脑中线偏移量的检测方法、装置、设备及介质与流程

1.本公开涉及图像处理技术领域，尤其涉及一种脑中线偏移量的检测方法、装置、设备及介质。


背景技术：

2.脑出血(包括出血性卒中与外伤性脑出血)造成的占位效应是脑出血患者预后不良与死亡的一大原因，而脑中线偏移是占位效应的表现形式之一。有研究表明当脑中线偏移量大于5mm时，患者的死亡率将大幅上升。头部ct是诊断脑出血的重要检查手段，可较好地展示中线结构，但脑中线偏移量的测量结果受医师个体化差异影响较大。
3.目前，脑中线偏移测量方法通常需要先选定一个特定的轴位层，在此基础上理想中线通常也只是一条直线，并且在测量时一般是基于对称性或特定的脑结构来定位中线结构，其鲁棒性和对中线结构细节的敏感性较差。


技术实现要素：

4.有鉴于此，本公开提出了一种能够准确检测脑中线偏移量的脑中线偏移量的检测方法、装置、设备及介质。
5.根据本公开的一方面，提供了一种脑中线偏移量的检测方法，所述检测方法包括：
6.对采集到的目标病例的ct图像进行处理，得到目标病例在不同位置处的脑中线图像；
7.根据所述脑中线图像，确定目标病例的第一脑中线曲面和第二脑中线曲面；
8.基于所述第一脑中线曲面和所述第二脑中线曲面，得到目标病例的脑中线偏移量。
9.在一种可能的实现方式中，所述根据所述脑中线图像，确定目标病例的第一脑中线曲面和第二脑中线曲面，包括：
10.对不同位置的脑中线图像进行处理，得到脑中线坐标系；
11.根据所述脑中线坐标系，确定目标病例的第一脑中线曲面和第二脑中线曲面。
12.在一种可能的实现方式中，所述对不同位置的脑中线图像进行处理，得到脑中线坐标系，包括：
13.根据不同位置的脑中线图像中的脑中线，确定脑中线平面；
14.将所述脑中线平面的质心作为脑中线坐标系的原点，且将所述脑中线平面作为脑中线坐标系的x轴和y轴所在平面，且将所述脑中线平面的法向量作为脑中线坐标系的z轴，从而得到脑中线坐标系。
15.在一种可能的实现方式中，所述根据所述脑中线坐标系，确定目标病例的第一脑中线曲面和第二脑中线曲面，包括：
16.根据所述脑中线坐标系，确定初始的曲面网格，其中，所述曲面网格包括多层中线网格点，每层对应于不同位置的脑中线图像，且每层中线网格点的边界信息与所述脑中线
坐标系、目标病例的颅骨信息相关；
17.对所述初始的曲面网格进行优化，确定目标病例的第一脑中线曲面和第二脑中线曲面。
18.在一种可能的实现方式中，所述根据所述脑中线坐标系，确定目标病例的第一脑中线曲面和第二脑中线曲面，包括：
19.基于第一代价函数优化所述初始的曲面网格，确定所述第一脑中线曲面，其中，所述第一代价函数与所述脑中线图像所对应的输出幅值相关；
20.基于第二代价函数优化所述初始的曲面网格，确定所述第二脑中线曲面，其中，所述第二代价函数与所述中线网格的中心点和目标病例的颅骨信息相关。
21.在一种可能的实现方式中，所述基于所述第一脑中线曲面和所述第二脑中线曲面，得到目标病例的脑中线偏移量，包括：
22.基于所述第一脑中线曲面和所述第二脑中线曲面，确定多个曲面间距，并将所述曲面间距中的最大值作为目标病例的脑中线偏移量。
23.在一种可能的实现方式中，所述基于采集到的目标病例的ct图像进行处理，得到目标病例的脑中线结构，包括：
24.将目标病例的ct图像输入分割模型中，并将输出的分割图像作为目标病例的脑中线图像。
25.根据本公开的另一方面，提供了一种脑中线偏移量的检测装置，所述检测装置包括：
26.ct图像处理单元，其被配置为对采集到的目标病例的ct图像进行处理，得到目标病例在不同位置处的脑中线图像；
27.曲面确定单元，其被配置为根据所述脑中线图像，确定目标病例的第一脑中线曲面和第二脑中线曲面；
28.偏移量分析单元，其被配置为基于所述第一脑中线曲面和所述第二脑中线曲面，得到目标病例的脑中线偏移量。
29.根据本公开的另一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述脑中线偏移量的检测方法。
30.根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述脑中线偏移量的检测方法。
31.本公开基于曲面建模得到的第一脑中线曲面即理想中线曲面和第二脑中线曲面即真实中线曲面来确定患者的脑中线偏移量，不仅能够刻画中线结构在三维空间上的特征，还能够反映患者的个体差异，这大幅增加了ct检查中患者姿态的容忍度，对于存在正常中线结构非对称性较明显的患者可以做出正确的测量，同时，还提高了脑中线偏移量的准确度。
32.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，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
33.包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
34.图1示出了本公开一实施例的脑中线偏移量的检测方法的流程图。
35.图2示出了本公开一实施例的脑中线偏移量的检测方法的示意图。
36.图3示出了本公开一实施例的脑中线偏移量的检测装置的框图。
37.图4示出了本公开一示例性实施例的用于检测脑中线偏移量的装置的框图。
具体实施方式
38.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
39.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
40.另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
41.为了方便本领域技术人员理解本公开实施例提供的技术方案，下面先对技术方案实现的技术环境进行说明。
42.脑出血造成的占位效应是脑出血患者预后不良与死亡的一大原因，占位效应的表现形式包括脑中线偏移，一般通过头部ct图像展示的(脑)中线结构来诊断。正常情况下，中线结果一般位于正中间，如果出现脑中线移位，那么一侧大脑半球可能出现水肿或者其他占位性病变，导致中线结构受压而偏向健康的一侧，也有可能出现病灶侧脑梗死后发生局部脑萎缩而牵拉中线结构偏向病灶侧。但是现有的脑中线偏移测量方法是基于对称性或特定的脑结构来定位中线结构，其鲁棒性和对中线结构细节的敏感性较差，并且，脑中线偏移结果还受医师个人水平的影响。因此，获得精确的脑中线偏移量具有重要意义。
43.基于类似于上文所述的实际技术需求，本公开提供的脑中线偏移量的检测方法可以利用曲面建模构建患者的理想(脑)中线曲面和真实(脑)中线曲面，这样不仅能够刻画中线结构在三维空间上的特征，还能够反映患者的个体差异，有助于增加ct检查中患者姿态的容忍度，并有助于对存在正常中线结构非对称性较明显的患者做出正确的测量，再基于构建的曲面确定患者的脑中线偏移量，具有更高的精确度。
44.图1示出了本公开一实施例提供的脑中线偏移量的检测方法的流程图。如图1所示，脑中线偏移量的检测方法可以包括：
45.对采集到的目标病例的ct图像进行处理，得到目标病例在不同位置处的脑中线图像；
46.根据所述脑中线图像，确定目标病例的第一脑中线曲面和第二脑中线曲面；
47.基于所述第一脑中线曲面和所述第二脑中线曲面，得到目标病例的脑中线偏移量。
48.其中，目标病例的ct图像可以包括垂直于轴位的不同位置处的头部ct图像，或者
说，可以包括垂直于轴位的多个平行的头部ct切片，上述不同位置为不同的切片位置。轴位为自头顶向下，或自下至头顶的方位，脑中线为曲面时，在每个位置的头部ct图像中可表现为一段曲线。每张头部ct图像可以反映一个位置下的脑中线结构。通过轴位扫描获取多张不同位置处的轴位的头部ct图像，而不是利用一个特定位置的轴位层来代表整个(脑)中线结构，这将显著减小后续构建患者的真实中线结构即第一脑中线曲面和理想中线结构即第二脑中线曲面时的误差，有利于提高患者的脑中线偏移量检测结果的精准度。
49.在一种可能的实现方式中，所述基于采集到的目标病例的ct图像进行处理，得到目标病例的脑中线结构，可以包括：将目标病例的ct图像输入分割模型中，并将输出的分割图像作为目标病例的脑中线图像。其中，分割模型被配置为从ct图像分割出脑中线结构，分割模型可以包括但不限于u-net模型、deeplab模型、segnet模型、deeplab v2模型、danet模型、eanet模型、hardnet模型、pspnet模型、ocnet模型、ocrnet模型、dlinknet模型。
50.现以u-net模型为例：u-net网络可包括用于特征提取的压缩通道和用于上采样的扩展通道。压缩通道是典型的卷积神经网络结构，用于提取输入图像即目标病例的ct图像的局部特征，可以重复采用2个卷积层和1个最大池化层的结构，每进行一次池化操作后特征图的维数就增加1倍。扩展通道与压缩通道为相互对称的结构，在扩展通道中，对压缩通道输出的特征图可先进行一次反卷积操作，使得特征图的维数减半，然后拼接对应压缩通道裁剪得到的特征图，再采用2个卷积层进行特征提取，并重复上述操作。在u-net网络中最后的输出层中可以采用2个卷积层映射得到二维输出图。在本实施例中，将采集到的目标病例在不同位置处loc1、loc2、
……
、locn的轴位的头部ct图像img1、img2、
……
、imgn输入至u-net网络的输入层中，在上述压缩通道和扩展通道的作用下，u-net网络的输出层输出目标病例的脑中线图像img1、img2、
……
、imgn，即可以得到目标病例在不同位置处loc1、loc2、
……
、locn的脑中线m1、m2、
……
、mn，脑中线m1、m2、
……
、mn一一对应于脑中线图像img1、img2、
……
、imgn，其中，loc1、loc2、
……
、locn可参见图2所示的本公开一实施例提供的脑中线偏移量的检测方法的示意图。
51.尽管以上述u-net模型的组成结构作为示例简单介绍了分割模型，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活进行对中线结构的标注、设定分割图像所用模型的种类及模型所涉及的网络结构和损失函数来训练确定分割模型，只要在分割模型的作用下能够得到符合需求的脑中线图像即可。
52.在一种可能的实现方式中，所述根据所述脑中线图像，确定目标病例的第一脑中线曲面和第二脑中线曲面，可以包括：
53.对不同位置的脑中线图像进行处理，得到脑中线坐标系；
54.根据所述脑中线坐标系，确定目标病例的第一脑中线曲面和第二脑中线曲面。
55.其中，所述对不同位置的脑中线图像进行处理，得到脑中线坐标系，可以包括：
56.根据不同位置的脑中线图像中的脑中线，确定脑中线平面；
57.将所述脑中线平面的质心作为脑中线坐标系的原点，且将所述脑中线平面作为脑中线坐标系的x轴和y轴所在平面，且将所述脑中线平面的法向量作为脑中线坐标系的z轴，从而得到脑中线坐标系。
58.在本实施例中，可利用最小二乘法对不同位置loc1、loc2、
……
、locn的脑中线图像
img1、img2、
……
、imgn中的脑中线m1、m2、
……
、mn上的点进行处理，得到一平面即上述脑中线平面，现记作脑中线平面a。脑中线平面a平行于轴位，垂直于脑中线图像。基于脑中线平面a确定脑中线坐标系c，可以将脑中线平面a的质心作为脑中线坐标系c的原点，且可以将脑中线平面a作为脑中线坐标系c的x轴和y轴所在平面，且可以将脑中线平面a的法向量作为脑中线坐标系c的z轴，从而确定脑中线坐标系c。
59.其中，所述根据所述脑中线坐标系，确定目标病例的第一脑中线曲面和第二脑中线曲面，可以包括：
60.根据所述脑中线坐标系，确定初始的曲面网格，其中，所述曲面网格包括多层中线网格点，每层对应于不同位置的脑中线图像，且每层中线网格点的边界信息与所述脑中线坐标系、目标病例的颅骨信息相关；
61.对所述初始的曲面网格进行优化，确定目标病例的第一脑中线曲面和第二脑中线曲面。
62.在本实施例中，初始的曲面网格q0可以包括多层中线网格点q1、q2、
……
、qn，其中，q1、q2、
……
、qn分别一一对应于位置loc1、loc2、
……
、locn的脑中线图像img1、img2、
……
、imgn，每层中线网格点可以包括多个网格点。每层中线网格点的边界信息与脑中线坐标系c、目标病例的颅骨信息相关，在一种可能的实现方式中，每层中线网格点的边界划分情况可以基于上述脑中线平面a与该目标病例的颅骨的交汇点确定，其中，脑中线平面a与该目标病例的颅骨相交可以得到一环状的交汇线，该交汇线在每张脑中线图像所在的位置处都可以获得两个交汇点(即交汇线与该位置所在平面的交点)，这两个交汇点可作为边界信息。
63.现以位置loc1处的两个交汇点p
1s
、p
1e
(可参见图2)为例：将q1这层中的xy原点作为起始点，分别沿着y轴的正向和反向以相同的网格间隔填充网格点，当填充到某个网格点时，如果再填充下一个网格点，将超出p
1s
或p
1e
，则停止填充，从而得到位置loc1下的中线网格点q1。其中，xy原点为在脑中线坐标系c下q1层中x坐标和y坐标均为零的点。另外，在这种填充方式下，q1层的p
1s
、p
1e
不一定就是该层的起止网格点，因为p
1s
、p
1e
到xy原点的距离不一定是预设网格间隔的整数倍。对位置loc2、
……
、locn重复对位置loc1的上述操作，从而通过所有层的离散的中线网格点确定在三维空间内的初始的曲面网格q0。其中，每层中线网格点可以都按照预设网格间隔进行填充，该间隔可自行设定。
64.其中，所述根据所述脑中线坐标系，确定目标病例的第一脑中线曲面和第二脑中线曲面，可以包括：
65.基于第一代价函数优化所述初始的曲面网格，确定所述第一脑中线曲面，其中，所述第一代价函数与所述脑中线图像所对应的输出幅值相关；
66.基于第二代价函数优化所述初始的曲面网格，确定所述第二脑中线曲面，其中，所述第二代价函数与所述中线网格的中心点和目标病例的颅骨信息相关。
67.在本实施例中，使用不同的代价函数对初始的曲面网格q0进行优化，从而得到两个曲面最终的位置即第一脑中线曲面和第二脑中线曲面。优化的方法可以包括但不限于牛顿法、梯度下降法、模拟退火法，当在一定步数中代价函数不再下降时，结束优化过程，输出优化后的结果，并将其作为最终的位置。代价函数的具体形式可根据需要进行选择。
68.对于第一脑中线曲面即真实中线结构，利用第一代价函数对初始的曲面网格q0进
行优化。其中，除了曲面本身的弹性势能，第一代价函数还可以包括分割模型在位置loc1、loc2、
……
、locn下输出的幅值，使得优化后的得第一脑中线曲面qr倾向贴近真实的中线结构位置。其中，第一代价函数f1可以为：
69.f1＝∑(δpy δpz) ∑f(z,y,x)
70.式中，∑(δpy δpz)为网格曲面弹性项，∑f(z,y,x)为网格点处分割模型输出幅值项。
71.对于第二脑中线曲面即理想中线结构，利用第二代价函数对初始的曲面网格q0进行优化。其中，除了曲面本身的弹性势能，第二代价函数还可以包括每层中线网格的中心网格点到目标病例的左右两侧颅骨的距离差，使得优化后的得第二脑中线曲面qi倾向到颅骨两侧距离相等。其中，第二代价函数f2可以为：
72.f2＝∑(δpy δpz) ∑δd
73.式中，∑(δpy δpz)为网格曲面弹性项，∑δd为每层中心网格点到两侧颅骨距离差值项，其中，以目标病例的中线网格点q1为例，q1中的中心网格点为p
1m
，p
1m
到目标病例左边颅骨的距离为dl，p
1m
到目标病例右边颅骨的距离为dr，q1的距离差为|dl-dr|，其他层中线网格点同理于q1，此处不再赘述。
74.在一种可能的实现方式中，所述基于所述第一脑中线曲面和所述第二脑中线曲面，得到目标病例的脑中线偏移量，可以包括：
75.基于所述第一脑中线曲面和所述第二脑中线曲面，确定多个曲面间距，并将所述曲面间距中的最大值作为目标病例的脑中线偏移量。
76.在本实施例中，在任意位置处计算第一脑中线曲面qr和第二脑中线曲面qi的间距，将其中最大值作为目标病例的脑中线偏移量。
77.通过上述方法，本公开结合传统图像处理的鲁棒性和深度学习网络对目标识别的准确性，并通过三维空间中的曲面建模，使得对头部ct检查中患者姿态的容忍度大幅增加，且对于存在正常中线结构非对称性较明显的患者可以做出正确可靠的测量，实现对头部ct影像上脑中线偏移量的精准测量。
78.本公开实施例还提出一种脑中线偏移量的检测装置，如图3所示的本公开一实施例提供的脑中线偏移量的检测装置的框图，所述检测装置包括ct图像处理单元1、曲面确定单元2以及偏移量分析单元3。
79.其中，ct图像处理单元1被配置为对采集到的目标病例的ct图像进行处理，得到目标病例在不同位置处的脑中线图像；曲面确定单元2被配置为根据所述脑中线图像，确定目标病例的第一脑中线曲面和第二脑中线曲面；偏移量分析单元3被配置为基于所述第一脑中线曲面和所述第二脑中线曲面，得到目标病例的脑中线偏移量。
80.在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
81.本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述脑中线偏移量的检测方法。
82.本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所
述计算机程序指令被处理器执行时实现上述脑中线偏移量的检测方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
83.本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述脑中线偏移量的检测方法。
84.图4是根据一示例性实施例示出的一种用于用于检测脑中线偏移量的装置1900的框图。例如，装置1900可以被提供为一服务器或终端设备。参照图4，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
85.装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出接口1958(i/o接口)。装置1900可以操作基于存储在存储器1932的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。
86.在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
87.本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
88.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
89.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
90.用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如
smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
91.这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
92.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
93.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
94.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
95.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。