本發(fā)明涉及圖像處理領(lǐng)域，特別涉及一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法、裝置及系統(tǒng)。

背景技術(shù)：

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

目前，在醫(yī)學(xué)領(lǐng)域，可以使用神經(jīng)網(wǎng)絡(luò)模型對醫(yī)學(xué)圖像進(jìn)行分割，該神經(jīng)網(wǎng)絡(luò)模型可以采用預(yù)先確定的訓(xùn)練樣本對初始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到(示例的，可以采用最速下降法進(jìn)行訓(xùn)練)。具體的，服務(wù)器可以在線下預(yù)先收集大量訓(xùn)練樣本，每個訓(xùn)練樣本包括原始圖像和原始圖像的分割結(jié)果，采用該多個訓(xùn)練樣本對原始神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，在將該神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功后，可以發(fā)布新的神經(jīng)網(wǎng)絡(luò)模型版本供客戶端下載。

但是，目前在醫(yī)學(xué)領(lǐng)域中，訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時，需要先建立一原始神經(jīng)網(wǎng)絡(luò)模型，并線下收集訓(xùn)練樣本，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間較長，訓(xùn)練的準(zhǔn)確性較低。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間較長，訓(xùn)練的準(zhǔn)確性較低的問題，本發(fā)明實施例提供了一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法、裝置及系統(tǒng)。所述技術(shù)方案如下：

第一方面，提供了一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法，應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的服務(wù)器，所述方法包括：

接收多個客戶端發(fā)送的醫(yī)學(xué)樣本，其中，第一客戶端發(fā)送的醫(yī)學(xué)樣本包括：多張CT圖像和每張CT圖像對應(yīng)的第一標(biāo)簽圖像，所述第一標(biāo)簽圖像用于標(biāo)識所述CT圖像包含的指定器官，所述第一標(biāo)簽圖像是所述第一客戶端采用本地神經(jīng)網(wǎng)絡(luò)模型對所述多張CT圖像進(jìn)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(jù)所述多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練所述服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，所述第一神經(jīng)網(wǎng)絡(luò)模型為所述服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述根據(jù)所述多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練所述服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，包括：

刪除所述多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本，得到訓(xùn)練樣本；

采用所述訓(xùn)練樣本訓(xùn)練所述服務(wù)器中的所述第一神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述刪除所述多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本，得到訓(xùn)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(biāo)簽圖像疊加在相應(yīng)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(xué)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(fā)的對所述第一樣本的刪除操作；

根據(jù)所述刪除操作將所述第一樣本作為不準(zhǔn)確的樣本刪除。

可選地，所述刪除所述多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本，得到訓(xùn)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(wù)器中預(yù)設(shè)的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分割，得到與所述每張CT圖像對應(yīng)的第二標(biāo)簽圖像，所述第二標(biāo)簽圖像用于標(biāo)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(xué)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(yù)設(shè)差值閾值，所述分割圖像差值為對應(yīng)于同一CT圖像的所述第一標(biāo)簽圖像與所述第二標(biāo)簽圖像的圖像差值；

當(dāng)分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在所述第一樣本中的占比大于預(yù)設(shè)比值時，將所述第一樣本存儲至人工確認(rèn)數(shù)據(jù)庫，所述人工確認(rèn)數(shù)據(jù)庫中的樣本用于由人工確認(rèn)是否刪除；

當(dāng)分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在所述第一樣本中的占比不大于預(yù)設(shè)比值時，將所述第一樣本存儲至訓(xùn)練樣本數(shù)據(jù)庫，所述訓(xùn)練樣本數(shù)據(jù)庫中的樣本用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；

將所述人工確認(rèn)數(shù)據(jù)庫中確認(rèn)不刪除的樣本和/或所述訓(xùn)練樣本數(shù)據(jù)庫中的樣本確定為所述訓(xùn)練樣本。

可選地，在所述根據(jù)所述多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練所述服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型之后，所述方法還包括：

將第二神經(jīng)網(wǎng)絡(luò)模型發(fā)送至多個測試客戶端，所述第二神經(jīng)網(wǎng)絡(luò)模型為根據(jù)所述多個客戶端發(fā)送的醫(yī)學(xué)樣本訓(xùn)練所述服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型所得到的神經(jīng)網(wǎng)絡(luò)模型；

接收所述多個測試客戶端對所述第二神經(jīng)網(wǎng)絡(luò)模型的打分；

根據(jù)所述多個測試客戶端對所述第二神經(jīng)網(wǎng)絡(luò)模型的打分，確定測試分?jǐn)?shù)；

判斷所述測試分?jǐn)?shù)是否大于預(yù)設(shè)的及格分?jǐn)?shù)；

當(dāng)所述測試分?jǐn)?shù)大于預(yù)設(shè)的及格分?jǐn)?shù)，將所述第二神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型；

當(dāng)所述測試分?jǐn)?shù)不大于預(yù)設(shè)的及格分?jǐn)?shù)，將所述第一神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型。

第二方面，提供了一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法，應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的第一客戶端，所述方法包括：

獲取包括多張計算機斷層掃描CT圖像的待分割樣本，所述CT圖像包含指定器官的圖像；

采用所述第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割，得到與所述每張CT圖像對應(yīng)的第一標(biāo)簽圖像，所述第一標(biāo)簽圖像用于標(biāo)識所述CT圖像包含的指定器官；

將醫(yī)學(xué)樣本發(fā)送至所述服務(wù)器，以便于所述服務(wù)器根據(jù)所述醫(yī)學(xué)樣本訓(xùn)練所述服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，所述第一神經(jīng)網(wǎng)絡(luò)模型為所述服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型，所述醫(yī)學(xué)樣本包括：所述每張CT圖像和所述每張CT圖像對應(yīng)的所述第一標(biāo)簽圖像。

第三方面，提供了一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置，應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的服務(wù)器，所述裝置包括：

第一接收模塊，用于接收多個客戶端發(fā)送的醫(yī)學(xué)樣本，其中，第一客戶端發(fā)送的醫(yī)學(xué)樣本包括：多張CT圖像和每張CT圖像對應(yīng)的第一標(biāo)簽圖像，所述第一標(biāo)簽圖像用于標(biāo)識所述CT圖像包含的指定器官，所述第一標(biāo)簽圖像是所述第一客戶端采用本地神經(jīng)網(wǎng)絡(luò)模型對所述多張CT圖像進(jìn)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；

訓(xùn)練模塊，用于根據(jù)所述多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練所述服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，所述第一神經(jīng)網(wǎng)絡(luò)模型為所述服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述訓(xùn)練模塊，包括：

刪除子模塊，用于刪除所述多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本，得到訓(xùn)練樣本；

訓(xùn)練子模塊，用于采用所述訓(xùn)練樣本訓(xùn)練所述服務(wù)器中的所述第一神經(jīng)網(wǎng)絡(luò)模型。

第四方面，提供了一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置，應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的第一客戶端，所述裝置包括：

獲取模塊，用于獲取包括多張計算機斷層掃描CT圖像的待分割樣本，所述CT圖像包含指定器官的圖像；

分割模塊，用于采用所述第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割，得到與所述每張CT圖像對應(yīng)的第一標(biāo)簽圖像，所述第一標(biāo)簽圖像用于標(biāo)識所述CT圖像包含的指定器官；

發(fā)送模塊，用于將醫(yī)學(xué)樣本發(fā)送至所述服務(wù)器，以便于所述服務(wù)器根據(jù)所述醫(yī)學(xué)樣本訓(xùn)練所述服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，所述第一神經(jīng)網(wǎng)絡(luò)模型為所述服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型，所述醫(yī)學(xué)樣本包括：所述每張CT圖像和所述每張CT圖像對應(yīng)的所述第一標(biāo)簽圖像。

第五方面，提供了一種醫(yī)學(xué)圖像分割系統(tǒng)，所述醫(yī)學(xué)圖像分割系統(tǒng)包括：至少一個服務(wù)器和與所述服務(wù)器相連的至少一個第一客戶端；

所述服務(wù)器包括第三方面所述的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置；

每個所述第一客戶端包括第四方面所述的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置。

本發(fā)明實施例提供的技術(shù)方案帶來的有益效果是：

本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法、裝置及系統(tǒng)，通過服務(wù)器在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，接收多個客戶端發(fā)送的包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，對最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的準(zhǔn)確性。

附圖說明

為了更清楚地說明本發(fā)明實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法所涉及的實施環(huán)境的示意圖；

圖2是本發(fā)明實施例提供的一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法的流程圖；

圖3是本發(fā)明實施例提供的另一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法的流程圖；

圖4是本發(fā)明實施例提供的又一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法的流程圖；

圖5是本發(fā)明實施例提供的一種根據(jù)多個客戶端發(fā)送的醫(yī)學(xué)樣本訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型的流程圖；

圖6-1是本發(fā)明實施例提供的一種顯示的某個掩膜圖像的示意圖；

圖6-2是本發(fā)明實施例提供的另一種顯示的某個掩膜圖像的示意圖；

圖7-1是本發(fā)明實施例提供的一種模型打分界面示意圖；

圖7-2為是本發(fā)明實施例提供的另一種模型打分界面示意圖；

圖8是本發(fā)明實施例提供的一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置的結(jié)構(gòu)框圖；

圖9是本發(fā)明實施例提供的一種訓(xùn)練模塊的結(jié)構(gòu)框圖；

圖10是本發(fā)明實施例提供的另一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置的結(jié)構(gòu)框圖；

圖11是本發(fā)明實施例提供的又一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置的結(jié)構(gòu)框圖；

圖12是本發(fā)明實施例提供的再一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置的結(jié)構(gòu)框圖。

具體實施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明實施方式作進(jìn)一步地詳細(xì)描述。

請參見圖1，其示出了本發(fā)明實施例中提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法所涉及的一種醫(yī)學(xué)圖像分割系統(tǒng)的實施環(huán)境的示意圖。該實施環(huán)境可以包括：服務(wù)器110和多個具有顯示屏的客戶端120。

服務(wù)器110可以是一臺服務(wù)器，或者由若干臺服務(wù)器組成的服務(wù)器集群，或者是一個云計算服務(wù)中心。客戶端120為具有顯示屏的醫(yī)療設(shè)備。

服務(wù)器110和客戶端120之間可以通過有線網(wǎng)絡(luò)或無線網(wǎng)絡(luò)建立連接，客戶端120可以為服務(wù)器110提供訓(xùn)練樣本，服務(wù)器110可以使用該樣本對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，客戶端120可以從服務(wù)器110中下載訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行醫(yī)學(xué)圖像分割。

圖2為本發(fā)明實施例提供的一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法的流程圖，該方法應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的服務(wù)器，如圖2所示，該方法可以包括：

步驟101、服務(wù)器接收多個客戶端發(fā)送的醫(yī)學(xué)樣本，其中，第一客戶端發(fā)送的醫(yī)學(xué)樣本包括：多張計算機斷層掃描(英文：Computed Tomography；簡稱：CT)圖像和每張CT圖像對應(yīng)的第一標(biāo)簽圖像，該第一標(biāo)簽圖像用于標(biāo)識CT圖像包含的指定器官，第一標(biāo)簽圖像是第一客戶端采用本地神經(jīng)網(wǎng)絡(luò)模型對多張CT圖像進(jìn)行分割得到的，第一客戶端為多個客戶端中的任一客戶端。

步驟102、服務(wù)器根據(jù)多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，該第一神經(jīng)網(wǎng)絡(luò)模型為服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型。

綜上所述，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法，通過服務(wù)器在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，接收多個客戶端發(fā)送的包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，對最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

圖3為本發(fā)明實施例提供的一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法的流程圖，該方法應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的第一客戶端，第一客戶端為多個客戶端中的任一客戶端，如圖3所示，該方法可以包括：

步驟201、獲取包括多張計算機斷層掃描CT圖像的待分割樣本，該CT圖像包含指定器官的圖像。

步驟202、采用第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割，得到與每張CT圖像對應(yīng)的第一標(biāo)簽圖像，該第一標(biāo)簽圖像用于標(biāo)識CT圖像包含的指定器官。

步驟203、將醫(yī)學(xué)樣本發(fā)送至服務(wù)器，以便于服務(wù)器根據(jù)醫(yī)學(xué)樣本訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，該第一神經(jīng)網(wǎng)絡(luò)模型為服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型，醫(yī)學(xué)樣本包括：每張CT圖像和每張CT圖像對應(yīng)的第一標(biāo)簽圖像。

綜上所述，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法，在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，通過向服務(wù)器發(fā)送包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，使服務(wù)器能夠根據(jù)醫(yī)學(xué)樣本對最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

圖4為本發(fā)明實施例提供的另一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法的流程圖，服務(wù)器可以通過收集各個客戶端上傳的樣本來訓(xùn)練服務(wù)器中的最新的神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法應(yīng)用于如圖1所述的實施環(huán)境中，本發(fā)明實施例以多個客戶端中的第一客戶端為例進(jìn)行說明，在本發(fā)明實施例中，服務(wù)器在得到新的神經(jīng)網(wǎng)絡(luò)模型后，還可以通過測試客戶端對該新的神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行測試，以確定該新的神經(jīng)網(wǎng)絡(luò)模型的有效性，可選地，該第一客戶端也可以為預(yù)設(shè)的測試客戶端。如圖4所示，該方法可以包括：

步驟301、第一客戶端獲取包括多張計算機斷層掃描CT圖像的待分割樣本，該CT圖像包含指定器官的圖像。

可選地，每個待分割樣本可以是一個患者的病例。一個患者的病例通常由幾百張CT圖像組成，每張CT圖像即為包含患者指定器官的圖像。示例地，某病患的一個病例包括300張CT圖像，其中，每張CT圖像為包含患者指定器官的圖像，示例的，該每張CT圖像可以是患者胸部的CT圖像，包含該患者胸部的指定器官，則該300張CT圖像可以組成一個待分割樣本。

步驟302、第一客戶端采用第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割，得到與每張CT圖像對應(yīng)的第一標(biāo)簽圖像。

可選的，該本地神經(jīng)網(wǎng)絡(luò)模型可以為第一客戶端從服務(wù)器中下載得到的最新版本的神經(jīng)網(wǎng)絡(luò)模型，該第一標(biāo)簽圖像用于標(biāo)識對應(yīng)的CT圖像包含的指定器官。

實際應(yīng)用中，服務(wù)器中可能存儲有多個版本的神經(jīng)網(wǎng)絡(luò)模型，每個版本的神經(jīng)網(wǎng)絡(luò)模型可以對應(yīng)一個唯一標(biāo)識該神經(jīng)網(wǎng)絡(luò)模型的版本號，該版本號通常由服務(wù)器進(jìn)行分配，例如該版本號可以為1.1或1.2等。第一客戶端可以周期性地向服務(wù)器請求下載神經(jīng)網(wǎng)絡(luò)模型，服務(wù)器接收該請求之后可以向第一客戶端提供神經(jīng)網(wǎng)絡(luò)模型，通常服務(wù)器為各個客戶端提供的神經(jīng)網(wǎng)絡(luò)模型均是最新版本的神經(jīng)網(wǎng)絡(luò)模型；或者，服務(wù)器可以向各個客戶端定期推送最新版本的神經(jīng)網(wǎng)絡(luò)模型，因此，第一客戶端獲取的是最新版本的神經(jīng)網(wǎng)絡(luò)模型。

通常的，當(dāng)?shù)谝豢蛻舳私邮盏街甘居糜诜指畲指顦颖局蠧T圖像的分割指令時，可以先判斷該第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型是否為最新版本的神經(jīng)網(wǎng)絡(luò)模型，本地神經(jīng)網(wǎng)絡(luò)模型為最新版本的神經(jīng)網(wǎng)絡(luò)模型時，采用該最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割，本地神經(jīng)網(wǎng)絡(luò)模型不為最新版本的神經(jīng)網(wǎng)絡(luò)模型時，第一客戶端可以從服務(wù)器下載最新版本的神經(jīng)網(wǎng)絡(luò)模型，并采用該最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割。實際應(yīng)用中，第一客戶端可以獲取服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型的版本號，通過將該版本號與第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型的版本號進(jìn)行比較，可以確定第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型是否為最新版本的神經(jīng)網(wǎng)絡(luò)模型，當(dāng)服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型的版本號大于第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型的版本號時，第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型不是最新版本的神經(jīng)網(wǎng)絡(luò)模型；當(dāng)服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型的版本號等于第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型的版本號時，第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型是最新版本的神經(jīng)網(wǎng)絡(luò)模型。示例地，假設(shè)第一客戶端獲取的服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型的版本號為1.5，第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型的版本號為1.2，可知1.5>1.2則可以確定第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型不是最新版本的神經(jīng)網(wǎng)絡(luò)模型。

第一客戶端采用本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割時，將指定器官作為分割目標(biāo)，即可得到與每張CT圖像對應(yīng)的第一標(biāo)簽圖像，，該第一標(biāo)簽圖像用于標(biāo)識對應(yīng)的CT圖像包含的指定器官。示例地，該指定器官可以為肝臟器官?？蛇x地，分割得到的第一標(biāo)簽圖像可以為二值圖像，則第一標(biāo)簽圖像中指定器官對應(yīng)的像素的像素值可以為1，非指定器官部位對應(yīng)的像素的像素值可以為0，或者，分割得到的第一標(biāo)簽圖像也可以為灰度圖像，則第一標(biāo)簽圖像中指定器官對應(yīng)的像素的像素值可以為255，非指定器官部位對應(yīng)的像素的像素值可以為0。示例地，采用本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割時，可選擇肝臟器官作為指定器官，則可得到與每張CT圖像對應(yīng)的包括肝臟器官的第一標(biāo)簽圖像，該第一標(biāo)簽圖像中肝臟對應(yīng)的像素的像素值為1，非肝臟部位對應(yīng)的像素的像素值為0。

可選地，本發(fā)明實施例涉及的神經(jīng)網(wǎng)絡(luò)模型可以為卷積神經(jīng)網(wǎng)絡(luò)。

需要說明的是，在采用本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割之前，可以對每張CT圖像進(jìn)行圖像預(yù)處理。該預(yù)處理過程包括：

步驟a、讀取CT圖像，并記錄CT圖像的窗寬W、窗位信息M。

一般地，CT圖像為醫(yī)學(xué)數(shù)字成像和通信(英文：Digital Imaging and Communications in Medicine；簡稱：DICOM)格式的圖像。

窗寬指CT圖像的CT值范圍。窗寬的寬窄影響圖像的對比度，窄窗寬顯示的CT值范圍小，每級灰階代表的CT值幅度小，則圖像對比度強。窗位指窗寬上、下限CT值的平均數(shù)。窗位的高低影響圖像的亮度，窗位低圖像亮度高呈白色，窗位高圖像亮度低呈黑色。

步驟b、根據(jù)CT圖像的窗寬和窗位信息按照第一公式確定CT圖像的灰度分布范圍。

該第一公式為：α＝M-W/2，β＝M+W/2；其中，W為CT圖像的窗寬，M為CT圖像的窗位，α為DICOM圖像中指定器官對應(yīng)的像素的最小值，β為CT圖像中指定器官對應(yīng)的像素的最大值。

步驟c、根據(jù)CT圖像的灰度分布范圍對CT圖像進(jìn)行灰度變換。

可選地，可以按照第二公式對CT圖像進(jìn)行灰度變換，該第二公式為：

其中，C(i,j)為變換前的CT圖像(i,j)位置處的像素點的灰度值，D(i,j)為變換后的CT圖像(i,j)位置處的像素點的灰度值。

步驟d、對灰度變換后的CT圖像做形態(tài)學(xué)膨脹操作，并獲取膨脹操作后的CT圖像的連通區(qū)域。

步驟e、確定CT圖像的目標(biāo)連通區(qū)域，并根據(jù)該目標(biāo)連通區(qū)域?qū)T圖像進(jìn)行裁剪，得到裁剪后的CT圖像。

可選地，可以根據(jù)指定器官在CT圖像中所占面積的大小確定目標(biāo)連通區(qū)域。示例地，當(dāng)指定器官為肝臟時，由于肝臟在每張CT圖像中所占面積最大，因此，可以將該目標(biāo)連通區(qū)域確定為最大連通區(qū)域。

可選地，在對CT圖像進(jìn)行裁剪時，以目標(biāo)連通區(qū)域的中心，使目標(biāo)連通區(qū)域的邊緣與裁剪后的CT圖像的邊緣相切。由于每張CT圖像中包括有多個器官，若直接對包含有多個器官的CT圖像進(jìn)行分割，其分割速度和分割結(jié)果的準(zhǔn)確性必然會受到一定程度的影響，因此，在采用本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割之前，可以根據(jù)指定器官所在的目標(biāo)連通區(qū)域的大小對CT圖像進(jìn)行裁剪以提高分割的速度和分割結(jié)果的準(zhǔn)確性。

步驟f、將裁剪后的CT圖像縮放到目標(biāo)尺寸，并將縮放后的圖像保存為目標(biāo)圖像格式。

在對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時，用于訓(xùn)練的每張圖像的大小相同。但是，指定器官在每張CT圖像中的大小可能不一樣，所以根據(jù)指定器官所在的目標(biāo)連通區(qū)域的大小裁剪后的CT圖像可能具有不同的大小，因此，需要將裁剪后的CT圖像縮放到目標(biāo)尺寸。

示例地，該目標(biāo)尺寸可以為301*400。實際應(yīng)用中，該目標(biāo)尺寸可以根據(jù)需要進(jìn)行調(diào)整，本發(fā)明實施例在此不做限定。

可選地，目標(biāo)圖像格式可以為BMP格式、JPEG格式和PNG格式等格式。

可選地，在采用本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割之后，還可以采用人工手動的方式對分割結(jié)果進(jìn)行微調(diào)，微調(diào)可以表現(xiàn)為在分割結(jié)果中切割部分圖像或者在分割結(jié)果中增加部分圖像，以進(jìn)一步提高分割結(jié)果的準(zhǔn)確性。

實際應(yīng)用中，在第一客戶端接收到指示用于分割待分割樣本中CT圖像的分割指令后，若本地神經(jīng)網(wǎng)絡(luò)模型不為最新版本的神經(jīng)網(wǎng)絡(luò)模型，第一客戶端可以向用戶呈現(xiàn)提示信息，用于提示用戶進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的更新，若用戶指示不進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的更新，第一客戶端可以采用本地神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割，由于最后得到的樣本不是采用最新版本的神經(jīng)網(wǎng)絡(luò)模型處理得到的，第一客戶端可以不上傳該樣本，也可以在上傳該樣本時標(biāo)注該樣本所對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型的版本號，由服務(wù)器根據(jù)預(yù)設(shè)規(guī)則確定是否使用該樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。例如，服務(wù)器可以使用該樣本對其對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，也可以使用該樣本對最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

步驟303、第一客戶端將醫(yī)學(xué)樣本發(fā)送至服務(wù)器，該醫(yī)學(xué)樣本包括：每張CT圖像和每張CT圖像對應(yīng)的第一標(biāo)簽圖像。

需要說明的是，第一客戶端可以在該客戶端處于空閑狀態(tài)(也即沒有進(jìn)行其他數(shù)據(jù)的處理或傳輸?shù)臓顟B(tài))時，將醫(yī)學(xué)樣本發(fā)送至服務(wù)器，以避免影響客戶端的其他數(shù)據(jù)的處理效率。

可選的，客戶端也可以周期性地將新增的醫(yī)學(xué)樣本發(fā)送至服務(wù)器。

步驟304、服務(wù)器根據(jù)多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，該第一神經(jīng)網(wǎng)絡(luò)模型為服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型。

現(xiàn)有的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，會將所有收集的樣本用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。但是，當(dāng)收集的樣本中的某些樣本有誤差且誤差較大時，若繼續(xù)采用該樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，不但不會增加訓(xùn)練精度，還會帶來相反的結(jié)果。因此，在服務(wù)器接收多個客戶端發(fā)送的醫(yī)學(xué)樣本之后，可以對接收到的第一樣本進(jìn)行篩選，然后采用經(jīng)過篩選的樣本作為訓(xùn)練樣本，對服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以提高神經(jīng)網(wǎng)絡(luò)的收斂速度和訓(xùn)練精度。示例地，該篩選過程可以為刪除多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本。

可選地，如圖5所示，根據(jù)多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型的過程可以包括：

步驟3041、服務(wù)器刪除多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本，得到訓(xùn)練樣本。

可選地，服務(wù)器刪除多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本的過程，可以有多種可實現(xiàn)方式，本發(fā)明實施例以以下兩種可實現(xiàn)方式為例進(jìn)行說明。

第一種可實現(xiàn)方式，可以通過人工篩選來實現(xiàn)不準(zhǔn)確的醫(yī)學(xué)樣本的刪除，具體可以包括：

步驟a1、服務(wù)器依次顯示第一樣本的多個掩膜圖像，每個掩膜圖像由第一樣本中的一個標(biāo)簽圖像疊加在相應(yīng)的CT圖像上形成，該第一樣本為多個客戶端發(fā)送的醫(yī)學(xué)樣本中的任一樣本。

可選地，服務(wù)器可以設(shè)置有輸入輸出接口，通過該輸入輸出接口連接外部輸入輸出設(shè)備，例如，該輸入輸出設(shè)備包括顯示屏，服務(wù)器可以在該輸入輸出設(shè)備的顯示屏上依次顯示第一樣本的多個掩膜圖像，該顯示屏可以是為服務(wù)器配置的維護設(shè)備的顯示屏。第一樣本的多個掩膜圖像是指，第一樣本中的一個標(biāo)簽圖像疊加在相應(yīng)的CT圖像上形成圖像，在掩膜圖像中，以原圖的方式對CT圖像進(jìn)行顯示，以一定透明度的方式對標(biāo)簽圖像進(jìn)行顯示，且標(biāo)簽圖像中指定器官對應(yīng)的像素具有一定的像素值。通過這樣的顯示方式，可以方便地對標(biāo)簽圖像和CT圖像中的指定器官進(jìn)行對照查看，以便于判斷分割結(jié)果的準(zhǔn)確性。示例地，顯示屏顯示的某個掩膜圖像可以如圖6-1所示，假設(shè)該掩膜圖像中，以點填充的圖像部分為標(biāo)簽圖像中的指定器官對應(yīng)的圖像部分，該掩膜圖像中以斜線填充的圖像部分為CT圖像中指定器官對應(yīng)的圖像部分，通過對該掩膜圖像的查看，可以看到CT圖像中指定器官對應(yīng)的圖像和標(biāo)簽圖像中指定器官對應(yīng)的圖像有互相重疊的部分和不重疊部分，該互相重疊的部分反映為分割結(jié)果中分割準(zhǔn)確的部分，該不重疊的部分反映為分割結(jié)果中分割不準(zhǔn)確的部分，通過該對比，可以看出分割結(jié)果的準(zhǔn)確度，當(dāng)該準(zhǔn)確度差到一定程度時，即可認(rèn)為該分割結(jié)果不準(zhǔn)確。圖中虛線可用于標(biāo)示圖像的中心位置，可以借助該中心位置判斷指定器官的位置。

為了便于用戶對比，服務(wù)器還可以同時將第一樣本對應(yīng)的三維圖像顯示在掩膜圖像的顯示界面中，該三維圖像為根據(jù)第一樣本中的多張CT圖像生成的。示例地，圖6-2中同時顯示了第一樣本的掩膜圖像(左上)和三維圖像(右下)，同時，為了便于用戶查看，圖6-2中還顯示了患者腹腔的正視透視圖(右上)和左視透視圖(左下)，圖中虛線可用于標(biāo)示圖像的中心位置，可以借助該中心位置判斷指定器官的位置。對圖6-2的分析，可以相應(yīng)參考對圖6-1的分析，此處不再贅述。

步驟b1、服務(wù)器接收人工在任一掩膜圖像所在界面或第一樣本所在界面觸發(fā)的對第一樣本的刪除操作。

可選地，當(dāng)維護人員在服務(wù)器對第一樣本的多個掩膜圖像進(jìn)行查看時，當(dāng)其認(rèn)為多個掩膜圖像不準(zhǔn)確導(dǎo)致該第一樣本不準(zhǔn)確時，維護人員可以對第一樣本進(jìn)行人工刪除，維護人員可以人工在任一掩膜圖像所在界面或第一樣本所在界面觸發(fā)對第一樣本的刪除操作，示例地，該刪除操作可以為維護人員通過鼠標(biāo)在相應(yīng)的界面操作產(chǎn)生的。例如，每個掩膜圖像所在界面或者每個樣本所在界面可以設(shè)置有第一樣本對應(yīng)的刪除按鈕，當(dāng)人工點擊該刪除按鈕時，生成相應(yīng)的刪除指令。

步驟c1、服務(wù)器根據(jù)刪除操作將第一樣本作為不準(zhǔn)確的樣本刪除。

可選地，當(dāng)服務(wù)器接收了人工觸發(fā)的對第一樣本的刪除操作之后，可以根據(jù)該刪除操作將對應(yīng)的第一樣本作為不準(zhǔn)確的樣本進(jìn)行刪除。

示例地，該對第一樣本的刪除操作是在維護人員在掩膜圖像對應(yīng)的界面觸發(fā)的，例如該界面可以是在圖6-1或圖6-2中所示的界面，也即是，服務(wù)器接收了人工在任一掩膜圖像所在界面上觸發(fā)刪除操作之后，根據(jù)系統(tǒng)設(shè)置，可以默認(rèn)維護人員認(rèn)為該掩膜圖像對應(yīng)的第一樣本為不準(zhǔn)確的樣本，則服務(wù)器可以在當(dāng)前掩膜圖像的界面中對第一樣本進(jìn)行刪除，或者，維護人員在第一樣本對應(yīng)的界面觸發(fā)刪除操作，服務(wù)器相應(yīng)刪除第一樣本。

第二種可實現(xiàn)方式，通過服務(wù)器和人工結(jié)合的篩選方式實現(xiàn)不準(zhǔn)確的醫(yī)學(xué)樣本的刪除，具體可以包括：

步驟a2、服務(wù)器將第一樣本中的每張CT圖像采用服務(wù)器中預(yù)設(shè)的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分割，得到與每張CT圖像對應(yīng)的第二標(biāo)簽圖像，該第二標(biāo)簽圖像用于標(biāo)識CT圖像包含的指定器官，該第一樣本為多個客戶端發(fā)送的醫(yī)學(xué)樣本中的任一樣本。

可選地，服務(wù)器中預(yù)設(shè)的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型通常是維護人員預(yù)先設(shè)置的最可靠的神經(jīng)網(wǎng)絡(luò)模型，示例地，可以為服務(wù)器中存儲的最新版本的神經(jīng)網(wǎng)絡(luò)模型。

步驟b2、服務(wù)器判斷CT圖像的分割圖像差值是否大于預(yù)設(shè)差值閾值，分割圖像差值為對應(yīng)于同一CT圖像的第一標(biāo)簽圖像與第二標(biāo)簽圖像的圖像差值。

可選地，第一標(biāo)簽圖像與第二標(biāo)簽圖像的圖像差值可以通過對應(yīng)圖像中指定器官的面積差值表示。該面積差值可以表現(xiàn)為圖像中指定器官包含的像素點數(shù)目的差值。

實際應(yīng)用中，預(yù)設(shè)差值閾值可以根據(jù)實際情況進(jìn)行設(shè)置，本發(fā)明實施例對其不做具體限定。

步驟c2、當(dāng)分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在第一樣本中的占比大于預(yù)設(shè)比值時，服務(wù)器將第一樣本存儲至人工確認(rèn)數(shù)據(jù)庫，人工確認(rèn)數(shù)據(jù)庫中的樣本用于由人工確認(rèn)是否刪除，執(zhí)行步驟e2。

示例地，上述預(yù)設(shè)比值可以為5％。

可選地，分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在第一樣本中的占比，可以通過分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像的總數(shù)與第一樣本中包含的CT圖像的總數(shù)的比值來表現(xiàn)。示例地，假設(shè)預(yù)設(shè)比值為5％，第一樣本中包含的CT圖像的總數(shù)為300，分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像的總數(shù)為21，則分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在第一樣本中的占比為7％，可知7％>5％，則服務(wù)器將該第一樣本存儲至人工確認(rèn)數(shù)據(jù)庫，由人工確認(rèn)該第一樣本是否刪除。

步驟d2、當(dāng)分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在第一樣本中的占比不大于預(yù)設(shè)比值時，服務(wù)器將第一樣本存儲至訓(xùn)練樣本數(shù)據(jù)庫，訓(xùn)練樣本數(shù)據(jù)庫中的樣本用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，執(zhí)行步驟e2。

步驟e2、服務(wù)器將人工確認(rèn)數(shù)據(jù)庫中確認(rèn)不刪除的樣本和/或訓(xùn)練樣本數(shù)據(jù)庫中的樣本確定為訓(xùn)練樣本。

可選地，可以將人工確認(rèn)數(shù)據(jù)庫中確認(rèn)不刪除的樣本確定為訓(xùn)練樣本，也可以將訓(xùn)練樣本數(shù)據(jù)庫中的樣本確定為訓(xùn)練樣本，也可以同時將人工確認(rèn)數(shù)據(jù)庫中確認(rèn)不刪除的樣本和訓(xùn)練樣本數(shù)據(jù)庫中的樣本均確定為訓(xùn)練樣本，本發(fā)明實施例對其不做具體限定。示例地，假設(shè)人工確認(rèn)數(shù)據(jù)庫中確認(rèn)不刪除的樣本為樣本1，訓(xùn)練樣本數(shù)據(jù)庫中的樣本為樣本2和樣本3，則服務(wù)器可以將樣本1確定為訓(xùn)練樣本，也可以將樣本2和樣本3確定為訓(xùn)練樣本，或者，也可以將樣本1、樣本2和樣本3均確定為訓(xùn)練樣本。

服務(wù)器刪除多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本的第一種可實現(xiàn)方式需要人工參與，該人工參與篩選樣本的方式使得收集更為異常的樣本成為可能，從而使分割準(zhǔn)確的樣本范圍更廣泛；第二種可實現(xiàn)方式能夠減少人工的工作量，能夠在實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型自動化更新的同時，保證分割結(jié)果的準(zhǔn)確性。

步驟3042、服務(wù)器采用訓(xùn)練樣本訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型。

可選地，服務(wù)器可以將所有訓(xùn)練樣本打包，然后將打包后的訓(xùn)練樣本用于訓(xùn)練第一神經(jīng)網(wǎng)絡(luò)模型，該第一神經(jīng)網(wǎng)絡(luò)模型為服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型。在打包的訓(xùn)練樣本中，每張CT圖像與對應(yīng)的第一標(biāo)簽圖像一一對應(yīng)。

可選地，可以采用前饋反向傳播算法對第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，也可以采用其他算法對第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，該訓(xùn)練過程可以參考現(xiàn)有技術(shù)，本發(fā)明實施例對其不再贅述。

步驟305、服務(wù)器將第二神經(jīng)網(wǎng)絡(luò)模型發(fā)送至第一客戶端。

該第二神經(jīng)網(wǎng)絡(luò)模型為根據(jù)多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型所得到的神經(jīng)網(wǎng)絡(luò)模型。

可選地，由于訓(xùn)練后的第二神經(jīng)網(wǎng)絡(luò)模型的性能并非一定優(yōu)于訓(xùn)練前的第一神經(jīng)網(wǎng)絡(luò)模型(例如，訓(xùn)練所選擇的錯誤樣本過多，導(dǎo)致訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型精度較低)，因此，服務(wù)器在完成對第二神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練之后，可以將訓(xùn)練好的第二神經(jīng)網(wǎng)絡(luò)模型發(fā)送至多個測試客戶端，用于測試第二神經(jīng)網(wǎng)絡(luò)模型的圖像分割效果。在本發(fā)明實施例中，第一客戶端也可以為預(yù)設(shè)的測試客戶端，因此，服務(wù)器可以將第二神經(jīng)網(wǎng)絡(luò)模型發(fā)送至第一客戶端。

可選地，用于測試的多個測試客戶端可以為多個客戶端中的部分客戶端，也可以為全部客戶端。在實際應(yīng)用中，具體由哪些客戶端充當(dāng)測試客戶端可以根據(jù)實際需要進(jìn)行設(shè)定，本發(fā)明實施例對其不做具體限定。

步驟306、第一客戶端在使用第二神經(jīng)網(wǎng)絡(luò)模型后，顯示模型打分界面。

可選地，第一客戶端可以為預(yù)設(shè)的測試客戶端。在將醫(yī)學(xué)樣本發(fā)送至服務(wù)器之后，充當(dāng)測試客戶端的第一客戶端可以接收服務(wù)器發(fā)送的第二神經(jīng)網(wǎng)絡(luò)模型，并在使用第二神經(jīng)網(wǎng)絡(luò)模型后，顯示模型打分界面。用戶(通常為醫(yī)護人員)可以在該模型打分界面中對第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行打分，該打分可以表征第二神經(jīng)網(wǎng)絡(luò)模型對醫(yī)學(xué)圖像分割結(jié)果的準(zhǔn)確性，打分越高，則表示用戶認(rèn)為分割結(jié)果越準(zhǔn)確。示例地，該打分可以為百分制打分。打分的具體標(biāo)準(zhǔn)可以根據(jù)實際應(yīng)用進(jìn)行設(shè)定，本發(fā)明實施例對其不做具體限定。

示例地，圖7-1為本發(fā)明實施例提供的一種模型打分界面示意圖，該模型打分界面僅顯示了打分區(qū)域01，圖7-2為本發(fā)明實施例提供的另一種模型打分界面示意圖，該模型打分界面顯示了打分區(qū)域01、分割結(jié)果顯示區(qū)域02和待分割圖像顯示區(qū)域03。在圖7-1和圖7-2顯示的打分區(qū)域01中用戶可以對根據(jù)自己的判斷準(zhǔn)則對第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行打分，以表征第二神經(jīng)網(wǎng)絡(luò)模型對醫(yī)學(xué)圖像分割結(jié)果的準(zhǔn)確性。實際應(yīng)用中，模型打分界面還可以有其他形式，本發(fā)明實施例對其不做具體限定。

步驟307、第一客戶端通過模型打分界面接收用戶對第二神經(jīng)網(wǎng)絡(luò)模型的打分。

示例地，在圖7-1和圖7-2顯示的打分區(qū)域01中，用戶可以通過鼠標(biāo)點擊打分區(qū)域中的數(shù)字和“.”對第二神經(jīng)網(wǎng)絡(luò)模型進(jìn)行打分，可以通過鼠標(biāo)點擊打分區(qū)域中的“×”對打分進(jìn)行修改。

步驟308、第一客戶端將打分發(fā)送至服務(wù)器。

步驟309、服務(wù)器根據(jù)第一客戶端對第二神經(jīng)網(wǎng)絡(luò)模型的打分，確定測試分?jǐn)?shù)。

可選地，服務(wù)器接收多個測試客戶端對第二神經(jīng)網(wǎng)絡(luò)模型的打分之后，可以根據(jù)該打分確定測試分?jǐn)?shù)，該測試分?jǐn)?shù)可以為多個測試客戶端打分的平均分，也可以為多個測試客戶端打分的最低分，或者，也可以為根據(jù)多個測試客戶端對測試分?jǐn)?shù)影響的程度計算出的分?jǐn)?shù)，示例地，多個測試客戶端對測試分?jǐn)?shù)影響的程度可以通過權(quán)值進(jìn)行表示。實際應(yīng)用中，根據(jù)多個打分確定測試分?jǐn)?shù)的方式可以根據(jù)實際進(jìn)行設(shè)定，本發(fā)明實施例對其不做具體限定。

示例地，假設(shè)多個客戶端中有三個客戶端為測試客戶端，分別為客戶端1、客戶端2和客戶端3，服務(wù)器接收的三個客戶端的打分分別為80、85和90，三個客戶端對測試分?jǐn)?shù)影響的程度的權(quán)值分別為0.2、0.3和0.5。當(dāng)測試分?jǐn)?shù)為多個測試客戶端打分的平均分時，可以確定測試分?jǐn)?shù)為(80+85+90)/3＝85；當(dāng)測試分?jǐn)?shù)為多個測試客戶端打分的最低分時，可以確定測試分?jǐn)?shù)為80；當(dāng)測試分?jǐn)?shù)為根據(jù)三個測試客戶端對測試分?jǐn)?shù)影響的程度計算出的分?jǐn)?shù)時，可以確定測試分?jǐn)?shù)為80*0.2+85*0.3+90*0.5＝86.5。

步驟3010、服務(wù)器判斷測試分?jǐn)?shù)是否大于預(yù)設(shè)的及格分?jǐn)?shù)。

可選地，預(yù)設(shè)的及格分?jǐn)?shù)可以為表示當(dāng)前的第二神經(jīng)網(wǎng)絡(luò)模型的分割結(jié)果的準(zhǔn)確性高于訓(xùn)練前的第一神經(jīng)網(wǎng)絡(luò)的分割結(jié)果的準(zhǔn)確性的最低分?jǐn)?shù)。該預(yù)設(shè)的及格分?jǐn)?shù)可以為人為設(shè)定的一個分?jǐn)?shù)值，例如，可以人為設(shè)定該預(yù)設(shè)的及格分?jǐn)?shù)為80；也可以為對第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試時的測試分?jǐn)?shù)，例如，對第一神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試時的測試分?jǐn)?shù)為82，則該預(yù)設(shè)的及格分?jǐn)?shù)可以設(shè)置為82；或者，該預(yù)設(shè)的及格分?jǐn)?shù)的數(shù)值可以根據(jù)情況進(jìn)行設(shè)定，本發(fā)明實施例對其不做具體限定。

測試分?jǐn)?shù)大于預(yù)設(shè)的及格分?jǐn)?shù)，也即是，當(dāng)前使用的第二神經(jīng)網(wǎng)絡(luò)模型的分割結(jié)果的準(zhǔn)確性高于訓(xùn)練前的第一神經(jīng)網(wǎng)絡(luò)分割結(jié)果的準(zhǔn)確性；測試分?jǐn)?shù)不大于預(yù)設(shè)的及格分?jǐn)?shù)，也即是，當(dāng)前的第二神經(jīng)網(wǎng)絡(luò)模型的分割結(jié)果的準(zhǔn)確性不高于訓(xùn)練前的第一神經(jīng)網(wǎng)絡(luò)的分割結(jié)果的準(zhǔn)確性。

步驟3011、當(dāng)測試分?jǐn)?shù)大于預(yù)設(shè)的及格分?jǐn)?shù)，服務(wù)器將第二神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型。

示例地，假設(shè)預(yù)設(shè)的及格分?jǐn)?shù)為80，第二神經(jīng)網(wǎng)絡(luò)模型的測試分?jǐn)?shù)為82，可知82>80，也即是測試分?jǐn)?shù)大于預(yù)設(shè)的及格分?jǐn)?shù)，則可將第二神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型。

步驟3012、當(dāng)測試分?jǐn)?shù)不大于預(yù)設(shè)的及格分?jǐn)?shù)，服務(wù)器將第一神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型。

示例地，假設(shè)預(yù)設(shè)的及格分?jǐn)?shù)為80，第二神經(jīng)網(wǎng)絡(luò)模型的測試分?jǐn)?shù)為79，可知79<80，也即是測試分?jǐn)?shù)不大于預(yù)設(shè)的及格分?jǐn)?shù)，則可將第一神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型。

可選地，醫(yī)學(xué)圖像分割系統(tǒng)中包含的多個客戶端在采用本地神經(jīng)網(wǎng)絡(luò)模型對CT圖像進(jìn)行分割后，均可以對本地神經(jīng)網(wǎng)絡(luò)模型進(jìn)行打分，也即是，即使某客戶端不是測試客戶端，該客戶端也可以對本地神經(jīng)網(wǎng)絡(luò)模型進(jìn)行打分，該打分可以為常規(guī)打分，客戶端可以通過該打分向服務(wù)器反饋其使用的本地神經(jīng)網(wǎng)絡(luò)模型的分割準(zhǔn)確性。其打分過程可以為：顯示模型打分界面，通過模型打分界面接收用戶對本地神經(jīng)網(wǎng)絡(luò)模型的打分，并將打分發(fā)送至服務(wù)器。對該打分的相關(guān)描述和該打分的具體實現(xiàn)過程可以參考測試客戶端對第二神經(jīng)網(wǎng)絡(luò)模型的打分，此處不再贅述。

需要說明的是，醫(yī)學(xué)圖像分割系統(tǒng)中包含的多個客戶端對第一神經(jīng)網(wǎng)絡(luò)模型的常規(guī)打分為可選操作，對其并不做強制性要求，也即是，在采用本地神經(jīng)網(wǎng)絡(luò)模型對CT圖像進(jìn)行分割后，用戶可以選擇對本地神經(jīng)網(wǎng)絡(luò)模型打分或者不對本地神經(jīng)網(wǎng)絡(luò)模型打分。

可選地，服務(wù)器中可能存儲有多個版本的神經(jīng)網(wǎng)絡(luò)模型，其中，最新版本的神經(jīng)網(wǎng)絡(luò)模型為客戶端當(dāng)前使用的神經(jīng)網(wǎng)絡(luò)模型，其他版本的神經(jīng)網(wǎng)絡(luò)模型只是供后臺維護人員進(jìn)行記錄或參考的。

由于在醫(yī)學(xué)領(lǐng)域中，可以針對不同器官建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，客戶端基于該神經(jīng)網(wǎng)絡(luò)模型進(jìn)行醫(yī)學(xué)圖像分割，分割后得到的標(biāo)簽圖像包括指定器官，本發(fā)明上述實施例主要以該指定器官為肝臟為例進(jìn)行說明，實際應(yīng)用中，該指定器官還可以是心臟或大腦等，相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法可以參考肝臟的神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，本發(fā)明實施例對此不作贅述。

需要說明的是，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法步驟的先后順序可以進(jìn)行適當(dāng)調(diào)整，步驟也可以根據(jù)情況進(jìn)行相應(yīng)增減，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本申請揭露的技術(shù)范圍內(nèi)，可輕易想到變化的方法，都應(yīng)涵蓋在本申請的保護范圍之內(nèi)，因此不再贅述。

綜上所述，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練方法，通過服務(wù)器在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，接收多個客戶端發(fā)送的包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，根據(jù)測試客戶端的打分確定最新版本的神經(jīng)網(wǎng)絡(luò)模型，并對最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。

圖8為本發(fā)明實施例提供的一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置800的結(jié)構(gòu)框圖，該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置800應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的服務(wù)器，如圖8所示，該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置800可以包括：

第一接收模塊801，用于接收多個客戶端發(fā)送的醫(yī)學(xué)樣本，其中，第一客戶端發(fā)送的醫(yī)學(xué)樣本包括：多張CT圖像和每張CT圖像對應(yīng)的第一標(biāo)簽圖像，第一標(biāo)簽圖像用于標(biāo)識CT圖像包含的指定器官，第一標(biāo)簽圖像是第一客戶端采用本地神經(jīng)網(wǎng)絡(luò)模型對多張CT圖像進(jìn)行分割得到的，第一客戶端為多個客戶端中的任一客戶端。

訓(xùn)練模塊802，用于根據(jù)多個客戶端發(fā)送的醫(yī)學(xué)樣本，訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，第一神經(jīng)網(wǎng)絡(luò)模型為服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型。

綜上所述，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置，在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，通過第一接收模塊接收多個客戶端發(fā)送的包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，訓(xùn)練模塊對最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的準(zhǔn)確性。

如圖9所示，訓(xùn)練模塊802可以包括：

刪除子模塊8021，用于刪除多個客戶端發(fā)送的醫(yī)學(xué)樣本中不準(zhǔn)確的醫(yī)學(xué)樣本，得到訓(xùn)練樣本。

訓(xùn)練子模塊8022，用于采用訓(xùn)練樣本訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型。

可選地，刪除子模塊8021具體用于：

依次顯示第一樣本的多個掩膜圖像，每個掩膜圖像由第一樣本中的一個標(biāo)簽圖像疊加在相應(yīng)的CT圖像上形成，第一樣本為多個客戶端發(fā)送的醫(yī)學(xué)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(fā)的對所述第一樣本的刪除操作。

根據(jù)刪除操作將第一樣本作為不準(zhǔn)確的樣本刪除。

可選地，刪除子模塊8021具體用于：

將第一樣本中的每張CT圖像采用服務(wù)器中預(yù)設(shè)的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分割，得到與每張CT圖像對應(yīng)的第二標(biāo)簽圖像，該第二標(biāo)簽圖像用于標(biāo)識CT圖像包含的指定器官，第一樣本為多個客戶端發(fā)送的醫(yī)學(xué)樣本中的任一樣本。

判斷CT圖像的分割圖像差值是否大于預(yù)設(shè)差值閾值，分割圖像差值為對應(yīng)于同一CT圖像的第一標(biāo)簽圖像與第二標(biāo)簽圖像的圖像差值。

當(dāng)分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在第一樣本中的占比大于預(yù)設(shè)比值時，將第一樣本存儲至人工確認(rèn)數(shù)據(jù)庫，人工確認(rèn)數(shù)據(jù)庫中的樣本用于由人工確認(rèn)是否刪除。

當(dāng)分割圖像差值大于預(yù)設(shè)差值閾值的CT圖像在第一樣本中的占比不大于預(yù)設(shè)比值時，將第一樣本存儲至訓(xùn)練樣本數(shù)據(jù)庫，訓(xùn)練樣本數(shù)據(jù)庫中的樣本用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

將人工確認(rèn)數(shù)據(jù)庫中確認(rèn)不刪除的樣本和/或訓(xùn)練樣本數(shù)據(jù)庫中的樣本確定為訓(xùn)練樣本。

如圖10所示，該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置800還可以包括：

發(fā)送模塊803，用于將第二神經(jīng)網(wǎng)絡(luò)模型發(fā)送至多個測試客戶端，第二神經(jīng)網(wǎng)絡(luò)模型為根據(jù)多個客戶端發(fā)送的醫(yī)學(xué)樣本訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型所得到的神經(jīng)網(wǎng)絡(luò)模型。

第二接收模塊804，用于接收多個測試客戶端對第二神經(jīng)網(wǎng)絡(luò)模型的打分。

第一確定模塊805，用于根據(jù)多個測試客戶端對第二神經(jīng)網(wǎng)絡(luò)模型的打分，確定測試分?jǐn)?shù)。

判斷模塊806，用于判斷測試分?jǐn)?shù)是否大于預(yù)設(shè)的及格分?jǐn)?shù)。

第二確定模塊807，用于當(dāng)測試分?jǐn)?shù)大于預(yù)設(shè)的及格分?jǐn)?shù)，將第二神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型。

第三確定模塊808，用于當(dāng)測試分?jǐn)?shù)不大于預(yù)設(shè)的及格分?jǐn)?shù)，將第一神經(jīng)網(wǎng)絡(luò)模型確定為最新版本的神經(jīng)網(wǎng)絡(luò)模型。

綜上所述，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置，在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，通過第一接收模塊接收多個客戶端發(fā)送的包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，根據(jù)測試客戶端的打分確定最新版本的神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練模塊對最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的準(zhǔn)確性。

圖11為本發(fā)明實施例提供的一種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置900的結(jié)構(gòu)框圖，該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置900應(yīng)用于醫(yī)學(xué)圖像分割系統(tǒng)的第一客戶端，如圖11所示，該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置900可以包括：

獲取模塊901，用于獲取包括多張計算機斷層掃描CT圖像的待分割樣本，該CT圖像包含指定器官的圖像。

分割模塊902，用于采用第一客戶端內(nèi)的本地神經(jīng)網(wǎng)絡(luò)模型對每張CT圖像進(jìn)行分割，得到與每張CT圖像對應(yīng)的第一標(biāo)簽圖像，該第一標(biāo)簽圖像用于標(biāo)識CT圖像包含的指定器官。

發(fā)送模塊903，用于將醫(yī)學(xué)樣本發(fā)送至服務(wù)器，以便于服務(wù)器根據(jù)醫(yī)學(xué)樣本訓(xùn)練服務(wù)器中的第一神經(jīng)網(wǎng)絡(luò)模型，該第一神經(jīng)網(wǎng)絡(luò)模型為服務(wù)器中最新版本的神經(jīng)網(wǎng)絡(luò)模型，醫(yī)學(xué)樣本包括：每張CT圖像和每張CT圖像對應(yīng)的第一標(biāo)簽圖像。

綜上所述，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置，在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，通過發(fā)送模塊向服務(wù)器發(fā)送包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，使服務(wù)器能夠根據(jù)醫(yī)學(xué)樣本對最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的準(zhǔn)確性。

需要說明的是，第一客戶端也可以為預(yù)設(shè)的測試客戶端。當(dāng)?shù)谝豢蛻舳藶轭A(yù)設(shè)的測試客戶時，如圖12所示，該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置900還可以包括：

第一接收模塊904，用于接收服務(wù)器發(fā)送的第二神經(jīng)網(wǎng)絡(luò)模型。

顯示模塊905，用于在使用第二神經(jīng)網(wǎng)絡(luò)模型后，顯示模型打分界面。

第二接收模塊906，用于通過模型打分界面接收用戶對第二神經(jīng)網(wǎng)絡(luò)模型的打分。

打分發(fā)送模塊907，用于將打分發(fā)送至服務(wù)器。

綜上所述，本發(fā)明實施例提供的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置，在多個客戶端中的每個客戶端采用最新的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行CT圖像分割后，通過發(fā)送模塊向服務(wù)器發(fā)送包含多張CT圖像和標(biāo)簽圖像的醫(yī)學(xué)樣本，打分發(fā)送模塊將測試客戶端的打分發(fā)送至服務(wù)器，以便于服務(wù)器確定最新版本的神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)醫(yī)學(xué)樣本對最新版本的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的在線訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練時間，有效地提高了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的準(zhǔn)確性。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的裝置、模塊和子模塊的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

本發(fā)明實施例還提供了一種醫(yī)學(xué)圖像分割系統(tǒng)，該醫(yī)學(xué)圖像分割系統(tǒng)包括：至少一個服務(wù)器和與服務(wù)器相連的至少一個第一客戶端，該服務(wù)器包括上述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置800，該第一客戶端包括上述神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練裝置900。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例的全部或部分步驟可以通過硬件來完成，也可以通過程序來指令相關(guān)的硬件完成，所述的程序可以存儲于一種計算機可讀存儲介質(zhì)中，上述提到的存儲介質(zhì)可以是只讀存儲器，磁盤或光盤等。

以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。