医学图像分析方法、电子设备及存储介质

背景技术

医学图像技术是为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术。目前，医学图像技术已经成为各项医学研究分析的得力帮手，为疾病诊疗提供的支撑。

对于医学图像的分析，往往需要由专业的阅片人员完成。尽管相关技术中存在基于计算机辅助诊疗网络模型的自动分析方式，但该方式输出的分析结果准确性较低，且由于专业程度较高，仍然无法使普通患者理解。

发明内容

为克服相关技术中存在的问题，本公开提供了一种医学图像分析方法、电子设备及存储介质。

根据本公开实施例的第一方面，提供一种医学图像分析方法，包括：提取医学图像中的特征，医学图像中的特征基于计算机辅助技术提取；将医学图像中的特征转换为描述文本；将描述文本输入预训练的大语言模型，生成医学图像的分析结果。

在一些实施例中，医学图像中的特征包括图像分类特征、病灶分割特征和病灶检测特征中的至少一种。

在一些实施例中，图像分类特征用于示出医学图像中各类病变的置信度；在医学图像中的特征包括图像分类特征的情况下，描述文本至少用于示出各类病变中置信度最高的病变对应的病名实体标签。

在一些实施例中，在医学图像中的特征包括图像分类特征的情况下，将医学图像中的特征转换为描述文本，包括：根据预设文本样式，将图像分类特征转换为描述文本，预设文本样式包括能够示出医学图像中各类病变置信度的文本样式、能够示出医学图像中各类病变发生概率的文本样式和能够示出医学图像中发生的病变的文本样式中的至少一种。

在一些实施例中，病灶分割特征包括实质图像和/或病灶图像，实质图像用于示出医学图像中的指定器官，病灶图像用于示出指定器官中的病灶部分；在医学图像中的特征包括病灶分割特征的情况下，描述文本用于描述病灶图像与实质图像的大小、比例关系和位置关系中的至少一种。

在一些实施例中，在医学图像中的特征包括病灶分割特征的情况下，描述文本还用于描述与病灶部分对应的病变名称。

在一些实施例中，在将描述文本输入预训练的大语言模型，生成分析结果之前，方法还包括：将医学图像输入报告生成模型，生成医学图像的分析报告；将分析报告与描述文本合并，以更新描述文本。

在一些实施例中，分析结果包括分析文本，方法还包括：计算分析文本与分析报告之间的第一损失；根据第一损失，训练报告生成模型。

在一些实施例中，分析结果包括分析文本，图像分类特征通过将医学图像输入图像分类模型中提取，方法还包括：抽取分析文本中的病名实体信息；计算病名实体信息与病名实体标签之间的第二损失；根据第二损失，训练图像分类模型。

根据本公开实施例的第二方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行本公开实施例第一方面的方法。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本公开实施例第一方面的方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例，通过将医学图像中的特征转换为描述文本，进而通过将描述文本输入预训练的大语言模型，生成医学图像的分析结果，实现了对医学图像的自动分析。本公开实施例提供了一种将大语言模型应用于医学图像分析的处理方式，基于大语言模型的特性，不仅提升了医学图像分析结果的准确性，还使分析结果更易使用户理解。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

图1示出本公开实施例中一种医学图像分析方法的系统架构示意图。

图2示出本公开实施例中一种医学图像分析方法的流程示意图。

图3示出本公开实施例中一种大语言模型应用方法示意图。

图4示出本公开实施例中一种报告生成模型训练方法示意图。

图5示出本公开实施例中一种图像分类模型训练方法示意图。

图6示出本公开实施例中一种医学图像分析装置的结构示意图。

图7示出本公开实施例中一种电子设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

为了便于理解，首先对本公开涉及到的几个名词进行解释如下：

大语言模型(Large language model，LLM)，是在经过海量文本数据的训练之后，可用于开发的人工智能模型。大语言模型使用深度学习技术生成类似人类的响应，可应用于各种任务，包括语言翻译，问题回答和文本生成。例如，OpenAI推出的大语言模型GPT-3在自然语言处理中的出色表现，显示了对各行各业的潜在的革命性应用价值，包括营销、教育和客户服务。

计算机辅助诊断(Computer Aided Diagnosis，CAD)，是一种基于医学影像学的计算机辅助技术，通过先进的深度学习算法来分析医学图像，可实现临床辅助诊断，并提供有价值的见解来支持临床决策。计算机辅助诊断网络模型用于处理医学图像中复杂的影像学信息，适合疾病辅助诊断，病变区域分割和影像诊断报告生成等任务。这些网络模型经过在医学图像数据集的训练，能够学习并识别医学影像信息包含的特定疾病的复杂模式和关系。

目前，对于医学图像的分析，往往需要由专业的阅片人员完成。尽管通过上述计算机辅助诊疗网络模型的方式能够在一定程度上实现对医学图像的自动分析，但该方式输出的分析结果准确性较低，且由于专业程度较高，仍然无法使普通患者理解。

本公开实施例提供了一种医学图像分析方法，能够将医学图像中的特征转换为描述文本，进而通过将描述文本输入预训练的大语言模型，生成医学图像的分析结果，实现了对医学图像的自动分析，并使该分析结果以通俗语言的方式呈现，易于普通患者理解。其中，医学图像中的特征基于计算机辅助技术提取。

可以理解的是，本实施例的医学图像分析方法可以是在任意电子设备上执行的，例如，其可以是在服务器上执行，也可以在终端上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本公开的限制。

示例性地，图1示出了可以应用于本公开实施例的医学图像分析方法或医学图像分析装置的示例性系统架构示意图。

如图1所示，该系统架构100包括图像采集装置101、服务器102和终端103。图像采集装置101和终端103均与服务器102通过网络连接，比如，通过有线或无线网络连接等。

示例性地，图像采集装置101可以用于对采集被检测者进行数据获取，可以获取与被检测者的至少一部分有关的图像数据。被检测者可以是生物或非生物。例如，被检测者可以是患者、人造物体、实验者等。例如，对象可以包括患者的特定部分、器官和/或组织。例如，采集的对象可包括被检测者的头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等，或其任何组合。

示例性地，服务器102可以是单台服务器，也可以是由多个服务器组成的服务器集群或云服务器。例如，服务器可以为多个异构系统之间的互通服务器或者后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。服务器102上部署有大语言模型，以及至少一种用于计算机辅助诊疗的深度学习模块。

服务器102，可以用于：提取图像采集装置101采集到的医学图像中的特征；将医学图像中的特征转换为描述文本；将描述文本输入预训练的大语言模型，生成医学图像的分析结果。

此外，服务器102还可用于将分析结果发至终端103，以便向用户展示分析结果，或接收用户对于分析结果的反馈信息，以实现人机对话功能。

终端103可以接收服务器102生成的针对医学图像的分析结果，或是向服务器反馈进一步信息，以获得针对分析结果的更多建议。其中，终端103可以包括手机、智能电视、平板电脑、笔记本电脑、或个人计算机(PC，Personal Computer)等。终端103上还可以设置客户端，该客户端可以是应用程序客户端或者浏览器客户端等等。

本领域技术人员可以知晓，图1中示出的图像采集装置、服务器和终端的数量仅仅是示意性的，根据实际需要，可以具有任意数目的图像采集装置、服务器和终端，本公开对此不做限制。

下面将结合附图及实施例对本示例实施方式进行详细说明。

首先，本公开实施例中提供了一种医学图像分析方法，该方法可以由任意电子设备执行。

图2示出本公开实施例中一种医学图像分析的流程示意图，如图2所示，本公开实施例中提供的医学图像分析包括如下步骤。

S201，提取医学图像中的特征。

需要说明的是，医学图像可以通过图像采集装置获取。在本公开实施例中，图像采集装置例如可以包括超声设备、X射线设备、核磁共振设备、核医学设备、医用光学设备以及热成像设备等，本公开实施例对此不作限定。

示例性地，医学图像可以为各种类型的图像。例如，按照获取医学图像的设备划分，医学图像可以包括超声图像、X射线、计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic Resonance Imaging，MRI)、数字减影血管造影(Digital SubtractionAngiography，DSA)和正电子发射断层摄影术(Positron Emission Computed Tomography，PET)等。此外，按照医学图像的内容划分，医学图像可以包括脑组织图像、脊髓图像、眼底图像、血管图像、胰腺图像和肺部图像等。

需要说明的是，医学图像中的特征可以基于计算机辅助技术提取，例如，计算机辅助诊断技术。

示例性地，医学图像中的特征可以是图像分类特征、病灶分割特征以及病灶检测特征中的一种或多种。当然，医学图像中的特征还可以包括其他通过计算机辅助诊断技术提取到的特征，本公开实施例对此不做限定。

在一些实施例中，通过将医学图像输入到预先训练的图像分类模型，可以得到图像分类特征。其中，图像分类模型的训练方式和网络结构可以参考相关技术中的实现方式，本公开实施例对此不再赘述。

具体地，图像分类特征用于示出医学图像中各类病变的置信度。例如，图像分类特征可通过特征张量的形式示出，特征张量中的每项数值分别用于示出医学图像中存在与其对应的病变的置信度。

例如，针对特征张量[0.238，0.086，0.923，0.379，0.167]，假设其第一项数值与心脏肥大对应，即图像中存在心脏肥大的置信度为0.238。依次类推，对于张量中的其他数值均分别与一种病变对应，并用于表示发生该病变的置信度，本公开实施例对此不再赘述。应当理解，本公开实施例所称的病变，可以包含医学图像中无异常的情况，即医学图像中不存在或无法示出发生的病变的情况。

在一些实施例中，通过将医学图像输入到预先训练的病灶分割模型，可以得到病灶分割特征。其中，病灶分割模型的训练方式和网络结构可以参考相关技术中的实现方式，本公开实施例对此不再赘述。

具体地，病灶分割特征包括实质图像和/或病灶图像，其中，实质图像用于示出医学图像中的指定器官，病灶图像用于示出指定器官中的病灶部分。病灶分割模型在对医学图像进行分割时，可以先从完整的医学图像中分割出指定器官，作为实质图像，再从实质图像中分割出指定器官的病灶部分，作为病灶图像。此外，病灶分割模型还可识别出病灶部分中的具体病变类型。

在一些实施例中，通过将医学图像输入到预先训练的病灶检测模型，可以得到病灶检测特征。其中，病灶检测模型的训练方式和网络结构可以参考相关技术中的实现方式，本公开实施例对此不再赘述。

具体地，病灶检测特征可以通过框选标注的方式(例如，矩形框标注)，在医学图像中示出病灶部分的大体位置和病变类型。

S202，将医学图像中的特征转换为描述文本。

需要说明的是，描述文本可以通过文本形式，表达医学图像中提取到的特征的含义。由于在医学图像中提取到的特征通常是张量形式或掩码形式，为了使大语言模型能够接受这些特征作为输入，并准确理解这些特征的含义，本公开实施例提供了一种将特征转换为描述文本的方式。

在一些实施例中，在医学图像中的特征包括图像分类特征的情况下，描述文本至少用于示出各类病变中置信度最高的病变对应的病名实体标签。其中，病名实体标签为预设的与各类病变对应的病变名称。

例如，针对特征张量[0.238，0.086，0.923，0.379，0.167]，其中，0.238为心脏肥大的置信度，0.086为浮肿的置信度，0.923为肺实变的置信度，0.379为肺不张的置信度，0.167为胸腔积液的置信度。其中，置信度最高的病变为肺实变，即可以将“肺实变”作为与图像分类特征对应的描述文本。

在一些实施例中，考虑到大语言模型对于输入文本的理解能力，可以调整描述文本的样式，以提升大语言模型的识别效果。

示例性地，可以根据预设文本样式，将图像分类特征转换为描述文本。其中，预设文本样式包括能够示出医学图像中各类病变置信度的文本样式、能够示出医学图像中各类病变发生概率的文本样式和能够示出医学图像中发生的病变的文本样式中的至少一种。

例如，仍针对上述特征张量[0.238，0.086，0.923，0.379，0.167]而言，通过构建不同的预设文本样式，可以将该特征向量转换为描述文本“更高的评分代表着更高的诊断置信度。图像分类特征：心脏肥大：0.238，浮肿：0.086，肺实变：0.923，肺不张：0.379，胸腔积液：0.167。”，可以将该特征向量转换为描述文本“图像分类特征：尚无浮肿、胸腔积液的迹象。小概率出现心脏肥大。患者很可能患有肺不张。确信患者已出现肺实变现象。”，还可以将该特征张量转换为描述文本“图像分类特征的诊断结果为肺实变。”。

在一些实施例中，在医学图像中的特征包括病灶分割特征的情况下，描述文本可用于描述病灶图像与实质图像的大小、比例关系和位置关系中的至少一种。

此外，在医学图像中的特征包括病灶分割特征的情况下，描述文本还可以描述与病灶部分对应的病变名称。

示例性，针对肺部图像，通过病灶分割模型可以输出肺部实质图像和肺部病灶图像，进而可以将其转换为描述文本，例如“病灶分割特征：35％的肺部发生肺感染”，即肺部病灶图像占肺部实质图像的35％，且病灶图像对应的病变名称为肺感染。

在一些实施例中，在医学图像中的特征包括病灶检测特征的情况下，描述文本可用于描述医学图像中病灶部分的大体位置及病变类型。例如，针对肺部图像，描述文本可以是“病灶检测特征：左肺下叶发生肺感染”。

在一些实施例中，为了使大语言模型能够更好的结合医学图像中提取的各个特征，生成分析结果，还可在描述文本中结合相关技术中的报告分类模型生成的分析报告。

具体地，可将医学图像输入报告生成模型，生成医学图像的分析报告，随后将分析报告与描述文本合并，以更新描述文本。

在一些实施例中，为了使大语言模型能够准确理解描述文本中各项特征信息之间的关系，可以在描述文本中加入命令描述文本。其中，命令描述文本用于指示大语言模型针对描述文本的处理方式。例如，在描述文本中同时存在图像分类特征、病灶分割特征和分析报告时，命令描述文本可以是“请根据图像分类特征和病灶分割特征完善分析报告”。而在描述文本中仅存在图像分类特征和病灶分割特征时，命令文本可以是“请根据图像分类特征和病灶分割特征生成分析结果”。

S203，将描述文本输入预训练的大语言模型，生成医学图像的分析结果。

具体地，大语言模型可以将描述文本中的信息整合分析，从而形成用户易于理解的、更加全面的分析结果。

在一些实施例中，分析结果可以是文本形式的分析文本。分析文本可以是图文结合的形式，以便用户更易理解。例如，分析结果可以在向用户描述病情的同时，向用户示出发生病变部分的图像。

在一个应用场景中，针对医护人员的使用，通过分析文本结合病变图像的形式，可以使医护人员快速聚焦于医学图像中发生病变的部分，从而辅助医护人员做出最终决策。

在一个应用场景中，针对患者的使用，大型语言模型还可以实现人机对话的功能，以便给出患者进一步处理意见，或解决患者的其他相关疑问。例如，在分析结果指出患者肺部发生感染时，患者可以进一步询问针对肺部感染的严重程度、用药建议、治疗方法等。

在一些实施例中，分析结果还可以是音频形式的分析语音，以便用户在不便阅读时，快速得到分析结果。例如，在针对患者的手术过程中，可以通过音频的形式，向医生实时播报针对医学图像(例如，内窥镜图像)的分析结果，并可通过麦克风接收医生的反馈，实现人机对话的功能，进而为医生提供进一步建议。

本公开实施例提供的方法，能够使用大语言模型来增强多个计算机辅助诊疗网络模型的输出，例如，图像分类模型、病灶分割模型、病灶检测模型和报告生成模型等。通过以自然语言文本的形式，总结和重新组织这些模型的输出信息，并进一步输入大语言模型，使大语言模型能够将其自身的医学领域知识、逻辑推理以及视觉理解能力融入各个计算机辅助诊疗网络模型中，以便生成患者可易理解且临床可用性较高的医学图像分析结果。

为便于理解，下面将结合图3，举例说明本公开实施例中大语言模型的应用方式。

图3示出了本公开实施例提供的一种大语言模型应用方法示意图。如图3所示，患者提供的肺部图像分别通过图像分类模型、病灶分割模型和报告生成模型生成相应的描述文本，即“图像分类特征：肺炎。病灶分割特征：35％的肺发生感染。分析报告：左下肺叶内出现空气空间巩固，可能是肺炎。请根据图像分类特征和病灶分割特征完善分析报告”。

将该描述文本输入大型语言模型后，大型语言模型可以理解并结合描述文本中的各项内容，生成肺部图像的分析结果，并将分析结果向患者展示。此时，患者可以根据分析结果进一步询问用药意见等。

在一些实施例中，根据本公开得到的分析结果可以适用于报告生成模型的增量训练。

图4示出了本公开实施例提供的一种报告生成模型训练方法示意图。如图4所示，医学图像在输入报告生成模型后，可以得到分析报告。随后，参照本公开提供的方法，将该分析报告(例如，左下肺叶内出现空气空间巩固，可能是肺炎)结合医学模型中其他特征的描述文本共同输入大语言模型，可以生成分析结果(例如，已经提供并显示35％的左下肺叶被感染，与肺炎的诊断一致)。

通过计算文本形式的分析结果(即分析文本)与分析报告之间的第一损失，即可根据该第一损失，反向对报告生成模型输出的分析报告进行监督，进而实现对报告生成模型的增量训练。

在一些实施例中，根据本公开得到的分析结果可以适用于图像分类模型的增量训练。

图5示出了本公开实施例提供的一种图像分类模型训练方法示意图。如图5所示，医学图像在输入图像分类模型后，可以得到图像分类特征。随后，参照本公开提供的方法，将该图像分类特征转换为包含病名实体标签的描述文本(例如，图像分类特征：肺炎)，并结合医学模型中其他特征的描述文本共同输入大语言模型，可以生成分析结果(例如，已经提供并显示35％的左下肺叶被感染，与肺炎的诊断一致)。

通过对文本形式的分析结果(即分析文本)进行病名实体信息抽取，随后计算病名实体信息与病名实体标签之间的第二损失，即可根据该第二损失，反向对图像分类模型输出的图像分类特征进行监督，进而实现对图像分类模型的增量训练。

其中，病名实体信息的抽取可以参照相关技术中的自然语言处理技术，本公开实施例对此不再赘述。

基于同一发明构思，本公开实施例中还提供了一种医学图像分析装置，如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。

图6示出本公开实施例中一种医学图像分析装置的结构示意图，如图6所示，该医学图像分析装置600包括：提取模块601、转换模块602和生成模块603。

具体地，提取模块601用于，提取医学图像中的特征，医学图像中的特征基于计算机辅助技术提取。转换模块602用于，将医学图像中的特征转换为描述文本。生成模块603用于，将描述文本输入预训练的大语言模型，生成医学图像的分析结果。

在一些实施例中，医学图像中的特征包括图像分类特征、病灶分割特征和病灶检测特征中的至少一种。

在一些实施例中，图像分类特征用于示出医学图像中各类病变的置信度；在医学图像中的特征包括图像分类特征的情况下，描述文本至少用于示出各类病变中置信度最高的病变对应的病名实体标签。

在一些实施例中，在医学图像中的特征包括图像分类特征的情况下，转换模块602还用于，根据预设文本样式，将图像分类特征转换为描述文本，预设文本样式包括能够示出医学图像中各类病变置信度的文本样式、能够示出医学图像中各类病变发生概率的文本样式和能够示出医学图像中发生的病变的文本样式中的至少一种。

在一些实施例中，病灶分割特征包括实质图像和/或病灶图像，实质图像用于示出医学图像中的指定器官，病灶图像用于示出指定器官中的病灶部分；在医学图像中的特征包括病灶分割特征的情况下，描述文本用于描述病灶图像与实质图像的大小、比例关系和位置关系中的至少一种。

在一些实施例中，在医学图像中的特征包括病灶分割特征的情况下，描述文本还用于描述与病灶部分对应的病变名称。

在一些实施例中，转换模块602还用于，将医学图像输入报告生成模型，生成医学图像的分析报告；将分析报告与描述文本合并，以更新描述文本。

在一些实施例中，分析结果包括分析文本，医学图像分析装置600还包括训练模块。训练模块用于，计算分析文本与分析报告之间的第一损失；根据第一损失，训练报告生成模型。

在一些实施例中，训练模块还用于，抽取分析文本中的病名实体信息；计算病名实体信息与病名实体标签之间的第二损失；根据第二损失，训练图像分类模型。

需要说明的是，上述实施例提供的医学图像分析装置在用于医学图像分析时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的医学图像分析装置与医学图像分析方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和适用范围带来任何限制。

如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。

其中，存储单元存储有程序代码，程序代码可以被处理单元710执行，使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

在一些实施例中，处理单元710可以执行上述方法实施例的如下步骤：提取医学图像中的特征，医学图像中的特征基于计算机辅助技术提取；将医学图像中的特征转换为描述文本；将描述文本输入预训练的大语言模型，生成医学图像的分析结果。

存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。

存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205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。

总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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750进行。并且，电子设备700还可以通过网络适配器760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7所示，网络适配器760通过总线730与电子设备700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700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。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。

在本公开中，计算机可读存储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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可选地，计算机可读存储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、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。