| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的研究内容 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-12页 |
| 第2章 相关技术简介 | 第12-18页 |
| 2.1 中文分词 | 第12-14页 |
| 2.2 命名实体识别 | 第14-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第3章 基于条件随机场的CT报告成分识别算法 | 第18-27页 |
| 3.1 CRF序列标注 | 第18-19页 |
| 3.1.1 CRF的定义 | 第18-19页 |
| 3.1.2 序列标注理解 | 第19页 |
| 3.2 使用CRF++进行成分序列标注 | 第19-23页 |
| 3.2.1 实体类别定义 | 第21页 |
| 3.2.2 特征选取 | 第21-22页 |
| 3.2.3 实体识别 | 第22-23页 |
| 3.3 实验与评测 | 第23-26页 |
| 3.3.1 实验相关准备 | 第23-25页 |
| 3.3.2 实体识别的准确率、召回率和F值 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 基于条件随机场的CT文本结构化算法 | 第27-37页 |
| 4.1 句子划分 | 第27-28页 |
| 4.1.1 使用CRF++进行句子序列标注 | 第27-28页 |
| 4.1.2 结合句子序列标注和成分序列标注 | 第28页 |
| 4.2 推导规则定义 | 第28-30页 |
| 4.3 结果的归一化 | 第30-35页 |
| 4.3.1 词向量 | 第30-31页 |
| 4.3.2 Word2vec模型 | 第31-33页 |
| 4.3.3 word2vec训练过程 | 第33-35页 |
| 4.4 实验与评测 | 第35-36页 |
| 4.4.1 词向量训练结果 | 第35-36页 |
| 4.4.2 语句结构化结果 | 第36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 医疗影像CT文本结构化原型系统 | 第37-46页 |
| 5.1 CT文本数据结构 | 第37-38页 |
| 5.2 系统架构 | 第38-39页 |
| 5.3 CT文本报告结构化处理流程 | 第39-42页 |
| 5.3.1 CT文本报告预处理阶段 | 第39-41页 |
| 5.3.2 CT文本报告属性提取阶段 | 第41页 |
| 5.3.3 CT文本报告即时结构化阶段 | 第41-42页 |
| 5.4 系统结构化数据结果展示 | 第42-45页 |
| 5.5 本章小结 | 第45-46页 |
| 第6章 总结与展望 | 第46-48页 |
| 6.1 本文总结 | 第46页 |
| 6.2 未来工作展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 附录A 个人简历、攻读硕士研究生期间发表的学术论文 | 第52页 |