一种图像处理方法、装置、设备及存储介质与流程

1.本发明实施例涉及人工智能技术领域，尤其涉及一种图像处理方法、装置、设备及存储介质。


背景技术：

2.随着医疗科技的发展以及医学影像拍摄的普及，目前医生普遍通过医学影像来了解患者身体当前的异常状态。除了获取当前的异常状态，医生还需要对异常状态发展有一个预判，从而针对性的制定方案，其中一个重要的预测就是身体上异常区域的形态如何变化，这与后续采取的应对措施息息相关。然而，拍摄医学影像仅仅能获取患者身体上当前的异常区域，医生需要凭借个人经验对异常区域的变化情况进行预判，对个人经验要求较高，在个人经验不足时，将导致预测准确性以及预测效率较低。


技术实现要素：

3.本技术实施例提供了一种图像处理方法、装置、设备及存储介质，用于提高预测异常区域在不同时刻的变化情况的准确性和效率，降低对个人经验的依赖。
4.一方面，本技术实施例提供了一种图像处理方法，该方法包括：
5.获取目标身体部位在第一时刻的待处理图像，所述待处理图像中包括所述目标身体部位的第一目标异常区域；
6.提取所述待处理图像的图像特征，并基于所述待处理图像的图像特征，获得所述目标身体部位在第二时刻的预测图像，所述预测图像中包括与所述第一目标异常区域关联的第二目标异常区域。
7.一方面，本技术实施例提供了一种训练区域预测模型的方法，该方法包括：
8.基于多任务学习，对初始化的区域预测模型进行多次迭代训练，获得目标区域预测模型，所述区域预测模型包括共享网络、主任务网络和辅助任务网络，在每次迭代过程中，执行以下操作：
9.通过共享网络提取第一样本图像的第一样本图像特征，所述第一样本图像中包括预先标记的第一样本异常区域；
10.通过辅助任务网络，基于所述第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定所述第一预测异常区域与所述第一样本异常区域之间的第一差异度；
11.通过主任务网络，基于所述第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定所述第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度，所述第一样本图像和所述第二样本图像为在不同时刻采集的目标身体部位的图像；
12.基于所述第一差异度和所述第二差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
13.一方面，本技术实施例提供了一种图像处理装置，该装置包括：
14.获取模块，用于获取目标身体部位在第一时刻的待处理图像，所述待处理图像中包括所述目标身体部位的第一目标异常区域；
15.处理模块，用于提取所述待处理图像的图像特征，并基于所述待处理图像的图像特征，获得所述目标身体部位在第二时刻的预测图像，所述预测图像中包括与所述第一目标异常区域关联的第二目标异常区域。
16.可选地，所述处理模块具体用于：
17.通过已训练的目标区域预测模型，提取所述待处理图像的图像特征，并基于所述待处理图像的图像特征，获得所述目标身体部位在第二时刻的预测图像，所述目标区域预测模型是基于多任务学习，对初始化的区域预测模型进行多次迭代训练获得的。
18.可选地，所述区域预测模型包括共享网络、主任务网络和辅助任务网络；
19.所述处理模块具体用于：
20.通过共享网络提取第一样本图像的第一样本图像特征，所述第一样本图像中包括预先标记的第一样本异常区域；
21.通过辅助任务网络，基于所述第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定所述第一预测异常区域与所述第一样本异常区域之间的第一差异度；
22.通过主任务网络，基于所述第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定所述第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度，所述第一样本图像和所述第二样本图像为在不同时刻采集的目标身体部位的图像；
23.基于所述第一差异度和所述第二差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
24.可选地，所述处理模块具体用于：
25.基于所述第一差异度，对所述辅助任务网络进行参数调整；
26.基于所述第二差异度，对所述主任务网络进行参数调整；
27.根据所述第一差异度和所述第二差异度，确定综合差异度；
28.基于所述综合差异度，对所述共享网络进行参数调整。
29.可选地，所述处理模块具体用于：
30.根据所述第一差异度和所述第二差异度，确定综合差异度；
31.基于所述综合差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
32.可选地，还包括选择模块；
33.所述选择模块具体用于：
34.每次迭代过程结束后，对应获得一个候选区域预测模型；
35.多次迭代过程结束后，基于验证样本集从多个候选区域预测模型中，确定目标区域预测模型。
36.可选地，所述选择模块具体用于：
37.基于所述验证样本集，分别对所述多个候选区域预测模型进行验证，获得所述多
个候选区域预测模型分别对应的性能参数值；
38.将所述多个候选区域预测模型中，性能参数值满足预设条件的候选区域预测模型，作为目标区域预测模型。
39.一方面，本技术实施例提供了一种训练区域预测模型的装置，该装置包括：
40.模型训练模块，用于基于多任务学习，对初始化的区域预测模型进行多次迭代训练，获得目标区域预测模型，所述区域预测模型包括共享网络、主任务网络和辅助任务网络；
41.所述模型训练模块包括特征提取模块、第一预测模块、第二预测模块和参数调整模块；
42.所述特征提取模块，用于通过共享网络提取第一样本图像的第一样本图像特征，所述第一样本图像中包括预先标记的第一样本异常区域；
43.所述第一预测模块，用于通过辅助任务网络，基于所述第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定所述第一预测异常区域与所述第一样本异常区域之间的第一差异度；
44.所述第二预测模块，通过主任务网络，基于所述第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定所述第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度，所述第一样本图像和所述第二样本图像为在不同时刻采集的目标身体部位的图像；
45.所述参数调整模块，用于基于所述第一差异度和所述第二差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
46.可选地，所述参数调整模块具体用于：
47.基于所述第一差异度，对所述辅助任务网络进行参数调整；
48.基于所述第二差异度，对所述主任务网络进行参数调整；
49.根据所述第一差异度和所述第二差异度，确定综合差异度；
50.基于所述综合差异度，对所述共享网络进行参数调整。
51.可选地，所述参数调整模块具体用于：
52.根据所述第一差异度和所述第二差异度，确定综合差异度；
53.基于所述综合差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
54.可选地，所述模型训练模块还包括筛选模块；
55.所述筛选模块具体用于：
56.每次迭代过程结束后，对应获得一个候选区域预测模型；
57.多次迭代过程结束后，基于验证样本集从多个候选区域预测模型中，确定目标区域预测模型。
58.可选地，所述筛选模块具体用于：
59.基于所述验证样本集，分别对所述多个候选区域预测模型进行验证，获得所述多个候选区域预测模型分别对应的性能参数值；
60.将所述多个候选区域预测模型中，性能参数值满足预设条件的候选区域预测模型，作为目标区域预测模型。
61.一方面，本技术实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述图像处理方法的步骤，或者上述训练区域预测模型的方法的步骤。
62.一方面，本技术实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行上述图像处理方法的步骤，或者上述训练区域预测模型的方法的步骤。
63.本技术实施例中，基于目标身体部位在第一时刻的待处理图像的图像特征，自动预测目标身体部位在第二时刻的预测图像，同时获得待处理图像中的第一目标异常区域在预测图像中对应的第二目标异常区域，而不需要由人工判断异常区域在不同时刻的变化情况，从而大大降低对个人经验的依赖，同时提高了预测准确性以及预测效率。
64.本技术实施例中，由于主任务和辅助任务的学习目标是不相同的，故主任务和辅助任务的局部极小值处于不同的位置。通过主任务和辅助任务之间的相互作用可以帮助主任务逃离局部极小值，从而提高目标区域预测模型的预测能力。同时，主任务和辅助任务共享浅层参数，故降低目标区域预测模型的过拟合程度，提高模型的泛化能力，从而提高预测异常区域在不同时刻的变化情况的准确性，给医生提供更有价值的治疗方案参考。
附图说明
65.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
66.图1为本技术实施例提供的一种系统架构示意图；
67.图2为本技术实施例提供的一种图像处理方法的流程示意图；
68.图3为本技术实施例提供的一种脑部ct图像的示意图；
69.图4为本技术实施例提供的一种脑部ct图像的示意图；
70.图5为本技术实施例提供的一种区域预测模型的结构示意图；
71.图6为本技术实施例提供的一种训练区域预测模型的方法的流程示意图；
72.图7为本技术实施例提供的一种脑部ct图像的示意图；
73.图8为本技术实施例提供的一种区域预测模型的结构示意图；
74.图9为本技术实施例提供的一种脑部ct图像的示意图；
75.图10为本技术实施例提供的一种图像处理装置的结构示意图；
76.图11为本技术实施例提供的一种训练区域预测模型的装置的结构示意图；
77.图12为本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
78.为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
79.为了方便理解，下面对本发明实施例中涉及的名词进行解释。
80.人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
81.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
82.机器学习(machine learning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。比如，本技术实施例中采用机器学习技术预测脑出血区域的变化情况。
83.多任务学习：多任务学习指的是把多个相关的任务放在一起学习，结果相互影响的一种机器学习方法。
84.深度卷积神经网络：一种机器学习方法。
85.ct：computed tomography，计算机断层扫描。
86.脑出血(脑实质出血)：指非外伤性脑实质内血管破裂引起的出血，属于“脑中风”的一种，是中老年高血压患者的一种常见严重脑部并发症。急性脑出血患者通常会拍摄头部ct，用于观察出血部位、出血量大小、血肿形态、是否破入脑室以及血肿周围有无低密度水肿带和占位效应等。除了当前状态，医生还需要对病情发展有一个预判，从而针对性的制定治疗方案，其中一个重要的预测就是脑出血区域的形态如何变化，这与是否采取手术、以及如何进行手术相关。
87.泛化能力：机器学习/深度学习算法对新鲜样本的适应能力。
88.下面对本技术实施例的设计思想进行介绍。
89.急性脑出血患者通常会拍摄头部ct，用于观察出血部位、出血量大小、血肿形态、是否破入脑室以及血肿周围有无低密度水肿带和占位效应等。除了当前状态，医生还需要对病情发展有一个预判，从而针对性的制定治疗方案，其中一个重要的预测就是脑出血区域的形态如何变化，这与是否采取手术、以及如何进行手术相关。然而，拍摄头部ct仅仅能获取患者当前的脑出血区域，医生需要凭借个人经验对脑出血区域的变化情况进行预判，对医生的个人经验要求较高，在个人经验不足时，将导致预测准确性以及预测效率较低。
90.若基于当前拍摄的头部ct中的脑出血区域自动预测未来脑出血区域的变化情况，这样将大大降低对个人经验的依赖，同时提高处理效率。鉴于此，本技术实施例提供了一种图像处理方法，该方法具体包括：获取目标身体部位在第一时刻的待处理图像，其中，待处理图像中包括目标身体部位的第一目标异常区域。然后提取待处理图像的图像特征，并基于待处理图像的图像特征，获得目标身体部位在第二时刻的预测图像，其中，预测图像中包括与第一目标异常区域关联的第二目标异常区域。
91.本技术实施例中，基于目标身体部位在第一时刻的待处理图像的图像特征，自动预测目标身体部位在第二时刻的预测图像，同时获得待处理图像中的第一目标异常区域在预测图像中对应的第二目标异常区域，而不需要由人工判断异常区域在不同时刻的变化情况，从而大大降低对个人经验的依赖，同时提高了预测准确性以及预测效率。
92.可选地，通过分析发现，基于单任务学习训练预测模型时，由于预测模型只局限于单个目标任务的学习，故容易陷入局部最优，无法发挥模型最优的预测能力，同时，预测模型容易过拟合，导致预测模型的泛化能力较低。
93.鉴于此，本技术实施例中，通过已训练的目标区域预测模型，提取待处理图像的图像特征，并基于待处理图像的图像特征，获得目标身体部位在第二时刻的预测图像，其中，目标区域预测模型是基于多任务学习，对初始化的区域预测模型进行多次迭代训练获得的。
94.在多任务学习中，不同任务的局部极小值处于不同的位置。通过相互作用可以帮助隐含层逃离局部极小值，使得目标区域预测模型学习到更优的预测能力。同时，多个任务通过共享浅层参数，降低了目标区域预测模型的过拟合程度，从而提高模型的泛化能力，进而提高预测异常区域在不同时刻的变化情况的准确性，给医生提供更有价值的治疗方案参考。
95.参考图1，其为本技术实施例提供的图像处理方法的系统架构图。该架构至少包括终端设备101以及服务器102。
96.终端设备101中安装有目标应用，其中，目标应用可以是客户端应用、网页版应用、小程序应用等。目标应用用于预测目标身体部位上的异常区域在不同时刻的变化情况。终端设备101可以包括一个或多个处理器1011、存储器1012、与服务器102交互的i/o接口1013以及显示面板1014等。终端设备101可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。
97.服务器102可以是目标应用的后台服务器，为目标应用提供相应的服务，服务器102可以包括一个或多个处理器1021、存储器1022以及与终端设备101交互的i/o接口1023等。此外，服务器102还可以配置数据库1024。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备101与服务器102可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
98.本技术实施例中的图像处理方法可以是终端设备101执行，也可以是服务器102执行。
99.第一种情况，图像处理方法可以是终端设备101执行。
100.终端设备101获取目标身体部位在第一时刻的待处理图像，其中，待处理图像中包括目标身体部位的第一目标异常区域。然后提取待处理图像的图像特征，并基于待处理图像的图像特征，获得目标身体部位在第二时刻的预测图像，其中，预测图像中包括与第一目标异常区域关联的第二目标异常区域。终端设备101在显示界面中展示目标身体部位在第二时刻的预测图像。
101.第二种情况，图像处理方法可以是服务器102执行。
102.终端设备101获取目标身体部位在第一时刻的待处理图像，其中，待处理图像中包括目标身体部位的第一目标异常区域，然后将待处理图像发送给服务器102，服务器102提取待处理图像的图像特征，并基于待处理图像的图像特征，获得目标身体部位在第二时刻的预测图像，其中，预测图像中包括与第一目标异常区域关联的第二目标异常区域。服务器102将预测图像发送给终端设备101，终端设备101在显示界面中展示目标身体部位在第二时刻的预测图像。
103.基于图1所示的系统架构图，本技术实施例提供了一种图像处理方法的流程，如图2所示，该方法的流程可以由图1所示的终端设备101或服务器102执行，包括以下步骤：
104.步骤s201，获取目标身体部位在第一时刻的待处理图像。
105.具体地，目标身体部位可以是任意目标对象上的身体部位，其中，目标对象可以是人、动物、植物等。目标身体部位可以是脑部、心脏、肝、肺、胃、肾等。待处理图像可以是拍摄各类医学图像。比如，ct图像、核磁共振图像等。待处理图像中包括目标身体部位的第一目标异常区域，其中，第一目标异常区域可以是出血区域、病灶区域、积液区域等。
106.以待处理图像为脑部ct图像举例来说，图3为患者在第一时刻拍摄的脑部ct图像，该脑部ct图像中包括脑出血区域301。
107.步骤s202，提取待处理图像的图像特征，并基于待处理图像的图像特征，获得目标身体部位在第二时刻的预测图像。
108.具体地，第一时刻和第二时刻为不同的时刻，比如第一时刻和第二时刻间隔24小时，第一时刻位于第二时刻之前。预测图像中包括与第一目标异常区域关联的第二目标异常区域，可以理解为第二目标异常区域为变化后的第一目标异常区域。
109.以待处理图像为脑部ct图像举例来说，图3为患者在第一时刻拍摄的脑部ct图像，该脑部ct图像中包括第一时刻的脑出血区域301。图4为基于第一时刻拍摄的脑部ct图像，预测获得的第二时刻的脑部预测图像，该脑部预测图像中包括第二时刻的脑出血区域401，其中，第二时刻的脑出血区域401为第一时刻的脑出血区域301随时间变化后的脑出血区域。通过比较图3和图4可知，相较于第一时刻的脑出血区域301来说，预测获得的第二时刻的脑出血区域401更大，则说明随着时间的推移，该患者的脑部出血区域可能会变大。
110.本技术实施例中，基于目标身体部位在第一时刻的待处理图像的图像特征，自动预测目标身体部位在第二时刻的预测图像，同时获得待处理图像中的第一目标异常区域在预测图像中对应的第二目标异常区域，而不需要由人工判断异常区域在不同时刻的变化情况，从而大大降低对个人经验的依赖，同时提高了预测准确性以及预测效率。
111.可选地，在上述步骤s202中，通过已训练的目标区域预测模型，提取待处理图像的图像特征，并基于待处理图像的图像特征，获得目标身体部位在第二时刻的预测图像，其中，目标区域预测模型是基于多任务学习，对初始化的区域预测模型进行多次迭代训练获得的。
112.具体地，目标区域预测模型可以是卷积神经网络模型、全卷积网络模型、支持向量机模型等。多任务学习指的是把多个相关的任务放在一起学习，结果相互影响的一种机器学习方法。多任务学习有很多形式，比如，联合学习(joint learning)、自主学习(learning to learn)、借助辅助任务学习(learning with auxiliary tasks)等。以借助辅助任务学
习展开来说，辅助任务可以是相关任务、对抗性任务、提示性任务等。可选地，本技术实施例中，训练获得的目标区域预测模型可保存于区块链上。
113.由于在多任务学习中，不同任务的局部极小值处于不同的位置。通过相互作用可以帮助隐含层逃离局部极小值，使得目标区域预测模型学习到更优的预测能力，同时，多个任务通过共享浅层参数，降低了目标区域预测模型的过拟合程度，提高模型的泛化能力，从而提高预测异常区域在不同时刻的变化情况的准确性，给医生提供更有价值的治疗方案参考。
114.需要说明的是，在训练目标区域预测模型时，本技术实施例并不仅限于基于多任务学习的方式，还可以基于单任务学习的方式，对此，本技术不做具体限定。
115.可选地，区域预测模型的结构如图5所示，区域预测模型包括共享网络、主任务网络和辅助任务网络，其中，主任务网络和辅助任务网络共享上述共享网络的参数。
116.基于多任务学习，对初始化的区域预测模型进行多次迭代训练，获得目标区域预测模型，其中，在每次迭代过程中，执行以下操作，如图6所示：
117.步骤s601，通过共享网络提取第一样本图像的第一样本图像特征，其中，第一样本图像中包括预先标记的第一样本异常区域。
118.具体地，采用随机初始化方式对区域预测模型进行初始化。预先采集目标身体部位的第一样本图像，然后从第一样本图像中分割出第一样本异常区域，之后再对第一样本图像进行预处理，其中，预处理包括去除干扰区域、图像配准以及图像标准化处理。
119.步骤s602，通过辅助任务网络，基于第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定第一预测异常区域与第一样本异常区域之间的第一差异度。
120.具体地，在训练过程中，辅助任务网络输出的第一预测图像不断接近第一样本图像，第一预测图像中的第一预测异常区域不断接近第一样本图像中的第一样本异常区域。
121.步骤s603，通过主任务网络，基于第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度。
122.具体地，预先采集目标身体部位的第二样本图像，然后从第二样本图像中分割出第二样本异常区域，之后再对第二样本图像进行预处理，其中，预处理包括去除干扰区域、图像配准以及图像标准化处理。第一样本图像和第二样本图像为在不同时刻采集的目标身体部位的图像，第一样本图像和第二样本图像之间的采集时间间隔可以根据实际需要进行设定。
123.在训练过程中，主任务网络输出的第二预测图像不断接近第二样本图像，第二预测图像中的第二预测异常区域不断接近第二样本图像中的第二样本异常区域。
124.步骤s604，基于第一差异度和第二差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整。
125.具体地，基于第一差异度和第二差异度不断变小的原则，分别对共享网络、主任务网络和辅助任务网络进行参数调整。
126.本技术实施例中，由于主任务和辅助任务的学习目标是不相同的，故主任务和辅助任务的局部极小值处于不同的位置。通过主任务和辅助任务之间的相互作用可以帮助主任务逃离局部极小值，从而提高目标区域预测模型的预测能力。同时，主任务和辅助任务共
享浅层参数，故降低目标区域预测模型的过拟合程度，提高模型的泛化能力，从而提高预测异常区域在不同时刻的变化情况的准确性，给医生提供更有价值的治疗方案参考。
127.可选地，在上述步骤s604中，本技术实施例至少提供两种基于第一差异度和第二差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整的实施方式：
128.实施方式一、基于第一差异度，对辅助任务网络进行参数调整。基于第二差异度，对主任务网络进行参数调整。根据第一差异度和所述第二差异度，确定综合差异度，然后基于综合差异度，对共享网络进行参数调整。
129.具体地，基于第一差异度不断变小的原则，对辅助任务网络进行参数调整，使辅助任务网络输出的第一预测图像中的第一预测异常区域不断接近第一样本图像中的第一样本异常区域。基于第二差异度不断变小的原则，对主任务网络进行参数调整，使主任务网络输出的第二预测图像中的第二预测异常区域不断接近第二样本图像中的第二样本异常区域。可以将第一差异度和所述第二差异度求和或加权求和，获得综合差异度，然后基于综合差异度不断变小的原则，对共享网络进行参数调整。
130.本技术实施例中，基于第一差异度和第二差异度，分别优化辅助任务网络的参数和主任务网络的参数，不断提高辅助任务网络和主任务网络的预测能力。基于第一差异度和第二差异度联合优化共享网络的参数，使主任务网络和辅助任务网路的学习过程相互影响、相互补充，从而提高训练获得的目标区域预测模型的预测能力和泛化能力。
131.实施方式二、根据第一差异度和所述第二差异度，确定综合差异度。然后基于综合差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整。
132.具体地，可以将第一差异度和所述第二差异度求和或加权求和，获得综合差异度，然后基于综合差异度不断变小的原则，分别对共享网络、主任务网络和辅助任务网络进行参数调整。
133.本技术实施例中，基于第一差异度和第二差异度联合优化共享网络、主任务网络和辅助任务网络的参数，使主任务网络和辅助任务网路的学习过程相互影响、相互补充，从而提高训练获得的目标区域预测模型的预测能力和泛化能力。
134.可选地，每次迭代过程结束后，对应获得一个候选区域预测模型。多次迭代过程结束后，本技术至少提供以下两种从多个候选区域预测模型中，确定目标区域预测模型的实施方式：
135.实施方式一、基于验证样本集从多个候选区域预测模型中，确定目标区域预测模型。
136.具体地，验证样本集为模型训练过程中单独留出的样本集，与用于训练模型的样本集不同。比如，预先获取了100张样本图像，从中选80张样本图像用于训练区域预测模型，剩余的20张样本图像作为验证样本集。又比如，预先获取了100张样本图像，从中选70张样本图像用于训练区域预测模型，从剩余的30张样本图像中选取20张样本图像作为验证样本集，剩余的10张样本图像作为测试样本集。
137.可选地，基于验证样本集，分别对多个候选区域预测模型进行验证，获得多个候选区域预测模型分别对应的性能参数值，然后将多个候选区域预测模型中，性能参数值满足预设条件的候选区域预测模型，作为目标区域预测模型。
138.具体实施中，针对一个候选区域预测模型，该候选区域预测模型中包括共享网络、
主任务网络和辅助任务网络。基于验证样本集，对该候选区域预测模型进行验证时，可以对共享网络、主任务网络和辅助任务网络中的一个或多个网络进行验证，获得该候选区域预测模型对应的性能参数值。
139.比如，基于验证样本集对主任务网络进行验证，获得主任务网络的性能参数值，然后直接将主任务网络的性能参数值作为候选区域预测模型对应的性能参数值。
140.又比如，基于验证样本集分别对主任务网络和辅助任务网络进行验证，获得主任务网络和辅助任务网络分别对应的性能参数值，然后基于主任务网络和辅助任务网络分别对应的性能参数值，确定候选区域预测模型对应的性能参数值。
141.性能参数值可以是准确率、误检率、精确率、召回率、接收者操作特征(receiver operating characteristic，简称roc)等。性能参数值满足预设条件可以是性能参数值最大，或者性能参数值最小，或者性能参数值位于预设范围内等。
142.本技术实施例中，由于多次迭代过程结束后，最后一次迭代获得的候选区域预测模型并不一定为性能最优的候选区域预测模型，而通过验证样本集，分别对多个候选区域预测模型进行验证，可以获得性能最优的候选区域预测模型。将性能最优的候选区域预测模型作为目标区域预测模型，能有效提高预测异常区域在不同时刻的变化情况的准确性，从而给医生提供更有价值的治疗方案参考。
143.实施方式二、基于第一差异度和第二差异度从多个候选区域预测模型中，确定目标区域预测模型。
144.具体地，在当前迭代过程中，通过共享网络提取第一样本图像的第一样本图像特征，第一样本图像中包括预先标记的第一样本异常区域。通过辅助任务网络，基于第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定第一预测异常区域与第一样本异常区域之间的第一差异度。通过主任务网络，基于第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度，第一样本图像和第二样本图像为在不同时刻采集的目标身体部位的图像。
145.判断第一差异度和第二差异度是否满足预设条件，若是，则停止训练，将当前迭代过程中的共享网络、主任务网络和辅助任务网络组成的候选区域预测模型，作为目标区域预测模型。否则，基于第一差异度和第二差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整，并基于调整参数后的共享网络、主任务网络和辅助任务网络进入下一次的迭代过程。
146.本技术实施例中，当第一差异度和第二差异度是否满足预设条件时，说明候选区域预测模型基本拟合训练数据，即候选区域预测模型中的主任务网络和辅助任务网络的预测能力达到了一定的要求，此时停止训练，并将最后一次迭代获得的候选区域预测模型，作为目标区域预测模型，可以保证目标区域预测模型的预测能力。
147.为了更好地解释本技术实施例，下面以预测脑出血区域在不同时刻的变化情况为例，介绍本技术实施例提供的一种图像处理方法。首先介绍训练获得目标区域预测模型的过程，具体包括以下步骤：
148.样本集准备：采集一个病人前后两次的脑部ct图像，第一次采集的脑部ct图像称为ct1，第二次采集的脑部ct图像称为ct2。两次脑部ct图像需满足以下条件：均为手术前拍
摄的，其间隔时间<24小时，出血类型为脑实质出血，图像没有明显伪影等。进一步地，分割标注出ct1和ct2中的脑出血区域，构成数据对(ct1，ct1 mask，ct2 mask)，其中，ct1 mask表示标注出脑出血区域的ct1，ct2 mask表示标注出脑出血区域的ct2，ct1 mask和ct2 mask具体如图7所示，其中，ct1 mask中包括脑出血区域701，ct2 mask包括脑出血区域702。
149.数据预处理：由于ct设备不同以及医生操作带来的差异，ct1和ct2可能会有不同的层数、层厚、扫描区域、角度等。因此，需要将ct1与ct2尽可能对齐，并去除非病灶本身发展引起的图像变化，具体包括三个部分：
150.第一、去除干扰区域。利用图像裁剪方法将脑部ct图像中除脑组织以外的区域去除，其中包括去除头部以外的区域以及去骨两部分。
151.第二、图像配准。利用图像配准技术，将ct1与ct2配准至同一角度，使得病灶的位置对齐。
152.第三、图像标准化处理。将所有图像重采样至同一层厚，并通过末端填零和裁剪的方法将所有图像统一到固定尺寸。将图像进行标准化，并将其值域映射至
‑
1到1的范围内。
153.模型初始化：采用随机初始化方式对区域预测模型进行初始化。
154.模型训练：基于多任务学习，对初始化的区域预测模型进行多次迭代训练，获得目标区域预测模型。区域预测模型的结构如图8所示，区域预测模型包括共享网络、主任务网络和辅助任务网络，其中，共享网络包括输入层(input)、编码器(encoder)、转化层(embedding)。辅助任务网络包括第一解码器(decoder1)、分割区域预测模块(segmentation prediction)和第一输出层。主任务网络包括第二解码器(decoder2)、血肿预测模块(hematoma prediction)和第二输出层。
155.在模型训练过程中，将ct1和ct1 mask输入初始化的区域预测模型，共享网络通过编码器和转换层，提取ct1和ct1 mask的图像特征。辅助任务网络通过第一解码器和分割区域预测模块，基于ct1和ct1 mask的图像特征，预测ct1中的脑出血区域。主任务网络通过第二解码器和血肿预测模块，基于ct1和ct1 mask的图像特征，预测ct2中的脑出血区域。
156.对于辅助任务网络，计算预先标记的ct1中的脑出血区域与预测获得的ct1中的脑出血区域之间的第一差异度。对于主任务网络，计算预先标记的ct2中的脑出血区域与预测获得的ct2中的脑出血区域之间的第二差异度。然后通过第一差异度和第二差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整。
157.每次迭代过程结束后，对应获得一个候选区域预测模型。多次迭代过程结束后，候选区域预测模型基本拟合训练数据。然后基于验证样本集，分别对多个候选区域预测模型中的主任务网络进行验证，获得多个候选区域预测模型分别对应的性能参数值，然后将多个候选区域预测模型中，性能参数值满足预设条件的候选区域预测模型，作为目标区域预测模型。
158.模型测试：将ct1输入目标区域预测模型，目标区域预测模型中的主任务网络输出预测获得的ct2。拍摄的ct2和预测获得的ct2如图9所示，其中，拍摄的ct2中包括预先标记的脑出血区域为901，预测获得的ct2中包括预测获得的脑出血区域为902。通过比较预先标记的脑出血区域901与预测获得的脑出血区域902可知，预先标记的脑出血区域901与预测获得的脑出血区域902基本相同，则可以得出目标区域预测模型预测脑出血区域的变化情况的预测能力较强。
159.在训练获得目标区域预测模型之后，将目标区域预测模型应用于预测脑出血区域的变化情况。具体地，获取目标患者在当前时刻的脑部ct图像(ct3)，其中，ct3中包括当前时刻的脑部出血区域。将ct3输入目标区域预测模型，目标区域预测模型中的主任务网络输出目标患者在24小时后的脑部ct图像(ct4)，其中，ct4中包括24小时之后的脑部出血区域。
160.本技术实施例中，对于脑出血问题，利用多任务学习中不同任务之间的相互作用，帮助隐含层逃离局部极小值，使得目标区域预测模型学习到更优的预测能力。同时，多个任务通过共享浅层参数，降低目标区域预测模型的过拟合程度，提升模型的泛化能力，也提高基于当前时间采集的ct影像，预测脑出血区域未来形态的准确率，给医生对病人病情发展的判断提供更有价值的参考。
161.本技术实施例还提供了一种训练区域预测模型的方法的流程，该方法的流程可以由图1所示的终端设备101或服务器102执行，具体包括：基于多任务学习，对初始化的区域预测模型进行多次迭代训练，获得目标区域预测模型，其中，区域预测模型包括共享网络、主任务网络和辅助任务网络，在每次迭代过程中，执行以下操作：
162.通过共享网络提取第一样本图像的第一样本图像特征，其中，第一样本图像中包括预先标记的第一样本异常区域。通过辅助任务网络，基于第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定第一预测异常区域与第一样本异常区域之间的第一差异度。通过主任务网络，基于第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度，其中，第一样本图像和第二样本图像为在不同时刻采集的目标身体部位的图像。基于第一差异度和第二差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整。
163.本技术实施例中，由于主任务和辅助任务的学习目标是不相同的，故主任务和辅助任务的局部极小值处于不同的位置。通过主任务和辅助任务之间的相互作用可以帮助主任务逃离局部极小值，从而提高目标区域预测模型的预测能力。同时，主任务和辅助任务共享浅层参数，故降低目标区域预测模型的过拟合程度，提高模型的泛化能力，从而提高预测异常区域在不同时刻的变化情况的准确性，给医生提供更有价值的治疗方案参考。
164.可选地，基于第一差异度和第二差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整时，本技术实施例至少提供了以下两种实施方式：
165.实施方式一、基于第一差异度，对辅助任务网络进行参数调整。基于第二差异度，对主任务网络进行参数调整。根据第一差异度和所述第二差异度，确定综合差异度，然后基于综合差异度，对共享网络进行参数调整。
166.本技术实施例中，基于第一差异度和第二差异度，分别优化辅助任务网络的参数和主任务网络的参数，不断提高辅助任务网络和主任务网络的预测能力。基于第一差异度和第二差异度联合优化共享网络的参数，使主任务网络和辅助任务网路的学习过程相互影响、相互补充，从而提高训练获得的目标区域预测模型的预测能力和泛化能力。
167.实施方式二、根据第一差异度和所述第二差异度，确定综合差异度，然后基于综合差异度，分别对共享网络、主任务网络和辅助任务网络进行参数调整。
168.本技术实施例中，基于第一差异度和第二差异度联合优化共享网络、主任务网络和辅助任务网络的参数，使主任务网络和辅助任务网路的学习过程相互影响、相互补充，从
而提高训练获得的目标区域预测模型的预测能力和泛化能力。
169.可选地，每次迭代过程结束后，对应获得一个候选区域预测模型。多次迭代过程结束后，基于验证样本集从多个候选区域预测模型中，确定目标区域预测模型。
170.具体地，基于验证样本集，分别对多个候选区域预测模型进行验证，获得多个候选区域预测模型分别对应的性能参数值，然后将多个候选区域预测模型中，性能参数值满足预设条件的候选区域预测模型，作为目标区域预测模型。
171.本技术实施例中，由于多次迭代过程结束后，并不一定是最后一次迭代获得的候选区域预测模型为性能最优的候选区域预测模型，而通过验证样本集，分别对多个候选区域预测模型进行验证，可以获得性能最优的候选区域预测模型。将性能最优的候选区域预测模型作为目标区域预测模型，能有效提高预测异常区域在不同时刻的变化情况的准确性，从而给医生提供更有价值的治疗方案参考。
172.基于相同的技术构思，本技术实施例提供了一种图像处理装置的结构示意图，如图10所示，该装置1000包括：
173.获取模块1001，用于获取目标身体部位在第一时刻的待处理图像，所述待处理图像中包括所述目标身体部位的第一目标异常区域；
174.处理模块1002，用于提取所述待处理图像的图像特征，并基于所述待处理图像的图像特征，获得所述目标身体部位在第二时刻的预测图像，所述预测图像中包括与所述第一目标异常区域关联的第二目标异常区域。
175.可选地，所述处理模块1002具体用于：
176.通过已训练的目标区域预测模型，提取所述待处理图像的图像特征，并基于所述待处理图像的图像特征，获得所述目标身体部位在第二时刻的预测图像，所述目标区域预测模型是基于多任务学习，对初始化的区域预测模型进行多次迭代训练获得的。
177.可选地，所述区域预测模型包括共享网络、主任务网络和辅助任务网络；
178.所述处理模块1002具体用于：
179.通过共享网络提取第一样本图像的第一样本图像特征，所述第一样本图像中包括预先标记的第一样本异常区域；
180.通过辅助任务网络，基于所述第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定所述第一预测异常区域与所述第一样本异常区域之间的第一差异度；
181.通过主任务网络，基于所述第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定所述第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度，所述第一样本图像和所述第二样本图像为在不同时刻采集的目标身体部位的图像；
182.基于所述第一差异度和所述第二差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
183.可选地，所述处理模块1002具体用于：
184.基于所述第一差异度，对所述辅助任务网络进行参数调整；
185.基于所述第二差异度，对所述主任务网络进行参数调整；
186.根据所述第一差异度和所述第二差异度，确定综合差异度；
187.基于所述综合差异度，对所述共享网络进行参数调整。
188.可选地，所述处理模块1002具体用于：
189.根据所述第一差异度和所述第二差异度，确定综合差异度；
190.基于所述综合差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
191.可选地，还包括选择模块1002；
192.所述选择模块1002具体用于：
193.每次迭代过程结束后，对应获得一个候选区域预测模型；
194.多次迭代过程结束后，基于验证样本集从多个候选区域预测模型中，确定目标区域预测模型。
195.可选地，所述选择模块1002具体用于：
196.基于所述验证样本集，分别对所述多个候选区域预测模型进行验证，获得所述多个候选区域预测模型分别对应的性能参数值；
197.将所述多个候选区域预测模型中，性能参数值满足预设条件的候选区域预测模型，作为目标区域预测模型。
198.本技术实施例中，基于目标身体部位在第一时刻的待处理图像的图像特征，自动预测目标身体部位在第二时刻的预测图像，同时获得待处理图像中的第一目标异常区域在预测图像中对应的第二目标异常区域，而不需要由人工判断异常区域在不同时刻的变化情况，从而大大降低对个人经验的依赖，同时提高了预测准确性以及预测效率。在多任务学习中，不同任务的局部极小值处于不同的位置。通过相互作用可以帮助隐含层逃离局部极小值，使得目标区域预测模型学习到更优的预测能力。同时，多个任务通过共享浅层参数，降低了目标区域预测模型的过拟合程度，从而提高模型的泛化能力，进而提高预测异常区域在不同时刻的变化情况的准确性，给医生提供更有价值的治疗方案参考。
199.基于相同的技术构思，本技术实施例提供了一种训练区域预测模型的装置的结构示意图，如图11所示，该装置1100包括：
200.模型训练模块1101，用于基于多任务学习，对初始化的区域预测模型进行多次迭代训练，获得目标区域预测模型，所述区域预测模型包括共享网络、主任务网络和辅助任务网络；
201.所述模型训练模块1101包括特征提取模块1102、第一预测模块1103、第二预测模块1104和参数调整模块1105；
202.所述特征提取模块1102，用于通过共享网络提取第一样本图像的第一样本图像特征，所述第一样本图像中包括预先标记的第一样本异常区域；
203.所述第一预测模块1103，用于通过辅助任务网络，基于所述第一样本图像特征，获得包括第一预测异常区域的第一预测图像，并确定所述第一预测异常区域与所述第一样本异常区域之间的第一差异度；
204.所述第二预测模块1104，通过主任务网络，基于所述第一样本图像特征，获得包括第二预测异常区域的第二预测图像，并确定所述第二预测异常区域与第二样本图像中预先标记的第二样本异常区域之间的第二差异度，所述第一样本图像和所述第二样本图像为在不同时刻采集的目标身体部位的图像；
205.所述参数调整模块1105，用于基于所述第一差异度和所述第二差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
206.可选地，所述参数调整模块1105具体用于：
207.基于所述第一差异度，对所述辅助任务网络进行参数调整；
208.基于所述第二差异度，对所述主任务网络进行参数调整；
209.根据所述第一差异度和所述第二差异度，确定综合差异度；
210.基于所述综合差异度，对所述共享网络进行参数调整。
211.可选地，所述参数调整模块1105具体用于：
212.根据所述第一差异度和所述第二差异度，确定综合差异度；
213.基于所述综合差异度，分别对所述共享网络、所述主任务网络和所述辅助任务网络进行参数调整。
214.可选地，所述模型训练模块1101还包括筛选模块1106；
215.所述筛选模块1106具体用于：
216.每次迭代过程结束后，对应获得一个候选区域预测模型；
217.多次迭代过程结束后，基于验证样本集从多个候选区域预测模型中，确定目标区域预测模型。
218.可选地，所述筛选模块1106具体用于：
219.基于所述验证样本集，分别对所述多个候选区域预测模型进行验证，获得所述多个候选区域预测模型分别对应的性能参数值；
220.将所述多个候选区域预测模型中，性能参数值满足预设条件的候选区域预测模型，作为目标区域预测模型。
221.本技术实施例中，由于主任务和辅助任务的学习目标是不相同的，故主任务和辅助任务的局部极小值处于不同的位置。通过主任务和辅助任务之间的相互作用可以帮助主任务逃离局部极小值，从而提高目标区域预测模型的预测能力。同时，主任务和辅助任务共享浅层参数，故降低目标区域预测模型的过拟合程度，提高模型的泛化能力，从而提高预测异常区域在不同时刻的变化情况的准确性，给医生提供更有价值的治疗方案参考。
222.基于相同的技术构思，本技术实施例提供了一种计算机设备，如图12所示，包括至少一个处理器1201，以及与至少一个处理器连接的存储器1202，本技术实施例中不限定处理器1201与存储器1202之间的具体连接介质，图12中处理器1201和存储器1202之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
223.在本技术实施例中，存储器1202存储有可被至少一个处理器1201执行的指令，至少一个处理器1201通过执行存储器1202存储的指令，可以执行上述图像处理方法或上述训练区域预测模型的方法中所包括的步骤。
224.其中，处理器1201是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器1202内的指令以及调用存储在存储器1202内的数据，从而图像处理或者训练区域预测模型。可选的，处理器1201可包括一个或多个处理单元，处理器1201可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1201中。在一些实施例中，处理器1201和存储器
1202可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
225.处理器1201可以是通用处理器，例如中央处理器(cpu)、数字信号处理器、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列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，可以实现或者执行本技术实施例中公开的各方法、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处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
226.存储器1202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1202可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(random access memory，ram)、静态随机访问存储器(static random access memory，sram)、可编程只读存储器(programmable read only memory，prom)、只读存储器(read only memory，rom)、带电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，eeprom)、磁性存储器、磁盘、光盘等等。存储器1202是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本技术实施例中的存储器1202还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
227.基于同一发明构思，本技术实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当程序在计算机设备上运行时，使得计算机设备执行上述图像处理方法或上述训练区域预测模型的方法的步骤。
228.本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
229.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
230.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
231.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
232.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
233.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。