细胞判读方法及系统

技术领域

本发明涉及生物统计分析技术领域，尤其是涉及一种细胞判读方法及系统。

背景技术

目前细胞判读方法是通过一种机器学习的算法判读出相应的细胞。但是这类方法通过机器学习算法对大量的细胞数据进行判读，得到的判读结果数量庞大，很难从人工的角度对这些细胞的判读结果进行复核。因此对于利用一种机器学习算法得出的判读结果，可靠性较低。

再者，目前AI算法的精确率会随着算法应用可能出现下降的趋势，原因在于：第一方面，算法在实际使用的过程中，会遇到各种各样的数据，有些可能是在训练中没有遇到的，算法无法保证此类数据识别的精确度，这就会对整体的准确度带来影响；第二方面，AI算法会因其算法选型的问题，可能不具备自动学习的能力，或者算法模型部分参数无法自动修改。因此需要另外一个或多个AI算法相互自动监督各算法准确度，进而对算法强化训练或优化，防止算法在应用过程中出现准确度较低的情况，从而达到对算法加强训练和进一步提升的效果。

发明内容

本发明的目的在于提供一种细胞判读方法及系统，能够及时发现效果差的算法，进而及时训练，保证了算法的可靠性和准确度，使判读流程更加严谨，提高细胞判读的准确率、可靠性。

本发明提供的一种细胞判读方法，其中，包括：获取细胞图像对应的细胞数据，并基于所述细胞数据利用多种AI算法分别对所述细胞进行判读，得到细胞的多个判读结果；将所述细胞的多个判读结果进行比对，以使多种AI算法相互监督，得到比对结果；基于所述比对结果确定所述细胞的最终判读结果。

进一步的，基于所述比对结果确定所述细胞的最终判读结果包括：若所述比对结果为所述细胞的多个判读结果一致，则将所述细胞数据和所述细胞的目标判读结果发送至第一客户端，其中，所述目标判读结果为所述多个判读结果中的结果；接收所述第一客户端基于所述目标判读结果发送的人工复核结果，其中，所述人工复核结果用于表征判读结果的正确性；若基于所述人工复核结果确定出所述多个判读结果判读正确，则生成所述细胞的判读结果分析报告。

进一步的，在生成所述细胞的判读结果分析报告之后，还包括：将所述判读结果分析报告发送至第二客户端，以使用户对所述判读结果分析报告进行确认；接收所述第二客户端对所述判读结果分析报告的确认结果；若所述确认结果为判读无异议，则将所述细胞数据和所述细胞的判读结果分析报告存储至用户无异议数据库。

进一步的，在接收所述第二客户端对所述判读结果分析报告的确认结果之后，还包括：若所述确认结果为判读有异议，则标记所述细胞，并将标记的所述细胞和所述细胞的确认结果发送至第三客户端，以使工作人员对所述细胞进行人工复核，得到人工复核确认结果；接收所述第三客户端发送的所述人工复核确认结果；若所述人工复核确认结果为确定判读有异议，则将标记的所述细胞和所述细胞的多个判读结果存储至用户有异议数据库。

进一步的，基于所述比对结果确定所述细胞的最终判读结果包括：若所述比对结果为所述细胞的多个判读结果不一致，则将所述细胞数据、所述细胞的多个判读结果发送至所述第一客户端，以得到人工复核结果；接收所述第一客户端反馈的所述人工复核结果，并将所述人工复核结果作为所述细胞的判读结果分析报告发送至第二客户端，以使用户对所述判读结果分析报告进行确认。

进一步的，在将所述细胞的多个判读结果进行比对之后，方法还包括：若所述比对结果为所述细胞的多个判读结果不一致，则将所述细胞数据、所述细胞的多个判读结果存储至判读不一致数据库。

进一步的，方法还包括：统计所述判读不一致数据库中细胞的个数，当所述判读不一致数据库中细胞的个数达到预设个数时，对所述多种AI算法重新进行训练。

进一步的，在接收所述第一客户端基于所述目标判读结果发送的人工复核结果之后，还包括：若所述人工复核结果为判读错误，则将所述细胞和所述细胞的多个判读结果存储至判读有误数据库。

本发明提供的一种细胞判读系统，其中，包括：获取判读模块，用于获取细胞图像对应的细胞数据，并基于所述细胞数据利用多种AI算法分别对所述细胞进行判读，得到细胞的多个判读结果；比对模块，用于将所述细胞的多个判读结果进行比对，以使多种AI算法相互监督，得到比对结果；确定模块，用于基于所述比对结果确定所述细胞的最终判读结果。

进一步的，所述确定模块，包括：发送单元，用于若所述比对结果为所述细胞的多个判读结果一致，则将所述细胞数据和所述细胞的目标判读结果发送至第一客户端，其中，所述目标判读结果为所述多个判读结果中的结果；接收单元，用于接收所述第一客户端基于所述目标判读结果发送的人工复核结果，其中，所述人工复核结果用于表征判读结果的正确性；生成单元，用于若基于所述人工复核结果确定出所述多个判读结果判读正确，则生成所述细胞的判读结果分析报告。

本发明提供的一种细胞判读方法及系统，先获取细胞图像对应的细胞数据，并基于细胞数据利用多种AI算法分别对细胞进行判读，得到细胞的多个判读结果；然后将细胞的多个判读结果进行比对；最后基于比对结果确定细胞的最终判读结果。一方面，本发明通过多算法相互监督，能够及时发现效果差的算法，进而及时训练，进而保证了算法的可靠性，间接可对算法准确率形成一个督促推进的效果，不断的进行训练，使得准确度得以提升，最终用以保证细胞判断的可靠性，再而通过训练提高准确度。另一方面，本发明利用多种人工智能算法对细胞进行判读，并基于多种判读结果的比对结果确定最终判读结果，使判读流程更加严谨，减少了误判漏判的可能性，进而提高了细胞判读的准确率和可靠性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种细胞判读方法的流程图；

图2为图1中步骤S103的流程图；

图3为本发明实施例提供的另一种细胞判读方法的流程图；

图4为本发明实施例提供的另一种细胞判读方法的流程图；

图5为本发明实施例提供的另一种细胞判读方法的流程图；

图6为本发明实施例提供的一种细胞判读系统的结构示意图；

图7为图6中确定模块的结构示意图；

图8为本发明实施例提供的另一种细胞判读系统的结构示意图。

图标：11-获取判读模块；12-比对模块；13-确定模块；14-第一发送模块；15-第一接收模块；16-第一存储模块；17-标记模块；18-第二接收模块；19-第二存储模块；20-第二发送模块；21-第三接收模块；22-第三存储模块；23-统计模块；24-第四存储模块；131-发送单元；132-接收单元；133-生成单元。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

目前细胞判读方法是通过一种机器学习的算法判读出相应的细胞，对于利用一种机器学习算法得出的判读结果，可靠性较低。基于此，本发明实施例提供的一种细胞判读方法及系统，利用多种人工智能算法对细胞进行判读，并基于多种判读结果的比对结果确定最终判读结果，使判读流程更加严谨，减少了误判漏判的可能性，进而提高了细胞判读的准确率和可靠性。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种细胞判读方法进行详细介绍。

实施例一：

参照图1，本发明实施例提供了一种细胞判读方法，其中，可以包括以下步骤：

步骤S101，获取细胞图像对应的细胞数据，并基于细胞数据利用多种AI算法分别对细胞进行判读，得到细胞的多个判读结果。

在本发明实施例中，一个细胞图像中包含多个细胞，因此该细胞图像对应的细胞数据也是多个细胞的数据。AI算法(Artificial Intelligence Algorithm，人工智能算法)包括但不限于深度学习算法(如基于卷积神经网络的各类图像分割及识别算法)和机器学习算法(如随机森林，支持向量机及神经网络等)。任意选取多种不同的AI算法，且多种不同的AI算法在对细胞进行判读时过程完全独立。其中，判读结果依据判读内容而定，例如：判读结果可以分为两大类：细胞标志物识别结果和细胞整体判读结果，其中，细胞标志物识别结果是针对每个细胞来说的，可以指细胞内荧光点的类型、细胞内每种类型荧光点的数量，而细胞整体判读结果可以包括：细胞总数量、细胞分类结果，而细胞分类结果又可以包括：细胞类型，以及每种细胞类型下的细胞数量。将细胞分类结果作为判读结果(即上述细胞的多个判读结果)时，可以确定细胞类型以及每种类型下的细胞数量。示例性的，若AI算法为两种，则第一种AI算法对应第一判读结果，第二种AI算法对应第二判读结果。第一判读结果为细胞类型有3种，分别是类型A，类型B和类型C，且类型A对应的细胞数量为10个，类型B对应的细胞数量为6个，类型C对应的细胞数量为20个。第二判读结果为细胞类型有2种，分别是类型A，类型B，且类型A对应的细胞数量为10个，类型B对应的细胞数量为6个。由此可见，使用两个不同的AI算法对同一份细胞数据进行判读，可以减少误判漏判。

需要注意的是，一种AI算法是由一个或多个深度学习算法或者其他非人工智能算法组合，且每一种AI算法均可以进行细胞分割识别、细胞标志物识别以及细胞分类这三步操作。通过细胞分割操作，可以使识别分割后的细胞结构清晰，细胞识别可以有效排除非细胞的其它结构。通过细胞标志物识别，可以得到细胞判读所需标志物。通过判读，可以得到细胞分类结果。

本发明实施例可以采用Mask R-CNN、Yolo这两种深度学习网络算法分别对细胞进行判读。需要注意的是，Mask R-CNN和Yolo这两种深度学习网络算法在对同一细胞图像中的细胞进行判读时，判读过程一致。以Mask R-CNN为例进行如下说明：步骤21，首先对细胞进行细胞特征识别，细胞特征包括但不限于：细胞轮廓、细胞染色信号、细胞组织；步骤22，然后对细胞特征识别后的细胞进行细胞内标志物识别；步骤23：基于步骤22得到的细胞标志物识别结果，确定Mask R-CNN对细胞的判读结果；其中，上述细胞标志物识别结果可以实现对细胞内不同类型荧光点的分类，而Mask R-CNN对细胞的判读结果又可以称为细胞分类结果。例如：Mask R-CNN识别到10个细胞，其中2个细胞内均有2个红色荧光点和3个绿色荧光点；其中，不同颜色的荧光点用于表示不同类型的荧光点。另外8个细胞内均有5个红色荧光点和6个绿色荧光点，预先设定好的判读标准为：包含有2个红色荧光点和3个绿色荧光点的细胞类型为类型一，包含有5个红色荧光点和6个绿色荧光点的细胞类型为类型二，因此可知该判读结果为，共有两种细胞类型，分别为类型一和类型二，且类型一对应的细胞数量为2个，类型二对应的细胞数量为8个。

在实施本申请上述步骤S101时，为了达到判读的高效性，判读过程是持续发生的，即两个AI算法持续地对每个细胞图像对应的细胞数据进行判读，为了保证两种AI算法判读的是同一细胞图像中的细胞，即为了保证判读的一致性，需要获取同一路径同一位置的细胞数据。

步骤S102，将细胞的多个判读结果进行比对，以使多种AI算法相互监督，得到比对结果。通过多个判读结果的比对可以实现多种AI算法相互自动监督，能够及时发现效果差的算法，进而及时训练，进而保证了算法的可靠性，间接可对算法准确率形成一个督促推进的效果，不断的进行训练，使得准确度得以提升。

步骤S103，基于比对结果确定细胞的最终判读结果。

在本发明实施例中，比对结果包括但不限于：细胞的多个判读结果一致，细胞的部分判读结果一致、另一部分判读结果不一致，细胞的多个判读结果不一致。最终判读结果可以指细胞的判读结果分析报告。判读结果分析报告包括但不限于细胞数据、细胞的多个判读结果、人工复核结果。上述步骤S103可以通过以下两种方式确定最终判断结果：方式一，完全采用人工复核的方式，即依靠专业人员的专业经验进行判读判断；方式二：工具辅助结合人工复核的方式，即先利用针对性研发的特征判断工具进行自动化比对，上述特征包括但不限于：细胞形态、细胞染色信号、信号分布，然后再进行人工复核。

本发明实施例提供的一种细胞判读方法，先获取细胞图像对应的细胞数据，并基于细胞数据利用多种AI算法分别对细胞进行判读，得到细胞的多个判读结果；然后将细胞的多个判读结果进行比对；最后基于比对结果确定细胞的最终判读结果。一方面，本发明实施例通过多算法相互监督，能够及时发现效果差的算法，进而及时训练，进而保证了算法的可靠性，间接可对算法准确率形成一个督促推进的效果，不断的进行训练，使得准确度得以提升，最终用以保证细胞判断的可靠性，再而通过训练提高准确度。另一方面，本发明实施例利用多种人工智能算法对细胞进行判读，并基于多种判读结果的比对结果确定最终判读结果，使判读流程更加严谨，减少了误判漏判的可能性，进而提高了细胞判读的准确率和可靠性。

进一步的，参照图2，步骤S103可以包括以下步骤：

步骤S201，若比对结果为细胞的多个判读结果一致，则将细胞数据和细胞的目标判读结果发送至第一客户端，其中，目标判读结果为多个判读结果中的结果。

本发明实施例以采用两种AI算法对细胞进行判读为例，由于细胞的第一判读结果和细胞的第二判读结果一致，因此向第一客户端发送的第一判读结果和向第一客户端发送第二判读结果的效果一样。因此，仅向第一客户端发送第一判读结果即可，该第一判读结果为目标判读结果。

步骤S202，接收第一客户端基于目标判读结果发送的人工复核结果，其中，人工复核结果用于表征判读结果的正确性。

步骤S203，若基于人工复核结果确定出多个判读结果判读正确，则生成细胞的判读结果分析报告。

进一步的，参照图3，在步骤S203之后，方法还包括：

步骤S204，将判读结果分析报告发送至第二客户端，以使用户对判读结果分析报告进行确认。

步骤S205，接收第二客户端对判读结果分析报告的确认结果。

步骤S206，若确认结果为判读无异议，则将细胞和细胞的判读结果分析报告存储至用户无异议数据库。

在本发明实施例中，用户通过第二客户端接收细胞的判读结果分析报告，在接收之后可以查看细胞的判读结果分析报告，并且可以对判读结果分析报告进行确认，得到确认结果，确认结果包括判读无异议和判读有异议两种。

进一步的，参照图3，在步骤S205之后，方法还包括：

步骤S207，若确认结果为判读有异议，则标记细胞，并将标记的细胞和细胞的确认结果发送至第三客户端，以使工作人员对细胞进行人工复核，得到人工复核确认结果。

步骤S208，接收第三客户端发送的人工复核确认结果。

在本发明实施例中，人工复核确认结果包括：确定判读无异议和确定判读有异议。若人工复核确认结果为确定判读无异议，则将人工复核确认结果添加到判读结果分析报告中，以更新判读结果分析报告。

步骤S209，若人工复核确认结果为确定判读有异议，则将标记的细胞和细胞的多个判读结果存储至用户有异议数据库。

在本发明实施例中，用户可以对用户有异议数据库中细胞有异议的判读结果进行修正。在用户有异议数据库中细胞的个数达到一定数量时，对上述多种AI算法进行再学习、再训练，在训练时所利用的数据训练集可以选用用户有异议数据库中的细胞。或者定期使用用户有异议数据库中细胞对上述多种AI算法进行再学习、再训练，将上述多种AI算法优化，进而优化细胞判读系统。

进一步的，参照图4，在步骤S102之后还可以包括以下步骤：

步骤S301，若比对结果为细胞的多个判读结果不一致，则将细胞数据、细胞的多个判读结果发送至第一客户端，以得到人工复核结果。

步骤S302，接收第一客户端反馈的人工复核结果，并将人工复核结果作为细胞的判读结果分析报告发送至第二客户端，以使用户对判读结果分析报告进行确认。

在本发明实施例中，以采用两种AI算法对细胞进行判读为例，细胞的第一判读结果和细胞的第二判读结果不一致时，人工复核结果为判读不一致错误。判读不一致错误可以包括三种情况，情况1，细胞的第一判读结果正确，细胞的第二判读结果错误；情况2，细胞的第一判读结果错误，细胞的第二判读结果正确；情况3，细胞的第一判读结果和细胞的第二判读结果均错误，例如：细胞的第一判读结果为类型一的细胞数量为5个，类型三的细胞数量为2个，细胞的第二判读结果为类型一的细胞数量为3个，类型三的细胞数量为4个，而细胞实际的结果为类型一的细胞数量为2个，类型三的细胞数量为6个。用户对判读结果分析报告进行确认，即对两种判读结果是否正确分别进行确认。

进一步的，参照图4，在步骤S102之后，方法还包括：

步骤S303，若比对结果为细胞的多个判读结果不一致，则将细胞数据、细胞的多个判读结果存储至判读不一致数据库。

步骤S304，统计判读不一致数据库中细胞的个数，当判读不一致数据库中细胞的个数达到预设个数时，对多种AI算法重新进行训练。

通过统计判读不一致数据库中细胞的个数，可以确定多种AI算法的正确率是否达到预设阈值。判读不一致数据库中细胞的个数越少，说明多种AI算法的预测越准确。例如：当利用两种AI算法进行判读时，由于第一种AI算法的正确率达到了预设阈值，其判读效果较好，第二种AI算法的正确率未达到预设阈值，其判读效果较差，因此判读不一致数据库中细胞的个数在短时间内就可以达到预设个数，之后本申请一方面是要对第二种AI算法进行模型优化训练，另一方面还要对第一种AI算法进行模型强化训练。因此本实施例可以通过几个AI算法之间互相监督，防止每个AI算法在应用中出现准确度较低的情况，从而达到算法加强训练和进一步提升的效果。

无论是对第一种AI算法进行模型强化训练，还是对第二种AI算法进行模型优化训练，均需要在之前已训练好的模型上，用到数据训练集和数据测试集。数据训练集除了可以包含历史训练数据，还可以包含新的训练数据。新的训练数据可以在细胞的两个判读结果进行比对之后产生，具体的，判读不一致数据库、判读有误数据库以及用户有异议数据库三个库中的细胞对应的细胞数据均可以按预设训练要求进行标注，形成规范合格的新的训练数据。

本发明实施例以采用两种AI算法对细胞进行判读为例，在判读不一致数据库中细胞的个数达到预设个数时，对上述两种AI算法进行再学习、再训练，在训练时所利用的数据训练集可以选用判读不一致数据库中的细胞。本发明实施例重新训练的目的在于调优上述两种AI算法，直至两种AI算法的正确率达到预设阈值。具体的，可以将判读不一致数据库中的细胞按一定的比例放到数据训练集和数据测试集里。然后通过数据训练集中的细胞数据分别训练第一种AI算法和第二种AI算法，并根据数据测试集的测试结果分别调优第一种AI算法和第二种AI算法，直到第一种AI算法和第二种AI算法对数据测试集的测试结果一致为止。

本发明实施例对多种AI算法重新进行训练的条件不局限于判读不一致数据库中细胞的个数达到预设个数，因此判读有误数据库中细胞的个数达到预设个数或判读有异议数据库中细胞的个数达到预设个数均可以作为对多种AI算法重新进行训练的条件。

具体的，统计判读有误数据库中细胞的个数，当判读有误数据库中细胞的个数达到预设个数时，对多种AI算法重新进行训练。

统计判读有异议数据库中细胞的个数，当判读有异议数据库中细胞的个数达到预设个数时，对多种AI算法重新进行训练。

进一步的，在步骤S202之后，方法还包括：

若人工复核结果为判读错误，则将细胞和细胞的多个判读结果存储至判读有误数据库。

在本发明实施例中，以采用两种AI算法对细胞进行判读为例，若细胞的第一判读结果和第二判读结果一致，但是上述两种判读结果错误，因此人工复核结果为判读错误。例如：细胞的第一判读结果为细胞内3个红色荧光点，细胞的第二判读结果为细胞内3个红色荧光点，而细胞实际为2个红色荧光点。则将判读错误的细胞以及细胞的第一判读结果存储至判读有误数据库。本发明实施例可以将判读有误数据库中的细胞作为训练集训练两种AI算法。

在本发明实施例中，以采用两种AI算法对细胞进行判读为例，图5提供了另一种细胞判读方法的流程图，两种AI算法不断的训练优化，保证了算法的可靠性，使得准确度得以提升，可以保证判读结果的准确性，且存在人工复核的操作和用户确认的操作，保证了判读流程严谨、减少了误判漏判的可能性，提高了细胞判读结果的可靠性。

实施例二：

参照图6，本发明实施例提供了一种细胞判读系统，其中，可以包括以下模块：

获取判读模块11，用于获取细胞图像对应的细胞数据，并基于细胞数据利用多种AI算法分别对细胞进行判读，得到细胞的多个判读结果；

比对模块12，用于将细胞的多个判读结果进行比对，以实现多种AI算法相互自动监督；

确定模块13，用于基于比对结果确定细胞的最终判读结果；

进一步的，参照图7，确定模块13包括以下单元：

发送单元131，用于若比对结果为细胞的多个判读结果一致，则将细胞和细胞的目标判读结果发送至第一客户端，其中，目标判读结果为多个判读结果中的结果；

接收单元132，用于接收第一客户端基于目标判读结果发送的人工复核结果，其中，人工复核结果用于表征判读结果的正确性；

生成单元133，用于若基于人工复核结果确定出多个判读结果判读正确，则生成细胞的判读结果分析报告。

进一步的，参照图8，系统还包括以下模块：

第一发送模块14，用于将判读结果分析报告发送至第二客户端，以使用户对判读结果分析报告进行确认。

第一接收模块15，用于接收第二客户端对判读结果分析报告的确认结果。

第一存储模块16，用于若确认结果为判读无异议，则将细胞和细胞的判读结果分析报告存储至用户无异议数据库。

进一步的，参照图8，系统还包括：

标记模块17，用于若确认结果为判读有异议，则标记细胞，并将标记的细胞和细胞的确认结果发送至第三客户端，以使工作人员对细胞进行人工复核，得到人工复核确认结果；

第二接收模块18，用于接收第三客户端发送的人工复核确认结果；

第二存储模块19，用于若人工复核确认结果为确定判读有异议，则将标记的细胞和细胞的多个判读结果存储至用户有异议数据库。

进一步的，参照图8，系统还可以包括以下模块：

第二发送模块20，用于若比对结果为细胞的多个判读结果不一致，则将细胞数据、细胞的多个判读结果发送至第一客户端，以得到人工复核结果；

第三接收模块21，用于接收第一客户端反馈的人工复核结果，并将人工复核结果作为细胞的判读结果分析报告发送至第二客户端，以使用户对判读结果分析报告进行确认。

进一步的，参照图8，系统还包括：第三存储模块22，用于若比对结果为细胞的多个判读结果不一致，则将细胞数据、细胞的多个判读结果存储至判读不一致数据库；

统计模块23，用于统计判读不一致数据库中细胞的个数，当判读不一致数据库中细胞的个数达到预设个数时，对多种AI算法重新进行训练；

进一步的，参照图8，系统还包括：第四存储模块24，若人工复核结果为判读错误，则将细胞和细胞的多个判读结果存储至判读有误数据库。

附图中的流程图和框图显示了根据本发明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。也应当注意，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。

此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。