基于神经网络的OCT图像病灶检测方法、装置及介质与流程

本发明涉及人工智能，尤其涉及一种基于神经网络的oct图像病灶检测方法、装置、电子设备及计算机可读存储介质。

背景技术：

光相干断层扫描(opticalcoherencetomography，oct)是一种用于眼底疾病影像检查的成像技术，具有高分辨率、非接触、非创伤性的特点。由于眼球结构具有独特的光学特性，所以oct成像技术在眼科领域尤其是眼底疾病检查中得到广泛的应用。

目前，对眼科oct的病灶识别检测通常采用深度卷积神经网络模型提取oct图像中的特征并训练分类器来实现，所利用的神经网络模型需要大量的训练样本和人工标注。一般情况下，一只眼睛可以扫描得到20-30张oct图像，虽然在图像级别能收集到较多的训练样本，但在眼睛级别收集大量样本的成本比较大，使得模型训练困难，从而影响通过模型得到的对眼科oct图像病灶识别检测结果的准确性。

公开号为cn110363226a的中国发明专利公开了一种基于随机森林的眼科病种分类识别方法、装置及介质，将oct图像输入病灶识别模型输出对应识别的病灶类型的概率值，再将单眼对应的所有oct图像的病灶类型的概率值输入随机森林分类模型得到该眼属于病种类别的概率值，从而得到最终的病种类别结果，但对于一些较小病灶无法有效进行识别，有可能出现漏检误检等问题。

技术实现要素：

本发明提供一种基于神经网络的oct图像病灶检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高病灶检测的准确率，避免产生漏检误检的问题。

为了实现上述目的，本发明的第一个方面是提供一种基于神经网络的oct图像病灶检测方法，包括：获取oct图像；将所述oct图像输入病灶检测网络模型，通过所述病灶检测网络模型输出所述oct图像的病灶框位置、病灶框类别得分以及病灶框阳性评分；根据病灶框位置、病灶框类别得分和病灶框阳性评分得到所述oct图像的病灶检测结果；

其中，所述病灶检测网络模型包括：特征提取网络层，用于提取所述oct图像的图像特征；候选区域提取网络层，用于提取所述oct图像中所有候选框；特征池化网络层，用于将所有候选框对应的特征图均池化至固定大小；类别检测分支，用于得到每个候选框的位置和类别得分；病灶阳性评分回归分支，用于得到每个候选框属于病灶的阳性得分。

在一个实施例中，所述特征提取网络层包括特征提取层和注意力机制层，其中，所述特征提取层用于提取图像特征；所述注意力机制层包括通道注意力机制层和空间注意力机制层，所述通道注意力机制层用于对提取的图像特征与特征通道权重进行加权处理；所述空间注意力机制层用于对提取的图像特征与特征空间权重进行加权处理。

在一个实施例中，所述特征通道权重通过下述方式获取：

对a*a*n维特征分别进行卷积核为a*a的全局最大池化处理和全局平均池化处理；

将全局最大池化处理结果与全局平均池化处理结果相加，得到1*1*n的特征通道权重。

在一个实施例中，所述特征空间权重通过下述方式获取：

对a*a*n维特征分别进行卷积核为1*1的全局最大池化处理和全局平均池化处理，得到两个a*a*1的第一特征图；

将得到的两个a*a*1的第一特征图按照通道维度进行拼接得到a*a*2的第二特征图；

对a*a*2的第二特征图进行卷积运算，得到a*a*1的特征空间权重。

在一个实施例中，根据病灶框位置、病灶框类别得分和病灶框阳性评分得到所述oct图像的病灶检测结果的步骤包括：

将每个候选框的病灶框类别得分和病灶框阳性得分进行相乘得到所述候选框的最终得分；将所述病灶框位置和所述最终得分作为所述候选框的病灶检测结果。

在一个实施例中，将所述病灶框位置和所述最终得分作为所述候选框的病灶检测结果之前，还包括：对候选框进行合并；对合并得到的候选框进行筛选，若候选框的类别得分大于或等于预设阈值，则将其作为病灶框，若候选框的类别得分小于预设阈值，则将其剔除。

为了实现上述目的，本发明的第二个方面是提供一种基于神经网络的oct图像病灶检测装置，包括：

图像获取模块，用于获取oct图像；

病灶检测模块，用于将所述oct图像输入病灶检测网络模型，通过所述病灶检测网络模型输出所述oct图像的病灶框位置、病灶框类别得分以及病灶框阳性评分；

结果输出模块，用于根据病灶框位置、病灶框类别得分和病灶框阳性评分得到所述oct图像的病灶检测结果；

其中，所述病灶检测网络模型包括：特征提取网络层，用于提取所述oct图像的图像特征；候选区域提取网络层，用于提取所述oct图像中所有候选框；特征池化网络层，用于将所有候选框对应的特征图均池化至固定大小；类别检测分支，用于得到每个候选框的位置和类别得分；病灶阳性评分回归分支，用于得到每个候选框属于病灶的阳性得分。

为了实现上述目的，本发明的第三个方面是提供一种电子设备，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于神经网络的oct图像病灶检测方法。

为了实现上述目的，本发明的第四个方面是提供一种计算机可读存储介质，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上所述的基于神经网络的oct图像病灶检测方法。

本发明实施例结合人工智能和神经网络模型对oct图像进行病灶检测，并在病灶检测网络模型中增加了病灶阳性评分回归分支，通过病灶阳性评分回归分支得到每个候选框属于病灶的阳性得分，以反映病灶阳性严重程度，从而在获取oct图像病灶检测结果时，将病灶阳性严重程度考虑在内。一方面，病灶阳性评分回归分支仅对病变阳性程度评分进行回归，可以避免发生类间竞争，有效识别较小病灶，缓解误检漏检的问题，从而提高病灶检测的准确率；另一方面，通过病灶阳性评分回归分支可以得到具体量化的病灶阳性严重程度得分，从而用于病灶的急迫性判断。

附图说明

图1为本发明一实施例提供的oct图像病灶检测方法的流程示意图；

图2为本发明一实施例提供的oct图像病灶检测装置的模块示意图；

图3为本发明一实施例提供的实现oct图像病灶检测方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

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。

本发明提供一种病灶检测方法。参照图1所示，为本发明一实施例提供的oct图像病灶检测方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，基于神经网络的oct图像病灶检测方法包括：

获取oct图像；

将所述oct图像输入病灶检测网络模型，通过所述病灶检测网络模型输出所述oct图像的病灶框位置、病灶框类别得分以及病灶框阳性评分；

根据病灶框位置、病灶框类别得分和病灶框阳性评分得到所述oct图像的病灶检测结果。

其中，所述病灶检测网络模型是一种神经网络模型，包括：特征提取网络层，用于提取所述oct图像的图像特征；候选区域提取网络层(采用区域生成网络regionproposalnetwork，rpn)，用于提取所述oct图像中所有候选框；特征池化网络层，用于将所有候选框对应的特征图均池化至固定大小；类别检测分支，用于得到每个候选框的位置和类别得分；病灶阳性评分回归分支，用于得到每个候选框属于病灶的阳性得分，以反映病灶阳性严重程度，提高病灶检测结果的准确率，避免仅根据类别得分进行输出病灶检测结果而产生漏检误检问题。

在一个实施例中，所述特征提取网络层包括特征提取层和注意力机制层，其中，所述特征提取层用于提取图像特征，例如，采用resnet101网络，以金字塔的形式同时提取5个尺度下的高维特征图；所述注意力机制层包括通道注意力机制层和空间注意力机制层，所述通道注意力机制层用于对提取的图像特征与特征通道权重进行加权处理，使特征提取网络层提取的特征更关注于病灶有效特征维度；所述空间注意力机制层用于对提取的图像特征与特征空间权重进行加权处理，使特征提取网络层提取特征时，重点学习病灶前景信息而不是背景信息。

所述特征通道权重通过下述方式获取：

对a*a*n维特征分别进行卷积核为a*a的全局最大池化处理和全局平均池化处理，其中，n表示通道数；

将全局最大池化处理结果与全局平均池化处理结果相加，得到1*1*n的特征通道权重。

所述特征空间权重通过下述方式获取：

对a*a*n维特征分别进行卷积核为1*1的全局最大池化处理和全局平均池化处理，得到两个a*a*1的第一特征图；

将得到的两个a*a*1的第一特征图按照通道维度进行拼接得到a*a*2的第二特征图；

对a*a*2的第二特征图进行卷积运算(例如，可使用7*7*1的卷积核进行卷积运算)，得到a*a*1的特征空间权重。

对于利用resnet101网络提取的5个尺度下的特征图，例如，128*128*256维特征图、64*64*256维特征图、32*32*256维特征图、16*16*256维特征图、8*8*256维特征图，不同尺度的特征图，计算得到的特征空间权重不同。

本发明在特征提取网络层中增加了注意力机制层，通过在特征提取阶段加入注意力机制，可以有效抑制背景信息带来的干扰，可用于提取更为有效鲁棒的特征用于病灶检测识别，提高病灶检测的准确率。

在一个实施例中，所述特征池化网络层在对候选框对应的特征图进行均池化处理之前，还进行对提取的候选框对应的特征图进行裁剪处理的步骤。具体地，在各自尺度下特征经过roialign裁剪得到对应的特征图之后，再经过7*7*256的卷积核均池化至固定大小。

在一个实施例中，在获取oct图像之后，将所述oct图像输入病灶检测网络模型之前，还包括：对oct图像进行预处理。具体地，所述预处理包括：对获取的oct图像进行降采样处理，并对经过降采样处理得到的图像尺寸进行修正。例如，对图像从原分辨率1024*640降采样至512*320大小，并加入上下黑边得到512*512的oct图像，作为模型的输入图像。

在一个实施例中，将所述oct图像输入病灶检测网络模型之前，还包括对所述病灶检测网络模型的训练步骤。

进一步地，对所述病灶检测网络模型的训练步骤包括：

采集oct图像，并对采集的oct图像进行标注，得到样本图像；例如，以病灶为黄斑为例进行说明，每张oct扫描黄斑区域的样本图像由两位或两位以上的医生来标注病灶框的位置、类别和严重程度(包括轻微、严重两级)，并最终经过一位专家医生对各个标注结果进行复核确认，得到最终的样本图像标注，以保证标注的准确性和一致性；本发明仅在2d单张oct图像上进行标注即可达到较好的灵敏度和特异度，对所需的标注量大大减少，减轻工作量；

对标注后的样本图像进行预处理步骤；

利用预处理得到的样本图像对病灶检测网络模型进行训练，其中，将样本图像中标注的病灶框的左上角坐标以及长宽和类别标签作为模型输入样本的给定值用于训练，同时对图像和标注做对应的增强处理(包括裁剪，缩放，旋转，对比度变化等)，用于提高模型训练的泛化能力；将病灶框的阳性评分(0.5代表轻微，1代表严重)作为病灶阳性评分回归分支的训练标签。

本发明在病灶阳性评分回归分支，采用对给定评分标签(0.5代表轻微，1代表严重)进行回归拟合而非直接分类，因为在实际临床场景下医生对不同病灶均会采取分级评判严重程度而非直接给出一个具体的介于(0-100)的连续评分，而介于不同严重程度之间的病灶则难以用分类直接输出标签，因此给定分级标签值(0.5,1)进行采用线性回归拟合阳性评分更为合理有效，输出得分越接近1则越严重，越接近0则代表越轻微甚至为假阳。

在一个实施例中，根据病灶框位置、病灶框类别得分和病灶框阳性评分得到所述oct图像的病灶检测结果的步骤包括：

将每个候选框的病灶框类别得分和病灶框阳性得分进行相乘得到所述候选框的最终得分；

将所述病灶框位置和所述最终得分作为所述候选框的病灶检测结果；最终的病灶检测结果可以用于进一步辅助诊断眼底视网膜黄斑区域的病种结果和急迫性分析。

进一步地，将所述病灶框位置和所述最终得分作为所述候选框的病灶检测结果之前，还包括：

对候选框进行合并，例如，通过非极大值抑制来合并重合较大的候选框；

对合并得到的候选框进行筛选，具体地，根据经过合并处理后的每个候选框的类别得分进行筛选，若候选框的类别得分大于或等于预设阈值，则将其作为病灶框，若候选框的类别得分小于预设阈值，则将其剔除，不得作为病灶框。其中，所述预设阈值可以是人为设置，也可以根据最大化约登指数(即召回率和准确率之和)确定阈值，最大化约登指数可由在对于病灶检测网络模型进行训练时，测试集的最大化约登指数确定。

本发明在拟合病灶框的位置和类别得分的同时，加入了反应病灶阳性严重程度的病灶阳性评分回归分支，以量化病灶的严重程度，从而输出病灶严重评分用于得到更精准的检测结果，避免仅采用类别得分输出病灶检测结果而产生的漏检误检问题。

相比一般的检测网络仅对每个目标框输出一个类别得分的方式，一方面，当某个病灶的外观特征同时与两种或两种以上的病灶类别形似时，则会导致原有检测网络的类别得分较低而被阈值过滤导致漏检，而本发明通过病灶阳性评分回归分支仅对病变阳性程度评分进行回归，可以避免发生类间竞争，缓解误检漏检的问题。另一方面，当有非常小的组织有轻微异常但无临床意义时，病灶检测网络模型可能会检出并得到较高的类别得分，这种情况也可通过病灶阳性评分回归分支得到具体量化的病灶阳性严重程度得分，从而用于急迫性判断。

如图2所示，是本发明病灶检测装置的功能模块图。

本发明所述oct图像病灶检测装置100可以安装于电子设备中。根据实现的功能，所述基于神经网络的oct图像病灶检测装置可以包括图像获取模块101、病灶检测模块102、结果输出模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

图像获取模块101用于获取oct图像；

病灶检测模块102用于将所述oct图像输入病灶检测网络模型，通过所述病灶检测网络模型输出所述oct图像的病灶框位置、病灶框类别得分以及病灶框阳性评分；

结果输出模块103用于根据病灶框位置、病灶框类别得分和病灶框阳性评分得到所述oct图像的病灶检测结果；

其中，所述病灶检测网络模型包括：特征提取网络层，用于提取所述oct图像的图像特征；候选区域提取网络层，用于提取所述oct图像中所有候选框；特征池化网络层，用于将所有候选框对应的特征图均池化至固定大小；类别检测分支，用于得到每个候选框的位置和类别得分；病灶阳性评分回归分支，用于得到每个候选框属于病灶的阳性得分。

在一个实施例中，所述特征提取网络层包括特征提取层和注意力机制层，其中，所述特征提取层用于提取图像特征，例如，采用resnet101网络，以金字塔的形式同时提取5个尺度下的高维特征；所述注意力机制层包括通道注意力机制层和空间注意力机制层，所述通道注意力机制层用于对提取的图像特征与特征通道权重进行加权处理，使特征提取网络层提取的特征更关注于病灶有效特征维度；所述空间注意力机制层用于对提取的图像特征与特征空间权重进行加权处理，使特征提取网络层提取特征时，重点学习病灶前景信息而不是背景信息。

所述特征通道权重通过下述方式获取：

对a*a*n维特征分别进行卷积核为a*a的全局最大池化处理和全局平均池化处理，其中，n表示通道数；

将全局最大池化处理结果与全局平均池化处理结果相加，得到1*1*n的特征通道权重。

所述特征空间权重通过下述方式获取：

对a*a*n维特征分别进行卷积核为1*1的全局最大池化处理和全局平均池化处理，得到两个a*a*1的第一特征图；

将得到的两个a*a*1的第一特征图按照通道维度进行拼接得到a*a*2的第二特征图；

对a*a*2的第二特征图进行卷积运算(例如，可使用7*7*1的卷积核进行卷积运算)，得到a*a*1的特征空间权重。

本发明在特征提取网络层中增加了注意力机制层，通过在特征提取阶段加入注意力机制，可以有效抑制背景信息带来的干扰，可用于提取更为有效鲁棒的特征用于病灶检测识别，提高病灶检测的准确率。

在一个实施例中，所述特征池化网络层在对候选框对应的特征图进行均池化处理之前，还进行对提取的候选框对应的特征图进行裁剪处理的步骤。具体地，在各自尺度下特征经过roialign裁剪得到对应的特征图之后，再经过7*7*256的卷积核均池化至固定大小。

在一个实施例中，oct图像病灶检测装置还包括：预处理模块，用于在获取oct图像之后，将所述oct图像输入病灶检测网络模型之前，对oct图像进行预处理。具体地，所述预处理模块包括：降采样单元，用于对获取的oct图像进行降采样处理，修正单元，用于对经过降采样处理得到的图像尺寸进行修正。例如，对图像从原分辨率1024*640降采样至512*320大小，并加入上下黑边得到512*512的oct图像，作为模型的输入图像。

在一个实施例中，oct图像病灶检测装置还包括：训练模块，对所述病灶检测网络模型进行训练。

进一步地，对所述病灶检测网络模型的训练步骤包括：

采集oct图像，并对采集的oct图像进行标注，得到样本图像；例如，以病灶为黄斑为例进行说明，每张oct扫描黄斑区域的样本图像由两位或两位以上的医生来标注病灶框的位置、类别和严重程度(包括轻微、严重两级)，并最终经过一位专家医生对各个标注结果进行复核确认，得到最终的样本图像标注，以保证标注的准确性和一致性；

对标注后的样本图像进行预处理步骤；

利用预处理得到的样本图像对病灶检测网络模型进行训练，其中，将样本图像中标注的病灶框的左上角坐标以及长宽和类别标签作为模型输入样本的给定值用于训练，同时对图像和标注做对应的增强处理(包括裁剪，缩放，旋转，对比度变化等)，用于提高模型训练的泛化能力；将病灶框的阳性评分(0.5代表轻微，1代表严重)作为病灶阳性评分回归分支的训练标签。

本发明在病灶阳性评分回归分支，采用对给定评分标签(0.5代表轻微，1代表严重)进行回归拟合而非直接分类，因为在实际临床场景下医生对不同病灶均会采取分级评判严重程度而非直接给出一个具体的介于(0-100)的连续评分，而介于不同严重程度之间的病灶则难以用分类直接输出标签，因此给定分级标签值(0.5,1)进行采用线性回归拟合阳性评分更为合理有效，输出得分越接近1则越严重，越接近0则代表越轻微甚至为假阳。

在一个实施例中，结果输出模块通过下述方式得到病灶检测结果，包括：

将每个候选框的病灶框类别得分和病灶框阳性得分进行相乘得到所述候选框的最终得分；

将所述病灶框位置和所述最终得分作为所述候选框的病灶检测结果；最终的病灶检测结果可以用于进一步辅助诊断眼底视网膜黄斑区域的病种结果和急迫性分析。

进一步地，将所述病灶框位置和所述最终得分作为所述候选框的病灶检测结果之前，所述结果输出模块还进行以下处理步骤：

对候选框进行合并，例如，通过非极大值抑制来合并重合较大的候选框；

对合并得到的候选框进行筛选，具体地，根据经过合并处理后的每个候选框的类别得分进行筛选，若候选框的类别得分大于或等于预设阈值，则将其作为病灶框，若候选框的类别得分小于预设阈值，则将其剔除，不得作为病灶框。其中，所述预设阈值可以是人为设置，也可以根据最大化约登指数(即召回率和准确率之和)确定阈值，最大化约登指数可由在对于病灶检测网络模型进行训练时，测试集的最大化约登指数确定。

如图3所示，是本发明实现oct图像病灶检测方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如oct图像病灶检测程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如oct图像病灶检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如oct图像病灶检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的oct图像病灶检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：

获取oct图像；

将所述oct图像输入病灶检测网络模型，通过所述病灶检测网络模型输出所述oct图像的病灶框位置、病灶框类别得分以及病灶框阳性评分；

根据病灶框位置、病灶框类别得分和病灶框阳性评分得到所述oct图像的病灶检测结果。

具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。