易损斑块检测方法及相关设备

1.本发明涉及医学鉴定领域，尤其涉及一种易损斑块检测方法及相关设备。


背景技术：

2.动脉粥样硬化是导致脑卒中最常见的原因，其中，易损斑块是指导致患者发生脑卒中事件的斑块，脑卒中患者颅内血管内可能存在多个斑块，那么，找到易损斑块并对其进行治疗对改善预后以及防止脑卒中复发至关重要。
3.我们在颈内动脉斑块内观察到的脂肪成分，纤维帽等很难在颅内斑块中观察到，一般来说，hrmr-vwi能很好的显示颈动脉斑块，对于颅内斑块，由于血管较小及临床上疾病的影响，并不是所有的斑块都是典型易辨认的，准确且清晰的显示所有的斑块并对其进行确定诊断仍存在一定的困难，而确定出易损斑块则更加有挑战性。


技术实现要素：

4.鉴于上述问题，本发明提供一种易损斑块检测方法及相关设备，主要目的在于解决目前缺少一种准确鉴定出血管壁图像中的易损斑块的方法的问题。
5.为解决上述至少一种技术问题，第一方面，本发明提供了一种易损斑块检测方法，该方法包括：
6.基于至少两个试验样本的斑块特征通过平扫加增强3d hrmr-vwi图像构建影像组学模型；
7.基于传统模型与上述影像组学模型确定融合预测模型；
8.基于上述融合预测模型确定目标样本的易损斑块。
9.可选的，上述方法还包括：
10.获取至少两个试验样本的图像数据，其中，上述图像数据包括增强前和增强后的高分辨率核磁共振成像。
11.可选的，上述方法还包括：
12.基于上述图像数据确定斑块信息，
13.其中，上述斑块信息包括：斑块直径，最小管腔面积，斑块内出血，最小管腔直径，狭窄率，斑块负荷，强化率和重塑指数。
14.可选的，上述方法还包括：
15.基于至少两个试验样本的斑块特征和危险因素构建传统模型，其中，上述危险因素用于表征易导致易损斑块出现的因素。
16.可选的，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
17.基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块。
18.可选的，上述基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块，包括：
19.获取目标样本的斑块特征和危险因素；
20.基于上述目标样本的斑块特征和危险因素通过上述融合预测模型确定评估参数；
21.基于上述评估参数确定易损斑块。
22.可选的，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
23.将上述评估参数满足预设条件的斑块确定为上述易损斑块，
24.其中，上述评估参数包括：auc、敏感度，特异度，准确度、阴性预测值和阳性预测值。
25.第二方面，本发明实施例还提供了一种易损斑块检测装置，包括：
26.构建单元，用于基于至少两个试验样本的斑块特征通过平扫加增强3dhrmr-vwi图像构建影像组学模型；
27.确定单元，基于传统模型与上述影像组学模型确定融合预测模型；
28.第二确定单元，用于上述融合预测模型确定目标样本的易损斑块。
29.为了实现上述目的，根据本发明的第三方面，提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序被处理器执行时实现上述的易损斑块检测方法的步骤。
30.为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行上述的易损斑块检测方法的步骤。
31.借由上述技术方案，本发明提供的易损斑块检测方法及相关设备，对于目前缺少一种准确鉴定出血管壁图像中的易损斑块的方法的问题，本发明通过基于至少两个试验样本的斑块特征通过平扫加增强3d hrmr-vwi图像构建影像组学模型；基于传统模型与上述影像组学模型确定融合预测模型；基于上述融合预测模型确定目标样本的易损斑块。在上述方案中，将斑块分割出来，从影像图像中高通量提取大量图像特征，可以检测人眼看不到的海量信息。基于3d的序列，采用影像组学的方法，在增强前后的3d hrmr-vwi上，将传统模型与上述影像组学模型融合以评估大脑中动脉易损斑块与非易损斑块在影像组学中差异，从而更精准的评估易损斑块。
32.相应地，本发明实施例提供的易损斑块检测装置、设备和计算机可读存储介质，也同样具有上述技术效果。
33.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
34.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
35.图1示出了本发明实施例提供的一种易损斑块检测方法的流程示意图；
36.图2示出了本发明实施例提供的一种易损斑块检测装置的组成示意框图；
37.图3示出了本发明实施例提供的一种易损斑块检测电子设备的组成示意框图。
具体实施方式
38.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
39.为了解决目前缺少一种准确鉴定出血管壁图像中的易损斑块的方法的问题，本发明实施例提供了一种易损斑块检测方法，如图1所示，该方法包括：
40.s101、基于至少两个试验样本的斑块特征通过平扫加增强3d hrmr-vwi图像构建影像组学模型；
41.示例性的，在itk snap软件中勾画斑块，分别导入增强前后的3d hrmr-vwi到itk snap中，勾画并提取整个斑块的roi。
42.示例性的，xgb模型是新兴的建模方法，xgb的核心思想是以分类与回归树(classification and regression tree,cart)为基础分类器，通过迭代处理方式降低真实值与预测值之间的残差损失，以降低残差损失为目标沿着梯度方向进行优化，从而不断分裂特征进行树的生长。
43.示例性的，本方法使用pyradiomics分别从增强前后的3d hrmr-vwi中得到的roi中提取特征，采用最大相关最小冗余放射组学特征筛选，各序列剩余10个特征。采用极端梯度提升法(extreme gradient boosting，xgb)建立平扫+增强3d hrmr-vwi模型。
44.s102、基于传统模型与上述影像组学模型确定融合预测模型；
45.示例性的，传统模型由以上斑块特征和危险因素来构建。
46.示例性的，xgb模型是新兴的建模方法，xgb的核心思想是以分类与回归树(classification and regression tree,cart)为基础分类器，通过迭代处理方式降低真实值与预测值之间的残差损失，以降低残差损失为目标沿着梯度方向进行优化，从而不断分裂特征进行树的生长。
47.示例性的，将临床特征中筛选出来的指标和增强前后的3d hrmr-vwi特征用于构建最终的融合预测模型。
48.s103、基于上述融合预测模型确定目标样本的易损斑块。
49.示例性的，将临床特征中筛选出来的指标和增强前后的3d hrmr-vwi特征用于构建最终的融合预测模型。使用受试者工作曲线(receiver operating characteristic，roc)评估模型的预测性能。计算roc曲线下面积(area under curve，auc)、敏感性，特异性，准确性，阴性预测值(negative predictive value，npv)和阳性预测值(positive predictive value，ppv)，使用校准曲线评估模型的可靠性。此外，用临床决策曲线通过量化不同阈值概率下的净收益来确定我们建立的诺莫图的临床效用。
50.示例性的，本方法相比于基于2d的图像，只测量了最大层面的直方图信息，研究测量3d hrmr-vwi上的整个斑块，预测效能也更好。
51.示例性的，本方法结合临床信息和影像组学，在3d hrmr-vwi上建立了颅内大脑中动脉易损斑块的融合预测模型并达到了很好的效能。传统信息中，仅斑块内出血是预测易损斑块的独立预测因子，影像组学的预测模型效能要优于临床模型，本方法的融合预测模型为确定血管壁图像中的易损斑块提供了新的方法。
52.借由上述技术方案，本发明提供的易损斑块检测方法，对于目前缺少一种准确鉴定出血管壁图像中的易损斑块的方法的问题，本发明通过基于至少两个试验样本的斑块特征通过平扫加增强3d hrmr-vwi图像构建影像组学模型；基于传统模型与上述影像组学模型确定融合预测模型；基于上述融合预测模型确定目标样本的易损斑块。在上述方案中，将斑块分割出来，从影像图像中高通量提取大量图像特征，可以检测人眼看不到的海量信息。基于3d的序列，采用影像组学的方法，在增强前后的3d hrmr-vwi上，将传统模型与上述影像组学模型融合以评估大脑中动脉易损斑块与非易损斑块在影像组学中差异，从而更精准的评估易损斑块。
53.在一种实施例中，上述方法还包括：
54.获取至少两个试验样本的图像数据，其中，上述图像数据包括增强前和增强后的高分辨率核磁共振成像。
55.示例性的，对试验样本进行磁共振检查，获取试验样本的的图像数据以确定若干个大脑中动脉粥样硬化斑块，按照7：3的比例随机分为训练集和验证集，磁共振检查包括增强前后的高分辨率核磁共振成像(3d hrmr-vwi)，根据磁共振图像和临床症状将斑块分为易损斑块非易损斑块。
56.在一种实施例中，上述方法还包括：
57.基于上述图像数据确定斑块信息，
58.其中，上述斑块信息包括：斑块直径，最小管腔面积，斑块内出血，最小管腔直径，狭窄率，斑块负荷，强化率和重塑指数。
59.示例性的，将3d hrmr-vwi和tof-mra导入联影后处理工作站(uws-mr)，测量斑块所致狭窄处斑块直径dp，血管直径dv，管腔面积sl,血管面积sv，平扫斑块信号，平扫周围灰质信号，以及增强后的斑块信号和增强后周围灰质信号，远端正常血管面积。在软件中勾画斑块，分别导入增强前后的3dhrmr-vwi到itk snap中，勾画整个斑块的roi。
60.示例性的，基于上述测量和获取的数据确定斑块特征：斑块直径，最小管腔面积，斑块内是否出血，最小管腔直径，狭窄率，斑块负荷，强化率和重塑指数。
61.狭窄率：
[0062][0063]
其中，ds为管腔最狭窄处的直径，dd为远端正常血管直径，dp为近端正常血管直径。
[0064]
斑块负荷：
[0065][0066]
重塑指数：
[0067][0068]
强化率：
[0069][0070]
在一种实施例中，上述方法还包括：
[0071]
基于至少两个试验样本的斑块特征和危险因素构建传统模型，其中，上述危险因素用于表征易导致易损斑块出现的因素。
[0072]
采用极端梯度提升法(extreme gradient boosting，xgb)建立平扫3dhrmr-vwi模型+增强3d hrmr-vwi模型。
[0073]
示例性的，传统模型评估易损斑块的效果，可以通过对单因素评估，发现最小管腔面积，斑块内出血，最小管腔直径，狭窄率，斑块负荷和强化率在两组(训练集和验证集)之间均有差异，易损斑块的最小管腔面积和最小管腔直径均小于非易损斑块，易损斑块的狭窄率高于非易损斑块，在易损斑块的斑块内出血高于非易损斑块，易损斑块的斑块负荷也高于非易损斑块，易损斑块的强化率高于非易损斑块。经过多因素logistic回归分析后，确定仅内出血斑块的在确定易损斑块中有意义。
[0074]
在一种实施例中，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
[0075]
基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块。
[0076]
示例性的，试验样本为若干个血管壁图像，试验样本的危险因素包括：试验样本所属主体的性别，年龄，高血压，高血脂，糖尿病，抽烟，饮酒，冠心病史，脑卒中史等。传统模型由以上斑块特征和危险因素来构建。
[0077]
在一种实施例中，上述基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块，包括：
[0078]
获取目标样本的斑块特征和危险因素；
[0079]
基于上述目标样本的斑块特征和危险因素通过上述融合预测模型确定评估参数；
[0080]
基于上述评估参数确定易损斑块。
[0081]
示例性的，在确定融合预测模型后对其进行应用，首先获取目标样本的斑块特征和危险因素，将上述目标样本的斑块特征和危险因素代入上述融合预测模型确定评估参数，然后基于评估参数对上述目标样本的斑块进行评定以确定易损斑块。
[0082]
在一种实施例中，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
[0083]
将上述评估参数满足预设条件的斑块确定为上述易损斑块，
[0084]
其中，上述评估参数包括：auc、敏感度，特异度，准确度、阴性预测值和阳性预测值。
[0085]
示例性的，基于斑块的以下评估参数：auc、敏感度，特异度，准确度、阴性预测值和阳性预测值，可以确定是否存在易损斑块以及哪些斑块为易损斑块。
[0086]
示例性的，为了识别症状性大脑中动脉中的易损斑块，本研究结合了传统信息(脑卒中的危险因素和斑块信息)以及增强前后3d hrmr-vwi的影像组学信息，采用影像组学方法建立了预测模型，本方法有以下发现：检测出易损斑块的auc为0.949，其敏感度，特异度为91.67％，83.67％，达到了很高的效能。
[0087]
进一步的，以下示出了本发明实施例的具体实现过程：
[0088]
基于至少两个试验样本的斑块特征通过平扫加增强3d hrmr-vwi图像构建影像组
学模型；在itk snap软件中勾画斑块，分别导入增强前后的3dhrmr-vwi到itk snap中，勾画并提取整个斑块的roi。
[0089]
示例性的，xgb模型是新兴的建模方法，xgb的核心思想是以分类与回归树(classification and regression tree,cart)为基础分类器，通过迭代处理方式降低真实值与预测值之间的残差损失，以降低残差损失为目标沿着梯度方向进行优化，从而不断分裂特征进行树的生长。
[0090]
示例性的，使用pyradiomics分别从增强前后的3d hrmr-vwi中得到的roi中提取特征，采用最大相关最小冗余放射组学特征筛选，各序列剩余10个特征。采用极端梯度提升法(extreme gradient boosting，xgb)建立平扫+增强3d hrmr-vwi模型。
[0091]
基于传统模型与上述影像组学模型确定融合预测模型，其中，传统模型由以上斑块特征和危险因素来构建。
[0092]
示例性的，将3d hrmr-vwi和tof-mra导入联影后处理工作站(uws-mr)，测量斑块所致狭窄处斑块直径dp，血管直径dv，管腔面积sl,血管面积sv，平扫斑块信号，平扫周围灰质信号，以及增强后的斑块信号和增强后周围灰质信号，远端正常血管面积。
[0093]
示例性的，基于测量和获取的数据确定斑块特征：斑块直径，最小管腔面积，斑块内是否出血，最小管腔直径，狭窄率，斑块负荷，强化率和重塑指数。
[0094]
基于至少两个试验样本的斑块特征和危险因素构建传统模型，传统模型用于评估易损斑块的效果，可以通过对单因素评估，发现最小管腔面积，斑块内出血，最小管腔直径，狭窄率，斑块负荷和强化率在两组(训练集和验证集)之间均有差异，易损斑块的最小管腔面积和最小管腔直径均小于非易损斑块，易损斑块的狭窄率高于非易损斑块，在易损斑块的斑块内出血高于非易损斑块，易损斑块的斑块负荷也高于非易损斑块，易损斑块的强化率高于非易损斑块。
[0095]
基于融合预测模型和目标样本的危险因素确定目标样本的易损斑块。
[0096]
示例性的，将临床特征中筛选出来的指标和增强前后的3d hrmr-vwi特征用于构建最终的融合预测模型。
[0097]
基于融合预测模型确定目标样本的易损斑块。
[0098]
示例性的，将临床特征中筛选出来的指标和增强前后的3d hrmr-vwi特征用于构建最终的融合预测模型。使用受试者工作曲线(receiver operating characteristic，roc)评估模型的预测性能。计算roc曲线下面积(area under curve，auc)、敏感性，特异性，准确性，阴性预测值(negative predictive value，npv)和阳性预测值(positive predictive value，ppv)，使用校准曲线评估模型的可靠性。此外，用临床决策曲线通过量化不同阈值概率下的净收益来确定我们建立的诺莫图的临床效用。相比于基于2d的图像，只测量了最大层面的直方图信息，研究测量3d hrmr-vwi上的整个斑块，预测效能也更好。
[0099]
进一步的，作为对上述图1所示方法的实现，本发明实施例还提供了一种易损斑块检测装置，用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图2所示，该装置包括：构建单元21、确定单元22及第二确定单元23，其中
[0100]
构建单元21，用于基于至少两个试验样本的斑块特征通过平扫加增强3dhrmr-vwi
图像构建影像组学模型；
[0101]
确定单元22，基于传统模型与上述影像组学模型确定融合预测模型；
[0102]
第二确定单元23，用于上述融合预测模型确定目标样本的易损斑块。
[0103]
示例性的，上述单元还用于：
[0104]
获取至少两个试验样本的图像数据，其中，上述图像数据包括增强前和增强后的高分辨率核磁共振成像。
[0105]
示例性的，上述单元还用于：
[0106]
基于上述图像数据确定斑块信息，
[0107]
其中，上述斑块信息包括：斑块直径，最小管腔面积，斑块内出血，最小管腔直径，狭窄率，斑块负荷，强化率和重塑指数。
[0108]
示例性的，上述单元还用于：
[0109]
基于至少两个试验样本的斑块特征和危险因素构建传统模型，其中，上述危险因素用于表征易导致易损斑块出现的因素。
[0110]
示例性的，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
[0111]
基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块。
[0112]
示例性的，上述基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块，包括：
[0113]
获取目标样本的斑块特征和危险因素；
[0114]
基于上述目标样本的斑块特征和危险因素通过上述融合预测模型确定评估参数；
[0115]
基于上述评估参数确定易损斑块。
[0116]
示例性的，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
[0117]
将上述评估参数满足预设条件的斑块确定为上述易损斑块，
[0118]
其中，上述评估参数包括：auc、敏感度，特异度，准确度、阴性预测值和阳性预测值。
[0119]
借由上述技术方案，本发明提供的易损斑块检测装置，对于目前缺少一种准确鉴定出血管壁图像中的易损斑块的方法的问题，本发明通过基于至少两个试验样本的斑块特征通过平扫加增强3d hrmr-vwi图像构建影像组学模型；基于传统模型与上述影像组学模型确定融合预测模型；基于上述融合预测模型确定目标样本的易损斑块。在上述方案中，将斑块分割出来，从影像图像中高通量提取大量图像特征，可以检测人眼看不到的海量信息。基于3d的序列，采用影像组学的方法，在增强前后的3d hrmr-vwi上，将传统模型与上述影像组学模型融合以评估大脑中动脉易损斑块与非易损斑块在影像组学中差异，从而更精准的评估易损斑块。
[0120]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现一种易损斑块检测方法，能够解决目前缺少一种准确鉴定出血管壁图像中的易损斑块的方法的问题。
[0121]
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，该程序被处理器执行时实现上述易损斑块检测方法。
[0122]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述易损斑块检测方法。
[0123]
本发明实施例提供了一种电子设备，上述电子设备包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行如上述的易损斑块检测方法
[0124]
本发明实施例提供了一种电子设备30，如图3所示，电子设备包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303；其中，处理器301、存储器302通过总线303完成相互间的通信；处理器301用于调用存储器中的程序指令，以执行上述的易损斑块检测方法。
[0125]
本文中的智能电子设备可以是pc、pad、手机等。
[0126]
本技术还提供了一种计算机程序产品，当在流程管理电子设备上执行时，适于执行初始化有如下方法步骤的程序：
[0127]
基于至少两个试验样本的斑块特征通过平扫加增强3d hrmr-vwi图像构建影像组学模型；
[0128]
基于传统模型与上述影像组学模型确定融合预测模型；
[0129]
基于上述融合预测模型确定目标样本的易损斑块。
[0130]
进一步的，上述方法还包括：
[0131]
获取至少两个试验样本的图像数据，其中，上述图像数据包括增强前和增强后的高分辨率核磁共振成像。
[0132]
进一步的，上述方法还包括：
[0133]
基于上述图像数据确定斑块信息，
[0134]
其中，上述斑块信息包括：斑块直径，最小管腔面积，斑块内出血，最小管腔直径，狭窄率，斑块负荷，强化率和重塑指数。
[0135]
进一步的，上述方法还包括：
[0136]
基于至少两个试验样本的斑块特征和危险因素构建传统模型，其中，上述危险因素用于表征易导致易损斑块出现的因素。
[0137]
进一步的，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
[0138]
基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块。
[0139]
进一步的，上述基于上述融合预测模型和上述目标样本的危险因素确定目标样本的易损斑块，包括：
[0140]
获取目标样本的斑块特征和危险因素；
[0141]
基于上述目标样本的斑块特征和危险因素通过上述融合预测模型确定评估参数；
[0142]
基于上述评估参数确定易损斑块。
[0143]
进一步的，上述基于上述融合预测模型确定目标样本的易损斑块，包括：
[0144]
将上述评估参数满足预设条件的斑块确定为上述易损斑块，
[0145]
其中，上述评估参数包括：auc、敏感度，特异度，准确度、阴性预测值和阳性预测值。
[0146]
本技术是参照根据本技术实施例的方法、电子设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程流程管理电子设备的处
理器以产生一个机器，使得通过计算机或其他可编程流程管理电子设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0147]
在一个典型的配置中，电子设备包括一个或多个处理器(cpu)、存储器和总线。电子设备还可以包括输入/输出接口、网络接口等。
[0148]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
[0149]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的计算机可读存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储电子设备或任何其他非传输介质，可用于存储可以被计算电子设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0150]
还需要说明的是，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、商品或者电子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、商品或者电子设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者电子设备中还存在另外的相同要素。
[0151]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0152]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。