医学图像处理方法、装置、图像处理设备及介质与流程

1.本发明实施例涉及图像处理领域，尤其涉及一种医学图像处理方法、装置、图像处理设备及介质。


背景技术：

2.全球疾病负担研究显示，中国人群总体的中风终生发病风险为39.9％，是疾病所致寿命损失年的第一位病因，中风分为两种，分别是缺血型中风和出血型中风，其中缺血型中风起因是完全或部分血流供应受到阻碍，出血型中风的起因是非创伤性脑血管破裂导致血液在脑内聚集。临床上，用于诊断的中风的信息通常通过动态增强ct(computed tomograph，简称ct，电子计算机断层扫描成像)成像所测量的脑部血流参数获得，如血容积(cbv)，血流速(cbf)，平均流过时间(mtt)和到顶时间(ttp)等。
3.动态增强ct是一种在静脉注射碘对比剂后采集并侦测对比剂在大脑内随血流循环的成像方法。在采集时，尚未增强的头部首先被扫描，重建后的图像被定义为模图像。之后在多个连续时间点采集的脑部投影数据被重建出对应每个时间点的三维脑部动态增强ct图像。动态增强的一系列图像可通过后面采集的每一个时间点的图像减去模图像得到，其包含血流参数信息。由指标稀释理论(indicator dilution theory)可知，脑组织内每个体素的碘对比剂的衰减系数增强信息可以表达成血流延展的剩余函数和动脉输入函数的卷积。如果增强信息和动脉输入函数均可通过动态增强ct影像测量，即可根据该指标稀释理论推导出该血流延展剩余函数，该血液延展剩余函数可被分解为单个体素的血流参数。从数学模型的角度讲这是一个反问题求解的过程，传统解决这个反问题的方法是基于奇异值分解(singular value decomposition，简称svd)以及一系列改进其的方法。但由于动态增强ct受到辐射剂量限值或实际扫描条件的限制，通常伴随较正常ct低的图像质量，因此需要解决的反问题通常是不适定问题(ill
‑
posed)，即推导得到的血流参数可能是不稳定的或是不准确的。
4.综上，现有技术存在无法准确确定动态增强ct的血流参数的技术问题。


技术实现要素：

5.本发明实施例提供了一种医学图像处理方法、装置、图像处理设备及介质，解决了现有技术存在无法准确确定动态增强ct的血流参数的技术问题。
6.第一方面，本发明实施例提供了一种医学图像处理方法，该方法包括：
7.根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和所述动脉血管对应的单个体素的衰减系数增强信息；
8.将所述动脉输入函数和所述衰减系数增强信息输入预设估计模型以得到所述目标部位的预设血流参数，所述预设血流参数包括血流速和平均流过时间，所述预设估计模型是基于盒型衰减函数构建的。
9.第二方面，本发明实施例还提供了一种医学图像处装置，包括：
10.获取模块，用于根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和所述动脉血管对应的单个体素的衰减系数增强信息；
11.血流参数确定模块，用于将所述动脉输入函数和所述衰减系数增强信息输入预设估计模型以得到所述目标部位的预设血流参数，所述预设血流参数包括血流速和平均流过时间，所述预设估计模型是基于盒型衰减函数构建的。
12.第三方面，本发明实施例还提供了一种图像处理设备，所述图像处理设备包括：
13.一个或多个处理器；
14.存储装置，用于存储一个或多个程序；
15.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例所述的医学图像处理方法。
16.第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的医学图像处理方法。
17.本发明实施例提供的医学图像处理方法的技术方案，包括：根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和动脉血管对应的单个体素的衰减系数增强信息；将动脉输入函数和衰减系数增强信息输入预设估计模型以得到目标部位的预设血流参数，预设血流参数包括血流速和平均流过时间，预设估计模型是基于盒型衰减函数构建的。由于基于盒型衰减函数构建的预设估计模型，相较于奇异值分解时所需的理想生理模型更符合实际情况，因此使得基于该预设估计模型确定的预设血流参数的准确性更高。
附图说明
18.为了更清楚地说明本发明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做一简单地介绍，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。
19.图1是本发明实施例一提供的医学图像处理方法的流程图；
20.图2是本发明实施例二提供的医学图像处理方法的流程图；
21.图3是本发明实施例三提供的医学图像处理装置的结构框图；
22.图4是本发明实施例三提供的又一医学图像处理装置的结构框图；
23.图5是本发明实施例四提供的图像处理设备的结构框图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，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。
25.实施例一
26.图1是本发明实施例一提供的医学图像处理方法的流程图。本实施例的技术方案适用于基于盒型衰减函数构建的预设估计模型确定动态增强ct图像对应的预设血流参数的情况。该方法可以由本发明实施例提供的医学图像处理装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置在图像处理设备的处理器中应用。该方法具体包括如下步骤：
27.s101、根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和该动脉血管对应的单个体素的衰减系数增强信息。
28.其中，目标部位为待分析血流速参数的部位，优选但不限于脑部、目标肿瘤区等部位，本实施例以脑部为例进行技术方案的阐述。
29.可以理解的是，如果目标部位为脑部，那么动态增强ct图像为脑部动态增强ct图像，而为脑部组织供血的动脉血管为颈动脉。
30.其中，不同时间点是指对比剂进入脑部组织之后的图像采集时间点。至于图像采集时间点的时机和数量可根据临床医生的需求进行设定。本实施例将每个时间点采集的扫描数据对应的重建图像作为一组动态增强ct图像。
31.其中，动态增强ct图像的格式为dicom格式。
32.其中，动脉输入函数(aif)描述的是对比剂通过成像体素的时间行为特点。可以理解的是，实际上每一个体素的输入浓度时间曲线并不完全相同，因此每个体素对应的对比剂的强度变化信息也不同，因此只能对供血血管的单个体素的对比剂的衰减系数增强信息进行估算。本实施例对单个体素的衰减系数增强信息的估算方法不予限定，使用现有技术确定该单个体素的衰减系数增强信息即可。
33.其中，动脉输入函数的确定方法包括：确定在不同时间点采集的多组脑部动态增强ct图像的颈动脉区域内的像素均值，将该像素均值对应的相对增强度作为第一相对增强度，以及确定该多组脑部动态增强ct图像的颈静脉区域内的像素均值，将该像素均值对应的相对增强度作为第二相对增强度；以采集时间为横轴，以相对增强度为纵轴，构建对应第一相对增强度的动脉输入函数曲线和对应第二相对增强度的静脉输出函数曲线；根据静脉输出函数曲线对应的曲线面积完成动脉输入函数曲线的校正，以更新动脉输入函数曲线；根据更新后的动脉输入函数曲线确定动脉输入函数。由于静脉血管的血液流出量与动脉血管的血液流入量相同，因此动脉输入函数对应的曲线面积应与静脉输出函数对应的曲线面积相同，因此可以根据静脉输出函数曲线对应的曲线面积对动脉输入函数曲线进行校正，从而解决因动态增强ct图像上的动脉区域的像素值偏低导致的动脉输入函数不准确的问题，提高了动脉输入函数的准确性。
34.在一些实施例中，颈动脉区域的确定方法包括：将在不同时间点采集的多组动态增强ct图像的对应帧进行加和以得到第一图像，然后使用第一预设阈值对该第一图像进行分割，以得到颈动脉模板，使用该颈动脉模板确定每个时间点采集的动态增强ct图像的颈动脉区域；相应的，使用第二预设阈值对该第一图像进行分割以得到颈静脉模板，使用该颈静脉模板确定每个时间点采集的动态增强ct图像的颈静脉区域。
35.可以理解的是，动态增强ct图像是预处理后的ct图像。预处理方法包括但不限于滤波去噪处理和运动校正处理。运动校正处理包括帧内运动校正和帧间运动校正。本实施例优选先对滤波去噪处理后的该多组动态增强ct图像进行帧内运动校正处理，以更新动态
增强ct图像；从更新后的该多组动态增强ct图像中选取一参考帧图像，然后根据该参考帧图像对其他帧图像进行刚性配准，以再次更新该多组动态增强ct图像。可以理解的是，经过帧内运动校正和帧间运动校正之后的动态增强ct图像没有运动伪影或仅有较少的运动伪影，可以避免因运动伪影导致的血液输入函数和单个体素的衰减系数增强信息的准确性较低的情况发生。
36.s102、将动脉输入函数和衰减系数增强信息输入预设估计模型以得到目标部位的预设血流参数，预设血流参数包括血流速和平均流过时间，预设估计模型是基于盒型衰减函数构建的。
37.获取到动脉输入函数和单个体素的衰减系数增强信息之后，将动脉输入函数和衰减系数增强信息输入至以盒型衰减函数为基础构建的预设估计模型以得到预设血流参数。该预设血流参数包括血流速和平均流过时间。其中，血流速为脑部血液在血管内流动的直线速度，即单位时间内，一个质点在血管中前进的距离；所谓平均流过时间是指对比剂在组织内停留的平均时间。
38.其中，预设估计模型的构建方法包括：
39.单个体素的衰减系数增强信息随时间的变化曲线可以表示为：
[0040][0041]
其中，μ为待估计的血流参数，h(μ,t)为血流的缩放剩余函数，c
a
(t)为动脉输入函数(aif)，ε(t)为噪声。血流的缩放剩余函数可进一步写成血流速(cbf)、组织密度ρ和剩余函数r(t)的函数，如下：
[0042]
h(μ,t)＝cbf
·
ρ
·
r(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0043]
其中，设定μ包括血流速(cbf)和平均流过时间(mtt)。将r(t)构建为以盒型衰减函数为基础的函数，那么根据上式可以得到：
[0044][0045]
其中，t0＝0.632
×
mtt。可以理解的是，公式(1)中的卷积可以展开为对动脉输入函数积分的采样，如下：
[0046][0047]
可以理解的是，将公式(3)带入公式(4)即可通过反卷积得到h(μ,t)，从而得到cbf与mtt。cbf和mtt得到之后，即可计算二者的乘积以得到血容积(cbv)。另外，还可以确定公式(4)中y(t)的最大值对应的横坐标，该横坐标对应的时间即为到顶时间(ttp)。至此即可得到所有临床常用的血流参数。
[0048]
本发明实施例提供的医学图像处理方法的技术方案，包括：根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和动脉血管对应的单个体素的衰减系数增强信息；将动脉输入函数和衰减系数增强信息输入预设估计模型以得到目标部位的预设血流参数，预设血流参数包括血流速和平均流过时间，预设估计模型是基于盒型衰减函数构建的。由于基于盒型衰减函数构建的预设估计模型，相较
于奇异值分解时所需的理想生理模型更符合实际情况，因此使得基于该预设估计模型确定的预设血流参数的准确性更高。
[0049]
实施例二
[0050]
图2是本发明实施例二提供的医学图像处理方法的流程图。本发明实施例在上述实施例的基础上，增加了估计预设血流参数分布的步骤。
[0051]
相应地，本实施例的方法包括：
[0052]
s201、根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和该动脉血管对应的单个体素的衰减系数增强信息。
[0053]
s202、将动脉输入函数和衰减系数增强信息输入预设估计模型以得到目标部位的预设血流参数，预设血流参数包括血流速和平均流过时间，预设估计模型是基于盒型衰减函数构建的。
[0054]
s203、通过贝叶斯机器学习的方法确定预设估计模型所确定的预设血流参数的均值和方差的更新函数。
[0055]
本实施例在前述实施例的基础上，还通过贝叶斯机器学习的方法对预设血流参数进行推导估计，以确定预设血流参数的分布。
[0056]
由于y(t)在扫描中对应n个离散的采样时间点，噪声ε(t)在每一个采集时间点可被模拟成零均值的高斯分布，而且每个图像帧在时间上是独立，因此公式(4)可通过以下离散表达式进行表示：
[0057][0058]
其中，i为图像帧的标识，ω
i
正比于探测事件的权重(即标识为i的脑部三维增强ct图像的采集时长)。根据公式(4)构建数据不匹配项，那么推导问题变为找到使对数似然函数最大化的参数μ的问题，如下：
[0059][0060]
由于在每个三维动态增强ct图像的采集时长相同的情况下，ω
i
＝1，因此以上优化问题等同于一个非线性二乘拟合问题。
[0061]
等式(6)可以拓展成一个完全的贝叶斯推导问题，它可以提供预设血流参数的整体概率分布而不仅是最大似然估计，从而直接反应每个参数测量的不确定性信息。根据贝叶斯定理，估计参数μ相对于衰减系数增强信息即y的后验分布为：
[0062][0063]
其中，p(y|μ)是似然函数，p(μ)为估计参数μ的先验概率，p(y)是衰减系数增强信
息y的先验概率。可以理解的是，该式与公式(6)的根本区别在于μ不再代表最大似然估计而是整体概率分布。在贝叶斯框架内估计μ变成了一个推导问题，实质上是根据给定衰减系数增强信息(y)最大化p(μ|y)而得到μ。由于直接计算后验分布比较困难，为此本实施例使用变分贝叶斯的方法近似。该变分贝叶斯方法的基本思路是找到一个接近后验分布p(μ|y)的解析分布q(μ|y)，这样二者的相对熵会最小化。公式(7)的分布模型的对数证据可以写成：
[0064][0065]
其中，p(y,μ)为联合分布，e
*
是q(μ|y)的期待。elbo是证据下限，kl是近似分布q(μ|y)和p(y,μ)的散度。因为相对熵总为正，因此elbo提供了对数似然函数的下限。于是我们可以通过最大化elbo找到使解析分布更加接近真实后验分布的μ，如下：
[0066][0067]
公式(9)括号内的相对熵也总为正，并且μ的最优解可以通过等价分子和分母得到。
[0068]
对于分子，要保证其是易处理的。使用变分贝叶斯对q(μ|y)进行分解，假定每个参数的真实后验分布是多参数高斯。这样近似后验分布可表示为：
[0069][0070]
其中，k＝1时，μ1对应血流速，σ1为血流速分布的方差，m1为血流速分布的均值；k＝2时，μ2对应血流速，σ2为血流速分布的方差，m2为血流速分布的均值；μ为一矩阵，包含待估计的血流速和平均流过时间，σ为一矩阵，包括血流速的方差σ1和平均流过时间的方差σ2，m为一矩阵，包含血流速的均值m1和平均流过时间m2的均值。
[0071]
对于分母，插入公式(6)的似然函数，同时选择共轭分布即多变量高斯分布作为先验分布，其均值为m0，方差为σ0。这样分母可表示为：
[0072]
[0073]
为了确保分母的易处理性并可应用到公式(4)，g(μ)可通过后验分布的一阶泰勒展开式来表达，如下：
[0074][0075]
其中，j为雅可比矩阵。应用该线性变换后，公式(11)变为：
[0076][0077]
通过等价化公式(10)和公式(13)得到μ的均值和方差的更新函数，如下：
[0078][0079]
可以理解的是，σ0与m0分别为σ和m的初始值。
[0080]
s204、根据预设血流参数的方差和均值的更新函数确定预设血流参数的分布。
[0081]
由于μ包含血流速和平均流过时间，因此在μ的均值和方差的更新函数确定之后，即可确定血流速(cbf)的均值和方差的更新函数，以及平均流过时间(mtt)的均值和方差的更新函数，以及根据血流速的方差和均值的更新函数确定血流速的分布以及根据平均流过时间的方差和均值的更新函数确定平均流过时间的分布。其中，血流速的方差包含了血流速的不确定性信息，平均流过时间的方差包含了平均流过时间的不确定信息。
[0082]
在确定了血流速的分布和平均流过时间的分布之后，本实施例优选还计算血流速的方差与均值的比值以得到用于表示血流速不确定性的第一变异系数，以及计算平均流过时间的方差与均值的比值，以得到用于表示平均流过时间的不确定性的第二变异系数。可以理解的是，变异系数越大，则表示相应参数的不确定性越大，相应的，动态增强ct图像扫描的不可靠度就越高。
[0083]
可以理解的是，本实施例所估计的血流速分布仅代表脑部组织内的毛细血管的血流速分布。而临床诊断中需参考脑部组织外的血流速分布，为此本实施例在得到脑部组织内的血流速分布之后，还通过血细胞比容校正确定脑部组织外的血流速分布，具体为：将血流速的均值乘以预设系数，将血流速的方差乘以该预设系数的平方，以得到脑部组织外的血流速分布。其中，该预设系数可选为0.733。
[0084]
在一个实施例中，在得到血容积之后，通过血细胞比容校正确定脑部组织外的血容积，具体为：将该血容积乘以预设系数以得到脑部组织外的血容积。其中，该预设系数可选为0.733。
[0085]
本发明实施例提供的医学图像处理方法的技术方案，既可以通过预设估计模型确定预设血流参数，还可以根据变分贝叶斯对预设估计模型进行估计，以确定预设血流参数的分布，并通过该预设血流参数的分布可以确定动态增强ct确定的预设血流参数的可靠性、扫描协议设置的准确性，或者比较不同图像处理方法的优劣。
[0086]
实施例三
[0087]
图3是本发明实施例提供的医学图像处理装置的结构框图。该装置用于执行上述任意实施例所提供的医学图像处理方法，该装置可选为软件或硬件实现。该装置包括：
[0088]
获取模块11，用于根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和所述动脉血管对应的单个体素的衰减系数增强信息；
[0089]
血流参数确定模块12，用于将动脉输入函数和衰减系数增强信息输入预设估计模型以得到目标部位的预设血流参数，预设血流参数包括血流速和平均流过时间，预设估计模型是基于盒型衰减函数构建的。
[0090]
如图4所示，该装置还包括输入模块10，该输入模块10用于：确定在不同时间点采集的多组脑部动态增强ct图像的颈动脉区域内的像素均值，将该像素均值对应的相对增强度作为第一相对增强度，以及确定该多组脑部动态增强ct图像的颈静脉区域内的像素均值，将该像素均值对应的相对增强度作为第二相对增强度；以采集时间为横轴，以相对增强度为纵轴，构建对应第一相对增强度的动脉输入函数曲线和对应第二相对增强度的静脉输出函数曲线；根据静脉输出函数曲线对应的曲线面积完成动脉输入函数曲线的校正，以更新动脉输入函数曲线；根据更新后的动脉输入函数曲线确定动脉输入函数。
[0091]
如图4所示，该装置还包括估计模块13，该估计模块13用于通过贝叶斯机器学习的方法确定预设估计模型所确定的预设血流参数的均值和方差的更新函数；根据预设血流参数的方差和均值的更新函数确定预设血流参数的分布。通过该预设血流参数的分布可以确定动态增强ct确定的预设血流参数的可靠性、扫描协议设置的准确性，或者比较不同图像处理方法的优劣。
[0092]
可选地，估计模块13还用于根据血流速的方差和均值确定用于表示血流速不确定性的第一变异系数；根据平均流过时间的方差和均值确定用于表示平均流过时间的不确定性的第二变异系数。
[0093]
本发明实施例提供的医学图像处装置的技术方案，通过获取模块根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和动脉血管对应的单个体素的衰减系数增强信息；通过血流参数确定模块将动脉输入函数和衰减系数增强信息输入预设估计模型以得到目标部位的预设血流参数，预设血流参数包括血流速和平均流过时间，预设估计模型是基于盒型衰减函数构建的。由于基于盒型衰减函数构建的预设估计模型，相较于奇异值分解时所需的理想生理模型更符合实际情况，因此使得基于该预设估计模型确定的预设血流参数的准确性更高。
[0094]
本发明实施例所提供的医学图像处装置可执行本发明任意实施例所提供的医学图像处方法，具备执行方法相应的功能模块和有益效果。
[0095]
实施例四
[0096]
图5为本发明实施例四提供的图像处理设备的结构示意图，如图5所示，该设备包括处理器201、存储器202、输入装置203以及输出装置204；设备中处理器201的数量可以是一个或多个，图5中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接，图5中以通过总线连接为例。
[0097]
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程
序以及模块，如本发明实施例中的医学图像处理方法对应的程序指令/模块(例如，获取模块11和血流参数确定模块12)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的医学图像处理方法。
[0098]
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0099]
输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。
[0100]
输出装置204可包括显示屏等显示设备，例如，用户终端的显示屏，至少用于输出预设血流参数，和/或，预设血流参数的分布。
[0101]
实施例五
[0102]
本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种医学图像处理方法，该方法包括：
[0103]
根据在不同时间点采集的多组动态增强ct图像，确定用于为目标部位供血的动脉血管的动脉输入函数和所述动脉血管对应的单个体素的衰减系数增强信息；
[0104]
将所述动脉输入函数和所述衰减系数增强信息输入预设估计模型以得到所述目标部位的预设血流参数，所述预设血流参数包括血流速和平均流过时间，所述预设估计模型是基于盒型衰减函数构建的。
[0105]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的医学图像处理方法中的相关操作。
[0106]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read
‑
only memory，简称rom)、随机存取存储器(random access memory，简称ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的医学图像处理方法。
[0107]
值得注意的是，上述医学图像处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0108]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还
可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。