基于深度神经网络的早产儿视网膜病变检测方法及装置与流程

本发明涉及图像处理领域，具体而言，涉及基于深度神经网络的早产儿视网膜病变检测方法及装置。

背景技术：

早产儿视网膜病变(retinopathyofprematurity，rop)是主要发生在早产儿或低体重儿的一种视网膜血管增生性病变，随着新生儿重症监护室的普及以及重症监护技术的发展，早产儿和低体重儿存活率逐渐提高，发生rop的患儿也逐渐增多。rop对患儿的视力危害非常巨大，除视网膜变性、近视、弱视等，严重可导致患儿终身失明。目前，在部分医疗条件较好的医院，对有罹患rop风险的早产儿和低体重儿，通常的方法是用专业设备采集一组新生儿的眼底图像数据，为了对患儿的整个眼球进行观察，需要对患儿的眼底图像进行多角度采集，以便医生能够全面地观察患儿眼底的血管生长情况。完成眼底图像数据采集后，由专业眼科医生对这一组图像数据进行诊断，然而由于许多妇产医院缺乏专业眼科，即使能够进行眼底检查，也难以及时获得有经验的眼科医生的临床意见。因此，及时的筛查和治疗对预防rop致盲至关重要。

技术实现要素：

本发明提供的基于深度神经网络的早产儿视网膜病变检测方法及装置，旨在改善上述问题。

本发明提供的基于深度神经网络的早产儿视网膜病变检测方法，包括：

可选地，所述的将所述待处理图像数据按照预设比例划分为训练集和测试集，之前还包括：对每张所述眼底图像数据进行高通滤波，并将其缩放至预设规格的输入图像大小。

可选地，所述的建立深度神经网络模型，包括：建立包括有特征提取模块、特征绑定模块和分类模块的所述深度神经网络模型，其中，所述特征提取模块包括一个输入层和多个卷积结构，每个所述卷积结构由多个不同尺度的卷积层和池化层构成，所述特征绑定模块包括一个多尺度池化层，所述多尺度池化层在图像维度上对所述训练集中所携带的多个图像的特征进行绑定，所述分类模块包括一个多类别分类器。

可选地，所述的基于所述训练集训练所述深度神经网络模型，包括：基于旋转、裁剪和/或加噪声方法对所述眼底图像数据集进行增广操作，以获得比所述训练集更大的数据集合；对输入的所述图像数据，使用图像数据的三通道(rgb)灰度值作为深度神经网络的输入值；设计多类别分类器的性能函数，通过求解最优化问题来获得网络的权值矩阵；对所述深度神经网络模型进行前向计算，具体地，对一个l层的前馈神经网络，设其训练样本集合为x∈r^m×n，其中，m为单个样本的维度，n表示训练样本的个数，那么，第i个样本可表示为xi，设第l层的第j个神经元到l+1层的第k个神经元连接权值记为则第l层到l+1层的连接权值矩阵为w^(l)，设第l层上神经元的激活函数为f(·)，从输入层到输出层，不断进行前向计算，其过程为：其中，ai^(l)表示第l层神经元对于第i个样本的激活值，那么，网络输出层神经元的激活值为：ai^l＝f^(l-1)(w^(l-1).f^(l-2)(w^(l-2)…ai⁽⁰⁾))，最后一层的网络输出为设计性能函数ai⁽ⁿ⁾，所述设计性能函数满足：将前向计算所获得的一组图像的预测类别，与其真实所属类别相比对，使用所述性能函数来计算网络预测值与目标输出值的差异，并使用反向传播算法实现网络权值更新：直至网络收敛或达到规定的迭代次数为止。

可选地，所述的基于所述输出数据获取rop病变诊断结果，包括：获取所述输出数据所对应的类别；获取所述类别所对应的rop病变信息；基于所述rop病变信息获取rop病变诊断结果。

本发明提供的基于深度神经网络的早产儿视网膜病变检测装置，包括：数据采集单元，用于采集多张眼底图像数据；第一数据处理单元，用于基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据；第二数据处理单元，用于将所述待处理图像数据按照预设比例划分为训练集和测试集；模型建立单元，用于建立深度神经网络模型；模型训练单元，用于基于所述训练集训练所述深度神经网络模型；第三数据处理单元，用于将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据；识别单元，用于基于所述输出数据获取rop病变诊断结果。

可选地，所述第二数据处理单元，之前还包括：预处理单元，用于对每张所述眼底图像数据进行高通滤波，并将其缩放至预设规格的输入图像大小。

可选地，所述模型建立单元具体用于：建立包括有特征提取模块、特征绑定模块和分类模块的所述深度神经网络模型，其中，所述特征提取模块包括一个输入层和多个卷积结构，每个所述卷积结构由多个不同尺度的卷积层和池化层构成，所述特征绑定模块包括一个多尺度池化层，所述多尺度池化层在图像维度上对所述训练集中所携带的多个图像的特征进行绑定，所述分类模块包括一个多类别分类器。

可选地，所述模型训练单元具体用于：基于旋转、裁剪和/或加噪声方法对所述眼底图像数据集进行增广操作，以获得比所述训练集更大的数据集合；对输入的所述图像数据，使用图像数据的三通道(rgb)灰度值作为深度神经网络的输入值；设计多类别分类器的性能函数，通过求解最优化问题来获得网络的权值矩阵；对所述深度神经网络模型进行前向计算，具体地，对一个l层的前馈神经网络，设其训练样本集合为x∈r^m×n，其中，m为单个样本的维度，n表示训练样本的个数，那么，第i个样本可表示为xi，设第l层的第j个神经元到l+1层的第k个神经元连接权值记为则第l层到l+1层的连接权值矩阵为w^(l)，设第l层上神经元的激活函数为f(·)，从输入层到输出层，不断进行前向计算，其过程为：其中，ai^(l)表示第l层神经元对于第i个样本的激活值，那么，网络输出层神经元的激活值为：ai^l＝f^(l-1)(w^(l-1)·f^(l-2)(w^(l-2)…ai⁽⁰⁾))，最后一层的网络输出为设计性能函数ai⁽ⁿ⁾，所述设计性能函数满足：将前向计算所获得的一组图像的预测类别，与其真实所属类别相比对，使用所述性能函数来计算网络预测值与目标输出值的差异，并使用反向传播算法实现网络权值更新：直至网络收敛或达到规定的迭代次数为止。

可选地，所述识别单元具体用于：获取所述输出数据所对应的类别；获取所述类别所对应的rop病变信息；基于所述rop病变信息获取rop病变诊断结果。

上述本发明提供的基于深度神经网络的早产儿视网膜病变检测方法及装置，通过先采集多张眼底图像数据，再基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据；接着再将所述待处理图像数据按照预设比例划分为训练集和测试集；再建立深度神经网络模型；再基于所述训练集训练所述深度神经网络模型；再将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据；最后基于所述输出数据获取rop病变诊断结果。从而可以减少人力资源，提高检测效率，省去了眼科医生的一部分工作，为临床检测早产儿视网膜病变有重要的指导意义。并且当所采集的图像质量较低时，工作人员不需要进行其他的图像预处理，也能够正确诊断出rop病变。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的一种电子设备的结构框图；

图2是本发明第一实施例提供的基于深度神经网络的早产儿视网膜病变检测方法的流程图；

图3是本发明第二实施例提供的基于深度神经网络的早产儿视网膜病变检测方法的流程图；

图4是本发明第三实施例提供的基于深度神经网络的早产儿视网膜病变检测装置的功能模块示意图；

图5是本发明第四实施例提供的基于深度神经网络的早产儿视网膜病变检测装置的功能模块示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

如图1所示，为本发明实施例提供的一种电子设备的结构框图。所述电子设备300包括基于深度神经网络的早产儿视网膜病变检测装置、存储器302、存储控制器303、处理器304及外设接口305。

所述存储器302、存储控制器303、处理器304及外设接口305各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于深度神经网络的早产儿视网膜病变检测装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器302中或固化在所述电子设备300的操作系统(operatingsystem，os)中的软件功能模块。所述处理器304用于执行存储器302中存储的可执行模块，例如所述基于深度神经网络的早产儿视网膜病变检测装置包括的软件功能模块或计算机程序。

其中，存储器302可以是，但不限于，随机存取存储器(randomaccessmemory，ram)，只读存储器(readonlymemory，rom)，可编程只读存储器(programmableread－onlymemory，prom)，可擦除只读存储器(erasableprogrammableread－onlymemory，eprom)，电可擦除只读存储器(electricerasableprogrammableread－onlymemory，eeprom)等。其中，存储器302用于存储程序，所述处理器304在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器100所执行的方法可以应用于处理器304中，或者由处理器304实现。

处理器304可能是一种集成电路芯片，具有信号的处理能力。上述的处理器304可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述外设接口305将各种输入/输入装置耦合至处理器304以及存储器302。在一些实施例中，外设接口305、处理器304以及存储控制器303可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

请参阅图2，是本发明第一实施例提供的基于深度神经网络的早产儿视网膜病变检测方法的流程图。下面将对图2所示的具体流程进行详细阐述。

步骤s101，采集多张眼底图像数据。

其中，所述多张眼底图像数据可以是历史图像数据。其中，具体的张数可以根据实际使用进行选取，在此，不作具体限定。

其中，所述眼底图像数据可以是彩色的眼底图像。

步骤s102，基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据。

作为一种实施方式，患儿的每次检查时，设备将分别对患儿的左右眼采集数张(通常大于5张)不同角度的彩色图像，将某个患儿的单次检查的单眼的数张图像作为一组图像数据，然后通过专业的眼科医生对每组图像数据进行是否发生rop(retinopathyofprematurity，早产儿视网膜病变)病变标注。

步骤s103，将所述待处理图像数据按照预设比例划分为训练集和测试集。

在本实施例中，所述预设比例可以是2：1，也可以是3：1，或者是4：1，优选地，所述预设比例为4：1。

步骤s104，建立深度神经网络模型。

作为一种实施方式，建立包括有特征提取模块、特征绑定模块和分类模块的所述深度神经网络模型，其中，所述特征提取模块包括一个输入层和多个卷积结构，每个所述卷积结构由多个不同尺度的卷积层和池化层构成，所述特征绑定模块包括一个多尺度池化层，所述多尺度池化层在图像维度上对所述训练集中所携带的多个图像的特征进行绑定，所述分类模块包括一个多类别分类器。

其中，特征提取模块的输入神经元的维度与预处理后的图像维度一致。再通过特征绑定模块来融合多张图像的特征。融合后的特征被进一步处理，进而得到抽象程度更高的特征，并得到最终的识别结果。

步骤s105，基于所述训练集训练所述深度神经网络模型。

作为一种实施方式，先基于旋转、裁剪和/或加噪声方法对所述眼底图像数据集进行增广操作，以获得比所述训练集更大的数据集合；再对输入的所述图像数据，使用图像数据的三通道(rgb)灰度值作为深度神经网络的输入值，输出层输出两个不同类别，从而通过对类别进行编码，例如，第i个图像样本属于第1类，那么，其目标输出表示为di＝[1,0]^t，反之，其目标输出表示为di＝[0,1]^t；并设计多类别分类器的性能函数，通过求解最优化问题来获得网络的权值矩阵；以及对所述深度神经网络模型进行前向计算，具体地，对一个l层的前馈神经网络，设其训练样本集合为x∈r^m×n，其中，m为单个样本的维度，n表示训练样本的个数，那么，第i个样本可表示为xi，设第l层的第j个神经元到l+1层的第k个神经元连接权值记为则第l层到l+1层的连接权值矩阵为w^(l)，设第l层上神经元的激活函数为f(·)，从输入层到输出层，不断进行前向计算，其过程为：

其中，ai^(l)表示第l层神经元对于第i个样本的激活值，那么，网络输出层神经元的激活值为：

ai^l＝f^(l-1)(w^(l-1)·f^(l-2)(w^(l-2)…ai⁽⁰⁾))，

最后一层的网络输出为设计性能函数ai⁽ⁿ⁾，所述设计性能函数满足：

将前向计算所获得的一组图像的预测类别，与其真实所属类别相比对，使用所述性能函数来计算网络预测值与目标输出值的差异，并使用反向传播算法实现网络权值更新：

直至网络收敛或达到规定的迭代次数为止。

步骤s106，将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据。

步骤s107，基于所述输出数据获取rop病变诊断结果。

请参阅图3，是本发明第二实施例提供的基于深度神经网络的早产儿视网膜病变检测方法的流程图。下面将对图3所示的具体流程进行详细阐述。

步骤s201，采集多张眼底图像数据。

步骤s202，基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据。

步骤s201至步骤s202的具体实施方式请参照第一实施例中对应的步骤，在此，不再赘述。

步骤s203，对每张所述眼底图像数据进行高通滤波，并将其缩放至预设规格的输入图像大小。

其中，所述预设规格可以根据实际需求进行选取，在此，不作具体限定。例如，所述规格可以是200×200，或者是100×500。

步骤s204，将所述待处理图像数据按照预设比例划分为训练集和测试集。

步骤s205，建立深度神经网络模型。

步骤s206，基于所述训练集训练所述深度神经网络模型。

步骤s207，将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据。

步骤s208，基于所述输出数据获取rop病变诊断结果。

步骤s203至步骤s208的具体实施方式请参照第一实施例中对应的步骤，在此，不再赘述。

请参阅图4，是本发明第三实施例提供的基于深度神经网络的早产儿视网膜病变检测装置的功能模块示意图。所述基于深度神经网络的早产儿视网膜病变检测装置400包括数据采集单元410、第一数据处理单元420、第二数据处理单元430、模型建立单元440、模型训练单元450、第三数据处理单元460和识别单元470。

数据采集单元410，用于采集多张眼底图像数据。

第一数据处理单元420，用于基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据。

第二数据处理单元430，用于将所述待处理图像数据按照预设比例划分为训练集和测试集。

模型建立单元440，用于建立深度神经网络模型。

其中，所述模型建立单元440具体用于：建立包括有特征提取模块、特征绑定模块和分类模块的所述深度神经网络模型，其中，所述特征提取模块包括一个输入层和多个卷积结构，每个所述卷积结构由多个不同尺度的卷积层和池化层构成，所述特征绑定模块包括一个多尺度池化层，所述多尺度池化层在图像维度上对所述训练集中所携带的多个图像的特征进行绑定，所述分类模块包括一个多类别分类器。

模型训练单元450，用于基于所述训练集训练所述深度神经网络模型。

其中，所述模型训练单元450具体用于：基于旋转、裁剪和/或加噪声方法对所述眼底图像数据集进行增广操作，以获得比所述训练集更大的数据集合；对输入的所述图像数据，使用图像数据的三通道(rgb)灰度值作为深度神经网络的输入值；设计多类别分类器的性能函数，通过求解最优化问题来获得网络的权值矩阵；对所述深度神经网络模型进行前向计算，具体地，对一个l层的前馈神经网络，设其训练样本集合为x∈r^m×n，其中，m为单个样本的维度，n表示训练样本的个数，那么，第i个样本可表示为xi，设第l层的第j个神经元到l+1层的第k个神经元连接权值记为则第l层到l+1层的连接权值矩阵为w^(l)，设第l层上神经元的激活函数为f·，从输入层到输出层，不断进行前向计算，其过程为：其中，ai^(l)表示第l层神经元对于第i个样本的激活值，那么，网络输出层神经元的激活值为：ai^l＝f^(l-1)(w^(l-1)·f^(l-2)(w^(l-2)…ai⁽⁰⁾))，最后一层的网络输出为设计性能函数ai⁽ⁿ⁾，所述设计性能函数满足：将前向计算所获得的一组图像的预测类别，与其真实所属类别相比对，使用所述性能函数来计算网络预测值与目标输出值的差异，并使用反向传播算法实现网络权值更新：直至网络收敛或达到规定的迭代次数为止。

第三数据处理单元460，用于将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据。

识别单元470，用于基于所述输出数据获取rop病变诊断结果。

其中，所述识别单元470具体用于：获取所述输出数据所对应的类别；获取所述类别所对应的rop病变信息；基于所述rop病变信息获取rop病变诊断结果。

请参阅图5，是本发明第四实施例提供的基于深度神经网络的早产儿视网膜病变检测装置的功能模块示意图。所述基于深度神经网络的早产儿视网膜病变检测装置500包括数据采集单元510、第一数据处理单元520、预处理单元530、第二数据处理单元540、模型建立单元550、模型训练单元560、第三数据处理单元570和识别单元580。

数据采集单元510，用于采集多张眼底图像数据。

第一数据处理单元520，用于基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据。

预处理单元530，用于对每张所述眼底图像数据进行高通滤波，并将其缩放至预设规格的输入图像大小。

第二数据处理单元540，用于将所述待处理图像数据按照预设比例划分为训练集和测试集。

模型建立单元550，用于建立深度神经网络模型。

其中，所述模型建立单元550具体用于：建立包括有特征提取模块、特征绑定模块和分类模块的所述深度神经网络模型，其中，所述特征提取模块包括一个输入层和多个卷积结构，每个所述卷积结构由多个不同尺度的卷积层和池化层构成，所述特征绑定模块包括一个多尺度池化层，所述多尺度池化层在图像维度上对所述训练集中所携带的多个图像的特征进行绑定，所述分类模块包括一个多类别分类器。

模型训练单元560，用于基于所述训练集训练所述深度神经网络模型。

其中，所述模型训练单元560具体用于：基于旋转、裁剪和/或加噪声方法对所述眼底图像数据集进行增广操作，以获得比所述训练集更大的数据集合；对输入的所述图像数据，使用图像数据的三通道(rgb)灰度值作为深度神经网络的输入值；设计多类别分类器的性能函数，通过求解最优化问题来获得网络的权值矩阵；对所述深度神经网络模型进行前向计算，具体地，对一个l层的前馈神经网络，设其训练样本集合为x∈r^m×n，其中，m为单个样本的维度，n表示训练样本的个数，那么，第i个样本可表示为xi，设第l层的第j个神经元到l+1层的第k个神经元连接权值记为则第l层到l+1层的连接权值矩阵为w^(l)，设第l层上神经元的激活函数为f(·)，从输入层到输出层，不断进行前向计算，其过程为：其中，ai^(l)表示第l层神经元对于第i个样本的激活值，那么，网络输出层神经元的激活值为：ai^l＝f^(l-1)(w^)l-1)·f^(l-2)(w^(l-2)…ai⁽⁰⁾))，最后一层的网络输出为设计性能函数ai⁽ⁿ⁾，所述设计性能函数满足：将前向计算所获得的一组图像的预测类别，与其真实所属类别相比对，使用所述性能函数来计算网络预测值与目标输出值的差异，并使用反向传播算法实现网络权值更新：直至网络收敛或达到规定的迭代次数为止。

第三数据处理单元570，用于将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据。

识别单元580，用于基于所述输出数据获取rop病变诊断结果。

其中，所述识别单元580具体用于：获取所述输出数据所对应的类别；获取所述类别所对应的rop病变信息；基于所述rop病变信息获取rop病变诊断结果。

综上所述，本发明提供的基于深度神经网络的早产儿视网膜病变检测方法及装置，通过先采集多张眼底图像数据，再基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据；接着再将所述待处理图像数据按照预设比例划分为训练集和测试集；再建立深度神经网络模型；再基于所述训练集训练所述深度神经网络模型；再将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据；最后基于所述输出数据获取rop病变诊断结果。从而可以减少人力资源，提高检测效率，省去了眼科医生的一部分工作，为临床检测早产儿视网膜病变有重要的指导意义。并且当所采集的图像质量较低时，工作人员不需要进行其他的图像预处理，也能够正确诊断出rop病变。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，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装置、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方式中，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。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read－onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。