基于深度学习的子宫、内膜和憩室分割方法及系统与流程

1.本发明涉及医学图像处理和应用的技术领域，具体地，涉及基于深度学习的子宫、内膜和憩室分割方法及系统。


背景技术：

2.随着现代医学的发展，医学图像分割成为了其中至关重要的一部分，医生在对憩室进行诊断前往往需要先大量阅片，寻找每一张mri图像中的关键区域，并且再对腹部mri图像中憩室部分进行手工标注，三维建模，以便为后续手术规划和治疗评估提供帮助。然而将这项繁重的工作寄希望于医生显然是不可取的。层层标注不仅工作繁琐还要保证精确，且越是精确的医学图像，它的切片数量越多。其中憩室的标注困难更加巨大，憩室是由于子宫内膜的切口愈合不完全造成的，其存在于子宫内膜的表层，与周围器官组织的分别并不明显，没有特别的几何特征。并且仅仅利用化验数据，缺乏视觉信息，容易造成漏判。因此利用深度学习的方式实现憩室的mri图像自动分割，以网站的形式一站式整合图像以及特征值信息，可以极大的减少医生的工作量，同时提供有价值的辅助诊断信息。
3.对于传统的算法，图像分割中的最大限制就是特征选择，而在深度学习模型中，网络可以自发地学习输入对象的特征。近年来，全卷积神经网络(fully convolutional nerual network,fcn)更是成为此类问题的首先，因为它强有力的特征检测和提取。例如2015年所提出的unet网络，凭借着其简单成功的结构，迅速成为医学图像分割领域的基准，近年来备受关注。2016年vnet随后诞生，他在unet的基础上增加了残差学习，增加了网络参数，对于边缘的分割效果要优于unet，又或者是增加了密集连接，注意力机制，残差学习，从数学角度改变目标函数，亦或是引入概率论随机场的概念。通过对已有的优化方法和策略进行尽可能多的排列组合，以上种种方法都在当时取得最先进的成果。但也有学者不认同，因为神经网络的成功不只仅限于对网络的优化，还应该对整个流程有所设计。数据分析，预处理，数据增强，网络设计，预测设计每一步都不可或缺。网络的设计当然是其中一种最能体现研究成果的方式，但也可能只是某种程度上的过拟合，网络的鲁棒性可能会下降，因此对于需要实时应用的场景例如病人的挂号问诊，可能会对网络的性能提出挑战。同样的如果将其他的部分设计的与数据类型相匹配，一样可以达到很好的效果，并且拥有较高的稳定性，这在医疗诊断当中是至关重要的。但有效的分割模型只能为医生的标注提供便利，但不能实时地反馈相关结果，并且深度学习网络即使提供封装好的的接口，使用起来也需要一定的经验。
4.专利文献cn113066093a(申请号：202110378833.1)公开了一种基于子宫内膜超声图像的自动分割分型及厚度测量方法：包括步骤：1)采集子宫内膜超声扫查图像集，人工选出标准子宫纵切图，并勾画子宫内膜边界，同时作出分型标签，建立训练和测试样本集；2)对各图像进行滤波等图像预处理；去除噪声影响并达到图像增强效果；3)分别构建用于分割子宫内膜区域、分型深度学习模型，并分别输入训练集进行训练；5)对测试集图像进行上述同样的图像预处理，输入到已训练好的深度学习模型，进行分割，得到分割后的子宫内膜
区域及分型结果；6)利用数字图像形态学算法和子宫内膜超声图像的分割结果计算出内膜厚度。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的子宫、内膜和憩室分割方法及系统。
6.根据本发明提供的一种基于深度学习的子宫、内膜和憩室分割方法，包括：
7.步骤s1：对收集到的mri三维图像进行预处理，得到预处理后的图像数据；
8.步骤s2：搭建改进的三维级联unet网络分割模型；
9.步骤s3：利用预处理后的图像数据对改进的三维级联unet网络分割模型进行训练，得到训练后的改进的三维级联unet网络分割模型；
10.步骤s4：利用训练后的改进的三维级联unet网络分割模型对预处理后的待分割mri三维图像进行分割，得到子宫分割图像、子宫内膜分割图像以及憩室分割图像；
11.所述三维级联unet网络分割模型包括第一级子网络、第二级子网络以及第三级子网络；所述第一级子网络从腹部mri三维图像中分割得到子宫区域；所述第二级子网络从第一子网络得到子宫区域继续分割得到子宫内膜区域；所述第三级子网络从第二级子网络分割出的子宫内膜区域中继续分割得到憩室。
12.优选地，所述步骤s1采用：
13.步骤s1.1：对收集到的mri三维图像进行包括下采样以及归一化处理，得到预设尺寸的初始样本；
14.步骤s1.2：对初始样本图像进行数据增强处理。
15.优选地，每级子网络包括下采样卷积层和上采样卷积层；其中，所述下采样卷积层通过max-pooling以及卷积核为3*3*3的卷积实现；所述上采样卷积层通过卷积核为3*3*3步长为2的卷积实现；
16.其中，每级子网络中的非线性激活单元使用leaky relu，避免小于零部分导数一直为零，反向传播时部分神经元参数始终未得到修改，增强网络的权重调整能力，鲁棒性更强；
17.利用instance normaliztion对特征张量进行归一化处理，保持每个样本的独立性，防止梯度消失，解决医学图像数据集会占用较多gpu计算内存，无法大批量地进行训练问题；
18.每级子网络利用dice loss作为损失函数，其定义为：
[0019][0020]
其中，x表示预测结果；y表示真实样本标注结果；d表示dice loss骰子系数；
[0021]
每级子网络的预测利用soft max层计算，输出一个与输入图像大小相同的概率密度图，对其中的图像进行一个前后景的分类；其定义为：
[0022]
[0023]
其中，si表示第i个节点的输出值；ei表示预测值；ej表示实际值；j表示分类的类别个数。
[0024]
优选地，所述步骤s3采用：
[0025]
将预处理后的图像数据输入第一级子网络，利用输入的图像进行训练，得到低分辨率的子宫图像i1；
[0026]
根据低分辨率的子宫图像i1计算低分辨率的子宫图像中心，在原始图像中映射相对应位置，得到原始图像中子宫所在区域，根据预设大小从原始图像中裁剪出样本图像，并对裁剪出的样本图像进行数据增强处理，输入第二级子网络进行训练，得到子宫分割图像i2；
[0027]
根据低分辨率的子宫图像i1计算低分辨率的子宫图像中心，将子宫分割图像i2在原始图像中映射相对位置，得到原图大小的子宫分割图像，重新计算子宫的中心点大小，利用重新计算的子宫中心点大小，在原图中根据预设大小裁剪出包含子宫内膜的样本图像，并对裁剪出的包含子宫内膜的样本图像进行数据增强处理，输入第三级子网络进行训练，得到子宫内膜分割图像i3；
[0028]
根据子宫分割图像i2所计算出的子宫中心点，将子宫内膜分割图像i3在原始图像中映射相对位置，得到原图大小的子宫内膜分割图像，计算子宫内膜的中心点大小，利用子宫内膜的中心点大小，在原图中根据预设大小裁剪出包含憩室的样本图像，并对包含憩室的样本图像进行数据增强处理，输入第四级网络进行训练，得到憩室分割图像i4。
[0029]
优选地，根据憩室分割图像i4计算其最小的三维外接矩形得到憩室的长度，宽度，深度以及体积。
[0030]
优选地，对憩室分割图像i4进行八邻域的种子生长，得到最大的三维连通域体积；利用sklansky算法，计算三维点集凸包，得到最小凸多边形，再利用旋转卡尺算法，得到最小外接矩形；通过计算最小外接矩形的长、宽、高得到憩室的深度，长度，宽度；通过统计最小外接矩形内的体素，得到憩室的体积。
[0031]
优选地，根据子宫分割图像i2以及憩室分割图像i4计算出矢状面二维切片中，憩室距离子宫最近的距离tam；以及同张矢状面二维切片中，憩室两个端点距离子宫最近距离trm1，trm2。
[0032]
优选地，根据子宫分割图像i2以及憩室分割图像i4子宫以及憩室分割图像i4计算出每一张切片所含被分割物体的平均像素点，筛选出大于平均值的切片图像；在筛选出的切片图像中，分别以从左至右，从上至下的顺序寻找二值图像中子宫、憩室的最大轮廓；计算所有憩室轮廓点到子宫轮廓点的距离，进行排序得到最小距离tam；计算所有憩室轮廓点之间的距离，进行排序得到最大距离的两个端点，再分别计算两个端点到子宫轮廓点的最短距离得到trm1，trm2。
[0033]
优选地，对分割得到的子宫分割图像i2、子宫内膜分割图像i3、憩室分割图像i4子宫、子宫内膜、憩室三维图像，利用marching cubes算法进行三维建模，得到三个器官部件之间的透视关系以及相对位置关系。
[0034]
根据本发明提供的一种基于深度学习的子宫、内膜和憩室分割系统，包括：
[0035]
模块m1：对收集到的mri三维图像进行预处理，得到处理后的图像数据；
[0036]
模块m2：搭建改进的三维级联unet网络分割模型；
[0037]
模块m3：利用预处理后的图像数据对改进的三维级联unet网络分割模型进行训练，得到训练后的改进的三维级联unet网络分割模型；
[0038]
模块m4：利用训练后的改进的三维级联unet网络分割模型对预处理后的待分割mri三维图像进行分割，得到子宫分割图像、子宫内膜分割图像以及憩室分割图像；
[0039]
所述三维级联unet网络分割模型包括第一级子网络、第二级子网络以及第三级子网络；所述第一级子网络从腹部mri三维图像中分割得到子宫区域；所述第二级子网络从第一子网络得到子宫区域继续分割得到子宫内膜区域；所述第三级子网络从第二级子网络分割出的子宫内膜区域中继续分割得到憩室。
[0040]
与现有技术相比，本发明具有如下的有益效果：
[0041]
1、本发明从子宫在人体下腹部内的结构入手，分析其形状和位置特征，并将之与子宫内膜进行联系，构建合理的分割策略，提出级联unet网络的分割方法。接着再对网络的构建，框架，数据制作等方面进行详细分析，得出合理的级联分割网络。其中级联unet网络的分割方式远远胜于常用的大图分割的训练策略，不管是在三维空间的理解上还是分割的精度亦或是网络的泛化性。由于医学图像的数据往往十分有限，通过级联分割网络的训练方式，我们训练每一个子网络只专注于一个分割目标；每一级子网络都会在上一级子网络的分割基础上进一步分割，从而提升网络的整体分割精度。
[0042]
2、为了应对数据量较少的问题，我们对网络的过拟合层进行了优化，加入了instance normalization，确保每一个mri图像的特征都能被网络学习。并且，在临床诊断中，难免会遇到采集较差的mri图像，级联分割网络的方式可以有效避免因局部拍摄不清而导致的网络分割性能下降问题，单一的多目标分割网络会容易因某一目标无法分割而导致整体性能受损。此外，临床采集的mri图像通常都拥有较大的尺寸，训练多目标分割的单一网络会需要大量的gpu计算资源，以及运算时间，无法满足临床应用的实时要求。
[0043]
3、将深度学习与网页相结合，贴近实际使用需求，使用者不需要任何相关的代码经验，只需要点击几个按钮，即可得到相关信息。子宫、子宫内膜、憩室的三维透视关系，相对位置关系将实时反馈在网页中。憩室的相关特征值信息将以列表的形式返回。通过网页的方式一站式整合有效的辅助诊断信息。辅助医生进行实时诊断，大大减轻医生的工作量。
附图说明
[0044]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0045]
图1为憩室辅助诊断系统流程图。
[0046]
图2为分割级联网络结构图。
[0047]
图3为每级网络结构示意图。
具体实施方式
[0048]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0049]
实施例1
[0050]
根据本发明提供的一种基于深度学习的子宫、内膜和憩室分割方法，包括：
[0051]
步骤s1：对收集到的mri三维图像进行预处理，得到预处理后的图像数据；
[0052]
步骤s2：搭建改进的三维级联unet网络分割模型；
[0053]
步骤s3：利用预处理后的图像数据对改进的三维级联unet网络分割模型进行训练，得到训练后的改进的三维级联unet网络分割模型；
[0054]
步骤s4：利用训练后的改进的三维级联unet网络分割模型对预处理后的待分割mri三维图像进行分割，得到子宫分割图像、子宫内膜分割图像以及憩室分割图像；
[0055]
所述三维级联unet网络分割模型包括第一级子网络、第二级子网络以及第三级子网络；所述第一级子网络从腹部mri三维图像中分割得到子宫区域；所述第二级子网络从第一子网络得到子宫区域继续分割得到子宫内膜区域；所述第三级子网络从第二级子网络分割出的子宫内膜区域中继续分割得到憩室。
[0056]
更为具体地，以完整的腹部mri图像及其对应的分割图像作为训练集来训练网络模型；每级网络的结构相同，如图3所示，均包括四个下采样卷积层以及四个上采样卷积层，其中，下采样卷积层通过max-pooling以及卷积核为3*3*3的卷积实现；上采样卷积层通过卷积核为3*3*3步长为2的卷积实现。
[0057]
其中，每级网络中的非线性激活单元使用leaky relu，避免小于零部分导数一直为零，反向传播时部分神经元参数始终未得到修改，增强网络的权重调整能力，鲁棒性更强。利用instance normaliztion对训练时特征张量进行归一化处理，保持每个样本的独立性，防止梯度消失，解决医学图像数据集会占用较多gpu计算内存，无法大批量地进行训练问题；沿着通道计算每张图的均值μ，方差σ2，并对输入做归一化
[0058]
训练模型利用dice loss作为损失函数，其定义为：
[0059][0060]
其中，d表示dice loss骰子系数，x表示预测结果，y表示真实样本标注结果
[0061]
每级网络的预测利用soft max层计算，输出一个与输入图像大小相同的概率密度图，对其中的图像进行一个前后景的分类。其定义为：
[0062][0063]
其中，si表示第i个节点的输出值；ei表示预测值；ej表示实际值；j表示分类的类别个数。
[0064]
具体地，所述步骤s1采用：
[0065]
步骤s1.1：对收集到的mri三维图像进行包括下采样以及归一化处理，得到预设尺寸的初始样本；
[0066]
步骤s1.2：对初始样本图像进行数据增强处理，包括随机旋转、添加噪声等。
[0067]
具体地，所述步骤s3采用：
[0068]
将预处理后的图像数据输入第一级子网络，利用输入的图像进行训练，得到低分
辨率的子宫图像i1；
[0069]
根据低分辨率的子宫图像i1计算低分辨率的子宫图像中心，在原始图像中映射相对应位置，得到原始图像中子宫所在区域，根据预设大小从原始图像中裁剪出样本图像，并对裁剪出的样本图像进行数据增强处理，包括：随机旋转和添加噪声等；输入第二级子网络进行训练，得到子宫分割图像i2；
[0070]
根据低分辨率的子宫图像i1计算低分辨率的子宫图像中心，将子宫分割图像i2在原始图像中映射相对位置，得到原图大小的子宫分割图像，重新计算子宫的中心点大小，利用重新计算的子宫中心点大小，在原图中根据预设大小裁剪出包含子宫内膜的样本图像，并对裁剪出的包含子宫内膜的样本图像进行数据增强处理，包括：随机旋转和添加噪声等；输入第三级子网络进行训练，得到子宫内膜分割图像i3；
[0071]
根据子宫分割图像i2所计算出的子宫中心点，将子宫内膜分割图像i3在原始图像中映射相对位置，得到原图大小的子宫内膜分割图像，计算子宫内膜的中心点大小，利用子宫内膜的中心点大小，在原图中根据预设大小裁剪出包含憩室的样本图像，并对包含憩室的样本图像进行数据增强处理，包括随机旋转和添加噪声等；输入第四级网络进行训练，得到憩室分割图像i4。
[0072]
具体地，根据憩室分割图像i4计算其最小的三维外接矩形得到憩室的长度，宽度，深度以及体积。
[0073]
具体地，对憩室分割图像i4进行八邻域的种子生长，得到最大的三维连通域体积；利用sklansky算法，计算三维点集凸包，得到最小凸多边形，再利用旋转卡尺算法，得到最小外接矩形；通过计算最小外接矩形的长、宽、高得到憩室的深度，长度，宽度；通过统计最小外接矩形内的体素，得到憩室的体积。
[0074]
具体地，根据子宫分割图像i2以及憩室分割图像i4计算出矢状面二维切片中，憩室距离子宫最近的距离tam；以及同张矢状面二维切片中，憩室两个端点距离子宫最近距离trm1，trm2。
[0075]
具体地，根据子宫分割图像i2以及憩室分割图像i4子宫以及憩室分割图像i4计算出每一张切片所含被分割物体的平均像素点，筛选出大于平均值的切片图像；在筛选出的切片图像中，分别以从左至右，从上至下的顺序寻找二值图像中子宫、憩室的最大轮廓；计算所有憩室轮廓点到子宫轮廓点的距离，进行排序得到最小距离tam；计算所有憩室轮廓点之间的距离，进行排序得到最大距离的两个端点，再分别计算两个端点到子宫轮廓点的最短距离得到trm1，trm2。
[0076]
具体地，对分割得到的子宫分割图像i2、子宫内膜分割图像i3、憩室分割图像i4子宫、子宫内膜、憩室三维图像，利用marching cubes算法进行三维建模，得到三个器官部件之间的透视关系以及相对位置关系。
[0077]
进一步地，通过三维图像分割的方式帮助医生得到精确的三维器官建模以及各部件之间的相对位置关系，并构建临床应用的憩室辅助诊断系统：将分割所得的子宫、子宫内膜、憩室之间的三维分割图像实时显示在网页中，并且计算憩室诊断所需的特征参数，并快速整合医生诊断所需的憩室区域三维图像信息以及几何特征参数信息，从而能够辅助医生进行诊断分析，提高憩室的临床诊断准确率和效率。
[0078]
根据本发明提供的一种基于深度学习的子宫、内膜和憩室分割系统，包括：
[0079]
模块m1：对收集到的mri三维图像进行预处理，得到处理后的图像数据；
[0080]
模块m2：搭建改进的三维级联unet网络分割模型；
[0081]
模块m3：利用预处理后的图像数据对改进的三维级联unet网络分割模型进行训练，得到训练后的改进的三维级联unet网络分割模型；
[0082]
模块m4：利用训练后的改进的三维级联unet网络分割模型对预处理后的待分割mri三维图像进行分割，得到子宫分割图像、子宫内膜分割图像以及憩室分割图像；
[0083]
所述三维级联unet网络分割模型包括第一级子网络、第二级子网络以及第三级子网络；所述第一级子网络从腹部mri三维图像中分割得到子宫区域；所述第二级子网络从第一子网络得到子宫区域继续分割得到子宫内膜区域；所述第三级子网络从第二级子网络分割出的子宫内膜区域中继续分割得到憩室。
[0084]
实施例2
[0085]
实施例2是实施例1的优选例
[0086]
如图1-2所示，本发明提供一种基于深度学习的憩室分割方法及辅助诊断方法，包括如下步骤：
[0087]
步骤1：对上传数据根据核磁号进行分类；
[0088]
步骤2：对收集到的数据进行预处理，包括归一化，下采样，随机旋转，随机添加噪声等；
[0089]
步骤3：根据处理后的下采样数据搭建子宫分割模型，训练分割得到；
[0090]
步骤4：计算下采样图像中的子宫中心，根据所得的下采样图像子宫中心在原图中等比例映射出相应位置，根据预设大小裁剪出样本图像，对样本图像进行数据增强，搭建第二级子宫分割网络，得到原图中子宫的分割图像，进一步计算子宫的中心；
[0091]
步骤5：根据得到的子宫中心位置以及预设的大小，在原图中裁剪出含有子宫内膜的样本图像，对样本图像进行数据增强，搭建子宫内膜的分割网络。分割得到原图中子宫内膜的图像。
[0092]
步骤6：根据得到的子宫内膜图像，计算子宫内膜中心，裁剪出预设大小的憩室分割网络，分割得到憩室图像。
[0093]
步骤7：根据得到的憩室三维分割图像，分别计算相关特征参数：长度，宽度，深度以及体积；
[0094]
步骤8：根据分割得到的子宫、憩室图像，分别计算得到：tam，trm1，trm2；
[0095]
步骤9：根据分割得到的子宫、子宫内膜、憩室三维图像，进行三维重建，显示透视关系以及相对位置关系；
[0096]
步骤10：将相关特征值信息返回到网页中显示。
[0097]
具体地，所述步骤1中，对收集到的数据进行分类，区别出同一病患术前术后核磁共振图像，方便医生对比诊断。
[0098]
具体地，所述步骤2中，所述mri图像先进行归一化处理，再将256*256*n的mri核磁共振图像下采样为原图大小的一半，并且对切片维度进行填充，处理成128*128*128的三维图像保存。由于医学图像的数据量有限，为了增强网络的泛化能力，对数据做扩充处理，随机添加噪声，以及在保证器官不变形的情况下，进行随机的角度旋转。
[0099]
具体地，所述步骤4中，得到下采样的子宫分割图像后，现对图像进行上采样还原
成256*256*256大小的三维图像，再计算子宫的中心，根据这个中心在原分辨率的图像上裁剪出128*128*128大小的切片，得到原分辨率的子宫数据集。
[0100]
具体地，所述搭建的分割网络是基于unet进行改进的。子网络整体结构是一个编码解码的对称过程。对于输入的特征图像，每一层经过两次3*3*3卷积后就会进行一次下采样，图像大小变为原来的一半，特征图像变为原来的两倍，经过4次下采样后开始解码，也就是上采样，不同于一般的网络这里的上采样利用卷积来代替池化，这样可以在提升计算速度的同时降低计算量，更重要的是这样提升了图片的分辨率。最后经过一个1*1的全卷积层输出与原图大小相同的概率密度图。其中，各子网络利用leaky relu作为非线性激活单元，利用instance normaliztion代替batch normaliztion。并且利用dice loss作为损失函数，以弥补医学目标分割图像过小以及与周围前景信息不成比例的问题。
[0101]
具体地，所述步骤5中，得到准确分割后的原分辨率子宫图像，会先根据步骤4计算出的子宫中心，找出128*128*128的切片图像在原图中的位置，并进行还原得到256*256*n的核磁共振图像，再重新计算子宫的中心，下采样分割得到的子宫中心与重新计算的子宫中心，在欧式距离上不会相距很远，所以可以保证子宫分割的完整性。再根据新计算出的子宫中心在原分辨率图像上裁剪出80*80*128的子宫内膜数据集。80*80的大小是根据所采集到的数据集，进行统计分析得到的子宫内膜平均大小。
[0102]
具体地，所述步骤6中，得到憩室的三维分割图像后，会存在一些散点，所以需要先进行最大三维连通域的寻找，排除随机性。本实施例中采用的是八领域种子生长的方式，得到最大连通域。接着根据sklansky算法计算连通域坐标点的三维凸集，将三点转换成凸多边形，接下来计算凸多边形的最小外接矩形，根据这个最小外接矩形来得到憩室的形状参数，以及体积。
[0103]
具体地，所述步骤7中，得到子宫与憩室的三维分割图像后，会分别先根据两者总像素点的多少，计算出每张切片应含的平均像素点个数，保证选出的切片含有一定量的器官组织，得到更具有一般性的统计结果。再在候选切片中，计算出子宫与憩室的轮廓点，根据欧式距离，两者之间的距离，得到憩室与子宫之间的特征值。
[0104]
具体地，所述步骤8中，得到的三维分割子宫、憩室、子宫内膜图像，并不能带来非常直接的视觉感受，所以需要对三者进行三维建模，还原三者在人体内的相对位置关系，以及关键位置的视觉信息。常用的核磁共振读图软件，通常是以显示三个切面的方式表示三维信息，这样并不够直观，所以本实施例采用marching cubes算法进行三维建模，对医生上传的核磁共振数据实时显示重建后的三维图像。
[0105]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
[0106]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影
响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。