医学图像的处理方法、装置、计算机设备和存储介质与流程

1.本申请涉及医学影像技术领域，特别是涉及一种医学图像的处理方法、装置、计算机设备和存储介质。


背景技术：

2.在医学影像领域，ct、mr、pet、超声等影像设备经常被用来采集病人的组织结构或功能信息进行疾病诊断，而影像设备采集的数据通常用体数据来表示，继而出现了一种能够使体数据可视化的体绘制技术。
3.为了人们能够直观地感知物体的形状和空间位置关系，要求采用体绘制技术渲染的场景的光照效果越真实越好。目前，通常采用路径追踪的体绘制方法渐近式地渲染全局光照效果。具体包括：首先设置光线从相机出发，并根据重要性采样原理做距离采样得到散射点，再做方向采样，光线发生散射，再沿着新的方向做距离采样，计算下一个采样点，如此往复，直到光线离开体数据，或达到指定的停止条件。此过程为一次采样，根据蒙特卡洛积分原理，需要跟踪上万上亿的光线，才能得到一个没有噪声的全局光照效果。
4.但是，上述渲染方法需要占用大量的计算资源，耗时很长，导致渲染实时性低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够有效提高渲染实时性，以及具有全局光照效果的医学图像的处理方法、装置、计算机设备和存储介质。
6.第一方面，一种医学图像的处理方法，所述方法包括：
7.根据待处理体数据和第一渲染参数，得到所述待处理体数据对应的局部光照图像和属性信息；
8.将所述局部光照图像和所述属性信息输入至全局图像生成网络，得到所述待处理体数据对应的全局光照图像。
9.在其中一个实施例中，所述根据待处理体数据和第一渲染参数，得到所述待处理体数据对应的局部光照图像，包括：
10.根据所述第一渲染参数对所述待处理体数据进行渲染，得到所述待处理体数据对应的局部光照图像。
11.在其中一个实施例中，所述属性信息包括在渲染过程中所述待处理体数据的不透明度、深度信息、梯度的方向和梯度的大小中的至少一个。
12.在其中一个实施例中，所述全局图像生成网络是基于同一样本体数据对应的局部光照图像和全局光照图像训练生成的网络。
13.在其中一个实施例中，训练所述全局图像生成网络的方法，包括：
14.获取所述样本体数据和第二渲染参数；
15.根据所述样本体数据和所述第二渲染参数，得到所述样本体数据对应的局部光照图像、所述样本体数据对应的属性信息、所述样本体数据对应的全局光照图像；
16.根据所述样本体数据对应的局部光照图像、所述样本体数据对应的属性信息、所述样本体数据对应的全局光照图像，对待训练的全局图像生成网络进行训练，得到所述全局图像生成网络。
17.在其中一个实施例中，所述根据所述样本体数据和所述第二渲染参数，得到所述样本体数据对应的局部光照图像、所述样本体数据对应的属性信息、所述样本体数据对应的全局光照图像，包括：
18.根据所述第二渲染参数对所述样本体数据进行渲染，得到所述样本体数据对应的局部光照图像；
19.根据所述第二渲染参数对所述样本体数据进行物理渲染，得到所述样本体数据对应的全局光照图像。
20.在其中一个实施例中，所述根据所述样本体数据对应的局部光照图像、所述样本体数据对应的属性信息、所述样本体数据对应的全局光照图像，对待训练的全局图像生成网络进行训练，得到所述全局图像生成网络，包括：
21.将所述样本体数据对应的局部光照图像和所述样本体数据对应的属性信息输入至所述待训练的全局图像生成网络，得到输出结果；
22.根据所述输出结果和所述样本体数据对应的全局光照图像，确定训练损失的值；
23.根据所述训练损失的值，调整所述待训练的全局图像生成网络中的各参数，直至所述损失的值满足预设条件，得到所述全局图像生成网络。
24.第二方面，一种医学图像的处理装置，所述装置包括：
25.第一渲染模块，用于根据待处理体数据和第一渲染参数，得到所述待处理体数据对应的局部光照图像和属性信息；；
26.第二渲染模块，用于将所述局部光照图像和所述属性信息输入至全局图像生成网络，得到所述待处理体数据对应的全局光照图像。
27.第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
28.第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
29.上述医学图像的处理方法、装置、计算机设备和存储介质，根据待处理体数据和第一渲染参数，得到待处理体数据对应的局部光照图像和属性信息，实现了对体数据进行局部光照的渲染，然后将局部光照图像和属性信息输入至全局图像生成网络，得到待处理体数据对应的全局光照图像，实现了基于局部光照图像得到全局光照图像的方法。上述方法不需使用复杂的物理体绘制算法即可实现全局光照的渲染结果，不仅使用户能够直观地感知体数据对应的拍摄对象的形状和空间位置关系，而且还能达到实时渲染的目的，进而增强了用户基于渲染后图像的交互操作性。
附图说明
30.图1为一个实施例中计算机设备内部结构的示意图；
31.图2为一个实施例中医学图像的处理方法的流程示意图；
32.图3为一个实施例中全局图像生成网络的结构示意图；
33.图4为一个实施例中训练全局图像生成网络的方法的流程示意图；
34.图5为一个实施例中图像处理网络的结构示意图；
35.图6为图3实施例中s202的一种实现方式的流程示意图；
36.图7为图3实施例中s203的一种实现方式的流程示意图；
37.图8为一个实施例中训练网络的结构示意图；
38.图9为一个实施例中医学图像的处理装置的结构示意图；
39.图10为一个实施例中医学图像的处理装置的结构示意图；
40.图11为一个实施例中医学图像的处理装置的结构示意图；
41.图12为一个实施例中医学图像的处理装置的结构示意图；
42.图13为一个实施例中医学图像的处理装置的结构示意图。
具体实施方式
43.为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
44.本申请提供的医学图像的处理方法，可以应用于如图1所示的计算机设备中，该计算机设备可以是服务器，该计算机设备也可以是终端，其内部结构图可以如图1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、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像的处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
45.本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。
46.在一个实施例中，如图2所示，提供了一种医学图像的处理方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
47.s101，根据待处理体数据和第一渲染参数，得到待处理体数据对应的局部光照图像和属性信息。
48.其中，待处理体数据为医学影像领域中使用电子计算机断层扫描(computed tomography，ct)设备、磁共振扫描(magnetic resonance imaging，mr)设备、正电子发射型计算机断层显像(positron emission computed tomography，pet)设备、超声等影像设备等采集患者的组织结构或功能信息得到的医学数据，用于疾病诊断。第一渲染参数用于表示渲染过程中对于光源属性的设置参数和/或拍摄相机的设置参数，例如，光源位置、光源出射光线的强度、光源出射光线的方向、被拍摄对象表面的折射率、被拍摄对象对光线的反射强度，当前视角、拍摄相机位置、拍摄相机聚焦参数、待渲染体数据的分割掩模mask等。局
部光照图像，也即部分全局光照图像，表示在渲染过程中只考虑了主要发光光源对图像光照效果的影响，并未考虑其它对象反射光、折射光等周围其它光线或其它光源对图像光照效果的影响所呈现的光照效果图像。属性信息用于表示在渲染过程中待处理体数据的属性信息。可选的，属性信息可以包括在渲染过程中待处理体数据的不透明度、深度信息、梯度的方向和梯度的大小中的至少一个。例如，属性信息可以包括渲染的过程中，记录在光线前进过程中，待处理体数据的不透明度累计到一定阈值时的深度、梯度的方向和梯度的大小。
49.本实施例中，计算机设备可以连接ct、mr、pet等中的任一种成像扫描设备实现对患者进行扫描成像，得到该患者的体数据，作为待处理体数据。同时，计算机设备可以根据预设的光照条件、光照环境、光源属性、相机属性等确定第一渲染参数，以设置渲染过程中的光照效果。当计算机设备确定了待处理体数据和对应的第一渲染参数后，即可采用局部光照的体绘制渲染算法，根据第一渲染参数对待处理体数据进行渲染，得到待处理体数据对应的局部光照图像。其中的局部光照的体绘制渲染算法表示对体数据进行渲染的方法，使渲染出的图像携带局部光照效果。实际应用中，计算机设备可以采用现有任一种局部光照的体绘制渲染算法，例如，实时体绘制渲染算法。可选的，计算机设备还可以采用预先训练好的局部光照的体绘制渲染网络，基于待处理体数据和对应的第一渲染参数，得到待处理体数据对应的局部光照图像。
50.s102，将局部光照图像和属性信息输入至全局图像生成网络，得到待处理体数据对
51.其中，全局图像生成网络可以是预先训练好的网络，也可以是自学习不断优化的网络。全局图像生成网络具体可以包括编码解码结构的深度卷积网络、循环卷积网络、对抗卷积网络中的至少一种，或多种网络结合的网络。全局光照图像表示在渲染过程中全面考虑了主要发光光源对图像光照效果的影响，以及其它对象反射光、折射光等周围其它光线或其它光源对图像光照效果的影响所呈现的光照效果图像。全局光照图像可以使用户具有更强的空间感知和深度感知。
52.本实施例中，当计算机设备基于前述步骤获取到待处理体数据对应的局部光照图像和属性信息时，可以进一步的将局部光照图像和属性信息输入至全局图像生成网络，实现对局部光照图像进行进一步渲染，进而得到待处理体数据对应的全局光照图像。可选的，计算机设备也可以将局部光照图像和属性信息输入至全局图像生成网络，实现将局部光照图像转换为全局光照图像，进而得到待处理体数据对应的全局光照图像。
53.上述医学图像的处理方法，根据待处理体数据和第一渲染参数，得到待处理体数据对应的局部光照图像和属性信息，实现了对体数据进行局部光照的渲染，然后将局部光照图像和属性信息输入至全局图像生成网络，得到待处理体数据对应的全局光照图像，实现了基于局部光照图像得到全局光照图像的方法。上述方法不需使用复杂的物理体绘制算法即可实现全局光照的渲染结果，不仅使用户能够直观地感知体数据对应的拍摄对象的形状和空间位置关系，而且还能达到实时渲染的目的，进而增强了用户基于渲染后图像的交互操作性。
54.在一个实施例中，提供了上述s101的一种实现方式，上述s101“根据待处理体数据和第一渲染参数，得到待处理体数据对应的局部光照图像和属性信息”，具体包括：根据第一渲染参数对待处理体数据进行渲染，得到待处理体数据对应的局部光照图像。
55.当计算机设备确定了待处理体数据和对应的第一渲染参数后，即可采用实时体绘制渲染算法，根据第一渲染参数对待处理体数据进行实时渲染，得到待处理体数据对应的局部光照图像。可选的，计算机设备还可以采用预先训练好的体绘制渲染网络，基于待处理体数据和对应的第一渲染参数，得到待处理体数据对应的局部光照图像。
56.在实际医用领域，体绘制技术作为一种经典的体数据可视化技术，通过交互操作，人们能够方便的感知人体的解剖结构和功能代谢情况，所以，为了观察方便，体绘制技术需要达到实时交互的性能。上述实施例中通过实时体绘制渲染算法得到局部光照图像，达到了实时渲染的效果，可以使人们能够快速的感知图像中物体的形状和空间位置。
57.可选的，基于上述实施例所述的医学图像的处理方法，本实施例还提供了一种全局图像生成网络，如图3所示，该全局图像生成网络整体采用u型结构的编码解码方式来实现，且为保证全局图像生成网络适应任意大小的图像，具体采用全卷积网络。在使用该全局图像生成网络基于局部光照图像得到全局光照图像时，可以输入的局部光照图像为rgb三通道的二维图像，输入的属性信息是逐像素的，即维度和局部光照图像的宽度和高度一致，每个属性对应一个通道，有几个属性，就有几个通道。将局部光照图像和属性信息图像堆叠在一起，形成一个多通道的矩阵，作为整个网络的输入。在编码阶段，这个矩阵会多次经过一种卷积下采样的模块，逐级提取原始信息的特征，从低级特征提炼高级特征，用一个宽度和高度变小，通道数多的矩阵来表达。解码阶段是和编码阶段相反的过程，每级融合编码阶段对应的层级的矩阵，多次经过一种卷积上采样的模块，最终得到和局部光照图像一样大小的全局光照图像。可选的，在编码阶段的卷积池化可以采用三个3*3的卷积和一次stride为2的卷积做下采样，在解码阶段卷积上采样模块可以采用三个3*3的卷积和一个stride为2的反卷积。
58.可选的，上述实施例中的全局图像生成网络可以是预先训练好的网络，具体基于同一样本体数据对应的局部光照图像和全局光照图像训练生成的网络。
59.可以理解的是，在训练全局图像生成网络时，可以选取同一样本体数据生成的局部光照图像和全局光照图像，即局部光照图像和全局光照图像配对选取或生成。
60.基于上述实施例，本申请提供了一种训练上述全局图像生成网络的方法，如图4所示，该训练方法包括：
61.s201，获取样本体数据和第二渲染参数。
62.其中，样本体数据和前述s101中的待处理体数据的类型和获取方式相同，第二渲染参数和第一渲染参数的类型和获取方式相同，具体可参见前述说明，此处不赘述。
63.s202，根据样本体数据和第二渲染参数，得到样本体数据对应的局部光照图像、样本体数据对应的属性信息、样本体数据对应的全局光照图像。
64.本实施例中，计算机设备在获取到样本体数据和第二渲染参数后，即可利用第二渲染参数对样本体数据进行局部光照渲染，得到样本体数据对应的局部光照图像，同时获取在此渲染过程中样本体数据对应的属性信息，例如，样本体数据的不透明度、深度信息、梯度的方向和梯度的大小中的至少一个。相应的，计算机设备可利用第二渲染参数对同一样本体数据进行全局光照渲染，得到样本体数据对应的全局光照图像。
65.s203，根据样本体数据对应的局部光照图像、样本体数据对应的属性信息、样本体数据对应的全局光照图像，对待训练的全局图像生成网络进行训练，得到全局图像生成网
络。
66.其中，待训练的全局图像生成网络可以由计算机设备预先定义，具体可以选用编码解码结构的深度卷积网络、循环卷积网络、对抗卷积网络等中的任一种或多种结合的网络。
67.本实施例中，计算机设备可以将样本体数据对应的局部光照图像和样本体数据对应的属性信息作为训练数据，样本体数据对应的全局光照图像作为训练目的或金标准，对待训练的全局图像生成网络进行训练，训练后的网络即为前述实施例中使用的全局图像生成网络。
68.基于上述实施例，本申请提供了一种图像处理网络，如图5所示，该图像处理网络中包括：局部光照渲染模块和全局图像生成网络。其中，局部光照渲染模块用于根据输入的待处理体数据和第一渲染参数，对待处理体数据进行渲染，得到待处理体数据对应的局部光照图像和属性信息；全局图像生成网络用于根据输入的局部光照图像和属性信息，对局部光照图像进行二次渲染或转换，得到待处理体数据对应的全局光照图像。
69.可选的，如图6所示，上述s202具体包括：
70.s301，根据第二渲染参数对样本体数据进行渲染，得到样本体数据对应的局部光照图像。
71.当计算机设备获取到样本体数据和对应的第二渲染参数后，即可采用实时体绘制渲染算法，根据第二渲染参数对样本体数据进行实时渲染，得到样本体数据对应的局部光照图像。可选的，计算机设备还可以采用预先训练好的体绘制渲染网络，基于样本体数据和对应的第二渲染参数，得到样本体数据对应的局部光照图像。
72.s302，根据第二渲染参数对样本体数据进行物理渲染，得到样本体数据对应的全局光照图像。
73.当计算机设备获取到样本体数据和对应的第二渲染参数后，可以采用物理体绘制渲染算法，根据第二渲染参数对样本体数据进行物理渲染，得到样本体数据对应的全局光照图像。可选的，计算机设备还可以采用预先训练好的物理体绘制渲染网络，基于样本体数据和对应的第二渲染参数，得到样本体数据对应的全局光照图像。
74.可选的，如图7所示，上述s203具体包括：
75.s401，将样本体数据对应的局部光照图像和样本体数据对应的属性信息输入至待训练的全局图像生成网络，得到输出结果。
76.当计算机设备基于前述步骤获取到样本体数据对应的局部光照图像和样本体数据对应的属性信息时，即可将样本体数据对应的局部光照图像和样本体数据对应的属性信息输入至待训练的全局图像生成网络，实现对样本体数据对应的局部光照图像的二次渲染，或者实现对样本体数据对应的局部光照图像的转换，得到二次渲染或者转换后的全局光照图像，即输出结果。
77.s402，根据输出结果和样本体数据对应的全局光照图像，确定训练损失的值。
78.计算机设备可以进一步的对二次渲染或者转换后的全局光照图像，以及样本体数据对应的全局光照图像进行交叉熵或其它损失运算，得到当前的待训练的全局图像生成网络对应的训练损失的值。
79.可选的，在全局图像生成网络训练的过程中，为了使网络能学习到全局光照的特
性，可以设计两个损失loss，用于网络的训练。
80.比如，可以采用如下关系式(1)或其变形式得到损失l
s
：
[0081][0082]
可以采用如下关系式(2)或其变形式得到损失l
f
：
[0083][0084]
最终的损失loss可以通过上述两个损失loss的加权和得到，例如，通过如下关系式(3)或其变形式得到：
[0085]
l＝w
s
l
s
+w
f
l
f
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；
[0086]
上述各式中的p为预测图像，即输出结果包含的图像，t为目标图像，即样本体数据对应的全局光照图像，n为图像像素个数，l
s
为表达空间像素的光谱能量的损失，l
f
为表达空间光谱的频率变化的损失。w
s
为l
s
的权重，w
f
为l
f
的权重：l表示最终的损失。表示梯度计算。
[0087]
s403，根据训练损失的值，调整待训练的全局图像生成网络中的各参数，直至训练损失的值满足预设条件，得到全局图像生成网络。
[0088]
在计算机设备得到训练损失的值后，可以进一步的根据该训练损失的值调整待训练的全局图像生成网络中的各参数，再根据调整后的各参数获取新的待训练的全局图像生成网络，然后返回执行s401的步骤，如此反复，直至训练损失的值满足预设条件，即达到训练目的，便可得到前述实施例中应用的全局图像生成网络。
[0089]
上述训练全局图像生成网络的方法，使训练后的全局图像生成网络能够学习到根据局部光照或部分全局光照的图像及属性信息生成全局光照图像的能力，进而使后期在使用训练好的全局图像生成网络只要基于局部光照图像或部分全局光照的图像，可以快速的得到全局光照图像，相比于通过传统复杂的物理体绘制渲染算法得到全局光照图像的方法，本申请提供的医学图像的处理方法可以极大的提高渲染效率，同时还能够得到满足全局光照效果的渲染结果，不仅达到了实时渲染的目的，还得到了质量较高的光照图像。
[0090]
基于上述实施例，本申请提供了一种训练网络，如图8所示，该训练网络中包括：局部光照渲染模块、全局光照渲染模块、待训练的全局图像生成网络和训练损失模块。
[0091]
其中，局部光照渲染模块用于根据输入的样本体数据和第二渲染参数，对样本体数据进行渲染，得到样本体数据对应的局部光照图像和样本体数据对应的属性信息；全局光照渲染模块用于根据输入的样本体数据和第二渲染参数，对样本体数据进行物理渲染，得到样本体数据对应的全局光照图像。需要说明的是，局部光照渲染模块可以具体采用实时渲染算法实现局部光照效果的渲染；全局光照渲染模块可以具体采用物理渲染算法实现全部光照效果的渲染。
[0092]
本实施例中，当计算机设备通过局部光照渲染模块和全局光照渲染模块得到同一样本体数据对应的局部光照图像、属性信息和全局光照图像时，即可将局部光照图像和属性信息作为训练数据，全局光照图像作为金标准，开始训练待训练的全局图像生成网络。具体的，可以使用训练损失基于待训练的全局图像生成网络的输出结果和全局光照渲染模块
输出的全局光照图像确定训练损失的值，再由训练损失的值调整待训练的全局图像生成网络的各参数，直到待训练的全局图像生成网络训练好为止，即可得到全局图像生成网络。
[0093]
应该理解的是，虽然图2
‑
7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2
‑
7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0094]
在一个实施例中，如图9所示，提供了一种医学图像的处理装置，包括：
[0095]
第一渲染模块11，用于根据待处理体数据和第一渲染参数，得到所述待处理体数据对应的局部光照图像和属性信息；
[0096]
第二渲染模块12，用于将所述局部光照图像和所述属性信息输入至全局图像生成网络，得到所述待处理体数据对应的全局光照图像。
[0097]
在一个实施例中，上述第一渲染模块11具体用于根据所述第一渲染参数对所述待处理体数据进行渲染，得到所述待处理体数据对应的局部光照图像。
[0098]
在一个实施例中，所述属性信息包括在渲染过程中所述待处理体数据的不透明度、深度信息、梯度的方向和梯度的大小中的至少一个。
[0099]
在一个实施例中，所述全局图像生成网络是基于同一样本体数据对应的局部光照图像和全局光照图像训练生成的网络。
[0100]
在一个实施例中，如图10所示，上述医学图像的处理装置，包括：
[0101]
训练模块13，用于训练所述全局图像生成网络。
[0102]
在一个实施例中，如图11所示，上述训练模块13，包括：
[0103]
第一获取单元131，用于获取所述样本体数据和第二渲染参数；
[0104]
第二获取单元132，用于根据所述样本体数据和所述第二渲染参数，得到所述样本体数据对应的局部光照图像、所述样本体数据对应的属性信息、所述样本体数据对应的全局光照图像；
[0105]
训练单元133，用于根据所述样本体数据对应的局部光照图像、所述样本体数据对应的属性信息、所述样本体数据对应的全局光照图像，对待训练的全局图像生成网络进行训练，得到所述全局图像生成网络。
[0106]
在一个实施例中，如图12所示，上述第二获取单元132，包括：
[0107]
第一获取子单元1321，用于根据所述第二渲染参数对所述样本体数据进行渲染，得到所述样本体数据对应的局部光照图像；
[0108]
第二获取子单元1322，用于根据所述第二渲染参数对所述样本体数据进行物理渲染，得到所述样本体数据对应的全局光照图像。
[0109]
在一个实施例中，如图13所示，上述训练单元133，包括：
[0110]
输入子单元1331，用于将所述样本体数据对应的局部光照图像和所述样本体数据对应的属性信息输入至所述待训练的全局图像生成网络，得到输出结果；
[0111]
确定子单元1332，用于根据所述输出结果和所述样本体数据对应的全局光照图像，确定训练损失的值；
[0112]
训练子单元1333，用于根据所述训练损失的值，调整所述待训练的全局图像生成网络中的各参数，直至所述损失的值满足预设条件，得到所述全局图像生成网络。
[0113]
关于医学图像的处理装置的具体限定可以参见上文中对于医学图像的处理方法的限定，在此不再赘述。上述医学图像的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0114]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0115]
根据待处理体数据和第一渲染参数，得到所述待处理体数据对应的局部光照图像和属性信息；
[0116]
将所述局部光照图像和所述属性信息输入至全局图像生成网络，得到所述待处理体数据对应的全局光照图像。
[0117]
上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0118]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0119]
根据待处理体数据和第一渲染参数，得到所述待处理体数据对应的局部光照图像和属性信息；
[0120]
将所述局部光照图像和所述属性信息输入至全局图像生成网络，得到所述待处理体数据对应的全局光照图像。
[0121]
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0122]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0123]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0124]
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。