医学图像分割模型训练方法、介质及电子设备.pdf

《医学图像分割模型训练方法、介质及电子设备.pdf》由会员分享，可在线阅读，更多相关《医学图像分割模型训练方法、介质及电子设备.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010334466.0 (22)申请日 2020.04.24 (71)申请人 上海杏脉信息科技有限公司 地址 202150 上海市崇明区新河镇新开河 路825号8幢F区305室(上海新河经济 小区) (72)发明人 张雯房劬赵夕 (74)专利代理机构 上海光华专利事务所(普通 合伙) 31219 代理人 徐秋平 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/62(2017.01) (54)发明名称 一种医学。

2、图像分割模型训练方法、 介质及电 子设备 (57)摘要 本发明提供一种医学图像分割模型训练方 法、 介质及电子设备。 其中， 所述医学图像分割模 型训练方法包括： 获取待分割的医学图像； 采用 AI医学图像分割模型对所述医学图像进行第一 分割， 获得第一分割结果； 根据接收到的分割指 令对所述第一分割结果进行第二分割， 获得第二 分割结果； 所述第二分割结果用于对所述AI医学 图像分割模型进行训练； 获取所述第一分割结果 和所述第二分割结果之间的差值， 所述第一分割 结果和所述第二分割结果之间的差值用于获取 所述AI医学图像分割模型的分割准确度， 和/或 用于确定所述第二分割的分割作业量。 所。

3、述医学 图像分割模型训练方法能够在实际应用中对所 述AI医学图像分割模型进行再训练。 权利要求书1页 说明书8页 附图4页 CN 111553894 A 2020.08.18 CN 111553894 A 1.一种医学图像分割模型训练方法， 其特征在于， 所述医学图像分割模型训练方法包 括： 获取待分割的医学图像； 采用AI医学图像分割模型对所述医学图像进行第一分割， 获得第一分割结果； 根据接收到的分割指令对所述第一分割结果进行第二分割， 获得第二分割结果； 所述 第二分割结果用于对所述AI医学图像分割模型进行训练； 获取所述第一分割结果和所述第二分割结果之间的差值， 所述第一分割结果和所述。

4、第 二分割结果之间的差值用于获取所述AI医学图像分割模型的分割准确度， 和/或用于确定 所述第二分割的分割作业量。 2.根据权利要求1所述医学图像分割模型训练方法， 其特征在于， 所述医学图像分割模 型训练方法还包括： 根据所述第二分割的分割作业量和费用系数获取分割作业费用。 3.根据权利要求1所述医学图像分割模型训练方法， 其特征在于， 获取所述第一分割结 果和所述第二分割结果之间的差值的一种实现方法包括： 获取所述第一分割结果和所述第二分割结果之间的像素差集； 所述像素差集即为所述 第一分割结果和所述第二分割结果之间的差值。 4.根据权利要求1所述医学图像分割模型训练方法， 其特征在于， 。

5、获取所述第一分割结 果和所述第二分割结果之间的差值的一种实现方法包括： 所述医学图像为3维医学图像； 获取所述第一分割结果和所述第二分割结果之间的体素差集； 所述体素差集即为所述 第一分割结果和所述第二分割结果之间的差值。 5.根据权利要求1所述医学图像分割模型训练方法， 其特征在于， 获取所述第一分割结 果和所述第二分割结果之间的差值的一种实现方法包括： 根据所述第一分割结果和所述第二分割结果获得相应的差值区域； 获取所述差值区域的一个或多个几何特征作为所述第一分割结果和所述第二分割结 果之间的差值。 6.根据权利要求5所述医学图像分割模型训练方法， 其特征在于： 所述差值区域的几何 特征包。

6、括所述差值区域的周长、 体积或面积中的一种或多种。 7.根据权利要求1所述医学图像分割模型训练方法， 其特征在于， 所述分割指令包括： 画笔指令、 涂抹指令、 擦除指令、 单点追踪指令和/或多点追踪指令。 8.根据权利要求1所述医学图像分割模型训练方法， 其特征在于， 所述医学图像分割模 型训练方法还包括： 在显示屏上显示相应的指令图标以便分割人员输入所述分割指令。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于： 该程序被处理器执 行时实现权利要求1至8任一项所述医学图像分割模型训练方法。 10.一种电子设备， 其特征在于， 所述电子设备包括： 存储器， 存储有一计算机程序。

7、； 处理器， 与所述存储器通信相连， 用于调用所述计算机程序时执行权利要求1至8任一 项所述医学图像分割模型训练方法； 显示器， 与所述处理器和所述存储器通信相连， 用于显示所述医学图像分割模型训练 方法的相关GUI交互界面。 权利要求书 1/1 页 2 CN 111553894 A 2 一种医学图像分割模型训练方法、 介质及电子设备 技术领域 0001 本发明属于医学图像处理领域， 涉及一种图像分割模型训练方法， 特别是涉及一 种医学图像分割模型训练方法、 介质及电子设备。 背景技术 0002 图像分割是图像处理中的一项关键技术。 作为图像处理和分析的第一步， 图像分 割的准确与否直接影响到。

8、特征提取、 目标识别等后续操作的准确度。 现有方案中， 为了提升 图像分割的效率， 业内普遍采用AI(Artificial Intelligence， 人工智能)医学图像分割模 型对医学图像进行分割， 具体地， 现有方案首先利用大量的图像分割实例对AI医学图像分 割模型进行训练， 待所述AI医学图像分割模型训练好以后， 将训练好的AI医学图像分割模 型应用到医学图像分割中。 然而， 在实际应用中发明人发现， 受限于医学图像的复杂度和多 样性， 当所述训练好的AI医学图像应用到不同场景时其分割准确度可能不高， 例如： 对于通 过腹部CT图像训练得到的AI医学图像分割模型， 如果将其应用到冠脉CT。

9、图像分割， 其准确 度可能不高， 而现有方案无法根据实际应用场景对所述AI医学图像分割模型进行实时训 练。 发明内容 0003 鉴于以上所述现有技术的缺点， 本发明的目的在于提供一种医学图像分割模型训 练方法、 介质及电子设备， 用于解决现有方案无法根据实际应用场景对所述AI医学图像分 割模型进行实时训练的问题。 0004 为实现上述目的及其他相关目的， 本发明的第一方面提供一种医学图像分割模型 训练方法。 所述医学图像分割模型训练方法包括： 获取待分割的医学图像； 采用AI医学图像 分割模型对所述医学图像进行第一分割， 获得第一分割结果； 根据接收到的分割指令对所 述第一分割结果进行第二分割。

10、， 获得第二分割结果； 所述第二分割结果用于对所述AI医学 图像分割模型进行训练； 获取所述第一分割结果和所述第二分割结果之间的差值， 所述第 一分割结果和所述第二分割结果之间的差值用于获取所述AI医学图像分割模型的分割准 确度， 和/或用于确定所述第二分割的分割作业量。 0005 于所述第一方面的某些实施例中， 所述医学图像分割模型训练方法还包括： 根据 所述第二分割的分割作业量和费用系数获取分割作业费用。 0006 于所述第一方面的某些实施例中， 获取所述第一分割结果和所述第二分割结果之 间的差值的一种实现方法包括： 获取所述第一分割结果和所述第二分割结果之间的像素差 集； 所述像素差集即。

11、为所述第一分割结果和所述第二分割结果之间的差值。 0007 于所述第一方面的某些实施例中， 获取所述第一分割结果和所述第二分割结果之 间的差值的一种实现方法包括： 所述医学图像为3维医学图像； 获取所述第一分割结果和所 述第二分割结果之间的体素差集； 所述体素差集即为所述第一分割结果和所述第二分割结 果之间的差值。 说明书 1/8 页 3 CN 111553894 A 3 0008 于所述第一方面的某些实施例中， 获取所述第一分割结果和所述第二分割结果之 间的差值的一种实现方法包括： 根据所述第一分割结果和所述第二分割结果获得相应的差 值区域； 获取所述差值区域的一个或多个几何特征作为所述第一。

12、分割结果和所述第二分割 结果之间的差值。 0009 于所述第一方面的某些实施例中， 所述差值区域的几何特征包括所述差值区域的 周长、 体积或面积中的一种或多种。 0010 于所述第一方面的某些实施例中， 所述分割指令包括： 画笔指令、 涂抹指令、 擦除 指令、 单点追踪指令和/或多点追踪指令。 0011 于所述第一方面的某些实施例中， 所述医学图像分割模型训练方法还包括： 在显 示屏上显示相应的指令图标以便分割人员输入所述分割指令。 0012 本发明的第二方面提供一种计算机可读存储介质， 其上存储有计算机程序； 该程 序被处理器执行时实现本发明所述医学图像分割模型训练方法。 0013 本发明的。

13、第三方面提供一种电子设备， 所述电子设备包括： 存储器， 存储有一计算 机程序； 处理器， 与所述存储器通信相连， 用于调用所述计算机程序时执行本发明所述医学 图像分割模型训练方法； 显示器， 与所述处理器和所述存储器通信相连， 用于显示所述医学 图像分割模型训练方法的相关GUI交互界面。 0014 如上所述， 本发明所述医学图像分割模型训练方法、 介质及电子设备， 具有以下有 益效果： 0015 所述医学图像分割模型训练方法利用AI医学图像分割模型获得第一分割结果， 并 根据接收到的分割指令对所述第一分割结果进行第二分割并获得第二分割结果， 所述第二 分割结果用于对所述AI医学图像分割模型进。

14、行训练。 因此， 所述医学图像分割模型训练方 法能够解决现有方案 “无法根据实际应用场景对所述AI医学图像分割模型进行实时训练” 这一问题， 实现 “根据实际应用场景对所述AI医学图像分割模型进行实时训练进而提升分 割准确度” 的技术效果。 附图说明 0016 图1显示为本发明所述医学图像分割模型训练方法于一实施例中的流程图。 0017 图2显示为本发明所述医学图像分割训练方法于一实施例中获取差值的示例图。 0018 图3A显示为本发明所述医学图像分割模型训练方法于一实施例中步骤S14的流程 图。 0019 图3B显示为本发明所述医学图像分割模型训练方法于又一实施例中步骤S14的流 程图。 0。

15、020 图4显示为本发明所述医学图像分割模型训练方法于再一实施例中的流程图。 0021 图5A显示为本发明所述医学图像分割训练方法于一实施例中获取的待分割的医 学图像示例图。 0022 图5B显示为本发明所述医学图像分割训练方法于一实施例中获得的第一分割结 果示例图。 0023 图5C显示为本发明所述医学图像分割训练方法于一实施例中获得的第二分割结 果示例图。 说明书 2/8 页 4 CN 111553894 A 4 0024 图5D显示为本发明所述医学图像分割训练方法于一实施例中获得的所述差值示 例图。 0025 图6显示为本发明所述电子设备于一实施例中的结构示意图。 0026 元件标号说明。

16、 0027 51 分割目标 0028 52 第一分割结果 0029 53 第二分割结果 0030 54 第一差值 0031 55 第二差值 0032 600 电子设备 0033 610 存储器 0034 620 处理器 0035 630 显示器 0036 S11S14 步骤 0037 S141aS142a 步骤 0038 S141bS143b 步骤 0039 S41S44 步骤 具体实施方式 0040 以下通过特定的具体实例说明本发明的实施方式， 本领域技术人员可由本说明书 所揭露的内容轻易地了解本发明的其他优点与功效。 本发明还可以通过另外不同的具体实 施方式加以实施或应用， 本说明书中的各。

17、项细节也可以基于不同观点与应用， 在没有背离 本发明的精神下进行各种修饰或改变。 需说明的是， 在不冲突的情况下， 以下实施例及实施 例中的特征可以相互组合。 0041 需要说明的是， 以下实施例中所提供的图示仅以示意方式说明本发明的基本构 想， 图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、 形状及尺寸绘 制， 其实际实施时各组件的型态、 数量及比例可为一种随意的改变， 且其组件布局型态也可 能更为复杂。 0042 图像分割是图像处理中的一项关键技术， 其往往通过对图像中的目标对象进行标 注实现。 作为图像处理和分析的第一步， 图像分割的准确与否直接影响到特征提取、 目标识 。

18、别等后续操作的准确度。 为了提升图像分割的效率， 于一些实施例中选择了采用AI医学图 像分割模型对医学图像进行分割。 具体地， 首先利用大量的图像分割实例对AI医学图像分 割模型进行训练， 待所述AI医学图像分割模型训练好以后， 将训练好的AI医学图像分割模 型直接应用到不同场景下的图像分割中。 然而， 受限于医学图像的复杂度和多样性， 当所述 训练好的AI医学图像应用到不同场景时， 其分割准确度可能不高， 例如： 对于通过腹部CT图 像训练得到的AI医学图像分割模型， 如果将其直接应用到 “冠脉CT图像分割” 这一场景中可 能会导致较大的分割误差。 因此， 有必要根据实际应用场景对所述AI医。

19、学图像分割模型进 行再训练， 而上述方案无法并未涉及 “根据实际应用场景对所述AI医学图像分割模型进行 实时训练” 的问题， 因而导致上述方案中所述AI医学图像分割模型的分割准确度不高。 说明书 3/8 页 5 CN 111553894 A 5 0043 针对这一问题， 本发明提供一种医学图像分割模型训练方法， 所述医学图像分割 模型训练方法包括： 获取待分割的医学图像； 采用AI医学图像分割模型对所述医学图像进 行第一分割， 获得第一分割结果； 根据接收到的分割指令对所述第一分割结果进行第二分 割， 获得第二分割结果； 所述第二分割结果用于对所述AI医学图像分割模型进行训练； 获取 所述第一。

20、分割结果和所述第二分割结果之间的差值， 所述第一分割结果和所述第二分割结 果之间的差值用于获取所述AI医学图像分割模型的分割准确度， 和/或用于确定所述第二 分割的分割作业量。 0044 本发明所述医学图像分割模型训练方法首先采用AI医学图像分割模型对医学图 像进行第一分割以获得第一分割结果， 其后根据接收到的分割指令对所述第一分割结果进 行第二分割以获得第二分割结果， 所述第二分割结果用于对所述AI医学图像分割模型进行 再训练， 因而能够保证所述AI医学图像分割模型适用于不同的应用场景， 进而提升所述第 一分割的准确度。 0045 请参阅图1， 于本发明的一实施例中， 所述医学图像分割模型训。

21、练方法包括： 0046 S11， 获取待分割的医学图像。 其中， 所述医学图像例如X光图像、 CT图像或核磁共 振图像等。 0047 S12， 采用AI医学图像分割模型对所述医学图像进行第一分割， 获得第一分割结 果。 其中， 所述AI医学图像分割模型为预先训练好的模型， 通过将所述医学图像输入所述AI 医学图像分割模型即可实现所述第一分割过程， 并获得相应的第一分割结果。 对所述AI医 学图像分割模型的训练可以通过现有技术实现， 此处不再赘述。 0048 S13， 根据接收到的分割指令对所述第一分割结果进行第二分割， 获得第二分割结 果； 所述第二分割结果用于对所述AI医学图像分割模型进行训。

22、练。 其中， 所述第二分割是在 所述第一分割结果的基础上进行的再次分割， 通常由专业的分割人员完成， 因此所述第二 分割结果可以看作标准分割结果； 且步骤S13中对所述AI医学图像分割模型的训练属于在 实际应用中进行的再训练。 0049 S14， 获取所述第一分割结果和所述第二分割结果之间的差值， 所述第一分割结果 和所述第二分割结果之间的差值用于获取所述AI医学图像分割模型的分割准确度， 和/或 用于确定所述第二分割的分割作业量。 0050 本实施例中， 利用所述第二分割结果对所述AI医学图像分割模型进行再训练， 能 够不断提升AI医学图像分割模型对当前场景的适应程度， 进而提升所述第一分割。

23、的准确 度。 特别地， 当所述AI医学图像分割模型应用到新的场景时， 通过所述第二分割结果对所述 AI医学图像分割模型进行再训练能够保证所述AI医学图像分割模型适用于所述新的场景， 从而保证了良好的第一分割准确度。 其中， 步骤S14中获得的分割准确度能够直观的反映步 骤S13中训练效果的好坏， 有利于用户根据所述训练效果进一步调整所述AI医学图像分割 模型。 0051 此外， 步骤S11S13通过AI医学图像分割模型对所述医学图像进行第一分割， 并 通过接收到的分割指令对所述第一分割结果进行第二分割并获得第二分割结果； 其中， 所 述第二分割结果可以看作对所述第一分割结果的修正。 一方面， 。

24、采用AI医学图像分割模型 进行第一分割保证了图像分割的效率； 另一方面， 根据接收到的分割指令进行第二分割保 证了图像分割的准确度。 因而， 步骤S11S13能够在保证分割准确度的前提下提升图像分 说明书 4/8 页 6 CN 111553894 A 6 割的效率。 0052 并且， 在具体应用中所述第二分割往往由专业的分割人员实现。 为了对所述分割 人员的工作量进行检测， 于本实施例的一个技术方案中， 步骤S14中获取的差值能够确定所 述第二分割的分割工作量； 根据所述分割工作量能够获取所述分割人员的工作量。 所述分 割人员的工作量与所述第二分割的分割工作量相关， 具体地： 所述第一分割结果。

25、的准确度 越高， 则所述第二分割的分割作业量越小， 在此过程中分割人员的工作量也越少； 所述第一 分割结果的准确度越高， 则所述第二分割的分割作业量越大， 在此过程中分割人员的工作 量也越大。 0053 实际应用中， 许多人工智能诊断工具的开发机构往往需要对大量的医学图像进行 分割并获得相应的分割图像， 所述分割图像可以用于对人工智能分割模型进行训练和/或 验证。 因此， 开发机构通常通过相应的标注平台聘请专业的分割人员(如具有医学影像诊断 经验的医生)进行分割标注。 然而， 受限于医学图像的复杂性和图像分割的多样性， 现有标 注平台很难以合理的方式对分割人员的工作量和费用进行计算。 针对这一。

26、问题， 于本发明 的一实施例中， 所述医学图像分割模型训练方法还包括： 根据所述第二分割的分割作业量 和费用系数获取分割作业费用。 如上所述， 根据所述第二分割的分割作业量能够获取所述 分割人员的工作量， 根据该工作量和相应的费用系数即可获得所述分割人员的分割作业费 用。 因此， 当本实施例所述医学图像分割模型训练方法应用于所述标注平台时， 能够实现分 割人员工作量和费用的自动结算， 有利于简化结算流程并降低人工成本。 0054 于本发明的一实施例中， 获取所述第一分割结果和所述第二分割结果之间的差值 的一种实现方法包括： 获取所述第一分割结果和所述第二分割结果之间的像素差集； 所述 像素差集。

27、即为所述第一分割结果和所述第二分割结果之间的差值。 0055 具体地， 请参阅图2， 所述像素差集为所有只属于第一分割结果21或只属于第二分 割结果22的像素点组成的集合， 即： C(A-AB)(B-AB)； 其中， C表示所述像素差集， A 表示所述第一分割结果21内所有像素点组成的集合， B表示所述第二分割结果22内所有像 素点组成的集合； A-AB表示所述AI医学图像分割模型额外标注的部分， 在第二分割过程 中需要对该部分进行删除； B-AB表示所述AI医学图像分割模型遗漏的部分， 在第二分割 过程中需要对该部分进行补充。 所述删除和所述补充即为所述分割人员在第二分割过程中 所做的工作，。

28、 因而， 根据所述差值能够反映所述分割人员的工作量。 0056 本实施例中选取所述像素差集作为所述第一分割结果和所述第二分割结果之间 的差值， 能够明确展示所述第二分割过程中分割人员所做的删除工作和补充工作， 进而直 观的展示所述第二分割的分割作业量。 0057 于本发明的一实施例中， 所述医学图像为3维医学图像。 获取所述第一分割结果和 所述第二分割结果之间的差值的一种实现方法包括： 获取所述第一分割结果和所述第二分 割结果之间的体素差集； 所述体素差集即为所述第一分割结果和所述第二分割结果之间的 差值。 其中， 所述3维医学图像可以是多层CT图像组成的医学图像。 所述体素是体积元素的 简称。

29、， 所述3维医学图像可以看作由多个体素点组成。 所述体素差集包括所有只属于所述第 二分割结果而不属于所述第一分割结果的体素点， 以及所有只属于所述第一分割结果而不 属于所述第二分割结果的体素点。 0058 请参阅图3A， 于本发明的一实施例中， 获取所述第一分割结果和所述第二分割结 说明书 5/8 页 7 CN 111553894 A 7 果之间的差值的一种实现方法包括： 0059 S141a， 根据所述第一分割结果和所述第二分割结果获得相应的差值区域； 其中， 所述差值区域可以根据所述像素差集获得。 0060 S142a， 获取所述差值区域的一个或多个几何特征作为所述第一分割结果和所述 第二。

30、分割结果之间的差值。 优选地， 所述差值区域的几何特征包括所述差值区域的周长、 体 积或面积中的一种或多种。 0061 于本发明的一实施例中， 对于单层CT图像， 获取所述差值区域的几何特征的实现 方法包括： 获取所述差值区域内的所有像素点； 根据所述差值区域内的所有像素点获得相 应的最小凸多边形， 所述最小凸多边形的几何特征即为所述差值区域的相应几何特征。 例 如， 所述最小凸多边形的周长即为所述差值区域的周长， 所述最小凸多边形的面积即为所 述差值区域的面积。 根据像素点获取相应的最小凸多边形的实现方法可以利用现有技术实 现， 此处不再赘述。 0062 请参阅图3B， 于本发明的一实施例中。

31、， 所述医学图像为2层或多层图像组成的3维 医学图像。 于本实施例中， 获取所述第一分割结果和所述第二分割结果之间的差值的一种 实现方法包括： 0063 S141b， 对于任一层图像， 根据该层图像对应的第一分割结果和第二分割结果获得 该层图像对应的差值区域； 0064 S142b， 获取该层图像对应的差值区域的一个或多个几何特征作为该层图像对应 的差值； 0065 S143b， 将各层图像对应的差值合并在一起即可获得所述第一分割结果和所述第 二分割结果之间的差值。 0066 根据上述描述可知， 通过本实施例所述医学图像分割模型训练方法能够获取AI医 学图像分割模型对3维医学图像进行第一分割的。

32、准确度。 0067 于本发明的一实施例中， 所述指令包括： 画笔指令、 涂抹指令、 擦除指令、 单点追踪 指令和/或多点追踪指令。 其中， 所述画笔指令用于对所述医学图像中特定区域的轮廓进行 勾勒以获得该特定区域的轮廓线； 所述涂抹指令用于对所述医学图像中的特定部位或病灶 进行涂抹以获得该特定部位或病灶相应的区域； 所述擦除指令用于对所述第一分割结果中 的错误标注进行清除； 所述单点追踪指令用于根据一个指定像素点选取所述一个指定像素 点的所有相似像素点； 所述多点追踪指令用于根据多个指定像素点选取所述多个指定像素 点的所有相似像素点。 0068 具体地， 在所述单点追踪指令或所述多点追踪指令中。

33、， 指定像素点的相似像素点 可以依据所述指定像素点的灰度值获取， 例如： 在所述单点追踪指令中， 若所述一个指定像 素点的灰度值为a， 则该单点追踪指令可以选中所有灰度值为0.9a1.1a的像素点作为所 述一个指定像素点的相似像素点； 或在所述多点追踪指令中， 若所述多个指定像素点的最 小灰度值为b， 最大灰度值为c， 则所述多点追踪指令可以选中所有灰度值为bc的像素点 作为所述多个指定像素点的相似像素点。 0069 本实施例中， 分割人员利用所述画笔指令、 涂抹指令、 擦出指令、 单点追踪指令和/ 或多点追踪指令能够实现对所述第一标注结果的修正并获得所述第二分割结果。 0070 于本发明的一。

34、实施例中， 所述医学图像分割模型训练方法还包括： 在显示屏上显 说明书 6/8 页 8 CN 111553894 A 8 示相应的指令图标以便分割人员输入所述分割指令。 例如， 可以在所述显示屏上显示画笔 工具、 涂抹工具、 擦除工具、 单点追踪工具和/或多点追踪工具， 当分割人员选中所述画笔工 具并移动时可以实现画笔指令的输入， 即： 在所述医学图像中进行轮廓勾勒； 当分割人员选 中所述分割工具并移动时可以实现涂抹指令的输入， 即： 在所述医学图像中进行涂抹以实 现对特定区域的分割； 当分割人员选中所述擦除工具并移动时实现擦除指令的输入； 当分 割人员选中所述单点追踪工具或多点追踪工具时实现。

35、相应的单点追踪指令或多点追踪指 令。 本实施例通过显示相应的指令图标， 有利于分割人员实现相应指令的输入。 0071 请参阅图4， 于本发明的一实施例中， 所述医学图像分割模型训练方法包括： 0072 S41， 获取第一分割结果。 具体地， 步骤S41通过使用人工智能图像分割模型对医学 图像进行自动分割以获得相应的第一分割结果并显示。 0073 S42， 获取第二分割结果。 具体地， 所述第二分割结果由分割人员对所述第一分割 结果进行修正得到， 所述分割人员对所述第一分割结果的修正通过分割指令实现。 0074 S43， 计算所述第一分割结果和所述第二分割结果的差值作为所述分割人员的工 作量计算。

36、指标。 0075 S44， 根据所述分割人员的工作量计算指标以及费用系数计算所述分割人员的分 割作业费用。 0076 其中， 所述第一分割结果和所述第二分割结果的差值可以根据体素差集、 像素差 集获得， 也可以根据各层图像像素差集的周长之和获得。 通过本实施例所述医学图像分割 模型训练方法能够通过分割人员对各类工具使用范围的周长进行自动化统计及核算， 并以 单位周长的费用对不同分割人员的工作量进行结算。 0077 于本发明的一实施例中， 选取图5A所示脑部CT图像作为所述待分割的医学图像， 并选择所述脑部CT图像中的炎症区域作为分割目标51。 于本实施例中， 对所述医学图像的 分割通过对所述分。

37、割目标51的标注完成。 0078 请参阅图5B， 显示为本实施例中采用AI医学图像分割模型获取的第一分割结果 52； 请参阅图5C， 显示为本实施例中根据分割指令获得的第二分割结果53。 图5D显示为本实 施例中所述第一分割结果52和所述第二分割结果53之间的差值。 其中， 第一差值54表示所 述第一分割过程中多标的部分， 在所述第二分割过程中应当删除该部分的标注； 第二差值 55表示所述第一分割过程中漏标的部分， 在所述第二分割过程中应当增加该部分的标注。 因此， 根据所述第一差值54和所述第二差值55能够获取所述第二分割的分割作业量， 实际 应用中可以选取所述第一差值54和所述第二差值55。

38、的周长之和作为分割人员对该层CT图 像所做的工作量。 0079 基于上述对所述医学图像分割模型训练方法的描述， 本发明还提供一种计算机可 读存储介质， 其上存储有计算机程序， 该程序被处理器执行时实现本发明所述医学图像分 割模型训练方法。 0080 基于上述对所述医学图像分割模型训练方法的描述， 本发明还提供一种电子设 备。 请参阅图6， 于本发明的一实施例中， 所述电子设备600包括： 存储器610， 存储有一计算 机程序； 处理器620， 与所述存储器610通信相连， 用于调用所述计算机程序时执行本发明所 述医学图像分割模型训练方法； 显示器630， 与所述处理器620和所述存储器610通。

39、信相连， 用于显示所述医学图像分割模型训练方法的相关GUI交互界面。 说明书 7/8 页 9 CN 111553894 A 9 0081 本发明所述的医学图像分割模型训练方法的保护范围不限于本实施例列举的步 骤执行顺序， 凡是根据本发明的原理所做的现有技术的步骤增减、 步骤替换所实现的方案 都包括在本发明的保护范围内。 0082 所述医学图像分割模型训练方法能够根据所述第一分割结果和所述第二分割结 果的差值获得所述AI医学图像分割模型进行第一分割的准确度， 从而实现对所述AI医学图 像分割模型分割准确度的检测； 0083 所述医学图像分割模型训练方法首先利用AI医学图像分割模型获得第一分割结 。

40、果， 并根据接收到的分割指令对所述第一分割结果进行修正以获得第二分割结果， 有利于 在保证分割效率的同时提升分割准确度； 0084 所述医学图像分割模型训练方法中获得的第二分割结果能够用于对所述AI医学 图像分割模型进行训练， 有利于所述AI医学图像分割模型在实际应用中不断优化完善， 从 而提升所述第一分割结果的准确度， 进而降低分割人员的工作量； 0085 所述医学图像分割模型训练方法能够根据所述第一分割结果和所述第二分割结 果的差值实现对分割人员工作量和费用的定量评估。 0086 综上所述， 本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。 0087 上述实施例仅例示性说明本发明。

41、的原理及其功效， 而非用于限制本发明。 任何熟 悉此技术的人士皆可在不违背本发明的精神及范畴下， 对上述实施例进行修饰或改变。 因 此， 举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完 成的一切等效修饰或改变， 仍应由本发明的权利要求所涵盖。 说明书 8/8 页 10 CN 111553894 A 10 图1 图2 图3A 说明书附图 1/4 页 11 CN 111553894 A 11 图3B 图4 图5A 说明书附图 2/4 页 12 CN 111553894 A 12 图5B 图5C 图5D 说明书附图 3/4 页 13 CN 111553894 A 13 图6 说明书附图 4/4 页 14 CN 111553894 A 14 。