一种乳腺超声图像分级方法、装置及电子设备和存储介质与流程

1.本技术涉及超声图像处理技术领域，更具体地说，涉及一种乳腺超声图像分级方法、装置及一种电子设备和一种计算机可读存储介质。


背景技术：

2.乳腺疾病是女性最常见的疾病之一，其中，乳腺癌的发病率和死亡率居于较高水平，发病年龄也正趋向于年轻化，早发现早诊断早治疗是提高乳腺癌患者生存质量、降低死亡率的关键。
3.超声影像技术由于其实时、便捷、无辐射、无侵入性等优势，被广泛应用于乳腺疾病的筛查、诊断、治疗等场景。医生通过超声检查设备获取了最佳病灶切面后，一般会结合自己的临床经验和bi
‑
rads(乳腺成像报告和数据系统)分级指南，凭经验对病人病灶的bi
‑
rads分级级别进行评判。而这种评判方法虽然应用广泛，但更多的依靠医生的主观判断，难以保证标准的统一和准确性。
4.因此，如何提高乳腺超声图像bi
‑
rads分级的准确性是本领域技术人员需要解决的技术问题。


技术实现要素：

5.本技术的目的在于提供一种乳腺超声图像分级方法、装置及一种电子设备和一种计算机可读存储介质，提高了乳腺超声图像bi
‑
rads分级的准确性。
6.为实现上述目的，本技术提供了一种乳腺超声图像分级方法，包括：
7.获取目标乳腺超声图像，将所述目标乳腺超声图像输入训练完成的深度学习模型中预测所述目标乳腺超声图像对应的目标恶性风险系数；
8.确定所述目标恶性风险系数所属的目标预测恶性风险系数范围，并根据预先建立的预测恶性风险系数范围与bi
‑
rads分级之间的映射关系确定所述目标预测恶性风险系数范围对应的目标bi
‑
rads分级。
9.其中，还包括：
10.获取训练数据集；其中，所述训练数据集包括多幅乳腺超声图像；
11.根据病理结果对所述训练数据集中的每幅乳腺超声图像进行病灶良恶性标签的标注；
12.利用所述训练数据集中的乳腺超声图像和对应的病灶良恶性标签训练深度学习模型。
13.其中，还包括：
14.获取实验数据集；其中，所述实验数据集包括多幅乳腺超声图像；
15.根据病理结果对所述实验数据集中的乳腺超声图像进行病灶良恶性标签的标注；
16.将所述实验数据集输入训练完成的深度学习模型中，得到每幅所述乳腺超声图像对应的预测恶性风险系数；
17.基于所述预测恶性系数将所有所述乳腺超声图像划分为多个分组，并确定每个所述分组对应的预测恶性风险系数范围；
18.基于每个所述分组中所述乳腺超声图像的病灶良恶性标签确定每个所述分组对应的实际恶性风险系数范围；
19.根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围、实际恶性风险系数范围与bi
‑
rads分级之间的映射关系建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系。
20.其中，所述基于每个所述分组中所述乳腺超声图像的病灶良恶性标签确定每个所述分组对应的实际恶性风险系数范围，包括：
21.基于每个所述分组中所述乳腺超声图像的病灶良恶性标签计算每个所述分组的实际恶性风险系数；
22.将每个所述分组的实际恶性风险系数所属的实际恶性风险系数范围确定为每个所述分组对应的实际恶性风险系数范围。
23.其中，所述基于每个所述分组中所述乳腺超声图像的病灶良恶性标签计算每个所述分组的实际恶性风险系数，包括：
24.将每个所述分组中恶性病灶数量与病灶总数量的比值作为每个所述分组的实际恶性风险系数；
25.其中，每个所述分组中所述恶性病灶数量为每个所述分组中病灶良恶性标签为恶性的乳腺超声图像的数量，每个所述分组中所述病灶总数量为每个所述分组中乳腺超声图像的总数量。
26.其中，所述根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围、实际恶性风险系数范围与bi
‑
rads分级之间的映射关系建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系，包括：
27.根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围建立预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系；
28.确定实际恶性风险系数范围与bi
‑
rads分级之间的映射关系，并根据预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系、实际恶性风险系数范围与bi
‑
rads分级之间的映射关系建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系。
29.其中，所述基于所述预测恶性系数将所有所述乳腺超声图像划分为多个分组，包括：
30.基于所述预测恶性系数将所有所述乳腺超声图像划分为十个分组，每个分组中乳腺超声图像的预测恶性系数的跨度为0.1。
31.为实现上述目的，本技术提供了一种乳腺超声图像分级装置，包括：
32.预测模块，用于获取目标乳腺超声图像，将所述目标乳腺超声图像输入训练完成的深度学习模型中预测所述目标乳腺超声图像对应的目标恶性风险系数；
33.第一确定模块，用于确定所述目标恶性风险系数所属的目标预测恶性风险系数范围，并根据预先建立的预测恶性风险系数范围与bi
‑
rads分级之间的映射关系确定所述目标预测恶性风险系数范围对应的目标bi
‑
rads分级。
34.为实现上述目的，本技术提供了一种电子设备，包括：
35.存储器，用于存储计算机程序；
36.处理器，用于执行所述计算机程序时实现如上述乳腺超声图像分级方法的步骤。
37.为实现上述目的，本技术提供了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，所述计算机程序被处理器执行时实现如上述乳腺超声图像分级方法的步骤。
38.通过以上方案可知，本技术提供的一种乳腺超声图像分级方法，包括：获取目标乳腺超声图像，将所述目标乳腺超声图像输入训练完成的深度学习模型中预测所述目标乳腺超声图像对应的目标恶性风险系数；确定所述目标恶性风险系数所属的目标预测恶性风险系数范围，并根据预先建立的预测恶性风险系数范围与bi
‑
rads分级之间的映射关系确定所述目标预测恶性风险系数范围对应的目标bi
‑
rads分级。
39.本技术提供的乳腺超声图像分级方法，利用训练完成的深度学习模型预测目标乳腺超声图像对应的目标恶性风险系数，基于预先建立的恶性风险系数范围与bi
‑
rads分级之间的映射关系确定目标恶性风险系数所属的目标预测恶性风险系数范围对应的目标bi
‑
rads分级，进而实现对目标乳腺超声图像的bi
‑
rads分级。由此可见，本技术提供的乳腺超声图像分级方法，避免了医生主观分级，提高了乳腺超声图像bi
‑
rads分级的准确性。本技术还公开了一种乳腺超声图像分级装置及一种电子设备和一种计算机可读存储介质，同样能实现上述技术效果。
40.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本技术。
附图说明
41.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简单地介绍，显而易见地，下面描述中的附图仅仅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。附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
42.图1为根据一示例性实施例示出的一种乳腺超声图像分级方法的流程图；
43.图2为根据一示例性实施例示出的另一种乳腺超声图像分级方法的流程图；
44.图3为根据一示例性实施例示出的映射关系的示意图；
45.图4为根据一示例性实施例示出的一种乳腺超声图像分级装置的结构图；
46.图5为根据一示例性实施例示出的一种电子设备的结构图。
具体实施方式
47.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，本领域普通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。另外，在本技术实施例中，“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
48.本技术实施例公开了一种乳腺超声图像分级方法，提高了乳腺超声图像bi
‑
rads分级的准确性。
49.参见图1，根据一示例性实施例示出的一种乳腺超声图像分级方法的流程图，如图1所示，包括：
50.s101：获取目标乳腺超声图像，将所述目标乳腺超声图像输入训练完成的深度学习模型中预测所述目标乳腺超声图像对应的目标恶性风险系数；
51.本实施例的目的在于对目标乳腺超声图像进行bi
‑
rads分级，目标乳腺超声图像为未分级的乳腺超声图像，区别于后续训练数据集和实验数据集中的乳腺超声图像。乳腺成像报告和数据系统(bi
‑
rads)超声风险分类如表1所示：
52.表1
53.bi
‑
rads分级描述恶性风险(％)1正常02良性病变03很可能良性＞0、≤24a轻度可疑恶性＞2、≤104b中度可疑恶性＞10、≤504c高度可疑恶性＞50、＜955恶性≥95
54.在本步骤中，将目标乳腺超声图像输入训练完成的深度学习模型中，以预测目标乳腺超声图像对应的目标恶性风险系数。本实施例中的深度学习模型可以包括resnet、goolenet、densnet等深度学习分类网络，在此不进行具体限定。需要说明的是，表1中列出的恶性风险表示临床上病灶的恶性可能性，其与深度学习模型预测得到的目标恶性风险系数并不能完全对应。
55.深度学习模型的训练步骤包括：获取训练数据集；其中，所述训练数据集包括多幅乳腺超声图像；根据病理结果对所述训练数据集中的每幅乳腺超声图像进行病灶良恶性标签的标注；利用所述训练数据集中的乳腺超声图像和对应的病灶良恶性标签训练深度学习模型。在具体实施中，采集受试者的乳腺超声图像，建立乳腺超声图像基础数据库，受试者的标准可以为：成年女性、患有乳腺结节、未有传染性疾病及其他可能影响乳腺病灶评判的疾病、未接受过乳腺病灶切除手术。为了确保深度学习模型的训练效果，可以使整个样本集中恶性病灶病人不少于30％。每个受试者均接受病理检查，以病理结果为金标准进行病灶良恶性标签的标注，避免人为标注的主观性。训练数据集在乳腺超声图像基础数据库中进行选择，利用训练数据集中的乳腺超声图像和对应的病灶良恶性标签训练深度学习模型，训练完成的深度学习模型用于预测目标乳腺超声图像对应的目标恶性风险系数。
56.s102：确定所述目标恶性风险系数所属的目标预测恶性风险系数范围，并根据预先建立的预测恶性风险系数范围与bi
‑
rads分级之间的映射关系确定所述目标预测恶性风险系数范围对应的目标bi
‑
rads分级。
57.需要说明的是，由于深度学习模型预测得到的预测恶性风险系数与表1中的恶性风险并不能完全对应，因此需要预先建立预测恶性风险系数与表1中恶性风险之间的映射关系，即可建立目标恶性风险系数与bi
‑
rads分级之间的映射关系，进而确定目标乳腺超声
图像的bi
‑
rads分级。
58.在具体实施中，预先建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系，在对目标乳腺超声图像进行分级的过程中，确定深度学习模型预测得到的目标乳腺超声图像的目标恶性风险系数所属的目标预测恶性风险系数范围，根据上述预先建立的映射关系确定目标预测恶性风险系数范围对应的目标bi
‑
rads分级，将其确定为目标乳腺超声图像的bi
‑
rads分级。
59.本技术实施例提供的乳腺超声图像分级方法，利用训练完成的深度学习模型预测目标乳腺超声图像对应的目标恶性风险系数，基于预先建立的恶性风险系数范围与bi
‑
rads分级之间的映射关系确定目标恶性风险系数所属的目标预测恶性风险系数范围对应的目标bi
‑
rads分级，进而实现对目标乳腺超声图像的bi
‑
rads分级。由此可见，本技术实施例提供的乳腺超声图像分级方法，避免了医生主观分级，提高了乳腺超声图像bi
‑
rads分级的准确性。
60.本实施例介绍建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系的过程，具体的：
61.参见图2，根据一示例性实施例示出的另一种乳腺超声图像分级方法的流程图，如图2所示，包括：
62.s201：获取实验数据集；其中，所述实验数据集包括多幅乳腺超声图像；
63.s202：根据病理结果对所述实验数据集中的乳腺超声图像进行病灶良恶性标签的标注；
64.在具体实施中，实验数据集同样可以从上一实施例中介绍的乳腺超声图像基础数据库中进行选择，需要说明的是，训练数据集与实验数据集完全独立，即训练数据集中包含的乳腺超声图像与实验数据集中包含的乳腺超声图像不重合。优选的，可以以2:1的比例建立训练数据集和实验数据集。实验数据集用于基于训练完成的深度学习模型建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系。
65.s203：将所述实验数据集输入训练完成的深度学习模型中，得到每幅所述乳腺超声图像对应的预测恶性风险系数；
66.s204：基于所述预测恶性系数将所有所述乳腺超声图像划分为多个分组，并确定每个所述分组对应的预测恶性风险系数范围；
67.在具体实施中，将深度学习模型预测得到的预测恶性风险系数划分为多个分组，每个分组中预测恶性系数的跨度相同。在此基础上，可以基于实验数据集中乳腺超声图像对应的预测恶性风险系数划分为多个分组，每个分组均存在对应的预测恶性风险系数范围，分组内乳腺超声图像对应的预测恶性风险系数属于该预测恶性风险系数范围。作为一种优选实施方式，所述基于所述预测恶性系数将所有所述乳腺超声图像划分为多个分组，包括：基于所述预测恶性系数将所有所述乳腺超声图像划分为十个分组，每个分组中乳腺超声图像的预测恶性系数的跨度为0.1。十个分组对应的预测恶性风险系数范围分别为0
‑
0.1、0.1
‑
0.2、0.2
‑
0.3、0.3
‑
0.4、0.4
‑
0.5、0.5
‑
0.6、0.6
‑
0.7、0.7
‑
0.8、0.8
‑
0.9、0.9
‑
1.0。
68.s205：基于每个所述分组中所述乳腺超声图像的病灶良恶性标签确定每个所述分组对应的实际恶性风险系数范围；
69.可以理解的是，由于预先对实验数据集中的乳腺超声图像进行了病灶良恶性标签
的标注，因此可以计算出每个分组对应的实际恶性风险系数范围，也即基于每个分组中乳腺超声图像的病灶良恶性标签计算每个分组的实际恶性风险系数，具体的，将每个分组中恶性病灶数量与病灶总数量的比值作为每个分组的实际恶性风险系数；其中，每个分组中恶性病灶数量为每个分组中病灶良恶性标签为恶性的乳腺超声图像的数量，每个分组中病灶总数量为每个分组中乳腺超声图像的总数量。进一步的，将每个分组的实际恶性风险系数所属的实际恶性风险系数范围确定为每个分组对应的实际恶性风险系数范围，此处的实际恶性风险系数范围为表1中的恶性风险，包括0，0
‑
0.02，0.02
‑
0.1、0.1
‑
0.5、0.5
‑
0.95、0.95
‑
1.0六个范围；例如，若计算得到某一组的实际恶性风险系数为0.9，则其所属的实际恶性风险系数范围为0.5
‑
0.95，该系数范围即为该组对应的实际恶性风险系数范围。
70.s206：根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围、实际恶性风险系数范围与bi
‑
rads分级之间的映射关系建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系。
71.在本步骤中，根据每个分组对应的预测恶性风险系数范围和实际恶性风险系数范围建立预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系，确定实际恶性风险系数范围与bi
‑
rads分级之间的映射关系，即表1中示出的恶性风险与bi
‑
rads分级之间的映射关系，并根据预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系、实际恶性风险系数范围与bi
‑
rads分级之间的映射关系建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系。
72.举例说明，一种示例性的映射关系如图3所示，以第8个分组为例，其对应的预测恶性风险系数范围为0.7
‑
0.8，若该分组对应的实际恶性风险系数范围为0.1
‑
0.5，对应的bi
‑
rads分级为4b。
73.下面对本技术实施例提供的一种乳腺超声图像分级装置进行介绍，下文描述的一种乳腺超声图像分级装置与上文描述的一种乳腺超声图像分级方法可以相互参照。
74.参见图4，根据一示例性实施例示出的一种乳腺超声图像分级装置的结构图，如图4所示，包括：
75.预测模块401，用于获取目标乳腺超声图像，将所述目标乳腺超声图像输入训练完成的深度学习模型中预测所述目标乳腺超声图像对应的目标恶性风险系数；
76.第一确定模块402，用于确定所述目标恶性风险系数所属的目标预测恶性风险系数范围，并根据预先建立的预测恶性风险系数范围与bi
‑
rads分级之间的映射关系确定所述目标预测恶性风险系数范围对应的目标bi
‑
rads分级。
77.本技术实施例提供的乳腺超声图像分级装置，利用训练完成的深度学习模型预测目标乳腺超声图像对应的目标恶性风险系数，基于预先建立的恶性风险系数范围与bi
‑
rads分级之间的映射关系确定目标恶性风险系数所属的目标预测恶性风险系数范围对应的目标bi
‑
rads分级，进而实现对目标乳腺超声图像的bi
‑
rads分级。由此可见，本技术实施例提供的乳腺超声图像分级装置，避免了医生主观分级，提高了乳腺超声图像bi
‑
rads分级的准确性。
78.在上述实施例的基础上，作为一种优选实施方式，还包括：
79.第一获取模块，用于获取训练数据集；其中，所述训练数据集包括多幅乳腺超声图像；
80.第一标注模块，用于根据病理结果对所述训练数据集中的每幅乳腺超声图像进行病灶良恶性标签的标注；
81.训练模块，用于利用所述训练数据集中的乳腺超声图像和对应的病灶良恶性标签训练深度学习模型。
82.在上述实施例的基础上，作为一种优选实施方式，还包括：
83.第二获取模块，用于获取实验数据集；其中，所述实验数据集包括多幅乳腺超声图像；
84.第二标注模块，用于根据病理结果对所述实验数据集中的乳腺超声图像进行病灶良恶性标签的标注；
85.输入模块，用于将所述实验数据集输入训练完成的深度学习模型中，得到每幅所述乳腺超声图像对应的预测恶性风险系数；
86.划分模块，用于基于所述预测恶性系数将所有所述乳腺超声图像划分为多个分组，并确定每个所述分组对应的预测恶性风险系数范围；
87.第二确定模块，用于基于每个所述分组中所述乳腺超声图像的病灶良恶性标签确定每个所述分组对应的实际恶性风险系数范围；
88.建立模块，用于根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围、实际恶性风险系数范围与bi
‑
rads分级之间的映射关系建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系。
89.在上述实施例的基础上，作为一种优选实施方式，所述第二确定模块包括：
90.计算单元，用于基于每个所述分组中所述乳腺超声图像的病灶良恶性标签计算每个所述分组的实际恶性风险系数；
91.确定单元，用于将每个所述分组的实际恶性风险系数所属的实际恶性风险系数范围确定为每个所述分组对应的实际恶性风险系数范围。
92.在上述实施例的基础上，作为一种优选实施方式，所述计算单元具体为将每个所述分组中恶性病灶数量与病灶总数量的比值作为每个所述分组的实际恶性风险系数的单元；其中，每个所述分组中所述恶性病灶数量为每个所述分组中病灶良恶性标签为恶性的乳腺超声图像的数量，每个所述分组中所述病灶总数量为每个所述分组中乳腺超声图像的总数量。
93.在上述实施例的基础上，作为一种优选实施方式，所述建立模块包括：
94.第一建立单元，用于根据每个所述分组对应的预测恶性风险系数范围和实际恶性风险系数范围建立预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系；
95.第二建立单元，用于确定实际恶性风险系数范围与bi
‑
rads分级之间的映射关系，并根据预测恶性风险系数范围与实际恶性风险系数范围之间的映射关系、实际恶性风险系数范围与bi
‑
rads分级之间的映射关系建立预测恶性风险系数范围与bi
‑
rads分级之间的映射关系。
96.在上述实施例的基础上，作为一种优选实施方式，所述划分模块具体为基于所述预测恶性系数将所有所述乳腺超声图像划分为十个分组，每个分组中乳腺超声图像的预测恶性系数的跨度为0.1，并确定每个所述分组对应的预测恶性风险系数范围的模块。
97.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法
的实施例中进行了详细描述，此处将不做详细阐述说明。
98.基于上述程序模块的硬件实现，且为了实现本技术实施例的方法，本技术实施例还提供了一种电子设备，图5为根据一示例性实施例示出的一种电子设备的结构图，如图5所示，电子设备包括：
99.通信接口1，能够与其它设备比如网络设备等进行信息交互；
100.处理器2，与通信接口1连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述一个或多个技术方案提供的乳腺超声图像分级方法。而所述计算机程序存储在存储器3上。
101.当然，实际应用时，电子设备中的各个组件通过总线系统4耦合在一起。可理解，总线系统4用于实现这些组件之间的连接通信。总线系统4除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统4。
102.本技术实施例中的存储器3用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。
103.可以理解，存储器3可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read
‑
only memory)、可擦除可编程只读存储器(eprom，erasable programmable read
‑
only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read
‑
only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd
‑
rom，compact disc read
‑
only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本技术实施例描述的存储器2旨在包括但不限于这些和任意其它适合类型的存储器。
104.上述本技术实施例揭示的方法可以应用于处理器2中，或者由处理器2实现。处理器2可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器2中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2可以是通用处理器、dsp，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。处理器2可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执
行完成。软件模块可以位于存储介质中，该存储介质位于存储器3，处理器2读取存储器3中的程序，结合其硬件完成前述方法的步骤。
105.处理器2执行所述程序时实现本技术实施例的各个方法中的相应流程，为了简洁，在此不再赘述。
106.在示例性实施例中，本技术实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器3，上述计算机程序可由处理器2执行，以完成前述方法所述步骤。计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd
‑
rom等存储器。
107.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
108.或者，本技术上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机、服务器、或者网络设备等)执行本技术各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
109.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，可轻易想到变化或替换，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所述权利要求的保护范围为准。