神经网络模型训练方法、装置及系统制造方法及图纸

本发明专利技术公开了一种神经网络模型训练方法、装置及系统，属于图像处理领域。包括：接收多个客户端发送的医学样本，其中，第一客户端发送的医学样本包括：多张CT图像和每张CT图像对应的第一标签图像，所述第一标签图像用于标识所述CT图像包含的指定器官，所述第一标签图像是所述第一客户端采用本地神经网络模型对所述多张CT图像进行分割得到的，所述第一客户端为所述多个客户端中的任一客户端；根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型，所述第一神经网络模型为所述服务器中最新版本的神经网络模型。本发明专利技术缩短了神经网络模型的训练时间，有效地提高了神经网络模型训练的准确性。本发明专利技术用于神经网络模型的训练。

Neural network model training method, device and system

The invention discloses a training method, a device and a system of a neural network model, belonging to the field of image processing. Including: sending and receiving multiple client medical samples, among them, the client sends the first medical samples include: first label CT images and each image corresponding CT images, the first image label identifies the specified organ image contains CT, the first label image is the first client by local nerve the network model of the plurality of segmented CT images, the first client for any client of the plurality of client; according to the plurality of client to send the first medical samples, the neural network model is trained by the server in the first, the neural network model and neural network model of the latest version the server in the. The invention shortens the training time of the neural network model, and effectively improves the accuracy of the training of the neural network model. The invention is used for training a neural network model.

【技术实现步骤摘要】
神经网络模型训练方法、装置及系统
本专利技术涉及图像处理领域，特别涉及一种神经网络模型训练方法、装置及系统。
技术介绍
图像分割是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术。它是由图像处理到图像分析的关键步骤。目前，在医学领域，可以使用神经网络模型对医学图像进行分割，该神经网络模型可以采用预先确定的训练样本对初始神经网络模型进行训练得到(示例的，可以采用最速下降法进行训练)。具体的，服务器可以在线下预先收集大量训练样本，每个训练样本包括原始图像和原始图像的分割结果，采用该多个训练样本对原始神经网络模型进行训练得到训练后的神经网络模型，在将该神经网络训练成功后，可以发布新的神经网络模型版本供客户端下载。但是，目前在医学领域中，训练神经网络模型时，需要先建立一原始神经网络模型，并线下收集训练样本，神经网络模型的训练时间较长，训练的准确性较低。
技术实现思路
为了解决现有技术神经网络模型的训练时间较长，训练的准确性较低的问题，本专利技术实施例提供了一种神经网络模型训练方法、装置及系统。所述技术方案如下：第一方面，提供了一种神经网络模型训练方法，应用于医学图像分割系统的服务器，所述方法包括：接收多个客户端发送的医学样本，其中，第一客户端发送的医学样本包括：多张CT图像和每张CT图像对应的第一标签图像，所述第一标签图像用于标识所述CT图像包含的指定器官，所述第一标签图像是所述第一客户端采用本地神经网络模型对所述多张CT图像进行分割得到的，所述第一客户端为所述多个客户端中的任一客户端；根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型，所述第一神经网络模型为所述服务器中最新版本的神经网络模型。可选地，所述根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型，包括：删除所述多个客户端发送的医学样本中不准确的医学样本，得到训练样本；采用所述训练样本训练所述服务器中的所述第一神经网络模型。可选地，所述删除所述多个客户端发送的医学样本中不准确的医学样本，得到训练样本，包括：依次显示第一样本的多个掩膜图像，每个掩膜图像由所述第一样本中的一个标签图像叠加在相应的CT图像上形成，所述第一样本为所述多个客户端发送的医学样本中的任一样本；接收人工在所述任一掩膜图像所在界面或所述第一样本所在界面触发的对所述第一样本的删除操作；根据所述删除操作将所述第一样本作为不准确的样本删除。可选地，所述删除所述多个客户端发送的医学样本中不准确的医学样本，得到训练样本，包括：将所述第一样本中的每张CT图像采用所述服务器中预设的标准神经网络模型进行分割，得到与所述每张CT图像对应的第二标签图像，所述第二标签图像用于标识所述CT图像包含的指定器官，所述第一样本为所述多个客户端发送的医学样本中的任一样本；判断所述CT图像的分割图像差值是否大于预设差值阈值，所述分割图像差值为对应于同一CT图像的所述第一标签图像与所述第二标签图像的图像差值；当分割图像差值大于预设差值阈值的CT图像在所述第一样本中的占比大于预设比值时，将所述第一样本存储至人工确认数据库，所述人工确认数据库中的样本用于由人工确认是否删除；当分割图像差值大于预设差值阈值的CT图像在所述第一样本中的占比不大于预设比值时，将所述第一样本存储至训练样本数据库，所述训练样本数据库中的样本用于训练神经网络模型；将所述人工确认数据库中确认不删除的样本和/或所述训练样本数据库中的样本确定为所述训练样本。可选地，在所述根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型之后，所述方法还包括：将第二神经网络模型发送至多个测试客户端，所述第二神经网络模型为根据所述多个客户端发送的医学样本训练所述服务器中的第一神经网络模型所得到的神经网络模型；接收所述多个测试客户端对所述第二神经网络模型的打分；根据所述多个测试客户端对所述第二神经网络模型的打分，确定测试分数；判断所述测试分数是否大于预设的及格分数；当所述测试分数大于预设的及格分数，将所述第二神经网络模型确定为最新版本的神经网络模型；当所述测试分数不大于预设的及格分数，将所述第一神经网络模型确定为最新版本的神经网络模型。第二方面，提供了一种神经网络模型训练方法，应用于医学图像分割系统的第一客户端，所述方法包括：获取包括多张计算机断层扫描CT图像的待分割样本，所述CT图像包含指定器官的图像；采用所述第一客户端内的本地神经网络模型对每张CT图像进行分割，得到与所述每张CT图像对应的第一标签图像，所述第一标签图像用于标识所述CT图像包含的指定器官；将医学样本发送至所述服务器，以便于所述服务器根据所述医学样本训练所述服务器中的第一神经网络模型，所述第一神经网络模型为所述服务器中最新版本的神经网络模型，所述医学样本包括：所述每张CT图像和所述每张CT图像对应的所述第一标签图像。第三方面，提供了一种神经网络模型训练装置，应用于医学图像分割系统的服务器，所述装置包括：第一接收模块，用于接收多个客户端发送的医学样本，其中，第一客户端发送的医学样本包括：多张CT图像和每张CT图像对应的第一标签图像，所述第一标签图像用于标识所述CT图像包含的指定器官，所述第一标签图像是所述第一客户端采用本地神经网络模型对所述多张CT图像进行分割得到的，所述第一客户端为所述多个客户端中的任一客户端；训练模块，用于根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型，所述第一神经网络模型为所述服务器中最新版本的神经网络模型。可选地，所述训练模块，包括：删除子模块，用于删除所述多个客户端发送的医学样本中不准确的医学样本，得到训练样本；训练子模块，用于采用所述训练样本训练所述服务器中的所述第一神经网络模型。第四方面，提供了一种神经网络模型训练装置，应用于医学图像分割系统的第一客户端，所述装置包括：获取模块，用于获取包括多张计算机断层扫描CT图像的待分割样本，所述CT图像包含指定器官的图像；分割模块，用于采用所述第一客户端内的本地神经网络模型对每张CT图像进行分割，得到与所述每张CT图像对应的第一标签图像，所述第一标签图像用于标识所述CT图像包含的指定器官；发送模块，用于将医学样本发送至所述服务器，以便于所述服务器根据所述医学样本训练所述服务器中的第一神经网络模型，所述第一神经网络模型为所述服务器中最新版本的神经网络模型，所述医学样本包括：所述每张CT图像和所述每张CT图像对应的所述第一标签图像。第五方面，提供了一种医学图像分割系统，所述医学图像分割系统包括：至少一个服务器和与所述服务器相连的至少一个第一客户端；所述服务器包括第三方面所述的神经网络模型训练装置；每个所述第一客户端包括第四方面所述的神经网络模型训练装置。本专利技术实施例提供的技术方案带来的有益效果是：本专利技术实施例提供的神经网络模型训练方法、装置及系统，通过服务器在多个客户端中的每个客户端采用最新的神经网络模型进行CT图像分割后，接收多个客户端发送的包含多张CT图像和标签图像的医学样本，对最新的神经网络模型进行训练，实现神经网络模型的在线训练，缩短了神经网络模型的训练时间，有效地提高了神经网络模型训练的准确性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面本文档来自技高网...

【技术保护点】
一种神经网络模型训练方法，其特征在于，应用于医学图像分割系统的服务器，所述方法包括：接收多个客户端发送的医学样本，其中，第一客户端发送的医学样本包括：多张计算机断层扫描CT图像和每张CT图像对应的第一标签图像，所述第一标签图像用于标识所述CT图像包含的指定器官，所述第一标签图像是所述第一客户端采用本地神经网络模型对所述多张CT图像进行分割得到的，所述第一客户端为所述多个客户端中的任一客户端；根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型，所述第一神经网络模型为所述服务器中最新版本的神经网络模型。

【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，应用于医学图像分割系统的服务器，所述方法包括：接收多个客户端发送的医学样本，其中，第一客户端发送的医学样本包括：多张计算机断层扫描CT图像和每张CT图像对应的第一标签图像，所述第一标签图像用于标识所述CT图像包含的指定器官，所述第一标签图像是所述第一客户端采用本地神经网络模型对所述多张CT图像进行分割得到的，所述第一客户端为所述多个客户端中的任一客户端；根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型，所述第一神经网络模型为所述服务器中最新版本的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型，包括：删除所述多个客户端发送的医学样本中不准确的医学样本，得到训练样本；采用所述训练样本训练所述服务器中的所述第一神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述删除所述多个客户端发送的医学样本中不准确的医学样本，得到训练样本，包括：依次显示第一样本的多个掩膜图像，每个掩膜图像由所述第一样本中的一个标签图像叠加在相应的CT图像上形成，所述第一样本为所述多个客户端发送的医学样本中的任一样本；接收人工在所述任一掩膜图像所在界面或所述第一样本所在界面触发的对所述第一样本的删除操作；根据所述删除操作将所述第一样本作为不准确的样本删除。4.根据权利要求2所述的方法，其特征在于，所述删除所述多个客户端发送的医学样本中不准确的医学样本，得到训练样本，包括：将所述第一样本中的每张CT图像采用所述服务器中预设的标准神经网络模型进行分割，得到与所述每张CT图像对应的第二标签图像，所述第二标签图像用于标识所述CT图像包含的指定器官，所述第一样本为所述多个客户端发送的医学样本中的任一样本；判断所述CT图像的分割图像差值是否大于预设差值阈值，所述分割图像差值为对应于同一CT图像的所述第一标签图像与所述第二标签图像的图像差值；当分割图像差值大于预设差值阈值的CT图像在所述第一样本中的占比大于预设比值时，将所述第一样本存储至人工确认数据库，所述人工确认数据库中的样本用于由人工确认是否删除；当分割图像差值大于预设差值阈值的CT图像在所述第一样本中的占比不大于预设比值时，将所述第一样本存储至训练样本数据库，所述训练样本数据库中的样本用于训练神经网络模型；将所述人工确认数据库中确认不删除的样本和/或所述训练样本数据库中的样本确定为所述训练样本。5.根据权利要求1至4任一所述的方法，其特征在于，在所述根据所述多个客户端发送的医学样本，训练所述服务器中的第一神经网络模型之后，所述方法还包括：将第二神经网络模型发送至多个测试客户端，所述第二神经网络模型为根据所述多个客户端发送的医学样本训练所述服务器中的第一神经网络模型所得到的神经网络模型；接收所述多个测试客户端对所述第二神经网络模型的打分；...

【专利技术属性】
技术研发人员：王立，王佳，
申请(专利权)人：青岛海信医疗设备股份有限公司，
类型：发明
国别省市：山东,37