图像分割方法及装置、电子设备、存储介质

技术领域

本申请涉及医学图像处理技术领域，例如涉及一种图像分割方法及装置、电子设备、存储介质。

背景技术

近些年来，由于三维CT(Computed Tomography，电子计算机断层扫描仪器)图像所包含的数据量远大于二维图像的数据量，三维CT图像逐渐成为许多器官(例如肺、肾、心脏等)疾病的重要检查方式。随着深度学习技术在医学方面的应用，医生可以使用更高效的深度学习辅助诊断技术来对疾病进行诊断，能够有效减轻医生的工作负担。在深度学习技术中，语义分割通过对图像不同区域进行像素级的分类，将图像划分为不同的区域。在医疗辅助诊断中，语义分割不仅可以定性地提供病症有无的判断，还可以定量地标记出病变的区域。这不仅有利于医生更加准确地诊断病情，还有助于开展后续的治疗。

相关技术中的深度学习语义分割方法，获得正常三维CT图像和含病灶的三维CT图像数据，然后送入预训练好的教师网络和学生网络中进行训练，教师网络学习到包含病灶图像和正常图像的知识，学生网络学习到正常图像的知识，利用教师网络与学生网络提取的特征在病灶位置的差异可以得到病灶定位图，获得病变区域的分割结果。

在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：

相关技术中的深度学习语义分割方法，虽然可以在不依赖人工标注数据的情况下对病灶区域进行无监督分割，但是仍然需要同时使用健康人的CT数据和病人的CT数据进行训练。而且，该技术只能对训练数据中包含的病症进行较好的分割，而对于训练数据中不包含的病症则无法有效分割，因此该方法的局限性较大。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

本公开实施例提供了一种图像分割方法及装置、电子设备、存储介质，不仅能够对图像中的器官病变区域进行无监督的分割，而且具有更好的泛化性和通用性。

在一些实施例中，图像分割方法包括：对器官区域的原始图像进行编码，获得原始图像编码；通过重采样将原始图像编码中的异常编码替换为可识别编码，获得重采样图像编码；对重采样图像编码进行解码，获得重建图像；基于重建图像和原始图像的差异化区域，获取器官病变区域分割结果。

在一些实施例中，图像分割分割装置包括：编码模块，被配置为对器官区域的原始图像进行编码，获得原始图像编码；重采样模块，被配置为通过重采样模型对所述原始图像编码进行重采样，获得重采样图像编码；其中，所述重采样图像编码通过健康器官图像训练获得；解码模块，被配置为对所述重采样图像编码进行解码，获得重建图像；分割模块，被配置为根据所述重建图像和所述原始图像对器官病变区域进行分割。

在一些实施例中，电子设备包括：电子设备主体；以及前述图像分割装置，被安装于电子设备主体。

在一些实施例中，存储介质存储有指令程序，指令程序被运行时执行前述图像分割方法。

本公开实施例提供的图像分割方法及装置、电子设备、存储介质，可以实现以下技术效果：

本公开实施例中，获得器官区域的原始图像编码后，通过重采样将原始图像编码中的异常编码替换为可识别编码，从而来获得重采样图像编码，然后解码获得重采样图像编码的重建图像，并根据重建图像和原始图像的差异化区域，获取器官病变区域分割结果。如此，通过重采样将原始图像编码中的异常编码替换为可识别编码，经过编码-重采样-解码过程实现器官病变区域的分割。这不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。

以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：

图1是本公开实施例提供的一个图像分割方法的流程示意图；

图2是本公开实施例提供的另一个图像分割方法的流程示意图；

图3是本公开实施例提供的另一个图像分割方法的流程示意图；

图4是本公开实施例提供的另一个图像分割方法的流程示意图；

图5是本公开实施例提供的另一个图像分割方法的流程框图；

图6是本公开实施例提供的一个图像分割装置的结构示意图；

图7是本公开实施例提供的另一个图像分割装置的结构示意图；

图8是本公开实施例提供的一个电子设备的结构示意图；

图9是本公开实施例提供的一个肺部器官病变区域的分割结果图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本公开实施例的实施例。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。

除非另有说明，术语“多个”表示两个或两个以上。本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。

深度学习图像分割，通过对输入图像进行像素级分类，将图像分割成不同区块。在医疗图像领域，可以用来区分医疗图像中的不同组织，或是同一组织中的健康区域和病变区域。深度学习图像分割方法需要提前使用标注数据对模型进行训练，再通过模型对图像进行分割。本公开实施例提供的图像分割方法，不仅能够对图像中的器官病变区域进行无监督的分割，而且具有更好的泛化性和通用性。

结合图1所示，本公开实施例提供一种图像分割方法，包括以下步骤：

S101，对器官区域的原始图像进行编码，获得原始图像编码。

器官，即生物体内能担任某种独立的生理机能的部分，例如肺、胃、肾脏、心脏等。每个器官都由数种组织组成。这里，器官区域可以是器官整体区域，也可以是器官的部分组织区域。

本公开实施例的器官区域以肺部为例进行说明。其中，器官区域的原始图像，可以是CT图像或其他三维图像，在此不作限制。使用肺部分割算法，提取输入CT图像中的肺实质区域作为肺部的原始图像。肺部分割算法包括但不限于图形学算法、机器学习算法以及深度学习算法。提取完成后，图像中肺部区域之外的背景区域像素值被设置为单一值，肺部区域则保留原有的像素值。

实际应用中，可以将肺部原始CT图像根据肺窗截取像素值区间，并归一化到[-1，1]区间，将图像分辨率调整为256*256大小。使用肺部分割算法，提取肺部区域，将图像中肺部区域像素值置为1，将图像中肺部区域之外的背景区域像素置为0。

可选地，对器官区域的原始图像进行编码，包括：使用编码器和字典对原始图像进行编码；其中，编码器和字典通过健康器官图像训练获得。

肺部的原始图像经过分割算法处理后，利用健康器官图像训练获得的编码器E和字典D对处理好的原始图像I进行编码，获得原始图像编码V＝D(E(I))。

编码器和字典通过健康器官图像训练获得，对肺部的原始图像进行编制，保证原始图像中健康区域的图像编码的准确性，并且无需人工标注分割数据进行训练，极大减小人力成本和时间成本。

S102，通过重采样将原始图像编码中的异常编码替换为可识别编码，获得重采样图像编码。

可选地，通过重采样将原始图像编码中的异常编码替换为可识别编码，获得重采样图像编码，包括：通过重采样模型将原始图像编码中病变区域的编码子集替换为正常编码子集；将编码子集替换后的原始图像编码作为重采样图像编码。

通过重采样过程，将原始图像编码V中病变区域的编码子集

S103，对重采样图像编码进行解码，获得重建图像。

可选地，对重采样图像编码进行解码，包括：使用解码器对重采样图像编码进行解码；其中，解码器通过健康器官图像训练获得。

获得重采样图像编码V'后，利用健康器官图像训练获得的解码器G对重采样图像编码V'进行解码，获得重建图像I'＝G(V')，其中，重建图像I'的分辨率与原始图像I的分辨率相同。

解码器通过健康器官图像训练获得，对肺部的重采样图像编码进行解码，保证重采样图像正常编码进行解码的准确性，并且无需人工标注分割数据进行训练，极大减小人力成本和时间成本。

S104，基于重建图像和原始图像的差异化区域，获取器官病变区域分割结果。

可选地，基于重建图像和原始图像的差异化区域，获取器官病变区域分割结果，包括：获得重建图像和原始图像的差分图像；通过差分图像得到器官病变区域分割结果。

将重建图像I'与原始图像I作差后取绝对值，得到差分图像ΔI＝|I’-I|。

可选地，通过差分图像得到器官病变区域分割结果，包括：获得差分图像的差异值；将差分图像中的差异值大于差异阈值的像素区域作为器官病变区域分割结果。

实际应用中，将差分图像中的差异值大于差异阈值的像素区域二值化得到器官病变区域分割结果。图像二值化，就是将图像中像素区域的像素点的灰度值设置为0或255，然后，通过膨胀腐蚀，获得二值图M，从而得到最终器官病变区域分割结果，将整个器官病变区域图像呈现出明显的只有黑和白的视觉效果。其中，膨胀(dilation)类似与“领域扩张”，将图像的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大。图像膨胀的处理过程：a.图像二值化，将图像的灰度值根据阈值进行0，1处理得到的图像；b.卷积核，对应信号处理中的高低频滤波器。常用数值计算扩展numpy去设置，np.ones((m,n),np.uint8)表示指定m*n的卷积核；c.图像的腐蚀，cv2.dilate(二值化图像,卷积核,迭代次数)。腐蚀(erosion)类似“领域被蚕食”,将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小，其主要包括两个输入对象：(1)二值图像；(2)卷积核。

差分图像的差异值越大，表示重建图像和原始图像的差异越大，将差分图像中的差异值大于差异阈值的像素区域二值化，得到的器官病变区域分割结果更加明显。根据器官病变区域分割结果进行病情判断也更加准确。

可选地，通过差分图像得到器官病变区域分割结果，包括：获得重采样图像编码的似然概率，以及差分图像的差异值；将差分图像中的似然概率小于似然概率阈值，且差异值大于差异阈值的像素区域二值化得到器官病变区域分割结果。

通过训练好的重采样模型S对原始图像编码V重采样，输出重采样图像编码V'，以及似然概率P。将与重采样图像编码V'对应的P

似然概率用于表示模型参数中的似然性(likelihood)。似然概率越小，表示重建图像和原始图像的差异越大；似然概率越大，表示重建图像和原始图像的差异越小。将差分图像中的似然概率小于似然概率阈值，且差异值大于差异阈值的像素区域，得到的器官病变区域分割结果更加明显。根据器官病变区域分割结果进行病情判断也更加准确。

可选地，获得重采样图像编码的似然概率，包括：获得重采样图像编码的初始似然概率；对初始似然概率进行高斯平滑以获得重采样图像编码的似然概率。

通过训练好的重采样模型S对原始图像编码V重采样，输出重采样图像编码V'的初始似然概率P

可选地，获得差分图像的差异值，包括：获得差分图像的初始差异值；对初始差异值进行高斯平滑以获得差分图像的差异值。

获得差分图像的初始差异值|ΔI

采用本公开实施例提供的图像分割方法，获得器官区域的原始图像编码后，通过重采样将原始图像编码中的异常编码替换为可识别编码，从而来获得重采样图像编码，然后解码获得重采样图像编码的重建图像，并根据重建图像和原始图像的差异化区域，获取器官病变区域分割结果。如此，通过重采样将原始图像编码中的异常编码替换为可识别编码，经过编码-重采样-解码过程实现器官病变区域的分割。这不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。

结合图2所示，本公开实施例提供一种图像分割方法，包括以下步骤：

S201，使用编码器和字典对原始图像进行编码，获得原始图像编码；其中，编码器和字典通过健康器官图像训练获得。

S202，通过重采样模型将原始图像编码中病变区域的编码子集替换为正常编码子集。

S203，将编码子集替换后的原始图像编码作为重采样图像编码。

S204，使用解码器对重采样图像编码进行解码，获得重建图像。

S205，获得重建图像和原始图像的差分图像。

S206，通过差分图像得到器官病变区域分割结果。

实际应用中，结合图5所示，使用编码器E(和字典D)对原始图像I进行编码，获得原始图像编码V；通过重采样模型S对原始图像编码V进行重采样，获得重采样图像编码V'，以及重采样图像编码V'的似然概率P；使用解码器G对重采样图像编码V'进行解码，获得重建图像I'；获得重建图像I'和原始图像I的差分图像△I；将差分图像△I中的似然概率P小于似然概率阈值，且差异值|ΔI|大于差异阈值的像素区域二值化得到器官病变区域分割结果M。

参照图9所示的肺部器官病变区域的分割结果图，其中，第一、三列为提取肺部区域的CT切片，第二、四列为分割出的肺部器官病变区域。分割结果中的灰度值表示不同像素点处的置信概率。利用本公开实施例提供的图像分割方法对器官CT图像的病变区域进行主动分割时，对于不同类型的病变，均能进行有效分割。当图像中有和病变组织特征相似的区域时，也能够正确地对正常组织和病变组织进行区分。该方法分割病变区域的准确度高，能够满足多种临床应用的需求，具有较高的泛化能力和实用性。

采用本公开实施例提供的图像分割方法，只使用健康器官数据来对算法模型进行训练，再利用训练好的编码器、字典、重采样模型以及解码器，经过编码-重采样-解码过程实现器官病变区域的分割。这不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。

在一些实施例中，结合图3所示，提供一种图像分割方法，其训练获得编码器、解码器和字典包括以下步骤：

S301，获得健康器官图像。

实际应用中，获得健康肺部原始CT图像后，将健康肺部原始CT图像根据肺窗截取像素值区间，并归一化到[-1，1]区间，将图像分辨率调整为256*256大小。使用肺部分割算法，提取肺部区域，将图像中肺部区域之外的背景区域像素置为0。

S302，基于健康器官图像，训练初始编码器、初始解码器和初始字典。

利用经过前述处理后的健康器官图像I

可选地，基于健康器官图像，训练初始编码器和初始解码器，包括：获得第一损失函数；其中，

可选地，训练初始字典，包括：获得指数平滑迭代函数；其中，

这里，

在编码器、解码器和字典的训练过程中，编码器输入健康器官图像I

S303，在重建误差最小的情况下，将训练获得的初始编码器作为编码器，将训练获得的初始解码器作为解码器，将训练获得的初始字典作为字典。

这里，

本公开实施例提供了一种编码器、解码器和字典的训练方法，只使用健康器官数据来对算法模型进行训练，不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。同时，利用训练好的编码器、字典以及解码器，经过编码-重采样-解码过程实现器官病变区域的分割，分割病变区域的准确度高，能够满足多种临床应用的需求。

在一些实施例中，结合图4所示，提供一种图像分割方法，其训练获得重采样模型包括以下步骤：

S401，获得健康器官图像。

实际应用中，获得健康肺部原始CT图像后，将健康肺部原始CT图像根据肺窗截取像素值区间，并归一化到[-1，1]区间，将图像分辨率调整为256*256大小。使用肺部分割算法，提取肺部区域，将图像中肺部区域之外的背景区域像素置为0。

S402，基于健康器官图像，训练初始重采样模型。

利用经过前述处理后的健康器官图像，训练初始重采样模型S

可选地，基于健康器官图像，训练初始重采样模型，包括：获得第二损失函数；其中，L

在重采样模型的训练过程中，重采样模型输入V，输出V’∈R

S403，在交叉熵函数最小的情况下，将训练获得的初始重采样模型作为重采样模型。

这里，K＝CrossEntropy((E(I)),S(D(E(I))))，其中，K为交叉熵函数，D为字典，E为编码器，S为重采样模型，I为健康器官图像。

本公开实施例提供了一种重采样模型的训练方法，只使用健康器官数据来对算法模型进行训练，不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。同时，利用训练好的编码器、字典、重采样模型以及解码器，实现器官病变区域的分割，分割病变区域的准确度高，能够满足多种临床应用的需求。

结合图6所示，本公开实施例提供一种图像分割装置600，包括编码模块61、重采样模块62、解码模块63和分割模块64。编码模块61被配置为对器官区域的原始图像进行编码，获得原始图像编码；重采样模块62，被配置为通过重采样模型对原始图像编码进行重采样，获得重采样图像编码；其中，重采样图像编码通过健康器官图像训练获得；解码模块63被配置为对重采样图像编码进行解码，获得重建图像；分割模块64被配置为根据重建图像和原始图像对器官病变区域进行分割。

采用本公开实施例提供的图像分割装置，获得器官区域的原始图像编码后，通过重采样将原始图像编码中的异常编码替换为可识别编码，从而来获得重采样图像编码，然后解码获得重采样图像编码的重建图像，并根据重建图像和原始图像的差异化区域，获取器官病变区域分割结果。如此，通过重采样将原始图像编码中的异常编码替换为可识别编码，经过编码-重采样-解码过程实现器官病变区域的分割。这不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。

结合图7所示，本公开实施例提供一种图像分割装置700，包括处理器(processor)70和存储器(memory)71，还可以包括通信接口(Communication Interface)72和总线73。其中，处理器70、通信接口72、存储器71可以通过总线73完成相互间的通信。通信接口72可以用于信息传输。处理器70可以调用存储器71中的逻辑指令，以执行上述实施例的图像分割方法。

此外，上述的存储器71中的逻辑指令可以通过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。

存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器70通过运行存储在存储器71中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的图像分割方法。

存储器71可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器。

采用本公开实施例提供的图像分割装置，获得器官区域的原始图像编码后，通过重采样将原始图像编码中的异常编码替换为可识别编码，从而来获得重采样图像编码，然后解码获得重采样图像编码的重建图像，并根据重建图像和原始图像的差异化区域，获取器官病变区域分割结果。如此，通过重采样将原始图像编码中的异常编码替换为可识别编码，经过编码-重采样-解码过程实现器官病变区域的分割。这不仅可以实现器官病变区域的无监督分割，而且可以根据健康人的器官数据分布对病人器官图像中的任何可疑病变区域分割，不受算法模型训练数据的限制，具有更好的泛化性和通用性。

结合图8所示，本公开实施例提供了一种电子设备(例如：CT机、计算机、服务器等)，包含电子设备主体80以及上述的图像分割装置600/700，图像分割装置600/700被安装于电子设备主体80。

本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述图像分割方法。

本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述图像分割方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本公开实施例的技术方案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，包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，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)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。例如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样第，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，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，所述单元的划分，可以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。另外，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。所述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。另外，在本公开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。

附图中的流程图和框图显示了根据本公开实施例的系统、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、程序段或代码的一部分，所述模块、程序段或代码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，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤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，这可以依所涉及的功能而定。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。