肺癌放疗时急性放射性食管炎毒性预警的装置及方法与流程

1.本发明是关于机器学习领域，特别是关于一种肺癌放疗时急性放射性食管炎毒性预警的装置及方法。


背景技术：

2.肺癌是中国乃至世界最为普遍的、致死率最高的恶性肿瘤，严重影响了人民的生活健康质量。大多数肺癌出现症状时已经处于中晚期，70％的肺癌患者在治疗的不同阶段均需要放射治疗(放疗)的参与。在放疗时，急性放射性食管炎是肺癌放疗时出现的毒副作用，严重影响了患者放疗时和/或放疗后的生活质量。
3.得益于医学影像技术和机器学习算法的长足进步，近年来影像组学在急性放射性食管炎的预测已有应用，其基于治疗前ct影像和食管轮廓高通量地提取的多维度食管区域的影像学特征，通过相关性、冗余性分析筛选出特异性特征，采用机器学习建模算法构建急性放射性食管炎毒性预测模型。同时，临床常用的剂量直方图(dose volume histo gram-dvh)参数，用于分析感兴趣区域的一维剂量统计信息，也常被用于毒性的预测。此外，借助于影像组学特征提取方法，基于3d剂量分布计算的剂量学特征，即剂量组学特征，其用于表征剂量的高纬度纹理信息，可以更好的识别感兴趣区域的差异性剂量学信息，也可以用于放疗毒性的预测。通过上述各组学数据建立的预测模型，可以更准确地识别出高风险患者，以提前给患者和医生预警并给与医疗关注，最终消除或降低毒性作用的严重程度，为临床管理和治疗提供技术支持。
4.然而，现有研究使用的病例数据关注了单一放疗技术(例如旋转调强放疗技术(volumetric modulationarc therapy
–
vmat)，适型调强放疗(comfort radiationtherapycrt))或者两种治疗技术融合的病例数据，而专门针对静态野调强放疗技术治疗(intensity modulated radiation therapy，imrt)的数据还没有相关分析。不同的放疗技术形成不同的剂量分布，危及器官对不同剂量分布的毒性反应存在差异性。因此，针对imrt放疗技术的肺癌患者需要单独分析，以建立鲁棒的、稳定的预警模型。
5.公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。


技术实现要素：

6.本发明的目的在于提供一种肺癌放疗时急性放射性食管炎毒性预警的方法及应用，解决如何筛选出鲁棒的、可在现的特征；如何建立迁移性高、鲁棒性强的急性放射性食管炎预警模型的问题。
7.为实现上述目的，本发明的实施例提供了一种肺癌放疗时急性放射性食管炎毒性预警的方法。
8.在本发明的一个或多个实施方式中，所述方法包括：获取样本训练集和验证集，其中，所述样本训练集和验证集分别包括若干组ct影像、三维剂量数据、轮廓文件；对所述样
本训练集中的ct影像、三维剂量数据、轮廓文件进行多组学特征提取并筛选差异性特征集，其中，所述多组学特征包括影像组学、剂量组学、dvh参数中的至少一种；以及根据所述差异性特征集和岭回归分类算法构建预警模型。
9.在本发明的一个或多个实施方式中，对所述样本训练集中的ct影像、三维剂量数据、轮廓文件进行多组学特征提取并筛选差异性特征集，包括：按照预设条件对所述样本训练集进行随机重采样；将随机重采样后标准差为0的特征删除，并对所述样本训练集中剩余的特征进行f检验，以得到对应的p值；判断所述p值是否大于第一阈值；若是，保留所述特征至特征集。
10.在本发明的一个或多个实施方式中，所述方法还包括：将所述特征集中的特征按照出现次数由高至低排序，并从排序后的特征集中获取预设比例的特征作为保留特征；根据皮尔森相关性对所述保留特征进行分析，并判断皮尔森相关系数是否不小于第二阈值；若是，保留所述保留特征中频次高的特征；以及按照预设次数进行交叉验证，以获取最优特征集。
11.在本发明的一个或多个实施方式中，所述方法还包括：根据岭回归分类算法和所述最优特征集对所述样本训练集和样本验证集进行交叉验证训练所述预警模型，并得到验证评分；根据所述验证评分获取最佳超参数，并通过最大化预测能力方式确定最终最优特征集；以及根据所述最佳超参数和所述最终最优特征集计算所述预警模型评分。
12.在本发明的一个或多个实施方式中，所述通过最大化预测能力方式确定最终最优特征集，包括：获取所述样本训练集中平均auc最大的特征，作为组合特征；获取所述最优特征集中的任意一个非组合特征的特征，并与所述组合特征进行组合形成新组合特征；按照预设次数对所述新组合特征进行交叉验证，并更新所述组合特征为当前训练集中平均auc最大的组合特征；以及在所述交叉验证结束后，将训练集中平均auc最大的组合特征作为最终最优特征集。
13.在本发明的一个或多个实施方式中，所述方法还包括：将所述ct影像、所述三维剂量数据和所述轮廓文件转换成mha格式；以及将所述ct影像、所述三维剂量数据按照预设的分辨率进行重采样。
14.在本发明的一个或多个实施方式中，所述预警模型以诺莫图的形式展示。
15.在本发明的另一个方面当中，提供了一种肺癌放疗时急性放射性食管炎毒性预警装置，其包括获取模块、特征提前模块和构建模块。
16.获取模块，用于获取样本训练集和验证集，其中，所述样本训练集和验证集分别包括若干组ct影像、三维剂量数据、轮廓文件。
17.特征提取模块，用于对所述样本训练集中的ct影像、三维剂量数据、轮廓文件进行多组学特征提取并筛选差异性特征集，其中，所述多组学特征包括影像组学、剂量组学、dvh参数中的至少一种。
18.构建模块，用于根据所述差异性特征集和岭回归分类算法构建预警模型。
19.在本发明的一个或多个实施方式中，所述特征提取模块还用于：按照预设条件对所述样本训练集进行随机重采样；将随机重采样后标准差为0的特征删除，并对所述样本训练集中剩余的特征进行f检验，以得到对应的p值；判断所述p值是否大于第一阈值；若是，保留所述特征至特征集。
20.在本发明的一个或多个实施方式中，所述特征提取模块还用于：将所述特征集中的特征按照出现次数由高至低排序，并从排序后的特征集中获取预设比例的特征作为保留特征；根据皮尔森相关性对所述保留特征进行分析，并判断皮尔森相关系数是否不小于第二阈值；若是，保留所述保留特征中频次高的特征；以及按照预设次数进行交叉验证，以获取最优特征集。
21.在本发明的一个或多个实施方式中，所述构建模块还用于：根据岭回归分类算法和所述最优特征集对所述样本训练集和样本验证集进行交叉验证训练所述预警模型，并得到验证评分；根据所述验证评分获取最佳超参数，并通过最大化预测能力方式确定最终最优特征集；以及根据所述最佳超参数和所述最终最优特征集计算所述预警模型评分。
22.在本发明的一个或多个实施方式中，所述特征提取模块还用于：获取所述样本训练集中平均auc最大的特征，作为组合特征；获取所述最优特征集中的任意一个非组合特征的特征，并与所述组合特征进行组合形成新组合特征；按照预设次数对所述新组合特征进行交叉验证，并更新所述组合特征为当前训练集中平均auc最大的组合特征；以及在所述交叉验证结束后，将训练集中平均auc最大的组合特征作为最终最优特征集。
23.在本发明的一个或多个实施方式中，所述特征提取模块还用于：将所述ct影像、所述三维剂量数据和所述轮廓文件转换成mha格式；以及将所述ct影像、所述三维剂量数据按照预设的分辨率进行重采样。
24.在本发明的另一个方面当中，提供了一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的肺癌放疗时急性放射性食管炎毒性预警的方法。
25.在本发明的另一个方面当中，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所述的肺癌放疗时急性放射性食管炎毒性预警的方法的步骤。
26.与现有技术相比，根据本发明实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法及应用，其能够采用放疗多组学特征(影像组学、剂量组学和dvh参数)，全面的识别差异性特征，并结合重复采样方法筛选出稳定的、可再现的特征集，通过该特征集构建的肺癌急性放射性食管炎预警模型不仅精确性高，而且稳定性、可迁移性也强。
附图说明
27.图1是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法的流程图；
28.图2是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法的示意图；
29.图3是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法的模型建模和特征选择流程图；
30.图4是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法的结构图；
31.图5是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法的最终最优特征集筛选流程图；
32.图6是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法的预警模型诺莫图；
33.图7是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的装置的结构图；
34.图8是根据本发明一实施方式的肺癌放疗时急性放射性食管炎毒性预警的计算设备的硬件结构图。
具体实施方式
35.下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
36.除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
37.以下结合附图，详细说明本发明各实施例提供的技术方案。
38.实施例1
39.如图1至图6所示，介绍本发明的一个实施例中肺癌放疗时急性放射性食管炎毒性预警的方法，该方法包括如下步骤。
40.在步骤s101中，获取样本训练集和验证集。
41.筛选出肺癌患者中进行放疗的患者信息，并有策略地且随机地分为训练集和验证集，筛选条件：1、病理结果诊断为肺癌，2、首次进行胸部放射治疗，3、年龄在18-70岁之间，4、无转移病灶，5、既往没有患有胸部恶性肿瘤，6、接受完整的放射治疗流程，7、有完整的临床记录、治疗记录等必要信息。
42.收集筛选患者的放疗数据，具体包括：计划ct影像、三维剂量数据、轮廓文件和临床信息，计划ct影像、三维剂量数据和轮廓文件都可以从放射治疗计划系统中导出为dicom文件，其中计划ct影像是16排大孔径扫描ct，扫描层厚为3mm，每层分辨率为1.152*1.152mm，像素点为512*512；三维剂量数据的计算网格为3*3mm；食管轮廓是通过危及器官自动勾画系统生成的食管轮廓。
43.上述信息还需进行数据预处理，从放射治疗计划系统中导出的计划ct影像和三维剂量数据的dicom文件需要转换为mha格式文件；轮廓dicom文件转换成mha的掩码数据，用于满足特征提取时数据输入的格式要求。为了保持特征数据的一致性，ct影像和三维剂量数据均重采样为1*1*1mm分辨率的数据。
44.在步骤s102中，对样本训练集中的ct影像、三维剂量数据、轮廓文件进行多组学特征提取并筛选差异性特征集。
45.使用预处理好的mha格式文件和pyradiomics(开源的python软件包，用于从医学影像中提取出医学影像组学特征)提取影像组学、剂量组学和dvh参数。影像组学特征包括1个原始ct影像、11个变换ct影像(3个高斯拉普拉斯滤波器和8个小波变换滤波器)，并使用[20，30，40，50，80，100，150，200，250，300]共10个箱子数目，在所有影像下包括形态学特征、一阶统计和纹理特征总共提取8990个影像组学特征。dvh参数包括平均剂量、最大剂量、dx和vx，剂量组学特征只使用原始剂量影像，提取形态学特征、一阶统计和纹理特征，共提
取213个dvh参数和剂量组学特征。
[0046]
使用重复采样方式筛选出鲁棒的、可再现的特征，如图3(a)所示。在本实施例中，对患者信息进行100次70％的随机重复采样，将采样后的数据中标准差为0的特征删除，并对患者信息中剩余的特征进行f检验，以得到对应的p值，将p值大于0.1的特征作为保留特征并放至特征集，此时特征集记为gi＝[f
1 f
2 f3…fi
]，则100次随机重复采样后形成的特征集记为：
[0047][0048]
分析100次随机重复采样过程中保留特征的出现次数，将特征集中的特征按照出现次数由高至低排序，并保留排序前10％的特征(最少10个特征),g
freq
＝[f
1 f
2 f3…fk
](k≥10)；根据皮尔森相关性(用来反映两个变量之间的线性相关程度，r值介于-1到1之间，绝对值越大表明相关性越强)对上述特征进行分析，并判断皮尔森相关系数(r)是否不小于0.5，r《0.5为特征之间不相关，否则特征之间相关，仅保留频次高的特征。进行20次5折交叉验证，以找到验证结果最好的特征集合，即最优特征集。最后，经过筛选后的最佳特征集包括：
[0049]
[0050][0051]
在步骤s103中，根据差异性特征和岭回归分类算法构建预警模型。
[0052]
在预警模型训练中，将所有患者数据随机分为训练集和验证集，根据岭回归分类算法和最佳特征集建立预警模型。
[0053]
岭回归分类算法是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法。
[0054]
一般线性回归是最小二乘法回归，残差计算是平方误差项。岭回归(ridge regression)是在平方误差的基础上增加正则项，通过确定的值可以使得在方差和偏差之间达到平衡。
[0055]
实施例2
[0056]
在步骤s201中，获取样本训练集和验证集。
[0057]
获取样本训练集和验证集，具体包括：计划ct影像、三维剂量数据、轮廓文件，计划ct影像、三维剂量数据和轮廓文件都可以从放射治疗计划系统中导出为dicom文件，其中计划ct影像是16排大孔径扫描ct，扫描层厚为3mm，每层分辨率为1.152*1.152mm，像素点为
512*512；三维剂量数据的计算网格为3*3mm；食管轮廓是通过危及器官自动勾画系统生成的食管轮廓。
[0058]
上述信息还需进行数据预处理，从放射治疗计划系统中导出的治疗前计划ct影像和三维剂量数据的dicom文件需要转换为mha格式文件；轮廓dicom文件转换成mha的掩码数据，用于满足特征提取时数据输入的格式要求。为了保持特征数据的一致性，ct影像和三维剂量数据均重采样为1*1*1mm分辨率的数据。
[0059]
在步骤s202中，对样本训练集中的ct影像、三维剂量数据、轮廓文件进行多组学特征提取并筛选差异性特征集。
[0060]
使用预处理好的mha格式文件和pyradiomics(开源的python软件包，用于从医学影像中提取出医学影像组学特征)提取影像组学、剂量组学和dvh参数。影像组学特征包括1个原始ct影像、11个变换ct影像(3个高斯拉普拉斯滤波器和8个小波变换滤波器)，并使用[20，30，40，50，80，100，150，200，250，300]共10个箱子数目，在所有影像下包括形态学特征、一阶统计和纹理特征总共提取8990个影像组学特征。dvh参数包括平均剂量、最大剂量、dx和vx，剂量组学特征只使用原始剂量影像，提取形态学特征、一阶统计和纹理特征，共提取213个dvh参数和剂量组学特征。
[0061]
使用重复采样方式筛选出鲁棒的、可再现的特征。在本实施例中，对患者信息进行100次70％的随机重复采样，将采样后的数据中标准差为0的特征删除，并对患者信息中剩余的特征进行f检验，以得到对应的p值，将p值大于0.1的特征作为保留特征并放至特征集，此时特征集记为gi＝[f
1 f
2 f3…fi
]，则100次随机重复采样后形成的特征集记为：
[0062][0063]
分析100次随机重复采样过程中保留特征的出现次数，将特征集中的特征按照出现次数由高至低排序，并保留排序前10％的特征(最少10个特征),g
freq
＝[f
1 f
2 f3…fk
](k≥10)；根据皮尔森相关性(用来反映两个变量之间的线性相关程度，r值介于-1到1之间，绝对值越大表明相关性越强)对上述特征进行分析，并判断皮尔森相关系数(r)是否不小于0.5，r《0.5为特征之间不相关，否则特征之间相关，仅保留频次高的特征。进行20次5折交叉验证，以找到验证结果最好的特征集合，即最优特征集。
[0064]
在步骤s203中，根据差异性特征和岭回归分类算法构建预警模型。
[0065]
在预警模型训练中，将所有患者数据随机分为训练集和验证集，根据岭回归分类算法和最佳特征集建立预警模型。
[0066]
岭回归分类算法是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法。
[0067]
一般线性回归是最小二乘法回归，残差计算是平方误差项。岭回归(ridge regression)是在平方误差的基础上增加正则项，通过确定的值可以使得在方差和偏差之
间达到平衡。
[0068]
在步骤s204中，通过评估参数验证预警模型的性能。
[0069]
使用5个评估参数：auc、准确率、精确率、召回率和f1参数，分别在训练集和验证集评估模型性能。
[0070]
具体的，最优特征集通过最大化预测能力方式确定最终最优特征集，具体流程如下：获取训练集中平均auc最大的特征，作为组合特征；获取最优特征集中的任意一个非组合特征的特征，并与组合特征进行组合形成新组合特征；对新组合特征进行30次交叉验证，并更新组合特征为当前训练集中平均auc最大的组合特征，在交叉验证结束后，将训练集中平均auc最大的组合特征作为最终最优特征集。
[0071]
根据最终最优特征集和10折分层交叉验证该预警模型，根据交叉验证评分获取最佳的超参数，使用最终最优特征集合训练的回归分类模型可表示为：其中，rad
score
为模型预测得分，αi是第i个特征fi的系数，α0是一个常数，在本实施例中，αi＝[α
0 α1ꢀ…ꢀ
α
15
]＝[-0.06891，0.017437062，-0.069632178，0.097855089，-0.077443965，-0.093201475，-0.035023266，-0.019268663，-0.116426496，-0.043866188，-0.064786899，0.049779213，0.060721019，-0.095199327，-0.065127207，-0.05384481]。最优的模型最后在训练集上和验证集上分别得到对应的评估分数。
[0072]
采用放疗多组学特征(影像组学、剂量组学和dvh参数)，全面的识别差异性特征，并结合重复采样方法筛选出稳定的、可再现的特征集，通过该特征集构建的肺癌急性放射性食管炎预警模型可以在患者治疗前对高风险的急性放射性发病患者发出预警，让患者和医生提前关注并给予医疗关注，以减弱或消除急性放射性食管炎，以提升肺癌患者在放射治疗时或愈后的生活质量。
[0073]
如图7所示，介绍根据本发明具体实施方式的肺癌放疗时急性放射性食管炎毒性预警的装置。
[0074]
在本发明的实施方式中，肺癌放疗时急性放射性食管炎毒性预警的装置包括获取模块701、特征提取模块702和构建模块703。
[0075]
获取模块701，用于获取样本训练集和验证集，其中，样本训练集和验证集分别包括若干组ct影像、三维剂量数据、轮廓文件。
[0076]
特征提取模块702，用于对样本训练集中的ct影像、三维剂量数据、轮廓文件进行多组学特征提取并筛选差异性特征集，其中，多组学特征包括影像组学、剂量组学、dvh参数中的至少一种。
[0077]
构建模块703，用于根据差异性特征集和岭回归分类算法构建预警模型。
[0078]
特征提取模块702还用于：按照预设条件对样本训练集进行随机重采样；将随机重采样后标准差为0的特征删除，并对样本训练集中剩余的特征进行f检验，以得到对应的p值；判断p值是否大于第一阈值；若是，保留特征至特征集。
[0079]
特征提取模块702还用于：将特征集中的特征按照出现次数由高至低排序，并从排序后的特征集中获取预设比例的特征作为保留特征；根据皮尔森相关性对保留特征进行分析，并判断皮尔森相关系数是否不小于第二阈值；若是，保留保留特征中频次高的特征；以
及按照预设次数进行交叉验证，以获取最优特征集。
[0080]
构建模块703还用于：根据岭回归分类算法和最优特征集对样本训练集和样本验证集进行交叉验证训练预警模型，并得到验证评分；根据验证评分获取最佳超参数，并通过最大化预测能力方式确定最终最优特征集；以及根据最佳超参数和最终最优特征集计算预警模型评分。
[0081]
特征提取模块702还用于：获取样本训练集中平均auc最大的特征，作为组合特征；获取最优特征集中的任意一个非组合特征的特征，并与组合特征进行组合形成新组合特征；按照预设次数对新组合特征进行交叉验证，并更新组合特征为当前训练集中平均auc最大的组合特征；以及在交叉验证结束后，将训练集中平均auc最大的组合特征作为最终最优特征集。
[0082]
特征提取模块702还用于：将ct影像、三维剂量数据和轮廓文件转换成mha格式；以及将ct影像、三维剂量数据按照预设的分辨率进行重采样。
[0083]
图8示出了根据本说明书的实施例的用于肺癌放疗时急性放射性食管炎毒性预警的计算设备80的硬件结构图。如图8所示，计算设备80可以包括至少一个处理器801、存储器802(例如非易失性存储器)、内存803和通信接口804，并且至少一个处理器801、存储器802、内存803和通信接口804经由总线805连接在一起。至少一个处理器801执行在存储器802中存储或编码的至少一个计算机可读指令。
[0084]
应该理解，在存储器802中存储的计算机可执行指令当执行时使得至少一个处理器801进行本说明书的各个实施例中以上结合图1-8描述的各种操作和功能。
[0085]
在本说明书的实施例中，计算设备80可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(pda)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
[0086]
根据一个实施例，提供了一种比如机器可读介质的程序产品。机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本说明书的各个实施例中以上结合图1-8描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的指令。
[0087]
根据本发明实施方式的肺癌放疗时急性放射性食管炎毒性预警的方法及应用，其能够采用放疗多组学特征(影像组学、剂量组学和dvh参数)，全面的识别差异性特征，并结合重复采样方法筛选出稳定的、可再现的特征集，通过该特征集构建的肺癌急性放射性食管炎预警模型不仅精确性高，而且稳定性、可迁移性也强。
[0088]
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、系统、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。
[0089]
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。
[0090]
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。
[0091]
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。
[0092]
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。