数据处理方法及装置、电子设备、可读存储介质

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种数据处理方法及装置、电子设备、可读存储介质。

背景技术

现有技术中，可以利用神经网络模型对患者的图像数据进行处理，实现病变区域的自动勾画。

在传统的自动勾画技术中，不能实现用于勾画的神经网络模型与不同的医生风格的适应，进而导致勾画结果可能与医生的勾画风格相差较大，使自动勾画结果的应用性较差，比如：医生对于不熟悉的勾画风格的勾画结果并不能有效地进行应用。

可见，现有的自动勾画技术中，勾画模型的适用性较差，进而勾画结果的应用性也较差。

发明内容

本申请实施例的目的在于提供一种数据处理方法及装置、电子设备、可读存储介质，用以提高勾画模型的适用性，进而提高勾画结果的应用性。

第一方面，本申请实施例提供一种数据处理方法，包括：获取医生端传输的患者CT(Computed Tomography，电子计算机断层扫描)图像；根据预先训练好的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的勾画结果；将所述勾画结果反馈给医生端；接收所述医生端反馈的修改勾画结果；所述修改勾画结果中的病变区域为所述医生端的医生对所述勾画结果中的病变区域进行修改后得到的病变区域；根据所述修改勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型；所述更新的分割模型用于对所述医生端下次传输的患者CT图像的病变区域进行勾画。

在本申请实施例中，与现有技术相比，在基于预先训练好的分割模型(即勾画模型)获得对应的勾画结果之后，将勾画结果反馈给医生端；医生端的医生可以通过医生端反馈修改勾画结果；基于该修改结果，可以对分割模型进行再次训练，即，分割模型具有在线学习的能力，可以实现分割模型的勾画风格的适应性训练，在一次或者多次适应性训练之后，获得的更新的分割模型与医生端的医生的风格更匹配，提高分割模型的适用性，进而提高勾画结果的应用性。

作为一种可能的实现方式，所述预先训练好的分割模型包括与不同的癌症种类对应的分割模型，在所述根据预先训练好的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的勾画结果之前，所述方法还包括：根据预先训练好的分类模型确定所述患者CT图像对应的癌症种类；对应的，所述根据预先训练好的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的勾画结果，包括：根据所述患者CT图像对应的癌症种类对应的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的勾画结果。

在本申请实施例中，不同的癌症种类可以对应不同的分割模型，在进行勾画之前，可以先基于分类模型确定对应的癌症种类；然后再基于癌症种类对应的分割模型对患者CT图像进行勾画，提高自动勾画的效果。

作为一种可能的实现方式，所述根据所述修改勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型，包括：根据所述修改勾画结果对所述患者CT图像对应的癌症种类对应的分割模型进行再次训练，获得更新的所述患者CT图像对应的癌症种类对应的分割模型；所述更新的所述患者CT图像对应的癌症种类对应的分割模型用于对所述医生端下次传输的所述对应的癌症种类的患者CT图像的病变区域进行勾画。

在本申请实施例中，在进行自主学习时，可以按照对应的癌症种类进行自主学习，提高自主学习的效果。比如：如果不是相应的癌症种类对应的分割模型的勾画结果的修改结果，即便进行自主学习，自主学习的结果也是无效的。

作为一种可能的实现方式，在所述根据所述修改勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型之后，所述方法还包括：根据所述更新的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的更新勾画结果；根据所述更新勾画结果和所述修改勾画结果确定所述更新的分割模型与所述医生的勾画风格的适配度；根据所述适配度对所述更新的分割模型进行优化。

在本申请实施例中，在分割模型完成风格适应性训练之后，还可以确定更新的分割模型与医生的勾画风格的适配度，基于该适配度，可以对更新的分割模型进行优化，提高分割模型的适应性，进而提高勾画结果的应用性。

作为一种可能的实现方式，所述根据所述适配度对所述更新的分割模型进行优化，包括：若所述适配度小于预设适配度，生成所述更新的分割模型对应的优化请求；将所述优化请求发送给所述医生端；接收所述医生端反馈的样本数据；所述样本数据中包括多个勾画结果，所述多个勾画结果中的病变区域为所述医生勾画的病变区域；根据所述样本数据对所述更新的分割模型进行优化。

在本申请实施例中，如果适配度小于预设适配度，通过向医生端请求样本数据，基于该样本数据，可以实现基于更多的训练数据的更新的分割模型的优化，提高分割模型的适应性，进而提高勾画结果的应用性。

作为一种可能的实现方式，所述根据所述修改勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型，包括：获取所述预先训练好的分割模型对应的训练样本；所述训练样本中包括不同的勾画风格的多个勾画结果；查找所述多个勾画结果中是否有与所述修改勾画结果的勾画风格匹配的勾画结果；若所述多个勾画结果中有与所述修改勾画结果的勾画风格匹配的勾画结果，根据所述修改勾画结果和与所述修改勾画结果的勾画风格匹配的勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型。

在本申请实施例中，在分割模型进行自主学习时，除了医生端反馈的修改勾画结果，还可以从预先的训练样本中查找匹配的勾画风格的勾画结果，将两种勾画结果作为训练样本对分割模型进行再次训练，提高训练样本的数量，进而提高风格适应性训练的效果。

作为一种可能的实现方式，在所述根据所述修改勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型之后，所述自动勾画方法还包括：获取所述医生端传输的新的患者CT图像；根据所述更新的分割模型对所述新的患者CT图像的病变区域进行勾画，获得所述新的患者CT图像对应的第一勾画结果；根据所述预先训练好的分割模型对所述新的患者CT图像的病变区域进行勾画，获得所述新的患者CT图像对应的第二勾画结果；将所述第一勾画结果和所述第二勾画结果反馈给所述医生端；接收所述医生端反馈的新的修改勾画结果；所述修改勾画结果中的病变区域为所述医生端的医生对所述第一勾画结果和/或所述第二勾画结果中的病变区域进行修改后得到的病变区域；根据所述新的修改勾画结果对所述更新的分割模型进行再次训练，获得再次更新的分割模型；所述再次更新的分割模型用于对所述医生端下次传输的患者CT图像的病变区域进行勾画。

在本申请实施例中，在应用更新的分割模型时，可以将基于更新的分割模型获得的第一勾画结果与基于原始的分割模型获得的第二勾画结果都反馈给医生端，使医生端的医生可以基于两种勾画结果反馈新的修改勾画结果，进而，基于新的修改勾画结果，还可以进行更新的分割模型的再次训练，实现分割模型的不断地自主学习，提高分割模型与医生勾画风格的适配度，进而提高分割模型的适用性。

第二方面，本申请实施例提供一种数据处理装置，包括用于实现第一方面以及第一方面的任意一种可能的实现方式中所述的数据处理方法的各个功能模块。

第三方面，本申请实施例提供一种电子设备，包括：存储器和与所述存储器通信连接的处理器；所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器读取并运行时，执行如第一方面以及第一方面的任意一种可能的实现方式中所述的数据处理方法。

第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时，执行如第一方面以及第一方面的任意一种可能的实现方式中所述的数据处理方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的数据处理系统的结构示意图；

图2为本申请实施例提供的数据处理方法的流程图；

图3为本申请实施例提供的数据处理装置的结构示意图；

图4为本申请实施例提供的电子设备的结构示意图。

图标：100-数据处理系统；110-医生端；120-自动勾画设备；300-数据处理装置；310-获取模块；320-处理模块；330-反馈模块；400-电子设备；410-存储器；420-处理器；430-通信模块；440-显示模块。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

请参照图1，为本申请实施例提供的数据处理系统100的结构示意图，在数据处理系统100中，包括医生端110和自动勾画设备120。其中，医生端110可以为电脑，自动勾画设备120为具备数据处理能力的电子设备。

在实际应用时，医生端110和自动勾画设备120均为独立的设备，在医生需要使用自动勾画设备120时，医生端110和自动勾画设备120可以建立相应的通信连接。在本申请实施例中，医生端110和自动勾画设备120可以通过dicomserver(一种服务器)建立通信连接。在医生端110上，利用dicomserver对应的搭建工具即可完成dicomserver的搭建。在搭建完成之后，医生端110和自动勾画设备120可以通过dicomserver互相传输数据。

在本申请实施例中，医生端110上还可以搭建raystation(一种治疗计划系统，为成熟的产品)，基于该治疗计划系统，医生端110可以实现与医生之间的交互，比如：医生通过该治疗计划系统查看自动勾画设备120传输的勾画结果；通过该治疗计划系统对勾画结果进行修改等。

基于该数据处理系统100，接下来请参照图2，为本申请实施例提供的数据处理方法的流程图，该数据处理方法可以应用于自动勾画设备120，包括：

步骤210：获取医生端110传输的患者CT图像。

步骤220：根据预先训练好的分割模型对患者CT图像的病变区域进行勾画，获得患者CT图像对应的勾画结果。

步骤230：将勾画结果反馈给医生端110。

步骤240：接收医生端110反馈的修改勾画结果。修改勾画结果中的病变区域为医生端110的医生对勾画结果中的病变区域进行修改后得到的病变区域。

步骤250：根据修改勾画结果对预先训练好的分割模型进行再次训练，获得更新的分割模型。更新的分割模型用于对医生端110下次传输的患者CT图像的病变区域进行勾画。

在本申请实施例中，与现有技术相比，在基于预先训练好的分割模型(即勾画模型)获得对应的勾画结果之后，将勾画结果反馈给医生端110；医生端110的医生可以通过医生端110反馈修改勾画结果；基于该修改结果，可以对分割模型进行再次训练，即，分割模型具有在线学习的能力，可以实现分割模型的勾画风格的适应性训练，在一次或者多次适应性训练之后，获得的更新的分割模型与医生端110的医生的风格更匹配，提高分割模型的适用性，进而提高勾画结果的应用性。

接下来对步骤210-步骤250的详细实施方式进行介绍。

医生端110可以通过dicomserver将患者CT图像传输给自动勾画设备120，因此，在步骤210中，自动勾画设备120可以获取医生端110通过dicomserver传输的患者CT图像。

患者CT图像的数量可以是一张，也可以是多张。患者CT图像可以是患者的不同部位的CT图像，比如：腹部盆腔CT图像；胃部CT图像；肺部CT图像等。对于医生端110来说，可以从医院的CT扫描系统处获取患者CT图像。

在自动勾画设备120获取到患者CT图像之后，在步骤220中，根据预先训练好的分割模型对患者CT图像的病变区域进行勾画。

在本申请实施例中，分割模型所勾画的病变区域可以是直接的病变区域，也可以是间接的病变区域；对于直接的病变区域，在输出勾画结果之后，医生可以直接应用。对于间接的病变区域，在输出勾画结果之后，医生可以结合其他的工具进行进一步地勾画。比如：淋巴结引流区是所有癌症都有的，分割淋巴结引流区是针对分割癌症病变区域的另一个间接的方式。可以通过分割淋巴结引流区，然后医生手动勾画另外两个区域(GTV(肿瘤区)和高危复发区)，然后医生再对自动勾画设备分割出的淋巴结引流区和自己手动勾画的GTV和高位复发区通过软件进行融合可得到最终的病变区域。

对于预先训练好的分割模型，可以通过训练数据集实现训练。在训练数据集中，包括多张已经勾画有病变区域的患者CT图像，也可以理解为多个勾画结果。这多个勾画结果可对应不同的勾画风格，比如，医生A勾画的10张患者CT图像，医生B勾画的20张患者CT图像等。也可以仅对应一个勾画风格，比如医生A勾画的30张患者CT图像。

基于该训练数据集，对初始的分割模型进行训练，训练完成后即得到训练好的分割模型。如果训练数据集对应多个勾画风格，则训练好的分割模型在应用时，可能需要与多个医生的勾画风格均进行风格适配。如果训练数据集对应一个勾画风格，则该勾画风格的医生在使用自动勾画设备时，便不需要进行风格的适配。

在分割模型的训练过程中，还可以结合模型的精度测试、模型的准确度校验等，对训练的分割模型进行多次训练或者优化，以保证最终得到的分割模型能够用于病变区域的勾画。

对于分割模型，可以是Unet++分割网络，或者其他神经网络，在本申请实施例中不作限定。

在本申请实施例中，如果自动勾画设备120应用于单癌症病种的应用场景中，则预先训练好的分割模型为与该单癌症病种对应的分割模型。如果自动勾画设备120应用于多癌症病种的应用场景中，则预先训练好的分割模型可以包括与不同的癌症病种对应的多个分割模型。

在分割模型包括多个分割模型的实施方式中，在自动勾画设备120中，还可以存储有预先训练好的分类模型，通过该分类模型，可以先确定患者CT图像对应的癌症病种，然后再通过对应的癌症病种对应的分割模型进行病变区域的勾画。

因此，作为一种可选的实施方式，在步骤220之前，该方法还包括：根据预先训练好的分类模型确定患者CT图像对应的癌症种类；对应的，步骤220包括：根据患者CT图像对应的癌症种类对应的分割模型对患者CT图像的病变区域进行勾画，获得患者CT图像对应的勾画结果。

在这种实施方式中，对应不同的癌症病种的分割模型可以采用相同的网络结构，但是网络模型的参数不相同。可以理解，深度学习模型训练过程的本质是对模型参数进行更新，每个参数都有相应的初始值，在分割模型训练之前，可以先对参数进行随机初始化；然后在训练的过程中，这些参数基于输入的训练样本进行更新，最后得到的训练好的分割模型中的参数便为拟合对应的癌症病种的参数。因此，对应不同的癌症病种的分割模型的训练数据集也对应不相同，比如：对应直肠癌的分割模型的训练数据集中都是直肠癌的患者CT图像；对应宫颈癌的分割模型的训练数据集中都是宫颈癌的患者CT图像。

对于分类模型，可以预设相应的训练数据集，通过相应的训练数据集对分类网络进行训练，便可以获得训练好的分类模型。比如：训练数据集中包括300例腹部盆腔多病种CT图像，其中直肠癌100例，前列腺癌100例，宫颈癌100例，由一名医生使用勾画软件在CT图像上分别逐层勾画病变区域，比如ITK-SNAP软件；然后对数据进行预处理，在得到标准数据集后输入分类网络。预处理可以包括：通过itk-snap代码库获取训练数据集中的CT图像数据的方向，位置和空间信息，并进行三维重建，获得三维重建的CT图像。其中，分类网络可以是3D-ResNet分类网络。

在分类模型的训练过程中，同样可以结合模型的精度测试、模型的准确度校验等，对训练的分类模型进行多次训练或者优化，以保证最终得到的分类模型能够用于癌症病种的分类。

结合上述实施方式的介绍，在步骤220中，如果是单癌症病种的分割模型，将患者CT图像直接输入该分割模型中，便可以获得对应的勾画结果；如果是多癌症病种的多个分割模型，将患者CT图像输入到对应的分割模型中，便可以获得对应的勾画结果。其中，勾画结果可以理解为勾画有病变区域的患者CT图像。比如：患者CT图像1对应的分类模型的识别结果为直肠癌，则将患者CT图像1输入到直肠癌对应的分割模型中；患者CT图像2对应的分类模型的识别结果为宫颈癌，则将患者CT图像2输入到宫颈癌对应的分割模型中。

在本申请实施例中，不同的癌症种类可以对应不同的分割模型，在进行勾画之前，可以先基于分类模型确定对应的癌症种类；然后再基于癌症种类对应的分割模型对患者CT图像进行勾画，提高自动勾画的效果。

在获得勾画结果之后，在步骤230中，将勾画结果反馈给医生端110。结合步骤220的实施方式，在反馈勾画结果时，还可以将癌症病种信息一并反馈给医生端110。此外，在反馈勾画结果时，自动勾画设备120通过dicomserver将勾画结果传输给医生端110。

对于医生端110来说，在接收到通过dicomserver传输的勾画结果后，通过raystation进行展示。在医生端110的医生分为两种情况，一种是有经验的医生，另一种是没有经验的医生。对于没有经验的医生来说，并没有特定的勾画风格，可能不需要进行勾画风格的适配。对于有经验的医生来说，通常都具有特定的勾画风格，可能需要进行勾画风格的适配。

因此，在步骤230之后，医生端110上可能会产生修改勾画结果，也可能不会产生修改勾画结果；如果产生修改勾画结果，则自动勾画设备120执行步骤240-步骤250，如果不产生修改勾画结果，则自动勾画设备120继续等待下一次传输的患者CT图像，然后进行自动勾画即可。

在本申请实施例中，如果医生需要对勾画结果进行修改，以实现分割模型的风格适配，则医生利用raystation在勾画结果上对病变区域进行调整，调整的内容包括但不限于：病变区域的大小、病变区域的形状等。在医生完成修改之后，将修改勾画结果保存并上传，医生端110获取到修改勾画结果，修改勾画结果中的病变区域相较于勾画结果中的病变区域产生变化，然后医生端110将修改勾画结果传输给自动勾画设备120。

在步骤240中，自动勾画设备120通过dicomserver接收医生端110传输的勾画结果。

在步骤250中，自动勾画设备120根据修改勾画结果对预先训练好的分割模型进行再次训练，获得更新的分割模型。更新的分割模型可以用于对医生端110下次传输的患者CT图像的病变区域进行勾画。

结合前述实施例的介绍，如果分割模型针对单癌症病种，则步骤250中对该分割模型进行再次训练即可。如果多个分割模型对应多个癌症病种，则在步骤250中，根据修改勾画结果对患者CT图像对应的癌症种类对应的分割模型进行再次训练，获得更新的患者CT图像对应的癌症种类对应的分割模型；更新的患者CT图像对应的癌症种类对应的分割模型用于对医生端110下次传输的对应的癌症种类的患者CT图像的病变区域进行勾画。例如：修改勾画结果对应直肠癌，则在步骤250中，基于修改勾画结果对直肠癌对应的分割模型进行再次训练；修改勾画结果对应宫颈癌，则在步骤250中，基于修改勾画结果对宫颈癌对应的分割模型进行再次训练。当然，修改勾画结果中可以包括对应不同的分割模型的勾画结果，则此时分别就每种修改勾画结果对应的分割模型进行分别的再次训练即可。

在本申请实施例中，在进行自主学习时，可以按照对应的癌症种类进行自主学习，提高自主学习的效果。比如：如果不是相应的癌症种类对应的分割模型的勾画结果的修改结果，即便进行自主学习，自主学习的结果也是无效的。

在步骤250中，为了保证更新的分割模型与医生的勾画风格的适配度，作为一种可选的实施方式，该训练过程包括：获取预先训练好的分割模型对应的训练样本；训练样本中包括不同的勾画风格的多个勾画结果；查找多个勾画结果中是否有与修改勾画结果的勾画风格匹配的勾画结果；若多个勾画结果中有与修改勾画结果的勾画风格匹配的勾画结果，根据修改勾画结果和与修改勾画结果的勾画风格匹配的勾画结果对预先训练好的分割模型进行再次训练，获得更新的分割模型。

在这种实施方式中，通过预先训练好的分割模型对应的训练样本实现自主学习的训练样本的扩充。为了实现有效的扩充，需要在训练样本中查找与修改勾画结果的勾画风格匹配的勾画结果，即与医生端110的医生的勾画风格匹配的勾画结果。如果查找到相应的勾画结果，则可以将该相应的勾画结果与修改勾画结果一并作为自主学习的训练样本集，对分割模型进行再次训练，获得更新的分割模型。如果没有查找到相应的勾画结果，则直接将修改勾画结果作为自主学习的训练数据，对分割模型进行再次训练，获得更新的分割模型。

其中，在查找与修改勾画结果的勾画风格匹配的勾画结果时，可以将修改勾画结果与各个勾画结果进行匹配，如果修改勾画结果与某个勾画结果的相似度大于预设的相似度，则确定该勾画结果为与修改勾画结果匹配的勾画结果。当然，在匹配时，需要将针对相同癌症病种的勾画结果进行匹配。

在本申请实施例中，在分割模型进行自主学习时，除了医生端110反馈的修改勾画结果，还可以从预先的训练样本中查找匹配的勾画风格的勾画结果，将两种勾画结果作为训练样本对分割模型进行再次训练，提高训练样本的数量，进而提高风格适应性训练的效果。

在步骤250中，利用修改勾画结果进行训练，获得更新的分割模型之后，该更新的分割模型可能已经实现与医生端110的医生的勾画风格的适配，也可能由于数据太少，并不能完全实现与医生端110的医生的勾画风格的适配。因此，在本申请实施例中，为了保证自动勾画设备120上最终使用的分割模型能够完全与医生的勾画风格适配，还可以对分割模型进行优化。

作为一种可选的实施方式，在步骤250后，该方法还包括：根据更新的分割模型对患者CT图像的病变区域进行勾画，获得患者CT图像对应的更新勾画结果；根据更新勾画结果和修改勾画结果确定更新的分割模型与医生的勾画风格的适配度；根据适配度对更新的分割模型进行优化。

在这种实施方式中，在获得更新的分割模型之后，先利用更新的分割模型对步骤210中获取的患者CT图像的病变区域进行勾画，获得的更新勾画结果可以用于验证更新的分割模型与医生的勾画风格的适配度。

在确定适配度时，由于修改勾画结果和更新勾画结果仍然是图片，因此，可以先计算修改勾画结果和更新勾画结果的相似度。然后通过预设的相似度与适配度之间的对应关系确定适配度。比如：相似度在0-60％之间时，适配度为不适配；相似度在60％-80％之间时，适配度为一般适配；相似度在80％-90％之间时，适配度为基本适配；相似度在90％-100％之间时，适配度为完全适配。当然，这仅是一种举例介绍，在实际应用时，相似度和适配度的表现形式可以灵活设置，比如适配度还可以通过数值表示等。此外，对于图像之间的相似度的计算，采用本领域成熟的相似度算法即可实现。

在确定适配度之后，可以根据适配度对更新的分割模型进行优化，作为一种可选的实施方式，若适配度小于预设适配度，生成更新的分割模型对应的优化请求；将优化请求发送给医生端110；接收医生端110反馈的样本数据；样本数据中包括多个勾画结果，多个勾画结果中的病变区域为医生勾画的病变区域；根据样本数据对更新的分割模型进行优化。

在这种实施方式中，如果适配度小于预设适配度，说明更新的分割模型需要进一步优化，预设适配度可以根据医生对于分割模型与其勾画风格的适配的需求紧急程度进行设置，比如：如果医生并不要求自动勾画设备120在反馈一次修改勾画结果之后，便能实现勾画风格的适配，则预设适配度可以设置的较低，或者设置为最低适配度0；如果医生要求自动勾画设备120在反馈一次修改勾画结果之后，便能实现勾画风格的适配，则预设适配度需要设置的较高，例如前述的基本适配。如果适配度大于或者等于预设适配度，则说明更新的分割模型暂时不需要进一步优化，可以不进行后续的操作。

进一步地，若适配度小于预设适配度，则生成更新的分割模型对应的优化请求，该优化请求用于向医生端110请求更多的样本数据。自动勾画设备120将该优化请求通过dicomserver传输给医生端110，医生端110在接收到优化请求之后，反馈给医生，医生上传样本数据，该样本数据中包括多个勾画结果，多个勾画结果中的病变区域为医生勾画的病变区域，因而样本数据中的勾画结果可以代表该医生的勾画风格。医生端110接收到医生上传的样本数据之后，通过dicomserver传输给自动勾画设备120。

自动勾画设备120在接收到样本数据之后，将其作为训练数据集，对更新的分割模型进行训练，训练完成的分割模型，便为优化完成的分割模型。其中，训练的实施方式参照前述实施例中分割模型的训练方式，在此不再重复介绍。

在本申请实施例中，在分割模型完成风格适应性训练之后，还可以确定更新的分割模型与医生的勾画风格的适配度，基于该适配度，可以对更新的分割模型进行优化。如果适配度小于预设适配度，通过向医生端110请求样本数据，基于该样本数据，可以实现基于更多的训练数据的更新的分割模型的优化，提高分割模型的适应性，进而提高勾画结果的应用性。

在步骤250之后，当下次接收到医生端110传输的新的患者CT图像之后，便可以利用更新的分割模型对其病变区域进行勾画，获得对应的勾画结果，然后再反馈给医生端110，如果医生端110的医生仍然觉得勾画风格不匹配，还可以再次对其进行修改，然后反馈给自动勾画设备120进行分割模型的再一次训练，如此不断往复，最终自动勾画设备120上存储的分割模型能够完全适配于医生端110的医生的勾画风格。

在本申请实施例中，对于下一次的实施流程，提供一种可选的实施方式，在步骤250之后，该方法还包括：获取医生端110传输的新的患者CT图像；根据更新的分割模型对新的患者CT图像的病变区域进行勾画，获得新的患者CT图像对应的第一勾画结果；根据预先训练好的分割模型对新的患者CT图像的病变区域进行勾画，获得新的患者CT图像对应的第二勾画结果；将第一勾画结果和第二勾画结果反馈给医生端110；接收医生端110反馈的新的修改勾画结果；修改勾画结果中的病变区域为医生端110的医生对第一勾画结果和/或第二勾画结果中的病变区域进行修改后得到的病变区域；根据新的修改勾画结果对更新的分割模型进行再次训练，获得再次更新的分割模型；再次更新的分割模型用于对医生端110下次传输的患者CT图像的病变区域进行勾画。

在这种实施方式中，在对预先训练好的分割模型进行更新之前，需要先将其进行备份存储，即保证原始的分割模型和更新的分割模型均存在；进而可以利用未更新的和更新的分割模型的勾画结果进行更新的分割模型的再次训练。当然，除了这种实施方式，在自动勾画设备上也可以预先存储两个训练好的分割模型，在后续应用时，其中一个进行自主学习，另一个保留。或者，自动勾画设备对应有服务端，在服务端上存储有预先训练好的分割模型，在自动勾画设备对自身存储的分割模型进行更新之后，如果需要利用原始的分割模型，可以向服务端请求该预先训练好的分割模型或者将需要自动勾画的数据发给服务端，由服务端反馈相应的结果，然后自动勾画设备再加以应用。

对于新的患者CT图像，利用更新的分割模型和原始的分割模型分别得到两种勾画结果；然后将这两种勾画结果均反馈给医生端110，医生端110的医生可以基于这两种勾画结果进行更灵活地风格适配。比如：如果第一勾画结果与医生的勾画风格更接近，则医生利用第一勾画结果生成修改勾画结果；如果第二勾画结果与医生的勾画风格更接近，则医生利用第二勾画结果生成修改勾画结果。如果第一勾画结果与第二勾画结果的勾画风格与医生的勾画风格有不同的相似点，则医生端110可以对两种勾画结果都进行修改。

对应的，基于修改勾画结果，对更新的分割模型进行再次训练，获得再次更新的分割模型，此时的分割模型与医生的勾画风格更加适配。

在本申请实施例中，在应用更新的分割模型时，可以将基于更新的分割模型获得的第一勾画结果与基于原始的分割模型获得的第二勾画结果都反馈给医生端110，使医生端110的医生可以基于两种勾画结果反馈新的修改勾画结果，进而，基于新的修改勾画结果，还可以进行更新的分割模型的再次训练，实现分割模型的不断地自主学习，提高分割模型与医生勾画风格的适配度，进而提高分割模型的适用性。

基于同一发明构思，请参照图3，本申请实施例中还提供一种数据处理装置300，该数据处理装置300与前述的数据处理方法对应，包括：获取模块310、处理模块320和反馈模块330。

获取模块310用于获取医生端110传输的患者CT图像；处理模块320用于根据预先训练好的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的勾画结果；反馈模块330用于将所述勾画结果反馈给医生端110；获取模块310还用于接收医生端110反馈的修改勾画结果；所述修改勾画结果中的病变区域为医生端110的医生对所述勾画结果中的病变区域进行修改后得到的病变区域；处理模块320还用于根据所述修改勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型；所述更新的分割模型用于对医生端110下次传输的患者CT图像的病变区域进行勾画。

在本申请实施例中，处理模块320还用于根据预先训练好的分类模型确定所述患者CT图像对应的癌症种类；以及具体用于根据所述患者CT图像对应的癌症种类对应的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的勾画结果。

在本申请实施例中，处理模块320具体还用于根据所述修改勾画结果对所述患者CT图像对应的癌症种类对应的分割模型进行再次训练，获得更新的所述患者CT图像对应的癌症种类对应的分割模型；所述更新的所述患者CT图像对应的癌症种类对应的分割模型用于对医生端110下次传输的所述对应的癌症种类的患者CT图像的病变区域进行勾画。

在本申请实施例中，处理模块320还用于根据所述更新的分割模型对所述患者CT图像的病变区域进行勾画，获得所述患者CT图像对应的更新勾画结果；根据所述更新勾画结果和所述修改勾画结果确定所述更新的分割模型与所述医生的勾画风格的适配度；根据所述适配度对所述更新的分割模型进行优化。

在本申请实施例中，处理模块320还用于若所述适配度小于预设适配度，生成所述更新的分割模型对应的优化请求；反馈模块330还用于将所述优化请求发送给所述医生端110；获取模块310还用于接收所述医生端110反馈的样本数据；所述样本数据中包括多个勾画结果，所述多个勾画结果中的病变区域为所述医生勾画的病变区域；处理模块320还用于根据所述样本数据对所述更新的分割模型进行优化。

在本申请实施例中，获取模块310还用于获取所述预先训练好的分割模型对应的训练样本；所述训练样本中包括不同的勾画风格的多个勾画结果；处理模块320还用于查找所述多个勾画结果中是否有与所述修改勾画结果的勾画风格匹配的勾画结果；若所述多个勾画结果中有与所述修改勾画结果的勾画风格匹配的勾画结果，根据所述修改勾画结果和与所述修改勾画结果的勾画风格匹配的勾画结果对所述预先训练好的分割模型进行再次训练，获得更新的分割模型。

在本申请实施例中，获取模块310还用于获取医生端110传输的新的患者CT图像；处理模块320还用于根据所述更新的分割模型对所述新的患者CT图像的病变区域进行勾画，获得所述新的患者CT图像对应的第一勾画结果；根据所述预先训练好的分割模型对所述新的患者CT图像的病变区域进行勾画，获得所述新的患者CT图像对应的第二勾画结果；反馈模块330还用于将所述第一勾画结果和所述第二勾画结果反馈给医生端110；获取模块310还用于接收医生端110反馈的新的修改勾画结果；所述修改勾画结果中的病变区域为所述医生端110的医生对所述第一勾画结果和/或所述第二勾画结果中的病变区域进行修改后得到的病变区域；处理模块320还用于根据所述新的修改勾画结果对所述更新的分割模型进行再次训练，获得再次更新的分割模型；所述再次更新的分割模型用于对医生端110下次传输的患者CT图像的病变区域进行勾画。

数据处理装置300的各个功能模块与前述实施例中的数据处理方法的各个步骤一一对应，因此，各个功能模块的实施方式参照前述实施例中的数据处理方法的实施方式，在此不再重复介绍。

基于同一发明构思，请参照图4，本申请实施例还提供一种电子设备400，该电子设备400可以作为自动勾画设备，也可以作为医生端，包括：存储器410、处理器420，以及通信模块430和显示模块440。

其中，存储器410、处理器420，以及通信模块430和显示模块440之间直接或间接地电连接，以实现数据的传输或交互。例如，可以通过一条或多条通讯总线或信号总线实现电连接。数据处理方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器410中的软件功能模块，例如数据处理装置300包括的软件功能模块或计算机程序。

存储器410可以存储各种软件程序以及模块，如本申请实施例提供的数据处理方法及装置对应的程序指令/模块。处理器420通过运行存储在存储器410中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的方法。

存储器410可以包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read Only Memory，只读存储器)，PROM(Programmable Read-Only Memory，可编程只读存储器)，EPROM(Erasable Programmable Read-Only Memory，可擦除只读存储器)，EEPROM(Electric Erasable Programmable Read-Only Memory，电可擦除只读存储器)等。

处理器420可以是一种集成电路芯片，具有信号处理能力。处理器420可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

通信模块430用于实现通信功能，通信模块430可以是蓝牙通信模块、无线通信模块等。

显示模块440可以用于显示勾画结果等需要显示的内容。

可以理解，电子设备400还可以包括比图4所示的更多的组件，图4中仅是一种示例，不构成对本申请实施例的限制。

基于同一发明构思，本申请实施例还提供一种可读存储介质，该可读存储介质上存储有计算机程序，计算机程序被计算机运行时，执行如前述实施例中所述的数据处理方法。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。