图像搜索系统及方法与流程

本申请涉及一种图像搜索系统及方法，尤其是基于提取待搜索图像的特征，并与图像数据库中的图像特征比较，从而提供与待搜索图像中相似的图像的系统与方法。

背景技术：

在进行相似图像搜索时，通常根据图像之间众多图像特征进行权衡和比较，从而得出与待搜索图像相似的结果。例如，临床上医生对肺结节进行诊断和评判时，通常根据众多肺结节相似度权衡，进而得出结节的诊断结果。为了获取与待搜索图像最为相似的图像，需要将待搜索图像特征与图像数据库中尽可以多的图像进行比较，最终找出最相似的图像，给出较客观的综合评判。随着时间和图像数目的增长，基于人眼的图像对比难以得到稳定的评判，因而需要一个能够较准确搜索待搜索图像与图像数据库库中相似的图像的检索系统与方法。

技术实现要素：

本申请的技术方案提供一种图像搜索方法及系统，解决图像检索中存在的效率、稳定性或准确性的问题。

本申请的一些实施例，提供了一种图像搜索方法。该方法包括以下操作中的一步或多步：获取第一图像，该第一图像包含第一区域；获取第二图像，该第二图像包含第二区域；获取第三图像，该第三图像包含第三区域；基于卷积神经网络算法，分别提取第一区域的第一组特征、第二区域的第二组特征及第三区域的第三组特征；计算与该第一组特征和该第二组特征相关的第一数据，及该第一组特征和该第三组特征相关的第二数据；根据该第一数据和该第二数据，对该第二图像和该第三图像进行排序。

在一些实施例中，该方法可以进一步包括设定第二参数，并提取与第二区域有关的第二特征集。该第二特征集可以包含第二组特征。该方法进一步包括基于该第二组特征，设定第一参数，并提取与第一区域有关的第一组特征。

在一些实施例中，从第二特征集中选择出第二组特征是基于特征选择算法。在一些实施例中，该特征选择算法是Correlation Based Feature Selection算法。

在一些实施例中，第一参数或第二参数可以包括卷积神经网络层级数目、卷积核大小、卷积核数目和产生的特征数目中至少一个。

在一些实施例中，卷积神经网络算法可以包括多层结构。

在一些实施例中，第一数据是基于第一组特征和第二组特征的特征之差产生。可选的，第二数据是基于第一组特征和第三组特征的特征之差产生。

在一些实施例中，该方法可以包括基于第一数据和第二数据，使用LambdaMART算法对第二图像和第三图像排序。在一些实施例中，该方法进一步包括根据该排序确定该第二图像或该第三图像。

在一些实施例中，该方法可以进一步包括使用计算机辅助诊断，在第一图像中定位第一区域。在一些实施例中，该方法可以进一步包括使用计算机辅助诊断，根据该第一区域，在第二图像中选择第二区域。

在一些实施例中，第一图像、第二图像或第三图像是二维图像或三维图像。

在一些实施例中，第一图像、第二图像或第三图像是PET图像、CT图像、SPECT图像、MRI图像、超声图像中至少一种。

根据本申请的一些实施例，提供了一种图像重建的系统。该系统可以包括一个图像获取装置。该图像获取装置可以获取第一图像、第二图像和第三图像，及在该第一图像、该第二图像和该第三图像中分别定位第一区域、第二区域和第三区域。该系统可以进一步包括一个图像分析装置。该图像分析装置可以包括特征提取模块。该特征提取模块可以提取该第一区域的第一组特征，提取该第二区域的第二组特征和该第三区域的第三组特征。该图像分析装置可以进一步包括特征分析模块。该特征分析模块可以计算该第一组特征和该第二组特征相关的第一数据，以及该第一组特征和该第三组特征相关的第二数据。该图像分析装置可以进一步包括排序模块。该排序模块可以基于该第一数据和该第二数据，对该第二图像和该第三图像进行排序。

在一些实施例中，图像获取装置进一步包含使用计算机辅助诊断，在第一图像中定位第一区域。在一些实施例中，该图像获取装置进一步包含使用计算机辅助诊断，在第二图像中定位第二区域。

在一些实施例中，第一组特征的提取可以基于第二组特征或第三组特征。

在一些实施例中，该特征选择模块可以提取第二区域有关的第二特征集，该第二特征集可以进一步包括该第二组特征。

在一些实施例中，该系统可以进一步包括一个特征选择模块。该特征选择模块可以基于特征选择算法从该第二特征集中选择获得该第二组特征，该特征选择算法可以包含Correlation Based Feature Selection算法。

在一些实施例中，特征分析模块可以基于该第一组特征和该第二组特征的特征之差产生第一数据。可选的，特征分析模块可以基于该第一组特征和该第三组特征的特征之差产生第二数据。

在一些实施例中，排序模块可以基于该第一数据和该第二数据，使用LambdaMART算法对第二图像和第三图像排序。

本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本披露的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。

本申请的技术方案提高了图像搜索时的速度、稳定性或准确性的至少一种。

附图说明

图1A是根据本申请的一些实施例所示的一种图像搜索系统的示意图；

图1B是根据本申请的一些实施例所示的计算设备配置的示意图；

图2是根据本申请的一些实施例所示的一种图像搜索的流程图；

图3是根据本申请的一些实施例所示的一种图像获取装置的示意图；

图4是根据本申请的一些实施例所示的一种图像获取流程图；

图5是根据本申请的一些实施例所示的一种图像分析装置的示意图；

图6是根据本申请的一些实施例所示的一种图像分析的流程图；

图7是根据本申请的一些实施例所示的一种ROI图像特征提取的流程图；

图8是根据本申请的一些实施例所示的一种采用卷积神经网络进行特征提取的流程图；以及

图9是根据本申请的一些实施例所示的一种存储装置的示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在以下描述中阐述了具体细节以便于充分理解本发明。但是本发明能够以多种不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广。因此本发明不受下面公开的具体实施方式的限制。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可以包含其它的步骤或元素。

本说明书所述的图像搜索系统和方法是指基于提取待搜索图像的特征，并与图像数据库中的图像特征比较，从而提供与待搜索图像中相似的图像。该图像搜索系统可以包括一个图像处理引擎、一个存储装置、一个输出装置和一个控制装置。

本申请的不同实施例可适用于多种领域，包括医学及其衍生科学技术(包括医疗器械诊断、医疗影像等)和图像处理领域(包括数学、物理、化学及化学工程、生物及生物工程、电子工程、通信系统、互联网、物联网、新闻媒介等领域中的图像处理)。本申请的不同实施例应用场景包括网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等一种或多种组合。以上对适用领域的描述仅仅是具体的示例，不应被视为是唯一可行的实施方案。显然，对于本领域的专业人员来说，在了解一种图像搜索方法和系统的基本原理后，可以在不背离这一原理的情况下，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变，但是这些修正和改变仍在以上描述的范围之内。例如，在本申请的一个实施例中，图像搜索系统100的待搜索图像可以是医学图像、新闻图像等种类。医学图像可以是正电子断层扫描(Positron Emission Tomography,PET)图像、单光子发射计算机断层扫描(Single-Photo Emission Comupted Tomography,SPECT)图像、电子计算机断层扫描(Computed Tomography,CT)图像、核磁共振(Magnetic Resonance Imaging,MRI)图像、超声图像或其他类似图像或组合。与此类似的替换或修正或改变，仍在本申请的保护范围之内。为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。

图1A是根据本申请的一些实施例所示的一种图像搜索系统100的示意图。如图1所述，图像搜索系统100可以包括一个用户界面110、一个图像处理引擎120、一个输出装置130、一个存储装置140和一个控制装置150。图1所述图像搜索系统100仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据图像搜索系统100的描述做出修改、增添和删减。例如，其中两个装置可以结合为一个设备，或者其中一个装置可以分别在两个或多个设备上。在一些实施例中，多个装置可以存在于一个计算设备上(如电脑、手机、可穿戴计算设备等)。在一些实施例中，多个装置可以通过网络联系在一起。所述网络可以包括局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等一种或多种组合。

用户界面110可以接收数据，以及将所接收的数据传输到图像搜索系统100的其它部分。在一些实施例中，用户界面110可以接收用户对图像处理引擎120的设定参数，例如，接收用户对图像处理引擎120的设定算法。在一些实施例中，用户界面110可以传输图像到图像获取装置121中。用户界面110可以包含一种或多种通信终端。所述通信终端可以是手机、个人电脑、可穿戴设备、平板电脑、智能电视等，或则上述通信终端的任意组合。

图像处理引擎120可以获取与待搜索图像相似的图像。图像处理引擎120可以包括一个图像获取装置121和一个图像分析装置122。

图像获取装置121可以获取一幅或多幅待搜索图像和/或参考图像。所述待搜索图像和/或参考图像可以从用户界面110、存储装置140和/或图像搜索系统100其他部分中获取。本申请中“待搜索图像”指的是图像搜索过程中的基准图像，即在图像搜索过程中，图像搜索系统会根据基准图像搜索出与基准图像相似的参考图像。待搜索图像可以是由用户输入的感兴趣的图像，也可以包含一个可被识别特征的图像。“参考图像”指的存储在一个图像库中，并且用于与待搜索图像进行相似度比较的图像。在一些实施例中，参考图像和/或待搜索图像可以存在于一个或多个图像数据库中。所述图像数据库可以包含参考图像、待搜索图像和其他图像，及图像相关的信息等。所述图像相关的信息包括图像生成的时间和图像的内容(如图像是PET图像、MRI图像等，和/或图像是关于病人某个部位的图像等)。待搜索图像和/或参考图像可以是任何形式和内容的图像。在一些实施例中，待搜索图像和/或参考图像可以是二维图像和/或三维图像。在一些实施例中，待搜索图像和/或参考图像可以是PET图像、SPECT图像、CT图像、MRI图像、超声图像或其他类似图像或组合。显而易见地，待搜索图像和参考图像也可以是其他内容的图像，例如，包含文字和/或人物的新闻图片。图像获取装置121可以在待搜索图像和/或参考图像中定位某一特定区域。在一些实施例中，图像获取装置121可以使用计算机辅助诊断在待搜索图像和/或参考图像中定位出某一特定区域(医学图像中的病灶等)。在一些具体实施例中，计算机辅助诊断可以产生一幅或多幅感兴趣区域(Region of Interest,ROI)或感兴趣体积(Volume of Interest,VOI)图像。所述ROI/VOI图像与特定区域相关。

图像分析装置122可以判断待搜索图像与一幅或多幅参考图像的相似度。图像分析装置122可以通过提取一幅或多幅待搜索图像和/或参考图像的特征，并进行特征比较，从而判断待搜索图像与参考图像的相似度。本申请中的“特征”指的是一个图像单独可计量的属性。在一些实施例中，特征可以包括一幅图像的像素点(例如，一个肺结节图像的多个像素点)，以及像素点对应的信息。例如，像素点的大小，数量，灰度值，纹理特征，形态学特征，灰度特征，小波特征，直方图特征等都可以作为图像间用于比较的特征。在一些实施例中，特征可以包括一幅图像的统计特征，例如，在二维图像的竖直和水平方向上像素数目，或灰度值的直方图。在一些实施例中，特征可以包括一幅图像所显示物体的特征，例如，一个生物器官的解剖学特征。例如，特征可以包括一个病灶的显示特征。以肺结节为例，特征可以描述肺结节边缘的清晰程度，光滑还是有毛刺，有无分叶、有无空洞、有无钙化、是毛玻璃肺结节还是实性结节等。在一些实施例中，特征可以包括经过特征提取算法提取的特征，例如，通过卷积神经网络算法对一幅图像进行卷积处理后得到的特征等。

图像分析装置122可以包括但不限于中央处理器(Central Processing Unit，CPU,)、专门应用集成电路(Application Specific Integrated Circuit，ASIC)、专用指令处理器(Application Specific Instruction Set Processor，ASIP)、物理处理器(Physics Processing Unit，PPU)、数字信号处理器(Digital Processing Processor，DSP)、现场可编程逻辑门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、处理器、微处理器、控制器、微控制器等中的一种或几种的组合。

输出装置130可以接收、处理、存储和/或传输来自于用户界面110、图像获取装置121、图像分析装置122、存储装置140和/或图像搜索系统100的其他部分的数据。输出装置130可以输出与待搜索图像相似的一幅或多幅参考图像。在一些实施例中，输出装置可以基于参考图像与待搜索图像的相似度大小，选择输出与待搜索图像相似的一幅或多幅参考图像。输出装置130可以输出待搜索和/或参考图像相关的信息。例如，输出装置可以输出图像生成的时间、图像在数据库中存储的路径、图像所展示内容相关的信息(如图像展示出的内容与某个身份编号相关)等。输出装置130可以包括一个显示屏(如LCD屏幕、LED屏幕、CRT屏幕等)、一个打印机(如喷墨打印机、胶片打印机等)，或其他用于输出的装置等一种或多种的组合。

存储装置140可以接收、处理和/或存储来自于用户界面110、图像获取装置121、图像分析装置122、输出装置130、控制装置150和/或来自于图像搜索系统100其他部分的数据。所述数据可以包括待搜索图像、参考图像、特征、图像相关的信息等一种或多种的组合。在一些实施例中，存储装置140可以是利用电能方式存储信息的设备，例如各种存储器、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)等。随机存储器可以包括动态随机存储器(DRAM)、静态随机存储器(SRAM)、晶闸管随机存储器(T-RAM)、零电容随机存储器(Z-RAM)等一种或多种的组合。只读存储器可以包括光盘驱动器、硬盘、磁带、早期非易失存储器(NVRAM)、非易失SRAM、闪存、电子抹除式可复写只读存储器、可擦除可编程只读存储器、可编程只读存储器等中的一种或几种的组合。存储装置140可以是利用磁能方式存储信息的设备，例如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘、闪存等。存储装置140可以是利用光学方式存储信息的设备，例如CD或DVD等。存储装置140可以是利用磁光方式存储信息的设备，例如磁光盘等。存储装置140的存取方式可以是随机存储、串行访问存储、只读存储等一种或多种组合。存储装置140可以是非永久记忆存储装置，也可以是永久记忆存储装置。以上提及的存储装置是列举了一些例子，存储装置并不局限于此。存储装置140可以是本地的，也可以是远程的，也可以是云服务器上的。

控制装置150可以接收、处理、存储和/或传输用户界面110、图像处理引擎120、输出装置130、存储装置140和/或图像搜索系统100其他部分的信息。所述信息可以包括来自用户界面110的用户设定(如对参考图像的输出格式设定、对图像分析装置122所采用算法的设定等)，传输至存储装置140的信息(如待搜索图像的存储格式和路径、从待搜索图像提取的特征的存储格式等)，和传输至输出装置130的信息(如是否输出一幅或多幅参考图像)等。

图1B是根据本申请的一些实施例所示的一种计算设备配置的示意图。该计算设备能够用于本申请中的特定系统。本实施例中的特定系统利用功能框图解释了一个包含用户界面的硬件平台。计算设备可以实施当前描述系统100的一个或多个组件、模块、单元、子单元(例如，用户界面110，图像处理引擎120，控制装置150)。这种计算设备可以是一个通用目的的计算机，也可以是一个有特定目的的计算机。两种计算机都可以被用于实现本实施例中的特定系统。为了方便起见，图1B中只绘制了一台计算设备，但是本实施例所描述的提供图像搜索所需信息的相关计算设备功能是可以以分布的方式、由一组相似的平台所实施的，分散系统的处理负荷。

如图1B所示，计算设备配置可包括内部通信总线160，处理器(processor)162，硬盘164，只读存储器(ROM)166，随机存取存储器(RAM)168，通信端口170，输入/输出组件172。内部通信总线160可配置为实现计算设备组件间的数据通信。处理器162用于执行程序指令完成在此申请中所描述的图像搜索系统100的任何功能、组件、模块、单元、子单元。处理器162由一个或多个处理器组成。在一些实施例中，处理器162的种类可以包括但不限于微控制器、简化指令系统计算机(RISC)、专用集成电路(ASIC)、特定应用指令集处理器(ASIP)、中央处理器(CPU)、图形处理器(GPU)、物理处理器(PPU)、微处理器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)，或者其他能够执行计算程序指令的电路或处理器或其组合。

计算设备还包括不同形式的存储设备用于储存程序以及数据，例如硬盘164，只读存储器(ROM)166，随机存取存储器(RAM)168，能够用于计算设备处理和/或通信使用的各种数据文件，以及处理器162所执行的可能的程序指令。存储设备可以在图像搜索系统100内部(例如，存储装置140)，也可以在搜索系统100外部(比如可通过用户界面110连接)。

通信端口170可配置实现计算设备与其他图像搜索系统100部件(比如用输出装置130，存储装置140)之间数据通信。输入/输出组件172支持计算设备与系统100其他组件(如用户界面110)之间的输入/输出数据流。计算设备也可以通过通信端口170从网络发送和接受信息及数据。图像搜索系统100输出信息的形式可以包括但不限于数字、字符、指令、压力、声音、图像、系统、软件、程序等中的一种或几种的组合。在一些实施例中，输入/输出组件172可以包括但不限于显示器、打印机、绘图仪、影像输出设备、语言输出设备等中的一种或几种的组合。输出的信息可以发送给用户，也可以不发送。不发送的输出信息可以存储在存储装置140、硬盘164、只读存储器(ROM)166，随机存取存储器(RAM)168中，也可以删除。

需要注意的是，上述存储设备(如硬盘164，只读存储器(ROM)166，随机存取存储器(RAM)168)和/或处理器162可以实际存在于系统中，也可以通过云计算平台完成相应功能。其中，云计算平台可以包括但不限于以存储数据为主的存储型云平台、以处理数据为主的计算型云平台以及兼顾数据存储和处理的综合云计算平台。图像搜索系统100所使用的云平台可以是公共云、私有云、社区云或混合云等。例如，根据实际需要，图像搜索系统100接收的一部分信息，可以通过云平台进行计，算和/或存储。另一部分信息，可以通过本地的处理设备和/或存储设备进行计算和/或存储。

图2是根据本申请的一些实施例所示的一种图像搜索的流程图。在201中，可以获取图像。获取的图像可以是待搜索图像和/或参考图像。获取的图像包含一个或多个感兴趣区域(ROI)或感兴趣体积(VOI)所形成的图像。待搜索图像和/或参考图像的获取可以由图像获取装置121执行。

在202中，可以基于待搜索图像的数据，搜索与待搜索图像相似的图像。搜索的过程可以包括分别计算待搜索图像与多幅参考图像的相似度，以及根据所述分别计算的相似度对多幅参考图像进行排序。计算待搜索图像与一幅参考图像的相似度可以通过计算所述待搜索图像与所述参考图像的图像特征的相似度来实现。在一些实施例中，搜索的过程可以包括分别计算待搜索图像中一个或多个ROI/VOI图像与多幅参考图像中的ROI/VOI图像的相似度，以及根据所述分别计算的相似度对多幅参考图像进行排序。提取图像数据和搜索相似图像可以由图像获取装置121和图像分析装置122执行。所述图像数据可以包括待搜索图像和/或参考图像的种类(如PET图像、SPECT图像、CT图像、MRI图像等)，从待搜索图像和/或参考图像中获取的ROI/VOI图像，和/或从ROI/VOI图像中提取出的特征等。

在203中，可以根据所述相似度的排序结果确定与待搜索图像相似的一幅或多幅参考图像。这里所说的与待搜索图像相似的一幅或多幅参考图像指的是相似度满足一定条件的参考图像。例如，排名越靠前的相似度所对应的参考图像与待搜索图像的相似度越高。一个搜索结果中可以确定相似度排名前5，前10，或者前20的参考图像。相似参考图像的确定可以由输出装置130执行。

以上对适用领域的描述仅仅是具体的示例，不应被视为是唯一可行的实施方案。显然，对于本领域的专业人员来说，在了解一种图像搜索方法和系统的基本原理后，可以在不背离这一原理的情况下，对实施上述方法和系统的应用领域形式和细节上的各种修正和改变，但是这些修正和改变仍在以上描述的范围之内。例如，在201中，可以获取与待搜索图像相关的其它信息，并基于所述其它信息搜索图像。具体地，可以获取待搜索图像的一个或多个特征，或者与待搜索图像一个或多个特征相关的语义描述，后续的搜索过程可以是搜索含有类似特征的图像或信息，也可以是搜索满足所述语义描述的图像。

图3是根据本申请的一些实施例所示的一种图像获取装置121的示意图。图像获取装置121可以包含图像获取模块301、识别模块302、定位模块303、ROI/VOI图像获取模块304，以及其他用于实现图像获取装置功能的部分。显而易见地，图3所述图像获取装置121仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据图像获取装置121的描述做出修改、增添和删减。例如，其中两个模块可以结合为一个模块，或者其中一个模块可以分割为两个或多个模块。

图像获取模块301可以用于获取一幅或多幅待搜索图像和/或参考图像。所述待搜索图像和/或参考图像可以有多种类型。在一些实施例中，待搜索图像和/或参考图像可以是二维图像和/或三维图像。在一些实施例中，待搜索图像和/或参考图像可以是PET图像、CT图像、SPECT图像、MRI图像、超声图像等中的一种图像或多种图像的组合。

识别模块302可以用于识别待搜索图像和/或参考图像。识别模块302可以识别待搜索图像和/或参考图像的类型和内容。在一些实施例中，识别模块302可以识别待检索图像和/或参考图像是二维图像、三维图像中一种。在一些实施例中，识别模块302可以识别待检索图像和/或参考图像是PET图像、CT图像、SPECT图像、MRI图像、超声图像中一种。

定位模块303可以在待搜索图像和/或参考图像中定位一个或多个特定区域。所述特定区域可以包含感兴趣区域(ROI)或感兴趣体积(VOI)。在一些实施例中，定位模块303可以采用计算机辅助诊断(Computer-Aided Diagnosis,CAD)在所述识别出的图像中定位所述特定区域。

ROI/VOI图像获取模块304可以获取待搜索图像和/或参考图像中的ROI/VOI图像。所述ROI/VOI图像可以是将待搜索图像和/或参考图像中的特定区域提取出来所形成的图像。所述ROI/VOI图像可以是二维图像和/或三维图像。在一些实施例中，对于二维的待搜索图像和/或参考图像，ROI/VOI图像获取模块304获取的图像可以是ROI图像；对于三维的待搜索图像和/或参考图像，ROI/VOI图像获取模块304获取的图像可以是VOI图像。在一些实施例中，ROI/VOI图像可以是获取的待搜索图像和/或参考图像本身，或待搜索图像和/或参考图像中的一部分。仅仅以医疗上的肺部图像作为事例，ROI/VOI图像可以显示整个肺部，或肺部中某一具体特定区域。特定区域可以包括肺部病灶区域或产生肺结节的区域等。

ROI/VOI图像的获取可以是人工手动完成的，例如，医护人员可以指定病灶区域。ROI/VOI图像的获取可以通过计算机自动识别获得。在一些实施例中，ROI/VOI图像的可以通过计算机辅助诊断获取。例如，计算机识别出病灶后，可以将病灶本身设定为目标区域，并生成ROI/VOI图像。又例如，计算机识别出病灶后，可以设定一个区域作为目标区域，并根据该目标区域生成ROI/VOI图像。该目标区域可以将病灶包含在内。所述目标区域可以具有与病灶相同或相似的轮廓，或其它轮廓。所述目标区域的面积可以比病灶面积基本相同，或大1％，或者3％，或者5％，或者10％，或者50％，或者其它任意的数字。这里所说的病灶是对应于生物组织中存在异常的区域，在图像中会表现出不同于正常组织的“突变”或者“阴影”。

显而易见地，图3所述图像获取装置121仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据图像获取装置121的描述做出修改、增添和删减。例如，在一些实施例中，定位模块303和ROI/VOI图像获取模块304可以结合为一个模块。在一些更具体的实施例中，定位模块303可以通过计算辅助诊断在待搜索图像和/或参考图像中定位一个或多个区域，并获取所述区域的ROI/VOI图像。

图4是根据本申请的一些实施例所示的一种图像获取流程图。在401中，图像获取过程可以包含获取待搜索图像和/或参考图像。待搜索图像和/或参考图像的获取可以由图像获取模块301执行。待搜索图像和/或参考图像可以从用户界面110和/或存储装置140等部分中获取。在一些实施例中，图像搜索系统100可以从图像数据库中获取一幅或多幅参考图像。

在402中，图像获取过程包括识别待搜索图像和/或参考图像。识别过程可以通过识别模块302执行。在一些实施例中，图像搜索系统100可以基于图像中有无三维的数据(如三维坐标方向的像素点等)来判断待搜索图像和/或参考图像是二维图像和/或三维图像。在一些实施例中，图像搜索系统100可以基于图像相关的信息(如图像的类型、图像的存储路径、图像中的标志等信息)判断待搜索图像和/或参考图像的内容(如图像是否是PET图像、图像是否关于同一病人等)。

在403中，在待搜索图像和/或参考图像中定位一个或多个区域。所述定位可以由定位模块303执行。在一些实施例中，可以通过计算机辅助诊断在待搜索图像和/或参考图像中定位出所述一个或多个区域。在一些实施例中，图像搜索系统100可以通过一个或多个模型(如生物结构模型、图像像素点或灰度值分布模型等)对待搜索图像和/或参考图形进行分割后定位所述区域。

在404中，获取一个或多个区域相关的ROI/VOI图像。ROI/VOI图像的获取可以由ROI/VOI图像获取模块304执行。在一些实施例中，ROI/VOI图像的获取可以通过分割出待搜索图像和/或参考图像中的特定区域来实现。例如，在一个肺部图像中，ROI/VOI图像可以是病灶区域所对应部分的图像。在一些实施例中，图像搜索过程包括进一步提取ROI/VOI图像的表征参数。在一些实施例中，所述表征参数包含面积、灰度均值、方差、标准差、圆形度、球形度、矩、最大值、最小值、形状矩描述子及傅里叶描述子等一种参数或多种参数的组合。

图5是根据本申请的一些实施例所示的一种图像分析装置122的示意图。图像分析装置122可以包含参数模块501、特征提取模块502、特征选择模块503、特征分析模块504、排序模块505和/或其他用于执行图像分析装置功能的部分。显而易见地，图5所述图像分析装置122仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据图像分析装置122的描述做出修改、增添和删减。例如，其中两个模块可以结合为一个模块，或者其中一个模块可以分割为两个或多个模块。

参数模块501可以用于接收、处理和/或存储一个或多个参数。所述参数可以与特征提取模块502、特征选择模块503、特征分析模块504和/或排序模块505相关。所述参数可以包含特征提取模块502的信息、特征选择模块503的信息、特征分析模块504的信息和/或排序模块505的信息。特征提取模块502中的信息，以采用卷积神经网络算法为例，可以包含设置的层级数目、卷积核大小、卷积核数目、混合层的窗口大小、混合层和卷积层的匹配方式、ReLU层的位置等。特征选择模块503中的信息可以包含选择的特征数目、特征的类型等。特征分析模块504中的信息可以包含对待搜索图像和/或参考图像的特征进行比较或分析的方式等。排序模块505中的信息可以包含进行排序的特征的数目、排序的方法等。对待搜索图像，图像搜索系统100可以设置一种参数(为了方便描述，以下称“第一参数”)。针对参考图像，图像搜索系统100可以设置一种参数(为了方便描述，以下称“第二参数”)。所述第一参数和第二参数可以包括参数模块501接收、处理和/或存储的参数中的一个或多个的组合。在一些实施例中，第一参数和第二参数可以相同或不同。

特征提取模块502可以用于提取待搜索图像和/或参考图像相关的ROI/VOI图像特征。所述ROI/VOI图像特征指的是一个ROI/VOI图像单独可计量的属性。在一些实施例中，所述ROI/VOI图像特征可以包括图像灰度统计特征、纹理特征、形态学特征、小波特征、直方图特征等一种或多种的组合。在一些实施例中，所述ROI/VOI图像特征可以是通过一个或多个模型(例如，卷积神经网络算法的模型，或其他相关算法的模型等)提取出的图像信息。所述图像信息可以是指由特定算法计算出的与图像相关的结果。经提取的ROI/VOI图像特征可以包含在一个ROI/VOI图像特征集中。例如，待搜索图像的ROI/VOI图像特征可以包含在一个待搜索图像ROI/VOI图像特征集中；一幅或多幅参考图像的ROI/VOI图像特征可以包含在一个参考图像ROI/VOI图像特征集中。一个ROI/VOI图像特征集中可以包含一种或多种图像特征，这些图像特征可以通过同一个模型，或不同的模型获得。

特征选择模块503可以用于在ROI/VOI图像特征集中选择部分或全部ROI/VOI图像特征。特征选择模块503可以基于一个或多个特征选择算法进行特征选择。对于不同类型的待搜索图像，特征选择模块503可以采用相同或者不同的特征选择算法。对特征选择算法的选择可以是人为设定的，或特征选择模块503通过学习同类待搜索图像的搜索历史而获得等。在一些实施例中，所述特征选择算法可以是Correlation Based Feature Selection(CFS)算法。

特征分析模块504可以分析和获取ROI/VOI图像特征有关的数据。所述ROI/VOI图像特征有关的数据可以包括待搜索图像的ROI/VOI图像特征、参考图像ROI/VOI图像特征、和/或待搜索图像ROI/VOI图像特征与参考图像ROI/VOI图像特征的特征之差等。所述特征之差可以通过待搜索图像的ROI/VOI图像特征与参考图像的ROI/VOI图像特征所分别形成的特征向量之差来确定。在一些实施例中，所述特征向量可以由ROI/VOI图像特征中的像素点进行一定操作(例如，排列，组合等)表示。在一些实施例中，待搜索图像的ROI/VOI图像与参考图像ROI/VOI图像含有相同数量的像素。在一些实施例中，特征之差可以表现为两幅ROI/VOI图像上相同像素点的灰度值之差。在一些实施例中，特征之差可以表现为两幅ROI/VOI图像经过相同算法计算获得图像信息之间的差别。

排序模块505可以基于图像特征相关的数据对参考图像进行排序。排序模块505可以通过LambdaMART算法对参考图像进行排序。在一些实施例中，排序越高的参考图像与待搜索的图像具有越高的相似性。

显而易见地，图5所述图像分析装置122仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据图像分析装置122的描述做出修改、增添和删减。例如，在一些实施例中，特征分析模块504和排序模块505可以结合为一个模块。

图6是根据本申请的一些实施例所示的一种图像分析的流程图。在601中，图像搜索系统100可以载入参考图像的ROI/VOI图像和第二参数。参考图像的ROI/VOI图像和第二参数的获取可以由参数模块501执行。

在602中，图像搜索系统100可以基于第二参数，提取参考图像的ROI/VOI图像的特征，形成特征集A。参考图像的ROI/VOI图像特征提取可以由特征提取模块502执行。在一些实施例中，第二参数可以包含采用卷积神经网络算法提取参考图像的ROI/VOI图像特征的方法。在一些实施例中，参考图像的ROI/VOI图像特征可以被存储在存储装置140和/或图像搜索系统100其他部分。图像搜索系统100可以直接获取参考图像的ROI/VOI图像特征。在一些实施例中，第二参数中包括所需提取的ROI/VOI图像特征的特征数目，例如，500。

在603中，图像搜索系统100可以采用特征选择算法对特征集A进行特征选择，得到特征子集B。特征选择可以由特征选择模块503执行。在一些实施例中，所述特征选择算法可以是Correlation Based Feature Selection(CFS)算法。

在604中，图像搜索系统100可以载入待搜索图像的ROI/VOI图像和第一参数。待搜索图像的ROI/VOI图像和第一参数的获取可以由参数模块501执行。在一些实施例中，第一参数和第二参数可以相同或不同。例如，第一参数和第二参数可以含有相同的提取图像特征的算法。再例如，第一参数和第二参数可以含有不同的提取图像特征的特征数目。在一些实施例中，第一参数是基于特征子集B对应的特征参数得到的。例如，第一参数中可以包含提取出特征子集B的方法。再例如，第一参数中可以设定所提取的图像特征的数目等同于特征子集B中所包含的图像特征的数目。

在605中，图像搜索系统100可以基于特征子集B和第一参数，提取待搜索图像的ROI/VOI图像的特征，形成特征集C。待搜索图像的ROI/VOI图像特征提取可以由特征提取模块502执行。在一些实施例中，第一参数可以包含采用卷积神经网络算法提取待搜索图像的ROI/VOI图像特征的方法。

在606中，图像搜索系统100可以存储参考图像的ROI/VOI图像特征子集B和/或待搜索图像的ROI/VOI图像特征集C。参考图像的ROI/VOI图像特征子集B和/或待搜索图像的ROI/VOI图像特征集C可以被存储到存储装置140和/或图像搜索系统100的其他部分中。在一些实施例中，参考图像的ROI/VOI图像特征子集B和/或待搜索图像的ROI/VOI图像特征集C可以以特征树(例如基于欧氏距离建立的特征索引树等)的形式存储在存储装置140中。

在607中，图像搜索系统100可以分析和获取与特征集C有关的特征数据。与特征集C有关的特征数据的分析和获取可以通过特征分析模块504执行。在一些实施例中，特征分析模块504可以比较待搜索图像的ROI/VOI图像特征集C和参考图像的ROI/VOI图像特征子集B，获取一个或多个特征之差。在一些实施例中，可以比较待搜索图像的ROI/VOI图像特征集C和参考图像的ROI/VOI图像特征子集B中全部的特征并获得特征之差，或在所述特征集C和特征子集B中选择部分特征进行比较，从而获得特征之差。，

在608中，图像搜索系统100可以基于得到的特征相关的数据，对参考图像进行排序。所述特征相关的数据包含单个特征的特征之差，多个特征的特征之差等。在所述排序结果中，排名越靠前的参考图像与待搜索图像的相似度越高。参考图像的排序可以通过排序模块505执行。排序模块505可以通过一个或多个分类器对参考图像进行排序。在一些实施例中，不同图像类型或者不同图像内容所采用的排序方法可以不同。在一些实施例中，排序模块505可以采用LambdaMART算法，基于每一组待搜索图像的ROI/VOI图像和参考图像的ROI/VOI图像之间一个或多个特征之差，对参考图像排序。

在609中，图像搜索系统100可以根据排序结果，确定一幅或多幅参考图像。这里所确定的一幅或多幅参考图像与待搜索图像的相似度满足一定的条件。例如在所述排序结果中，排名越靠前的参考图像与待搜索图像的相似度越高。在一些实施例中，一个搜索结果中可以确定排名前5，前10，或者前20的参考图像。参考图像的确定可以由输出装置130执行。在一些实施例中，图像搜索系统100可以确定待搜索图像、待搜索图像的ROI/VOI图像、一幅或多幅参考图像、以及一幅或多幅参考图像的ROI/VOI图像等。

在图像搜索过程中，操作601、602、603可发生在训练阶段，图像搜索系统100对一幅或多幅参考图像的ROI/VOI图像提取特征，分别形成特征集，并采用特征选择算法对特征集进行特征选择，分别形成特征子集。在一些实施例中，操作604、605、607、608、609可发生在测试阶段，图像搜索系统100可直接基于所述得到的参考图像的ROI/VOI图像特征子集对应的特征参数，对待搜索图像的ROI/VOI图像提取特征，形成特征集。进而分析参考图像的ROI/VOI图像特征子集和待搜索图像的ROI/VOI图像特征集，得到特征数据，基于得到的特征数据，对所述参考图像进行排序，再基于所述排序结果，确定相似的参考图像。

显而易见地，图6所述图像分析流程仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据图像分析装置122的描述做出修改、增添和删减。例如，参考图像的ROI/VOI图像特征子集B可以事先存储在存储装置140或图像搜索系统100中其他部分，与待搜索图像的ROI/VOI图像经过特征提取后形成的特征集C进行比较后获得特征之差。

图7是根据本申请的一些实施例所示的一种ROI图像特征提取的流程图。在一些实施例中，所述ROI图像特征提取流程是基于第一参数和/或第二参数，并采用卷积神经网络算法得以实现ROI图像特征的提取。

在701中，图像搜索系统100可以获取一幅ROI图像。所述ROI图像可以是待搜索图像的ROI图像，或参考图像的ROI图像。所述ROI图像可以是任何分辨率的图像。在一些实施例中，所述ROI图像可以是20*20、28*28等。

在702中，图像搜索系统100可以采用卷积神经网络对ROI图像采用第一组卷积核进行多次卷积，得到多幅图像conv1。在一些实施例中，所述第一组卷积核可以是3*3、5*5、或其他大小的卷积核。卷积核的数目可以人为设定，或根据图像的分辨率进行调整等。仅仅作为例子，卷积核的数量可以是10，或者20。所述的第一组卷积核所包含的多个卷集核可以是完全相同的，部分相同的，或完全不相同的。在一个具体的实施例中，对一幅28*28的ROI图像，可以采用20个5*5的第一组卷积核进行卷积，得到20幅24*24的图像。

在703中，对得到的一幅或多幅图像conv1划分子块。所述子块包含图像conv1中的部分或全部信息。在一些实施例中，图像搜索系统100可以通过在多幅图像conv1中截取一定数目的像素点形成子块。例如，可以将上述实施例中一幅24*24的图像划分为12*12个子块，每个子块的大小为2*2。

在704中，遍历一幅图像conv1中划分好的子块，并对各个子块赋值，得到一幅新的图像。例如，在上述实施例中，在每个2*2的子块中提取最大值作为子块的像素值，可以获得一幅12*12的图像。对一幅图像conv1中的子块分别提取最大值，可以得到一幅图像pool1。对多幅图像convl中的子块分别提取最大值，可以得到多幅图像pool1。例如，在上述实施例中，对20幅24*24的图像都执行划分子块并提取最大值的过程，得到20幅12*12的图像。

在705中，可以采用第二组卷积核在得到的一幅或者多幅图像pool1再次进行卷积。在一些实施例中，所述第二组卷积核可以是3*3、5*5或其他大小的卷积核，卷积核的数目可以人为设定，或根据图像的分辨率进行调整等。所述的第二组卷积核所包含多个卷集核可以是完全相同的，部分相同，或完全不相同的。

在706中，可以将再次卷积后得到的部分或者全部图像进行叠加，得到一幅图像块。在707中，可以采用第三组卷积核对所述图像块进行多次卷积，得到多幅图像conv2。在708中，可以对得到的一幅或者多幅图像conv2划分子块。在709中，可以遍历一幅图像conv2中划分好的子块，并对各个子块赋值，得到一幅新的图像。在一些实施例中，可以对各个子块都抽取最大值作为新图像的一个像素点。对一幅图像conv2中的子块分别提取最大值，可以得到一幅图像pool2。对多幅图像conv2中的子块分别提取最大值，可以得到多幅图像pool2。在710中，可以将得到的多幅图像pool2中的像素点表示为特征的向量，对向量进行全连接到神经元，获得一定数目的特征。所述全连接层中，每一个下层神经元都和上一层所有的像素点有关系。

显而易见地，图7所述ROI图像特征提取流程仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据图像分析装置122的描述做出修改、增添和删减。例如，操作702、705和707步可以是采用相同的卷积原理，所述第一组卷积核、第二组卷积核和第三组卷积核可以相同也可以不同；操作703和操作708中对子块的划分可以相同也可以不同；704和709对子块取值的选取，也可以采用取最大值之外的其它方法。例如，可以取子块中所有体素的平均值，或是基于子块中超过某一阈值的像素而产生的数值。

图8是根据本申请的一些实施例所示的一种采用卷积神经网络进行特征提取的流程图。如图所示，采用卷积神经网络进行特征提取可以包括如下流程：(1)载入28*28的ROI图像对，该ROI图像对可以包括一幅待搜索的ROI图像和一幅参考图像的ROI图像；(2)对一幅ROI图像用20个5*5的卷积核进行卷积，分别得到20幅24*24的图像；(3)将每幅24*24的图像划分为12*12个子块，每块的大小为2*2，对各个子块都抽取最大值，得到12*12的图像。对20幅24*24的图像都执行此过程，分别得到20幅12*12的图像；(4)对第(3)步中的每组的20幅12*12的图像，分别采用不同的5*5的卷积核进行卷积，得到20幅8*8的图像；然后这些图像进行叠加，得到一幅8*8的图像；(5)采用不同的卷积核对第(4)步执行50次，可得到50幅8*8的图像；(4)和(5)中用到的卷积核为50*20个；(6)对50幅8*8的图像，每个图像执行2*2块中抽取最大值，得到50幅4*4的图像；(7)对4*4*50个特征进行全连接到500个神经元，输出500个特征；(8)针对操作(1)输入的图像对，每个ROI图像都执行操作(2)^-(7)；(9)对这500个特征组成的样本集，基于特征选择模块503的特征选择算法CFS算法进行特征选择，采用特征分析模块504中的特征数据分析算法获取ROI图像的特征数据，采用排序模块505中的算法(例如，LambdaMART算法)将待搜索ROI图像对应的参考图像进行排序确定搜索到的相似参考图像。

对参考图像的排序可以基于参考图像的ROI图像与待搜索图像的ROI图像形成的损失函数。图8所述的卷积神经网络中，图像搜索系统100可以对两幅ROI图像构建Siamese网络，并进一步计算Siamese网络的损失函数。公式(1)为所述Siamese网络的一个示例性损失函数：

N为样本数，即待搜索图像与参考图像所形成图像对的个数。yi为第i对图像对的相似度，yi＝1时表示相似，yi＝0时表示不相似。di表示第i对图像对的特征之间的距离，左边结节的特征为(L_i1,L_i2,…,L_im)，右边结节的特征为(R_i1,R_i2,…,R_im)。

图9是根据本申请的一些实施例所示的一种存储装置140的示意图。存储装置140可以包含图像存储模块901、特征存储模块902、关联模块903和/或其他用于实现存储装置功能的部分。显而易见地，图9所述存储装置140仅仅是代表本申请的一些实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，可以根据存储装置140的描述做出修改、增添和删减。例如，其中两个模块可以结合为一个模块，或者其中一个模块可以分割为两个或多个模块。

图像存储模块901可以存储待搜索图像和/或参考图像。待搜索图像和/或参考图像的存储可以在各种适合时间点进行。例如，待搜索图像和/或参考图像可以发生在确定与待搜索图像相似的参考图像之后。待搜索图像和/或参考图像可以以任何图像搜索系统100支持的格式进行存储。在一些实施例中，待搜索图像和/或参考图像可以以Digital Imaging and Communications in Medicine(DICOM)格式存储。

特征存储模块902可以存储待搜索图像和/或参考图像的ROI/VOI图像特征。在一些实施例中，待搜索图像和/或参考图像的ROI/VOI图像特征，以及待搜索图像和参考图像ROI/VOI图像特征之差可以通过特征存储模块902进行存储。所述特征可以以一定结构存储在存储装置140中。在一些实施例中，特征存储模块902可以通过对特征设置特征树(如基于欧氏距离的特征索引树)而将特征存储在存储装置140中。

关联模块903可以用于关联存储于图像存储模块901中的图像和存储于特征存储模块903中的图像特征。在一些实施例中，关联模块903可以设置一个关联表来关联图像与特征。所述关联表可以包括待搜索图像和/或参考图像的存储名称、存储路径，和特征的存储名称、存储路径等。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。所述传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smal ltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Bas ic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，例如，局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档、物件等，特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不限于本申请明确介绍和描述的实施例。