灌注影像处理方法、系统、电子设备及存储介质

技术领域

本发明属于医学影像处理技术领域，尤其涉及一种灌注影像处理方法、系统、电子设备和存储介质。

背景技术

灌注成像是在静脉快速注射对比剂时，对感兴趣区层面进行连续扫描，从而获得感兴趣区时间-密度变化关系，因此能更有效、并量化反映局部组织血流灌注量的改变，对明确病灶的血液供应具有重要意义，在脑梗塞的早期发现、脑卒中检查以及脑缺血上有广泛运用。

当前，灌注成像在临床中主要处理过程是首先利用不同的数学模型，计算出各种灌注参数值，然后利用灌注参数值进一步结合国内外诊断标准进行一系列阈值和影像学处理，得到区域分割结果。目前计算灌注成像参数的方法主要有非去卷积法和去卷积法。其中，非去卷积法假定对比剂的注射速率是瞬间的，与实际情况不相符合；去卷积法的计算效率低，计算过程严重依赖于中间结果的准确性，容易受伪影和噪声的干扰。

发明内容

针对上述现有技术的不足，本发明的目的在于提供一种灌注影像处理方法、系统、电子设备和存储介质，以提高灌注影像数据的灌注参数计算和/或区域分割的准确性。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种灌注影像处理方法，包括：

获取灌注影像数据，所述灌注影像数据包括不同时刻扫描的影像序列；

确定所述灌注影像数据中的目标感兴趣区域；

基于所述目标感兴趣区域的信号强度，获取注意力系数；

基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果。

优选地，所述基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果，包括：

基于所述灌注影像数据和所述注意力系数，获取输入数据；

将所述输入数据输入所述数据处理模型进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果。

优选地，在确定所述灌注影像数据中的目标感兴趣区域之前，所述方法还包括：

对所述灌注影像数据进行配准。

优选地，采用以下四种方式中的至少一种确定所述灌注影像数据中的目标感兴趣区域：

基于第一预设算法确定所述目标感兴趣区域；

基于第一用户输入指令确定所述目标感兴趣区域；

基于第二预设算法获取若干候选感兴趣区域，并基于第二用户输入指令从所述若干候选感兴趣区域中确定所述目标感兴趣区域；

基于第三用户输入指令确定初始感兴趣区域，并基于第三预设算法对所述初始感兴趣区域进行修正，得到所述目标感兴趣区域。

优选地，所述基于第二预设算法获取若干候选感兴趣区域，包括：

根据所述灌注影像数据中每个体素点的信号强度与时间的关系，获取所述灌注影像数据中每个体素点的参考值；

根据所述灌注影像数据中每个体素点的所述参考值，获取所述若干候选感兴趣区域。

优选地，所述基于所述目标感兴趣区域的信号强度，获取所述注意力系数，包括：

基于各时刻所述影像序列中所述目标感兴趣区域的信号强度以及所有影像序列中所述目标感兴趣区域的最大影像数据，获取各时刻所述影像序列对应的注意力系数。

优选地，所述基于所述灌注影像数据和所述注意力系数，获取输入数据，包括：

基于前t时刻的全部所述影像序列与前t时刻的全部所述影像序列对应的注意力系数，获取第t时刻对应的输入数据。

第二方面，本发明提供一种灌注影像处理系统，包括：

影像数据获取模块，用于获取灌注影像数据，所述灌注影像数据包括不同时刻扫描的影像序列；

感兴趣区域获取模块，用于确定所述灌注影像数据中的目标感兴趣区域；

注意力系数获取模块，用于基于所述目标感兴趣区域的信号强度，获取注意力系数；

模型处理模块，用于基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果。

第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的灌注影像处理方法。

第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的灌注影像处理方法。

本发明的积极进步效果在于：本发明通过确定所述灌注影像数据中的目标感兴趣区域，并基于所述目标感兴趣区域的信号强度，获取注意力系数；最后基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果，由于结合了机器学习和注意力机制对灌注影像数据进行处理，因而能够充分挖掘灌注影像内部的区域之间的隐含联系，有助于数据处理模型关注到对于诊断任务更加重要的数据，相比于传统去卷积方案计算效率高，受噪声和伪影的干扰小，而且能够在未预先获取灌注参数的情况下直接得到区域分割结果，因而不会因信息损失影响分割结果，避免诊断误差。

附图说明

图1为本发明实施例1的一种灌注影像处理方法的流程图；

图2A为本发明实施例1中选取不同区域作为感兴趣区域的灌注影像对比图；

图2B为本发明实施例1中同一灌注影像由于选择不同感兴趣区域生成的不同灌注参数结果对比图；

图2C为本发明实施例1中同一灌注影像由于选择不同感兴趣区域生成的不同时间密度曲线对比图；

图3为循环神经网络的结构示意图；

图4为本发明实施例1中数据处理模型的结构示意图；

图5为本发明实施例2的一种灌注影像处理系统的示意框图；

图6为本发明实施例3的一种电子设备的结构示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

当前，灌注成像在临床中主要处理过程是首先利用不同的数学模型，计算出各种灌注参数值，如血流量(Blood Flow，BF)、血容量(Blood Volume，BV)、平均通过时间(MeanTransit Time，MTT)、造影剂残留量达到峰值时间(Time-to-maximum，Tmax)、造影剂浓度达到峰值时间(Time-To-Peak，TTP)等；然后利用灌注参数值进一步结合国内外诊断标准进行一系列阈值和影像学处理，最终得到脑组织核心梗死区域(Core of the Infar)、低灌注区域(Low PerfusionZones)、错配比(Mismatch ratio)等区域分割数据。

目前计算灌注成像参数的方法主要有非去卷积法和去卷积法。非去卷积法依据组织器官中对比剂蓄积的速度＝动脉流入速度-静脉流出速度的关系计算参数。而去卷积法是在非去卷积法的概念的基础上，由Cenic等于1999年提出。由于非去卷积法假定对比剂的注射速率是瞬间的，与实际情况不相符合，要想获得血流量和平均通过时间的定量结果，必须要考虑到对比剂的实际注射速率，将每个像素位置的时程数据转化为相应的推动剩余函数(Impulse Residue Function，IRF)，或称为脉冲式特征曲线函数(Impulse ResponseFunction，IRF)，以此来反映静脉注射对比剂后随时间的推移对比剂在组织内的数量。去卷积法利用剩余函数计算对比剂静脉流出，对灌注的流入动脉和流出静脉综合考虑，计算BF、BV和MTT时不需要对潜在的脉管系统进行假设，与实际的血流动力学相近，计算出的灌注参数和函数图更能反映病变内部的实际情况。目前灌注影响的临床应用主要在急性脑缺血和肿瘤学的研究方面，脑缺血时局部血流减少，灌注的目的在于了解缺血的程度，量化处理单位组织内的血液动力学变化，从而对缺血组织进行评价，为及时恢复正常血供提供指导。目前主流的灌注影像的辅助诊断都是基于上述去卷积法实现的，其优点是基于血流动力学物理模型，可解释性强，缺点是计算效率低，计算过程严重依赖于中间结果的准确性，容易受伪影和噪声的干扰。

此外，基于数学模型计算出的参数得到区域分割结果的过程中会损失部分真实信息，可能会影响诊断。

实施例1

本实施例提供一种灌注影像处理方法，用于对灌注影像进行处理，以得到灌注影像数据的灌注参数和/或目标区域分割结果。灌注影像是通过灌注成像(perfusionimaging，PWI)所得的影像，例如CT(Computed Tomography，电子计算机断层扫描)灌注(CTP)影像。根据灌注成像的组织器官，CTP影像可以包括脑CTP影像、肝脏CTP影像、心脏CTP影像等。

如图1所示，本实施例的灌注影像处理方法具体包括以下步骤：

S1，获取灌注影像数据，所述灌注影像数据包括不同时刻扫描的影像序列。

在本实施例中，灌注影像数据可以是通过CT设备扫描而得的CT灌注影像数据X，X∈(T×F×G×H)，T表示CT扫描过程中采集到的CT影像数目，F、G、H分别表示每个时刻采集到的CT数据的层数、宽度和高度。

S2，确定所述灌注影像数据中的目标感兴趣区域。

在本实施例中，目标感兴趣区域例优选为各灌注影像数据中动脉点的预定邻域。

S3，基于所述目标感兴趣区域的信号强度，获取注意力系数。

在本实施例中，注意力系数用于表征灌注影像中不同影像序列的重要性，对于不同的计算任务来说，每个序列的重要程度各不相同，例如当计算Tmax参数时，灌注影像中的造影剂刚到达时的序列和造影剂累积达到峰值的序列比其它序列更重要。

S4，基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果。具体过程如下：

S41，基于所述灌注影像数据和所述注意力系数，获取输入数据；

S42，将所述输入数据输入所述数据处理模型进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果。

在本实施例中，数据处理模型是预先训练好的模型，该模型以灌注参数和/或目标区域分割结果为预测目标。灌注参数包括但不限于血流量(BF)、血容量(BV)和造影剂残留量达到峰值时间(Tmax)。目标区域分割结果包括但不限于低灌注区域(Low PerfusionZones，LPZ)和核心梗死区域(Core of Infar，CoI)。具体选择可以根据临床诊断的实际需要设定，本实施例对此不做任何具体限定。

本实施例通过确定所述灌注影像数据中的目标感兴趣区域，并基于所述目标感兴趣区域的信号强度，获取注意力系数；而后基于所述灌注影像数据和所述注意力系数，获取输入数据；最后基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果，由于结合了机器学习和注意力机制对灌注影像数据进行处理，因而能够充分挖掘灌注影像内部的区域之间的隐含联系，有助于数据处理模型关注到对于诊断任务更加重要的数据，相比于传统去卷积方案计算效率高，受噪声和伪影的干扰小，而且能够在未预先获取灌注参数的情况下直接得到区域分割结果，因而不会因信息损失影响分割结果，避免诊断误差。

在一种可选的实施方式中，在执行步骤S2之前，本实施例的方法还包括：对所述灌注影像数据进行配准。

具体地，以灌注影像数据中一个或多个时刻的影像序列为参考数据，将灌注影像数据中其他序列向参考数据进行配准。

本实施方式中，配准的具体方式可以参照现有的任意合适配准方式实现，具体不再说明。配准后的灌注影像数据记作X

在一种可选的实施方式中，步骤S2可以采用以下四种方式中的至少一种确定所述灌注影像数据中的目标感兴趣区域：

第一种，基于第一预设算法确定所述目标感兴趣区域，即采用第一预算法对灌注影像数据进行处理，以自动输出灌注影像数据中的目标感兴趣区域，本方式省时省力。

第二种，基于第一用户输入指令确定所述目标感兴趣区域，即支持用户使用交互的方式选择合适的目标感兴趣区域，可以融入医生的经验。

第三种，基于第二预设算法获取若干候选感兴趣区域，并基于第二用户输入指令从所述若干候选感兴趣区域中确定所述目标感兴趣区域。本方式结合了第一、二种方式的优点，通过对自动输出结果进行人工干预校准，能够保证目标感兴趣区域选取正确。

第四种，基于第三用户输入指令确定初始感兴趣区域，并基于第三预设算法对所述初始感兴趣区域进行修正，得到所述目标感兴趣区域。本方式同样结合了第一、二种方式的优点，通过对人工选择结果进行自动校准，能够提高目标感兴趣区域选取的准确性。

在本实施例中，前述第一预设算法包括但不限于阈值法、关键点检测法等。

在一种可选的实施方式中，基于第二预设算法获取若干候选感兴趣区域的具体过程如下：

首先，根据所述灌注影像数据中每个体素点的信号强度与时间的关系，获取所述灌注影像数据中每个体素点的参考值；而后，根据所述灌注影像数据中每个体素点的所述参考值，获取所述若干候选感兴趣区域。例如，将参考值大于预定参考阈值的区域分别作为动脉点，并将各动脉点的预定邻域确定为侯选感兴趣区域。具体地，根据所述灌注影像数据中每个体素点的信号强度与时间的关系，获取所述灌注影像数据中每个体素点的参考值的过程如下：

获取所述灌注影像数据中每个体素点对应的最大信号强度以及所有体素点对应的最大信号强度均值；

获取所述灌注影像数据中每个体素点达到最大信号强度的时刻以及所有体素点达到最大信号强度的时刻的均值；

根据所述灌注影像数据中每个体素点对应的最大信号强度以及所有体素点对应的最大信号强度均值、以及每个体素点达到最大信号强度的时刻以及所有体素点达到最大信号强度的时刻的均值，获取所述灌注影像数据中每个体素点的参考值。

以前述CT灌注影像数据X，X∈(T×F×G×H)为例，在获取参考值时，首先，获取所述灌注影像数据中每个体素点对应的最大信号强度h(i,j,k)以及所有体素点对应的最大信号强度均值

本实施方式根据所述灌注影像数据中每个体素点对应的最大信号强度h(i,j,k)以及所有体素点对应的最大信号强度均值

在一种可选的实施方式中，步骤S3具体通过如下步骤实现：基于各时刻所述影像序列中所述目标感兴趣区域的信号强度以及所有影像序列中所述目标感兴趣区域的最大影像数据，获取各时刻所述影像序列对应的注意力系数。

假设各时刻影像序列中目标感兴趣区域(如动脉点)的信号强度集合S＝[s

将上述注意力系数f

动脉点受造影剂影响的变化过程。第一行与第一个时刻采集到的灌注影像相对应，可以视作第一个时刻时对序列数据的注意力分布情况；第二行与第二个时刻采集到的灌注影像相对应，可以视作第二个时刻时对序列数据的注意力分布情况；其余时刻的分布以此类推。

本实施方式通过将各时刻影像序列中目标感兴趣区域的信号强度转化为对应的概率，以作为各时刻影像序列的注意力系数，能够很好地反映相应序列的重要性。

在一种可选的实施方式中，步骤S41具体通过如下步骤实现：

基于前t时刻的全部所述影像序列与前t时刻的全部所述影像序列对应的注意力系数，获取第t时刻对应的输入数据，具体计算公式为：

本实施方式通过将前t时刻的全部所述影像序列与前t时刻的全部所述影像序列对应的注意力系数进行加权求和，可以准确反映t时刻及t时刻之前的所有影像数据的特征。

在一种可选的实施方式中，数据处理模型基于神经网络构建，并根据样本灌注影像数据及对应的金标准数据训练得到的，所述金标准数据包括灌注参数金标准数据和/或目标区域分割金标准数据。其中，样本灌注影像数据可以通过采集大量CT灌注扫描临床数据获得。具体根据预测目标确定灌注参数金标准数据和目标区域分割金标准数据。

例如，当数据处理模型要预测的灌注参数包括BF时，训练模型时使用的灌注参数金标准数据应包括血流量金标准数据，记作Y

在本实施方式中，金标准数据可以通过去卷积方法计算得到，为了确保计算结果尽量反应实际灌注参数和目标区域，整个计算过程通过人工干预校准，保证动脉点或静脉点等选取正确，排除伪影数据影响。使用金标准数据训练模型，可以保证模型预测的准确性。其中，在构造训练集的过程中，同一样本灌注影像可以根据不同的感兴趣区域选择生成不同的金标准数据，具体如图2A～2C所示的实验结果可知，当选择不同的感兴趣区域(见图2A中箭头所示)时，将得到不同的时间密度曲线，并生成不同的灌注参数结果图。

在一种可选实施方式中，考虑到灌注影像数据既包含了时间信息(T)又包含了空间信息(层数F、宽度G、高度H)，神经网络选用循环神经网络，优选采用以序列数据作为输入的递归结构的循环神经网络，包括但不限于RNN(Recurrent Neural Network、循环神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)、双向RNN、双向LSTM等。其中优选LSTM或双向LSTM结构，通过门控方式选择性地排除CTP序列中运动伪影造成的异常数据。本方式利用循环神经网络的记忆特性，将灌注影像数据的空间信息与时间信息相结合，对带有时序特征的灌注影像数据进行编码、映射，从而快速高效地生成灌注参数和目标区域分割结果，简化了计算过程，提升了计算速度，并且减少原始的灌注影像数据包含信息的损失。

在本实施方式中，循环神经网络主要由三个卷积神经网络U、V、W组成，图4示出了卷积神经网络U、V、W的循环结构。其中，每个时间点输入的输入数据I

基于图4的模型结构，步骤S42具体可以通过如下步骤实现：将输入数据按照扫描时刻的先后顺序输入至所述循环神经网络，所述循环神经网络每个时刻的隐藏层的输出数据与相应时刻对应的注意力系数相乘后连同下一个时间点的输入数据一起作为所述循环神经网络下一轮循环的输入，最终输出为灌注参数和目标区域分割结果。

在本实施方式中，结合灌注影像数据包含时间和空间信息的特点，给出了适用于灌注影像数据处理的循环神经网络模型。与传统RNN结构不同的是，本方式中循环神经网络的循环结构均在隐藏层完成，将输入数据映射到特征空间，有利于去除影像中的噪声和伪影，可提升映射网络的鲁棒性。

在一种可选方式中，数据处理模型包括多个单任务数据处理模型，每个单任务数据处理模型分别用于基于输入数据预测灌注参数和目标区域分割结果中的一种并输出。例如用于只预测血流量的第一数据处理模型，用于只预测血容量的第二数据处理模型，用于只预测造影剂残留量达到峰值时间的第三数据处理模型，用于只预测低灌注区域的第四数据处理模型，用于只预测核心梗死区域的第五数据处理模型。利用单任务数据处理模型的优点在于训练单任务数据处理模型的速度更快、也更简单，另外由于每个单任务数据处理模型预测的目标不同，所以使用的样本数据可以不同，可以选择与预测目标更有针对性的样本数据进行训练。

在一种可选方式中，考虑到各个参数图之间较强的相关性和模型在应用阶段的时间效率，实际应用中采用多任务的方式实现数据处理模型。数据处理模型包括多任务数据处理模型，多任务数据处理模型用于基于输入的灌注影像数据同时预测灌注参数和目标区域分割结果并输出。

在一种实施中，多任务数据处理模型可以是基于要预测的所有灌注参数和目标区域分割结果的样本灌注影像数据以及所有灌注参数金标准数据和目标区域分割结果金标准数据训练的模型。图4示出的模型即为多任务数据处理模型，包括如前的卷积神经网络U、V、W，还包括对于预测目标的特征映射网络，用于将卷积神经网络V的输出结果映射为相应的预测结果。图中示出了特征映射网络H

每个时间点的输出与金标准数据计算出的损失

其中w

血流量对应的损失函数表达式如公式(2)所示：

血容量对应的损失函数表达式如公式(3)所示：

造影剂残留量达到峰值时间对应的损失函数表达式如公式(4)所示：

低灌注区域对应的损失函数表达式如公式(5)所示：

核心梗死区域对应的损失函数表达式如公式(6)所示：

其中，

L1损失表达式如公式(7)所示：

TV损失表达式如公式(8)所示：

其中，δ为超参数，用于调节数据生成的参数图的平滑程度；

式(10)中，S为预测影像在三维空间坐标点的集合，P′为区域分割网络输出的预测概率，Y为核心梗死区域或者低灌注区域的金标准数据，α和γ为超参数。

训练过程中使用Adam(一种随机优化算法)优化器对整个神经网络进行训练。

在另一种实施中，多任务数据处理模型还可以是通过多个单任务数据处理模型融合而成的模型。先利用前文训练的单任务数据处理模型，然后通过Boosting(提升)方法、Bagging(引导聚集)方法融合所有单任务数据处理模型。

实施例2

本实施例提供一种灌注影像处理系统，如图5所示，包括：

影像数据获取模块11，用于获取灌注影像数据，所述灌注影像数据包括不同时刻扫描的影像序列；

感兴趣区域获取模块12，用于确定所述灌注影像数据中的目标感兴趣区域；

注意力系数获取模块13，用于基于所述目标感兴趣区域的信号强度，获取注意力系数；

模型处理模块14，用于基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果。

优选地，模型处理模块14包括：

输入数据获取单元，用于基于所述灌注影像数据和所述注意力系数，获取输入数据；

模型处理单元，用于将所述输入数据输入所述数据处理模型进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果。

优选地，所述系统还包括：配准模块，用于在感兴趣区域获取模块12确定所述灌注影像数据中的目标感兴趣区域之前，对所述灌注影像数据进行配准。

优选地，感兴趣区域获取模块12采用以下四种方式中的至少一种确定所述灌注影像数据中的目标感兴趣区域：

基于第一预设算法确定所述目标感兴趣区域；

基于第一用户输入指令确定所述目标感兴趣区域；

基于第二预设算法获取若干候选感兴趣区域，并基于第二用户输入指令从所述若干候选感兴趣区域中确定所述目标感兴趣区域；

基于第三用户输入指令确定初始感兴趣区域，并基于第三预设算法对所述初始感兴趣区域进行修正，得到所述目标感兴趣区域。

优选地，所述基于第二预设算法获取若干候选感兴趣区域，包括：

根据所述灌注影像数据中每个体素点的信号强度与时间的关系，获取所述灌注影像数据中每个体素点的参考值；

根据所述灌注影像数据中每个体素点的所述参考值，获取所述若干候选感兴趣区域。

优选地，所述注意力系数获取模块13具体用于：

基于各时刻所述影像序列中所述目标感兴趣区域的信号强度以及所有影像序列中所述目标感兴趣区域的最大信号强度，获取各时刻所述影像序列对应的注意力系数。

优选地，所输入数据获取单元具体用于：

基于前t时刻的全部所述影像序列与前t时刻的全部所述影像序列对应的注意力系数，获取第t时刻对应的输入数据。

优选地，所述数据处理模型根据样本灌注影像数据及对应的金标准数据训练得到，所述金标准数据包括灌注参数金标准数据和/或目标区域分割金标准数据。

本实施例通过确定所述灌注影像数据中的目标感兴趣区域，并基于所述目标感兴趣区域的信号强度，获取注意力系数；而后基于预设的数据处理模型对所述灌注影像数据和所述注意力系数进行处理，得到所述灌注影像数据的灌注参数和/或目标区域分割结果，由于本实施例结合了机器学习和注意力机制对灌注影像数据进行处理，因而能够充分挖掘灌注影像内部的区域之间的隐含联系，有助于数据处理模型关注到对于诊断任务更加重要的数据，相比于传统去卷积方案计算效率高，受噪声和伪影的干扰小，而且能够在未预先获取灌注参数的情况下直接得到区域分割结果，因而不会因信息损失影响分割结果，避免诊断误差。

实施例3

图6为本实施例提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1的方法。图6显示的电子设备30仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

电子设备30可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。

总线33包括数据总线、地址总线和控制总线。

存储器32可以包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可以进一步包括只读存储器(ROM)323。

存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324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。

处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1的方法。

电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口35进行。并且，模型生成的设备30还可以通过网络适配器36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。如图所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30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、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。

应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

实施例4

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1的方法的步骤。

其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。

在可能的实施方式中，本发明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实现实施例1的方法的步骤。

其中，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发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。