| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第11-19页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究目的与意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 中文病历文本识别的难点 | 第13-14页 |
| 1.3.2 传统方法研究现状 | 第14-15页 |
| 1.3.3 深度学习方法研究现状 | 第15-16页 |
| 1.4 研究内容和方法 | 第16-17页 |
| 1.5 论文组织结构 | 第17-19页 |
| 第2章 中文病历文本识别基础和理论 | 第19-29页 |
| 2.1 深度学习的兴起与发展 | 第19-20页 |
| 2.2 传统机器学习的不足 | 第20-21页 |
| 2.3 深度学习相关理论 | 第21-24页 |
| 2.4 残差网络 | 第24-26页 |
| 2.5 损失函数 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 基于纵向特征的病历文本识别算法 | 第29-47页 |
| 3.1 基于纵向特征的V-CRNN识别模型 | 第29-37页 |
| 3.1.1 CRNN识别算法介绍 | 第29-31页 |
| 3.1.2 V-CRNN识别模型设计 | 第31-32页 |
| 3.1.3 评估标准及实验环境 | 第32-33页 |
| 3.1.4 样本生成及模型训练 | 第33-35页 |
| 3.1.5 V-CRNN识别性能测试 | 第35页 |
| 3.1.6 V-CRNN鲁棒性测试 | 第35-37页 |
| 3.2 基于残差和多尺度的MsNet识别模型 | 第37-45页 |
| 3.2.1 MsNet的特征提取网络设计 | 第37-39页 |
| 3.2.2 MsNet识别性能测试 | 第39-42页 |
| 3.2.3 MsNet的鲁棒性测试 | 第42-43页 |
| 3.2.4 纵向特征维度对识别率的影响 | 第43-44页 |
| 3.2.5 横向Bidirectional-LSTM层数对识别率的影响 | 第44-45页 |
| 3.3 本章小结 | 第45-47页 |
| 第4章 强化纵向依赖的病历文本识别算法 | 第47-61页 |
| 4.1 基于纵向Bidirectional-LSTM的V-MsNet识别模型 | 第47-52页 |
| 4.1.1 二维循环神经网络介绍 | 第48页 |
| 4.1.2 强化纵向依赖的V-MsNet网络结构设计 | 第48-50页 |
| 4.1.3 V-Ms Net识别性能测试 | 第50-52页 |
| 4.2 基于自注意力机制的S-Ms Net识别模型 | 第52-60页 |
| 4.2.1 Attention机制 | 第52-54页 |
| 4.2.2 Self-Attention机制 | 第54-57页 |
| 4.2.3 S-MsNet网络结构设计 | 第57-58页 |
| 4.2.4 S-MsNet性能测试 | 第58-60页 |
| 4.3 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士期间已发表的论文 | 第69-71页 |
| 致谢 | 第71页 |
