一种PET图像的部分容积校正方法、装置、设备及介质

一种pet图像的部分容积校正方法、装置、设备及介质
技术领域
1.本发明涉及图像处理领域，尤其是一种pet图像的部分容积校正方法、装置、设备及介质。


背景技术：

2.正电子发射计算机断层成像(positron emission tomography，pet)是一种在分子水平进行临床诊断和研究的重要影像工具,由于探测器的空间分辨率不足，与mri/ct影像设备相比，其部分容积效应更加明显,而部分容积效应会使得图像模糊，病灶失真，导致图像质量退化，影响临床的诊断和定量评价。
3.现今为了解决上述问题，提出了兴趣区域水平的pet后重建过程的部分容积校正，但是该方法主要是恢复区域的真实放射性活度，而这些区域假定是在每个区域内具有相同活，通常来说，这些感兴趣区域的获取是通过分割与pet图像配准好的解剖图像，对pet图像和解剖图像的配准和分割精度要求较高，同时需要假设区域活度一致，配准和分割的误差会引起图像质量的下降，有一定局限性和复杂性。


技术实现要素：

4.有鉴于此，为了解决上述技术问题的至少之一，本发明的目的是提供一种pet图像的部分容积校正方法、装置、设备及介质。
5.本发明实施例采用的技术方案是：
6.一种pet图像的部分容积校正方法，包括：
7.获取训练数据；所述训练数据包括具有同一目标物的训练pet图像以及训练mri图像；
8.将所述训练pet图像以及所述训练mri图像输入网络模型进行训练，得到部分容积校正模型；所述网络模型包括pet重构子网络以及mri重构子网络，在所述训练过程中，所述mri重构子网络对所述训练mri图像进行第一特征提取处理，得到mri信息；所述pet重构子网络对所述训练pet图像进行第二特征提取处理，并根据所述mri信息以及第二特征提取处理结果进行叠加解码处理；
9.将具有同一目标对象的第一pet图像以及第一mri图像输入所述部分容积校正模型，得到部分容积校正后的目标pet图像。
10.进一步，所述获取训练数据，包括：
11.通过pet设备获取目标物的原始pet图像，并通过mri设备获取目标物的原始mri图像；
12.根据所述原始pet图像以及所述原始mri图像进行第一配准，得到所述训练pet图像以及所述训练mri图像。
13.进一步，所述将所述训练pet图像以及所述训练mri图像输入网络模型进行训练，得到部分容积校正模型，包括：
14.通过所述mri重构子网络将所述mri信息进行第一解码处理，得到重构mri图像；
15.对所述训练pet图像进行第二特征提取处理，并根据所述mri信息以及第二特征提取处理结果进行叠加解码处理，得到校正pet图像；
16.根据所述重构mri图像、所述训练mri图像以及所述mri重构子网络的第一损失函数，计算第一损失值；
17.根据所述校正pet图像、所述训练pet图像以及所述pet重构子网络的第二损失函数，计算第二损失值；
18.根据所述第一损失值以及所述第二损失值，对所述网络模型进行训练，得到部分容积校正模型。
19.进一步，所述对所述训练mri图像进行第一特征提取处理，得到mri信息，包括：
20.对所述训练mri图像进行第一卷积处理，得到mri信息；所述第一卷积处理包括若干次第一卷积子处理，所述mri信息包括所有第一卷积子处理结果。
21.进一步，所述对所述训练pet图像进行第二特征提取处理，并根据所述mri信息以及第二特征提取处理结果进行叠加解码处理，得到校正pet图像，包括：
22.对所述训练pet图像进行第二卷积处理；
23.对所述mri信息进行卷积变换，并进行叠加解码处理：对第二卷积处理结果进行第二解码处理并在所述第二解码处理的过程中叠加卷积变换结果，得到校正pet图像。
24.进一步，所述根据所述第一损失值以及所述第二损失值，对所述网络模型进行训练，得到部分容积校正模型，包括：
25.计算所述第一损失值与权重系数的乘积；
26.根据所述乘积与所述第二损失值的和，确定优化参数；
27.根据所述优化参数调整所述pet重构子网络以及所述mri重构子网络的网络参数，直至所述优化参数小于等于优化阈值，得到部分容积校正模型。
28.进一步，所述将具有同一目标对象的第一pet图像以及第一mri图像输入所述部分容积校正模型，得到部分容积校正后的目标pet图像，包括：
29.根据所述第一pet图像以及所述第一mri图像进行第二配准，得到第二pet图像以及第二mri图像；
30.将所述第二pet图像以及所述第二mri图像输入所述部分容积校正模型，得到部分容积校正后的所述目标pet图像。
31.本发明实施例还提供一种pet图像的部分容积校正装置，包括：
32.获取模块，用于获取训练数据；所述训练数据包括具有同一目标物的训练pet图像以及训练mri图像；
33.训练模块，用于将所述训练pet图像以及所述训练mri图像输入网络模型进行训练，得到部分容积校正模型；所述网络模型包括pet重构子网络以及mri重构子网络，在所述训练过程中，所述mri重构子网络对所述训练mri图像进行第一特征提取处理，得到mri信息；所述pet重构子网络对所述训练pet图像进行第二特征提取处理，并根据所述mri信息以及第二特征提取处理结果进行叠加解码处理；
34.校正模块，用于将具有同一目标对象的第一pet图像以及第一mri图像输入所述部分容积校正模型，得到部分容积校正后的目标pet图像。
35.本发明实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述方法。
36.本发明实施例还提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现所述方法。
37.本发明的有益效果是：通过获取具有同一目标物的训练pet图像以及训练mri图像，将所述训练pet图像以及所述训练mri图像输入网络模型进行训练，得到部分容积校正模型；所述网络模型包括pet重构子网络以及mri重构子网络，在所述训练过程中，所述mri重构子网络对所述训练mri图像进行第一特征提取处理，得到mri信息；所述pet重构子网络对所述训练pet图像进行第二特征提取处理，并根据所述mri信息以及第二特征提取处理结果进行叠加解码处理，将具有同一目标对象的第一pet图像以及第一mri图像输入所述部分容积校正模型，得到部分容积校正后的目标pet图像；避免了对训练mri图像的分割，通过mri重构子网络使得训练mri图像的信息得以充分保留，使得最终的部分容积校正模型输出的目标pet图像减少了对第一mri图像的过分依赖，提高了目标pet图像的质量。
附图说明
38.图1为本发明pet图像的部分容积校正方法的步骤流程示意图；
39.图2为本发明具体实施例网络模型的示意图；
40.图3(a)为引入mri图像和不引入mri图像的实验结果的对比图，图3(b)为引入mri图像和不引入mri图像的量化结果图；
41.图4(a)为引入mri图像下采用和不采用深度学习网络的实验结果的对比图，图4(b)为引入mri图像下采用和不采用深度学习网络的量化结果图。
具体实施方式
42.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
43.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有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它步骤或单元。
44.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
45.如图1所示，本发明实施例提供一种pet图像的部分容积校正方法，包括步骤s100-s300：
46.s100、获取训练数据。
47.本发明实施例中，训练数据包括具有同一目标物的训练pet图像以及训练mri图像，即训练pet图像以及训练mri图像均为对同一目标物进行拍摄而得到的图像，例如包括但不限于对象的某个部位。可选地，pet指正电子发射计算机断层成像(positron emission tomography，pet)，mri指磁共振成像(magnetic resonance imaging，mri)，是利用核磁共振现象制成的一类用于医学检查的成像设备，可为临床提供高质量的解剖影像；部分容积校正：pet图像上各个像素的数值代表相应单位组织的平均活度值，当它不能如实反映该单位组织本身的活度值时的现象称为部分容积校正效应，而部分容积效应会使得图像模糊，病灶失真，导致图像质量退化，影响临床的诊断和定量评价，因此需要采用校正方法降低部分容积效应的影响。
48.可选地，步骤s100包括步骤s110-s120：
49.s110、通过pet设备获取目标物的原始pet图像，并通过mri设备获取目标物的原始mri图像。
50.s120、根据原始pet图像以及原始mri图像进行第一配准，得到训练pet图像以及训练mri图像。
51.可选地，分别通过pet设备获取目标物的原始pet图像，通过mri设备获取目标物的原始mri图像，并可以同时获取pet(成像)设备中探测器的系统分辨率，然后将原始pet图像以及原始mri图像进行第一配准，得到原始pet图像对应的训练pet图像以及原始mri图像对应的训练mri图像。需要说明的是，第一配准包括但不限于刚性配准；第一配准过程后训练pet图像可以为原始pet图像。
52.s200、将训练pet图像以及训练mri图像输入网络模型进行训练，得到部分容积校正模型。
53.本发明实施例中，网络模型包括pet重构子网络以及mri重构子网络，在训练过程中将训练mri图像输入至mri重构子网络进行第一特征提取处理得到mri信息以及进行第一解码处理得到重构mri图像；将训练pet图像输入至pet重构子网络进行第二特征提取处理，并根据mri信息以及第二特征提取处理结果进行叠加解码处理，得到校正pet图像。需要说明的是，mri重构子网络具有对应的网络参数(记为第一网络参数)以及第一损失函数，pet重构子网络具有对应的网络参数(记为第二网络参数)以及第二损失函数。
54.可选地，第一网络参数以及第二网络参数包括但不限于数据处理(或预处理)相关参数、训练过程与训练相关的参数或者网络相关参数。例如，数据处理(或预处理)相关参数包括但不限于丰富数据库的参数(enrich data)、数据泛化处理的参数(feature normalization and scaling)和bn处理的参数(batch normalization)；训练过程与训练相关的参数包括但不限于训练动量、学习率、衰减函数、权值初始化和正则化相关方法；网络相关参数包括但不限于分类器的选择参数、神经元数量、过滤器数量和网络层数。
55.如图2所示，可选地，mri重构子网络100具有第一编码器101，第一编码器101具有若干个前后连接第一卷积层102，步骤s200的训练过程中，对训练mri图像103进行第一特征提取处理，得到mri信息，包括：对训练mri图像进行第一卷积处理，得到mri信息。需要说明
的是，第一编码器101用于进行第一卷积处理，每一第一卷积层102进行一次第一卷积子处理，且后一层的第一卷积层对前一层的第一卷积子处理结果进行进一步的第一卷积子处理，mri信息包括每一次的第一卷积子处理结果。
56.可选地，步骤s200包括步骤s210-s250，其中s210、s220执行顺序不限定，s220、s240执行顺序不限定：
57.s210、通过mri重构子网络将mri信息进行第一解码处理，得到重构mri图像。
58.如图2所示，可选地，将最后一层的第一卷积层102对应的第一卷积子处理结果通过第一解码器104进行第一解码处理，得到重构mri图像105。
59.需要说明的是，mri重构子网络中需要尽可能保证重构mri图像与训练mri图像一致，使得编码过程尽量充分地保留mri信息，保证mri重构子网络对mri信息最大程度的保留，训练mri图像蕴含了大量关于成像目标的信息和知识，采用编码的方式进行学习，建立训练mri图像的第一编码器用于提取图像的深度表达，以反映训练mri图像内在的本质特征，而为了从深度表达中重构mri图像，利用第一解码器。
60.s220、对训练pet图像进行第二特征提取处理，并根据mri信息以及第二特征提取处理结果进行叠加解码处理，得到校正pet图像。
61.可选地，步骤s220包括步骤s2201-s2202：
62.s2201、对训练pet图像进行第二卷积处理。
63.s2202、对mri信息进行卷积变换，并进行叠加解码处理：对第二卷积处理结果进行第二解码处理并在第二解码处理的过程中叠加卷积变换结果，得到校正pet图像。
64.如图2所示，本发明实施例中，每一第一卷积子处理结果可以进行一次卷积变换(未图示)；pet重构子网络200具有第二编码器201以及第二解码器202，第二编码器201对训练pet图像进行第二卷积处理，可以包括若干个第二卷积层；第二解码器202可以设置有多个前后连接的解码层203，每一解码层203用于进行第二解码处理，且后一层的解码层203对前一层的第二解码处理结果进行进一步的第二解码处理。
65.如图2所示，具体地，以具有四层第一卷积层102以及三层解码层203为例，叠加解码处理为第二解码处理过程中逐层叠加第一卷积子处理结果对应的卷积变换结果，例如：第二编码器201对训练pet图像204进行第二卷积处理，第一层解码层203对第二卷积处理结果以及第三层第一卷积层102的第一卷积子处理结果对应的卷积变换结果进行第一次第二解码处理，第二层解码层203对第一次第二解码处理结果以及第二层第一卷积层102的第一卷积子处理结果对应的卷积变换结果进行第二次第二解码处理，第三层解码层203对第二次第二解码处理结果以及第一层第一卷积层102的第一卷积子处理结果对应的卷积变换结果进行第三次第二解码处理，得到叠加解码处理结果，即校正pet图像205。
66.可以理解的是，pet重构子网络将获得的多层次、多尺度的mri信息跨模态结合到pet重构子网络的重建中，具体地：将第一编码器获得的mri信息逐层叠加到第二解码器的解码过程中，叠加方法可采用卷积变换(c)操作,通过pet重构子网络，使得多层次、多尺度的mri信息均得到利用。
67.s220、根据重构mri图像、训练mri图像以及mri重构子网络的第一损失函数，计算第一损失值。
68.具体地，第一损失函数mri为：
[0069][0070]
其中，f(z；θ)为mri重构子网络的输出(即重构mri图像)，z为训练mri图像，θ为mri重构子网络的权重参数；x1为f(z；θ)-z，x1
t
为x1的转置矩阵，d为高斯加权矩阵。具体地，将各个参数代入第一损失函数中可以计算得到第一损失值。
[0071]
s240、根据校正pet图像、训练pet图像以及pet重构子网络的第二损失函数，计算第二损失值。
[0072][0073]
其中，y为pet重构子网络的输出(即校正pet图像)，h为系统矩阵，*为卷积(包括第二、第三卷积处理)，g为pet图像；x2为g-h*y，x2
t
为x2的转置矩阵，d为高斯加权矩阵。具体地，将各个参数代入第二损失函数中可以计算得到第一损失值。
[0074]
s250、根据第一损失值以及第二损失值，对网络模型进行训练，得到部分容积校正模型。
[0075]
可选地，步骤s250包括步骤s2501-s2503：
[0076]
s2501、计算第一损失值与权重系数的乘积。
[0077]
s2502、根据乘积与第二损失值的和，确定优化参数。
[0078]
本发明实施例中，优化参数的计算公式为：
[0079][0080]
其中，θ
*
为优化参数，β为权重系数，可以根据需要进行设置。
[0081]
s2503、根据优化参数调整pet重构子网络以及mri重构子网络的网络参数，直至优化参数小于等于优化阈值，得到部分容积校正模型。
[0082]
可选地，优化阈值可以根据需要设定，在训练过程中不断调整pet重构子网络的网络参数以及mri重构子网络的网络参数，包括但不限于系统矩阵、权重参数等，直至优化参数小于等于优化阈值，根据最后一次调整的网络参数确定此时的网络模型，从而得到部分容积校正模型。可选地，训练过程中可以通过admm算法进行训练，从而得到最终的优化参数。
[0083]
s300、将具有同一目标对象的第一pet图像以及第一mri图像输入部分容积校正模型，得到部分容积校正后的目标pet图像。
[0084]
可选地，步骤s300包括步骤s310-s320:
[0085]
s310、根据第一pet图像以及第一mri图像进行第二配准，得到第二pet图像以及第二mri图像。
[0086]
s320、将第二pet图像以及第二mri图像输入部分容积校正模型，得到部分容积校正后的目标pet图像。
[0087]
可选地，分别通过pet设备和mri设备拍摄同一目标对象得到第一pet图像以及第一mri图像，然后对第一pet图像以及第一mri图像进行第二配准(例如与第一配准方式相同)，得到第二pet图像以及第二mri图像，然后将第二pet图像以及第二mri图像输入部分容积校正模型，得到部分容积校正后的目标pet图像，即对第二pet图像进行部分容积校正后
的图像。需要说明的是，一些实施例中第一pet图像以及第一mri图像可以为事先经过配准后的图像，则将第一pet图像以及第一mri图像输入部分容积校正模型即可。
[0088]
本发明实施例通过深度学习的网络模型将mri与pet的深层次特征信息运用到pet部分容积校正过程中，不需要进行训练mri图像的分割，通过mri重构子网络使得训练mri图像的信息得以充分保留，并将其利用到网络模型的部分容积校正算法过程中，可以避免生成的校正pet图像对训练mri图像的过分依赖。同时，通过深度的网络模型的提前预训练，大大提高了算法的速度，引入权重先验约束网络权重，提高网络优化效率。
[0089]
如图3(a)所示，采用真实人体的pet仿真图像数据，其中图3(a)中a为对应于真实目标物的pet理想图像，大小为256*256*181；图3(a)中b为mri图像，分割为6个不同的脑区域；对pet仿真图像，在投影域通过衰减校正，均一化校正，降低光子计数之后通过mlem迭代240次后重建获得未校正的pet图像，如图3(a)中的c所示；图3(a)中的d为没有利用mri图像的nlm方法的校正结果，图3(a)中e为通过本发明实施例的pet图像的部分容积校正方法(简称mnpvc方法)得到的pet图像。对于nlm，本发明设置的搜索窗尺寸为21*21*21，图像块尺寸为7*7*7，两种比较的校正方法分别为未引入mri信息的非局部均值算法(即nlm方法)和本发明方法(记为mnpvc方法)，图像结果是在达到相同的噪声水平情况下，进行比较的。从图3(a)中可以看出，本发明提出的mnpvc方法得到的目标pet图像视觉效果更接近真实体模图像，效果更好。
[0090]
如图3(b)所示为量化结果，本发明提mnpvc方法相比nlm方法，具有较低的噪声和偏差，且本发明mnpvc方法相比未利用mri解剖结构信息(no-pvc)的方法，能够更好的抑制pet图像噪声，更好实现对pet部分容积的校正，改善pet图像质量。
[0091]
如图4(a)所示，由真实人体pet数据得来，其中图4(a)中a为对应于真实目标物的pet理想图像，大小为256*256*181；图4(a)中b为引入的mri图像,分割为6个不同的脑区域；图4(a)中c为基于mri图像进行pet部分容积校正方法需用到的mri分割图；对pet仿真图像，在投影域通过衰减校正，均一化校正，降低光子计数之后通过mlem迭代240次后重建获得的未校正的pet图像，如图4(a)中d所示；图4(a)中e为d应用rbv算法后得到的pet图像；图4(a)中f为d应用sbowsher算法后得到的pet图像，图4(a)中g为d应用本发明mnpvc方法后得到的pet图像。需要说明的是，用到rbv算法是将gtm算法扩展到像素，是基于mri分割的算法也是利用mri信息进行部分容积校正的典型算法，sbowsher算法为对称的sbowsher算法，是基于mri图像但不需要对mri进行分割的pet部分容积校正的经典算法，因此选取此两种方法与本发明方法进行比较，可以看到本发明mnpvc方法得到的pet图像效果更好。
[0092]
如图4(b)所示，本发明mnpvc方法与需要mri的分割图像的rbv方法及不需要mri的分割图像的sbowsher算法相比，无论在视觉效果还是量化指标上均好于这两种方法。表1提供了四种不同的部分容积校正算法所用时间的比较，总体来讲本发明mnpvc方法所用的时间最少，结合图像质量，mnpvc可以实现最优的pet部分容积校正效果。
[0093]
表1
[0094]
方法时间(分钟)rbv3.35nlm14.48sbowsher15.12
mnpvc2.63
[0095]
本发明实施例还提供一种pet图像的部分容积校正装置，包括：
[0096]
获取模块，用于获取训练数据；训练数据包括具有同一目标物的训练pet图像以及训练mri图像；
[0097]
训练模块，用于将训练pet图像以及训练mri图像输入网络模型进行训练，得到部分容积校正模型；网络模型包括pet重构子网络以及mri重构子网络，在训练过程中，mri重构子网络对训练mri图像进行第一特征提取处理，得到mri信息；pet重构子网络对训练pet图像进行第二特征提取处理，并根据mri信息以及第二特征提取处理结果进行叠加解码处理；
[0098]
校正模块，用于将具有同一目标对象的第一pet图像以及第一mri图像输入部分容积校正模型，得到部分容积校正后的目标pet图像。
[0099]
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0100]
本发明实施例还提供了一种电子设备，电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现前述实施例的pet图像的部分容积校正方法。本发明实施例的电子设备包括但不限于手机、平板电脑、电脑及车载电脑等任意智能终端。
[0101]
上述方法实施例中的内容均适用于本设备实施例中，本设备实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0102]
本发明实施例还提供一种计算机可读存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现前述实施例的pet图像的部分容积校正方法。
[0103]
本发明实施例还提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述实施例的pet图像的部分容积校正方法。
[0104]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本技术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。
[0105]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指
这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0106]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，单元的划分，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，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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单元来实现本实施例方案的目的。另外，在本技术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。
[0107]
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，本技术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，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0108]
以上，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。