脑灌注状态分类装置、方法、设备及存储介质与流程

1.本技术属于计算机技术领域，尤其涉及脑灌注状态分类装置、方法、设备及存储介质。


背景技术：

2.脑灌注成像技术主要用于反映脑组织的血流灌注状态。相关技术中，多采用电子计算机断层扫描(computed tomography，ct)、磁共振成像(magnetic resonance imaging，mri)等大型设备进行检查，然后根据检查结果进行脑血流及脑功能状态的评估。
3.但是，相关技术中检查设备的操作复杂，而且往往体积较大，难以适应一些特殊场景，例如航天场景、户外急救场景等。因此，有待提出一种新的解决方案。


技术实现要素：

4.有鉴于此，本技术提供一种解决或部分解决上述技术问题的脑灌注状态分类装置、方法、设备及存储介质。
5.第一方面，本技术实施例提供一种脑灌注状态分类装置，该装置包括：
6.收发模块，用于获取来自超声数据采集设备的颈部血流数据；
7.处理器，用于基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据；
8.所述处理器还用于，基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
9.可选地，所述处理器基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据时，具体用于：
10.从所述颈部血流数据中提取颈部血流特征；
11.将所述颈部血流特征输入预先训练的网络模型，得到所述颈部血流特征对应的脑部灌注数据；
12.其中，所述网络模型是基于颈部血流特征样本与脑部灌注数据样本训练的。
13.其中，可选地，所述处理器还用于：
14.接收基于动脉自旋标记示踪法获取的脑部磁共振图像；
15.在脑部磁共振图像中划分出多个脑部区域；
16.以多个脑部区域各自的脑部灌注数据作为脑部灌注数据样本。
17.其中，可选地，所述网络模型包括：基于长短时记忆网络lstm构建的深度学习模型；所述深度学习模型包括：包含编码器和解码器的seq2seq模型。
18.可选地，所述处理器基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类时，具体用于：
19.从所述脑部灌注数据中提取多个脑部区域的血流灌注特征；
20.根据所述血流灌注特征、以及脑灌注状态类别对应的血流灌注特征阈值，确定多
个脑部区域各自所属的脑灌注状态类别。
21.可选地，所述血流灌注特征包括脑血流量。所述处理器还用于：设置脑灌注状态类别对应的脑血流量阈值。
22.可选地，所述颈部血流数据包括以下之一或组合：颈部血管血流数据、血管管腔形态变化数据。
23.第二方面，本技术实施例提供一种脑灌注状态分类方法，所述方法包括：
24.获取来自超声数据采集设备的颈部血流数据；
25.基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据；
26.基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
27.第三方面，本技术实施例提供一种电子设备，包括：存储器及处理器；其中，
28.所述存储器，用于存储程序；
29.所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
30.获取来自超声数据采集设备的颈部血流数据；
31.基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据；
32.基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
33.第四方面，本技术实施例提供一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现如下方法：
34.获取来自超声数据采集设备的颈部血流数据；
35.基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据；
36.基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
37.第五方面，本技术实施例提供一种脑灌注状态分类方法，所述方法包括：
38.获取来自超声数据采集设备的颈部血流数据；
39.基于颈部血流数据、以及颈部血流数据与多个脑部区域中敏感脑区的映射关系，确定颈部血流数据对应的敏感脑区；
40.基于敏感脑区、颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定颈部血流数据在敏感脑区中对应的脑部灌注数据；
41.基于脑部灌注数据中敏感脑区的血流灌注特征，对敏感脑区的脑灌注状态进行分类。
42.第六方面，本技术实施例提供一种脑灌注状态分类模型训练方法，所述方法包括：
43.获取来自超声数据采集设备的颈部血流数据；
44.获取脑部灌注数据，脑部灌注数据包括qbold数据和asl数据；
45.根据颈部血流数据与qbold数据的动态扭曲时间距离，从多个脑部区域中选取与
颈部血流数据变化最相关的敏感脑区；
46.基于asl数据计算得到敏感脑区的脑血流量，并根据敏感脑区的脑血流量对敏感脑区的脑灌注状态进行分类。
47.本技术实施例提供的方案通过收发模块，获取来自超声数据采集设备的颈部血流数据；进而，通过处理器，基于颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定颈部血流数据对应的脑部灌注数据；基于脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
48.通过本技术技术方案，可以采用颈部血流数据预测对应的脑部灌注数据，进而基于脑部灌注数据中的血流灌注特征(例如脑血流量)，更加全面准确地区分各个脑部区域的脑灌注状态，不仅大大简化脑灌注状态的获取方式，拓展脑部检查的应用场景(例如航天场景、户外急救场景等)，还能够提高脑血流及脑功能评估结果的准确性，辅助医生完成脑部检查。
附图说明
49.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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。在附图中：
50.图1为本技术实施例提供的一种脑灌注状态分类装置的结构示意图；
51.图2和图3为本技术实施例提供的一种脑灌注状态分类装置的原理示意图；
52.图4为本技术实施例提供的一种脑灌注状态分类方法的流程示意图；
53.图5为本技术实施例提供的电子设备的结构示意图；
54.图6为本技术实施例提供的另一种脑灌注状态分类方法的原理示意图；
55.图7为本技术实施例提供的一种脑灌注状态分类模型训练方法的流程示意图；
56.图8为本技术实施例提供的另一种电子设备的结构示意图。
具体实施方式
57.在介绍本技术各实施例提供的技术方案之前，先对本文中涉及到专有名词进行简单的介绍。
58.为使本技术实施例的目的、技术方案和优点更加清楚，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。
59.在本技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
60.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种
情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
61.应当理解，尽管在本技术实施例中可能采用术语第一、第二、第三等来描述xxx，但这些xxx不应限于这些术语。这些术语仅用来将xxx彼此区分开。例如，在不脱离本技术实施例范围的情况下，第一xxx也可以被称为第二xxx，类似地，第二xxx也可以被称为第一xxx。取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于监测”。类似地，取决于语境，短语“如果确定”或“如果监测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当监测(陈述的条件或事件)时”或“响应于监测(陈述的条件或事件)”。
62.还需要说明的是，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商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商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，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
63.首先，需要说明的是，介绍本技术的实施背景。目前，脑灌注成像技术主要用于反映脑组织的血流灌注状态。通过脑灌注成像技术，能够尽可能还原脑血管的实际情况，辅助评估脑血流及脑功能状态。
64.相关技术中，多采用电子计算机断层扫描(ct)、磁共振成像(mri)等大型设备进行检查，然后根据检查结果进行脑血流及脑功能状态的评估。
65.但是，相关技术中检查设备的操作复杂，需要由专门的技术人员来控制，而且往往体积较大，通常安装在医院等固定场所中，因此，脑灌注成像技术难以适应于一些特殊场景。例如，在航天场景中，由于太空环境中重力发生改变，且太空舱内空间有限，因此无法通过相关技术中的大型检查设备对宇航员的脑灌注状态进行检查，导致宇航员在太空环境中的脑血流以及脑部功能无法评估。再例如，在户外急救场景中，事故地点通常交通不便(地处偏远或附近拥堵)，伤者往往难以及时运送到具有检查设备的医院，因而，急救人员往往无法及时获知伤者的脑灌注状态，影响伤者的救治。
66.因此，有待提出一种能够解决上述至少一个问题的技术方案。
67.本技术实施例提供的技术方案的执行主体可以是一个装置也可以是多个装置。所述装置可以包括但不限于：集成在智能手机、平板电脑、pda(personal digital assistant，个人数字助理)、智能电视、膝上型便携计算机、台式计算机、智能穿戴设备等任意终端设备上的装置。所述装置包括用于接收待处理数据(如下文介绍的颈部血流数据)的收发模块、以及用于处理待处理数据的处理器。所述装置的处理器可以搭载在上述终端设备中。所述装置的处理器可以与收发模块集成在同一设备中，也可以分别集成在不同设备中，本技术实施例并不限定。可选地，所述装置还包括显示模块，用于展示所述装置的处理结果，例如终端设备中的屏幕。
68.实际应用中，所述装置的收发模块可以与集成有超声传感器的检查装置相连，该检查装置设置于目标评估对象侧。检查装置例如实现为集成有超声传感器的颈部检查装置，该颈部检查装置与集成收发模块的装置相连。当然，为适应多种应用场景，该颈部检查装置与集成处理器的装置的连接方式可以是有线连接，也可以是无线连接，例如wifi、5g、4g、蓝牙等。
69.另一实施例中，收发模块和处理器可以集成在同一设备中，例如收发模块和处理器可以集成在与颈部检查装置相连的数据分析装置中。进而，从颈部检查装置获取待处理数据之后，数据分析装置对待处理数据进行分析并展示处理结果，例如发出用于预警的语音信息、或者显示各个脑部区域的脑灌注状态分类结果。或者，由该颈部检查装置将待处理数据发送至具有待处理数据分析功能的终端设备，并由终端设备对处理结果进行展示。
70.实际上，所述装置的硬件结构可以根据具体应用场景进行设置，本技术实施例中仅为示例，并不限定。
71.应当注意的是，无论执行主体实现为哪一种硬件结构，执行主体的核心意图都是：基于颈部血流数据获取与之匹配的脑部灌注数据，这样无需使用大型检查设备即可获得脑部灌注数据。进而，根据脑部灌注数据中的血流关注特征(如脑血流量)，对各个脑部区域的脑灌注状态进行分类，大大简化脑灌注状态的获取方式，拓展脑部检查的应用场景(例如航天场景、户外急救场景等)，还提高脑血流及脑功能评估结果的准确性，辅助医生完成脑部检查。
72.下面结合具体实施例介绍技术方案的具体实施方式。
73.如图1为本技术实施例提供的一种脑灌注状态分类装置的结构示意图。
74.从图1中可以看到，所述装置包括如下模块：
75.收发模块101，用于获取来自超声数据采集设备的颈部血流数据。
76.处理器102，用于基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据。
77.处理器102，还用于基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
78.进一步的，该装置还可能包括显示模块，用于输出处理器102的处理结果，如脑部灌注数据、以及多个脑部区域的脑灌注状态分类。
79.可以理解的是，收发模块101与处理器102可以位于同一台设备上，也可以是收发模块101位于本地，而处理器102位于远程服务器。当然，此处描述的两种结构仅为示例，实际应用中可以根据具体应用场景选择用于集成收发模块101与处理器102的硬件结构。
80.首先，收发模块101用于接收来自超声数据采集设备的颈部血流数据。由于流经脑部的血液都要通过颈部输送，因此，采集颈部血流数据能够在一定程度上反映出脑部血流情况，从而便于后续建立颈部血流情况与脑部灌注数据的映射关系，为预测脑部灌注数据提供基础。
81.具体地，颈部血流数据包括但不限于以下任意一种数据或组合：颈部血管血流数据、血管管腔形态变化数据。可选地，颈部血流数据为连续周期性数据，例如超声数据采集设备基于预设周期采集的多个颈部血流数据。
82.例如，超声数据采集设备依据预设周期连续采集多组颈部血流数据。其中，每一组颈部血流数据中包括5156个颈部血流信号，从而由这些信号构成对应的1
×
5156的矩阵。
83.在实际应用中，收发模块101可以与集成有超声探头的超声数据采集设备相连。例如，超声数据采集设备可以是基于血管内超声(intravenous ultrasound，ivus)技术实现的。
84.本技术实施例所说的处理器102，是指本地用于对采集到颈部血流数据进行识别、
处理的设备。该处理器102可以为本地处理器，也可以为远程服务器或服务器集群，还可以是云端服务器中的虚拟处理器。
85.在通过收发模块101接收到颈部血流数据之后，处理器102需要利用颈部血流数据对脑部灌注数据进行预测。实际上，脑部灌注数据是利用脑灌注成像技术获得的图像数据。
86.例如，脑部灌注数据可以是利用动脉自旋标记示踪(arterial spin labeling，asl)技术获得的asl磁共振图像序列。其中，asl技术是无需使用造影剂而获得脑灌注成像的方法，可以从不同角度反映脑组织的血流灌注信息。asl技术常采用饱和脉冲或反转序列在兴趣区的上游对血液中内源性质子进行标记，然后在兴趣区采集信号。
87.由于asl技术具有天然的可重复性，在较短时间内重复观察血流灌注变化，因此，可选地，采用asl技术获取多组asl序列作为脑部灌注数据样本，用于下文网络模型的训练。
88.本技术为进一步提高预测结果的准确性，进一步可选地，按照aal模板将大脑划分为116脑部区域(其中包括90个大脑区域、26个小脑区域)。基于划分出的116个脑部区域，计算出各个脑部区域对应的脑部灌注数据样本(如asl数据数据)的平均值(如平均asl时间序列)，从而基于116个脑部区域中脑部灌注数据样本的平均值构建出对应的1
×
116的矩阵。这里的脑部区域划分仅为示例，并不以此为限。这样，便于后续以各个脑部区域为单位对脑部灌注数据进行映射，进一步提高脑部灌注数据的预测结果的准确性。
89.再例如，脑部灌注数据也可以是ct图像，或者mri图像。实际应用中，ct图像以及mri图像均可采用相关技术预先获取，具体获取方式此处并不限定。类似地，也可采用上文介绍的划分方式对ct图像以及mri图像进行划分，此处暂不展开。
90.具体来说，在一种可能的实施例中，处理器102基于收发模块101获取到的颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定获取到的颈部血流数据对应的脑部灌注数据。
91.其中，脑部灌注数据包括多个脑部区域的脑部灌注数据。可选地，多个脑部区域的脑部灌注数据，可以基于脑部灌注数据进行展示，也可以输出下文介绍的分类结果，比如，输出结果为脑部区域a，所属脑灌注状态类别1，脑部区域b，所属脑灌注状态类别2等。
92.可选地，处理器102在基于收发模块101获取到的颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定获取到的颈部血流数据对应的脑部灌注数据时，具体用于：
93.从颈部血流数据中提取颈部血流特征；将颈部血流特征输入预先训练的网络模型，得到颈部血流特征对应的脑部灌注数据。
94.其中，本技术实施例涉及的网络模型是基于颈部血流特征样本与脑部灌注数据样本训练的。可选地，该网络模型包括但不限于：包含编码器(encoder)和解码器(decoder)的seq2seq模型。seq2seq模型是基于长短时记忆网络(long short
‑
term memory，lstm)构建的深度学习模型。其中，seq2seq模型包括：基于lstm构建的编码器和解码器。
95.除此之外，该网络模型还可以实现为：基于门控循环单元(gate recurrent unit，gru)的模型、基于transformer构建的深度学习模型。
96.例如，上述步骤中，假设脑部灌注数据为asl序列。假设预先训练的网络模型为seq2seq模型。假设颈部血流数据为颈部血流序列。
97.基于上述假设，通过编码器将颈部血流序列转换为颈部血流特征向量。其中，颈部
血流特征向量的长度可以是固定的。进而，将颈部血流特征向量输入到seq2seq模型的解码器中，得到颈部血流特征向量对应的asl序列(即脑部灌注预测数据)。
98.在一可选实施例中，上文介绍的seq2seq模型的编码器和解码器如图2所示。图2中，x＝{x1，x2，
…
x
n
}表示长度为n的颈部血流序列，y＝{y1，y2，
…
y
m
}表示长度为m的asl序列。{h1，h2，
…
，h
m
}是隐藏层状态，c是的颈部血流序列经过编码器得到的颈部血流特征向量。可选地，还会将解码器输出的asl序列输入到全连接层(fully connected layer)中。
99.可选地，使用均方误差(mean square error，mse)作为上述seq2seq模型的损失函数。通过seq2seq模型的反向传播，能够不断减小颈部血流序列与asl序列的差值。由于该损失函数收敛速度较快，因此在实际应用中具有较大优势。损失函数的公式例如以下：
[0100][0101]
在基于lstm构建的深度学习模型中，具体地，通过增加中间细胞状态信息进行反向传播，能够获得更加的预测效果。在一可选实施例中，如图3所示，深度学习模型(例如seq2seq模型)内部增加三个控制开关：遗忘门(forget gate)、输入门(input gate)和输出门(output gate)。
[0102]
具体来说，在深度学习模型中，遗忘门f
t
是由当前输入x
t
和前一个输出h
t
‑1得到，f
t
决定从上一个细胞状态c
t
‑1中丢弃哪些内容。f
t
中的每个值都是0至1中的一个数值，1代表完全保留，而0代表彻底删除。遗忘门f
t
的具体实现方式如下：
[0103]
f
t
＝σ(w
f
·
h
t
‑1 u
f
·
x
t
b
f
)#
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式2
[0104][0105]
输入门i
t
用来更新重要信息。例如，i
t
由当前输入x
t
和前一个输出h
t
‑1得到，i
t
用来确定需要进入到当前细胞状态c
t
中的新信息。此处新信息用表示。输入门i
t
具体实现方式如下：
[0106]
i
t
＝σ(w
i
·
h
t
‑1 u
i
·
x
t
b
i
)#
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式3
[0107][0108][0109][0110]
输出门o
t
用来确定模型的输出值。o
t
决定有多少信息输出到h
t
中。输出门o
t
具体实现方式如下：
[0111]
o
t
＝σ(w
o
·
h
t
‑1 u
o
·
x
t
b
o
)#
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式6
[0112][0113]
h
t
＝o
t
tanh
⊙
(c
t
)#
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式7
[0114]
当然，除了上文介绍的seq2seq模型外，还可使用其他深度学习模型，或其他神经网络来实现上文介绍的处理器102的预测功能，本技术中并不限定。
[0115]
介绍完本技术可能使用到的网络模型后，下面介绍用于训练上述网络模型的训练数据的获取方式。例如，用于训练网络模型的颈部血流特征样本和脑部灌注数据样本。
[0116]
首先，可以通过超声数据采集设备采集目标检查对象的颈部血流数据。可选地，将颈部血流数据转换为颈部血流特征矩阵，其中矩阵元素的个数根据颈部血流数据的数量决定。
[0117]
进而，以脑部灌注数据为asl序列为例，上文介绍的脑部灌注数据样本的一种获取方式，具体为：
[0118]
接收基于asl法获取的脑部磁共振图像；在脑部磁共振图像中划分出多个脑部区域；以多个脑部区域各自的脑部灌注数据作为脑部灌注数据样本。
[0119]
具体来说，实际应用中，可以通过具有asl采集能力的设备，采集同一目标检查对象的脑部磁共振图像。然后，接收基于asl法获取的脑部磁共振图像，并依据预设方式将脑部磁共振图像划分为多个脑部区域对应的脑部磁共振图像，进而生成多个脑部区域各自的asl时间序列。最终，以多个脑部区域的平均asl时间序列作为用于训练网络模型的脑部灌注数据样本。可选地，将平均asl时间序列转换为asl特征矩阵，其中矩阵元素的个数根据脑部区域的数量决定。
[0120]
可选地，还可为脑部灌注数据样本标注相应分类标签，以便将携带有分类标签的脑部灌注数据样本用于对下文介绍的脑灌注状态分类模型的训练过程。
[0121]
现有技术中通常是对脑部区域的脑灌注状态进行分类，通常需要依赖相关技术人员的经验以及观察，导致分类结果的准确性难以保证。
[0122]
在预测出与颈部血流数据匹配的脑部灌注数据之后，处理器102，还用于基于脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
[0123]
可选地，处理器102基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类时，具体用于：
[0124]
从脑部灌注数据中提取多个脑部区域的血流灌注特征；根据血流灌注特征、以及脑灌注状态类别对应的血流灌注特征阈值，确定多个脑部区域各自所属的脑灌注状态类别。
[0125]
实际应用中，血流灌注特征阈值设置为一个或多个数值范围。数值范围中包括低灌注阈值。比如低灌注阈值可以设置为20ml
·
100g
－1
·
min
－1
。简单来说，就是各个脑灌注状态类别具有对应的血流灌注特征阈值范围，该范围的端点分别为高灌注阈值和低灌注阈值。若某一脑部区域的血流灌注特征值高于某一类别的高灌注阈值，或该血流灌注特征值低于该类别的低灌注阈值，则该脑部区域的脑灌注状态不属于该类别。
[0126]
举例来说，假设血流灌注特征包括脑血流量(cerebral blood flow，cbf)，且假设血流灌注特征阈值为脑血流量阈值。
[0127]
基于上述假设，上述步骤中，基于脑部灌注数据计算多个脑部区域各自的脑血流量。可选地，计算得到的多个脑部区域各自的脑血流量可以直接显示，例如脑部区域a，血流量为xx，脑部区域b，血流量为yy。
[0128]
进而，假设多个脑部区域设置有各自的脑血流量阈值。假设各个脑部区域的脑灌注状态类别包括一类和二类。
[0129]
基于上述假设，对于多个脑部区域各自的脑血流量，判断各个脑部区域的脑血流量符合本区域中设置的哪一类别的脑血流量阈值。若脑血流量符合本区域中设置一类的脑血流量阈值，则确定该脑部区域的脑灌注状态属于一类。若脑血流量符合本区域中设置二
类的脑血流量阈值，则确定该脑部区域的脑灌注状态属于二类。实际应用中，一类表示脑血流量正常，二类表示脑血流量异常。例如，若判定脑部区域a属于一类，则显示“脑部区域a，脑血流量正常”；若判定脑部区域b属于二类，则显示“脑部区域b，脑血流量异常”，从而通过显示内容可以辅助医师完成脑部检查评估。
[0130]
当然，除了一类和二类外，还可将各个脑部区域的脑灌注状态类别设置为三类或以上类别。例如，脑血流量正常、脑血流量轻度偏高、脑血流量中高、脑血流量高、脑血流量轻度偏低、脑血流量中低、脑血流量低。此处描述的高低程度，实际是根据脑血流量阈值的数值范围确定的。
[0131]
可选地，若血流灌注特征包括脑血流量，则处理器102还用于：设置脑灌注状态类别对应的脑血流量阈值。对于每个目标检查对象，其具有个体特征信息，因此，可选地，根据性别、年龄、体重、以及其他个体特征信息，对脑血流量阈值进行动态配置，以进一步提高分类结果的准确性。例如，针对男性、女性分别设置不同的脑血流量阈值范围。
[0132]
上述本技术提供的脑灌注状态分类装置，可以采用颈部血流数据预测对应的脑部灌注数据，进而基于脑部灌注数据中的血流灌注特征(例如脑血流量)，更加全面准确地区分各个脑部区域的脑灌注状态，不仅大大简化脑灌注状态的获取方式，拓展脑部检查的应用场景(例如航天场景、户外急救场景等)，还能够提高脑血流及脑功能评估结果的准确性，辅助医生完成脑部检查。
[0133]
在上述或下述实施例中，可选地，处理器102还用于标记敏感脑区，并为敏感脑区设置对应的血流灌注特征阈值，从而提高对脑灌注状态的分类效率。通过对敏感脑区的脑部灌注状态的分类，可以指示出需要观察的脑部区域的脑灌注状态，进一步提高脑部检查评估的效率。
[0134]
具体来说，在一种可能的实施例中，处理器102还具体用于，基于颈部血流数据、以及颈部血流数据与多个脑部区域中敏感脑区的映射关系，确定颈部血流数据对应的敏感脑区。
[0135]
其中，颈部血流数据与多个脑部区域中敏感脑区的映射关系，可以构建为网络模型，也可以构建为数据映射表，还可以是其他形式。例如，假设预先配置有基于颈部血流数据与多个脑部区域中敏感脑区的映射关系构建的网络模型b，基于此，可以将颈部血流数据转换为颈部血流特征序列，输入到该网络模型b中，以得到该网络模型b输出的颈部血流特征序列对应的敏感脑区。
[0136]
再例如，假设服务器中存储有数据映射表a。假设数据映射表a中存储有颈部血流数据与多个脑部区域中敏感脑区的映射关系。基于此，处理器102可以从获取到的颈部血流数据中提取颈部血流特征，例如颈部血流量，进而基于颈部血流特征从数据映射表a中查询对应的敏感脑区。
[0137]
当然，除了上述示例外，敏感脑区的筛选方式还有多种，此处暂不展开。无论何种敏感脑区的筛选方式，其核心都是：建立颈部血流数据与多个脑部区域中敏感脑区的映射关系，进而，基于该映射关系筛选出当前颈部血流数据对应的敏感脑区。
[0138]
下面结合具体示例介绍如何建立颈部血流数据与多个脑部区域中敏感脑区的映射关系。
[0139]
本技术中，敏感脑区是指脑部区域中受到脑部评价指标影响的区域。简单来说，即
与脑部评价指标变化相关的区域。容易理解的是，敏感脑区包括但不限于：重点关注的脑部区域、或具有关键功能的脑部区域、或容易被忽视但具有诊断意义的脑部区域等等。其中，脑部评价指标包括各种颈部血流指标，如血氧水平、血流量、血管堵塞情况等等。下文以血氧水平为例，介绍敏感脑区的筛选方式。
[0140]
其中，脑部灌注数据包括定量血氧依赖水平(quantitative blood oxygen level dependent，qbold)数据。qbold数据主要用于反映(被测对象的)脑部血氧水平。具体地，qbold技术通过测量血流量和血氧合水平的变化，能够有效地反映被测对象在各种状态(如静息状态、负荷状态)下脑部血流和代谢活动等功能性变化，是研究大脑功能连接异常的有效手段。可选地，将qbold信号与静脉血氧合(yv)和缺氧血容量(dbv)分离，从而得到qbold数据。
[0141]
实际应用中，qbold数据，可以提供局部和绝对的体内血氧饱和度测量值，从而根据局部信号的变化，能够反映出各脑区神经细胞的活动程度，达到无创研究大脑活动的目的。
[0142]
本技术为进一步提高预测结果的准确性，进一步可选地，按照aal模板将大脑划分为116脑部区域(其中包括90个大脑区域、26个小脑区域)。从而以划分出的脑部区域作为分析基础，进一步提高预测精度。实际应用中，qbold技术会在多个连续时间点内采集多组qbold数据，例如在针对同一受试者采集200个样本数据，进而，基于划分出的116个脑部区域，计算出该受试者各个脑部区域对应的脑部磁共振样本(如qbold数据)的平均值，从而基于该受试者的116个脑部区域中脑部磁共振样本的平均值构建出对应的200
×
116的qbold平均时间序列样本矩阵。上文示例的脑部区域划分仅为示例，实际应用中还可采用其他模板划分呢脑部区域，并不以此为限。这样，便于后续以各个脑部区域为单位对脑部灌注数据进行映射，进一步提高脑部灌注数据的预测结果的准确性。
[0143]
进一步地，基于上例假设，还可过滤掉200个样本数据中噪声较高的样本数据，留下190个样本数据，从而，基于上述方式构建出对应的190
×
116的qbold平均时间序列样本矩阵。这样能够进一步提高样本质量，提升训练效果。
[0144]
介绍完脑部灌注数据之后，下面结合具体示例介绍如何建立颈部血流数据与多个脑部区域中敏感脑区的映射关系。
[0145]
具体来说，在一可选实施例中，处理器102建立颈部血流数据与多个脑部区域中敏感脑区的映射关系时，还用于：
[0146]
根据颈部血流数据与qbold数据的动态扭曲时间距离(dynamic time warping，dtw)，从多个脑部区域中选取与颈部血流数据变化最相关的敏感脑区，并构建颈部血流数据与敏感脑区的映射关系。
[0147]
其中，dtw算法是将时间轴上的序列进行对齐的一种方法。实际上，基于dtw算法建立颈部血流数据与敏感脑区的映射关系具体原理，具体为：
[0148]
假设qbold序列为x，长度为n，即x＝{x1，x2，
…
x
n
}。假设颈部血流数据序列为y，长度为m，即y＝{y1，y2，
…
y
m
}。基于上述假设，根据这两个数据序列可以构建一个n
×
m维的矩阵，则这两个数据序列上任意两点的dtw距离为：
[0149]
γ(i，j)＝{[d(x
i
，y
i
)]2 {min[γ(i
‑
1，j
‑
1)，γ(i
‑
1，j)，γ(i，j
‑
1)]}2}
1/2
[0150]
其中，d(x
i
，y
i
)是两个数据序列点x
i
和y
i
之间的距离；γ(i，j)是从元素(x1，y1)到
(x
i
，y
i
)之间的最小累积距离。i小于n，i小于m。
[0151]
具体地，序列x和y之间的相似度量函数可以通过dtw距离来表示：
[0152][0153]
dtw算法具有扭曲的特性，可以通过适时的转换、扩张和压缩实现两个序列局部特征的比较。并且，对参与比较的序列的长度不作要求。在比较过程中，一个序列的一个点可能会与对应另一个序列上的多个点比较距离，也有可能有一些点在距离比较中直接被忽略，因此，dtw算法能够进行不同长度数据序列进行相似性比较，且对时间轴的扰动有较好的稳健性。
[0154]
以qbold数据为例，通过颈部血流数据与qbold数据的动态扭曲时间距离，能够有效建模非等长qbold和颈部血流数据之间的映射关系。
[0155]
上述步骤中，假设颈部血流数据包括颈部血流特征序列。假设qbold数据包括多个脑部区域各自的qbold平均时间序列。基于此，从多个脑部区域中选取与颈部血流数据变化最相关的敏感脑区的一种可选实现方式，具体为：
[0156]
计算各个qbold平均时间序列与颈部血流特征序列的动态扭曲时间距离序列；确定各个qbold平均时间序列对应的动态扭曲时间距离序列中的波峰值和/或波谷值；以波峰值和/或波谷值对应的脑部区域作为敏感脑区。
[0157]
上述步骤中，通过在多个脑部区域各自的qbold平均时间序列与颈部血流特征序列的动态扭曲时间距离序列中，筛选波峰值和/或波谷值，可以获取到与颈部血流数据变化最相关的脑部区域。这里，波峰值和波谷值对应的脑部区域，可以看作是受颈部血流变化的影响较显著的脑部区域，也即上文介绍的敏感区域。
[0158]
另一实施例中，假设颈部血流数据包括第一状态下的第一颈部血流数据、以及第二状态下的第二颈部血流数据。假设多个脑部区域中任一脑部区域的qbold数据包括该脑部区域在第一状态下的第一qbold数据、以及该脑部区域在第二状态下的第二qbold数据。
[0159]
基于上述假设，对于任一脑部区域，处理器建立颈部血流数据与多个脑部区域中敏感脑区的映射关系时，还用于：
[0160]
获取第一颈部血流数据和第二颈部血流数据的颈部血流差值样本；获取第一qbold数据和第二qbold数据之间的qbold差值样本；计算颈部血流差值样本与qbold差值样本的动态扭曲时间距离序列；以颈部血流差值样本与qbold差值样本的动态扭曲时间距离序列中的波峰值和/或波谷值对应的脑部区域作为敏感脑区，并构建颈部血流数据与敏感脑区的映射关系。
[0161]
通过上述步骤，可以通过比较在不同状态之间切换时脑部灌注数据的变化趋势，并基于比较结果筛选出容易受到血氧水平变化影响的敏感脑区，以使得后续分析可以建立在敏感脑区之上，提升后续分析的针对性，进一步提高脑部灌注数据预测的准确性。
[0162]
实际应用中，第一状态可以是静息状态，第二状态可以是负荷状态。当然，上述状态可以动态设置，例如在负荷状态下还可划分出多种子状态，例如有氧负荷、无氧负荷。
[0163]
实际应用中，不同人群的敏感脑区可能存在一些差异，例如儿童和老人、体力劳动者和脑力劳动者、男性和女性。为避免遗漏一些需要重点分析的脑部区域，另一实施例中，还可以基于个体差异化特征(如年龄、性别、健康情况、运动情况、生活环境、职业等)，建立
颈部血流数据、个体差异化特征以及敏感脑区的映射关系。从而，基于这一映射关系对敏感脑区进行筛选。当然，这里列举的个体差异化特征仅为示例，本技术并不限定。
[0164]
总而言之，通过本实施例提供的上述处理过程，处理器102能够基于颈部血流数据获取对应的敏感脑区。
[0165]
如图4为本技术实施例提供的一种脑灌注状态分类方法的流程示意图。具体包括如下步骤：
[0166]
401：获取来自超声数据采集设备的颈部血流数据。
[0167]
402：基于颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定颈部血流数据对应的脑部灌注数据。
[0168]
403：基于脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
[0169]
可选地，所述基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据，包括：
[0170]
从所述颈部血流数据中提取颈部血流特征；
[0171]
将所述颈部血流特征输入预先训练的网络模型，得到所述颈部血流特征对应的脑部灌注数据。
[0172]
其中，所述网络模型是基于颈部血流特征样本与脑部灌注数据样本训练的。
[0173]
其中，可选地，所述方法还包括：
[0174]
接收基于动脉自旋标记示踪法获取的脑部磁共振图像；
[0175]
在所述脑部磁共振图像中划分出多个脑部区域；
[0176]
以多个脑部区域各自的脑部灌注数据作为所述脑部灌注数据样本。
[0177]
其中，可选地，所述网络模型包括：包含编码器和解码器的seq2seq模型；所述seq2seq模型包括：基于长短时记忆网络lstm构建的编码器和解码器。
[0178]
可选地，所述基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类，包括：
[0179]
从所述脑部灌注数据中提取多个脑部区域的血流灌注特征；
[0180]
根据所述血流灌注特征、以及脑灌注状态类别对应的血流灌注特征阈值，确定多个脑部区域各自所属的脑灌注状态类别。
[0181]
其中，可选地，所述血流灌注特征包括脑血流量。
[0182]
所述方法还包括：设置脑灌注状态类别对应的脑血流量阈值。
[0183]
可选地，所述颈部血流数据包括以下之一或组合：颈部血管血流数据、血管管腔形态变化数据。
[0184]
值得说明的是，脑灌注状态分类方法与图1提供的脑灌注状态分类装置的实施方式类似，相似之处参见上文，此处不展开。
[0185]
图5为本技术实施例提供的电子设备的结构示意图。如图5所示，所述电子设备包括：存储器51以及处理器52；其中，
[0186]
所述存储器51，用于存储程序；
[0187]
所述处理器52，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
[0188]
获取来自超声数据采集设备的颈部血流数据；
[0189]
基于所述颈部血流数据、以及所述颈部血流数据与脑部灌注数据的映射关系，确定所述颈部血流数据对应的脑部灌注数据；
[0190]
基于所述脑部灌注数据中多个脑部区域的血流灌注特征，对多个脑部区域的脑灌注状态进行分类。
[0191]
上述存储器51可被配置为存储其它各种数据以支持在计算设备上的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令。存储器51可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0192]
上述处理器52在执行存储器51中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
[0193]
进一步，如图5所示，电子设备还包括：显示器53、电源组件54、通讯组件55等其它组件。图5中仅示意性给出部分组件，并不意味着该电子设备只包括图5所示组件。
[0194]
除了上述实施例之外，在一可选实施例中，如图1提供的一种脑灌注状态分类装置还具有其他实现方式。从图1中可以看到，所述装置包括如下模块：
[0195]
收发模块101，用于获取来自超声数据采集设备的颈部血流数据；
[0196]
处理器102，用于基于颈部血流数据、以及颈部血流数据与多个脑部区域中敏感脑区的映射关系，确定颈部血流数据对应的敏感脑区；
[0197]
处理器102，还用于基于敏感脑区、颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定颈部血流数据在敏感脑区中对应的脑部灌注数据；基于脑部灌注数据对多个脑部区域的脑灌注状态进行分类。
[0198]
可选地，收发模块101还用于接收来自脑部灌注数据采集设备的脑部灌注数据，脑部灌注数据包括定量血氧依赖水平qbold数据。
[0199]
处理器102建立颈部血流数据与多个脑部区域中敏感脑区的映射关系时，还用于：根据颈部血流数据与qbold数据的动态扭曲时间距离，从多个脑部区域中选取与颈部血流数据变化最相关的敏感脑区，并构建颈部血流数据与敏感脑区的映射关系。
[0200]
可选地，颈部血流数据包括颈部血流特征序列，qbold数据包括多个脑部区域各自的qbold平均时间序列。处理器102根据颈部血流数据与qbold数据的动态扭曲时间距离，从多个脑部区域中选取与颈部血流数据变化最相关的敏感脑区时，具体用于：
[0201]
计算各个qbold平均时间序列与颈部血流特征序列的动态扭曲时间距离序列；确定各个qbold平均时间序列对应的动态扭曲时间距离序列中的波峰值和/或波谷值；以波峰值和/或波谷值对应的脑部区域作为敏感脑区。
[0202]
可选地，处理器102生成多个脑部区域各自的qbold平均时间序列时，还用于：
[0203]
按照预设模板划分出多个脑部区域；获取脑部核磁图像中的qbold数据；根据多个脑部区域对qbold数据进行体素平均处理，得到多个脑部区域各自的qbold数据；基于多个脑部区域各自的qbold数据，生成多个脑部区域各自的qbold平均时间序列样本。
[0204]
可选地，处理器102基于敏感脑区、颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定颈部血流数据在敏感脑区中对应的脑部灌注数据时，具体用于：
[0205]
将颈部血流数据输入预先设置的网络模型中，以得到颈部血流数据对应的asl数据；从颈部血流数据对应的asl数据中，选取敏感脑区对应的asl数据。其中，网络模型是基于颈部血流数据与asl数据构建的。
[0206]
可选地，收发模块101还用于接收来自脑部灌注数据采集设备的脑部灌注数据，脑部灌注数据还包括用于训练网络模型的asl平均时间序列。
[0207]
其中，处理器102生成asl平均时间序列时，还用于：按照预设模板划分出多个脑部区域；获取脑部核磁图像中的asl数据；根据多个脑部区域对asl数据进行体素平均处理，得到多个脑部区域各自的asl平均时间序列。
[0208]
可选地，处理器102基于脑部灌注数据对多个脑部区域的脑灌注状态进行分类时，具体用于：
[0209]
从脑部灌注数据中，获取敏感脑区的血流灌注特征；根据敏感脑区的血流灌注特征、以及脑灌注状态类别对应的血流灌注特征阈值，确定敏感脑区所属的脑灌注状态类别。
[0210]
可选地，假设颈部血流数据包括第一状态下的第一颈部血流数据、以及第二状态下的第二颈部血流数据。
[0211]
假设收发模块101还用于接收来自脑部灌注数据采集设备的脑部灌注数据，脑部灌注数据包括qbold数据。
[0212]
假设多个脑部区域中任一脑部区域的qbold数据包括该脑部区域在第一状态下的第一qbold数据、以及该脑部区域在第二状态下的第二qbold数据。
[0213]
基于上述假设，对于任一脑部区域，处理器102建立颈部血流数据与多个脑部区域中敏感脑区的映射关系时，还用于：
[0214]
获取第一颈部血流数据和第二颈部血流数据的颈部血流差值；获取第一qbold数据和第二qbold数据之间的bold差值；计算颈部血流差值与bold差值的动态扭曲时间距离序列；以颈部血流差值与bold差值的动态扭曲时间距离序列中的波峰值和/或波谷值对应的脑部区域作为敏感脑区，并构建颈部血流数据与敏感脑区的映射关系。
[0215]
值得说明的是，脑灌注状态分类装置与上文提供的与图1对应的另一脑灌注状态分类装置的实施方式类似，相似之处参见上文，此处不展开。
[0216]
如图6为本技术实施例提供的一种脑灌注状态分类方法的流程示意图。具体包括如下步骤：
[0217]
601：获取来自超声数据采集设备的颈部血流数据；
[0218]
602：基于颈部血流数据、以及颈部血流数据与多个脑部区域中敏感脑区的映射关系，确定颈部血流数据对应的敏感脑区；
[0219]
603：基于敏感脑区、颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定颈部血流数据在敏感脑区中对应的脑部灌注数据；
[0220]
604：基于脑部灌注数据中敏感脑区的血流灌注特征，对敏感脑区的脑灌注状态进行分类。
[0221]
值得说明的是，脑灌注状态分类方法与图1提供的脑灌注状态分类装置的实施方式类似，相似之处参见上文，此处不展开。
[0222]
图7为本技术实施例提供的一种脑灌注状态分类模型训练方法的流程示意图。如图7所示，所述方法包括：
[0223]
701：获取来自超声数据采集设备的颈部血流数据；
[0224]
702：获取来自脑部灌注数据采集设备的脑部灌注数据，脑部灌注数据包括qbold数据和asl数据；
[0225]
703：根据颈部血流数据与qbold数据的动态扭曲时间距离，从多个脑部区域中选取与颈部血流数据变化最相关的敏感脑区；
[0226]
704：基于asl数据计算得到敏感脑区的脑血流量，并根据敏感脑区的脑血流量对敏感脑区的脑灌注状态进行分类。
[0227]
可选地，在敏感脑区中预先设置脑血流量阈值。通过对比敏感脑区的实际脑血流量与脑血流量阈值，能够对敏感脑区的脑灌注状态进行分类。具体实施方式参见上文实施例中的相关描述。
[0228]
值得说明的是，上述方法训练得到的脑灌注状态模型的实现原理，与图1提供的脑灌注状态分类装置的实现原理类似，相似之处参见上文，此处不展开。
[0229]
图8为本技术实施例提供的电子设备的结构示意图。如图8所示，所述电子设备包括：存储器81以及处理器82；其中，
[0230]
所述存储器81，用于存储程序；
[0231]
所述处理器82，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：
[0232]
获取来自超声数据采集设备的颈部血流数据；
[0233]
基于颈部血流数据、以及颈部血流数据与多个脑部区域中敏感脑区的映射关系，确定颈部血流数据对应的敏感脑区；
[0234]
基于敏感脑区、颈部血流数据、以及颈部血流数据与脑部灌注数据的映射关系，确定颈部血流数据在敏感脑区中对应的脑部灌注数据；
[0235]
基于所述脑部灌注数据中敏感脑区的血流灌注特征，对敏感脑区的脑灌注状态进行分类。
[0236]
上述存储器81可被配置为存储其它各种数据以支持在计算设备上的操作。这些数据的示例包括用于在计算设备上操作的任何应用程序或方法的指令。存储器81可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0237]
上述处理器82在执行存储器81中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。
[0238]
进一步，如图8所示，电子设备还包括：显示器83、电源组件84、通讯组件85等其它组件。图8中仅示意性给出部分组件，并不意味着该电子设备只包括图8所示组件。
[0239]
相应的，本技术实施例还提供一种存储有计算机程序的可读存储介质，所述计算机程序被计算机执行时能够实现上述各实施例提供的脑灌注状态分类方法的步骤或功能。
[0240]
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性
的劳动的情况下，即可以理解并实施。
[0241]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0242]
最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术方案的精神和范围。