用于医学图像中分割不确定度的计算和可视化的系统和方法与流程

本发明一般地涉及医学图像中不确定度，并且更特别地涉及医学图像中分割(segmentation)不确定度的计算和可视化。

如今许多临床应用依赖于用于生理和功能的量化的几何模型。在标准设置中，这些模型从二维(2D)，三维(3D)和3D加时间(3D+t)的医学图像生成。基于估计的模型，临床相关测量被计算并用于诊断和干预计划。例如，在经导管主动脉瓣膜植入术(TAVI)计划期间，3D计算断层扫描(CT)或经食管超声心动(TEE)图像被获取。基于3D图像，患者特定的主动脉瓣表面模型可被提取并且植入物尺寸的距离测量被得到。然而，由于由具有类似成像响应的邻近组织引起的图像噪声和不清楚的边界，部分模型边界可能存在噪声，模糊，或具有信号丢失。在这些情况下正确地描绘解剖学边界常常是挑战性的。因此，测量仅仅从继承自模型本身的不确定度的几何模型得到，可能产生次优的诊断和计划数据。在TAVI的示例中，如果主动脉瓣环面处的图像模糊或具有信号丢失，若仅使用表面模型则植入物的尺寸可能是次优的。

技术实现要素：

根据实施例，用于计算不确定度的系统和方法包括从患者的医学成像数据生成目标解剖对象的表面模型。不确定度在该表面模型多个顶点中的每一个处被估计。在该多个顶点中的每一个处估计的不确定度在该表面模型上被可视化。

在一个实施例中，在该表面模型多个顶点中的每一个处估计不确定度包括：为该多个顶点中的每一个估计沿表面法线的点的范围，并且使不确定度分布适合于为该多个顶点中的每一个所估计的点的范围。点的范围可对应于概率分布，该概率分布指示点的范围中的每个点精确标识图像边界的概率。为多个顶点中的每一个估计沿该表面法线的点的范围可包括使用受过训练的分类器来检测点的范围和定义点的范围中的至少一个。该不确定度分布可以是高斯分布。

在一个实施例中，该不确定度通过为多个顶点中的至少一个的点的范围定义最小值和最大值来改进。

在一个实施例中，生成该目标解剖对象的表面模型包括使用基于边际空间学习的分割来分割该目标解剖对象。使用基于边际空间学习的分割来分割该目标解剖对象可包括：使用边际空间学习检测在该医学成像数据中封装该目标解剖对象的边界框，检测该边界框内目标解剖对象的解剖标志(landmark)，并且使该目标解剖对象的表面模型适合于所检测的解剖标志。

在一个实施例中，可视化在该表面模型上的多个顶点中的每一个处所估计的不确定度可包括：基于该多个顶点中的每一个的颜色表示不确定度等级，其中该不确定度等级基于该不确定度分布的标准偏差。

在一个实施例中，该患者的测量基于该表面模型和不确定度来计算。该测量可以被表示为基于该表面模型和不确定度的测量的范围、以及具有相关联的置信区间的标准偏差值和平均值中的至少一个。

本发明的这些和其他优点将通过参考如下详细描述和附图而对本领域普通技术人员变得显而易见。

附图说明

图1示出了根据一个实施例的用于计算分割不确定度的高级框架；

图2示出了根据一个实施例的用于计算医学成像数据中的不确定度的系统；

图3示出了根据一个实施例的基于多个空间学习的框架的概览，该框架用于生成目标解剖对象的表面模型；

图4举例说明了根据一个实施例的从成像数据生成的主动脉瓣的示例性表面模型；

图5举例说明了根据一个实施例的用于计算不确定度的分类器输出的示例性可视化；

图6示出了根据一个实施例的量化不确定度的概览；

图7举例说明了根据一个实施例的具有覆盖的不确定度的示例性表面模型；

图8举例说明了根据一个实施例的基于不确定度的主动脉瓣环面的直径的示例性计算；

图9示出了根据一个实施例的用于计算医学成像数据中的不确定度的方法；以及

图10示出了根据一个实施例的计算机的高级框图，该计算机用于计算医学成像数据中的不确定度。

具体实施方式

本发明一般地涉及在医学图像中分割不确定度的计算和可视化。在本文中描述本发明的实施例以给出用于计算和可视化医学图像中分割不确定度的方法的视觉理解。数字图像常常由一个或多个对象(或形状)的数字表示组成。对象的数字表示常常在本文中在标识和操作对象方面加以描述。此类操作是在计算机系统的存储器或其他电路/硬件中实现的虚拟操作。因此，应当理解本发明的实施例可使用存储于计算机系统内的数据而在计算机系统内加以执行。

图1示出了根据一个或多个实施例的用于计算分割不确定度的高级框架100。框架100使用医学成像数据生成具有相关联的不确定度的感兴趣的患者解剖区域的表面模型。应当理解，尽管本文讨论的实施例可被讨论用于计算医学成像数据中的不确定度，但本原理不限于此。本发明的实施例可被采用以计算任何成像数据的不确定度。

参考图1，受实验者(例如，患者)的感兴趣区域的成像数据102被接收。成像数据可以来自任何形式的成像设备，诸如，例如，计算断层扫描(CT)，超声波(US)，磁共振成像(MRI)等。感兴趣区域可以是患者的目标解剖对象。

使用成像数据102生成目标解剖对象的表面模型104。表面模型104可以是目标解剖对象的3D表面模型。可以使用任何分割算法生成表面模型104。在一个实施例中，使用基于边际空间学习(MSL)的分割生成表面模型104。

不确定度106在表面模型104上被估计。在一个实施例中，为表面模型104的每个顶点估计不确定度，以使用任何基于机器学习的算法来计算可接受边界点的范围，诸如，例如，利用图像特征训练的概率渐近树分类器。可接受边界点的范围对应于概率分布，该概率分布指示可接受边界点的范围中的每个点精确标识图像边界的概率。通过使不确定度分布(例如，高斯分布)适合于可接受边界点的范围来量化不确定度106。

可视化108被提供具有在表面模型104上覆盖的不确定度106。每个体素的不确定度等级可以在表面模型104上被可视地表示。例如，在一个实施例中，不同的颜色可表示不同的不确定度等级。

目标解剖对象的临床测量110可使用表面模型104和不确定度106加以计算。临床测量110可包括直径，面积，距离，或任何其他测量。例如，临床测量110可包括基于不确定度106的值的范围，而不是单个值。

有利地，框架100可以被用于量化，诊断，治疗计划和干预引导。框架100使得用户(例如，医师)能够可视化患者的解剖目标对象的表面模型的每个点处的不确定度。

图2示出了根据一个或多个实施例的系统200的详细视图，该系统用于计算医学成像数据中的不确定度。系统200包括与一个或多个处理器204交互的数据存储设备202。应当理解，系统200还可包括附加的元件，诸如，例如，输入/输出接口，通信接口等。

系统200从图像获取设备206接收受实验者的目标对象的成像数据208作为输入。成像数据208优选地为患者的感兴趣目标解剖对象的医学成像数据。图像获取设备206可以为任何成像形式，诸如，例如，CT，US，MRI等。成像数据208可以包括二维(2D)成像数据，3D成像数据，3D加时间(3D+t)成像数据，或任何其他合适的成像数据。在一个实施例中，成像数据208由系统200直接从对患者成像的图像获取设备206接收。在另一实施例中，成像数据208通过加载使用图像获取设备206获取的先前存储的患者的成像数据来接收。

模型生成模块210被配置成从成像数据208生成目标解剖对象的表面模型。生成的表面模型可以是3D表面模型。模型生成模块210可应用任何分割算法来生成表面模型。例如，基于边际空间学习(MSL)的框架可被采用以生成表面模型。为有效地处理解剖复杂度，表面模型可通过检测在成像数据208中封装目标解剖对象的边界框，在目标解剖对象上标识关键解剖标志，并使包括详细表面网格的完整表面模型适合于解剖标志以生成患者特定的表面模型而被分层次地加以构造。

图3示出了根据一个或多个实施例的基于MSL的框架的概览，该框架用于使用基于机器学习的算法生成目标解剖对象的表面模型。尽管在图3中示出的目标解剖对象为主动脉瓣，应当理解目标解剖对象可以是任何感兴趣对象(例如，肝脏，左心室等)。

定义主动脉瓣的初始姿态的边界框302，通过使用基于MSL的3D对象检测被首先从成像数据208中检测。MSL通过操作于渐增维度的子空间中，提供有效技术用于学习高维模型和快速在线搜索。因此，MSL的思想是在边际空间序列中增量式学习分类器。随着维度增加，有效空间区域由先前的边际空间分类器变得更加受限。3D对象检测(全局位置估计)被分成三个步骤：对象位置估计，位置方向估计和位置方向尺度估计。独立的分类器基于这些步骤(例如，在离线步骤中)中的每一个的注释训练数据加以训练。每一个分类器可基于一组注释训练数据使用概率渐近树(PBT)结合哈尔(Haar)和/或可操纵特征来训练。这导致估计的仿射变换(位置，方向和尺度)，定义边界框作为成像数据208中主动脉瓣模型的全局位置的过程表示。应当理解，任何基于机器学习的算法都可以被采用，诸如，例如，深度学习方法。

一旦在成像数据208中检测到边界框302，就从边界框302内的成像数据208中检测解剖标志304。解剖标志304为主动脉瓣上的点，其具有解剖意义。例如，解剖标志304可以包括主动脉瓣接合组织，主动脉瓣铰合部，主动脉根等。解剖标志304包括标志I1，...，I6，其使用相应受过训练的标志检测器在成像数据208中被检测。解剖标志304可包括任何数量的解剖标志，诸如，例如，5至15个解剖标志。独立标志检测器被训练用于解剖标志中的每一个。在一个实施例中，每一个标志检测器使用基于注释训练数据的哈尔特征被训练为PBT分类器。受过训练的标志检测器在边界框302的更小的子空间中搜索相应的标志，而不是在成像数据208中的整个图像空间中搜索。因此，可以在比全局本地化更精细的分辨率上执行标志检测。

主动脉瓣的表面模型306适合于解剖标志304以提供患者特定的表面模型。表面模型306可包括具有任何数量的表面点的主动脉瓣的详细表面网格表示。例如，表面模型306可包括，例如，数百至数千个表面点(未示出)。适合于解剖标志304的表面模型306提供了患者特定的主动脉瓣模型。每个解剖标志205和每个表面点为患者特定的主动脉瓣模型上的顶点。

在一个实施例中，此类基于MSL的框架可使用描述于通过引用整体并入本文的美国专利号为8,934,693，标题为“用于来自3D计算断层扫描数据的经导管主动脉瓣植入的干预计划的方法和系统”的美国专利中的方法被加以采用。

图4举例说明了根据一个或多个实施例从成像数据208生成的主动脉瓣的示例性表面模型400。主动脉瓣的表面模型400以主动脉瓣根和三个小叶示出。主动脉瓣的表面模型400从3D CT成像数据生成。图4包括主动脉瓣的表面模型400的顶视图402，底视图404和侧视图406。

回到图2，不确定度确定模块212被配置成在表面模型的每个顶点处估计不确定度，以提供不确定度模型。表面模型中的不确定度可由于例如，图像边界被不清晰地描绘或不存在(例如，来自经食管超声心动图中的信号丢失)，或可由于图像边界在特定范围中具有多个响应。

不确定度确定模块212为每个顶点确定沿表面法线的可接受边界点的范围。在一个实施例中，利用提取自一组注释训练数据的图像特征训练的分类器，诸如，例如，PBT分类器，被采用以确定每个顶点的可接受边界点的范围。每个顶点对应于分割表面边界上的点。受过训练的分类器检测点沿每个点处的表面法线的概率。可接受边界点的范围基于由分类器确定(例如，与阈值比较)的概率值来定义。可接受边界点的范围可对应于概率分布，该概率分布指示可接受边界点的范围中的每个点精确标识图像边界的概率。在一些实施例中，用户可定义可接受边界点的范围。

图5举例说明了根据一个或多个实施例的用于计算不确定度的分类器输出的示例性可视化500。可视化500包括主动脉瓣环面的示例502，504和506。列508示出了主动脉瓣环面轮廓514的CT图像。列510示出了概率地图，包括对应于概率分布(例如，由分类器作为输出)的主动脉瓣边界位置的加亮部分516。列512示出了概率地图和CT图像的融合图像。

不确定度确定模块212通过使相应的不确定度分布适合于为每个顶点确定的可接受边界点的范围来量化不确定度。特别地，每个顶点的不确定度分布适合于与该顶点的可接受边界点的范围相关联的概率分布。在一个实施例中，不确定度分布可以是高斯分布。其他分布也可被采用。

图6示出了根据一个或多个实施例的量化不确定度的概览600。如上所讨论，分类器确定对应于沿主动脉瓣表面模型602的特定顶点p_n的表面法线的点的范围的概率分布606。概率分布606对应于沿顶点p_n表面法线的点的范围中的每个点标识图像边界的概率。如由延伸自表面模型602自顶向下视图604中的顶点p_n的箭头示出，沿顶点p_n表面法线的点的范围可从顶点p_n在瓣膜内部或瓣膜外部。高斯分布608适合于顶点p_n的可接受边界点的范围的概率分布606。均值μ和标准偏差σ可提取自高斯分布608。因此，表示顶点p_n的不确定度的值可按照以下公式(1)计算。

不确定度

在一个实施例中，用户可通过为沿每个顶点的表面法线的可接受边界点的范围定义最小值和最大值来进一步改进不确定度模型。一维(1D)高斯分布可基于为每个顶点定义的最小可接受边界点p_min和最大可接受边界点p_max而适合于可接受边界点的范围。高斯分布的均值位于边界点处(即，顶点)而标准偏差定义置信区间。表示表面模型中的不确定度的值可基于用户定义的可接受边界点的范围按照以下公式(2)计算。

不确定度

$p_n=\frac{p_{min}+p_{max}}{2},\mathrm{\σ}=\frac{\left|\right|p_{\max }-p_n\left|\right|}{2}---\left(2\right).$

在一个实施例中，不确定度模型可以被反馈至分割算法，用于训练用于分割成像数据中的对象的基于机器学习的分类器。例如，具有高确定度的区域可被选择用于训练，而不确定的区域在判别式学习管线中可不被选择为正数。

回到图2，可视化模块214被配置成在表面模型上生成不确定度的可视化。例如，不确定度可以被覆盖在每个顶点的表面模型上方。不确定度等级可以在每个顶点的表面模型上被视觉地区分。不确定度等级可基于标准偏差或高斯分布的方差。在一个实施例中，不确定度可使用对应于不确定度的不同等级的不同颜色在表面模型上加以表示。应当理解，还可以在本原理的环境内采用任何其他可视区分来表示不确定度等级。

图7举例说明了根据一个或多个实施例的具有覆盖的不确定度的示例性表面模型700。表面模型700包括顶视图702，底视图704和侧视图706。不确定度被可视地表示于表面模型700上，例如，通过颜色或阴影。例如，尽管图7中的表面模型700被以黑色和白色示出，但表面模型700可包括表示不同边界轮廓不确定度等级的指定的颜色或阴影。例如，表面模型700可利用指示高边界轮廓不确定度的红色部分和指示可信(confidant)边界位置的蓝色部分来可视化。

在一个实施例中，可视化模块214可沿不确定度制作网格动画，以使得可能的分割解决方案能够可视化。例如，在干预期间，用户可基于在干预期间获取的附加信息(例如，对比度，新的图像等)选择一个模型，因此进一步降低不确定度并改进决策过程。

测量计算模块216被配置成基于不确定度计算表面模型上的对象的测量。例如，表面模型上的对象的直径，面积，距离，或任何其他测量可考虑不确定度而加以计算。基于不确定度计算的参数可以被表示为值的范围。在一些实施例中，参数可以被表示为具有百分比置信区间的均值加或减标准偏差。

在一个实施例中，表面模型上的对象的测量基于不确定度被表示为最小值和最大值之间的值的范围。在其他实施例中，表面模型上的对象的测量可以被概率式地计算。例如，最小和最大距离可基于不确定度针对给定置信区间(例如，95％置信度)来估计。在另一实施例中，随机方法可以被应用，其中点配置可基于不确定度表面模型而得出。用于基于不确定度计算表面模型上的对象的参数的其他方法也可以被采用。

图8举例说明了根据一个或多个实施例的基于不确定度的主动脉瓣环面直径的示例性计算800。不确定度表面模型802被用于计算主动脉瓣环面的直径范围。主动脉瓣环面的最小直径d1(被示出为图8中的虚线)和最大直径d2(被示出为图8的实线)基于不确定度来估计，在视图804中示出。主动脉瓣的直径范围806被提供为从最小直径d1到最大直径d2的值的范围(例如，8mm至12mm)。

有利地，系统200确定与表面模型的每个顶点相关联的不确定度。基于估计的不确定度，用户(例如，医师)可改变用于量化和干预计划的常规的工作流。例如，在测量用于TAVI植入尺寸的情况下，如果不确定度小于0.5mm，医师可继续进行当前测量用于测量尺寸(当设备进入3mm的范围时)。然而，如果不确定度大于2mm，医师可决定重新对目标解剖对象进行成像(例如，使用不同的形式)。

图9示出了根据一个或多个实施例的方法900，用于计算医学成像数据中的不确定度。在步骤902处，接收患者的目标解剖对象的医学成像数据。医学成像数据可为任何形式，诸如，例如，CT，US，MRI等。医学成像数据优选地包括3D成像数据，但可包括任何合适的成像数据。医学成像数据可直接从图像获取设备接收或可通过加载先前存储的医学成像数据加以接收。

在步骤904处，目标解剖对象的表面模型是从医学成像数据生成的。表面模型可以是目标解剖对象的3D表面模型。表面模型可使用任何分割算法生成，诸如，例如，以上结合图3描述的基于MSL的框架。例如，表面模型可通过首先使用MSL和任何受过训练的基于机器学习算法，诸如，例如，PBT检测边界框来生成，作为目标解剖对象的过程表示。然后可以使用受过训练的标志检测器在医学成像数据中的边界框内标识目标解剖对象的解剖标志。目标解剖对象的表面模型然后适合于解剖标志，以提供患者特定的表面模型。表面模型包括表面网格，该表面网格包括表面点。解剖标志和表面点为表面模型的顶点。

在步骤906处，不确定度在表面模型的多个顶点中的每一个处被估计。在一个实施例中，受过训练的分类器(例如，PBT分类器)确定沿每个顶点的表面法线的可接受边界点的范围。可接受边界点的范围可对应于概率分布，该概率分布指示由受过训练的分类器计算的可接受边界点的范围的每个点精确标识图像边界的概率。通过使相应的不确定度分布(例如，高斯分布)适合于为每个顶点确定的可接受边界点的范围的概率分布来量化不确定度。在一个实施例中，不确定度通过为一个或多个顶点的可接受边界点的范围定义最大值和最小值来改进。

在步骤908处，在多个顶点中的每一个处估计的不确定度在表面模型上被可视化。在每个顶点处的不确定度等级可被视觉地区分。例如，不同的颜色可被采用以表示不同的不确定度等级。不确定度等级可基于高斯分布的标准偏差(或方差)。

在步骤910处，目标解剖对象的临床测量基于表面模型和不确定度来计算。临床测量可包括直径，面积，距离，或其他任何测量。临床测量可以被表示为值的范围或被表示为具有百分比置信区间的均值加或减标准偏差。

本文描述的系统，设备和方法可使用数字电路，或使用一个或多个使用众所周知的计算机处理器，存储器单元，存储设备，计算机软件，以及其他组件的计算机实现。典型地，计算机包括用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。计算机还可包括，或耦合于，一个或多个大容量存储设备，诸如一个或多个磁盘，内部硬盘和可移除磁盘，磁光盘，光盘等。

本文描述的系统，设备和方法可使用操作于客户端服务器关系中的计算机实现。典型地，在此类系统中，客户端计算机离服务器计算机远程地定位并经由网络交互。客户端服务器关系可由运行于相应的客户端和服务器计算机上的计算机程序定义和控制。

本文描述的系统，设备和方法可实现于基于网络的云计算系统内。在此类基于网络的云计算系统中，连接于网络的服务器或另一处理器与一个或多个客户端计算机经由网络通信。客户端计算机可与服务器例如经由驻留和操作于客户端计算机上的网络浏览器应用相通信。客户端计算机可在服务器上存储数据并经由网络访问数据。客户端计算机可经由网络传输用于数据的请求，或用于在线服务的请求至服务器。服务器可执行请求的服务并提供数据至(一个或多个)客户端计算机。服务器还可传输数据，该数据适用于致使客户端计算机执行指定功能，例如，执行计算，在屏幕上显示指定数据等。例如，服务器可传输请求，该请求适用于致使客户端计算机执行本文描述的方法步骤中的一个或多个，包括图9步骤中的一个或多个。本文描述的方法的特定步骤，包括图9步骤中的一个或多个，可由服务器或基于网络的云计算系统中的另一处理器执行。本文描述的方法的特定步骤，包括图9步骤中的一个或多个，可由基于网络的云计算系统中的客户端计算机执行。本文描述的方法步骤，包括图9步骤中的一个或多个，可由服务器和/或基于网络的云计算系统中的客户端计算机以任何组合来执行。

本文描述的系统，设备和方法可使用有形地体现于信息载体中的计算机程序产品来实现，例如，在非暂时机器可读存储设备中，用于供可编程处理器执行；并且本文描述的方法步骤，包括图9步骤中的一个或多个，可使用一个或多个计算机程序实现，该一个或多个计算机程序可由此类处理器执行。计算机程序为一组计算机程序指令，其可直接或间接地被用在计算机中，以执行特定活动或带来特定结果。计算机程序可以任何形式的编程语言编写，包括编译或解释语言，并且该计算机程序可采用任何形式部署，包括作为独立程序或作为模块，组件，子例程，或适用于供在计算环境中使用的其他单元。

在图10中描绘了可被用来实现本文描述的系统，设备和方法的示例计算机的高级框图1000。计算机1002包括处理器1004，该处理器可被操作地耦合到数据存储设备1012和存储器1010。处理器1004通过执行定义此类操作的计算机程序指令控制计算机1002的总体操作。计算机程序指令可被存储于数据存储设备1012中，或被存储于其他计算机可读介质中，并当期望执行计算机程序指令时被加载到存储器1010中。因此，图9的方法步骤可由存储于存储器1010和/或数据存储设备1012中的计算机程序指令定义并由执行计算机程序指令的处理器1004控制。例如，计算机程序指令可被实现为由本领域技术人员编程的计算机可执行代码，以执行图1和图9的方法步骤和图2的模块。因此，通过执行计算机程序指令，处理器1004执行图1和图9的方法步骤以及图2的模块。计算机1002还可以包括一个或多个网络接口1006，用于经由网络与其他设备通信。计算机1002还可以包括一个或多个输入/输出设备1008，使得用户能够与计算机1002交互(例如，显示器，键盘，鼠标，扬声器，按钮等)。

处理器1004可以包括通用和专用微处理器二者，并可以是单独的处理器或计算机1002的多个处理器之一。处理器1004可以包括例如一个或多个中央处理单元(CPU)。处理器1004，数据存储设备1012和/或存储器1010可包括一个或多个专用集成电路(ASIC)和/或一个或多个现场可编程门阵列(FPGA)，或由其补充，或并入其中。

数据存储设备1012和存储器1010每一个包括有形的非暂时计算机可读存储介质。数据存储设备1012和存储器1010，每一个可以包括高速随机存取存储器，诸如动态随机存取存储器(DRAM)，静态随机存取存储器(SRAM)，双数据速率同步动态随机存取存储器(DDR RAM)，或其他随机存取固态存储器设备，并可以包括非易失性存储器，诸如一个或多个磁盘存储设备，诸如内部硬盘和可移除磁盘，磁光盘存储设备，光盘存储设备，闪存设备，半导体存储器设备，诸如可擦除可编程只读存储器(EPROM)，电可擦除可编程只读存储器(EEPROM)，压缩盘只读存储器(CD-ROM)，数字多样化只读存储器(DVD-ROM)磁盘，或其他非易失性固态存储设备。

输入/输出设备1008可以包括外围设备，诸如打印机，扫描仪，显示屏幕等。例如，输入/输出设备1008可以包括显示设备，诸如阴极射线管(CRT)或液晶显示(LCD)监视器，用于显示信息给用户，键盘和指点设备，诸如鼠标或轨迹球，通过其用户可提供输入至计算机1002。

本文讨论的任何或所有系统和设备，包括图2的系统200的元件，可使用一个或多个计算机诸如计算机1002加以实现。

本领域技术人员将认识到，实际计算机或计算机系统的实现可以具有其他结构并也可以包含其他组件，并且图10是此类计算机的组件中的一些的高级表示，用于说明目的。

在前的具体实施方式在各方面应被理解为说明性的和示例性的，而不是限制性的，而且本文公开的本发明的范围并非从具体实施方式来确定，而是从如根据专利法允许的所有方面所解释的权利要求来确定。应当理解，本文示出和描述的实施例仅说明本发明的原理，并且在不偏离本发明的范围和精神情况下可由本领域技术人员实现各种修改。在不偏离本发明的范围和精神的情况下本领域技术人员可以实现各种其他特征组合。