好在现如今随着计算机技术的不断发展，人工智能技术逐渐崭露头角[12]，作为人工智能进入大众视野的关键核心技术——深度学习技术[2]也吸引了医学技术发展的目光，国内外多方学者与专家试图将其用于医学图像分析。从速度上来说，相较于传统医生与专家的手动标记图像数据，深度学习的标记速度无异于降维打击：从数量来来说，传统标记极其依赖于医生与专家的个人经验与能力，优秀医生数量完全无法对口庞大的患者人群使得许多患者一医难求，而深度学习则可以通过数据库提前提取并导入大量医学图像中的关键数据并传导至其他服务器做到一库多用[8]的效果，既能提高判断病情的速度，又可以降低培养资深医生的要求。此外，深度学习技术使用大量的医学图像标注数据通过特定的网络进行反复标记训练，可以做到通过机器学习技术协助临床医师提高其病情诊断效率，显著降低临床医师的工作量，进一步提高诊断速度，极大程度解决如今临床诊断技术和工作模式的问题。

 深度学习在医疗治理方面仍然存在巨大的发展空间，将计算机视觉技术应用于医学图像分析已经被证明是实用且高效的辅助处理方式。医学图像数据对于帮助深度学习提升人工智能效能与使用范围仍然具有值得挖掘的价值。

围绕医学图像标注的两大核心问题——数据质量与标注效率，在标注时，可以让多个专家同时标注以此提升标注可靠性，可将标注错误率显著降低避免误诊误判进而提升标注质量。对于标注工具的不足，考虑搭建医学图像标注系统，添加对多种医学图像进行标注的功能，以此降低医学标注的复杂性，集成化医学标注的功能，降低医院与患者进行医学图像标注的成本。为了提高端对端的实行效率，根据工业流水线思路将医学标注系统分为四部分功能，即需求分析，数据获取，云端存储和提取使用，让不同端口使用者在互不冲突的情况下使用自己所需功能，实现多人协作提高标注效率的目的。

为了实现少量数据完成精确标注的目标，构建图像分割基础模型，对图像进行简单分割与处理后交由其他部分进行判断，在此基础上持续迭代模型以此达到加快图形处理的目的进而一定程度上提高标注速度，不断提高标注效果。