[發(fā)明專利]神經網絡模型訓練方法、裝置及系統

有效

• 申請?zhí)枺?/td>: 201710002230.5
• 申請日: 2017-01-03
• 公開（公告）號: CN106709917B
• 公開（公告）日: 2020-09-11
• 發(fā)明（設計）人: 王立;王佳
• 申請（專利權）人: 青島海信醫(yī)療設備股份有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/136
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 江崇玉

1.一種神經網絡模型訓練方法，其特征在于，應用于醫(yī)學圖像分割系統的服務器，所述方法包括：

接收多個客戶端在空閑狀態(tài)時發(fā)送的醫(yī)學樣本，其中，第一客戶端發(fā)送的醫(yī)學樣本包括：多張包含患者指定器官的計算機斷層掃描CT圖像和每張CT圖像對應的第一標簽圖像，所述第一標簽圖像用于標識所述CT圖像包含的指定器官，所述第一標簽圖像是所述第一客戶端采用本地神經網絡模型對所述多張CT圖像進行分割得到的，所述第一客戶端為所述多個客戶端中的任一客戶端，所述第一客戶端內的本地神經網絡模型為所述第一客戶端從所述服務器下載得到的最新版本的神經網絡模型；

根據所述多個客戶端發(fā)送的醫(yī)學樣本，訓練所述服務器中的第一神經網絡模型，所述第一神經網絡模型為所述服務器中最新版本的神經網絡模型；

通過測試客戶端對第二神經網絡模型進行測試，以確定所述第二神經網絡模型的有效性，所述第二神經網絡模型為根據所述多個客戶端發(fā)送的醫(yī)學樣本訓練所述服務器中的第一神經網絡模型所得到的神經網絡模型；

其中，所述根據所述多個客戶端發(fā)送的醫(yī)學樣本，訓練所述服務器中的第一神經網絡模型，包括：

通過人工篩選和/或通過所述醫(yī)學圖像分割系統的服務器篩選的方式對所述多個客戶端發(fā)送的醫(yī)學樣本進行篩選，以刪除所述多個客戶端發(fā)送的醫(yī)學樣本中不準確的醫(yī)學樣本，得到訓練樣本；

將所述訓練樣本進行打包，且在打包后的訓練樣本中，每張CT圖像與對應的第一標簽圖像一一對應；

采用所述打包后的訓練樣本訓練所述服務器中的所述第一神經網絡模型。

2.根據權利要求1所述的方法，其特征在于，所述刪除所述多個客戶端發(fā)送的醫(yī)學樣本中不準確的醫(yī)學樣本，得到訓練樣本，包括：

依次顯示第一樣本的多個掩膜圖像和所述第一樣本對應的三維圖像，每個掩膜圖像由所述第一樣本中的一個標簽圖像疊加在相應的CT圖像上形成，所述第一樣本為所述多個客戶端發(fā)送的醫(yī)學樣本中的任一樣本，所述第一樣本對應的三維圖像根據所述第一樣本中的多張CT圖像生成，所述標簽圖像具有透明度，且所述標簽圖像中指定器官對應的像素具有像素值；

接收人工在所述任一掩膜圖像所在界面或所述第一樣本所在界面觸發(fā)的對所述第一樣本的刪除操作；

根據所述刪除操作將所述第一樣本作為不準確的樣本刪除。

3.根據權利要求1所述的方法，其特征在于，所述刪除所述多個客戶端發(fā)送的醫(yī)學樣本中不準確的醫(yī)學樣本，得到訓練樣本，包括：

將第一樣本中的每張CT圖像采用所述服務器中預設的標準神經網絡模型進行分割，得到與所述每張CT圖像對應的第二標簽圖像，所述第二標簽圖像用于標識所述CT圖像包含的指定器官，所述第一樣本為所述多個客戶端發(fā)送的醫(yī)學樣本中的任一樣本；

判斷所述CT圖像的分割圖像差值是否大于預設差值閾值，所述分割圖像差值為對應于同一CT圖像的所述第一標簽圖像與所述第二標簽圖像的圖像差值；

當分割圖像差值大于預設差值閾值的CT圖像在所述第一樣本中的占比大于預設比值時，將所述第一樣本存儲至人工確認數據庫，所述人工確認數據庫中的樣本用于由人工確認是否刪除；

當分割圖像差值大于預設差值閾值的CT圖像在所述第一樣本中的占比不大于預設比值時，將所述第一樣本存儲至訓練樣本數據庫，所述訓練樣本數據庫中的樣本用于訓練神經網絡模型；

將所述人工確認數據庫中確認不刪除的樣本和/或所述訓練樣本數據庫中的樣本確定為所述訓練樣本。

4.根據權利要求1至3任一所述的方法，其特征在于，所述通過測試客戶端對第二神經網絡模型進行測試，包括：

將第二神經網絡模型發(fā)送至多個測試客戶端；

接收所述多個測試客戶端對所述第二神經網絡模型的打分；

根據所述多個測試客戶端對所述第二神經網絡模型的打分，確定測試分數；

判斷所述測試分數是否大于預設的及格分數；

當所述測試分數大于預設的及格分數，將所述第二神經網絡模型確定為最新版本的神經網絡模型；

當所述測試分數不大于預設的及格分數，將所述第一神經網絡模型確定為最新版本的神經網絡模型。