一种脑灌注数据分析方法、装置及存储介质

技术领域

本申请涉及图像处理技术领域，具体涉及一种脑灌注数据分析方法、装置及存储介质。

背景技术

在临床医学中，脑血管疾病致病因素较多，脑血管病的分类及分型直接影响着临床的诊断、治疗及预防，因此，通过对此病的正确分类、分型，可直接提高脑血管疾病的治疗效果，改善患者的预后。

临床上诊断脑血管病主要采取影像学手段，全脑血管造影一直是脑血管病诊断的黄金标准。然而，由于血管造影技术是基于2D平面成像，且与成像平面相关，因此只能单纯地观察脑血管的动脉狭窄或动脉瘤、血管畸形等病变，无法同步观察到直接确定脑组织的血供与灌注是否充足的脑血管代偿与适应情况以及脑实质结构，并且该技术存在血栓栓塞的风险。除此之外，该检查需要使用造影剂，这可能会加重某些合并有肾脏疾病患者的肾功能损害，且可重复性较差。为了确定受影响组织的范围并描绘可以再灌注的缺血组织，利用CT和MRI进行的灌注成像已经成为临床上检查患者脑血流灌注情况的常规手段。CT灌注成像（CTP）可以反映血流动力学变化，操作简单，检查时间短；磁共振灌注成像（MRP）可以较好地反映缺血性脑组织的灌注情况，敏感度较高。

CTP、MRP可以获得全脑灌注图像，却不能单独提供脑区域灌注图，CT或MRI兼容的血管造影技术的研发显得暗室逢灯，将血管造影设备与CT或MRI设备相融合，进行血管造影的同时，进行CT或MRI灌注扫描，不但可以提供选择性血管造影成像，同时也获得局部区域的CT或MRI灌注图像。

然而由于这类技术（将血管造影设备与CT或MRI设备相融合，进行血管造影的同时，进行CT或MRI灌注扫描）的数据处理、识别、分析较为繁琐复杂，并且通过卷积神经网络提取特征后输出的尺寸往往会变小，不利于后续的计算，因此现有的CT和MRI脑灌注数据分析技术存在工作量较大，工作效率较低，分析结果的可重复性和一致性差的问题。

发明内容

本申请实施例的目的在于提供一种脑灌注数据分析方法、装置及存储介质，用以解决现有技术中的CT和MRI脑灌注数据分析技术存在的工作量较大，工作效率较低，分析结果的可重复性和一致性差的问题。

为实现上述目的，本申请实施例提供一种脑灌注数据分析方法，包括步骤：获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；

对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；

基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；

基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。

可选地，所述灌注参数包括：所述毛细血管床的局部造影剂浓度、平均造影剂浓度、血细胞通过所述毛细血管床的传输时间、脑血流量、旋转量和/或实质、间质空间及毛细血管床的平均密度。

可选地，基于所述编码图像和反卷积算法获取所述灌注参数的方法包括：

从所述编码图像中通过测量获取所述局部造影剂浓度和所述平均造影剂浓度；

通过公式

和

获取所述脑血流量和实质、间质空间及毛细血管床的平均密度，其中，

可选地，所述运动矫正的方法包括：

使用3D配准重建数据集的所有时间帧注册到第一个时间帧上，从所述数据集中删除表现出严重重建伪影的时间帧。

可选地，所述降噪方法包括：

刚性配准CTP体积，使用TIPS双边过滤器和4D双边过滤器过滤CTP扫描进行降噪。

可选地，所述分割的方法包括：

进行自动图像分割，将衰减大于或等于100 HU的体素识别为骨。

可选地，所述转化造影剂浓度的方法包括：

通过公式

和

将造影剂信号转换为所述造影剂浓度，其中，kct = 1 g/mL/HU，基线值μ

可选地，在获取所述灌注参数对应的所述灌注数据，并对所述灌注数据进行处理和分析之后，还包括：

存储所述灌注数据。

为实现上述目的，本申请还提供一种脑灌注数据分析装置，包括：存储器；以及

与所述存储器连接的处理器，所述处理器被配置成：

获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；

对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；

基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；

基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。

为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。

本申请实施例具有如下优点：

本申请实施例提供一种脑灌注数据分析方法，包括步骤：获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。

通过上述方法，区别于传统的计算方法，在用户调阅图像之前，能够完成所有的分析过程，使用户在图像工作站上打开该脑灌注图像序列时，可以直接看到分析结果，避免了人工干预及手工指定可能引入的人为偏差和等待时间，减轻了用户工作量，提高了用户的工作效率，保证了分析结果的可重复性和一致性。

附图说明

为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

图1为本申请实施例提供的一种脑灌注数据分析方法的流程图；

图2为本申请实施例提供的一种脑灌注数据分析方法的标记几何结构和脉冲序列图；

图3为本申请实施例提供的一种脑灌注数据分析方法的血管编码扫描图像；

图4为本申请实施例提供的一种脑灌注数据分析方法的三血管编码扫描图像；

图5为本申请实施例提供的一种脑灌注数据分析方法的组织灌注生理模型示意图；

图6为本申请实施例提供的一种脑灌注数据分析方法的降噪处理效果示意图；

图7为本申请实施例提供的一种脑灌注数据分析装置的模块框图。

具体实施方式

以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本申请一实施例提供一种脑灌注数据分析方法，参考图1，图1为本申请的一实施方式中提供的一种脑灌注数据分析方法的流程图，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此方面不受限制。

本实施例提出了一种新的鲁棒反卷积算法，通过张量总变差(TTV)正则化来优化改进灌注参数估计的量化。通过降噪算法完善模型，以进一步降低噪声并提高图像质量。基于反卷积方法实现同时获取血管结构的空间相关性和信号流的时间延续性，构建了灌注测量模型用于CT和MRI脑灌注数据分析，主要分为以下几个步骤：

在步骤101处，获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成。

在步骤102处，对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像。

具体地，血管编码：

本实施例首先对血管进行编码，初始图像采用的扫描模式是由两种图像类型（由CT和MRI两种扫描模式通过脑灌注成像）组成的，两种图像类型都包含相同的静态组织信号，只是流入动脉磁化强度的符号不同。这个编码过程用公式1描述，其中x是流入的血液和静态组织成分对信号的贡献，A是编码矩阵，y是产生的信号强度：

，/>

公式1

其中V是流入血液的信号，S是静态组织的信号。A的矩阵是生成y 1和y 2所需的编码步骤，当A有一个伪逆A

公式2

为了分别编码不止一个血管对CT和MR信号的贡献，本发明设计了两个以上的编码步骤，如公式3：

]=/>

公式3

其中R、L和B分别是来自右颈动脉、左颈动脉和基底动脉的标记血液信号的贡献。一般来说，血管几何形状和标记方法可能无法实现最佳编码，本发明通过从解码矩阵A

血管标记：

由于在应用射频时存在较大的梯度，射频照射在目标组织中离共振更远，磁化转移效应大大降低，因此本申请的优势在于应用额外的横向梯度脉冲来调制标记平面内不同血管中自旋的相对位置，以允许在反转平面内对血管进行差分编码，具体步骤如下：

1）在流动方向上使用单个标记梯度波形；

2)应用垂直于标记梯度的附加梯度以在目标血管之间产生相移；

3)使用跨脉冲的射频相位调制，根据编码时间表将目标血管置于标签和控制条件下。

标记几何结构和脉冲序列如图2所示，四个周期：

1）所有血管倒置；

2)无容器倒置；

3)只有容器A倒置；

4)只有容器B倒置。

成像扫描：

首先，本实施例基于八通道头部射频线圈阵列和用于射频传输的体线圈上进行成像扫描，将FOV设为24 cm×8 mm，切片间隙为2 mm，使用单次二维螺旋进行读数，标记脉冲序列的总长度为1574 ms，由1640个间隔为960 μs的RF脉冲组成。

其次，本实施例通过在图像采集前950 ms和300 ms两个时间点时，应用两个非选择性绝热反转脉冲以抑制背景。标记后延迟可达到为1000 ms，TR为3000 ms。

最后，将信号强度阈值设置为图像中第99个百分位处对应强度的一半，高于此阈值的体素用作粗糙的灰质掩模，按照上述拟定参数通过减法计算传统图像所扫描得到的高质清晰的编码图像如图3和图4所示。

在步骤103处，基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床。

在一些实施例中，所述灌注参数包括：所述毛细血管床的局部造影剂浓度、平均造影剂浓度、血细胞通过所述毛细血管床的传输时间、脑血流量、旋转量和/或实质、间质空间及毛细血管床的平均密度。

在一些实施例中，基于所述编码图像和反卷积算法获取所述灌注参数的方法包括：

从所述编码图像中通过测量获取所述局部造影剂浓度和所述平均造影剂浓度；

通过公式

和

获取所述脑血流量和实质、间质空间及毛细血管床的平均密度，其中，

具体地，使用反卷积算法计算灌注参数、构建微组织模型：

本申请为了计算组织灌注构建组织血液供应的生理模型（微组织模型），如图5所示，该模型由覆盖器官特异性实质、间质空间和毛细血管床组成。实质和间质空间的体积用

公式4

公式5

在步骤104处，基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。

在一些实施例中，所述运动矫正的方法包括：

使用3D配准重建数据集的所有时间帧注册到第一个时间帧上，从所述数据集中删除表现出严重重建伪影的时间帧。

在一些实施例中，所述降噪方法包括：

刚性配准CTP体积，使用TIPS双边过滤器和4D双边过滤器过滤CTP扫描进行降噪。

在一些实施例中，所述分割的方法包括：

进行自动图像分割，将衰减为100 HU或以上的任何体素都将被识别为骨。

在一些实施例中，所述转化造影剂浓度的方法包括：

通过公式

和

将造影剂信号转换为所述造影剂浓度，其中，kct = 1 g/mL/HU，基线值μ

具体地，灌注数据处理及分析：

进一步的，处理步骤主要是用于提高图像质量（例如降噪）和校正伪影（例如运动校正、部分体积校正）和血液的特定特性（例如校正血细胞比容的差异）。还有一些预处理步骤可以优化灌注值图的分析（例如某些解剖结构的分割）和应用工作流程（例如自动AIF估计）。本申请数据处理步骤主要如下：

1、运动校正

患者运动（例如，由于头部运动或呼吸）可能导致固定（静止）体位处衰减值的突然变化。 由于衰减值的这种变化是由运动引起的，而不是由造影剂流速引起的，因此计算出的灌注值可能会出现严重偏差。本设计通过将重建数据集的所有时间帧注册到第一个时间帧上，使用3D配准，不但可以校正垂直于重建切片方向的运动，且对于脑灌注扫描，刚性配准就足以满足要求，保证重建的融合图像中的条纹伪影的精准度，可以简单地从数据集中删除表现出严重重建伪影的时间帧，即剔除了时间浓度曲线的无效采样点。具体操作如下，首先添加阻尼因子λ以引入梯度因子，以缓冲二次收敛（公式6）：

，

公式6

λ需要在收敛速度和过冲风险之间进行平衡，λ越大，收敛步长越小，过冲的可能性越小。在本实施例的方法中，设λi是为迭代i选择的阻尼因子，那么对于迭代i+1，λ将在

公式7

2、降噪

降噪可以实现为数据的空间平滑，本实施例采用时间强度分布相似性(TIPS)函数替换强度差异的相似性函数，构建了一个3D加权内核，其中权重基于3D接近度和脑计算机断层扫描灌注（CTP）扫描的第四维。TIPS函数(p(

公式8

其中

公式9

其中T是时间维度的大小，I(x(x, y, z, t))是体素x(x, y, z)在时间点t的强度值，I(ξ(x, y, z, t))是相邻体素 ξ(x, y, z)在时间点t的强度值。在过滤之前，使用刚性配准CTP体积，TIPS双边过滤器和4D双边过滤器过滤CTP扫描。对于TIPS双边过滤器，使用3x3x3内核且设σd = 1.0。4D双边滤波器的内核大小设置为3x3x3x5，时间方向σd = 3.0，空间方向σd = 1.0。TIPS的σζ和4D双边滤波器的σr都取决于扫描中的噪声水平。TIPS双边滤波器的参数 σζ如公式9所述设置，4D双边滤波器的σr设置为平均强度差，对比的降噪效果如图6。

3、分割

本申请开发了在Microsoft Windows上运行的原始工作程序，以通过灌注CT/MRI和PET计算CBF。灌注的CBF采用中心容积原理计算,该原理将CBF、脑血容量(CBV)和平均通过时间(MTT)值按以下关系关联：

，

公式13

其中k = (1 - HCT

为了将数据比较仅限于脑实质，我们进行了自动图像分割，衰减为100 HU或以上的任何体素都将被识别为骨。骨骼和骨骼的外部区域被排除在外，我们计算CBF平均值、灰质和白质的CBF。同时，为了区分灰质和白质，对进行阈值处理：灰质定义为体素值≥32 HU，白质定义为体素值＜32 HU，然后分析全切片、灰质和白质的CT-CBF和PET-CBF平均值，为了减少空间分布的噪声，将CT-CBF和PET-CBF的矩阵尺寸都减小到32×32。

4、转化造影剂浓度

无论是CT成像的还是MR成像，都不能直接测量时间浓度曲线C

/>

公式14

公式15

5、局部AIF算法

通过根据确定其作为AIF的质量的属性为大脑中的每个体素分配一个分数来创建灌注图。对于大脑中的每个体素，该体素的AIF是通过在周围(27 mm)体积中搜索三个最佳分数来计算的，然后使用三维高斯核进行插值和平滑处理。然后使用类似于用于全局度量的SVD方法，在逐个体素的基础上对得到的局部AIF进行反卷积。

6、修正AIF中的部分体积效应

为了生成随着PVE程度增加的额外AIF，本实施例使用以用于参考AIF的体素为中心的宽度为3、5、7、9和11个体素的二次区域(ROI)。使用了模量信号用于计算TSF所需的估计组织对AIF ( s

在一些实施例中，在获取所述灌注参数对应的所述灌注数据，并对所述灌注数据进行处理和分析之后，还包括：

存储所述灌注数据。

通过上述方法，区别于传统的计算方法，在用户调阅图像之前，能够完成所有的分析过程，使用户在图像工作站上打开该脑灌注图像序列时，可以直接看到分析结果，避免了人工干预及手工指定可能引入的人为偏差和等待时间，减轻了用户工作量，提高了用户的工作效率，保证了分析结果的可重复性和一致性。

本申请解决了目前技术的问题：

1、解决了人工提取效率低及自动提取性能不稳定的问题；

2、无需指定聚类的数量，无需均匀分布曲线数量，提高鲁棒性；

3、解决了针对曲线特征进行的简单式计算；

4、解决了因患者在扫描过程中的运动，造成将其信号变化看作是对比剂的突出变化特征，导致误选数据这一问题；

5、解决了常规算法中对比剂注射速率是瞬间性的不真实设定，考虑了实际情况，优化算法，做到随着时间的推移，真实的反映出对比剂在组织内的数量变化。

本申请是在CASL的基础上施加横向梯度场进行相位编码，实现对流速和空间选择的不同标记，可以同时显示不同供血血管的远端分支或灌注；

本申请基于螺旋三维容积扫描，用类连续式椭圆形标记脉冲，其大小、位置、角度可根据目标血管任意调节，解决因个体发育差异导致标记失败和非目标血管污染；

为了保证将图像恢复到原来的尺寸以便后续计算，本发明采用反卷积算法，构建了灌注测量模型用于CT和MRI脑灌注数据分析；

本申请在扫描完成后，将图像进行后处理叠加，得到不同颜色的灌注图，从而直观地显示供应脑部血管的灌注区域，可以对脑部供血血管的灌注区域进行独立观察，不但可以显示颈内动脉、基底动脉的灌注区域、独立显示单侧椎动脉的脑内供血区、Willis环各分支的供血区域，还可以对脑内小血管进行超选择性灌注区域显示；

本申请扫描完成后得到相应的供血区域定量化指标脑血流量，能够在一次检查中测量多个生理参数，并且能够计算所有常见的灌注参数，不局限于脑血流量(CBF)、脑血容量(CBV)、平均通过时间( MTT)和峰值时间(TTP)，其扫描时间一般小于3 min，标记后的延迟时间选择多样；

本申请区别于传统的计算方法，在用户调阅图像之前，能够完成所有的分析过程，使用户在图像工作站上打开该脑灌注图像序列时，可以直接看到分析结果，避免了人工干预及手工指定可能引入的人为偏差和等待时间，减轻了用户工作量，提高了用户的工作效率，保证了分析结果的可重复性和一致性。

图7为本申请实施例提供的一种脑灌注数据分析装置的模块框图。该装置包括：

存储器201；以及与所述存储器201连接的处理器202，所述处理器202被配置成：获取初始图像，所述初始图像是由CT和MRI两种扫描模式通过脑灌注成像所获得的两种类型的图像组合而成；

对所述初始图像进行血管编码和血管标记，然后通过减法计算对所述初始图像进行成像扫描，得到编码图像；

基于所述编码图像和反卷积算法获取灌注参数，基于所述灌注参数构建微组织模型，所述微组织模型包括覆盖器官特异性实质、间质空间和毛细血管床；

基于所述微组织模型，获取所述灌注参数对应的灌注数据，对所述灌注数据进行处理和分析，以提高图像质量、矫正伪影、优化灌注值图的分析和/或优化工作流程，所述进行处理包括运动矫正、降噪、分割、转化造影剂浓度、局部AIF算法和/或修正AIF中的部分体积效应。

在一些实施例中，所述处理器202还被配置成：所述灌注参数包括：所述毛细血管床的局部造影剂浓度、平均造影剂浓度、血细胞通过所述毛细血管床的传输时间、脑血流量、旋转量和/或实质、间质空间及毛细血管床的平均密度。

在一些实施例中，所述处理器202还被配置成：基于所述编码图像和反卷积算法获取所述灌注参数的方法包括：

从所述编码图像中通过测量获取所述局部造影剂浓度和所述平均造影剂浓度；

通过公式

和

获取所述脑血流量和实质、间质空间及毛细血管床的平均密度，其中，

在一些实施例中，所述处理器202还被配置成：所述运动矫正的方法包括：

使用3D配准重建数据集的所有时间帧注册到第一个时间帧上，从所述数据集中删除表现出严重重建伪影的时间帧。

在一些实施例中，所述处理器202还被配置成：所述降噪方法包括：

刚性配准CTP体积，使用TIPS双边过滤器和4D双边过滤器过滤CTP扫描进行降噪。

在一些实施例中，所述处理器202还被配置成：所述分割的方法包括：

进行自动图像分割，将衰减为100 HU或以上的任何体素都将被识别为骨。

在一些实施例中，所述处理器202还被配置成：所述转化造影剂浓度的方法包括：

通过公式

和

将造影剂信号转换为所述造影剂浓度，其中，kct = 1 g/mL/HU，基线值μ

在一些实施例中，所述处理器202还被配置成：在获取所述灌注参数对应的所述灌注数据，并对所述灌注数据进行处理和分析之后，还包括：

存储所述灌注数据。

具体实现方法参考前述方法实施例，此处不再赘述。

本申请可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本申请的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、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）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。

这里参照根据本申请实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。

虽然，上文中已经用一般性说明及具体实施例对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。