基于数据增强的前列腺图像分割方法、装置和设备与流程

1.本技术涉及图像处理技术领域，尤其涉及一种基于数据增强的前列腺图像分割方法、装置和计算机设备。


背景技术：

2.前列腺疾病在年龄较大的男性中很常见。特别是，前列腺癌已经成为威胁男性健康的第二大癌症。在美国，大约1/6的男人会得前列腺癌，1/36的男人会死于这种疾病。在众多检查方法中，mri(magnetic resonance imaging，磁共振成像)已经成为前列腺癌检查的最有效的手段。
3.从磁共振(magnetic resonance，mr)图像精确分割前列腺图像作为治疗计划中的一个重要步骤，对前列腺癌的诊断至关重要。目前，前列腺图像分割是由医生手工完成，分割图像的质量主要取决于医生的经验，手工分割图像耗时且主观。因此，临床上急需前列腺图像的快速分割方法。


技术实现要素：

4.本技术的主要目的在于提供一种基于数据增强的前列腺图像分割方法、装置和计算机设备，旨在解决现有前列腺图像分割是由医生手工完成，分割图像的质量主要取决于医生的经验，手工分割图像耗时且主观的技术问题。
5.第一方面，本技术提供一种基于数据增强的前列腺图像分割方法，所述方法包括以下步骤：
6.对待训练样本中部分原始图像进行数据增强，生成训练样本，其中，所述原始图像包括带标签的前列腺mr图像；
7.根据所述训练样本训练预设网络，生成前列腺图像分割模型；
8.根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个前列腺测试图像的分割结果，其中，所述分割结果包括前列腺图像。
9.优选地，所述对待训练样本中部分原始图像进行数据增强，生成训练样本，包括：
10.按照预置比例对待训练样本进行拆分，生成第一待训练样本和第二待训练样本，其中，所述第二待训练样本中的带标签的前列腺mr图像的数量大于所述第一待训练样本中的带标签的前列腺mr图像的数量；
11.根据预置仿射变换函数对所述第一待训练样本中的带标签的前列腺mr图像进行平移、缩放和旋转，以生成训练样本，其中，所述训练样本包括数据增强后第一训练样本和第二待训练样本。
12.优选地，所述平移包括水平移动和垂直移动，且所述水平移动和垂直移动的距离选取第一预置范围；所述缩放的尺度选取第二预置范围；所述旋转的角度选取第三预置范围。
13.优选地，所述根据预置仿射变换函数对所述第一训练样本中的带标签的前列腺mr
图像进行平移、缩放和旋转之后，还包括：
14.获取数据增强后各个带标签的前列腺mr图像的面积和获取数据增强前各个带标签的前列腺mr图像的面积；
15.根据数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，确定是否满足预设条件；
16.若确定满足所述预设条件，则将满足所述预设条件的数据增强后各个带标签的前列腺mr图像生成第一训练样本；
17.如确定不满足所述预设条件，则将不满足所述预设条件的数据增强前或数据增强后的各个带标签的前列腺mr图像重新进行数据增强。
18.优选地，所述根据数据增强后各个训练数据的面积和数据增强前各个训练数据的面积，确定是否满足预设条件，包括：
19.基于预置公式、数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，得到各个带标签的前列腺mr图像的面积比例；
20.将所述面积比例与预置阈值进行比对；
21.若所述面积比例大于预置阈值时，则确定不满足预设条件；
22.若所述面积比例小于或等于预置阈值，则确定满足预设条件。
23.优选地，所述预设条件包括预设阈值，且所述预设阈值选取第三预置范围内的数值。
24.优选地，所述根据所述训练样本训练预设网络，生成前列腺图像分割模型，包括：
25.通过将所述训练样本中的图像依次训练预设网络，确定训练后的预设网络是否处于收敛状态；
26.若确定训练后的预设网络处于收敛状态，则基于所述训练后的预设网络生成前列腺图像分割模型；
27.若确定训练后的预设网络不处于收敛状态，则继续对所述预设网络进行训练，直至训练后的预设网络处于收敛状态，生成前列腺图像分割模型。
28.优选地，所述根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个测试数据的分割结果，包括：
29.将测试样本中的前列腺测试图像输入到所述前列腺图像分割模型中；
30.基于所述前列腺图像分割模型对各个所述测试数据进行分割处理，以获取各个所述前列腺测试图像的分割结果。
31.第二方面，本技术还提供一种基于数据增强的前列腺图像分割装置，所述装置包括：
32.第一生成模块，用于对待训练样本中部分原始图像进行数据增强，生成训练样本，其中，所述原始图像包括带标签的前列腺mr图像；
33.第二生成模块，用于根据所述训练样本训练预设网络，生成前列腺图像分割模型；
34.获取模块，用于根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个前列腺测试图像的分割结果，其中，所述分割结果包括前列腺图像。
35.第三方面，本技术还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所
述处理器执行时，实现如上述的基于数据增强的前列腺图像分割方法的步骤。
36.本技术提供一种基于数据增强的前列腺图像分割方法、装置和计算机设备，通过对待训练样本中部分原始图像进行数据增强，生成训练样本，其中，所述原始图像包括带标签的前列腺mr图像；根据所述训练样本训练预设网络，生成前列腺图像分割模型；根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个前列腺测试图像的分割结果，其中，所述分割结果包括前列腺体，实现通过模型分割前列腺图像中的前列腺体，不仅提高分割的效率，还提高分割的准确性。
附图说明
37.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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的附图。
38.图1为本技术实施例提供的一种基于数据增强的前列腺图像分割方法的流程示意图；
39.图2为本技术实施例提供的阈值threshod的性能响应折线图；
40.图3为本技术实施例提供的一种基于数据增强的前列腺图像分割装置的示意性框图；
41.图4为本技术一实施例涉及的计算机设备的结构示意框图。
42.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
43.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
45.本技术实施例提供一种基于数据增强的前列腺图像分割方法、装置和计算机设备。其中，该基于数据增强的前列腺图像分割方法可应用于计算机设备中，该计算机设备可以是笔记本电脑、台式电脑等电子设备。
46.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
47.请参照图1，图1为本技术的实施例提供的一种基于数据增强的前列腺图像分割方法的流程示意图。
48.如图1所示，该方法包括步骤s101至步骤s103。
49.步骤s101、对待训练样本中部分原始图像进行数据增强，生成训练样本，其中，所述原始图像包括带标签的前列腺mr图像。
50.示范性的，待训练样本包括原始图像，原始图像为带标签的前列腺mr图像。例如，
预先将200例前列腺图像按照一定的比例划分为待训练样本和测试数据。对待训练样本中的部分带标签的前列腺mr图像进行数据增强，已生成训练样本，训练样本中包括未数据增强的带标签的前列腺mr图像和数据增强的带标签的前列腺mr图像。
51.具体的，所述对待训练样本中部分原始图像进行数据增强，生成训练样本，包括：按照预置比例对待训练样本进行拆分，生成第一待训练样本和第二待训练样本，其中，所述第二待训练样本中的带标签的前列腺mr图像的数量大于所述第一待训练样本中的带标签的前列腺mr图像的数量；根据预置仿射变换函数对所述第一待训练样本中的带标签的前列腺mr图像进行平移、缩放和旋转，以生成训练样本，其中，所述训练样本包括数据增强后第一训练样本和第二待训练样本。
52.示范性的，按照预置比例将待训练样本中的带标签的前列腺mr图像进行拆分为第一待训练样本和第二待训练样本。例如，按照2:8的比例将待训练样本中的带标签的前列腺mr图像进行拆分为第一待训练样本和第二待训练样本，其中，第二待训练样本中的带标签的前列腺mr图像的数量大于所述第一待训练样本中的带标签的前列腺mr图像的数量。
53.通过预置仿射变换函数对第一待训练样本中的各个带标签的前列腺mr图像进行平移、缩放和旋转，生成第一训练样本，从而生成训练样本，训练样本中包括第一训练样本和第二待训练样本。第一训练样本为对第一待训练样本中各个带标签的前列腺mr图像进行数据增强后的样本。例如，获取预置仿射变换函数i
new
＝m
dx,dy,θ,r
i，其中，i为放射变换之前的带标签的前列腺mr图像，i
new
为经过放射变换之后的带标签的前列腺mr图像。m
dx,dy,θ,r
是用于放射变换的矩阵，其中，dx是水平平移距离，dy是垂直平移距离，θ是旋转角度，r是缩放尺度。
54.具体的，所述平移包括水平移动和垂直移动，且所述水平移动和垂直移动的距离选取第一预置范围；所述缩放的尺度选取第二预置范围；所述旋转的角度选取第三预置范围。
55.示范性的，例如，第一预置范围为(-8,8)，则水平移动dx和垂直移动dy的距离选取(-8,8)中的随机数；第二预置范围为(0.6,1.5)，则缩放尺度r选取(0.6,1.5)中的随机数；第二预置范围为(-8,8)，则旋转角度选θ取(-8,8)中的随机数。
56.具体的，所述根据预置仿射变换函数对所述第一训练样本中的带标签的前列腺mr图像进行平移、缩放和旋转之后，还包括：获取数据增强后各个带标签的前列腺mr图像的面积和获取数据增强前各个带标签的前列腺mr图像的面积；根据数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，确定是否满足预设条件；若确定满足所述预设条件，则将满足所述预设条件的数据增强后各个带标签的前列腺mr图像生成第一训练样本；如确定不满足所述预设条件，则将不满足所述预设条件的数据增强前或数据增强后的各个带标签的前列腺mr图像重新进行数据增强。
57.示范性的，在带标签的前列腺mr图像中，标签1表示前列腺腺体，标签0表示背景。可以通过统计标签1的数目来得到前列腺腺体的面积。进行仿射变换之前的前列腺的面积a，表示为，变换之后前列腺的面积表示为a
new
。通过仿射变换之前的前列腺的面积a和变换之后前列腺的面积a
new
，确定数据增强后各个带标签的前列腺mr图像是否满足预设条件。若确定数据增强后各个带标签的前列腺mr图像满足预设条件，则将满足预设条件的数据增强后各个带标签的前列腺mr图像生成第一训练样本；若确定不满足预设条件，则重新对第一
待训练样本中各个带标签的前列腺mr图像重新进行仿射变换，例如，水平移动dx和垂直移动dy的距离重新选取(-8,8)中的随机数；缩放尺度r重新选取(0.6,1.5)中的随机数；旋转角度选θ重新选取(-8,8)中的随机数。
58.具体的，所述根据数据增强后各个训练数据的面积和数据增强前各个训练数据的面积，确定是否满足预设条件，包括：基于预置公式、数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，得到各个带标签的前列腺mr图像的面积比例；将所述面积比例与预置阈值进行比对；若所述面积比例大于预置阈值时，则确定不满足预设条件；若所述面积比例小于或等于预置阈值，则确定满足预设条件。
59.示范性的，获取预置公式数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，其中，a
new
为数据增强前各个带标签的前列腺mr图像的面积，a为数据增强后各个带标签的前列腺mr图像的面积，通过预置公式获取各个带标签的前列腺mr图像的面积比例。将各个带标签的前列腺mr图像的面积比例与预置阈值进行比对，若面积比例大于预置阈值时，则确定不满足预设条件；若面积比例小于或等于预置阈值，则确定满足预设条件。例如，若则确定不满足预设条件；若则确定满足预设条件，其中，threshod为预置阈值，该预置阈值threshod的取值会影响最终的分割结果，threshod与模型的性能关系如图2所示。可以看出，随着threshod的增大，模型的性能升高，在threshod为0.5时，模型的性能达到峰值，之后，随着threshod的增加，模型的性能不断下降。
60.threshod在0.5时，模型的性能达到最佳值，说明前列腺mr图像的变换需要被限制在一个合理的空间范围里面才能产生有效的前列腺mr图像，threshod的值大于0.5时，模型的性能下降，说明变换的空间范围过大时，会产生一些不合理的样本影响模型的性能。因此预置阈值应取值(0.3，0.5)之间。
61.步骤s102、根据所述训练样本训练预设网络，生成前列腺图像分割模型。
62.示范性的，通过训练样本训练预设网络，该预设网络包括全卷积网络。通过训练样本中的数据增强后第一训练样本和第二待训练样本依次轮训全卷积网络，生成前列腺图像分割模型。
63.具体的，所述根据所述训练样本训练预设网络，生成前列腺图像分割模型，包括：通过将所述训练样本中的图像依次训练预设网络，确定训练后的预设网络是否处于收敛状态；若确定训练后的预设网络处于收敛状态，则基于所述训练后的预设网络生成前列腺图像分割模型；若确定训练后的预设网络不处于收敛状态，则继续对所述预设网络进行训练，直至训练后的预设网络处于收敛状态，生成前列腺图像分割模型。
64.示范性的，通过训练样本中的数据增强后各个带标签的前列腺mr图像和各个带标签的前列腺mr图像对全卷积网络进行训练时，确定全卷积网络是否处于收敛状态，若确定训练后的全卷积网络处于收敛状态，则将训练后的全卷积网络作为前列腺图像分割模型；若确定训练后的全卷积网络不处于收敛状态，则继续对全卷积网络进行训练，直至全卷积
网络处于收敛状态，生成前列腺图像分割模型。例如，获取每次训练后全卷积网络的损失值，将当前的损失值与上一次训练后得到的损失值进行比对，若相同，或处于预置范围内，则确定全卷积网络处于收敛状态，否则，不处于收敛状态。
65.步骤s103、根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个前列腺测试图像的分割结果，其中，所述分割结果包括前列腺体。
66.示范性的，将测试样本中的前列腺测试图像输入到前列腺图像分割模型中，通过前列腺图像分割模型对前列腺测试图像进行处理，识别出前列腺测试图像中的背景和前列腺体，将前列腺测试图像中的前列腺体分割出来。
67.在本技术实施例中，通过对待训练样本中的部分原始图像进行数据增强，生成训练样本，再通过训练样本中的部分数据增强后的带标签的前列腺mr图像对预设网络进行训练，生成前列腺图像分割模型，生成的前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个前列腺测试图像的前列腺体，实现通过模型分割前列腺图像中的前列腺体，不仅提高分割的效率，还提高分割的准确性。
68.将使用数据增强的方法与不用数据增强的方法进行比较，结果如表1所示。从表1中可以看出，提出的数据增强方法有助于前列腺分割性能的提升。
69.表1中使用数据增强的方法与不使用数据增强方法的比较：
[0070] dsc使用数据增强0.8533不使用数据增强0.8412
[0071]
其优势在于为前列腺mr图像设计了一个新的数据增强技术，促使深度学习模型更好地分割前列腺。
[0072]
请参照图3，图3为本技术实施例提供的一种基于数据增强的前列腺图像分割装置的示意性框图。
[0073]
如图3所示，该装置400，包括：第一生成模块401、第二生成模块402、获取模块403。
[0074]
第一生成模块401，用于对待训练样本中部分原始图像进行数据增强，生成训练样本，其中，所述原始图像包括带标签的前列腺mr图像；
[0075]
第二生成模块402，用于根据所述训练样本训练预设网络，生成前列腺图像分割模型；
[0076]
获取模块403，用于根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个前列腺测试图像的分割结果，其中，所述分割结果包括前列腺图像。
[0077]
其中，第一生成模块401具体还用于：
[0078]
按照预置比例对待训练样本进行拆分，生成第一待训练样本和第二待训练样本，其中，所述第二待训练样本中的带标签的前列腺mr图像的数量大于所述第一待训练样本中的带标签的前列腺mr图像的数量；
[0079]
根据预置仿射变换函数对所述第一待训练样本中的带标签的前列腺mr图像进行平移、缩放和旋转，以生成训练样本，其中，所述训练样本包括数据增强后第一训练样本和第二待训练样本。
[0080]
其中，第一生成模块401具体还用于：
[0081]
所述平移包括水平移动和垂直移动，且所述水平移动和垂直移动的距离选取第一
预置范围；所述缩放的尺度选取第二预置范围；所述旋转的角度选取第三预置范围。
[0082]
其中，基于数据增强的前列腺图像分割装置还用于：
[0083]
获取数据增强后各个带标签的前列腺mr图像的面积和获取数据增强前各个带标签的前列腺mr图像的面积；
[0084]
根据数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，确定是否满足预设条件；
[0085]
若确定满足所述预设条件，则将满足所述预设条件的数据增强后各个带标签的前列腺mr图像生成第一训练样本；
[0086]
如确定不满足所述预设条件，则将不满足所述预设条件的数据增强前或数据增强后的各个带标签的前列腺mr图像重新进行数据增强。
[0087]
其中，第一生成模块401具体还用于：
[0088]
基于预置公式、数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，得到各个带标签的前列腺mr图像的面积比例；
[0089]
将所述面积比例与预置阈值进行比对；
[0090]
若所述面积比例大于预置阈值时，则确定不满足预设条件；
[0091]
若所述面积比例小于或等于预置阈值，则确定满足预设条件。
[0092]
其中，第一生成模块401具体还用于：
[0093]
所述预设条件包括预设阈值，且所述预设阈值选取第三预置范围内的数值。
[0094]
其中，第二生成模块402具体还用于：
[0095]
通过将所述训练样本中的图像依次训练预设网络，确定训练后的预设网络是否处于收敛状态；
[0096]
若确定训练后的预设网络处于收敛状态，则基于所述训练后的预设网络生成前列腺图像分割模型；
[0097]
若确定训练后的预设网络不处于收敛状态，则继续对所述预设网络进行训练，直至训练后的预设网络处于收敛状态，生成前列腺图像分割模型。
[0098]
其中，获取模块403具体还用于：
[0099]
将测试样本中的前列腺测试图像输入到所述前列腺图像分割模型中；
[0100]
基于所述前列腺图像分割模型对各个所述测试数据进行分割处理，以获取各个所述前列腺测试图像的分割结果。
[0101]
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述基于数据增强的前列腺图像分割方法实施例中的对应过程，在此不再赘述。
[0102]
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
[0103]
请参阅图4，图4为本技术实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为终端。
[0104]
如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
[0105]
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，
该程序指令被执行时，可使得处理器执行任意一种基于数据增强的前列腺图像分割方法。
[0106]
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
[0107]
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种基于数据增强的前列腺图像分割方法。
[0108]
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0109]
应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
[0110]
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
[0111]
对待训练样本中部分原始图像进行数据增强，生成训练样本，其中，所述原始图像包括带标签的前列腺mr图像；
[0112]
根据所述训练样本训练预设网络，生成前列腺图像分割模型；
[0113]
根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个前列腺测试图像的分割结果，其中，所述分割结果包括前列腺图像。
[0114]
在一个实施例中，所述处理器实现对待训练样本中部分原始图像进行数据增强，生成训练样本时，用于实现：
[0115]
按照预置比例对待训练样本进行拆分，生成第一待训练样本和第二待训练样本，其中，所述第二待训练样本中的带标签的前列腺mr图像的数量大于所述第一待训练样本中的带标签的前列腺mr图像的数量；
[0116]
根据预置仿射变换函数对所述第一待训练样本中的带标签的前列腺mr图像进行平移、缩放和旋转，以生成训练样本，其中，所述训练样本包括数据增强后第一训练样本和第二待训练样本。
[0117]
在一个实施例中，所述处理器实现时，用于实现：所述平移包括水平移动和垂直移动，且所述水平移动和垂直移动的距离选取第一预置范围；所述缩放的尺度选取第二预置范围；所述旋转的角度选取第三预置范围
[0118]
在一个实施例中，所述处理器实现根据预置仿射变换函数对所述第一训练样本中的带标签的前列腺mr图像进行平移、缩放和旋转之后时，用于实现：
[0119]
获取数据增强后各个带标签的前列腺mr图像的面积和获取数据增强前各个带标签的前列腺mr图像的面积；
[0120]
根据数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，确定是否满足预设条件；
[0121]
若确定满足所述预设条件，则将满足所述预设条件的数据增强后各个带标签的前
列腺mr图像生成第一训练样本；
[0122]
如确定不满足所述预设条件，则将不满足所述预设条件的数据增强前或数据增强后的各个带标签的前列腺mr图像重新进行数据增强。
[0123]
在一个实施例中，所述处理器实现根据数据增强后各个训练数据的面积和数据增强前各个训练数据的面积，确定是否满足预设条件时，用于实现：
[0124]
基于预置公式、数据增强后各个带标签的前列腺mr图像的面积和数据增强前各个带标签的前列腺mr图像的面积，得到各个带标签的前列腺mr图像的面积比例；
[0125]
将所述面积比例与预置阈值进行比对；
[0126]
若所述面积比例大于预置阈值时，则确定不满足预设条件；
[0127]
若所述面积比例小于或等于预置阈值，则确定满足预设条件。
[0128]
在一个实施例中，所述处理器实现时，用于实现：所述预设条件包括预设阈值，且所述预设阈值选取第三预置范围内的数值。
[0129]
在一个实施例中，所述处理器实现根据所述训练样本训练预设网络，生成前列腺图像分割模型时，用于实现：
[0130]
通过将所述训练样本中的图像依次训练预设网络，确定训练后的预设网络是否处于收敛状态；
[0131]
若确定训练后的预设网络处于收敛状态，则基于所述训练后的预设网络生成前列腺图像分割模型；
[0132]
若确定训练后的预设网络不处于收敛状态，则继续对所述预设网络进行训练，直至训练后的预设网络处于收敛状态，生成前列腺图像分割模型。
[0133]
在一个实施例中，所述处理器实现根据所述前列腺图像分割模型对测试样本进行测试，获取所述测试样本中各个测试数据的分割结果时，用于实现：
[0134]
将测试样本中的前列腺测试图像输入到所述前列腺图像分割模型中；
[0135]
基于所述前列腺图像分割模型对各个所述测试数据进行分割处理，以获取各个所述前列腺测试图像的分割结果。
[0136]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本技术基于数据增强的前列腺图像分割方法的各个实施例。
[0137]
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0138]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0139]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员
在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。