基于SNAP技术的斑块成分分析方法及装置与流程

基于snap技术的斑块成分分析方法及装置
技术领域
1.本技术涉及人工智能技术领域，具体而言，涉及一种基于snap技术的斑块成分分析方法、装置、计算机设备和存储介质。


背景技术：

2.脑卒中是世界上导致死亡和残疾的主要原因之一，其发病通常与不稳定的颈动脉粥样硬化相关，早期识别斑块内出血(intraplaque hemorrhage,iph)可用于预测缺血性脑血管事件的复发。颈动脉粥样硬化斑块的高分辨率核磁共振影像(magnetic resonance imaging,mri)作为一种能够精确测量动脉粥样硬化病变的形态特征和组织成分的工具，获得了临床广泛关注。斑块坏死核心的扩大通常与斑块结构相关，钙化会加重斑块的不稳定性。颈动脉粥样硬化斑块的某些特征如纤维帽破裂、大量富脂/坏死核心(lipid-rich/necrotic core,lrnc)和iph，已被证明是显著增加如脑卒中和短暂性脑缺血等脑血管缺血事件发病风险的影响因素。除了诊断和预后应用外，颈动脉mri近年来已广泛用于研究降脂疗效的临床试验。对于此类研究，通过mri可以直接定量测量斑块大小、形态学和组织成分，这些指标作为反映干预对其主要靶点影响的替代结局至关重要。
3.目前，对动脉粥样硬化斑块的形态学和成分分析可以使用既定标准在传统的多对比度mri成像上进行，同时也已经开发出一些基于机器学习的斑块成分自动分割算法，包括最小距离分类器算法和基于图像强度的聚类算法。有研究提出一种综合局部壁形态特征和图像强度的方法，成功地提高了分割性能。然而，传统的多对比度mri需要较长的扫描时间，且不同权重之间可能存在配准错误，这给图像分析带来了一些挑战。
4.针对相关技术中传统的多对比度mri需要较长的扫描时间，且不同权重之间可能存在配准错误的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供一种基于snap技术的斑块成分分析方法、装置、计算机设备和存储介质，用以解决相关技术中传统的多对比度mri需要较长的扫描时间，且不同权重之间可能存在配准错误的问题。
6.为了实现上述目的，本发明实施例的第一方面，提供一种基于snap技术的斑块成分分析方法，包括：
7.基于snap技术采集多对比度snap图像，其中多对比度snap图像包括反转恢复图像、参考图像、相位敏感重建图像和snap2图像；
8.以传统颈动脉多对比度图像的手工分割为参考，对所述多对比度snap图像进行预处理得到目标图像，并对所述目标图像进行图像特征提取，其中图像特征包括强度特征和形态特征；
9.基于所述目标图像分别对多个机器学习分类器进行训练，其中机器学习分类器包括朴素贝叶斯、支持向量机、随机森林、梯度提升决策树和人工神经网络；
10.根据训练后的机器学习分类器和所述图像特征对斑块成分进行分析，根据分析结果从多个机器学习分类器中选出目标分类器。
11.可选地，在第一方面的一种可能实现方式中，以传统颈动脉多对比度图像的手工分割为参考，对所述多对比度snap图像进行预处理得到目标图像，包括：
12.基于既定标准手动分割原始多对比度图像，得到初始分割轮廓；
13.根据原始多对比度图像的厚度和空间位置对原始snap图像进行重切片，得到重切片snap图像；
14.将所述初始分割轮廓从所述原始多对比度图像中映射到所述重切片snap图像，得到目标图像。
15.可选地，在第一方面的一种可能实现方式中，对所述目标图像进行图像特征提取，包括：
16.在以颈动脉为中心，预设直径范围的圆形感兴趣区域内，每个目标图像除以其中值信号强度，以归一化每个像素的强度特征，其中强度特征包括反转恢复图像的实部、虚部和幅值，参考图像和相位敏感重建图像的幅值以及snap2图像的实部；
17.根据三角剖分算法确定目标图像的形态特征，其中形态特征包括血管壁的局部厚度以及像素到管腔的距离。
18.可选地，在第一方面的一种可能实现方式中，基于所述目标图像分别对多个机器学习分类器进行训练，包括：
19.对目标图像进行富脂和/或坏死核心、钙化和纤维组织进行识别；
20.在识别到富脂和/或坏死核心时，从富脂和/或坏死核心区域中分割出斑块内出血区域。
21.可选地，在第一方面的一种可能实现方式中，基于所述目标图像分别对多个机器学习分类器进行训练，包括：
22.步骤1：对目标图像中钙化区域进行上采样到富脂和/或坏死核心区域的数据大小，纤维组织区域进行下采样到钙化区域和富脂和/或坏死核心区域的数据总和；
23.步骤2：对目标图像中斑块内出血区域进行上采样到富脂和/或坏死核心区域的数据大小；
24.其中，步骤1、2中的上采样使用mote算法完成，下采样通过从原始数据中随机选择像素完成。
25.可选地，在第一方面的一种可能实现方式中，根据训练后的机器学习分类器和所述图像特征对斑块成分进行分析，包括：
26.将所述图像特征输入至训练后的机器学习分类器中，输出概率图，其中所述概率图用于表示像素属于颈动脉斑块的不同成分的概率。
27.本发明实施例的第二方面，提供一种基于snap技术的斑块成分分析装置，包括：
28.图像采集模块，用于基于snap技术采集多对比度snap图像，其中多对比度snap图像包括反转恢复图像、参考图像、相位敏感重建图像和snap2图像；
29.图像预处理模块，用于以传统颈动脉多对比度图像的手工分割为参考，对所述多对比度snap图像进行预处理得到目标图像，并对所述目标图像进行图像特征提取，其中图像特征包括强度特征和形态特征；
30.分类器训练模块，用于基于所述目标图像分别对多个机器学习分类器进行训练，其中机器学习分类器包括朴素贝叶斯、支持向量机、随机森林、梯度提升决策树和人工神经网络；
31.目标分类器确定模块，用于根据训练后的机器学习分类器和所述图像特征对斑块成分进行分析，根据分析结果从多个机器学习分类器中选出目标分类器。
32.可选地，在第二方面的一种可能实现方式中，图像预处理模块，包括：
33.手动分割单元，用于基于既定标准手动分割原始多对比度图像，得到初始分割轮廓；
34.重切片单元，用于根据原始多对比度图像的厚度和空间位置对原始snap图像进行重切片，得到重切片snap图像；
35.映射单元，用于将所述初始分割轮廓从所述原始多对比度图像中映射到所述重切片snap图像，得到目标图像。
36.本发明实施例的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有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上述各个方法实施例中的步骤。
37.本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法的步骤。
38.本发明提供的基于snap技术的斑块成分分析方法、装置、计算机设备和存储介质，通过基于snap技术采集多对比度snap图像，其中多对比度snap图像包括反转恢复图像、参考图像、相位敏感重建图像和snap2图像；以传统颈动脉多对比度图像的手工分割为参考，对所述多对比度snap图像进行预处理得到目标图像，并对所述目标图像进行图像特征提取，其中图像特征包括强度特征和形态特征；基于所述目标图像分别对多个机器学习分类器进行训练，其中机器学习分类器包括朴素贝叶斯、支持向量机、随机森林、梯度提升决策树和人工神经网络；根据训练后的机器学习分类器和所述图像特征对斑块成分进行分析，根据分析结果从多个机器学习分类器中选出目标分类器。本发明能够极大地提升斑块成分分割性能，并且可以避免由于颈动脉的非刚性运动所造成的传统多对比度图像之间可能存在的配准错误。
附图说明
39.图1为本发明实施例提供的基于snap技术的斑块成分分析方法的流程图；
40.图2为多对比度snap图像进行预处理的流程图；
41.图3为目标图像的强度特征的示意图；
42.图4为分割结果的示意图；
43.图5为本发明实施例提供的基于snap技术的斑块成分分析装置的结构图。
具体实施方式
44.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，所描述的实施例仅
仅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。
45.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
46.应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
47.应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
48.应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
49.应当理解，在本发明中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
50.取决于语境，如在此所使用的“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。
51.下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
52.本发明提供一种基于snap技术的斑块成分分析方法，如图1所示其流程图，包括：
53.步骤s110、基于snap技术采集多对比度snap图像。
54.在本步骤中，snap序列采集可以生成四幅图像，包括反转恢复图像ir、参考图像ref、相位敏感重建图像cr和snap2图像，所有这些图像本质上都是互相配准的，因为它们是从一次采集中生成的。其中ir图像和ref图像从两次连续的梯度回声采集中获取，生成cr图像后，snap2图像被导出为：ir
·
ref*/‖ir‖，其中*表示复共轭。
55.具体地，通过对cr图像应用最小强度投影来生成血管造影图像，根据snap序列的ir和ref图像分析，可用于钙化(ca)检测；由于ir图像具有高度t1加权，因此也可用于识别富脂/坏死核心(lrnc)检测。
56.步骤s120、以传统颈动脉多对比度图像的手工分割为参考，对所述多对比度snap图像进行预处理得到目标图像，并对所述目标图像进行图像特征提取，其中图像特征包括强度特征和形态特征。
57.在步骤s120中，对多对比度snap图像进行预处理如图2所示，具体步骤如下：
58.步骤1：基于既定标准手动分割原始多对比度图像，得到初始分割轮廓。
59.在步骤中，在传统的多对比度图像上手工划定管腔和外壁的边界，然后根据既定标准对ca、lrnc和iph进行手动标记，其中iph为lrnc的一部分。血管壁的其余部分(外壁轮廓内和管腔轮廓外的区域)被视为纤维组织(ft)。
60.步骤2：根据原始多对比度图像的厚度和空间位置对原始snap图像进行重切片，得到重切片snap图像。
61.在步骤中，这里的“原始snap图像”是指基于snap技术采集多对比度snap图像。
62.步骤3：将所述初始分割轮廓从所述原始多对比度图像中映射到所述重切片snap图像，得到目标图像。其中目标图像是经过预处理得到的多对比度snap图像。
63.在该步骤中，对于每个动脉，将来自多对比度图像的手动描绘的轮廓映射到重切片snap图像。如果cr图像显示良好的管腔轮廓，即超过一半的管腔边界清晰可见，则snap图像的质量良好，否则为较差质量。根据轮廓与重切片snap图像匹配程度，对轮廓映射的配准度进行评分，排除传统多对比度图像和重切片snap图像中质量较差的切片，并排除由于运动导致与传统多对比度图像配准不良的重切片snap图像。这样，重切片snap图像上的每个像素都可以标记为ca、iph、lrnc或ft。所有图像都以平面内空间分辨率为0.31
×
0.31mm2进行插值。
64.在步骤s120中，“对所述目标图像进行图像特征提取”包括如下步骤：
65.强度特征提取：在以颈动脉为中心，预设直径范围(例如4cm)的圆形感兴趣区域内，每个目标图像除以其中值信号强度，以归一化每个像素的强度特征，其中强度特征包括反转恢复图像ir的实部r、虚部i和幅值m，参考图像ref和相位敏感重建图像cr的幅值m以及snap2图像的实部r，如图3所示,其中箭头所指为钙化病变。
66.形态特征提取：根据三角剖分算法确定目标图像的形态特征，其中形态特征包括血管壁的局部厚度以及像素到管腔的距离。
67.步骤s130、基于所述目标图像分别对多个机器学习分类器进行训练。
68.在该步骤中，先对目标图像进行富脂和/或坏死核心、钙化和纤维组织进行识别；然后在识别到富脂和/或坏死核心时，从富脂和/或坏死核心区域中分割出斑块内出血区域。主要分为如下两个步骤：步骤1：对目标图像中钙化区域进行上采样到富脂和/或坏死核心区域的数据大小，纤维组织区域进行下采样到钙化区域和富脂和/或坏死核心区域的数据总和；步骤2：对目标图像中斑块内出血区域进行上采样到富脂和/或坏死核心区域的数据大小，其中步骤1、2中的上采样使用mote算法完成，下采样通过从原始数据中随机选择像素完成。
69.具体地，在对多个机器学习分类器(朴素贝叶斯、支持向量机、随机森林、梯度提升决策树和人工神经网络)进行训练的过程中，首先对所有图像进行lrnc(有无iph)、ca和ft的识别，然后从lrnc中分割出iph。由于训练数据样本量的不平衡可能会影响机器学习方法的性能，因此在训练之前进行重采样。在第一步中，ca上采样到lrnc的数据大小，ft下采样到ca和lrnc的总和。在第二步中，将iph上采样到lrnc的数据大小。所有的上采样使用mote算法完成，所有的下采样通过从原始数据中随机选择像素完成。最后比较这五种分类器对斑块成分的分割效果，根据分割效果选出最优分类器。
70.更具体地，针对上述五种分类器的具体算法如下：
71.(1)朴素贝叶斯
72.朴素贝叶斯(naive bayes,nb)是机器学习和数据挖掘中最有效的归纳学习算法之一。分类器是为实例指定类标签的函数。从概率层面，根据bayes准则，实例e＝(x1,x2,
…
,xn)为类别c的概率为：
[0073][0074]
e被分类为c＝+当且仅当:
[0075][0076]
其中，fb(e)为贝叶斯分类器。假设在给定分类变量的值时，所有属性都是独立的，即：
[0077][0078]
由此产生的函数f
nb
(e)即为nb分类器：
[0079][0080]
(2)支持向量机
[0081]
支持向量机(support vector machine,svm)算法的目标是在n维空间(n即特征的数量)中找到一个超平面，该超平面可以明确地对数据进行分类，通过估计最大化边距即两类数据之间的最大距离，以确定一个具有最大边距的超平面，以便更可靠地对数据进行分类。使边距最大化的损失函数表示为合页损失函数：
[0082][0083]
(3)随机森林
[0084]
随机森林(random forest,rf)是包含多个决策树组合的分类器，每个决策树都依赖于独立采样的随机向量的值，且在随机森林中的所有决策树具有相同的分布。随机森林中的每棵决策树都会给出一个分类预测，最终投票最多的分类即模型的预测值。
[0085]
(4)梯度提升决策树
[0086]
梯度提升决策树(gradient boosting decision tree,gbdt)通过依次构建更简单的预测模型，其中每个模型都试图预测前一个模型遗留的误差。使用损失函数的负梯度在当前模型的值作为提升树模型残差的近似值，损失函数负梯度的公式如下：
[0087][0088]
梯度提升算法具体如下：首先初始化f0(x)＝argming∑l(yi,g),对于每一个样本(xi,yi)，计算其残差的近似值：
[0089][0090]
利用{(xi,r
m,i
)}i＝1,2
…
n训练处第m棵回归树gm，其中叶节点的区域为r
m,j
,j＝1,2,
…jm
，jm[0091]
为第m棵决策树叶子节点的个数。利用回归树gm的每一个叶节点，计算最佳拟合值：
[0092]gm,j
＝argming∑l(yi,f
m-1
(xi)+gm)
[0093]
更新得到最终的梯度提升树模型：
[0094][0095]
(5)人工神经网络
[0096]
人工神经网络(artificial neural network,ann)是基于一组模拟生物大脑中神经元的人工神经元的连接单元或节点，每个连接都可以向其他神经元传递信号。人工神经元接收信号，然后对其进行处理，并向与其相连的神经元发送信号。连接处的“信号”是实数，每个神经元的输出由其输入之和的一些非线性函数计算，这些连接称为边。神经元和边通常具有随学习进行而调整的权重，权重可以增加或减少连接处的信号强度。神经元具有一个阈值，只有当聚合信号超过该阈值时，才会发送信号。通常，神经元聚集成层。不同的层可以对其输入执行不同的转换。信号在多次穿越这些层之后从第一层(输入层)传输到最后一层(输出层)。
[0097]
步骤s140、根据训练后的机器学习分类器和所述图像特征对斑块成分进行分析，根据分析结果从多个机器学习分类器中选出目标分类器。
[0098]
在步骤s140中，将所述图像特征输入至训练后的机器学习分类器中，输出概率图，其中所述概率图用于表示像素属于颈动脉斑块的不同成分的概率。
[0099]
具体地，在分类器计算出每个像素的概率后，可以将每个像素分类为颈动脉斑块的不同成分，并在机器学习分类器生成的概率图上使用水平集法(level set method)来定义ca、iph和lrnc的最终轮廓。如图4所示，(a)为手工分割多对比图像、(b)为基于(a)的snap映射分割、(c)为机器学习算法分割结果示意图。其中轮廓不同成分区域用不同颜色进行显示，例如管腔(红色)、外壁(青色)、ca(蓝色)、iph(深红色)、lrnc(黄色)和ft(灰色)；颜色表示概率最高的成分，强度表示像素为该成分的概率。绿色轮廓表示绘制轮廓后生成的最终分割。nb，朴素贝叶斯；svm，支持向量机；rf，随机森林；gbdt，梯度提升决策树；ann，人工神经网络；ca，钙化；iph，斑块内出血；lrnc，富脂/坏死核心；ft，纤维组织。轮廓绘制有助于消除由噪声引起的孤立像素和卷积区域，同时轮廓生成过程为用户在必要时进行手动调整分割提供了灵活性。
[0100]
在一个实施例中，所述方法还包括模型验证，具体如下：
[0101]
使用基于动脉和基于切片的10折交叉验证来分别测试第一步和第二步的分割性能。第一步将所有动脉分成10个子样本，第二步将含有lrnc的切片分成10个子样本，然后将
9个子样本的像素数据作为训练数据。对于其余数据，所有像素用作第一步的测试数据，第一步中预测为lrnc的像素用作第二步的测试数据。报告测试中每个分类器的整体像素精度。由于斑块区域是进行斑块成分量化的基本标志，因此计算手工和机器学习算法自动化分割之间斑块区域面积的皮尔逊相关系数。然后，评估(第一步)所有切片中存在lrnc和ca以及(第二步)含有lrnc的切片中存在iph的敏感性、特异性和youden指数。
[0102]
在第一步中，所有分类器的lrnc、ca和ft自动化分割均与手动分割结果呈显著相关。基于6个强度特征所构建的总体像素准确度分别为：0.91(nb)、0.90(svm)、0.91(rf)、0.89(gbdt)和0.89(ann)，其中rf、gbdt和ann与手工分割结果的相关系数高于使用较少强度特征所构建的模型。对于lrnc和ca的分割，rf、gbdt和ann的youden指数均分别高于0.79和0.76，优于nb和svm。而在lrnc中识别iph的第二步中，每种分类器的总体像素准确度分别为：0.78(nb)、0.88(svm)、0.80(rf)、0.82(gbdt)和0.84(ann)。其中，rf、gbdt和ann的分割结果与手动分割结果显著相关，其相关系数均大于0.62，而nb和svm分类器的相关系数相对较低。在第二步中，rf分类器的youden指数最高(0.69)。
[0103]
综上，本技术基于单个snap序列并综合6个强度特征(ir的幅值、ir的实部和虚部、ref和cr的幅值、snap2的实部)所开发的rf模型可作为评估颈动脉粥样硬化斑块成分(lrnc、iph、ca和ft)的有效工具。
[0104]
本发明提供的基于snap技术的斑块成分分析方法，通过基于snap技术采集多对比度snap图像；以传统颈动脉多对比度图像的手工分割为参考，对所述多对比度snap图像进行预处理得到目标图像，并对所述目标图像进行图像特征提取；基于所述目标图像分别对多个机器学习分类器进行训练；根据训练后的机器学习分类器和所述图像特征对斑块成分进行分析，根据分析结果从多个机器学习分类器中选出目标分类器。本发明能够极大地提升斑块成分分割性能，并且可以避免由于颈动脉的非刚性运动所造成的传统多对比度图像之间可能存在的配准错误。
[0105]
技术效果：
[0106]
(1)本技术通过整合6个强度特征(ir的幅值、ir的实部和虚部、ref和cr的幅值、snap2的实部)和形态学信息，能够比人工分割更有效地区分轻微的信号差异。同时，人工智能算法自动化分割比手动分割方法节省了时间成本，且减少了人工主观误差所造成的偏倚。
[0107]
(2)本技术与传统的多对比度图像相比，snap图像是一种3d序列，其覆盖范围更大(48mm vs.250mm)，扫描时间更短(12min vs.7min)。本技术提出的基于snap的两步骤分割rf算法可以在更大范围内量化颈动脉斑块成分，具有极大应用价值。
[0108]
本发明的实施例还提供一种基于snap技术的斑块成分分析装置，如图5所示，包括：
[0109]
图像采集模块，用于基于snap技术采集多对比度snap图像，其中多对比度snap图像包括反转恢复图像、参考图像、相位敏感重建图像和snap2图像；
[0110]
图像预处理模块，用于以传统颈动脉多对比度图像的手工分割为参考，对所述多对比度snap图像进行预处理得到目标图像，并对所述目标图像进行图像特征提取，其中图像特征包括强度特征和形态特征；
[0111]
分类器训练模块，用于基于所述目标图像分别对多个机器学习分类器进行训练，
其中机器学习分类器包括朴素贝叶斯、支持向量机、随机森林、梯度提升决策树和人工神经网络；
[0112]
目标分类器确定模块，用于根据训练后的机器学习分类器和所述图像特征对斑块成分进行分析，根据分析结果从多个机器学习分类器中选出目标分类器。
[0113]
在一个实施例中，图像预处理模块，包括：
[0114]
手动分割单元，用于基于既定标准手动分割原始多对比度图像，得到初始分割轮廓；
[0115]
重切片单元，用于根据原始多对比度图像的厚度和空间位置对原始snap图像进行重切片，得到重切片snap图像；
[0116]
映射单元，用于将所述初始分割轮廓从所述原始多对比度图像中映射到所述重切片snap图像，得到目标图像。
[0117]
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(application specific integrated circuits，asic)中。另外，该asic可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(rom)、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0118]
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
[0119]
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，dsp)等。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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0120]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。