而上注意机制和自上而下注意机制,这2种注意机制会共同发挥作用,二者不可分开,但是在不同情况下,两种机制发挥的作用权重是不同的[8-9]。

机器视觉注意的方式可减少云机器在执行任务时的计算量,会根据目前的任务进行一系列的动作,降低智能搜索过程的复杂性。机器在注意到目标后,会自动对医院档案信息目标进行采样,提取相应的特征,搜索焦点,确定目标为感兴趣目标后,对目标区域投入注意力。具体的目标区域选取过程如图2所示。

图2 目标区域选取流程Fig.2 Target area selection process

根据图2中的选取流程,将目标区域选择设置为三个阶段:预注意阶段、显著信息生成阶段、注意力转移阶段。

(1) 预注意阶段。通过计算得到医院档案早期视觉特征,针对所有的医院档案信息进行计算,一般档案中的显著性越强,特征越明显,通过竞争的方式表现[9]。

(2) 显著信息生成阶段。当预处理阶段得到计算结果之后,将待搜索的医院档案中的显著信息提取,这些显著信息对于评价模型优劣有着关键意义。

(3) 注意力转移阶段。当确定显著信息后,机器视觉会自动对显著度最大的点进行关注,这些点被称为首次注意点,再通过返回抑制机制转移注意力。被注视过的信息显著性会得到抑制,由此来确保该档案信息不会被重复注意,有些位置一旦被注视过,显著度就会降为零,接着注视显著度相对小的目标,依次类推直到机器视觉找到想要搜索的目标为止[10]。

机器视觉能很好地检测医院档案信息潜在的显著区域,是一个很强的视觉注意力装置,能快速在医院档案信息中找到目标区域,并对目标区域进行识别,提高识别效率,即使面对很复杂的物体,也能快速完成搜索识别工作[11]。

2 信息智能搜索模式分析

在以上分析研究的基础上,利用机器视觉对目标区域医院档案信息进行搜索,整体的医院档案信息目标搜索流程图如图3所示。

图3 医院档案信息目标搜索流程图Fig.3 Flow chart of target search for hospital file information

其中,目标信息区域的信息特征计算方法为

(1)

式中:P代表目标信息区域的信息特征;N代表目标区域的大小;Q表示档案信息的存储大小;C代表每种档案信息出现的次数。

为了确保医院全部档案信息搜索结果的充分性,机器视觉要对所有的医院档案信息都进行搜索[12],但是由于医院中记录的档案信息非常多,所以要对这些信息进行模式匹配,在目标区域内对信息进行搜索[13]。在搜索医院档案信息时,主要的智能搜索方式有语义搜索、群体搜索、内容特征搜索、整合搜索、垂直搜索、个性化搜索和社会搜索等[14-15]。语义搜索主要是通过理解医院档案信息的类别来完成搜索的,通过分析输入到搜索框内中的内容,给出能够满足目标档案的相关结果,这种检索方式加强了智能性,提高了机器搜索医院海量档案信息的准确率[16-17];群体搜索依据医院档案信息的关键词和表达方式进行搜索,通过多重搜索得到一个相对准确的结果，并能够深入分析目标搜索的要求,根据不同的要求给出针对性的搜索结果;内容搜索不仅仅是对医院档案的就医人员本身信息进行搜索,也能够就医人员诊断治疗过程中的检查结果进行搜索,如CT图像、化验结果等,这种方式得到的结果能够很大程度地避免主观性;罗盘搜索注重搜索结果的精准性,根据给出的关键词进行智能分类,并在每个大类中归纳出多个子类,相关人员可以根据提示的信息一步步进行选择,这样得到的档案信息结果就更加精准;整合搜索会将所有功能和终端通用连接,提高搜索的灵活性和适应性,整合搜索可以为医院提供更加合适的操作方式,降低操作过程的复杂度;垂直搜索会将所有医疗信息档案规划成一个垂直的矩阵,以模型化的方式向用户展示,垂直搜索具有“专、精、深”的特点,能够满足医院档案信息的特定需求,提高搜索结果的信息质量,将很多不易被发现的档案信息明确地展现在医护人员面前;个性化搜索更加强调档案的个性化特征,个性化搜索所设置的分类导航栏是完全满足搜索需求的,能够确保得到合理搜索结果的基础上,实现最大程度的智能化;社会化搜索会将所有相同的搜索方式归类到一起,让相关医护人员或就医人员可以共同探讨搜索结果,确保搜索方法不断提高[18-19]。

为此,在利用机器视觉锁定目标搜索区域并计算医院档案信息特征的基础上,依据不同需求智能选择不同且合适的档案信息搜索方式,进行搜索模式匹配,最终输出显示搜索结果,以实现最终的医院档案信息智能化搜索。

在分析医院档案信息的模式后,要对待搜索信息进行模式匹配,模式匹配是医院档案信息搜索重要的一步,利用计算机代替人脑解决复杂的信息问题,并将医院信息进行分类[20]。医院档案信息模式匹配可对不同时间和不同条件下的档案信息进行校准,使信息的特征更加明显[21]。

若想在海量医院档案信息中完成精确的提取、识别、匹配工作,就必须对目标信息进行完整处理,一般处理思路是:首先将所有信息的特征集合到一起,然后通过机器学习的方法在所有的特征集合中找到最能反映医院档案信息的特征,对这些特征进行匹配和识别,为最后的工作搜索工作打下基础[22]。待搜索信息的模式匹配识别过程如图4所示。

图4 待搜索信息的模式匹配识别过程Fig.4 Model matching identification process for information to be searched

在统计模式下匹配档案信息,每一个医院档案信息所属的模式都会被事先定义,统计模式下档案信息匹配的计算过程如下:设定共有n个信息,M个搜索模式类,

代表搜索模式矢量。对这些模式下的信息进行分类,找到每个信息所对应的模式类,模式分类基于统计决策理论建立,可将信息模式匹配看成信息分类问题[23]:

A=P[A1,A2,…,An]

(2)

式中：A代表医院档案信息的描述符;A1,A2,…,An代表医院档案信息矢量。

利用机器视觉中相似性度量方法进行模式匹配,具体相似性度量公式为

(3)

式中:d(·)代表的是医院档案信息矢量与搜索模式矢量之间的欧式距离。

根据式(3)实现医院档案信息与搜索模式的匹配,选取相应的搜索模式对医院档案信息进行智能搜索,从而实现医院档案信息的准确搜索。

3 实验研究

为了检测本文基于机器视觉的医院档案信息智能搜索方法的有效性,与基于模糊集的检索方法(文献[4]方法)进行比较,设计对比实验。实验选取飞思卡尔单片机、红外传感器、电机驱动器、光电编码器、PC核心处理器以串口通信的方式进行医院档案信息智能搜索。

根据上述实验参数,同时选取本文设定的医院档案信息智能搜索方法和文献[4]方法,搜索相同医院档案信息,记录搜索时间以及搜索结果的相关性,对比结果如图5所示。

图5 信息搜索时间结果Fig.5 Results of information search time

随着搜索信息量的增加,智能搜索时间也在不断增加,从图5可知,当搜索信息量为30 GB时,本文方法花费的搜索时间为5.6 min,文献[4]中检索方法花费的搜索时间为11.8 min,本文方法花费的搜索时间比文献[4]花费的搜索时间少6.2 min,这是因为本文使用的搜索算法具有很强的针对性,能够将信息分配到不同模式中,在搜索时仅针对每种模式进行搜索即可,而文献[4]搜索方法为笼统搜索,需要在海量信息中进行搜索,搜索过程复杂,难度大,需要花费的时间很长。

为了进一步验证本文方法的有效性,对本文方法和文献[4]方法的相关性进行对比分析,对比结果如表1所示。

表1 相关性测试结果Table 1 Correlation test results

从表1可知,在5次测试中,文献[4]得到的结果相关性有3次差,2次普通,这证明文献[4]搜索的结果与用户实际需求仅有少量相关,即使相关性较高,显示方式也很负责,用户需要在众多信息中逐一筛选,找到合适的信息。

本文研究的方法在5次测试中,相关性都很强,搜索结果与实际需求信息匹配度很高,显示的搜索结果都是用户需要的内容,使用者不需要再次筛选,直接就可以使用。

根据上述实验结果,得到如下的实验结论:在搜索同一类医院档案信息时,研究的智能搜索方法花费的时间更小,相关性更高,能够满足用户的需求,更加适合医疗系统。

4 结 语

由于机器视觉技术具有很强的自主性、交互性和自适应性,所以十分适合搜索医院档案信息。利用机器视觉研究了一种医院档案信息智能搜索方法,利用机器视觉的多视角采集医院档案信息,并选取目标区域,在智能搜索前进行模式匹配,该方法能够在海量医院档案信息中精确地识别出有效信息。

本文的研究具有一定的搜索效果,但是由于研究时间有限,所以对视觉注意里选择机制的研究较少,仅针对一种匹配识别方式进行探讨,未来需要进一步完善。