基于语义依存分析的医学超声文本数据结构化处理

发布时间：2021-12-09 15:54

　　近年来,医院信息系统（HIS）、医学影像系统（PACS）、电子病历（EHR）、实验室信息系统（LIS）和放射信息管理系统（RIS）,这一系列医疗系统每时每刻都在产出大量数据,从初始的MB到GB,从TB到PB无限增长,但是对于这些医疗大数据的有效利用问题并没有得到解决。并且对大数据处理过程中的实时性、有效性问题也有很高的要求,传统的分析方法无法应对。临床医学文本报告作为一个关键性的医疗信息载体,为医生诊断与科研提供了强有力的数据支持,但是,采用自然语言编写的医学文本报告基本上是非结构化的,无法直接用于计算机分析和处理。而临床医学文本数据存在较强的专业性,涉及到很多专业的医学知识,在语法上使用领域固定格式,这使信息的抽取面临着极大的难题。在信息抽取中,关键词提取在自然语言处理领域有着大量的应用,如何快速、准确的从文本中抽取关键词已经成为文本处理亟待解决的关键性问题。现有的关键词提取方法有很多,但是并没有针对于医学领域的关键词提取方法。传统的关键词抽取方法用于医学领域的准确率和通用性仍有待提高。为此,本文提出了一种针对临床医学文本数据加以结构化表达的方法,此方法首先通过基于词共现概率的分词矫... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：42 页

【学位级别】：硕士

【部分图文】：

TextRank算法流程

超声文本结构化处理框架

依存语法树表示

【参考文献】：
期刊论文
[1]一种面向医学文本数据的结构化信息抽取方法[J]. 杨兵,聂铁铮,申德荣,寇月,于戈.  小型微型计算机系统. 2019(07)
[2]基于电子病历的实体识别和知识图谱构建的研究[J]. 黄梦醒,李梦龙,韩惠蕊.  计算机应用研究. 2019(12)
[3]电子病历及相关技术研究[J]. 宋波,张立君,冯云霞.  中国数字医学. 2017(12)
[4]一种基于TextRank的单文本关键字提取算法[J]. 柳林青,余瀚,费宁,陈春玲.  计算机应用研究. 2018(03)
[5]基于改进TextRank的关键词抽取算法[J]. 张莉婧,李业丽,曾庆涛,雷嘉丽,杨鹏.  北京印刷学院学报. 2016(04)
[6]电子病历命名实体识别和实体关系抽取研究综述[J]. 杨锦锋,于秋滨,关毅,蒋志鹏.  自动化学报. 2014(08)
[7]基于模式匹配的结构化信息抽取[J]. 邵堃,杨春磊,钱立宾,方帅.  模式识别与人工智能. 2014(08)
[8]医疗健康大数据的种类、性质及有关问题[J]. 俞国培,包小源,黄新霆,刘徽,许蓓蓓,于娜,张俊.  医学信息学杂志. 2014(06)
[9]基于遗传算法的Web信息抽取[J]. 郭银蕊,陈荣.  模式识别与人工智能. 2011(03)
[10]基于LDA模型的主题词抽取方法[J]. 石晶,李万龙.  计算机工程. 2010(19)

博士论文
[1]电子病历文本挖掘关键算法研究[D]. 栗伟.东北大学 2014

硕士论文
[1]电子病历数据的结构化分析与研究[D]. 张立君.青岛科技大学 2018
[2]基于电子病历的深度神经网络预测模型研究与应用[D]. 李昆.郑州大学 2017
[3]病理文本数据的结构化处理系统研究与实现[D]. 梁帅.东华大学 2015
[4]结构化电子病历系统的设计与实现[D]. 苏南.北京邮电大学 2012
[5]基于DOM树信息抽取的移动网站开发研究[D]. 李景.中国海洋大学 2011
[6]医疗诊断报告自动信息提取系统设计与开发[D]. 宋晓波.复旦大学 2009
[7]规则与统计相结合的中文命名实体识别[D]. 乔永波.山东大学 2007



本文编号：3530906