一种脊柱Cobb角测量方法和系统

技术领域

本发明涉及图像处理技术领域，特别是涉及一种脊柱Cobb角测量方法和系统。

背景技术

在各类脊柱影像学检查流程中，X射线透视图筛查起着至关重要的作用。X射线透视图通常包括站立位脊柱全长正侧位图、仰卧位侧弯位图和牵引位图等。基于多尺度语义分割的脊柱Cobb角测量方案相对比较成熟，其具有通用性强、容易实现等优点。近年来，随着计算机视觉技术的日渐成熟，出现基于高分辨率特征图的目标语义分割方案。目前，脊柱的Cobb角测量方案的分辨率还有待提高。

发明内容

本发明的目的是提供一种脊柱Cobb角测量方法及系统，提高了Cobb角测量的准确性。

为实现上述目的，本发明提供了如下方案：

一种脊柱Cobb角测量方法，所述方法包括：

获得多个脊柱影像；

从各所述脊柱影像中提取多个卷积特征图，各所述脊柱影像对应的各所述卷积特征图的分辨率不同；

级联各所述脊柱影像对应的多个所述卷积特征图，获得级联的卷积特征图；

以级联的卷积特征图为输入，以关键点组数据为输出训练预测模型，得到关键点预测模型；所述关键点组数据包括各椎体对应的关键点坐标；

获得待预测的脊柱影像的级联的卷积特征图；

将待预测的脊柱影像的级联的卷积特征图输入所述关键点预测模型，输出待预测的脊柱影像的关键点组数据；

根据待预测的脊柱影像的关键点组数据确定待预测的脊柱影像中脊柱Cobb角。

可选地，所述以级联的卷积特征图为输入，以关键点组数据为输出训练预测模型，得到关键点预测模型，具体包括：

根据所述级联的卷积特征图获得椎体关键点的中心热度图和椎体关键点距离中心点的偏移；所述关键点为各椎体在平面上的四个顶点，所述椎体关键点的中心热度图为以椎体的中心点为均值的高斯分布图，所述高斯分布图的标准差为所述脊柱影像中所述椎体的对角关键点之间的平均距离，所述椎体关键点距离中心点的偏移为关键点到中心点的距离；

根据所述椎体关键点的中心热度图确定各椎体的中心点；

根据各椎体的中心点和所述椎体关键点距离中心点的偏移确定各椎体的关键点；

以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，得到关键点预测模型。

可选地，所述以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，得到关键点预测模型，具体还包括：

根据所述级联的卷积特征图获得各像素的语义类别；所述语义类别包括背景、胸椎、腰椎和椎弓根；

根据各椎体的关键点确定各椎体的区域；

根据各椎体的区域和各椎体的区域中像素对应的语义类别计算语义的一致性；

基于多任务损失函数，以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，所述多任务损失函数包括中心热度图损失、中心点偏移损失、关键点偏移损失和语义一致性损失。

可选地，所述根据待预测的脊柱影像的关键点组数据计算待预测的脊柱影像中脊柱Cobb角，具体包括：

根据待预测的脊柱影像的关键点组数据确定各椎体的区域；

根据各椎体的区域确定顶椎、上端椎和下端椎；

计算所述上端椎的上终板和所述下端椎的下终板之间的夹角，所述夹角为脊柱Cobb角。

可选地，所述脊柱影像为X射线透视图。

本发明还公开了一种脊柱Cobb角测量系统，所述系统包括：

数据集获取模块，用于获得多个脊柱影像；

卷积特征图提取模块，用于从各所述脊柱影像中提取多个卷积特征图，各所述脊柱影像对应的各所述卷积特征图的分辨率不同；

第一卷积特征图级联模块，用于级联各所述脊柱影像对应的多个所述卷积特征图，获得级联的卷积特征图；

预测模型训练模块，用于以级联的卷积特征图为输入，以关键点组数据为输出训练预测模型，得到关键点预测模型；所述关键点组数据包括各椎体对应的关键点坐标；

第二卷积特征图级联模块，用于获得待预测的脊柱影像的级联的卷积特征图；

关键点获取模块，用于将待预测的脊柱影像的级联的卷积特征图输入所述关键点预测模型，输出待预测的脊柱影像的关键点组数据；

Cobb角确定模块，用于根据待预测的脊柱影像的关键点组数据确定待预测的脊柱影像中脊柱Cobb角。

可选地，所述预测模型训练模块，具体包括：

热度图和偏移获得单元，用于根据所述级联的卷积特征图获得椎体关键点的中心热度图和椎体关键点距离中心点的偏移；所述关键点为各椎体在平面上的四个顶点，所述椎体关键点的中心热度图为以椎体的中心点为均值的高斯分布图，所述高斯分布图的标准差为所述脊柱影像中所述椎体的对角关键点之间的平均距离，所述椎体关键点距离中心点的偏移为关键点到中心点的距离；

中心点确定单元，用于根据所述椎体关键点的中心热度图确定各椎体的中心点；

关键点确定单元，用于根据各椎体的中心点和所述椎体关键点距离中心点的偏移确定各椎体的关键点；

预测模型训练单元，用于以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，得到关键点预测模型。

可选地，所述预测模型训练单元，具体还包括：

语义类别获得子单元，用于根据所述级联的卷积特征图获得各像素的语义类别；所述语义类别包括背景、胸椎、腰椎和椎弓根；

椎体区域确定子单元，用于根据各椎体的关键点确定各椎体的区域；

语义一致性确定子单元，用于根据各椎体的区域和各椎体的区域中像素对应的语义类别计算语义的一致性；

预测模型训练子单元，用于基于多任务损失函数，以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，所述多任务损失函数包括中心热度图损失、中心点偏移损失、关键点偏移损失和语义一致性损失。

可选地，所述Cobb角确定模块，具体包括：

椎体区域确定单元，用于根据待预测的脊柱影像的关键点组数据确定各椎体的区域；

椎体搜索单元，用于根据各椎体的区域确定顶椎、上端椎和下端椎；

Cobb角确定单元，用于计算所述上端椎的上终板和所述下端椎的下终板之间的夹角，所述夹角为脊柱Cobb角。

可选地，所述脊柱影像为X射线透视图。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明通过从各所述脊柱影像中提取多个卷积特征图，各所述脊柱影像对应的各所述卷积特征图的分辨率不同；级联各所述脊柱影像对应的多个所述卷积特征图，获得级联的卷积特征图，从而提高了特征图的分辨率，通过高分辨率的卷积特征图，提高了Cobb角测量的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种脊柱Cobb角测量方法流程示意图；

图2为本发明一种脊柱Cobb角测量系统结构示意图；

图3为本发明实施例中脊柱Cobb角测量方法的详细流程示意图；

图4为本发明实施例中多分辨率卷积特征图提取方法的示意图；

图5为本发明实施例中多任务预测转换方法的示意图；

图6为本发明实施例中多任务语义一致性的示意图；

图7为本发明实施例中Cobb角测量计算方法示意图；

图8为本发明实施例中脊柱Cobb角测量实验结果的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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。

本发明的目的是提供一种脊柱Cobb角测量方法及系统，提高了Cobb角测量的准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明一种脊柱Cobb角测量方法流程示意图，如图1所示，一种脊柱Cobb角测量方法包括：

步骤101：获得多个脊柱影像。

步骤102：从各所述脊柱影像中提取多个卷积特征图，各所述脊柱影像对应的各所述卷积特征图的分辨率不同。

步骤103：级联各所述脊柱影像对应的多个所述卷积特征图，获得级联的卷积特征图。

步骤104：以级联的卷积特征图为输入，以关键点组数据为输出训练预测模型，得到关键点预测模型；所述关键点组数据包括各椎体对应的关键点坐标，一个椎体对应的四个关键点的坐标为一组关键点数据，所述关键点组数据包括多组关键点数据。

所述以级联的卷积特征图为输入，以关键点组数据为输出训练预测模型，得到关键点预测模型，具体包括：

根据所述级联的卷积特征图获得椎体关键点的中心热度图和椎体关键点距离中心点的偏移；所述关键点为各椎体在平面上的四个顶点，所述椎体关键点的中心热度图为以椎体的中心点为均值的高斯分布图，所述高斯分布图的标准差为所述脊柱影像中所述椎体的对角关键点之间的平均距离，所述椎体关键点距离中心点的偏移为关键点到中心点的距离。各椎体的中心点作为各椎体对应高斯分布的均值点。

根据所述椎体关键点的中心热度图确定各椎体的中心点；

根据各椎体的中心点和所述椎体关键点距离中心点的偏移确定各椎体的关键点；

以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，得到关键点预测模型。

所述以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，得到关键点预测模型，具体还包括：

根据所述级联的卷积特征图获得各像素的语义类别；所述语义类别包括背景、胸椎、腰椎和椎弓根；

根据各椎体的关键点确定各椎体的区域；

根据各椎体的区域和各椎体的区域中像素对应的语义类别计算语义的一致性；

基于多任务损失函数，以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，所述多任务损失函数包括中心热度图损失、中心点偏移损失、关键点偏移损失、语义分割损失和语义一致性损失。其中，语义分割损失是指预测模型对每个像素所预测的语义类别概率和真实语义类别之间的差异；语义一致性损失是指对预测模型通过预测关键点转换出的椎体区域和真实椎体区域之间的差异。

步骤105：获得待预测的脊柱影像的级联的卷积特征图。具体为：从待预测的脊柱影像中提取多个卷积特征图，其中多个所述卷积特征图的分辨率不同。级联待预测的脊柱影像对应的多个所述卷积特征图，获得级联的卷积特征图。

步骤106：将待预测的脊柱影像的级联的卷积特征图输入所述关键点预测模型，输出待预测的脊柱影像的关键点组数据。

步骤107：根据待预测的脊柱影像的关键点组数据确定待预测的脊柱影像中脊柱Cobb角。

所述根据待预测的脊柱影像的关键点组数据计算待预测的脊柱影像中脊柱Cobb角，具体包括：

根据待预测的脊柱影像的关键点组数据确定各椎体的区域；

根据各椎体的区域确定顶椎、上端椎和下端椎；

计算所述上端椎的上终板和所述下端椎的下终板之间的夹角，所述夹角为脊柱Cobb角。

所述脊柱影像为X射线透视图。

下面详细说明本发明一种脊柱Cobb角测量方法。

本发明分别实现这三个部分，如图3所示，其中：

多任务预测部分主要包括：(1)从X射线透视图中提取多个分辨率的卷积特征图；(2)根据级联的卷积特征图来预测椎体关键点的中心热度图、距离中心点的偏移，以及每个像素的语义类别。

损失函数计算部分包括：计算多任务预测结果和真实标注结果之间的差异，并在语义掩码中抠出每个用关键点描述的椎体区域，计算椎体区域内的语义一致性；最小化一个损失函数，使得椎体区域估计更加准确。该损失函数包括三类损失：语义分割损失、关键点定位损失和语义一致性损失。

Cobb角测量部分包括：基于模型预测的椎体关键点搜索顶椎；计算上端椎的上终板向量与下端椎的下终板向量之间的夹角。

接下来分别介绍这三个部分。

多任务预测部分

1.1多分辨率卷积特征图提取方法

多分辨率卷积特征图提取可以采用现有的卷积神经网络，包括U型网络(U-Net)、残差网络(ResNet)、稠密网络(DenseNet)、沙漏网络(Hourglass Network)和高分辨率网络(HRNet)等。作为具体实施例，本发明采用高分辨率网络提取多个分辨率的卷积特征图。

定义多个分辨率的大小和对应的特征图宽度，并行计算不同分辨率的特征图，融合上一阶段所有高分辨率的特征图得到下一阶段低分辨率的特征图，同时以全连接的方式计算上一阶段所有分辨率的特征图。

常用的卷积神经网络特征提取过程是先提取细节信息丰富的高分辨率特征图，再根据前面的特征图来提取语义特征较多的低分辨率特征图，此时高分辨率特征图的计算已经结束。而本发明并行计算时，提取低分辨率特征图的同时，高分辨率特征图的计算没有结束，并通过高分辨率图和低分辨率图之间的相互作用来继续优化高分辨率图和低分辨率图。因此，整个特征提取过程的表现为不同分辨率图的并行计算。

将变小前的特征图称为高分辨率特征图，变小后的特征图称为低分辨率特征图。

融合上一阶段所有高分辨率的特征图得到下一阶段低分辨率的特征图，具体包括：对当前阶段的高分辨率图使用若干个步长为2和核大小为3×3的卷积操作，从而使卷积后的高分辨率图的大小＝低分辨率图的大小，将得到的特征图和低分辨率图相加，从而得到下一阶段的低分辨率图。

类似地，对低分辨率图进行双线性上采样，得到的图用于与高分辨率图相加，从而达到当前阶段的低分辨率图优化下一阶段的高分辨率图的目的。

将所有低分辨率的特征图上采样至最高分辨率，此处最高分辨率为没有经过降采样的特征图的分辨率。

图4为上述多分辨率卷积特征图提取方法的图示。将多分辨率卷积特征图分别送入子任务对应的卷积层即可获得对应的中心点热度图、中心点偏移图、语义掩码图和关键点偏移图。

1.2多任务预测方法

得到多分辨率卷积特征图之后，利用三个子任务分支来分别提取椎体关键点的中心热度图、距离中心点的偏移，以及每个像素的语义类别。本发明对这三个子任务输出的定义如下：

椎体关键点的中心热度图定义为以椎体的中心点为均值的高斯分布，根据当前X射线透视图中所有椎体的两个对角关键点之间的平均距离来计算高斯分布的标准差。

距离中心点的偏移定位为关键点到中心点的L2距离；

图像中每个像素的语义分为4类：背景、胸椎、腰椎和椎弓根。

图5为多任务预测转换方法。其中，每个椎体包含4个关键点，椎体的中心点定义为关键点的平均坐标。

二.损失函数计算部分

2.1多任务预测转换方法

在损失函数计算部分，会根据多任务分支预测的结果转换成损失函数所需的输入。其中，使用模型预测K个关键点组，其中每个关键点组包含4个关键点，用于描述单个椎体。计算过程如下：

(1)根据模型预测的中心热度图来定位椎体的中心点：从预测的中心热度图中，选择概率最大的K个点。

(2)基于椎体的中心点和距离中心点的偏移来确定椎体的关键点：从预测的距离中心点的偏移图中，提取K个中心点对应的4个关键点偏移；根据中心点和上述关键点偏移来计算关键点坐标。

(3)使用椎体的关键点描述椎体区域，计算椎体区域内像素的语义一致性：针对每个椎体，根据模型预测的关键点坐标来合成关键点语义掩码，多任务语义一致性如图6所示。

本发明提及的椎体关键点，是指为了简化描述图像平面上的椎体，不规则四边形的4个顶点。本发明中所述的高分辨率，指的是在模型前向计算时分辨率保持不变的卷积特征图。

本发明一种脊柱Cobb角测量方法，应用于X射线透视图中脊柱侧弯患者术前和术后的脊柱Cobb角测量，包括：

A、从X射线透视图中提取多个分辨率的卷积特征图，根据级联的卷积特征图来预测椎体关键点的中心热度图、椎体关键点距离中心点的偏移以及每个像素的语义类别。

B、根据关键点定位的椎体区域和该区域内像素的语义类别来定义多任务损失函数的输入。

C、基于多任务损失函数进行关键点定位模型的训练。

步骤A中从X射线透视图中提取多个分辨率的卷积特征图包括：

A1、采集脊柱侧弯患者术前和术后的X射线透视图；

A2、使用基于多分辨率并联和跨分辨率融合的卷积神经网络从图像中提取多个分辨率的卷积特征图；

A3、级联多个分辨率的卷积特征图。

步骤A2包括：

定义多个分辨率的大小和对应的特征图宽度，并行计算不同分辨率的特征图，融合上一阶段所有高分辨率的特征图得到下一阶段低分辨率的特征图，同时以全连接的方式计算上一阶段所有分辨率的特征图。

步骤A3包括：

将所有低分辨率的特征图上采样至最高分辨率。

步骤B包括：

根据级联的卷积特征图来定义椎体关键点的中心热度图、椎体关键点距离中心点的偏移，以及每个像素的语义类别，其中：

每个椎体包含4个关键点，椎体的中心点定义为关键点的平均坐标；

椎体关键点的中心热度图定义为以椎体的中心点为均值的高斯分布，根据当前X射线透视图中所有椎体的两个对角关键点之间的平均距离来计算高斯分布的标准差；

椎体关键点距离中心点的偏移定位为关键点到中心点的L2距离；L2是常用的衡量距离的指标，用于关键点到中心点之间的距离。

图像中每个像素的语义类别分为4类：背景、胸椎、腰椎和椎弓根。

步骤C包括：

C1、根据模型预测的中心热度图来定位椎体的中心点；

C2、基于椎体的中心点和椎体关键点距离中心点的偏移来确定椎体的关键点；

C3、使用椎体的关键点描述椎体区域，计算椎体区域内像素的语义一致性。

C4、计算多任务损失函数。

步骤C1包括：

从预测的中心热度图中，选择概率最大的K个点，因为患者的脊柱共有K个椎体，概率最大的K个点确定为各椎体的中心点。

步骤C2包括：

从预测的椎体关键点距离中心点的偏移图中，分别提取K个中心点对应的4个关键点偏移；

根据各中心点和上述对应关键点偏移来计算各关键点坐标。

步骤C3包括：

针对每个椎体，根据模型预测的关键点坐标来合成关键点语义掩码，计算椎体区域内的关键点语义掩码和像素语义掩码之间的分类损失函数。

步骤C4包括：

多任务损失函数为：

其中，L

L

H

H

多任务损失函数中各损失是根据模型的预测值和给定的真实值计算得到的。本发明强调关键点定位和语义分割结合的多任务损失函数，以及自定义的多任务语义一致性损失，所以并没有对用于不同子任务的常见的损失进行说明。

g表示从椎体的关键点描述到语义掩码的转换函数。α表示语义分割损失在多任务损失函数中的比重，β表示多任务语义一致性损失在多任务损失函数中的比重。

使用模型(关键点预测模型)预测K个关键点组，其中每个关键点组包含4个关键点，用于描述单个椎体。

D1、根据所有椎体的上终板来搜索顶椎；

D2、已知顶椎的位置，沿着椎体向上搜索上端椎，沿着椎体向下搜索下端椎。

D3、计算上端椎的上终板和下端椎的下终板之间的夹角。

步骤D1包括：

对于模型输出的每个关键点组，使用上方的两个关键点描述椎体的上终板，使用下方的两个关键点描述椎体的下终板，因此，分别得到上终板和下终板对应的关键点向量：v

计算所有椎体的上终板向量斜率；

沿着脊柱从上往下搜索，最接近水平方向的椎体定义为顶椎：给定第n-1个和第n个上终板向量的斜率：k

步骤D2包括：

定义一个扩展的顶椎列表[0,...,m,...,n,...,K-1]，除了第0个椎体和第K-1个椎体，列表的中间部分为顶椎在脊柱中的索引；以顶椎m为例，假设在扩展的顶椎列表中，它的前一个和后一个索引分别为m

步骤D3包括：

计算每个顶椎对应的Cobb角：以顶椎m为例，其上端椎的上终板向量

Cobb角测量计算方法如图7所示，图7中包括两个Cobb角的测量，Cobb角1和Cobb角2。Cobb角1对应的上端椎的上终板向量为v

本发明的实验结果如图8所示，图8中从左到右依次为术前X射线透视正位图、术后X射线透视正位图、术前X射线透视侧位图和术后X射线透视侧位图。

图2为本发明一种脊柱Cobb角测量系统结构示意图，如图2所示，一种脊柱Cobb角测量系统包括：

数据集获取模块201，用于获得多个脊柱影像；

卷积特征图提取模块202，用于从各所述脊柱影像中提取多个卷积特征图，各所述脊柱影像对应的各所述卷积特征图的分辨率不同；

第一卷积特征图级联模块203，用于级联各所述脊柱影像对应的多个所述卷积特征图，获得级联的卷积特征图；

预测模型训练模块204，用于以级联的卷积特征图为输入，以关键点组数据为输出训练预测模型，得到关键点预测模型；所述关键点组数据包括各椎体对应的关键点坐标；

第二卷积特征图级联模块205，用于获得待预测的脊柱影像的级联的卷积特征图；

关键点获取模块206，用于将待预测的脊柱影像的级联的卷积特征图输入所述关键点预测模型，输出待预测的脊柱影像的关键点组数据；

Cobb角确定模块207，用于根据待预测的脊柱影像的关键点组数据确定待预测的脊柱影像中脊柱Cobb角。

所述预测模型训练模块204，具体包括：

热度图和偏移获得单元，用于根据所述级联的卷积特征图获得椎体关键点的中心热度图和椎体关键点距离中心点的偏移；所述关键点为各椎体在平面上的四个顶点，所述椎体关键点的中心热度图为以椎体的中心点为均值的高斯分布图，所述高斯分布图的标准差为所述脊柱影像中所述椎体的对角关键点之间的平均距离，所述椎体关键点距离中心点的偏移为关键点到中心点的距离；

中心点确定单元，用于根据所述椎体关键点的中心热度图确定各椎体的中心点；

关键点确定单元，用于根据各椎体的中心点和所述椎体关键点距离中心点的偏移确定各椎体的关键点；

预测模型训练单元，用于以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，得到关键点预测模型。

所述预测模型训练单元，具体还包括：

语义类别获得子单元，用于根据所述级联的卷积特征图获得各像素的语义类别；所述语义类别包括背景、胸椎、腰椎和椎弓根；

椎体区域确定子单元，用于根据各椎体的关键点确定各椎体的区域；

语义一致性确定子单元，用于根据各椎体的区域和各椎体的区域中像素对应的语义类别计算语义的一致性；

预测模型训练子单元，用于基于多任务损失函数，以所述椎体关键点的中心热度图和所述椎体关键点距离中心点的偏移为输入，以各椎体的关键点为输出训练预测模型，所述多任务损失函数包括中心热度图损失、中心点偏移损失、关键点偏移损失和语义一致性损失。

所述Cobb角确定模块207，具体包括：

椎体区域确定单元，用于根据待预测的脊柱影像的关键点组数据确定各椎体的区域；

椎体搜索单元，用于根据各椎体的区域确定顶椎、上端椎和下端椎；

Cobb角确定单元，用于计算所述上端椎的上终板和所述下端椎的下终板之间的夹角，所述夹角为脊柱Cobb角。

所述脊柱影像为X射线透视图。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都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互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。