[發明專利]神經網絡模型訓練方法、裝置及系統

有效

• 申請號: 201710002230.5
• 申請日: 2017-01-03
• 公開（公告）號: CN106709917B
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 王立;王佳
• 申請（專利權）人: 青島海信醫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

本發明公開了一種神經網絡模型訓練方法、裝置及系統，屬于圖像處理領域。包括：接收多個客戶端發送的醫學樣本，其中，第一客戶端發送的醫學樣本包括：多張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；根據所述多個客戶端發送的醫學樣本，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。本發明縮短了神經網絡模型的訓練時間，有效地提高了神經網絡模型訓練的準確性。本發明用于神經網絡模型的訓練。

技術領域

本發明涉及圖像處理領域，特別涉及一種神經網絡模型訓練方法、裝置及系統。

背景技術

圖像分割是把圖像分成若干個特定的、具有獨特性質的區域并提取出感興趣目標的技術。它是由圖像處理到圖像分析的關鍵步驟。

目前，在醫學領域，可以使用神經網絡模型對醫學圖像進行分割，該神經網絡模型可以采用預先確定的訓練樣本對初始神經網絡模型進行訓練得到(示例的，可以采用最速下降法進行訓練)。具體的，服務器可以在線下預先收集大量訓練樣本，每個訓練樣本包括原始圖像和原始圖像的分割結果，采用該多個訓練樣本對原始神經網絡模型進行訓練得到訓練后的神經網絡模型，在將該神經網絡訓練成功后，可以發布新的神經網絡模型版本供客戶端下載。

但是，目前在醫學領域中，訓練神經網絡模型時，需要先建立一原始神經網絡模型，并線下收集訓練樣本，神經網絡模型的訓練時間較長，訓練的準確性較低。

發明內容

為了解決現有技術神經網絡模型的訓練時間較長，訓練的準確性較低的問題，本發明實施例提供了一種神經網絡模型訓練方法、裝置及系統。所述技術方案如下：

第一方面，提供了一種神經網絡模型訓練方法，應用于醫學圖像分割系統的服務器，所述方法包括：

接收多個客戶端發送的醫學樣本，其中，第一客戶端發送的醫學樣本包括：多張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；

根據所述多個客戶端發送的醫學樣本，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。

可選地，所述根據所述多個客戶端發送的醫學樣本，訓練所述服務器中的第一神經網絡模型，包括：

刪除所述多個客戶端發送的醫學樣本中不準確的醫學樣本，得到訓練樣本；

采用所述訓練樣本訓練所述服務器中的所述第一神經網絡模型。

可選地，所述刪除所述多個客戶端發送的醫學樣本中不準確的醫學樣本，得到訓練樣本，包括：

依次顯示第一樣本的多個掩膜圖像，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送的醫學樣本中的任一樣本；

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。

可選地，所述刪除所述多個客戶端發送的醫學樣本中不準確的醫學樣本，得到訓練樣本，包括：

將所述第一樣本中的每張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送的醫學樣本中的任一樣本；