基于神经网络的医学图像分割方法及系统与流程

1.本发明涉及医疗信息化领域，尤其涉及利用神经网络实现医学图像分割的系统及方法。


背景技术：

2.医学图像分割的目的在于使得医学影像中的解剖或者病理结构变化更加清晰，其在计算机辅助诊断以及智慧医疗中往往起着关键作用，常见的医学图像分割任务包括：肝脏和肝肿瘤分割、脑和脑肿瘤分割、视盘分割等等。随着医学影像设备的发展和普及，基于x射线、计算机断层扫描(ct)、磁共振成像(mri)和超声等影像开发的分割算法已经成为帮助临床医生诊断疾病、评估预后、规划医疗手术的重要辅助手段。得益机器学习和深度学习等技术的快速发展，利用大量样本数据训练诸如神经网络之类的机器学习模型作为分类器对医学图像进行自动分割的方法已经被广泛地应用于医学图像分割领域。然而这类医学影像分割方法通常依赖于手动设计的特征，但医学影像具有相对复杂、模糊、低对比度、噪声较大等特点，因此从医学影像中人工地设计出有效特征比较困难。近年来，利用神经网络算法实现医疗图像中特征表示的自提取并将这样提取的特征应用于医学图像分割成为了医学图像处理领域中比较热门的研究课题。
3.常用的神经网络的基础模块是卷积层，单个卷积层的感受野往往是有限且局部，只能捕捉和处理图像局部区域的信息,而无法精确地捕捉到反映图像中像素与像素之间关系和位置的全局上下文信息。为了能够捕获带全局感受野的信息表示，通常在神经网络中非线性地堆叠多层卷积层和下采样层来扩大感受野。然而这种做法有以下几个缺点：一是堆叠过深的神经网络，对计算资源消耗巨大，难以应用到实际场景中；二是参数过多带来的优化问题，当应用到小规模数据集时，过多的参数会很容易出现过拟合现象；三是在这种通过堆叠多层的方式捕获长距离的全局上下文信息的过程中，对象信息特征需要在多层之间隐式地跳转多次才能够传递到目标区域，在传递过程中很容易损耗有用特征而引入额外有害的干扰信息，这可能最终导致其在复杂分割任务上面有限且不准确的分割结果。


技术实现要素：

4.因此，本发明实施例的目的在于针对复杂医学图像提供一种新的有效的医学图像分割方法和系统。上述目的是通过以下技术方案实现的：
5.根据本发明实施例的第一方面，提供了一种基于神经网络的医学图像分割系统，一种基于神经网络的医学图像分割系统，其包括从医学图像中提取特征的特征提取模块和用于根据特征提取模块所提取的特征对医学图像进行分割的分类器，所述特征提取模块包括基于卷积神经网络构建的编码器和解码器以及连接在该编码器和解码器之间的变换器。其中所述编码器用于从输入的医学图像中提取不同维度的特征。所述变换器用于基于经由编码器提取的特征中的至少一部分生成能反映医学图像不同区域以及不同像素之间关系的全局上下文信息的特征。所述解码器用于将来自变换器的特征转换成适用于所述分类器
的特征格式。
6.在本发明的一些实施例中，所述变换器可包括序列化模块、一个或多个自注意力模块、一个或多个跨注意力模块和反序列化模块；其中所述序列化模块用于将来自所述编码器的特征转换成特征维度相同的一系列特征序列；所述自注意力模块用于生成反映所述特征序列之间的关系的特征序列；所述跨注意力模块用于基于医学图像类别之间的关系构成的向量对从自注意力模块输出的特征序列进行修正；所述反序列化模块用于将来自跨注意力模块的特征序列转换成适用于卷积神经网络的特征格式。
7.在本发明的一些实施例中，所述自注意力模块可包含多头注意力层和前馈层，其中来自序列化模块的序列经由不同参数矩阵映射成由查询向量、键向量、值向量构成的输入对，其中多头注意层由多个独立的注意层组成；每个注意层通过将查询向量与键向量做点积操作来计算特征序列中两两特征之间的分数，该分数代表着两个特征之间的关联性；该分数被归一化到0-1之间，并与值向量进行加权；各个注意层的输出被拼接起来，并且经由一个线性层聚合后输出。
8.在本发明的一些实施例中，所述跨注意力模块可包括两个多头注意力层和前馈层，其中一个多头注意力层的输入为基于反映医学图像类别中每个类别的特征序列映射成的由查询向量、键向量、值向量构成的输入对，其输出作为另一个多头注意力层的查询向量输入，该另一个多头注意力层的键向量与值向量来自所述自注意力模块的输出，该另一个多头注意力层的输出相加和归一化操作以及前馈层而输出至反序列化模块。
9.根据本发明实施例的第二方面，还提供了一种采用根据本发明实施例的第一方面的系统进行医学图像分割的方法，包括：步骤s1，经由作为编码器的卷积神经网络从输入的医学图像中提取不同维度的特征；步骤s2)经由变换器基于所提取的不同维度的特征中的至少一部分来捕获长距离的全局上下文信息；步骤s3)经由作为解码器的卷积神经网络将来自变换器的输出转换为适用于分类器进行图像分割的特征；步骤s4)经由分类器基于来自解码器的特征对所述医学图像进行分割并输出相应的分割结果。
10.在本发明的一些实施例中，所述步骤s2)可以包括：经由序列化模块将来自所述编码器的特征转换成特征维度相同的一系列特征序列；经由所述自注意力模块生成反映所述特征序列之间的关系的特征序列；经由跨注意力模块基于医学图像类别之间的关系构成的向量对从自注意力模块的特征序列进行修正；经由反序列化模块用于将来自跨注意力模块的特征序列转换成适用于卷积神经网络的特征格式。
11.在本发明的一些实施例中，经由所述自注意力模块生成反映所述特征序列之间的关系的特征序列可以包括：将来自序列化模块的特征序列经由不同参数矩阵映射成由查询向量、键向量、值向量构成的输入对，通过将查询向量与键向量做点积操作来计算特征序列中两两特征之间的分数，将该分数归一化到0-1之间，并与值向量进行加权后，将其与输入的特征序列进行相加；将基于各特征序列得到的计算结果聚合后输出。
12.根据本发明实施例的第三方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被执行时实现如上述实施例第二方面所述的方法。
13.本发明实施例提供的技术方案可以包括以下有益效果：
14.该方案针对复杂医疗图像提供了有效的分割方法，其能够有效地交换图像中不同区域，不同子像素的特征表示之间的信息，准确地刻画像素之间的依赖和关系，从而精确地
且显式地捕捉、建模长距离全局上下文信息，因此能大幅度地提高复杂医疗图像的分割效率和分割准确率，从而能在一系列下游应用中辅助医生提供更好的诊疗服务。
15.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和解释性的，并不能限制本发明。
附图说明
16.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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：
17.图1示出了根据本发明一个实施例的基于神经网络的医学图像分割系统的结构示意图。
18.图2示出了根据本发明一个实施例的自注意力模块和跨注意力模块的结构示意图。
19.图3示出了根据本发明一个实施例的基于神经网络的医学图像分割方法的流程示意图。
具体实施方式
20.为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在不经创造性劳动获得的所有其他实施例，都属于本发明保护的范围。
21.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
22.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
23.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
24.对于医学图像分割来说，目标解剖或者病理结构常常具有复杂且差异巨大的形状，外观以及纹理，这给精确分割出目标区域造成了很大的挑战。而全局上下文信息通过对图像中像素与像素之间关系及依赖的建模，提供了丰富的位置和类别信息，从而可以有利于的目标区域精确分割。但正如上文提到的，现有的通过在神经网络中非线性地堆叠多层卷积层和下采样层来隐式地捕获长距离全局上下文信息不仅效率低且不准确，并由此导致最终医学图像分割性能降低且分割结果不精确。
25.在本发明的实施例中提供了一种新的基于神经网络的医学图像分割系统，其包括从医学图像中提取特征的特征提取模块和用于根据特征提取模块所提取的特征对医学图像进行分割的分类器。其中所述特征提取模块将卷积神经网络模型与变换器(transformer)模型相结合，增强了对医学图像的全局特征的捕捉，并动态地关注医学图像中重要的区域信息，同时抑制无关的干扰信息，从而缓解了神经网络无法捕捉长距离全局上下文信息的问题，从医学图像中提取并组合富含全局和局部信息的特征表示，有效提高了医学图像分割的鲁棒性和准确性。
26.图1示出了根据本发明一个实施例的基于神经网络的医学图像分割系统的结构示意图。如图1所示，该医学图像分割系统包括特征提取模块和分类器。其中特征提取模块包括基于卷积神经网络构建的编码器和解码器以及连接在该编码器和解码器之间的变换器，该特征提取模块从输入的医学图像中提取用于进行医学图像分割的特征，并将所提取的特征提供给分类器，该分类器以来自特征提取模块的特征作为输入，其输出是对医学图像进行分割的结果。应指出，这里的分类器可以采用适用于进行医学图像分割的任何类型的机器学习模型，包括但不限于神经网络模型，本文对此不进行限制。特征提取模块中的编码器和解码器是利用卷积神经网络构建的，例如可以采用诸如lenet、alexnet、vgg、densenet、resnet、googlenet之类的卷积神经网络模型。优选地，利用vgg来构建编码器和解码器。下文中为便于描述，以编码器和解码器均由多层vgg网络构成进行举例说明。在该实施例中，首先利用包括大量医学图像数据样本的训练集对上述分类器、编码器、变换器、解码器进行统一训练(可以称为离线训练阶段)，然后将待分割的医学图像作为输入提供给该训练好的医学图像分割系统进行处理，其输出为进行分割后的医学图像(可以称为在线分割阶段)。其中用于进行训练的医学图像数据样本包括医学图像及其对应的标记有已分割区域的医学图像版本。通常可以将所搜集的数据样本划分为训练集和验证集(例如，可按4：1的比例划分)。训练集用于对医学图像分割系统各模块进行训练，而验证集可以用于对分割效果进行测试。
27.如图1所示，在训练过程中，作为样本的医学图像首先被输入到基于卷积神经网络构建的编码器中，该编码器对输入的医学图像进行特征提取，经由卷积神经网络的不同层会提取到不同维度的特征(可统称为多尺度特征)，卷积神经网络的具体层数可视实际需求而定。图1中经由多个阶段的vgg构成的编码器从输入的医学图像中提取的多尺度特征为{x_0,x_1,x_2,x_3,x_4}。在一些实施例中，可以将编码器提取的全部特征都作为变换器的输入。在一些实施例中，可以从编码器提取的特征中选取其中一部分特征作为变换器的输入，同时保留剩余一部分特征直接作为解码器的输入。如图1所示，从编码器提取的特征中选取其中x_2,x_3,x_4特征(即经由编码器的卷积神经网络的最后三层分别提取的特征)作为变换器的输入；而将x_0,x_1特征(即经编码器的卷积神经网络的前两层分别提取的特征)作为解码器的输入。变换器用于进一步地在编码器获取得到的多尺度特征基础上面捕捉长距离的全局上下文信息并对其进行建模，变换器的输出作为特征提供给解码器。解码器可以将来自变换器的输出以及来自编码器的输出(如果有的话)转换成适用于分类器的特征并将其输入到分类器，以得到相应的分割结果。通过将分类器得到的分割结果与训练集中该输入的医学图像对应的已标记好的分割结果(即期望的分割结果)进行比较来计算相应损失进而反向调整和优化上述各模块中相应参数，以上操作循环迭代直到满足预设的
分割精度阈值或者预定迭代次数等。
28.继续参考图1，变换器可以包括序列化模块、自注意力模块、跨注意力模块和反序列化模块。变换器首先通过序列化模块对来自编码器的多尺度特征x_2,x_3,x_4进行序列化操作，将其转换成一系列特征序列，这些特征序列具备相同的特征维度。例如，在序列化模块中，将每一级特征图上面的每一个像素沿着特征维度展开，并且经过一个核大小为1*1的卷积层进行特征维度的对齐，最后聚合得到特征维度相同的多个特征序列t0，并将其输入到自注意力模块。特征序列的特征维度可以根据实际需求进行设置，在此不进行限制。
29.图2示出了根据本发明一个实施例的自注意力模块和跨注意力模块的结构示意图。如图2所示，自注意力模块可以包含多头注意力层和前馈层，其中归一化应用在每一层的前面，而残差链接则使用在每一层的后面。来自序列化模块的序列t0首先经由3个含不同参数矩阵(wq、wk、wv)的线性变换层进行映射，得到多头注意层的输入对，该输入对由查询向量(query)、键向量(key)、值向量(value)构成，公式如下：
30.query＝t0wq，key＝t0wk，value＝t0wv31.其中多头注意层由多个独立的注意层组成。注意层采用基于注意力机制的结构，其核心内容是在编码相应序列的时候可以查看输入序列的其他序列信息，将序列两两连接，通过种类和位置关系的建模来捕捉到全局上下文信息。每个注意层的计算过程如下：
[0032][0033]
其中dk为比例因子，t表示转置，softmax()代表softmax激活函数。如上面公式所示，通过将查询向量与键向量做点积操作来计算序列中特征两两之间的分数，该分数代表着两个特征之间的关联性。为了保持梯度稳定，用一个比例因子dk来对分数进行归一化操作，然后再经过softmax()函数将数值标准化到0-1之间，最后得到的分数与值向量进行加权，以达到增强相关特征，降低抑制无关特征的目的。在此基础上面，多头注意力层包含了多个独立的注意层来各自重点关注一部分上下文信息，这些注意层的输出被拼接起来，并且经由一个线性层进一步聚合，多头注意层的计算公式如下：
[0034]
msa(t0)＝concat(sa1(t0)，...，sah(t0))wo[0035]
其中，h代表独立注意力层总数量，wo为用于聚合特征线性层的参数矩阵。如图2所示，该多头注意层的输出还会进一步经过相加和归一化操作以及前馈层ffn而输出，其中前馈层ffn可以由两个线性变换层以及一个非线性激活函数relu组成。整体自注意力模块的计算过程可以如下公式所示：
[0036]
t
′0＝msa(t0) ffn(msa(t0))
[0037]
如图2所示，跨注意力模块有着和自注意力模块一样的类似的层级结构，区别在于输入还包括代理向量e0，且在中间多了一个多头注意层。跨注意力模块旨在使用类别分布指导，修正自注意力模块编码的上下文信息。在自注意力模块中，上下文的信息完全是基于自驱动机制，因此序列中特征之间错误的联系可能会被建立，从而污染全局上下信息，造成不满意的分割结果。而在本发明的实施例中引入了代理向量e来指导并修正特征之间联系。具体地，代理向量e代表着目标数据集中的各类别的特征原型，而其某一子向量代表着某一类别的特征原型。在一个示例中，代理向量e0的某一子向量可以代表着正常组织的特征表
示，而另外一子向量可以代表着病变组织的特征信息。
[0038]
如图2所示，代理向量e0首先输入到一个多头注意力层用于学习和建模类与类之间的关系。该学习得到的类别关系作为下一个多注意力层的输入查询向量，而由自注意力模块编码得到的上下文信息t则作为该下一个多注意力层的键向量与值向量输入，在该下一个多注意力层中，通过学习到的类别关系与上下文信息进行连接、交互和互相作用，该下一个多注意力层的输出(记为序列)被输入于后续的反序列化模块。在一些实施例中，该下一个多注意力层的输出还可以进一步经过相加和归一化操作以及前馈层ffn而输出，从而得到与输入的上下文信息相关联的类别分布e
′0。因此，跨注意力模块可以有两个输出与e
′0。如图1所示，该跨注意力模块输出的类别分布e
′0可以进一步输入至一个额外分类监督模块，以优化对类别分布的建模。例如在该额外分类监督模块将每个样本的类别分布e
′0输入多个线性层，使用图像级别标签进行额外的分类监督训练，进一步地优化对类别分布的建模。这样在后续的迭代过程中，跨注意力模块可以使用经额外分类监督模块优化后的反应类别分布的代理向量e以进一步提升性能。尽管图1中示出了额外分类监督模块，但应理解该模块是可选的模块而非必要模块，即便没有该额外分类监督模块也不影响整体系统的完整性。
[0039]
其中变换器中的自注意力模块和跨注意力模块的数量可视实际需求而定，在此不进行限制。在一些实施例中，变换器可以包括数个连续的自注意力模块以及跨注意力模块。例如，可以包括4个自注意力模块和2个跨注意力模块。可以看出，通过变换器中的自注意力模块以及跨注意力模块可以自动学习和聚焦图像中任意位置的重要区域并抑制无关的干扰信息，而且能够有效地交换图像中不同区域、不同子像素的特征表示之间的信息，准确地刻画像素之间的依赖和关系，从而精确地且显式地捕捉和建模长距离全局上下文信息，因此可以改善医疗图像的分割效率和分割准确率。
[0040]
如图1所示，经变换器的自注意力模块以及跨注意力模块得到的类别分布e
′0输入至额外分类监督模块，而特征序列则进一步地输入到反序列化模块进行反序列化操作，即折叠回二维卷积特征。接着，可以将折叠回去的二维卷积特征与原本保留的来自编码器的多尺度特征x_0，x_1共同输入由卷积神经网络构建的解码器中，进行信息的解码。例如，解码器的卷积神经网络可以采用了自底向上的解码结构，上层的卷积特征被下采样为与下一层卷积一样的空间分辨率，然后进行相加，以及经过一个卷积核为1*1的卷积层进行融合，下采样操作可以采用最大池化。以上操作迭代多次，最终输出适用于分类器的用于医学图像分割的特征图，并将其输入到分类器，以得到相应的分割结果。
[0041]
为了更好地理解本发明，以在细胞分割数据集上训练为例来说明根据本发明实施例的医学图像分割系统的性能，步骤如下：
[0042]
*对细胞分割数据集进行数据扩充，得到大量数据样本，将其按4∶1比例分为训练集与验证集。
[0043]
*在训练阶段中，训练数据被输入至如图1所示的医学图像分割系统中，编码器基于输入的医学图像数据生成多尺度特征，该多尺度特征进一步输入到变换器中进行上下文信息的编码，编码完的全局上下文信息被传输到解码器中进行解码，并输入至分类器进行分割预测，将该分类器得到的预测结果与训练数据中标记好的分割结果进行比较，计算损
失函数以反向调整和优化相应参数。总计在训练集上面训练60000次，每间隔500次在验证集上面验证该系统的性能，选取在验证集上表现最佳的性能对应的模型参数来构建该医学图像分割系统的各个模块。发明人将该经训练后的本发明的医学图像分割系统与目前常用的医学分割方法在验证集上面进行性能比较。
[0044]
表1展示了本发明与其他常用方法在细胞分割数据集上面进行分割性能的比较，使用交并比指标用于衡量分割结果。其中在表1中，参数代表着网络储存空间的大小，计算量则为每迭代一次计算机总计要进行的加乘运算次数，单位为百万，第一至第五类代表着数据集各个分割类别的分割结果的准确率，最后平均则是对五类物体分割性能的平均。从表1可以看出本发明优于其他方法，且同时不增加额外计算量。
[0045]
表1
[0046]
方法参数计算量第一类第二类第三类第四类第五类平均unet24.5638.2582.8565.4862.2940.1175.5765.26unet 25.0984.2982.0367.5862.7940.7977.2166.08cenet34.3641.3982.7368.2563.1541.1277.2766.50attentionunet25.0940.0682.7465.4262.0938.6076.0264.97本发明23.7839.7184.2268.2165.0448.3078.7068.90
[0047]
图3示出了利用上述根据本发明实施例的基于神经网络的医学图像分割系统进行医学图像分割的方法的流程示意图。该方法包括：步骤s1)经由作为编码器的卷积神经网络从输入的医学图像中提取不同维度的特征；步骤s2)经由变换器基于选择所提取的不同维度的特征中的至少一部分来捕获长距离的全局上下文信息；步骤s3)经由作为解码器的卷积神经网络将来自变换器的输出转换为适用于分类器进行图像分割的特征；步骤s4)经由分类器基于来自解码器的特征对所述医学图像进行分割并输出相应的分割结果。
[0048]
更具体地，在步骤s1，经由作为编码器的卷积神经网络从输入的医学图像中提取不同维度的特征。如上文提到的，卷积神经网络的不同层会提取到不同维度的特征(可统称为多尺度特征)，卷积神经网络的具体层数可视实际需求而定。
[0049]
在步骤s2)，经由变换器基于选择所提取的不同维度的特征中的至少一部分来捕获长距离的全局上下文信息。如上文提到的，在一些实施例中，可以将编码器提取的全部特征都作为变换器的输入。在又一些实施例中，可以从编码器提取的特征中选取其中一部分特征作为变换器的输入，同时保留剩余一部分特征直接作为后续解码器的输入。变换器首先通过序列化模块对将来自编码器的特征其转换成特征维度相同的一系列特征序列并将其输入到自注意力模块。自注意力模块通过对输入序列两两连接，捕捉到反映特征序列之间关系的全局上下文信息。接着跨注意力模块利用目标数据集中类别之间关系进一步修正自注意力模块编码的上下文信息。经跨注意力模块修征后的特征序列经由反序列化模块转换成适用于卷积神经网络的特征格式，并被传递至作为解码器的卷积神经网络。
[0050]
在步骤s3)，经由作为解码器的卷积神经网络将来自变换器的输出以及来自编码器的输出(如果有的话)转换成适用于分类器的特征并将其输入到分类器。
[0051]
在步骤s4)，经由分类器以来自解码器的特征作为输入，并输出相应的分割结果。
[0052]
在本发明的又一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序或可执行指令，当所述计算机程序或可执行指令被处理器或其他计算单元执行时
实现如前述实施例中所述的技术方案，其实现原理类似，此处不再赘述。在本发明的实施例中，计算机可读存储介质可以是任何能够存储数据且可以被计算装置读取的有形介质。计算机可读存储介质的实例包括硬盘驱动器、网络附加存储器(nas)、只读存储器、随机存取存储器、cd-rom、cd-r、cd-rw、磁带以及其它光学或非光学数据存储装置。计算机可读存储介质也可以包括分布在网络耦合计算机系统上的计算机可读介质，以便可以分布式地存储和执行计算机程序或指令。
[0053]
本说明书中针对“各个实施例”、“一些实施例”、“一个实施例”、或“实施例”等的参考指代的是结合所述实施例所描述的特定特征、结构、或性质包括在至少一个实施例中。因此，短语“在各个实施例中”、“在一些实施例中”、“在一个实施例中”、或“在实施例中”等在整个说明书中各地方的出现并非必须指代相同的实施例。此外，特定特征、结构、或性质可以在一个或多个实施例中以任何合适方式组合。因此，结合一个实施例中所示出或描述的特定特征、结构或性质可以整体地或部分地与一个或多个其他实施例的特征、结构、或性质无限制地组合，只要该组合不是非逻辑性的或不能工作。
[0054]
本说明书中“包括”和“具有”以及类似含义的术语表达，意图在于覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、系统、产品或设备并不限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。“一”或“一个”也不排除多个的情况。另外，本技术附图中的各个元素仅仅为了示意说明，并非按比例绘制。
[0055]
虽然本发明已经通过上述实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。