脑区VOI自动分割和定位的方法、装置、设备及存储介质与流程

脑区voi自动分割和定位的方法、装置、设备及存储介质
技术领域
1.本发明实施例涉及医学图像处理技术，尤其涉及一种脑区voi自动分割和定位的方法、装置、设备及存储介质。


背景技术：

2.失眠症是常见的睡眠问题，是以频繁而持续的入睡困难和(或)睡眠维持困难从而导致睡眠感不满意以及日间行为能力障碍为特征的睡眠障碍。2006年中国睡眠研究会在6个城市进行的一项研究表明，中国内地成人有失眠症状者高达57％，这个比例远超欧美等发达国家。随着年龄的增长，失眠的发生率也随之增加，一项针对中国人的前瞻性研究发现，儿童和青少年的失眠持续率为15％，而中年女性和男性分别为42.7％和28.2％，并且近半数严重失眠可持续10年以上。失眠症可孤立存在或者与精神障碍、躯体疾病或药物滥用共病，从而导致多种清醒时功能损害：如机体免疫力下降；记忆力减退；头痛；影响工作、学习和生活以及增加死亡风险等等。
3.γ-氨基丁酸(gamma-aminobutyric acid，gaba)是中枢神经系统中的主要抑制性神经递质，有研究表明gaba神经传递对睡眠的启动和维持有关键作用。目前fda批准用于失眠治疗的药物苯二氮受体激动剂(bzras)的两种类型苯二氮类药物(bzds)和非苯二氮类药物(nbzds)都能够结合γ-氨基丁酸(gamma-aminobutyric acid，gaba)a受体，通过作用于α亚基协同增加gaba介导的氯离子通道开放频率，促进氯离子内流，可增强gaba的抑制作用，从而抑制兴奋中枢产生镇静催眠作用。bzras可有效治疗失眠症，通过增加受体对gaba的亲和力来促进睡眠；生理学、神经影像学和认知调查显示原发性失眠症患者存在过度觉醒，可能与兴奋性和抑制性中枢神经系统功能失衡有关，而gaba作为主要的抑制性神经递质，可能在其中发挥了作用；大脑中的gaba能核，包括腹外侧视前核(vlpo)和丘脑网状核(trn)，在睡眠启动和维持中具有重要作用。vlpo通过抑制结节乳头核和脑干单胺系统中的cns唤醒系统来促进睡眠；而trn则充当丘脑和皮质之间的门控机制，在eeg同步睡眠期间产生振荡活动中起关键作用。
4.对gaba检测最直接的方法是磁共振波谱技术(mrs)。mrs中的j-耦合编辑可选择性地检测大脑中的低浓度代谢物，联合使用点分辨光谱press(point-resolved spectroscopy)和mega(meshcher-garwood)，经过软件处理对获得的光谱进行拟合和量化，已发展成为体内定量gaba最常用和最准确的方法。2008年有研究者首次采用磁共振技术对原发性失眠患者进行颅脑gaba检测，该研究使用4.0t磁共振多体素波谱技术(csi)从基底神经节、丘脑、颞叶、顶叶、枕叶的白质和灰质样本中得出大脑gaba的总体平均水平，后续进一步采用单体素波谱技术在特定感兴趣区域(volume of interest，voi)进行检测研究，结果发现原发性失眠患者的gaba与健康志愿者相比有显著变化，2012年也有类似研究。
5.然而，现有mrs技术中voi的生成主要基于人工勾勒，放射科医生通过观测定位像大致勾画出包含研究部位的voi，并尽可能避免颅骨和脑脊液。然而，基于人工勾勒的voi进行gaba测量存在信噪比低、鲁棒性低以及可重复性低的问题。


技术实现要素：

6.本发明实施例提供一种脑区voi自动分割和定位的方法、装置、设备及存储介质，可以自动勾勒调节voi，方便后续的gaba测量。
7.第一方面，本发明实施例提供了一种脑区voi自动分割和定位的方法，该方法包括：
8.获取脑区图像，利用第一神经网络分割模型分割脑灰质、脑白质和脑脊液区域，得到第一分割结果；
9.基于第一分割结果，利用第二神经网络分割模型完成目标脑区结构的自动分割，得到第二分割结果；
10.基于第二分割结果，计算目标脑区的中心点作为靶点位置坐标；
11.基于靶点位置坐标生成一初始voi，自适应调节初始voi的大小生成最佳voi。
12.第二方面，本发明实施例还提供了一种脑区voi自动分割和定位的装置，该装置包括：
13.第一分割模块，用于获取脑区图像，利用第一神经网络分割模型准确分割脑灰质、脑白质和脑脊液区域，得到第一分割结果；
14.第二分割模块，用于基于第一分割结果，利用第二神经网络分割模型完成目标脑区结构的自动分割，得到第二分割结果；
15.靶点获取模块，用于基于第二分割结果，计算目标脑区的中心点作为靶点位置坐标；
16.自适应voi生成模块，用于基于靶点位置坐标生成一初始voi，自适应调节初始voi的大小生成最佳voi。
17.第三方面，本发明实施例还提供了电子设备，该电子设备包括：
18.一个或多个处理器；
19.存储器，用于存储一个或多个程序；
20.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述所涉及的任一所述的脑区voi自动分割和定位的方法。
21.第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的脑区voi自动分割和定位的方法。
22.本发明实施例通过基于神经网络分割模型对目标脑区结构进行自动分割，再根据分割结果自动计算靶点位置坐标，进而自动定位voi并优化生成最佳voi，为医生提供了准确的可重复性高的用于gaba含量测量的voi自动勾画工具，在有效提升医生工作效率的同时可更好地进行疾病及科研的研究。
附图说明
23.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是本发明实施例一提供的一种脑区voi自动分割和定位的方法的流程图。
25.图2是本发明实施例一脑灰白质及脑脊液自动分割模型训练示意图。
26.图3是本发明实施例一基于脑灰白质及脑脊液分割的目标脑区结构分割模型训练示意图。
27.图4是本发明实施例一脑区结构自动分割模型的推理使用过程。
28.图5是本发明实施例一基于目标脑区结构分割结果的靶点自动选取示意图。
29.图6是本发明实施例一基于靶点的自适应voi生成示意图。
30.图7是本发明实施例二提供的一种脑区voi自动分割和定位的装置的示意图。
31.图8是本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
32.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
33.实施例一
34.图1是本发明实施例一提供的一种脑区voi自动分割和定位的方法的流程图，本实施例可适用于对脑区图像进行分割的情况，该方法可以由脑区voi自动分割和定位的装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中，其中，示例性的，终端设备可以为移动终端、台式机、笔记本、平板电脑和服务器等智能终端。具体包括如下步骤：
35.s110、获取脑区图像，利用第一神经网络分割模型分割脑灰质、脑白质和脑脊液区域，得到第一分割结果。
36.在一个实施例中，可选的，脑区图像为二维图像或三维图像。其中，示例性的，脑区图像可以是医学图像，如ct(computed tomography，计算机断层扫描)图像、mri(magnetic resonance imaging，磁共振成像)图像或pet(positron emission computed tomography，正电子发射型计算机断层显像)。
37.图2是本发明实施例脑灰白质及脑脊液自动分割模型训练示意图。在本实施例中，第一神经网络分割模型包括脑灰质、脑白质以及脑脊液三个区域的分割。在模型训练过程中，首先获取三个区域的标注数据，接着使用标注数据作为金标准，训练生成一个神经网络模型文件，该文件包含推理过程中所需要的模型参数。
38.该分割模型的具体训练过程如下：将mr图像和标注数据输入三维卷积神经网络进行训练，得到分割模型文件。例如，三维卷积神经网络可采用包括但不限于v-net、densenet等网络。具体地，将输入的原始图像重采样为某一种分辨率的图像(例如使用采样算子[1,1,1])，对图像进行整体归一化，随机从完整图像中以固定大小(例如64
×
64
×
64)取出图像块。接着将图像块输入到卷积神经网络中进行训练，迭代到损失函数(例如dice)的大小降低到一个预先设定的阈值，保存训练的模型文件，即得到分割模型文件。
[0039]
s120、基于第一分割结果，利用第二神经网络分割模型完成目标脑区结构的自动分割，得到第二分割结果。
[0040]
图3是本发明实施例基于脑灰白质及脑脊液分割的目标脑区结构分割模型训练示
意图。与传统脑区结构分割算法不同，该目标脑区结构的分割算法基于脑灰白质及脑脊液的分割结果构建。在模型训练过程中，首先获取目标脑区结构的标注数据(例如前扣带回和枕叶)，接着使用标注数据作为金标准，训练生成神经网络模型文件，该文件包含推理过程中所需要的模型参数。
[0041]
该分割模型的训练过程和脑灰白质及脑脊液分割模型的训练过程类似。例如，三维卷积神经网络可以使用u-net，训练策略可以使用级联两个在不同分辨率上训练的分割模型。具体地，将输入的原始图像和脑灰白质及脑脊液分割结果分别重采样为某两种不同分辨率的图像(如使用采样算子[3,3,3]和[1,1,1])，对图像进行整体归一化，以一定的步长同步遍历在原始图像和脑灰白质及脑脊液分割结果图像中的每一个图像块。将两个图像块整合成具有两个通道的输入，一起输入到卷积神经网络中进行训练，模型训练迭代到损失函数(例如focal)的大小降低到一个预设的阈值即可。保存训练的模型文件，从而得到基于两种不同分辨率的分割模型文件，分别称为粗分割模型文件(如采样算子[3,3,3])和细分割模型文件(如采样算子[1,1,1])。
[0042]
图4是本发明实施例脑区结构自动分割模型的推理使用过程：首先使用脑灰白质及脑脊液自动分割模型完成脑结构定位图像中脑灰白质及脑脊液的分割，接着基于脑灰白质及脑脊液的分割结果使用粗分割模型和细分割模型级联成的脑区结构分割模型完成对目标脑区结构的分割。其中，级联后得到的脑区结构分割模型中的粗分割模型主要用于目标脑区结构的定位，细分割模型主要用于对目标脑区结构的边缘进行精细分割。在其他实现方式中，也可以对目标脑区结构进行直接分割。
[0043]
s130、基于第二分割结果，计算目标脑区的中心点作为靶点位置坐标。
[0044]
图5是本发明实施例基于目标脑区结构分割结果的靶点自动选取示意图，基于目标脑区结构的分割结果，使用图5所示的计算公式确定靶点(自适应voi的中心)位置坐标(x0,y0,z0)，为后续生成自适应voi奠定基础。其中，n为目标脑区结构的体素个数，wi为第i个体素的标签权重值，(xi,yi,zi)为第i个体素的位置坐标。本实施例中，靶点位置坐标的计算方法包括但不限于图中公式所指定的计算方法。
[0045]
s140、基于靶点位置坐标生成一初始voi，自适应调节初始voi的大小生成最佳voi。
[0046]
图6是本发明实施例基于靶点的自适应voi生成示意图。基于自动选取的靶点位置坐标，首先生成一个固定大小的voi，接着在一定范围内改变voi的大小，使得voi内脑灰质区域体积远大于脑白质和脑脊液区域的体积和，并且脑灰质体积可以指定为一个确切的值，最终得到一组x1,y1,z1,x2,y2,z2参数，能够满足如下的优化公式：
[0047][0048]
f(x0,y0,z0,x1,y1,z1,x2,y2,z2)＝w
gmvgm-w
wmvwm-w
csfvcsf
；
[0049]
其中，x1,y1,z1,x2,y2,z2分别为以靶点(x0,y0,z0)为中心向左、前、上、右、后、下共6个方位扩展voi大小的像素个数，均大于0。x,y,z为用户自行设置的允许调整的像素位置，反映了voi的大小范围。v
gm
,v
wm
,v
csf
分别为voi内脑灰质、脑白质以及脑脊液区域的体积大小，v
gm
可以指定为某固定值，w
gm
,w
wm
,w
csf
分别为脑灰质、脑白质以及脑脊液区域的重要性权重值。
[0050]
基于得到的x1,y1,z1,x2,y2,z2，更新生成voi，用于后续gaba含量的测量。图6展示
了自适应voi生成的整个流程：首先基于靶点生成一个固定大小的voi，即voi初始化(图中给出医生常用的voi大小3
×3×
3cm3)，接着利用优化公式，并保证voi内灰质体积为固定值(如13cm3)实现voi的自适应调节。以上各步骤中所涉及到参数可以根据实际医学图像特点进行任意设置。
[0051]
实施例二
[0052]
图7是本发明实施例二提供的一种脑区voi自动分割和定位的装置的示意图，本实施例适用于对脑区图像进行分割的情况，该装置可采用软件和/或硬件的方式实现，该装置可以配置于终端设备中。该装置包括：第一分割模块210、第二分割模块220、靶点获取模块230和自适应voi生成模块240。
[0053]
其中，第一分割模块210，用于获取脑区图像，利用第一神经网络分割模型准确分割脑灰质、脑白质和脑脊液区域，得到第一分割结果；
[0054]
第二分割模块220，用于基于第一分割结果，利用第二神经网络分割模型完成目标脑区结构的自动分割，得到第二分割结果；
[0055]
靶点获取模块230，用于基于第二分割结果，计算目标脑区的中心点作为靶点位置坐标；
[0056]
自适应voi生成模块240，用于基于靶点位置坐标生成一初始voi，自适应调节初始voi的大小生成最佳voi。
[0057]
本实施例的技术方案，通过基于神经网络分割模型对目标脑区结构进行自动分割，再根据分割结果自动计算靶点位置坐标，进而自动定位voi并优化生成最佳voi，为医生提供了准确的可重复性高的用于gaba含量测量的voi自动勾画工具，在有效提升医生工作效率的同时可更好地进行疾病及科研的研究。
[0058]
在上述技术方案的基础上，可选的，第一神经网络分割模型包括第一重采样模块、第一归一化模块、第一图像取出模块和第一迭代模块。其中，第一重采样模块用于输入原始图像并重采样为设定分辨率的图像，第一归一化模块用于对重采样后的图像进行整体归一化处理，第一图像取出模块用于随机从完整图像中以固定大小取出图像块，第一迭代模块用于将图像块输入到卷积神经网络中进行训练，迭代到损失函数的大小降低到预设定阈值，保存训练的模型文件。
[0059]
在上述技术方案的基础上，可选的，第二神经网络分割模型包括第二重采样模块、第二归一化模块、遍历模块、第二迭代模块和保存模块。其中，第二重采样模块用于输入原始图像和脑灰白质及脑脊液的分割结果，并分别重采样为两种不同分辨率的图像；第二归一化模块用于对重采样后的图像进行整体归一化处理；遍历模块用于以一定的步长同步遍历在原始图像和脑灰白质及脑脊液分割结果图像中的每一个图像块；第二迭代模块用于将两个图像块整合成具有两个通道的输入，一起输入到卷积神经网络中进行训练，模型训练迭代到损失函数的大小降低到预设定阈值；保存模块用于保存训练的模型文件，得到基于两种不同分辨率的分割模型文件，分别为粗分割模型文件和细分割模型文件。
[0060]
其中，第二分割模块220对于目标脑区结构的自动分割包括：基于第一分割结果使用粗分割模型和细分割模型级联成的脑区结构分割模型完成对目标脑区结构的分割；其中，粗分割模型主要用于目标脑区结构的定位，细分割模型主要用于对目标脑区结构的边缘进行精细分割。
[0061]
其中，靶点获取模块230计算靶点位置坐标包括：设靶点位置坐标为(x0,y0,z0)，)，其中，n为目标脑区结构的体素个数，wi为第i个体素的标签权重值，(xi,yi,zi)为第i个体素的位置坐标。
[0062]
在上述技术方案的基础上，可选的，自适应voi生成模块240包括初始化模块和自适应调节模块，其中，所述初始化模块用于基于靶点位置坐标先生成一固定大小的voi；所述自适应调节模块用于在设定范围内改变voi的大小，使得voi内脑灰质区域体积远大于脑白质和脑脊液区域的体积和。
[0063]
在上述技术方案的基础上，可选的，自适应调节模块具体用于：
[0064]
指定脑灰质体积为一确切值，根据如下优化公式得到一组x1,y1,z1,x2,y2,z2参数：
[0065][0066]
f(x0,y0,z0,x1,y1,z1,x2,y2,z2)＝w
gmvgm-w
wmvwm-w
csfvcsf
；
[0067]
基于得到的x1,y1,z1,x2,y2,z2，更新生成voi；
[0068]
其中，x1,y1,z1,x2,y2,z2分别为以靶点(x0,y0,z0)为中心向左、前、上、右、后、下共6个方位扩展voi大小的像素个数，均大于0；x,y,z为用户自行设置的允许调整的像素位置，反映了voi的大小范围；v
gm
,v
wm
,v
csf
分别为voi内脑灰质、脑白质以及脑脊液区域的体积大小，v
gm
可以指定为某固定值，w
gm
,w
wm
,w
csf
分别为脑灰质、脑白质以及脑脊液区域的重要性权重值。
[0069]
本发明实施例所提供的脑区voi自动分割和定位的装置可以用于执行本发明实施例所提供的脑区voi自动分割和定位的方法，同时具备与前述方法相应的功能和有益效果。
[0070]
值得注意的是，上述脑区voi自动分割和定位的装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0071]
实施例三
[0072]
图8是本发明实施例三提供的一种电子设备的结构示意图，本发明实施例为上述实施例的脑区voi自动分割和定位的方法的实现提供服务，可配置上述实施例中的脑区voi自动分割和定位的装置。图8示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图8显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0073]
如图8所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
[0074]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线、微通道体系结构(mac)总线、增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0075]
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0076]
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom，dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0077]
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0078]
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0079]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像分割方法。
[0080]
通过上述电子设备，解决了基于人工勾勒的voi进行gaba测量存在信噪比低、鲁棒性低以及可重复性低的问题。基于神经网络分割模型对目标脑区结构进行自动分割，再根据分割结果自动计算靶点位置坐标，进而自动定位voi并优化生成最佳voi，为医生提供了准确的可重复性高的用于gaba含量测量的voi自动勾画工具，在有效提升医生工作效率的同时可更好地进行疾病及科研的研究。
[0081]
实施例四
[0082]
本发明实施例四还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行上述实施例一公开的脑区voi自动分割和定位的方法。
[0083]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存
储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0084]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0085]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0086]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c++，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0087]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的voi自动分割和定位方法中的相关操作。
[0088]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。