[发明专利]神经网络模型训练方法、装置及系统

说明书

本发明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。本发明用于神经网络模型的训练。

技术领域

本发明涉及图像处理领域，特别涉及一种神经网络模型训练方法、装置及系统。

背景技术

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。

发明内容

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，本发明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；