血流储备分数FFR值确定模型的生成方法及其装置与流程

血流储备分数ffr值确定模型的生成方法及其装置
技术领域
1.本发明涉及计算机技术领域，具体而言，涉及一种血流储备分数ffr值确定模型的生成方法及其装置。


背景技术：

2.血流储备分数(fractional flow reserve，简称ffr)被定义为充血时狭窄分支内的血流与健康条件下同一分支内假设的充血血流的比率。充血是一种压力状态，冠状动脉血流最大。这可以被证明与狭窄远端充血周期平均压力与周期平均主动脉压力的比值非常接近。ffr引导下的决策具有优越性，并且也是ffr目前确定病变功能严重程度的金标准。但是传统的ffr计算是基于计算流体动力学(computational fluid dynamics，简称cfd)模型的，cfd模型的计算要求难度过大和相关的图像分割过程阻碍了将该技术用于实时应用，如术中指导干预。另一种具有高效预测能力的方法是基于机器学习(ml)算法。但是现有的ml算法或者深度学习算法都没有考虑特征与特征之间的相关联系，将特征独立分开对待，导致精度不够，数据处理繁琐，流程复杂。并且现有推理技术中，训练模型皆为模拟数据，所有血管中的半径狭窄皆以分布模型模拟，并没有考虑到真实场景中的数据。
3.针对上述相关技术中使用的血流储备分数ffr获取方式可靠性比较低的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种血流储备分数ffr值确定模型的生成方法及其装置，以至少解决针对相关技术中使用的血流储备分数ffr获取方式可靠性比较低的技术问题。
5.根据本发明实施例的一个方面，提供了一种血流储备分数ffr值确定模型的生成方法，包括：从原始血管图像中提取目标血管段的中心线，其中，所述原始血管图像为目标血管的血管图像；从所述原始血管图像中分割得到所述目标血管段对应的所述目标血管的血管轮廓；基于所述血管轮廓对所述目标血管进行血管重建，得到目标血管模型；生成所述目标血管模型的血流储备分数ffr值与所述目标血管模型的中心线上每个中心点的特征信息之间的映射关系，并基于所述映射关系得到多维特征数据；利用所述多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型。
6.可选地，从原始血管图像中提取目标血管段的中心线，包括：对原始血管图像进行预处理，得到所述目标血管的二值化图像；响应作用于所述二值化图像的触发操作，确定所述目标血管段上的至少两个节点；基于所述至少两个节点生成所述目标血管段；提取所述目标血管段的所述中心线。
7.可选地，从所述原始血管图像中分割得到所述目标血管段对应的所述目标血管的血管轮廓，包括：对原始血管图像进行预处理，得到所述目标血管的二值化图像；从所述二值化图像中分割得到所述目标血管的初始血管轮廓；生成所述初始血管轮廓的距离图像；在所述距离图像中确定所述目标血管段的中心线上的中心点与所述初始血管轮廓的最短
距离；对所述目标血管段的中心线上各个中心点以所述最短距离为膨胀参数进行膨胀扩张操作，得到所述目标血管的血管轮廓。
8.可选地，基于所述血管轮廓对所述目标血管进行血管重建，得到目标血管模型，包括：分别对所述初始血管轮廓以及所述血管轮廓对应的图像添加预定权重进行求和，得到所述目标血管模型。
9.可选地，生成所述目标血管模型的血流储备分数ffr值与所述目标血管模型的中心线上每个中心点的特征信息之间的映射关系，包括：通过计算流体动力学cfd确定所述目标血管模型的ffr值；获取所述目标血管模型的中心线上每个中心点的结构信息以及所述每个中心点的上下游特征；将所述每个中心点的结构信息以及所述每个中心点的上下游特征映射到所述ffr值上，得到所述映射关系。
10.可选地，利用所述多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型，包括：基于所述多维特征数据生成特征数据矩阵；利用所述特征数据矩阵对所述预处初始网络模型进行训练，得到所述ffr值确定模型。
11.根据本发明实施例的另外一个方面，还提供了一种血流储备分数ffr值确定模型的生成装置，包括：提取模块，用于从原始血管图像中提取目标血管段的中心线，其中，所述原始血管图像为目标血管的血管图像；分割模块，用于从所述原始血管图像中分割得到所述目标血管段对应的所述目标血管的血管轮廓；重建模块，用于基于所述血管轮廓对所述目标血管进行血管重建，得到目标血管模型；生成模块，用于生成所述目标血管模型的血流储备分数ffr值与所述目标血管模型的中心线上每个中心点的特征信息之间的映射关系，并基于所述映射关系得到多维特征数据；训练模块，用于利用所述多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型。
12.可选地，所述提取模块，包括：第一预处理单元，用于对原始血管图像进行预处理，得到所述目标血管的二值化图像；响应单元，用于响应作用于所述二值化图像的触发操作，确定所述目标血管段上的至少两个节点；第一生成单元，用于基于所述至少两个节点生成所述目标血管段；提取单元，用于提取所述目标血管段的所述中心线。
13.可选地，所述分割模块，包括：第二预处理单元，用于对原始血管图像进行预处理，得到所述目标血管的二值化图像；第一获取单元，用于从所述二值化图像中分割得到所述目标血管的初始血管轮廓；第二生成单元，用于生成所述初始血管轮廓的距离图像；第一确定单元，用于在所述距离图像中确定所述目标血管段的中心线上的中心点与所述初始血管轮廓的最短距离；膨胀扩张单元，用于对所述目标血管段的中心线上各个中心点以所述最短距离为膨胀参数进行膨胀扩张操作，得到所述目标血管的血管轮廓。
14.可选地，所述重建模块，包括：求和单元，用于分别对所述初始血管轮廓以及所述血管轮廓对应的图像添加预定权重进行求和，得到所述目标血管模型。
15.可选地，所述生成模块，包括：第二确定单元，用于通过计算流体动力学cfd确定所述目标血管模型的ffr值；第二获取单元，用于获取所述目标血管模型的中心线上每个中心点的结构信息以及所述每个中心点的上下游特征；映射单元，用于将所述每个中心点的结构信息以及所述每个中心点的上下游特征映射到所述ffr值上，得到所述映射关系。
16.可选地，所述训练模块，包括：第三生成单元，用于基于所述多维特征数据生成特征数据矩阵；训练单元，用于利用所述特征数据矩阵对所述预处初始网络模型进行训练，得
到所述ffr值确定模型。
17.根据本发明实施例的另外一个方面，还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包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述计算机可读存储介质所在设备执行上述中任一项所述的血流储备分数ffr值确定模型的生成方法。
18.根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行计算机程序，其中，所述计算机程序运行时执行上述中任一项所述的血流储备分数ffr值确定模型的生成方法。
19.在本发明实施例中，从原始血管图像中提取目标血管段的中心线，其中，原始血管图像为目标血管的血管图像；从原始血管图像中分割得到目标血管段对应的目标血管的血管轮廓；基于血管轮廓对目标血管进行血管重建，得到目标血管模型；生成目标血管模型的血流储备分数ffr值与目标血管模型的中心线上每个中心点的特征信息之间的映射关系，并基于映射关系得到多维特征数据；利用多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型。通过本发明实施例提供的血流储备分数ffr值确定模型的生成方法，达到了利用原始血管图像信息得到目标血管模型并生成多为特征数据，并基于此得到ffr值确定模型的目的，从而实现了提升血流储备分数ffr获取方式可靠性的技术效果，进而解决了针对相关技术中使用的血流储备分数ffr获取方式可靠性比较低的技术问题。
附图说明
20.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
21.图1是根据本发明实施例的血流储备分数ffr值确定模型的生成方法的流程图；
22.图2是根据本发明实施例的二维dsa影像中心线提取过程的示意图；
23.图3是根据本发明实施例的结合中心线与血管分割结果构建血管模型的示意图；
24.图4是根据本发明实施例的根据获取到的特征进行自动机器学习流程的示意图；
25.图5是根据本发明实施例的血流储备分数ffr值确定模型的生成装置的示意图。
具体实施方式
26.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
27.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品
或设备固有的其它步骤或单元。
28.实施例1
29.根据本发明实施例，提供了一种血流储备分数ffr值确定模型的生成方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
30.图1是根据本发明实施例的血流储备分数ffr值确定模型的生成方法的流程图，如图1所示，该方法包括如下步骤：
31.步骤s102，从原始血管图像中提取目标血管段的中心线，其中，原始血管图像为目标血管的血管图像。
32.可选的，在上述步骤中，首先获取原始血管图像的血管图像(即原始血管图像)，接着从获取到的血管图像中利用二值化等处理方式来获取血管图像中目标血管的端点，并基于此来获取目标血管的中心线。
33.步骤s104，从原始血管图像中分割得到目标血管段对应的目标血管的血管轮廓。
34.可选的，在上述步骤中，利用获取到的原始血管图像的血管图像进行分割，以得到目标血管段所对应的血管轮廓。
35.步骤s106，基于血管轮廓对目标血管进行血管重建，得到目标血管模型。
36.可选的，在上述步骤中，对获取到的血管轮廓进行膨胀与扩张操作，来生成形状模型。
37.步骤s108，生成目标血管模型的血流储备分数ffr值与目标血管模型的中心线上每个中心点的特征信息之间的映射关系，并基于映射关系得到多维特征数据。
38.可选的，在上述步骤中，ffr(fractional flow reserve)表示血流储备分数，被定义为充血时狭窄分支内的血流与健康条件下同一分支内假设的充血血流的比率。将之前获取的目标血管模型的中心线上每个中心点的特征信息与目标血管模型的ffr值对应起来，并生成映射关系，基于映射关系得到多维特征数据。
39.步骤s110，利用多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型。
40.由上可知，在本发明实施例中，首先可以从原始血管图像中提取目标血管段的中心线，其中，原始血管图像为目标血管的血管图像；接着可以从原始血管图像中分割得到目标血管段对应的目标血管的血管轮廓；基于血管轮廓对目标血管进行血管重建，得到目标血管模型；接着可以生成目标血管模型的血流储备分数ffr值与目标血管模型的中心线上每个中心点的特征信息之间的映射关系，并基于映射关系得到多维特征数据；最后可以利用多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型。通过本发明实施例提供的血流储备分数ffr值确定模型的生成方法，达到了利用原始血管图像信息得到目标血管模型并生成多为特征数据，并基于此得到ffr值确定模型的目的，从而实现了提升血流储备分数ffr获取方式可靠性的技术效果，进而解决了针对相关技术中使用的血流储备分数ffr获取方式可靠性比较低的技术问题。
41.作为一种可选的实施例，从原始血管图像中提取目标血管段的中心线，包括：对原始血管图像进行预处理，得到目标血管的二值化图像；响应作用于二值化图像的触发操作，
确定目标血管段上的至少两个节点；基于至少两个节点生成目标血管段；提取目标血管段的中心线。
42.图2是根据本发明实施例的二维dsa影像中心线提取过程的示意图，如图2所示，首先获取目标血管的原始血管图像，接着利用黑塞矩阵(hessian)对图像进行增强处理，得到增强后的hessian增强图像，接着对图像进行二值化处理，得到二值化后边界更清晰的图像，接着对该图像进行中心线端点确定，最后基于确定后的中心线端点提取目标血管段的中心线。
43.作为一种可选的实施例，从原始血管图像中分割得到目标血管段对应的目标血管的血管轮廓，包括：对原始血管图像进行预处理，得到目标血管的二值化图像；从二值化图像中分割得到目标血管的初始血管轮廓；生成初始血管轮廓的距离图像；在距离图像中确定目标血管段的中心线上的中心点与初始血管轮廓的最短距离；对目标血管段的中心线上各个中心点以最短距离为膨胀参数进行膨胀扩张操作，得到目标血管的血管轮廓。
44.例如，在该实施例中，可以将距离图像的像素值转换为目标血管段的中心线上的中心点处的半径大小，从而基于半径大小来确定该中心点与初始血管轮廓之间的最短距离；接着基于最短距离对各个中心点执行膨胀操作，从而得到目标血管轮廓，利用该血管轮廓可以对最终生成的血管模型进行约束，以使得最终生成的血管模型满足类似圆柱、筒状等形状。
45.图3是根据本发明实施例的结合中心线与血管分割结果构建血管模型的示意图，如图3所示，首先获取图3a原始血管图像，接着对原始血管图像进行二值化处理得到图3c、对原始血管图像进行黑塞矩阵图像增强处理得到图3b，在图3c的基础上确定目标血管的至少两个端点，包括第一端点以及第二端点，以获得图3d，接着对血管中心线进行其在距离图像上对应的距离的膨胀扩张，生成形状模型(图3e)，最后，提取经过两个端点的血管中心线，得到图3f。
46.作为一种可选的实施例，基于血管轮廓对目标血管进行血管重建，得到目标血管模型，包括：分别对初始血管轮廓以及血管轮廓对应的图像添加预定权重进行求和，得到目标血管模型。
47.在上述可选的实施例中，在基于血管轮廓对目标血管进行血管重建时，粉笔那对初始血管轮廓以及血管轮廓对应的图像添加预定权重进行求和操作，其中，可单步求和也可以迭代进行多步求和，以获取最终的目标血管模型。
48.其中，在该实施例中，初始血管轮廓以及目标血管对应的图像分别是像素矩阵，可以基于经验分别为初始血管轮廓以及目标血管对应的像素矩阵设置预定权重，接着可以基于预定权重对初始血管轮廓以及目标血管对应的像素矩阵进行加权求和，以得到最终的目标血管模型对应的像素矩阵，进而也就得到了目标血管模型。
49.作为一种可选的实施例，生成目标血管模型的血流储备分数ffr值与目标血管模型的中心线上每个中心点的特征信息之间的映射关系，包括：通过计算流体动力学cfd确定目标血管模型的ffr值；获取目标血管模型的中心线上每个中心点的结构信息以及每个中心点的上下游特征；将每个中心点的结构信息以及每个中心点的上下游特征映射到ffr值上，得到映射关系。
50.需要说明的是，cfd(computational fluid dynamics)表示计算流体动力学，是一
种近代流体力学，可以将流体力学的控制方程中积分、微分项近似地表示为离散的代数形式，使其成为代数方程组，然后通过计算机求解这些离散的代数方程组，以获得离散的时间/空间点上的数值解。
51.在上述可选的实施例中，首先通过计算流体动力学cfd来确定目标血管模型的ffr值，接着根据之前获取到的目标血管的中心线以及目标血管模型来获取与目标血管模型的中心线上每个中心点的结构信息以及每个中心点对应的上下游特征，再将每个中心点的结构信息以及每个中心点的上下游特征映射到之前获取的ffr值上，以得到映射关系。
52.其中，上述结构信息可以包括但不限于：血管半径、血管曲率等信息。每个中心点的上下游特征为当前中心点预定距离处的中心点上的结构信息。
53.作为一种可选的实施例，利用多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型，包括：基于多维特征数据生成特征数据矩阵；利用特征数据矩阵对预处初始网络模型进行训练，得到ffr值确定模型。
54.图4是根据本发明实施例的根据获取到的特征进行自动机器学习流程的示意图，如图4所示，首先可以根据上下游特征构建的特征矩阵来进行机器学习，其中，机器学习中首先预处理数据，接着选择适当的特征、适合的模型族，接着优化模型超参数，接着后处理机器学习模型，最后批判性分析所获得的结果，以获取到最优模型，最后利用最优模型进行预测来获取ffr数值颜色图。
55.下面对本发明实施例提供的获取ffr数值的推理模型的方法步骤进行详细说明。
56.s1、对原始图像(即原始血管图像)进行预处理，生成二值化图像。
57.s2、在二值化图像上自动(如位置选择)或者交互式选取确定目标血管内至少两个端点，包括第一端点和第二端点。
58.s3、在二值化图像中提取从第一端点到第二端点的目标血管中心线(即目标血管段的中心线)。
59.s4、对二值化图像进行分割。
60.s5、对分割图像进行标准化处理，并对所得图像求取其对应的距离图像。
61.s6、结合s3中所得中心线与步骤s5中所得距离图像提取中心线上点到血管轮廓的最短距离。
62.s7、对血管中心线进行膨胀扩张操作，中心线上各点膨胀扩张半径为步骤s6中血管中心线到血管轮廓的最短距离，得到目标血管形状模型。
63.s8、对步骤s4中图像经水平集的分割结果与步骤s7中的血管形状模型以特定权重进行求和(可单步求和也可以迭代进行多步求和)，获取最终目标血管结构。
64.s9、从步骤s3得到的中心线以及从步骤s8中所获得的血管结构计算出相应的上下游特征，以及根据cfd模型计算出精确ffr数值。
65.s10、根据步骤s9得到的上下游特征，以及精确ffr数值，利用自动机器学习去寻找他们之间的映射关系，从而得到ffr数值的推理模型。
66.由上可知，通过本发明实施实例提供的血流储备分数ffr值确定模型的生成方法具有以下技术效果：
67.1.根据真实数据集，通过中心线提取、血管分割、血管重建、计算ffr值，最终得到的数据集精确可靠，而不是靠模拟数据集来训练。
68.2.使用了先进的自动机器学习，省略了传统机器学习数据处理的繁杂操作，所得到的推理函数更加精准可靠。
69.3.特征基于血管上下游特征，以使每个离散点可以掌握全局信息，所得到的预测模型更加精准可靠。
70.因此，通过本发明实施例提供的血流储备分数ffr值确定模型的生成方法，由于使用了先进的自动机器学习，省略了传统机器学习的繁杂操作，同时加入了大量基于上下游相互相关联的特征，从而更好的拟合了ffr的推理函数。
71.实施例2
72.根据本发明实施例的另外一个方面，还提供了一种血流储备分数ffr值确定模型的生成装置，图5是根据本发明实施例的血流储备分数ffr值确定模型的生成装置的示意图，如图5所示，包括：提取模块51、分割模块53、重建模块55、生成模块57以及训练模块59。
73.提取模块51，用于从原始血管图像中提取目标血管段的中心线，其中，原始血管图像为目标血管的血管图像。
74.分割模块53，用于从原始血管图像中分割得到目标血管段对应的目标血管的血管轮廓。
75.重建模块55，用于基于血管轮廓对目标血管进行血管重建，得到目标血管模型。
76.生成模块57，用于生成目标血管模型的血流储备分数ffr值与目标血管模型的中心线上每个中心点的特征信息之间的映射关系，并基于映射关系得到多维特征数据。
77.训练模块59，用于利用多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型。
78.此处需要说明的是，上述提取模块51、分割模块53、重建模块55、生成模块57以及训练模块59对应于实施例1中的步骤s102至s110，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
79.由上可知，在本发明实施例中，首先可以借助提取模块51从原始血管图像中提取目标血管段的中心线，其中，原始血管图像为目标血管的血管图像；接着可以借助分割模块53从原始血管图像中分割得到目标血管段对应的目标血管的血管轮廓；接着可以借助重建模块55基于血管轮廓对目标血管进行血管重建，得到目标血管模型；接着可以借助生成模块57生成目标血管模型的血流储备分数ffr值与目标血管模型的中心线上每个中心点的特征信息之间的映射关系，并基于映射关系得到多维特征数据；最后可以借助训练模块59利用多维特征数据对预定初始网络模型进行训练，得到ffr值确定模型。通过本发明实施例提供的血流储备分数ffr值确定模型的生成装置，达到了利用原始血管图像信息得到目标血管模型并生成多为特征数据，并基于此得到ffr值确定模型的目的，从而实现了提升血流储备分数ffr获取方式可靠性的技术效果，进而解决了针对相关技术中使用的血流储备分数ffr获取方式可靠性比较低的技术问题。
80.可选地，提取模块，包括：第一预处理单元，用于对原始血管图像进行预处理，得到目标血管的二值化图像；响应单元，用于响应作用于二值化图像的触发操作，确定目标血管段上的至少两个节点；第一生成单元，用于基于至少两个节点生成目标血管段；提取单元，用于提取目标血管段的中心线。
81.可选地，分割模块，包括：第二预处理单元，用于对原始血管图像进行预处理，得到目标血管的二值化图像；第一获取单元，用于从二值化图像中分割得到目标血管的初始血管轮廓；第二生成单元，用于生成初始血管轮廓的距离图像；第一确定单元，用于在距离图像中确定目标血管段的中心线上的中心点与初始血管轮廓的最短距离；膨胀扩张单元，用于对目标血管段的中心线上各个中心点以最短距离为膨胀参数进行膨胀扩张操作，得到目标血管的血管轮廓。
82.可选地，重建模块，包括：求和单元，用于分别对初始血管轮廓以及血管轮廓对应的图像添加预定权重进行求和，得到目标血管模型。
83.可选地，生成模块，包括：第二确定单元，用于通过计算流体动力学cfd确定目标血管模型的ffr值；第二获取单元，用于获取目标血管模型的中心线上每个中心点的结构信息以及每个中心点的上下游特征；映射单元，用于将每个中心点的结构信息以及每个中心点的上下游特征映射到ffr值上，得到映射关系。
84.可选地，训练模块，包括：第三生成单元，用于基于多维特征数据生成特征数据矩阵；训练单元，用于利用特征数据矩阵对预处初始网络模型进行训练，得到ffr值确定模型。
85.实施例3
86.根据本发明实施例的另外一个方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序被处理器运行时控制计算机可读存储介质所在设备执行上述中任一项的血流储备分数ffr值确定模型的生成方法。
87.实施例4
88.根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行计算机程序，其中，计算机程序运行时执行上述中任一项的血流储备分数ffr值确定模型的生成方法。
89.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
90.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
91.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
92.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
93.另外，在本发明各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
94.所述集成的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。基于这样的理解，本发明的技术方案本质上
或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
95.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。