双示踪剂ECT成像方法、装置、设备及存储介质

双示踪剂ect成像方法、装置、设备及存储介质
技术领域
1.本技术涉及医学影像重建技术领域，特别是涉及一种双示踪剂ect成像方法、装置、设备及存储介质。


背景技术：

2.医学成像技术分为结构成像技术和功能成像技术两大类。常见的结构成像技术包括ct(computed tomography，电子计算机x射线断层扫描技术)、mri(magnetic resonance imaging，磁共振成像)和超声成像，而功能成像技术包括光学和核医学功能成像灯。核医学功能成像按照体内放射性示踪剂不同分成pet和spect两种成像技术，前者使用正电子核素标记的正电子放射性示踪剂，后者使用单光子核素标记的单光子发射性示踪剂。传统的pet和spect双模成像系统大都采用两套不同的探测器来分别得到pet高能伽玛射线和spect低能伽玛射线数据，其对人体辐射的剂量较高，并且体积庞大、成本较高、移动性和可调性较差。并且，现有的spect成像质量往往较差，分辨率和灵敏度较低。


技术实现要素：

3.本技术提供一种双示踪剂ect成像方法、装置、设备及存储介质，以解决现有的医学影响成像方式单一、成像质量较差的问题。
4.为解决上述技术问题，本技术采用的一个技术方案是：提供一种双示踪剂ect成像方法，包括：获取高能射线探测器采集的目标的第一投影数据和低能射线探测器采集的目标的第二投影数据，以及目标的mr图像数据；将所述第一投影数据和所述mr图像数据输入至预先训练好的pet成像模型，并以所述mr图像数据作为先验数据进行图像重建，得到pet图像，所述pet成像模型基于预先准备的样本pet投影数据和与样本pet投影数据配准的样本mr图像数据训练得到；基于核特征引导的方式利用所述pet图像引导所述第二投影数据构建spect图像。
5.作为本技术的进一步改进，所述pet成像模型表示为：
[0006][0007]
x＝f(θ|z)；
[0008]
其中，θ为所述pet成像模型的神经网络参数，l(y|θ)为所述第一投影数据的对数似然函数表示，m为pet探测器中湮灭光子符合线的总数，yi为第i个第一投影数据，x为待重建的所述pet图像，f表示所述pet成像模型的神经网络，z为所述mr图像数据；
[0009]
重建所述pet图像时采用最大似然估计法，表示为：
[0010][0011][0012]
其中，为神经网络参数的最大似然估计，为待重建的所述pet图像的最大似然估计。
[0013]
作为本技术的进一步改进，所述基于核特征引导的方式利用所述pet图像引导所述第二投影数据构建spect图像，包括：
[0014]
提取所述pet图像的所有特征，并根据所有特征构建核矩阵；
[0015]
基于所述核矩阵和所述第二投影数据采用最大似然估计法进行迭代，计算得到最优系数图像估计值；
[0016]
利用所述最优数图像估计值和所述核矩阵重建所述spect图像。
[0017]
作为本技术的进一步改进，所述最优系数图像估计值的表达式为：
[0018][0019]
其中，为所述最优系数图像估计值，b为所述第二投影数据，为所述核矩阵，α为系数图像估计值；
[0020]
所述最优系数图像估计值的表达式利用最大em算法结合泊松随机分布进行迭代，表示为：
[0021][0022]
其中，r为spect系统核素分布与探测投影的关系概率矩阵，c表示随机散射事件向量，t表示矩阵转置，1n为所有元素均为1的长度为n的向量，n为迭代次数。
[0023]
作为本技术的进一步改进，所述提取所述pet图像的所有特征，并根据所有特征构建核矩阵，包括：
[0024]
利用径向高斯核函数提取所述pet图像的所有特征数据；
[0025]
基于最近邻搜索方法，根据所有所述特征数据建立稀疏矩阵；
[0026]
对所述稀疏矩阵进行正则化，得到所述核矩阵。
[0027]
作为本技术的进一步改进，所述特征数据的提取表示为：
[0028][0029]
其中，k为所述径向高斯核函数，fj为所述pet图像中第j个像素，f
l
为fj的其中一个邻域像素，σ为预设参数，用于调节邻域像素间差异化大小；
[0030]
所述稀疏矩阵的建立表示为：
[0031][0032]
其中，k为所述稀疏矩阵；
[0033]
所述稀疏矩阵正则化表示为：
[0034][0035]
其中，为正则化的稀疏矩阵，diag-1
是对角矩阵的逆矩阵，1n为所有元素均为1的长度为n的向量，与所述稀疏矩阵的行列大小相同。
[0036]
作为本技术的进一步改进，所述pet成像模型基于3du-net网络结构实现；训练所述pet成像模型，包括：利用样本pet投影数据进行预设次数的mlem重建，得到样本重建图像；利用所述样本重建图像对样本pet投影数据进行标注；利用标注后的样本pet投影数据
和与样本pet投影数据配准后的样本mr图像数据对所述pet成像模型进行迭代训练。
[0037]
为解决上述技术问题，本技术采用的另一个技术方案是：提供一种双示踪剂ect成像装置，包括：获取模块，用于获取高能射线探测器采集的目标的第一投影数据和低能射线探测器采集的目标的第二投影数据，以及目标的mr图像数据；pet成像模块，用于将所述第一投影数据和所述mr图像数据输入至预先训练好的pet成像模型，并以所述mr图像数据作为先验数据进行图像重建，得到pet图像，所述pet成像模型基于预先准备的样本pet投影数据和与样本pet投影数据配准的样本mr图像数据训练得到；spect成像模块，用于基于核特征引导的方式利用所述pet图像引导所述第二投影数据构建spect图像。
[0038]
为解决上述技术问题，本技术采用的再一个技术方案是：提供一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述任一项的双示踪剂ect成像方法的步骤。
[0039]
为解决上述技术问题，本技术采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述任一项的双示踪剂ect成像方法的程序指令。
[0040]
本技术的有益效果是：本技术的双示踪剂ect成像方法通过获取高能射线探测器采集的第一投影数据，并以mr图像作为先验图像，利用预先训练好的pet成像模型进行图像重建，从而得到高质量的pet图像，再通过获取pet图像中的特征，利用pet图像中的特征来引导低能射线探测器采集的第二投影数据来重建spect图像，相较于单独采用第二投影数据重建图像的方式，该利用pet图像进行核特征引导方式所重建的spect图像质量更高，并且通过将pet成像和spect成像进行整合，从而使得只需要进行一次投影数据采集即可，一方面降低了设备成本，另一方面避免重复对患者扫描，减少患者遭受的辐射伤害。
附图说明
[0041]
图1是本发明实施例的双示踪剂ect成像方法的流程示意图；
[0042]
图2是本发明实施例的双示踪剂ect成像装置的功能模块示意图；
[0043]
图3是本发明实施例的计算机设备的结构示意图；
[0044]
图4是本发明实施例的存储介质的结构示意图。
具体实施方式
[0045]
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，所描述的实施例仅是本技术的一部分实施例，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，都属于本技术保护的范围。
[0046]
本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改
变。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。
[0047]
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。
[0048]
图1是本发明实施例的双示踪剂ect成像方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
[0049]
步骤s101：获取高能射线探测器采集的目标的第一投影数据和低能射线探测器采集的目标的第二投影数据，以及目标的mr图像数据。
[0050]
本实施例中，该双示踪剂ect成像方法应用于双示踪剂ect成像系统，该双示踪剂ect成像系统包括环形探测器，该环形探测器的内层为低能射线探测器，用于发射低能射线，如锝99mspect，衰变释放γ射线，会朝随机方向释放一个141kev能量的光子；该环形探测器的外层为高能射线探测器，用于发射高能射线，如18f-fdg pet，由正电子发射核素18f衰变后释放正电子，正电子会在1-3mm范围内与人体体内的负电子相遇并湮灭，同时释放出一对能量相同、方向相反的光子，光子能量为511kev。需要说明的是，本发明对该环形探测器的外观形状不做限定，其可以为圆形结构也可以为方形结构。
[0051]
步骤s102：将所述第一投影数据和所述mr图像数据输入至预先训练好的pet成像模型，并以所述mr图像数据作为先验数据进行图像重建，得到pet图像，所述pet成像模型基于预先准备的样本pet投影数据和与样本pet投影数据配准的样本mr图像数据训练得到。
[0052]
在步骤s102中，在得到目标的第一投影数据和mr图像后，将第一投影数据和mr图像作为输入，输入至预先训练好的pet成像模型进行图像重建，得到重建好的pet图像，其在进行pet图像重建时，引入了mr图像作为先验图像以辅助图像重建，从而提高重建的pet图像的质量。具体地，该pet图像重建的原理如下：
[0053]
首先，在获取到第一投影数据后，可假设存在一组独立的随机变量，假设其期望值与待重建的pet图像相关，可仿射变换表示为：
[0054][0055]
其中，为期望值，x为待重建的pet图像，p为pet系统中核素分布与探测投影的关系概率矩阵，s为随机散射事件的向量。
[0056]
再通过假定获取到的第一投影数据遵循泊松分布，其可用对数似然函数表示为：
[0057][0058]
其中，l(y|x)为第一投影数据的对数似然函数，yi为第一投影数据，m为pet探测器中湮灭光子符合线的总数。
[0059]
本实施例中为了利用深度神经网络来实现pet图像重建，将待重建的pet图像表示为一下映射函数：
[0060]
x＝f(θ|z)；
[0061]
其中，f表示所述pet成像模型的神经网络，z为所述mr图像数据，θ为所述pet成像模型的神经网络参数。
[0062]
由上可得整合后的公式：因此，上述对数似然函数用θ表示为：
[0063][0064]
至此，pet成像模型可以表示为：
[0065][0066]
x＝f(θ|z)；
[0067]
而该待重建的pet图像的最大似然估计过程表示为：
[0068][0069][0070]
其中，为神经网络参数的最大似然估计，为待重建的所述pet图像的最大似然估计。
[0071]
由于矩阵变换和神经网络之间的耦合，上述待重建的pet图像的最大似然估计过程难以求解，因此，本实施例将其转换为一种约束的形式：
[0072]
maxl(|)；
[0073]
s.t.x＝f(θ|z)；
[0074]
进一步，本实施例对上述约束使用增强的拉格朗日形式进行表示：
[0075][0076]
其中，μ和θ在模型训练迭代得到，ρ为预设参数，为期望值。
[0077]
该增强的拉格朗日形式可通过交替方向乘子法(alternating direction method of multipliers，admm)进行迭代求解，admm通过分解协调过程，将大的全局问题可以分解为多个较小、较容易求解的局部子问题，并通过协调子问题的解而得到大的全局问题的解。
[0078]
本实施例中，该pet成像模型基于3d u-net网络结构实现。该pet成像模型预先训练得到，其训练过程包括：
[0079]
1、利用样本pet投影数据进行预设次数的mlem重建，得到样本重建图像。
[0080]
2、利用所述样本重建图像对样本pet投影数据进行标注。
[0081]
3、利用标注后的样本pet投影数据和与样本pet投影数据配准后的样本mr图像数据对所述pet成像模型进行迭代训练。
[0082]
具体地，本实施例中，预先对样本pet投影数据进行预设次数的mlem重建，该预设次数预先设定，如60次，再利用重建的图像对样本pet投影数据进行标注，最后结合与样本pet投影数据配准后的样本mr图像数据对所述pet成像模型进行迭代训练。
[0083]
步骤s103：基于核特征引导的方式利用所述pet图像引导所述第二投影数据构建spect图像。
[0084]
具体地，由于spect系统中每个放射性原子的衰变释放一个光子，而非如pet系统
可以同时发射两个背向光子，因此对于病灶的定位，pet图像往往会更加精准，即分辨率会更高，因此，本实施例利用pet图像引导spect图像重建。
[0085]
进一步的，该步骤s103具体包括：
[0086]
1、提取所述pet图像的所有特征，并根据所有特征构建核矩阵。
[0087]
该提取所述pet图像的所有特征，并根据所有特征构建核矩阵的步骤，具体包括：
[0088]
1.1、利用径向高斯核函数提取所述pet图像的所有特征数据。
[0089]
具体地，该利用径向高斯核函数提取所述pet图像特征数据的过程表示为：
[0090][0091]
其中，k为所述径向高斯核函数，fj为所述pet图像中第j个像素，f
l
为fj的其中一个邻域像素，σ为预设参数，用于调节邻域像素间差异化大小。
[0092]
1.2、基于最近邻搜索方法，根据所有所述特征数据建立稀疏矩阵。
[0093]
具体地，由于一个完整的核矩阵k通常比较大，相对应计算量也较大，以致在实践中往往不能直接使用，因此，本技术通过建立稀疏矩阵来减少计算量，其使用k-nearest neighbors最近邻搜索方法，在建立稀疏矩阵过程中，像素间的远近通过测量像素间的欧几里得距离来确定，建立稀疏矩阵的具体公式如下：
[0094][0095]
其中，k为所述稀疏矩阵。
[0096]
需要说明的是，为了更轻松的选取矩阵的相关参数，在获取特征数据时，需要对特征数据进行归一化操作，具体为：
[0097][0098]
其中，为归一化后的特征数据，f
j,l
为归一化前的特征数据，σ
l
(f)为fj在所有邻域像素中第l个元素的标准偏差。
[0099]
1.3、对所述稀疏矩阵进行正则化，得到所述核矩阵。
[0100]
具体地，为了确保矩阵转换时保留计数量，稀疏矩阵需要进行正则化操作，具体如下：
[0101][0102]
其中，为正则化的稀疏矩阵，diag-1
是对角矩阵的逆矩阵，1n为所有元素均为1的长度为n的向量，与所述稀疏矩阵的行列大小相同。
[0103]
2、基于所述核矩阵和所述第二投影数据采用最大似然估计法进行迭代，计算得到最优系数图像估计值。
[0104]
首先，需要理解的是，假设用a表示放射性核素分布，即待重建的spect图像，第二投影数据b假设是一个服从泊松分布的变量，则b的期望值假设与a相关，通过下式的仿射变换可得：
[0105]
[0106]
其中，r为spect系统核素分布与探测投影的关系概率矩阵，c为随机散射事件向量。
[0107]
假定第二投影数据b可以用对数似然函数建模为一组独立的泊松随机变量：
[0108][0109]
其中，l(b|a)表示第二投影数据b的对数似然函数，n为spect探测器中捕获到的光子数量，bi为第i个第二投影数据，为第i个期望值。
[0110]
通过最大化泊松对数似然函数可以得到spect图像的最大似然估计值：
[0111][0112]
其中，为待重建的spect图像的最大似然估计值。
[0113]
同时，利用em算法可以由以下的迭代更新步骤推导来得到待重建的spect图像的最优解：
[0114][0115]
其中，1n为所有元素均为1的长度为n的向量，n表示迭代次数，t表示矩阵转置，需要说明的是，上式迭代计算过程中，向量的乘、除法均是逐元素的运算操作。
[0116]
本实施例中，对于spect图像和核矩阵之间，利用系数图像估计值进行表示，具体为：
[0117]
a＝kα；
[0118]
其中，a为spect图像，k为核矩阵，α为系数图像估计值。
[0119]
因此，本实施例中，spect图像重建问题的最优化表达式经过上述核特征引导方法可以演变为如下公式：
[0120][0121]
其中，为所述最优系数图像估计值，b为所述第二投影数据，为所述核矩阵，α为系数图像估计值。
[0122]
最优系数图像估计值的表达式利用最大em算法结合泊松随机分布进行迭代，表示为：
[0123][0124]
其中，r为spect系统核素分布与探测投影的关系概率矩阵，c表示随机散射事件向量，t表示矩阵转置，1n为所有元素均为1的长度为n的向量，n为迭代次数。
[0125]
3、利用所述最优数图像估计值和所述核矩阵重建所述spect图像。
[0126]
具体地，在得到最优系数图像估计值之后，最优的spect图像重建过程表示为：
[0127][0128]
其中，为最优的spect图像。
[0129]
本发明实施例的双示踪剂ect成像方法通过获取高能射线探测器采集的第一投影数据，并以mr图像作为先验图像，利用预先训练好的pet成像模型进行图像重建，从而得到
高质量的pet图像，再通过获取pet图像中的特征，利用pet图像中的特征来引导低能射线探测器采集的第二投影数据来重建spect图像，相较于单独采用第二投影数据重建图像的方式，该利用pet图像进行核特征引导方式所重建的spect图像质量更高，并且通过将pet成像和spect成像进行整合，从而使得只需要进行一次投影数据采集即可，一方面降低了设备成本，另一方面避免重复对患者扫描，减少患者遭受的辐射伤害。
[0130]
图2是本发明实施例的双示踪剂ect成像装置的功能模块示意图。如图2所示，该双示踪剂ect成像装置20包括获取模块21、pet成像模块22和spect成像模块23。
[0131]
获取模块21，用于获取高能射线探测器采集的目标的第一投影数据和低能射线探测器采集的目标的第二投影数据，以及目标的mr图像数据；
[0132]
pet成像模块22，用于将所述第一投影数据和所述mr图像数据输入至预先训练好的pet成像模型，并以所述mr图像数据作为先验数据进行图像重建，得到pet图像，所述pet成像模型基于预先准备的样本pet投影数据和与样本pet投影数据配准的样本mr图像数据训练得到；
[0133]
spect成像模块23，用于基于核特征引导的方式利用所述pet图像引导所述第二投影数据构建spect图像。
[0134]
可选地，所述pet成像模型表示为：
[0135][0136]
x＝f(θ|z)；
[0137]
其中，θ为所述pet成像模型的神经网络参数，l(y|θ)为所述第一投影数据的对数似然函数表示，m为pet探测器中湮灭光子符合线的总数，yi为第i个第一投影数据，x为待重建的所述pet图像，f表示所述pet成像模型的神经网络，z为所述mr图像数据；
[0138]
重建所述pet图像时采用最大似然估计法，表示为：
[0139][0140][0141]
其中，为神经网络参数的最大似然估计，为待重建的所述pet图像的最大似然估计。
[0142]
可选地，spect成像模块23执行所述基于核特征引导的方式利用所述pet图像引导所述第二投影数据构建spect图像的操作，具体包括：提取所述pet图像的所有特征，并根据所有特征构建核矩阵；基于所述核矩阵和所述第二投影数据采用最大似然估计法进行迭代，计算得到最优系数图像估计值；利用所述最优数图像估计值和所述核矩阵重建所述spect图像。
[0143]
可选地，所述最优系数图像估计值的表达式为：
[0144][0145]
其中，为所述最优系数图像估计值，b为所述第二投影数据，为所述核矩阵，α为系数图像估计值；
[0146]
所述最优系数图像估计值的表达式利用最大em算法结合泊松随机分布进行迭代，表示为：
[0147][0148]
其中，r为spect系统核素分布与探测投影的关系概率矩阵，c表示随机散射事件向量，t表示矩阵转置，1n为所有元素均为1的长度为n的向量，n为迭代次数。
[0149]
可选地，spect成像模块23执行所述提取所述pet图像的所有特征，并根据所有特征构建核矩阵的操作，具体包括：利用径向高斯核函数提取所述pet图像的所有特征数据；基于最近邻搜索方法，根据所有所述特征数据建立稀疏矩阵；对所述稀疏矩阵进行正则化，得到所述核矩阵。
[0150]
可选地，所述特征数据的提取表示为：
[0151][0152]
其中，k为所述径向高斯核函数，fj为所述pet图像中第j个像素，f
l
为fj的其中一个邻域像素，σ为预设参数，用于调节邻域像素间差异化大小；
[0153]
所述稀疏矩阵的建立表示为：
[0154][0155]
其中，k为所述稀疏矩阵；
[0156]
所述稀疏矩阵正则化表示为：
[0157][0158]
其中，为正则化的稀疏矩阵，diag-1
是对角矩阵的逆矩阵，1n为所有元素均为1的长度为n的向量，与所述稀疏矩阵的行列大小相同。
[0159]
可选地，所述pet成像模型基于3du-net网络结构实现；训练所述pet成像模型，包括：利用样本pet投影数据进行预设次数的mlem重建，得到样本重建图像；利用所述样本重建图像对样本pet投影数据进行标注；利用标注后的样本pet投影数据和与样本pet投影数据配准后的样本mr图像数据对所述pet成像模型进行迭代训练。
[0160]
关于上述实施例双示踪剂ect成像装置中各模块实现技术方案的其他细节，可参见上述实施例中的双示踪剂ect成像方法中的描述，此处不再赘述。
[0161]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0162]
请参阅图3，图3为本发明实施例的计算机设备的结构示意图。如图3所示，该计算机设备30包括处理器31及和处理器31耦接的存储器32，存储器32中存储有程序指令，程序指令被处理器31执行时，使得处理器31执行上述任一实施例所述的双示踪剂ect成像方法的步骤。
[0163]
其中，处理器31还可以称为cpu(central processing unit，中央处理单元)。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器
件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0164]
参阅图4，图4为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令41，其中，该程序指令41可以以软件产品的形式存储在上述存储介质中，包括若干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)或处理器(processor)执行本技术各个实施方式所述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(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等计算机设备设备。
[0165]
在本技术所提供的几个实施例中，应该理解到，所揭露的计算机设备，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，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。
[0166]
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。以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。