基于空间融合的磁共振图像多模态重建方法及存储介质与流程

1.本发明涉及基于人工智能方法实现磁共振图像重建领域，尤其涉及一种基于空间融合的磁共振图像多模态重建方法及存储介质。


背景技术：

2.自磁共振成像技术自发明以来，如何提高成像速度一直是一个重要而永恒的研究课题。磁共振成像是一种无创、无辐射的成像技术，已广泛应用于临床诊断。然而，受设备和成像序列的限制，磁共振扫描相对较慢，其更广泛的应用受到患者舒适性、图像质量和经济性等因素的限制。一种实用的解决方案是利用磁共振图像的稀疏性，通过在k空间中进行部分采样来加速采集。
3.除了利用单个磁共振图像的内在冗余(即k空间稀疏性)来加速磁共振采集外，利用不同磁共振序列之间耦合共享的公共信息也值得一试。在临床实践中，为了更好地分析同一感兴趣区域的不同特征，准确诊断，通常在同一扫描程序中采集多个不同对比度的磁共振图像。另外，最近的研究表明，多模态磁共振重建方法能够利用同一扫描程序中的一个k空间全采样的磁共振序列(即参考模态)，有效重建出的另一个k空间部分采样的磁共振序列(即目标模态)，从而整体提供该扫描程序的成像速度。
4.然而，不同模态图像之间存在微小差异，不可忽视地削弱目标模态的最终重建质量。这种错位很常见：例如，在磁共振序列切换过程中，患者往往会注意到磁共振扫描仪所产生噪声的变化，进而产生微小的肢体动作，导致空间失配。在深度学习的框架中，一个可能的解决方案是设计一个更深的神经网络，令它对多模态重建过程中的空间失配不敏感。但是，这样的努力不足以解决全采样目标图像和全采样参考图像之间的空间不匹配，容易导致重建后的磁共振图像会出现伪影。


技术实现要素：

5.发明的目的在于，提供一种基于空间融合的磁共振图像多模态重建方法及存储介质，用以解决目前全采样目标图像和全采样参考图像之间的空间不匹配对图像重建的负面影响。
6.为了实现上述目的，本发明其中一实施例中提供一种基于空间融合的磁共振图像多模态重建方法，包括步骤：建立空间对齐网络步骤，构建一空间对齐网络，所述空间对齐网络用于建立不同模态磁共振图像的空间对应关系；建立重建网络步骤，构建一重建网络，所述重建网络用于实现对目标图像的重建估计；获取形变场步骤，所述磁共振图像包括欠采样目标图像和全采样参考图像，将欠采样目标图像和全采样参考图像输入空间对齐网络，得到形变场；获取对齐后的全采样参考图像步骤，将所述形变场作用于全采样参考图像，得到与目标图像对齐后的全采样参考图像；以及获取全采样目标图像的估计步骤，将欠采样目标图像和对齐后的全采样参考图像输入图像重建网络，得到与全采样质量接近的目标图像的重建估计。
7.进一步地，通过形变场计算平滑损失函数，通过全采样目标图像的估计和全采样目标图像计算重建损失函数，通过对齐后的全采样参考图像和全采样目标图像计算配准损失函数；利用平滑损失函数、重建损失函数和配准损失函数更新空间对齐网络；以及利用重建损失函数更新图像重建网络。
8.进一步地，在所述获取形变场步骤中，所述空间对齐网络t
ω
从欠采样的目标图像和全采样参考图像x
ref
对比度直接估计变形场φ，获得
9.进一步地，在所述获取对齐后的全采样参考图像步骤中，根据所述形变场φ，利用空间变换层s，对全采样参考图像进行空间调整获得对齐后的全采样参考图像空间变换层s，对全采样参考图像进行空间调整获得对齐后的全采样参考图像
10.进一步地，在磁共振图像中的位置p，满足s(φ，x
ref
)[p]＝x
ref
[p φ[p]]。
[0011]
进一步地，磁共振图像的二维尺寸为n＝n
x
×
n
y
，在磁共振图像中的位置p，所述平滑度损失函数l
smooth
定义为其中p为图像空间中的任意坐标，φ
x
代表x方向分量，为求偏导，[ ]为给定坐标取值操作。
[0012]
进一步地，使用重建误差的逐像素1范数作为重建损失l
rec
，
[0013]
本技术还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前文任一项所述的基于空间融合的磁共振图像多模态重建方法中的步骤。
[0014]
本技术还提供一种电子设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行前文任一项所述的基于空间融合的磁共振图像多模态重建方法中的操作。
[0015]
本发明的有益效果在于，提供一种基于空间融合的磁共振图像多模态重建方法及存储介质，通过在将欠采样目标图像和全采样参考图像输入图像重建网络之前，使用空间对齐网络将全采样参考图像向对齐，从而方便图像重建网络更好利用全采样参考图像与欠采样目标图像之间的相关性，以此得到效果更好的全采样目标图像的重建估计，提高了目标模态的重建质量；并且对应调整了图像重建网络的损失函数为三个，通过全采样目标图像的估计和全采样目标图像计算重建损失函数，通过对齐后的全采样参考图像和全采样目标图像计算配准损失函数，利用平滑损失函数、重建损失函数和配准损失函数，同步更新空间对齐网络和图像重建网络；在将不同模态的欠采样目标图像和全采样参考图像输入图像重建网络之前，使用空间对齐网络将全采样参考图像向欠采样目标图像对齐，从而使图像重建网络有效利用全采样参考图像与欠采样目标图像之间的相关性，完成全采样目标图像的重建，提高目标模态图像的质量。更具体地说，空间对齐网络从全采样参考图像和欠采样目标模态之中估计他们的空间位置差，并相应地变换全采样参考图像。然后，将对齐的全采样参考模态与欠采样目标图像一起送入多模态重建网络。此外，为了更好地优化空间对齐网络，将基于跨模态合成的配准损失函数与重建损失函数相结合，可以提供更准确的训练指导。我们在模拟的磁共振数据和有多线圈原始数据的磁共振图像上进行了实验，实验证明了利用空间对齐网络进行多模态磁共振成像重建的优越性和鲁棒性。
附图说明
[0016]
下面结合附图，通过对本技术的具体实施方式详细描述，将使本技术的技术方案及其它有益效果显而易见。
[0017]
图1为本技术实施例提供的基于空间融合的磁共振图像多模态重建方法的原理图；
[0018]
图2为本技术实施例提供的基于空间融合的磁共振图像多模态重建方法的流程图；
[0019]
图3为本技术实施例提供的配准损失函数的具体实现。
[0020]
图4为本技术实施例提供的在fast磁共振dicom数据集上，不同优化策略的空间对齐网络在无空间对齐的多模态重建上的性能改进(psnr/ssim)。
具体实施方式
[0021]
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，所描述的实施例仅仅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，本领域技术人员在没有作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。
[0022]
下文的公开提供了许多不同的实施方式或例子用来实现本技术的不同结构。为了简化本技术的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本技术。
[0023]
在临床实践中，为了获取人体同一组织的不同物理特性，一次磁共振扫描通常包括多个磁共振序列。通过在k空间中对一个或多个模式进行欠采样，可以加速整体扫描过程。最近的研究表明，考虑到不同对比度之间的冗余，在k空间欠采样目标磁共振模态，在另一个全采样序列(即参考模态)的帮助下，可以得到更好地重建。这意味着，在同一次扫描中，可以利用多个序列来实现高效的多模态重建。然而，我们发现多模态重建受到不同序列之间细微的空间错位的负面影响，并且这在非同时采集的序列中是常见的。本文引入空间对齐网络，通过在重建前将全采样参考序列与欠采样目标模态对齐，进一步提高了目标模态的重构质量。更具体地说，空间对齐网络从全采样参考图像和欠采样目标模态之中估计他们的空间位置差，并相应地变换全采样参考图像。然后，将对齐的全采样参考模态与欠采样目标图像一起送入多模态重建网络。此外，为了更好地优化空间对齐网络，将基于跨模态合成的配准损失函数与重建损失函数相结合，可以提供更准确的训练指导。我们在模拟的磁共振数据和有多线圈原始数据的磁共振图像上进行了实验，实验证明了利用空间对齐网络进行多模态磁共振成像重建的优越性和鲁棒性。
[0024]
具体的，请参阅图1所示，本技术实施例提供一种基于空间融合的磁共振图像多模态重建方法，在多模态磁共振重建之前，通过插入式空间对齐网络将参考磁共振与零填充目标模态对齐，从而显式地减轻空间失调的影响。我们提出的方法的概述如图1所示。首先，利用空间对齐网络估计完全采样的参考磁共振成像模式与欠采样目标序列之间的空间对应关系，并对参考图像进行相应的扭曲。图1中的箭头是与我们的空间对齐网络相关的数据流。然后，按照普通的多模态磁共振重建设置，将扭曲的参考图像与欠采样的目标模态串联起来，输入重建网络，以估计完全采样的目标磁共振序列。
[0025]
我们的贡献总结如下：我们提出在多模式磁共振重建之前明确补偿参考模式和目标模式之间细微的空间错位，以获得更好的图像重建质量。提出了一种空间对齐网络，直接从完全采样的参考模态和欠采样的目标序列估计空间不匹配情况。为了优化空间对齐网络，除了利用图像重建损失进行训练外，基于跨模态合成的配准技术的结合进一步提高了重建质量。
[0026]
其中，待处理数据与神经网络的具体数据如下：
[0027]
神经网络输入：欠采样目标图像(对应文中)、全采样参考图像(对应文中x
ref
)；
[0028]
神经网络输出：对齐后的全采样参考图像(对应文中)、全采样目标图像的估计(对应文中)、形变场(对应文中φ)；
[0029]
在训练神经网络过程中用到，但是测试过程不需要的数据：全采样目标图像(对应文中x
tgt
)；
[0030]
定义神经网络：空间对齐网络(对应文中t
w
)、图像重建网络(对应文中r
θ
)；
[0031]
损失函数(用于神经网络训练)：平滑损失函数(对应文中l
smooth
)、重建损失函数(对应文中l
rec
)、配准损失函数(对应文中l
reg
)。
[0032]
请参阅图2所示，所述基于空间融合的磁共振图像多模态重建方法包括步骤s1
‑
s9。
[0033]
s1、建立空间对齐网络步骤，构建一空间对齐网络，所述空间对齐网络用于建立不同模态磁共振图像的空间对应关系。
[0034]
s2、建立重建网络步骤，构建一重建网络，所述重建网络用于实现对目标图像的重建估计。
[0035]
s3、获取形变场步骤，所述磁共振图像包括欠采样目标图像和全采样参考图像，将欠采样目标图像和全采样参考图像输入空间对齐网络，得到形变场。
[0036]
s4、获取对齐后的全采样参考图像步骤，将所述形变场作用于全采样参考图像，得到与目标图像对齐后的全采样参考图像。
[0037]
s5、获取全采样目标图像的估计步骤，将欠采样目标图像和对齐后的全采样参考图像输入图像重建网络，得到与全采样质量接近的目标图像的重建估计。
[0038]
s6、计算损失函数步骤，通过形变场计算平滑损失函数，通过全采样目标图像的估计和全采样目标图像计算重建损失函数，通过对齐后的全采样参考图像和全采样目标图像计算配准损失函数。
[0039]
s7、更新空间对齐网络步骤，利用平滑损失函数、重建损失函数和配准损失函数更新空间对齐网络。
[0040]
s8、更新图像重建网络步骤，利用重建损失函数更新图像重建网络。
[0041]
s9、测试验证步骤，将磁共振图像中的欠采样目标图像和全采样参考图像输入至更新后的空间对齐网络，得到更新形变场；将所述更新形变场作用于全采样参考图像，得到更新对齐后的全采样参考图像；将欠采样目标图像和更新对齐后的全采样参考图像输入至更新后的图像重建网络，得到更新全采样目标图像的估计；对比更新全采样目标图像的重建估计与全采样目标图像，得到更新全采样目标图像的重建估计的重建质量。
[0042]
进一步地，在所述获取形变场步骤中，所述空间对齐网络t
ω
从欠采样的目标图像
和全采样参考图像x
ref
对比度直接估计变形场φ，获得
[0043]
进一步地，在所述获取对齐后的全采样参考图像步骤中，根据所述形变场φ，利用空间变换层s，对全采样参考图像进行空间调整获得对齐后的全采样参考图像空间变换层s，对全采样参考图像进行空间调整获得对齐后的全采样参考图像空间变换层s，对全采样参考图像进行空间调整获得对齐后的全采样参考图像
[0044]
进一步地，在磁共振图像中的位置p，满足s(φ，x
ref
)[p]＝x
ref
[p φ[p]]。
[0045]
进一步地，磁共振图像的二维尺寸为n＝n
x
×
n
y
，在磁共振图像中的位置p，所述平滑度损失函数lsmooth定义为其中p为图像空间中的任意坐标，φ
x
代表x方向分量，为求偏导，[ ]为给定坐标取值操作。
[0046]
进一步地，使用重建误差的逐像素1范数作为重建损失lrec，
[0047]
本技术还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前文任一项所述的基于空间融合的磁共振图像多模态重建方法中的步骤。
[0048]
本技术还提供一种电子设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行前文任一项所述的基于空间融合的磁共振图像多模态重建方法中的操作。
[0049]
多模式磁共振重建
[0050]
在这一部分中，我们首先简要阐述了基于学习的磁共振重建以及多模态磁共振重建，然后将提出的空间对齐网络注入到多模态磁共振重建管道中。
[0051]
磁共振重建
[0052]
磁共振图像的采集可以简单地看作是k空间的欠采样。以大小为n
x
×
n
y
的二维磁共振成像为例，用一个展平的复数值的全采样磁共振图像x∈c
n
，n＝n
x
×
n
y
。快速磁共振采集过程可以表示为y＝f
u
x，其中y∈c
m
为欠采样后的磁共振信号，欠采样率为c代表复数，m为欠采样信号像素个数，n为全采样信号像素个数；fu是代表整个磁共振欠采样过程的矩阵，通常由磁共振从图像空间到空间的傅里叶变换映射和k空间欠采样组成。注意，为了简单起见，线圈的数量被忽略，但是该公式可以很容易地扩展到多线圈设置。
[0053]
在不损失通用性的前提下，基于深度学习的磁共振重建方法采用了神经网络r
θ
从欠采样磁共振信号y估计全采样磁共振x。在卷积神经网络中，在将原始数据y送入神经网络之前，通常先用对其进行预处理，这代表对缺失的磁共振信号进行零填充，然后用傅立叶逆变换进行将用零填充的k空间返回到图像空间，以获得欠采样的磁共振图像而重建网络则需要从欠采样的磁共振图像中估计出全采样的磁共振图像
[0054]
多模态磁共振重建
[0055]
在有参考磁共振图像的情况下，目标磁共振图像可以得到较好的重建。例如，参考磁共振图像可以是同一次扫描中获得的相同区域、但序列不同的磁共振图像。在基于压缩感知的磁共振重建中，从具有不同对比度的参考图像中提取公共信息是不容易的，但是在深度学习的背景下，这一过程有望以灵活的数据驱动方式完成。在早期的工作中，全采样的
参考模态和欠采样的目标图像在通道维度上串联，并输入一个面向重建的神经网络r
θ
，
[0056]
空间对齐网络
[0057]
在这项工作中，空间对齐网络t
ω
被插入到多模态磁共振重建中，以估计并补偿目标和参考模态之间细微的空间错位。更具体地说，首先，空间对齐网络从欠采样的目标模态和全采样的参考x
ref
对比度直接估计变形场φ，即其中，对二维磁共振图像来说，φ∈r2×
n
，r代表实数。然后，根据估计的变形场，利用空间变换层s，对全采样参考图像x
ref
进行空间调整。具体来说，在位置p，s(φ，x
ref
)[p]＝x
ref
[p φ[p]]。最后，将空间对齐的全采样参考图像与欠采样目标模态一起送入多模态重建网络r
θ
。
[0058]
损失函数设计
[0059]
在本节中，我们将详细描述本工作中使用的损失函数。为了优化空间对齐网络和多模态磁共振重建网络，本文采用了三个损失函数。首先，施加平滑度损失函数有利于形成更具物理意义的变形场。然后，重建损失函数要求更好的重建结果，这隐含着要求更精确的空间对齐。最后，提出了配准损失函数，为空间对齐网络的优化提供更直接的指导。
[0060]
平滑度损失
[0061]
通常的做法是对估计的变形场φ施加一些先验知识。例如，平滑的φ在物理上比不连续的φ更合理。在我们的实现中对于2d磁共振，将平滑度损失函数可以定义为不连续的φ更合理。在我们的实现中对于2d磁共振，将平滑度损失函数可以定义为p为图像空间中的任意坐标，φ
x
代表x方向分量，为求偏导，[ ]为给定坐标取值操作。
[0062]
重建损失
[0063]
图像重建损失函数l
rec
是指导重建网络优化的必要条件；同时，由于更好的空间对应关系有助于重建图像的质量，重建损失函数也隐含着对更精确的空间对齐的要求。考虑到对于好的图像相似性损失函数的定义仍然是一个悬而未决的问题，并且超出了本文的研究范围，我们使用重建误差的逐像素1范数作为重建损失，即注意，在大多数情况下，临床诊断只需要磁共振图像的幅度大小，因此在计算图像重建效果时忽略相位。利用重建损失的带来的信息，也可以对空间对齐网络进行优化。一个内在的解释是，更高的多模态重建质量要求磁共振序列之间更精确的空间对齐。
[0064]
然而，仅有重建损失可能不足以优化空间对齐网络。在训练信号(梯度)可以从重建传输到空间对齐网络之前，损失函数l
rec
的反向传播路径太长。让梯度消失问题更为严重的是，目前大多数磁共振重建网络不再使用批处理归一化(batch normalization，bn)，因为bn会给重建图像带来伪影。因此，我们提出利用直接多模磁共振配准损失l
reg
优化空间对齐网络。
[0065]
配准损失函数l
reg
[0066]
基于现代的图像合成的多模态图像配准技术，除了利用重建丢失信息优化空间对齐网络外，还可以通过估计对准参考图像与目标模态之间复杂的多模态图像相似性，直接提供训练信号。图3示出了空间对齐网络的配准驱动优化的原理图。
[0067]
跨模态相似度量的设计是多模态磁共振配准的一个挑战性课题，跨模态图像合成简化了不同对比度图像的相似度量。不是利用复杂的多模态相似损失直接测量目标模态x
tgt
和形变后的参考磁共振之间的相似性，而是将其简化为通过跨模态合成网络从完全采样的参考磁共振x
tgt
产生相应的合成目标模态磁共振在我们的设置中，只有磁共振的幅度是合成的，因此然后，利用目标模态x
tgt
和形变的合成目标图像和形变的合成目标图像之间简单的单模态相似性损失来估计多模态相似性。结果是，一个非常复杂且不精确的多模态相似度量(如互信息)可以用非常简单的单模态相似度量l
sim
(如x
tgt
和之间的差的1范数)代替。然后，当前基于图像合成的配准相似度变为之间的差的1范数)代替。然后，当前基于图像合成的配准相似度变为注意，合成目标和扭曲的合成目标使用下标ref而不是tgt来强调图像来源，而不是对比度，上标sa表示先合成后对齐。
[0068]
基于跨模态合成的医学图配准的一个关键挑战是跨模态合成网络需要对像做到语义一致性或解剖一致性。交换合成和采样操作隐含地鼓励了几何保持，即其中其中是先合成后对齐(合成对齐)，是先对齐后合成(对齐合成)。结合几何保持图像合成，最终配准损失是合成对齐和对齐合成相似度的平均值值这个损失函数也隐式地要求了
[0069]
实验
[0070]
实验在磁共振图像上进行。我们使用的磁共振图像从大型且可公开访问的fastmri数据集中重新编译。fastmri数据集的磁共振图像，是在真实的临床环境下扫描的，因此序列之间的不对齐具代表性。具体来说，我们从中挑选出了大脑t1和t2加权磁共振(横断面扫描)进行实验，层内分辨率为320
×
320像素，像素间距0.68mm
×
0.68mm，而层间距为5mm。之后，共提取了340对t1和t2加权磁共振图像，238对(3808个切片)用于训练，102对(1632个切片)用于测试。在我们的实验中，我们使用全采样的t1加权磁共振来帮助重建t2加权图像。
[0071]
我们的实现主要基于pytorch库，在nvidia 1080ti gpu上训练神经网络，并使用学习率为η＝0.0001，批量大小为4的adam优化器。此外，使用50000次迭代的提前停止策略(使用我们的混合优化策略大约6小时)来防止过度拟合。考虑到所有磁共振图像都是以较大的层间距和厚度进行扫描的，因此从三维数据中提取二维切片进行训练和评价。在这两个实验中，通过对相应的全采样版本进行下采样，得到欠采样的磁共振图像，并且预定义的采样模式满足笛卡尔采样轨迹的约束。更具体地说，我们的实验中使用了两种典型的欠采样模式，即随机抽样(random)模式和等间距抽样(equispaced)模式，抽样率分别为25％或12.5％。考虑到低频包含了k空间中的大部分能量，对于随机和等距模式，32％的采样总是分配到最低频率，而其余的采样是随机或等距分布的。
[0072]
表1为fastmri dicom数据集重建结果的定量比较。利用全采样t1加权图像重建欠采样t2加权磁共振。表1比较了无空间对齐网络(none)、配准驱动优化(reg)训练的空间对
齐网络、重建驱动优化(rec)和混合配准与重建驱动优化(rec
‑
reg)的多模式磁共振重建。t1加权磁共振用于帮助重建t2加权图像，采样率为25％(4
×
加速度)和12.5％的采样率(8
×
)，在随机和等距采样模式下进行对比。显然，在所有设置下，使用空间对齐网络的多模式磁共振重建(reg、rec和rec reg)在psnr(峰值信噪比，越高越好)和ssim(结构相似性，越高越好)方面都优于不使用空间对齐网络的方法(none)。另外，在空间对齐网络的优化方法中，混合重建和配准驱动的优化策略(rec
‑
reg)优于仅使用配准损失函数的优化策略(reg)和仅重建丢失的优化策略(rec
‑
reg)。
[0073][0074]
表1
[0075]
为了更好地证明所提出方法的优越性，图4的详细直方图中显示了使用空间对齐网络时，psnr/ssim的提高(即，reg/rec/recreg相对于none的提高)。对于配准驱动优化(reg)，虽然总体性能增益为正，但相当多的样本的性能提高不幸为负，这意味着在psnr/ssim中加入配准损失函数优化的空间对齐网络后，许多样本的重建质量更差了。对于具有重建驱动优化(rec)的空间对齐网络，由于大多数被试的性能都得到了提高，因此得到了更好的结果。最后，利用本文提出的混合优化策略(rec
‑
reg)，几乎所有样本的性能都比没有任何空间对齐(none)的被试的性能好，表明本文提出的方法不仅优越而且对几乎所有样本都具有鲁棒性。
[0076]
在本文中，为了处理同一扫描中扫描的不同磁共振序列之间的微小空间错位，我们提出在将参考模态与欠采样目标磁共振序列一起送入网络进行重建之前，显式地将它们与目标磁共振序列对齐。具体来说，空间对齐网络将完全采样的参考磁共振和欠采样的目标图像作为输入，并输出变形场以形变参考模态。同时，我们提出了一种混合优化策略为空间对齐网络提供强而准确的训练信号，由于反向传播路径较长，单纯重建驱动优化提供的训练信号较弱且不准确，而因为多模配准的目标函数偏离重建损失函数，配准损失也是次优的。实验结果表明，空间对齐网络不仅在定量和定性上提高了整体重建性能，而且对几乎所有测试数据都具有良好的鲁棒性。此外，提出的空间对齐网络是非常灵活的，理论上它可
以插入到任何多模态重建网络。
[0077]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0078]
以上对本技术实施例所提供的一种基于空间融合的磁共振图像多模态重建方法及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例的技术方案的范围。