病灶分割模型的训练方法、装置、设备及存储介质

技术领域

本申请实施例涉及图像处理技术领域，具体涉及一种病灶分割模型的训练方法、装置、设备及存储介质。

背景技术

病发于脑部的多种病灶(例如脑肿瘤等)通常会威胁到人们的生命安全，且脑部病灶的诊断复杂、难以治疗。所以，准确分割脑部影像中的各类病灶在临床上具有重要意义。

目前，通常会采用机器学习的方法，利用大量已标注出病灶信息的脑部影像作为训练样本，来训练用于对脑部影像中的病灶区域进行分割的神经网络模型，使其达到良好的病灶分割泛化性能。然而，为了保证病灶标注的准确性，通常需要具备一定医学能力的用户来执行病灶标注工作，使得病灶标注会耗费极大的人力成本和时间成本，从而影响到病灶分割模型的训练效率。

发明内容

本申请实施例提供一种病灶分割模型的训练方法、装置、设备及存储介质，实现病灶分割模型在少量已标注脑部影像样本下的准确训练，减少在脑部影像样本内标注病灶所耗费的人力成本和时间成本，保证病灶分割模型的训练高效性和准确性。

第一方面，本申请实施例提供了一种病灶分割模型的训练方法，该方法包括：

利用未标注脑部影像样本切割后的至少一个影像块，训练对应的影像复原模型，以复原出完整的脑部影像样本；

利用已标注脑部影像样本和所标注的目标病灶标签，对所述影像复原模型进行病灶分割任务的迁移学习，以训练所述目标病灶的病灶分割模型。

第二方面，本申请实施例提供了一种病灶分割模型的训练装置，该装置包括：

影像复原模型训练模块，用于利用未标注脑部影像样本切割后的至少一个影像块，训练对应的影像复原模型，以复原出完整的脑部影像样本；

病灶分割模型训练模块，用于利用已标注脑部影像样本和所标注的目标病灶标签，对所述影像复原模型进行病灶分割任务的迁移学习，以训练所述目标病灶的病灶分割模型。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：

处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行本申请第一方面中提供的病灶分割模型的训练方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行如本申请第一方面中提供的病灶分割模型的训练方法。

第五方面，本申请实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如本申请第一方面中提供的病灶分割模型的训练方法。

本申请实施例提供一种病灶分割模型的训练方法、装置、设备及存储介质，首先利用未标注脑部影像样本切割后的至少一个影像块，来训练对应的影像复原模型，使得影像复原模型能够根据部分影像内容复原出完整的脑部影像，以准确学习完整的脑部结构。然后，利用少量的已标注脑部影像样本和所标注的目标病灶标签，来对影像复原模型进行病灶分割任务的迁移学习，即可使得影像复原模型能够充分学习到脑部的病灶边缘特征和内在结构，从而训练为目标病灶的病灶分割模型，实现病灶分割模型在少量已标注脑部影像样本下的准确训练，减少在脑部影像样本内标注病灶所耗费的人力成本和时间成本，保证病灶分割模型的训练高效性和准确性。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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。

图1为本申请实施例示出的一种病灶分割模型的训练方法的流程图；

图2为本申请实施例示出的另一种病灶分割模型的训练方法的流程图；

图3为本申请实施例示出的影像复原模型和病灶分割模型的训练过程的示意图；

图4为本申请实施例示出的一种病灶分割模型的训练装置的原理框图；

图5为本申请实施例示出的电子设备的示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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的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。

需要说明的是，本申请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，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了解决在脑部影像样本内人工标注目标病灶时，会耗费较大的人力成本和时间成本，而导致病灶分割模型的训练效率较低的问题，本申请实施例设计了一种新的病灶分割模型的训练方案。通过未标注脑部影像样本切割后的至少一个影像块，训练对应的影像复原模型，使得影像复原模型能够根据部分影像内容复原出完整的脑部影像，以准确学习完整的脑部结构。然后，利用少量的已标注脑部影像样本和所标注的目标病灶标签，来对影像复原模型进行病灶分割任务的迁移学习，使得影像复原模型还能够充分学习到脑部的病灶边缘特征和内在结构，从而训练为目标病灶的病灶分割模型，实现病灶分割模型在少量已标注脑部影像样本下的准确训练，减少在脑部影像样本内标注病灶所耗费的人力成本和时间成本。

图1为本申请实施例示出的一种病灶分割模型的训练方法的流程图。参照图1，该方法可以包括如下步骤：

S110，利用未标注脑部影像样本切割后的至少一个影像块，训练对应的影像复原模型，以复原出完整的脑部影像样本。

考虑到在脑部影像样本内人工标注病灶所耗费的人工成本和时间成本都较大，而对于脑部影像内的病灶分割，主要是需要准确区分出脑部影像内的正常脑部区域和病灶区域，也就是能够充分学习到正常脑部结构特征和病灶结构特征。所以，为了在少量已标注脑部影像样本的情况下训练出准确的病灶分割模型，本申请首先可以在无需对脑部影像样本进行病灶标注时，通过对完整的无标注脑部影像样本内的脑部特征进行分析，来训练一种能够提前学习到脑部影像内的正常脑部结构和病灶结构的网络模型。

在本申请中，为了确保网络模型对于正常脑部结构和病灶结构的学习准确性，本申请可以采用一种影像复原策略，通过网络模型对部分影像内容进行分析，来复原完整的脑部影像，从而根据脑部影像的复原结果是否准确来判断网络模型对于正常脑部结构和病灶结构的学习程度。

所以，本申请可以采用任意扫描设备对多个患者脑部进行相应的扫描，而得到相应的三维脑部影像。在对病灶分割模型训练时，可以将大量患者的三维脑部影像作为相应的训练样本，而得到本申请中的未标注脑部影像样本。

作为本申请中的一种示例性方案，本申请中的未标注脑部影像样本可以为采用磁共振成像(Magnetic Resonance Imaging，简称为MRI)技术对各个患者的脑部进行相应扫描后得到的MRI数据。

而且，为了确保未标注脑部影像样本的统一性，对于每个未标注脑部影像样本，首先可以对其进行重采样至标准体素下，从而通过每个未标注脑部影像样本的预处理，可以将各个未标注脑部影像样本优化到统一标准下，便于后续的样本切割。

然后，对于每个未标注脑部影像样本，可以按照相应的切割格式，将该未标注脑部影像样本切割成相应大小的影像块，从而使得每个影像块都能够包括未标注脑部影像样本内的部分影像内容。

进而，在执行模型训练时，首先会按照初始设定的网络结构和网络参数，来构建一个初始网络模型。然后，从每个未标注脑部影像样本切割后的各个影像块中，随机筛选出至少一个影像块，并将每个未标注脑部影像样本中选中的影像块输入到所构建的初始网络模型中。此时，选中的影像块会包括未标注脑部影像样本中的部分影像内容，而未被选中的影像块则被处理为空白的像素区域。所以，初始网络模型可以通过其内的网络结构和网络参数对于选中的影像块对应的部分影像内容进行分析，来复原出一幅完整的脑部影像。通过预先设定的模型损失函数，来计算复原出的完整脑部影像和未标注脑部影像样本之间的差异，以此在初始网络模型中进行反向传播，来调整对应的网络参数。利用大量未标注脑部影像样本切割后的至少一个影像块，按照上述的方式，可以对初始网络模型进行不断训练，直至损失函数达到收敛，即可训练出对应的影像复原模型。

应当理解的是，本申请中训练好的影像复原模型能够利用部分脑部影像内容，准确复原出一幅完整的脑部影像，使得影像复原模型充分学习到脑部影像中的正常脑部结构和病灶结构，从而能够准确识别出任一脑部影像内的正常脑部区域和病灶区域。

S120，利用已标注脑部影像样本和所标注的目标病灶标签，对影像复原模型进行病灶分割任务的迁移学习，以训练目标病灶的病灶分割模型。

考虑到对于病灶分割模型而言，为了从脑部影像中准确分割出病灶区域，还需要准确学习到正常脑部区域和病灶区域之间的边缘特征和病灶内在详细纹理结构，以此识别出目标病灶在脑部影像内的病灶边缘和病灶内部纹理。

所以，在训练好影像复原模型后，由于影像复原模型已经学习到脑部影像中的正常脑部结构和病灶结构，所以可以获取少量的脑部影像样本，并对其进行人工标注，得到本申请中的已标注脑部影像样本。

其中，每一已标注脑部影像样本所标注的目标病灶标签可以为该已标注脑部影像样本内目标病灶所在的感兴趣区域(Region of Interest，简称为ROI)图像。

然后，将每个已标注脑部影像样本和该已标注脑部影像样本对应的目标病灶标签输入到训练好的影像复原模型中，通过影像复原模型已经学习到脑部影像中的正常脑部结构和病灶结构，能够从该已标注脑部影像样本内快速识别出目标病灶所在的病灶区域。进而，通过分析从每个已标注脑部影像样本内识别出的病灶区域和该已标注脑部影像样本对应的目标病灶标签之间的差异，来判断病灶区域的识别准确性，以此对影像复原模型内的网络参数进行进一步优化，从而在影像复原模型学习到的正常脑部结构和病灶结构的基础上，对影像复原模型进行病灶分割任务的迁移学习，使得该影像复原模型再次对于目标病灶在脑部影像内的边缘特征和内部详细纹理结构进行充分学习，以准确分割出目标病灶在脑部影像内的所在区域，得到目标病灶的病灶分割模型。

作为本申请中的一种可选实现方案，为了确保病灶分割模型的准确性，本申请中对于影像复原模型在病灶分割任务上的迁移学习，可以通过下述步骤来实现：

第一步，将已标注脑部影像样本和所标注的目标病灶标签，输入到训练好的影像复原模型中，以将影像复原模型迁移到病灶分割任务上，识别已标注脑部影像样本中的目标病灶区域。

在训练好影像复原模型后，可以获取少量的经过病灶标注的脑部影像，作为本申请中的已标注脑部影像样本。将每个已标注脑部影像样本和对应的目标病灶标签共同输入到训练好的影像复原模型中。然后，训练好的影像复原模型利用已经学习到的正常脑部结构和病灶结构，可以将影像复原模型迁移到病灶分割任务上，来快速识别出每个已标注脑部影像样本中的目标病灶区域。

第二步，根据目标病灶区域和目标病灶标签间的差异，对影像复原模型进行病灶分割任务的训练，得到目标病灶的病灶分割模型。

对于每个已标注脑部影像样本识别出的目标病灶区域，可以按照预设定的模型损失函数来计算目标病灶区域和目标病灶标签间的差异，以此判断影像复原模型对于病灶分割任务的准确性。通过模型损失函数的具体值，在影像复原模型中进行反向传播，来调整对应的网络参数，直至能够对目标病灶进行准确分割，从而得到对应的病灶分割模型。

本申请实施例提供的技术方案，首先利用未标注脑部影像样本切割后的至少一个影像块，来训练对应的影像复原模型，使得影像复原模型能够根据部分影像内容复原出完整的脑部影像，以准确学习完整的脑部结构。然后，利用少量的已标注脑部影像样本和所标注的目标病灶标签，来对影像复原模型进行病灶分割任务的迁移学习，即可使得影像复原模型能够充分学习到脑部的病灶边缘特征和内在结构，从而训练为目标病灶的病灶分割模型，实现病灶分割模型在少量已标注脑部影像样本下的准确训练，减少在脑部影像样本内标注病灶所耗费的人力成本和时间成本，保证病灶分割模型的训练高效性和准确性。

作为本申请中的一种可选实现方案，考虑到影像复原模型在训练前期和训练后期对于正常脑部结构和病灶结构的学习程度不同，使得影像复原模型对于不同数量的影像块来复原完整脑部影像的能力强度也就不同。为了确保影像复原模型的训练准确性，本申请可以对影像复原模型的具体训练过程进行详细的说明。

图2为本申请实施例示出的另一种病灶分割模型的训练方法的流程图，如图2所示，该方法可以包括如下步骤：

S210，根据预设定的影像块抽取比例，从未标注脑部影像样本切割后的影像块中，抽取对应的目标影像块。

为了确保影像复原模型的训练准确性，本申请可以预先设定一个影像块抽取比例。在对每个未标注脑部影像样本进行切割后，可以按照所设定的影像块抽取比例，从每个未标注脑部影像样本切割后的各个影像块中，随机抽取出固定数量的目标影像块。

如图3所示，可以每个未标注脑部影像样本切割为9份，将影像块抽取比例设定为44％。那么，从每个未标注脑部影像样本切割后的9份影像块中，可以随机抽取4个目标影像块。

在一些可实现方式中，考虑到影像复原模型在训练前期，并未经过任何正常脑部结构和病灶结构的学习，通常需要较多数量的影像块才能复原出一幅完整的脑部影像。而影像复原模型在训练后期，已经对于正常脑部结构和病灶结构进行了一定程度的学习，即使通过少量影像块也能够复原出一幅完整的脑部影像。

所以，针对影像复原模型在训练前期和训练后期的不同学习特性，本申请可以在训练前期和训练后期分别设定两个不同的影像块抽取比例，从而得到训练前期的第一影像块抽取比例和训练后期的第二影像块抽取比例。其中，第二影像块抽取比例小于第一影像块抽取比例，使得在训练后期从未标注脑部影像样本中抽取的目标影像块数量小于训练前期从未标注脑部影像样本中抽取的目标影像块数量。

此时，从未标注脑部影像样本切割后的影像块中抽取对应的目标影像块，可以具体为：根据预设定的第一影像块抽取比例，从未标注的第一类脑部影像样本切割后的影像块中，抽取对应的第一类目标影像块；根据预设定的第二影像块抽取比例，从未标注的第二类脑部影像样本切割后的影像块中，抽取对应的第二类目标影像块。

也就是，可以将大量未标注的脑部影像样本随机划分为两组，其中一组作为本申请中的第一类脑部影像样本，应用在影像复原模型的训练前期，而另一组作为本申请中的第二类脑部影像样本，应用在影像复原模型的训练后期。

然后，在影像复原模型的训练前期，对于未标注的第一类脑部影像样本，可以按照第一影像块抽取比例，从第一类脑部影像样本切割后的各个影像块中，随机抽取出第一固定数量下的第一类目标影像块，来对影像复原模型进行相应的训练。

在影像复原模型的训练后期，对于未标注的第二类脑部影像样本，可以按照第二影像块抽取比例，从第二类脑部影像样本切割后的各个影像块中，随机抽取出第二固定数量下的第二类目标影像块，再次对影像复原模型进行相应的训练。

S220，将未标注脑部影像样本作为目标影像块的影像复原标签，利用目标影像块、目标影像块在未标注脑部影像样本中的位置信息和影像复原标签，训练对应的影像复原模型。

在从未标注脑部影像样本切割后的各个影像块中抽取出目标影像块后，为了判断影像复原模型的复原程度，也就是及时了解影像复原模型对于正常脑部结构和病灶结构的学习程度，本申请可以将未标注脑部影像样本作为目标影像块的影像复原标签，以便后续分析复原出的脑部影像和未标注脑部影像样本之间的区别。

本申请中，考虑到目标影像块在未标注脑部影像样本中的所处位置不同，也会影响到模型复原效果。所以，从每个未标注脑部影像样本切割后的影像块中抽取对应的目标影像块后，首先需要确定目标影像块在该未标注脑部影像样本中所处的位置信息。

然后，如图3所示，将从每个未标注脑部影像样本切割后的影像块中抽取出的目标影像块、目标影像块的位置信息和该未标注脑部影像样本表示的影像复原标签，共同输入到预先构建的影像复原模型中。

其中，预先构建的影像复原模型可以采用编码-解码结构，其内包括编码器和解码器。所以，如图3所示，可以通过编码器对每个未标注脑部影像样本对应的目标影像块和该目标影像块的位置信息进行统一的特征分析，从而输出每一目标影像块的综合特征。然后，结合每一目标影像块的综合特征和未抽取的每个影像块的空白特征，共体输入解码器中，来还原出未抽取的每个影像块的实际特征，从而复原出一幅完整的脑部影像。

进而，通过预先设定的模型损失函数，来计算复原出的完整脑部影像和对应的影像复原标签之间的差异，以此在影像复原模型中进行反向传播，来调整对应的网络参数。通过大量未标注脑部影像样本，执行上述相同的步骤，可以对影像复原模型的网络参数进行不断调整，直至模型损失函数达到收敛，即可得到训练好的影像复原模型。

作为本申请中的一种可选实现方案，为了确保影像复原模型在训练前期和训练后期的准确训练，本申请中在训练影像复原模型时，可以将第一类目标影像块、第一类目标影像块在第一类脑部影像样本中的位置信息和第一类脑部影像样本表示的影像复原标签，输入到初始的影像复原模型中，以对初始的影像复原模型进行预训练，得到预训练后的影像复原模型；将第二类目标影像块、第二类目标影像块在第二类脑部影像样本中的位置信息和第二类脑部影像样本表示的影像复原标签，输入到预训练后的影像复原模型中，以对预训练后的影像复原模型进行优化，得到训练好的影像复原模型。

也就是，在影像复原模型的训练前期，考虑到初始的影像复原模型并未经过正常脑部结构和病灶结构的学习，所以可以将从未标注的第一类脑部影像样本切割后的影像块中抽取出的较多数量的第一类目标影像块、第一类目标影像块的位置信息和第一类脑部影像样本表示的影像复原标签，共同输入到初始的影像复原模型中，以通过编码器对第一类目标影像块和对应的位置信息进行统一的特征分析，来得到每个第一类目标影像块的综合特征。然后，将各个第一类目标影像块的综合特征和未抽取的剩余影像块的空白特征输入到解码器中，来还原出未抽取的每个剩余影像块的实际特征，从而复原出一幅完整的脑部影像。据此，可以利用每个第一类脑部影像样本对应的复原脑部影像和所表示的影像复原标签，在训练前期对初始的影像复原模型进行不断预训练，从而得到预训练后的影像复原模型，使得预训练后的影像复原模型能够对于完整脑部结构进行一定程度的学习。

在影像复原模型的训练后期，考虑到预训练后的影像复原模型已经对于正常脑部结构和病灶结构进行了一定程度的学习，所以可以将从未标注的第二类脑部影像样本切割后的影像块中抽取出的较少数量的第二类目标影像块、第二类目标影像块的位置信息和第二类脑部影像样本表示的影像复原标签，共同输入到预训练后的影像复原模型中，以通过编码器对第二类目标影像块和对应的位置信息进行统一的特征分析，来得到每个第二类目标影像块的综合特征。然后，将各个第二类目标影像块的综合特征和未抽取的剩余影像块的空白特征输入到解码器中，来还原出未抽取的每个剩余影像块的实际特征，从而复原出一幅完整的脑部影像。据此，可以利用每个第二类脑部影像样本对应的复原脑部影像和所表示的影像复原标签，在训练后期对预训练后的影像复原模型进行不断优化，从而得到训练好的影像复原模型。

在训练后期，由于从第二类脑部影像样本中抽取出第二类目标影像块的数量较少，说明在训练后期极大可能丢弃了目标病灶所在的影像块。那么，影像复原模型在训练后期复原完整的脑部影像时，在学习到脑部结构的基础上，能够充分学习到目标病灶的病灶结构。

在训练好影像复原模型后，如图3所示，可以利用少量的已标注脑部影像样本和所标注的目标病灶标签，来对训练好的影像复原模型进行病灶分割任务的迁移学习，从而训练出目标病灶的病灶分割模型。

S230，利用已标注脑部影像样本和所标注的目标病灶标签，对影像复原模型进行病灶分割任务的迁移学习，以训练目标病灶的病灶分割模型。

本申请实施例提供的技术方案，通过分阶段训练影像复原模型，确保影像复原模型的训练准确性，使其充分学习到完整的正常脑部结构和病灶结构，对于后续的病灶分割模型的训练提供充分的迁移学习保证，从而提高病灶分割模型的训练高效性和准确性。

图4为本申请实施例示出的一种病灶分割模型的训练装置的原理框图。

如图4所示，该装置400可以包括：

影像复原模型训练模块410，用于利用未标注脑部影像样本切割后的至少一个影像块，训练对应的影像复原模型，以复原出完整的脑部影像样本；

病灶分割模型训练模块420，用于利用已标注脑部影像样本和所标注的目标病灶标签，对所述影像复原模型进行病灶分割任务的迁移学习，以训练所述目标病灶的病灶分割模型。

在一些可实现方式中，影像复原模型训练模块410，可以包括：

影像块抽取单元，用于根据预设定的影像块抽取比例，从所述未标注脑部影像样本切割后的影像块中，抽取对应的目标影像块；

影像复原模型训练单元，用于将所述未标注脑部影像样本作为所述目标影像块的影像复原标签，利用所述目标影像块、所述目标影像块在所述未标注脑部影像样本中的位置信息和所述影像复原标签，训练对应的影像复原模型。

在一些可实现方式中，影像块抽取单元，可以具体用于：

根据预设定的第一影像块抽取比例，从未标注的第一类脑部影像样本切割后的影像块中，抽取对应的第一类目标影像块；

根据预设定的第二影像块抽取比例，从未标注的第二类脑部影像样本切割后的影像块中，抽取对应的第二类目标影像块。

在一些可实现方式中，所述第二影像块抽取比例小于第一影像块抽取比例。

在一些可实现方式中，影像复原模型训练单元，可以具体用于：

将所述第一类目标影像块、所述第一类目标影像块在所述第一类脑部影像样本中的位置信息和所述第一类脑部影像样本表示的影像复原标签，输入到初始的影像复原模型中，以对所述初始的影像复原模型进行预训练，得到预训练后的影像复原模型；

将所述第二类目标影像块、所述第二类目标影像块在所述第二类脑部影像样本中的位置信息和所述第二类脑部影像样本表示的影像复原标签，输入到所述预训练后的影像复原模型中，以对所述预训练后的影像复原模型进行优化，得到训练好的影像复原模型。

在一些可实现方式中，病灶分割模型训练模块420，可以具体用于：

将所述已标注脑部影像样本和所标注的目标病灶标签，输入到训练好的影像复原模型中，以将所述影像复原模型迁移到病灶分割任务上，识别所述已标注脑部影像样本中的目标病灶区域；

根据所述目标病灶区域和所述目标病灶标签间的差异，对所述影像复原模型进行所述病灶分割任务的训练，得到所述目标病灶的病灶分割模型。

本申请实施例中，首先利用未标注脑部影像样本切割后的至少一个影像块，来训练对应的影像复原模型，使得影像复原模型能够根据部分影像内容复原出完整的脑部影像，以准确学习完整的脑部结构。然后，利用少量的已标注脑部影像样本和所标注的目标病灶标签，来对影像复原模型进行病灶分割任务的迁移学习，即可使得影像复原模型能够充分学习到脑部的病灶边缘特征和内在结构，从而训练为目标病灶的病灶分割模型，实现病灶分割模型在少量已标注脑部影像样本下的准确训练，减少在脑部影像样本内标注病灶所耗费的人力成本和时间成本，保证病灶分割模型的训练高效性和准确性。

应理解的是，装置实施例与方法实施例可以相互对应，类似的描述可以参照方法实施例。为避免重复，此处不再赘述。具体地，图4所示的装置400可以执行本申请中任意的方法实施例，并且装置400中的各个模块的前述和其它操作和/或功能分别为了实现本申请实施例中的各个方法中的相应流程，为了简洁，在此不再赘述。

上文中结合附图从功能模块的角度描述了本申请实施例的装置400。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法实施例中的步骤。

图5为本申请实施例示出的电子设备的示意性框图。

如图5所示，该电子设备500可包括：

存储器510和处理器520，该存储器510用于存储计算机程序，并将该程序代码传输给该处理器520。换言之，该处理器520可以从存储器510中调用并运行计算机程序，以实现本申请实施例中的方法。

例如，该处理器520可用于根据该计算机程序中的指令执行上述方法实施例。

在本申请的一些实施例中，该处理器520可以包括但不限于：

通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。

在本申请的一些实施例中，该存储器510包括但不限于：

易失性存储器和/或非易失性存储器。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DR RAM)。

在本申请的一些实施例中，该计算机程序可以被分割成一个或多个模块，该一个或者多个模块被存储在该存储器510中，并由该处理器520执行，以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述该计算机程序在该电子设备中的执行过程。

如图5所示，该电子设备还可包括：

收发器530，该收发器530可连接至该处理器520或存储器510。

其中，处理器520可以控制该收发器530与其他设备进行通信，具体地，可以向其他设备发送信息或数据，或接收其他设备发送的信息或数据。收发器530可以包括发射机和接收机。收发器530还可以进一步包括天线，天线的数量可以为一个或多个。

应当理解，该电子设备中的各个组件通过总线系统相连，其中，总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。

本申请还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被计算机执行时使得该计算机能够执行上述方法实施例的方法。或者说，本申请实施例还提供一种包含指令的计算机程序产品，该指令被计算机执行时使得计算机执行上述方法实施例的方法。

当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本领域普通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模块及算法步骤，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，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，该模块的划分，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，例如多个模块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。另一点，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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，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模块来实现本实施例方案的目的。例如，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以该权利要求的保护范围为准。