医学pathway图以节点——边——节点的形式详细地描述了生物体内分子间相互转化的关系,一整张pathway图展示了与某种生理状态相关的所有代谢通路。对pathway图的分析和挖掘可以辅助医生发现新的治疗通路,确定最有效的治疗方案。由于医学pathway图数量多,结构复杂,人工对其识别会花费大量的时间。本文将重点研究基于深度学习的目标检测识别模型并应用到pathway图的自动检测识别中。具体工作如下:首先,通过分析多种基于深度学习的目标检测方法的优劣性及适用场景,针对医学pathway图中元素种类多,整体结构复杂的特点,采用检测精度好,检测速度快的多目标检测模型SSD来实现图中多种元素的检测和定位。通过构建各元素的数据集,训练得到检测模型,通过对检测结果的准确率、查全率进行分析,评价模型检测性能的优劣。实验表明,在数据集数量一定的情况下,适当增加训练时的迭代次数可以有效地提高检测结果的精度,降低目标的漏检率。接着,采用分割加识别的方法对pathway图中的字符串进行识别。常用的投影分割字符法在分割未粘连字符中具有良好的性能,针对粘连字符串,本文采用滴水法进行字符分割。针对pathway图中的字符串包含了许多特殊字符(如希腊字母,各种标点符号等)的情况,本文对每个字符构建了 100张32X32像素的数据集,再将其输入卷积神经网络训练得到字符识别模型。最后,将元素检测和字符识别模块进行整合,设计了医学pathway图识别框架并实现了实验演示系统。