一种肝脏淋巴瘤病灶勾画方法、系统及计算机可读介质

1.本发明涉及图像处理与计算机视觉技术领域，尤其涉及一种肝脏淋巴瘤病灶勾画方法、系统及计算机可读介质。


背景技术：

2.肝脏淋巴瘤是一种临床罕见病，原发性肝淋巴瘤占所有结外淋巴瘤的比例不到1％，病理类型以弥漫大b细胞淋巴瘤(dlbcl)最为常见。与其他肝癌和肝转移肿瘤相比，由于缺乏临床和影像学特异性，且发病机制未知，故肝脏淋巴瘤病灶容易误诊误治，目前亦无明确治疗方案推荐。由于ct具有比pet更高的空间分辨率和低廉的价格，因此，它经常被用作评估肝脏疾病严重程度的一种成像方式，尤其对于小体积的病灶。肝脏淋巴瘤的ct影像表现为孤立结节、多发低密度结节(肿块)或弥漫浸润型，其边界往往模糊，“血管漂浮征”是该病的特征性表现。因此，肝脏淋巴瘤的分割和勾画比其他类型的肝脏肿瘤都更加困难。现有技术中的肝脏淋巴瘤病灶勾画方法大都需要通过技术人员手动对病灶进行精确分割，然后，在此基础上完成肝脏疾病量的测量。
3.然而，现有技术中的肝脏淋巴瘤病灶勾画方法需要通过技术人员手动对病灶进行精确分割，从而导致该勾画方法存在步骤复杂的缺陷。
4.有鉴于此，有必要对现有技术中的肝脏淋巴瘤病灶勾画方法予以改进，以解决上述问题。


技术实现要素：

5.本发明的目的在于揭示一种肝脏淋巴瘤病灶勾画方法、系统及计算机可读介质，用于解决现有技术中的肝脏淋巴瘤病灶勾画方法所存在的诸多缺陷，尤其是为了实现通过特征模型直接映射于预先分割所形成的包含病灶的特征样本，以得到包含肝脏淋巴瘤病灶的影像组学特征，从而精确得到肝脏淋巴瘤病灶的勾画结果。
6.为实现上述目的，本发明提供了一种肝脏淋巴瘤病灶勾画方法，包括：
7.获取肝脏的正常ct图像集与异常ct图像集；
8.基于所述正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型；
9.将所述特征模型映射于预先分割所形成的包含病灶的特征样本，以根据所述特征样本所形成的映射灰度值确定所述特征样本中所包含肝脏淋巴瘤病灶的影像组学特征。
10.作为本发明的进一步改进，所述获取肝脏的正常ct图像集与异常ct图像集，包括：
11.获取正常腹部骨盆ct图像集与异常腹部骨盆ct图像集；
12.基于所述正常腹部骨盆ct图像集与异常腹部骨盆ct图像集分别确定包含完整肝脏的ct图像集，以分别作为健康肝脏的正常ct图像集与淋巴瘤病灶的异常ct图像集。
13.作为本发明的进一步改进，所述基于所述正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型，包括：
14.基于所述正常腹部骨盆ct图像集与异常腹部骨盆ct图像集确定正常初始图像集
与异常初始图像集；
15.对所述正常初始图像集与异常初始图像集进行预处理，分别得到正常ct图像集与异常ct图像集，以基于所述正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型。
16.作为本发明的进一步改进，所述对所述正常初始图像集与异常初始图像集进行预处理，包括：
17.对所述正常初始图像集与异常初始图像集执行三维中值滤波，分别得到三维中值滤波后的图像集；
18.将所述三维中值滤波后的图像集分别进行归一化操作，并勾画得到正常ct图像集与异常ct图像集。
19.作为本发明的进一步改进，所述基于所述正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型，包括：
20.将所述勾画得到正常ct图像集与异常ct图像集所分别包含的图像进行灰度特征运算以构建初始特征模型；
21.对初始特征模型进行优化处理，得到优化后的初始特征模型，以作为肝脏淋巴瘤病灶所对应的特征模型。
22.作为本发明的进一步改进，所述对所述初始特征模型进行优化处理，得到优化后的初始特征模型，包括：
23.将初始特征模型所对应的参数输入优化函数以计算出优化后的参数，并基于所述优化后的参数构建得到优化后的特征模型；
24.所述优化函数为：
[0025][0026][0027][0028]
其中，参数ftdv为肝脏的总疾病量(total disease volume-tdv)的估计值，参数tdv
t
为肝脏的总疾病量(total disease volume-tdv)的真实值，该真实值是由病灶的体积乘以正常人体的肝脏灰度均值与异常人体的肝脏灰度均值的差得到的，参数d(i(υ))为异常ct图像集所包含的图像，参数υ为肝脏的体素，参数i为异常ct图像集所包含的图像的灰度均值，参数a(υ)为肝脏的轮廓区域，参数md,sd为特征模型参数优化后的结果。
[0029]
作为本发明的进一步改进，所述预先分割所形成的包含病灶的特征样本基于u-net神经网络模型予以确定，包括如下逻辑：
[0030]
将所述正常ct图像集在u-net神经网络模型中训练，得到训练后的u-net神经网络模型；
[0031]
基于所述训练后的u-net神经网络模型对异常初始图像集进行分割，得到分割所形成的包含病灶的特征样本，所述特征样本为具淋巴瘤病灶的肝脏样本。
[0032]
作为本发明的进一步改进，所述将所述正常ct图像集在u-net神经网络模型中训练，得到训练后的u-net神经网络模型，包括：
[0033]
选取正常ct图像集作为样本集，所述样本集包括采用预设比例划分出的训练集、验证集以及测试集；
[0034]
将所述训练集输入u-net神经网络模型得到网络参数集；
[0035]
通过所述参数验证集对所述网络参数集进行参数验证，并在所述网络参数集满足验证通过条件使输出待测模型；
[0036]
将所述测试集输入所述待测模型进行模型验证，以得到训练后的u-net神经网络模型。
[0037]
作为本发明的进一步改进，所述将所述特征模型映射于预先分割所形成的包含病灶的特征样本，以根据所述特征样本所形成的映射灰度值确定所述特征样本中所包含肝脏淋巴瘤病灶的影像组学特征，包括：
[0038]
基于所述肝脏淋巴瘤病灶所对应的特征模型将分割所形成的包含病灶的特征样本所对应的ct图像灰度值映射至[0,1]，以得到特征样本中所包含肝脏淋巴瘤病灶的影像组学特征。
[0039]
作为本发明的进一步改进，所述得到影像组学特征之后，还包括：
[0040]
对所述影像组学特征进行勾画精度计算，以对影像组学特征进行评价；
[0041]
所述勾画精度的计算公式为：
[0042][0043]
其中，参数ftdv为肝脏的总疾病量(total disease volume-tdv)的估计值，参数tdv_t为肝脏的总疾病量(total disease volume-tdv)的真实值。
[0044]
基于相同发明思想，本发明还揭示了一种肝脏淋巴瘤病灶勾画系统，包括：
[0045]
获取模块，所述获取模块获取肝脏的正常ct图像集与异常ct图像集；
[0046]
构建模块，所述构建模块基于所述正常ct图像集与异常ct图像集构建肝脏淋巴瘤特征模型；
[0047]
映射模块，所述映射模块将所述特征模型映射于预先分割所形成的包含病灶的特征样本，以根据所述特征样本所形成的映射灰度值确定所述特征样本中所包含肝脏淋巴瘤病灶的影像组学特征。
[0048]
基于相同发明思想，本发明还揭示了一种计算机可读介质，包括：所述计算机可读介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行如前述任一项发明创造所揭示的肝脏淋巴瘤病灶勾画方法中的步骤。
[0049]
与现有技术相比，本发明的有益效果是：通过正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型，使该特征模型直接映射于预先分割所形成的包含病灶的特征样本，以得到包含肝脏淋巴瘤病灶的影像组学特征，从而精确得到肝脏淋巴瘤病灶的勾画结果。
附图说明
[0050]
图1为本发明一种肝脏淋巴瘤病灶勾画方法的整体流程图；
[0051]
图2为正常ct图像集在u-net神经网络模型中训练的详细步骤示意图；
[0052]
图3为本发明特征模型的构建示意图；
[0053]
图4为本发明肝脏淋巴瘤病灶自动勾画结果的示例图；
[0054]
图5为本发明一种肝脏淋巴瘤病灶勾画系统的整体拓扑图，其中，肝脏淋巴瘤病灶勾画系统被部署于一计算机系统中；
[0055]
图6为本发明一种计算机可读介质的拓扑图。
具体实施方式
[0056]
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
[0057]
在详细阐述本发明的实施例之前，对实施例中所涉及的主要技术术语及英文缩写的含义予以必要解释或者定义。
[0058]
u-net神经网络(convolutional networks for biomedical image segmentation，又称“为生物医学图像分割的卷积神经网络”)，适合用来作医学图像的分割。cavass(cava software system)是一种计算机辅助可视化与分析软件系统。min-max标准化是指对原始数据进行线性变换，将值映射到[0,1]。keras是一种用python编写的深度学习框架。api(application programming interface，又称“应用编程接口”)。
[0059]
在本实施方式中，请参图1至图4所示，图1为本发明所示出的一种肝脏淋巴瘤病灶勾画方法的步骤示意图，包括以下步骤s1至s3。
[0060]
步骤s1、获取肝脏的正常ct图像集与异常ct图像集。
[0061]
具体地，获取正常腹部骨盆ct图像集与异常腹部骨盆ct图像集。正常腹部骨盆ct图像集指身体健康的人体(以下简称“正常人体”)腹部骨盆区域的ct图像集，异常腹部骨盆ct图像集指罹患肝脏淋巴瘤的人体(以下简称“异常人体”)腹部骨盆区域的ct图像集。
[0062]
基于正常腹部骨盆ct图像集与异常腹部骨盆ct图像集分别确定包含完整肝脏的ct图像集，以分别作为健康肝脏的正常ct图像集与淋巴瘤病灶的异常ct图像集。包含完整肝脏的ct图像集是指从正常人体与异常人体的腹部骨盆区域的ct图像集中所提取的包含完整肝脏的腹部ct图像集。
[0063]
步骤s2、基于正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型。
[0064]
具体地，基于正常腹部骨盆ct图像集与异常腹部骨盆ct图像集确定正常初始图像集与异常初始图像集。利用cavass软件并依据肝脏解剖学定义手动提取含有完整肝脏的腹部ct三维切片数据，以分别得到正常初始图像集与异常初始图像集。
[0065]
对正常初始图像集与异常初始图像集进行预处理，分别得到正常ct图像集与异常ct图像集，以基于正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型。
[0066]
预处理包括两个步骤：
[0067]
步骤c301、对正常初始图像集与异常初始图像集执行三维中值滤波，分别得到三维中值滤波后的图像集。对正常初始图像集与异常初始图像集所对应的三维切片数据执行三维中值滤波。
[0068]
步骤c302、将三维中值滤波后的图像集分别进行归一化操作，并勾画得到正常ct图像集与异常ct图像集。对执行三维中值滤波后的正常初始图像集与异常初始图像集进行
归一化操作，以得到归一化操作后的正常初始图像集与异常初始图像集，再利用cavass软件手动勾画归一化操作后的正常初始图像集与异常初始图像集以分别得到正常ct图像集与异常ct图像集。该归一化操作采用min-max标准化，从而将正常初始图像集与异常初始图像集的映射灰度值限定在[0,1]。
[0069]
同时，将勾画得到正常ct图像集与异常ct图像集所分别包含的图像进行灰度特征运算以构建初始特征模型。构建初始肝脏淋巴瘤特征模型包括两个步骤：
[0070]
步骤g501、由正常ct图像集的统计信息得到正常人体肝脏灰度值的均值(即，参数μn)与标准差(即，参数σn)，由异常ct图像集的统计信息得到异常ct图像的灰度值的均值(即，参数μd)与标准差(即，参数σd)。
[0071]
步骤g502、利用前述正常ct图像集与异常ct图像集分别得到的肝脏灰度值的均值与标准差构建初始肝脏淋巴瘤特征模型。
[0072]
初始肝脏淋巴瘤特征模型计算公式如下：
[0073]
d(x)＝gd(x)-gn(x)；
[0074][0075]
其中，参数gd(x)表示异常人体肝脏的ct图像灰度分布函数，参数gn(x)表示正常人体肝脏的ct图像灰度分布高斯函数，参数x是异常人体肝脏ct图像的灰度值，参数μd与参数σd分别对应淋巴瘤病灶ct图像灰度值的均值与标准差。
[0076]
进一步地，对初始特征模型进行优化处理，得到优化后的初始特征模型，以作为肝脏淋巴瘤病灶所对应的特征模型。对初始特征模型的参数μ和参数σ进行最优估计，该最优估计是以所有异常人体肝脏中的淋巴瘤病灶总疾病量(total disease volume-tdv)的估计值与总疾病量(total disease volume-tdv)的真实值的差最小化为目标函数，以此估计参数μ和参数σ以得到优化后的特征模型。前述优化处理通过下述优化函数予以具体实现。
[0077]
将初始特征模型所对应的参数输入优化函数以计算出优化后的参数，并基于优化后的参数构建得到优化后的特征模型；
[0078]
前述优化处理通过优化函数予以实现，优化函数为：
[0079][0080][0081][0082]
其中，参数ftdv为肝脏的总疾病量(total disease volume-tdv)的估计值，参数tdv
t
为肝脏的总疾病量(total disease volume-tdv)的真实值，该真实值由病灶的体积乘以正常人体的肝脏灰度均值与异常人体的肝脏灰度均值的差得到的，参数d(i(υ))为异常ct图像集所包含的图像，参数υ为肝脏的体素，参数i为异常ct图像集所包含的图像的灰度均值，参数a(υ)为肝脏的轮廓区域，参数md,sd为特征模型参数优化后的结果。
[0083]
具体地，初始特征模型的优化方法采用最速下降法，计算公式如下：
[0084]
[0085]
其中，参数是f在x处沿ν的方向导数，参数近似给出f沿小的步径ν会发生的变化，参数ν为hessian范数，参数f(x)是目标函数，参数t为转置(transpose)，参数δx
nsd
表示下降最快的方位方向，该最速下降的方位方向是一个使f的线性近似下降最多的具有单位范数的步径。
[0086]
s3、将特征模型映射于预先分割所形成的包含病灶的特征样本，以根据特征样本所形成的映射灰度值确定特征样本中所包含肝脏淋巴瘤病灶的影像组学特征。利用正常ct图像集基于迁移学习技术自动勾画异常人体的肝脏区域(即，异常人体的肝脏ct图像)。特征模型建模过程如图3所示。
[0087]
具体地，预先分割所形成的包含病灶的特征样本基于u-net神经网络模型予以确定。特征样本基于u-net神经网络模型的确定过程包括步骤s301至s302。
[0088]
s301、将正常ct图像集在u-net神经网络模型中训练，得到训练后的u-net神经网络模型；基于训练后的u-net神经网络模型对异常初始图像集中的肝脏区域进行分割，得到分割所形成的包含病灶的特征样本，特征样本为具淋巴瘤病灶的肝脏样本。
[0089]
其中，通过使用keras深度学习api中的image data generator(图片增强器)来实现对正常ct图像集与异常ct图像集的增强，增强方法包括：旋转、平移、缩放及灰度变化，最后生成约100000张图片。
[0090]
首先，该用于训练u-net神经网络模型的计算机配置参数如下述表1所示。
[0091][0092][0093]
表1
[0094]
超参数设置如下：学习率设置为0.00001，batch size(一次训练所选取的样本数)设置为4，模型训练轮数为60epochs。使用adam(adaptive moment estimation)作为优化器，而知交叉熵为损失函数。dropout(丢弃率)设置为0.5。
[0095]
其次，参图2所示，正常ct图像集在u-net神经网络模型中训练包括如下步骤：
[0096]
s801、选取正常ct图像集作为样本集，样本集包括采用预设比例划分出的训练集、验证集以及测试集。样本集为优先采用的50个正常人体的肝脏ct图像集(每个正常人体的肝脏ct切片图像为45张)输入u-net神经网络模型予以训练，共计2250个二维图像切片。优先采用7∶1∶2比例将样本集划分为训练集、验证集以及测试集。
[0097]
s802、将训练集输入u-net神经网络模型得到网络参数集。
[0098]
s803、通过参数验证集对网络参数集进行参数验证，并在网络参数集满足验证通过条件使输出待测模型。参数验证集的验证效果需达到90％。
[0099]
s804、将测试集输入待测模型进行模型验证，以得到训练后的u-net神经网络模型。
[0100]
最后，将u-net神经网络模型最后一层的softmax的预测结果概率图作为目标分割的结果。计算公式如下：
[0101][0102]
其中，参数表示第l层(最后一层)第j个神经元的输入，参数表示第l层第j个神经元的输出，参数e表示自然常数。参数表示了第l层所有神经元的输入之和。
[0103]
再对特征样本进行后处理，后处理主要包括孔洞填充和凹陷填补两部分，并采用基于计算机图像的形态学技术实现。公式如下：
[0104][0105]
其中，参数表示膨胀运算符号，参数b是一对称结构元；集合a是一个8连通边界的孔洞，参数x是异常ct图像，参数k是迭代次数。参数ac表示a的补集。
[0106]
s302、基于肝脏淋巴瘤病灶所对应的特征模型将特征样本所对应的ct图像灰度值映射至[0,1]，以得到特征样本中所包含肝脏淋巴瘤病灶的影像组学特征。影像组学特征的映射灰度值越大表明淋巴瘤病灶越严重(即，1对应最严重的病灶部分)，影像组学特征的映射灰度值越小表面病情越轻(即，0对应正常的肝脏组织)。特征模型公式如下：
[0107][0108]
其中，参数md与参数sd分别为特征模型优化后的均值与标准差，参数μn与参数σn分别是正常肝脏映射灰度值的均值与标准差。
[0109]
得到影像组学特征之后，对影像组学特征进行勾画精度计算，以对影像组学特征进行评价。
[0110]
勾画精度的计算公式为：
[0111][0112]
其中，参数ftdv为肝脏的总疾病量(total disease volume-tdv)的估计值，参数tdv_t为肝脏的总疾病量(total disease volume-tdv)的真实值。
[0113]
示例性地，选取异常人体的肝脏样本(即，预先分割所形成的包含病灶的特征样本)按照淋巴瘤的大小分成大淋巴瘤肝脏组与小淋巴瘤肝脏组，其中，大淋巴瘤肝脏组7例，小淋巴瘤肝脏组3例。
[0114]
在7例大淋巴瘤组中随机选取3例作为训练集，其余4例为验证集，重复5次实验取平均值。
[0115]
首先，将特征模型直接映射于含大淋巴瘤组的特征样本，以得到大淋巴瘤组影像
组学特征。再将特征模型直接映射于含小淋巴瘤组的特征样本，以得到小淋巴瘤组影像组学特征。
[0116]
其次，再通过上述勾画精度的计算公式对大淋巴瘤组影像组学特征与小淋巴瘤组影像组学特征予以计算，以分别得到大淋巴瘤组与小淋巴瘤组的自动勾画结果，该自动勾画结果如下述表2数据所示。
[0117]
最后，通过现有技术中的肝脏淋巴瘤病灶勾画方法对含大淋巴瘤组的肝脏与含小淋巴瘤组的肝脏进行手动分割，以此分别得到大淋巴瘤组与小淋巴瘤组的手动分割结果，并在此分割结果上完成对肝脏淋巴瘤病灶疾病量的测量，基于手动分割肝脏的测量结果如下述表2数据所示。前述手动分割肝脏是对包含淋巴瘤病灶的肝脏ct图像进行分割操作。
[0118]
图4是几个ct切片的肝脏淋巴瘤病灶的自动勾画结果。
[0119][0120]
表2
[0121]
由于技术人员手动分割病灶的精确度高于自动分割病灶的精确度，再结合上表2中数据可得知，对病灶分割的精确度越高得到的结果准确性越高。
[0122]
本方案通过采用正常ct图像集与异常ct图像集构建的特征模型，使该特征模型直接映射于预先分割所形成的包含病灶的特征样本，以此能够直接得到包含肝脏淋巴瘤病灶的影像组学特征，再通过上述勾画精度的计算公式对影像组学特征进行计算，以精确得到肝脏淋巴瘤病灶的勾画结果，从而避免了对肝脏淋巴瘤病灶进行精确分割的步骤，并且该特征模型易于推广，该肝脏淋巴瘤病灶勾画方法可以扩展到其它腹部器官的淋巴瘤的病灶勾画中，如胆、脾、胰、肾等器官，只需要建立新的特征模型即可。
[0123]
进一步地，基于上文一种肝脏淋巴瘤病灶勾画方法的具体实例，参图5所示，本实施例还揭示了一种肝脏淋巴瘤病灶勾画系统，包括：获取模块201，构建模块202以及映射模块203。肝脏淋巴瘤病灶勾画系统所含各个模块的逻辑及各个模块之间的交互逻辑所对应的技术方案，参前述肝脏淋巴瘤病灶勾画方法，下文予以省略阐述。
[0124]
获取模块201获取肝脏的正常ct图像集与异常ct图像集。
[0125]
构建模块202基于正常ct图像集与异常ct图像集构建肝脏淋巴瘤病灶所对应的特征模型。
[0126]
映射模块203将特征模型映射于预先分割所形成的包含病灶的特征样本，以根据特征样本所形成的映射灰度值确定特征样本中所包含肝脏淋巴瘤病灶的影像组学特征。
[0127]
需要说明的是，前述肝脏淋巴瘤病灶勾画方法中的步骤s1中所含逻辑由肝脏淋巴瘤病灶勾画系统中的获取模块201予以实现，步骤s2中所含逻辑由肝脏淋巴瘤病灶勾画系统中的构建模块202予以实现，步骤s3中所含逻辑由肝脏淋巴瘤病灶勾画系统中的映射模块203予以实现。
[0128]
基于前述技术方案，参图6所示，本实施例还揭示了一种计算机可读介质100。该计算机可读介质100中存储有计算机程序指令101，计算机程序指令101被一处理器102读取并
运行时，执行如前文所揭示的组件部署方法中的步骤。
[0129]
可选地，计算机可读介质100可配置为服务器，且该服务器运行于构建私有云、混合云或者公有云的物理设备上。该计算机可读介质100用于存储程序，处理器102在接收到执行指令后，以执行前文所揭示的组件部署方法。
[0130]
同时，本实施例所揭示的处理器102可能是一种集成电路芯片，具有信号的处理能力。该处理器102可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gatearray，fpga)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发明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该通用处理器也可以是任何常规处理器。
[0131]
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
[0132]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0133]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。