磁共振指纹序列参数处理方法、装置及存储介质与流程

1.本技术涉及磁共振指纹mrf技术领域，特别是涉及一种磁共振指纹序列参数处理方法、装置及存储介质。


背景技术：

2.磁共振指纹(mr fingerprinting，mrf)技术是一种定量磁共振成像方法，可以在单次有效采集时间中同时测量多种组织特性参数，其可重复性好和能定量测量组织特性的能力可以更客观地协助诊断。mrf采集的整个过程可分为信号采集、字典生成和模式匹配等步骤。在信号采集过程中，采集参数如射频翻转角(flip angle，fa)、重复时间(repetition time，tr)和k空间采样轨迹随着时间不断变化。在实际应用中，为了将成像物体的不同组织成分进行有效区分，并保持信号演变曲线时间和空间上的不相关性，mrf需要将射频脉冲序列的fa和tr等采集参数设置为在时域伪随机变化，如类似正弦曲线的变化趋势，以减少因采集参数的剧烈波动导致的信号丢失，降低噪声或混叠伪影等干扰信号产生的影响。
3.而在字典生成过程中，通常通过布洛赫仿真获取不同组织参数和采集参数组合下的指纹信号生成字典。为了提高字典定量参数图的准确性，可以对采集参数包括fa和tr进行优化从而提高对参数的敏感性，以正确区分各组织部位，减少匹配错误。而对参数的敏感性特征可以通过字典的正交性来衡量，字典的正交性越好，词条相关性越小，参数敏感性越高。因此，现有技术以指纹字典的正交性为目标函数，基于该目标函数对采集参数进行优化获取正交性的最大值，然而优化后的采集参数往往不符合伪随机变化的特征，无法降低干扰信号对该采集参数对应的信号曲线输出参数的影响，得到的输出参数准确性低。
4.针对相关技术中存在的采集参数无法降低干扰信号对信号曲线输出参数的影响，得到的输出参数准确性低的问题，目前还没有提出有效的解决方案。


技术实现要素：

5.在本实施例中提供了一种磁共振指纹序列参数处理方法、装置、计算机设备及存储介质，以解决相关技术中存在的采集参数无法同时满足减少干扰信号影响和增加字典正交性的问题。
6.第一个方面，在本实施例中提供了一种磁共振指纹序列参数处理方法，所述方法包括：
7.基于至少一个评价因子，确定出第一影响因子；其中，所述评价因子用于评价干扰信号对第一信号曲线的影响，所述第一信号曲线基于磁共振指纹成像对应的序列参数数组和所述干扰信号生成；
8.基于字典的正交性，确定出第二影响因子；其中，所述字典基于第二信号曲线所生成，所述第二信号曲线基于所述序列参数数组生成；
9.基于所述第一影响因子、所述第二影响因子与获取到的权重系数，构建目标函数；
10.基于所述目标函数，对所述序列参数数组进行处理。
11.在其中的一些实施例中，所述基于至少一个评价因子，确定出第一影响因子包括：
12.基于所述干扰信号的特征值，以及所述第一信号曲线对应的至少一个评价因子，确定所述第一信号曲线对应的输出参数统计值；
13.基于所述输出参数统计值确定所述第一影响因子。
14.在其中的一些实施例中，所述基于字典的正交性，确定出第二影响因子包括：
15.基于所述字典获取对应的转置矩阵；
16.基于所述字典与所述转置矩阵的乘积获取参考矩阵，基于所述参考矩阵与单位矩阵的差值获取所述字典的正交性参数；
17.基于所述正交性参数确定所述第二影响因子。
18.在其中的一些实施例中，在所述基于至少一个评价因子，确定出第一影响因子之前，所述方法还包括：
19.基于所述干扰信号与所述第二信号曲线，生成所述第一信号曲线；
20.对所述第一信号曲线进行拟合，获取对应的拟合参数；
21.基于所述拟合参数，获取所述第一信号曲线对应的至少一个评价因子。
22.在其中的一些实施例中，所述干扰信号为噪声信号和混叠伪影信号中的至少一种，所述评价因子为噪声评价因子和混叠伪影评价因子中的至少一种。
23.在其中的一些实施例中，以一个所述序列参数数组为一个待优化种群，所述基于所述目标函数对所述序列参数数组进行处理包括：
24.基于遗传算法对至少一个所述待优化种群进行迭代，并获取每次迭代生成的种群的适应度，所述适应度基于所述序列参数数组对应的目标函数值所确定；
25.在所述迭代的次数达到预设次数，或所述迭代生成的种群的适应度的迭代误差小于预设阈值的情况下，停止所述迭代，获取至少一个优化后种群。
26.在其中的一些实施例中，所述基于所述目标函数对所述序列参数数组进行处理还包括：
27.基于预设的目标元素数量对至少一个所述待优化种群进行迭代，获取所述优化后种群。
28.在其中的一些实施例中，所述基于预设的目标元素数量对至少一个所述待优化种群进行迭代包括：
29.基于所述待优化种群的适应度，对所述待优化种群进行遗传选择，获取选择后种群；
30.对所述选择后种群进行交叉操作和变异操作，获取变异后种群。
31.第二个方面，在本实施例中提供了一种磁共振指纹序列参数处理装置，所述磁共振指纹序列参数处理装置包括：
32.第一确定模块，用于基于至少一个评价因子，确定出第一影响因子；其中，所述评价因子用于评价干扰信号对第一信号曲线的影响，所述第一信号曲线基于磁共振指纹成像对应的序列参数数组和所述干扰信号生成；
33.第二确定模块，用于基于字典的正交性，确定出第二影响因子；其中，所述字典基于第二信号曲线所生成，所述第二信号曲线基于所述序列参数数组生成；
34.构建模块，用于基于所述第一影响因子、所述第二影响因子与获取到的权重系数，
构建目标函数；
35.处理模块，用于基于所述目标函数，对所述序列参数数组进行处理。
36.第三个方面，在本实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一个方面所述的磁共振指纹序列参数处理方法的步骤。
37.与相关技术相比，本实施例中提供的磁共振指纹序列参数处理方法，通过基于至少一个评价因子，确定出第一影响因子，即通过第一影响因子反映干扰信号对磁共振信号曲线的影响；通过基于字典的正交性，确定出第二影响因子，即通过第二影响因子反映字典的正交性；通过基于第一影响因子、第二影响因子与获取到的权重系数，构建目标函数，将两种因素纳入序列参数的优化目标函数中作为变量；通过基于该目标函数，对序列参数数组进行处理，使得序列参数数组中的采集参数向降低干扰信号对信号曲线输出参数的影响，以及最大化字典正交性的方向进行优化，以解决相关技术中存在的采集参数无法降低干扰信号对信号曲线输出参数的影响，得到的输出参数准确性低的问题。
38.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
39.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
40.图1是本技术一些实施例的磁共振指纹技术的原理示意图；
41.图2是本技术一些实施例的磁共振指纹序列参数处理方法的流程图；
42.图3是本技术一些实施例的基于至少一个评价因子确定第一影响因子的流程图；
43.图4是本技术一些实施例的基于字典的正交性确定第二影响因子的流程图；
44.图5是本技术一些实施例的获取第一信号曲线对应的评价因子的流程图；
45.图6是本技术一些实施例的基于目标函数处理序列参数数组的流程图；
46.图7是本技术一些优选实施例的磁共振指纹序列参数处理方法的流程图；
47.图8是本技术一些实施例的磁共振指纹序列参数处理装置的结构框图。
具体实施方式
48.为更清楚地理解本技术的目的、技术方案和优点，下面结合附图和实施例，对本技术进行了描述和说明。
49.除另作定义外，本技术所涉及的技术术语或者科学术语应具有本技术所属技术领域具备一般技能的人所理解的一般含义。在本技术中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本技术中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本技术中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本技术中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a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。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本技术中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
50.如图1所示，为本技术一些实施例的磁共振指纹(mr fingerprinting，mrf)技术的原理示意图。磁共振指纹技术主要由数据采集部分，字典设计与生成部分和参数量化算法部分组成。数据采集部分以伪随机的方式来采集磁共振信号，将随时间变化的采集参数的组合作为脉冲序列参数数组，采集参数通常为翻转角fa和回波时间tr，也可以包含其他采集参数。脉冲序列参数数组可以表示为{(fa，tr)1，(fa，tr)2，
…
，(fa，tr)i，...}，其中i＝1，2，...，l。l是该脉冲序列参数数组的元素数量，i是一对序列参数(fa，tr)在该数组中按时间顺序的排列序号。如图1(a)所示，图1(a)中的两个曲线分别为fa和tr参数随时间的变化趋势，且该脉冲序列参数数组的元素数量共500个，即l＝500。利用磁共振指纹技术中特有的脉冲序列，如平衡自由稳态进动序列bssfp，快速稳态自由进动成像fisp或伪稳态自由进动序列pssfp等，对某一断层面进行欠采样。这里脉冲序列施加l次，每次脉冲序列的采集参数对应脉冲序列参数数组中的一个元素，如图1(b)的脉冲序列所示，图1(b)中的第一个参数序列为fa，第二个参数序列为tr，两者结合后得到的参数(fa1，tr1)、(fa2，tr2)、(fa3，tr3)、...、(fai，tri)分别对应图1(a)中的脉冲序列参数数组中的每一个元素。图1(b)的第三个序列为k空间采样轨迹，可以是非均匀螺旋采样轨迹，辐射采样轨迹或回波平面采样轨迹等均可作为mrf技术的k空间采样轨迹。然后将采集到的这一断层的k空间数据进行傅里叶变换，可以采用逆快速傅里叶变换或者非均匀快速傅里叶变换等，得到l帧空域图像(带伪影)，见图1(c)所示。最后将该断层l帧空域图像中同一像素位置(x，y)处随时间变化的磁共振信号连起来，也就表示了这一像素位置(x，y)处的信号演变，也就是一条“指纹”信号曲线，如图1(f)所示。不同类型的组织的信号演变是不一样的，具有唯一性，因此用“指纹”来描述。
51.字典设计与生成部分中，通常设计字典时需要考虑t1(纵向弛豫时间)，t2(横向弛豫时间)，pd(质子密度)等多种组织参数，它们的排列组合就代表了多种组织类型。建立字典时，针对成像物体的属性确定各组织参数的取值范围，由于人体不同部位的组织类型不一样，因此不同部位的t1、t2和pd值的范围也不相同，比如脑部的t1值可以从几毫秒到几千毫秒，而血管的t1值范围则比较小，因此需要对不同的部位考虑不同步距的字典。采用布洛赫方程对不同的组织类型参数进行仿真，在相同的脉冲序列参数数组{(fa，tr)1，(fa，tr)2，...，(fa，tr)i}下，不同的组织形成了具有各自时域变化特征的时变信号，称之为字典。如图1(d)所示，显示了脑部的脑脊液、灰质、白质等不同组织的字典信号。
52.得到指纹信号与字典之后，参数量化算法部分对逐像素位置(x，y)的“指纹”信号与字典条目实施模式匹配，具体可以通过模式识别、数据挖掘等信息处理技术，如图1(e)所示，取最佳匹配的字典条目对应的某一种组织的参数组合{t1，t2，pd}赋给位置(x，y)，从而可以确定位置(x，y)处的组织类型。针对一种组织参数，可以将图像中每一个像素位置对应的该组织参数值赋给对应的像素位置，从而生成参数图，如t1参数图、t2参数图等，如图1(g)所示。
53.在本实施例中提供的方法实施例可以在计算机或类似的运算装置中执行，例如在
磁共振指纹的数据采集系统的控制单元中执行，这里的控制单元可以是数据采集系统的处理器。控制单元可以包括一个或多个处理器和用于存储数据的存储器，其中，处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置。控制单元还可以包括用于通信功能的传输设备以及输入输出设备，可以通过网络与远程服务器进行通信，并通过远程服务器进行数据处理和存储。
54.存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的磁共振指纹序列参数处理方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实施例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至磁共振指纹数据采集系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
55.传输设备用于经由一个网络接收或者发送数据。上述的网络包括磁共振指纹数据采集系统的通信供应商提供的无线网络。在一个实例中，传输设备包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
56.在本实施例中提供了一种磁共振指纹序列参数处理方法，图2是本技术一些实施例的磁共振指纹序列参数处理方法的流程图，如图2所示，该流程包括如下步骤：
57.步骤s201，基于至少一个评价因子，确定出第一影响因子；其中，该评价因子用于评价干扰信号对第一信号曲线的影响，该第一信号曲线基于磁共振指纹成像对应的序列参数数组和该干扰信号生成。
58.在磁共振指纹信号采集过程中，由于热噪声以及欠采样的采集方式，干扰信号在一定程度上不可避免。为了准确评估干扰信号对信号曲线的影响，可以预先设置干扰信号，并基于该干扰信号与序列参数数组对应的信号曲线生成第一信号曲线，提取第一信号曲线的特征获取评价因子，并根据该评价因子计算获取第一影响因子。其中，干扰信号可以是噪声信号或混叠伪影信号，也可以是两者的混合。第一信号曲线可以通过干扰信号与序列参数数组仿真获得的第二信号曲线直接叠加生成，也可以将干扰信号的参数加入仿真过程中，以获取体现干扰信号影响的第一信号曲线。
59.第一影响因子反映了干扰信号对第一信号曲线的输出参数的影响。输出参数可以是该第一信号曲线对应的纵向弛豫时间t1、横向弛豫时间t2等参数。由于磁共振指纹信号采集过程中各种因素导致的干扰信号影响了t1、t2等输出参数的精度，从而影响了最终的输出参数量化匹配的准确度，为了减少输出参数量化匹配的误差，可通过序列参数的优化减少干扰信号的影响。
60.步骤s202，基于字典的正交性，确定出第二影响因子；其中，该字典基于第二信号曲线所生成，该第二信号曲线基于该序列参数数组生成。
61.第二信号曲线是根据序列参数数组进行仿真，获取的随时间变化的信号曲线。使用序列参数数组作为采集参数的序列，并根据不同组织的生理特征确定组织参数，将采集参数与组织参数组合起来进行仿真，可以获得由多条第二信号曲线构成的字典。其中第二
信号曲线不包括干扰信号的影响。
62.第二影响因子可以反映该字典的正交性。字典的正交性是指字典中所包含的词条之间的相关性，字典正交性越大，词条之间的相关性越小，不同组织种类之间的区分度越好。由于字典由多个词条构成，而每个词条对应的第二信号曲线中又包含了多个序列参数对应的信号强度值，因此可以将字典视为一个矩阵。字典的正交性可以通过矩阵正交性计算方法进行计算。
63.步骤s203，基于第一影响因子、第二影响因子与获取到的权重系数，构建目标函数。
64.目标函数是磁共振指纹序列参数的优化目标，为实现干扰信号对输出参数的影响最小化以及字典正交最大化的优化目标，目标函数将第一影响因子、第二影响因子作为变量，通过下述公式表述目标函数与第一影响因子、第二影响因子的关系：
65.f(fa，tr，interf，d)＝min(w1*s(fa，tr，interf)+w2*||i-d
·dt
||)
66.其中，f(fa，tr，interf，d)为目标函数，该目标函数的自变量包括采集参数fa、tr，干扰信号interf，以及第二信号曲线构成的字典d。s(fa，tr，interf)为第一影响因子，第一影响因子是采集参数fa、tr和干扰信号interf的函数；||i-d
·dt
||为第二影响因子，i为单位矩阵，i的阶数与d
·dt
得到的方阵阶数相等。w1和w2分别为第一影响因子和第二影响因子对应的权重，且w1和w2可以根据实际需求进行设置。根据上述公式可以看出，由于自变量d由采集参数fa、tr生成，在干扰信号interf已知的情况下，可以通过对采集参数fa、tr的迭代优化使目标函数达到最小值。
67.步骤s204，基于目标函数，对序列参数数组进行处理。
68.磁共振指纹序列参数可以包括翻转角fa和回波时间tr，也可以包含其他采集参数。以fa和tr为例，可以预先设定序列参数数组{(fa，tr)1，(fa，tr)2，...，(fa，tr)i，
…
}，其中i＝1，2，
…
，l的每个初始元素值，和初始元素数量l。序列参数数组的数量可以是1个或多个。目标函数构建完成后，可以基于该目标函数对序列参数数组的采集参数值和序列参数数组的元素数量进行优化。对采集参数值进行优化时，可以根据目标函数制定序列参数优化的标准阈值，作为每一次优化迭代的判据，使得每一次迭代向目标函数所确定的优化方向进行优化，并最终获取优化后的序列参数值。优化方法可以通过求解函数最小值的数学方法如拉格朗日乘数法进行计算，也可以通过其他方式如建立神经网络模型，通过模型获取，还可以通过其他算法进行优化。
69.通过步骤s201～s204，通过基于至少一个评价因子，确定出第一影响因子，即通过第一影响因子反映干扰信号对磁共振信号曲线输出参数的影响；通过基于字典的正交性，确定出第二影响因子，即通过第二影响因子反映字典的正交性；通过基于第一影响因子、第二影响因子与获取到的权重系数，构建目标函数，将两种因素纳入序列参数的优化目标函数中作为变量；通过基于该目标函数，对序列参数数组进行处理，使得序列参数数组中的采集参数向降低干扰信号对磁共振信号曲线的影响，以及最大化字典正交性的方向进行优化，以解决相关技术中存在的采集参数无法降低干扰信号对信号曲线输出参数的影响，得到的输出参数准确性低的问题。
70.在其中的一些实施例中，图3是基于至少一个评价因子确定第一影响因子的流程图，如图3所示，该流程包括如下步骤：
71.步骤s301，基于干扰信号的特征值，以及第一信号曲线对应的至少一个评价因子，确定第一信号曲线对应的输出参数统计值。
72.本实施例中，干扰信号包括噪声信号或混叠伪影信号，或是两者的叠加。干扰信号预设了其分布特征和对应的分布参数值。例如，噪声信号服从高斯分布，均值为0，方差为混叠伪影信号服从瑞利分布，且混叠伪影信号的值与磁共振信号曲线的每个时间步的信号值成比例，其比例系数服从均值为0，方差为的高斯分布。干扰信号的特征值即和
73.第一信号曲线对应的输出参数统计值，其输出参数可以为纵向弛豫速率r1或横向弛豫速率r2，统计值是指r1或r2的方差。输出参数的方差反映了在噪声或混叠伪影的干扰下，序列参数所生成的第一信号曲线受其影响的程度。该输出参数的方差值与干扰信号的特征值成正比，与评价因子的值成反比。
74.当干扰信号包括噪声信号和混叠伪影信号时，可通过下述公式计算：
[0075][0076]
其中，为纵向弛豫速率r1或横向弛豫速率r2的方差。为噪声信号的方差，为混叠伪影信号值对应的比例系数的方差，两者均为预先设置的已知量。qi为噪声评价因子，qi为混叠伪影评价因子。
[0077]
当干扰信号只包括噪声信号或只包括混叠伪影信号时，上述公式可以去掉等号右侧对应的或
[0078]
步骤s302，基于输出参数统计值确定第一影响因子。
[0079]
将上一步骤中输出参数统计值，即弛豫速率r1和r2的方差作为第一影响因子，用于反映干扰信号对输出参数t1和t2的影响。其中t1＝1/r1，t2＝1/r2。
[0080]
通过步骤s301～s302，通过基于干扰信号的特征值，以及第一信号曲线对应的评价因子，确定第一信号曲线对应的输出参数统计值，通过计算公式获得干扰信号、评价因子以及输出参数三者之间的联系，通过该计算公式反映干扰信号对第一信号曲线输出参数的影响；通过基于输出参数统计值确定第一影响因子，将该第一影响因子纳入目标函数，作为序列参数优化的一个目标，以降低干扰信号对磁共振信号输出参数的影响，提高输出参数的准确度。
[0081]
在其中的一些实施例中，图4是基于字典的正交性确定第二影响因子的流程图，如图4所示，该流程包括如下步骤：
[0082]
步骤s401，基于字典获取对应的转置矩阵。
[0083]
同一个字典中的所有词条都是由同一个序列参数数组生成的，而每一个词条的差异是基于不同的组织参数的不同组合导致。例如，假设如图1(d)所示的不同的组织类型参数仿真结果中，纵向弛豫时间t1的取值范围为[700～4200ms]，步长为5ms，共有700个值；横
向弛豫时间t2的取值范围为[50～2100ms]，步长为2ms，共有1025个值；质子密度pd的取值范围为[0.6，0.9]，步长为0.05，共7个值。因此，按照[t1，t2，pd]这三个参数的不同组合，该字典应包含700
×
1025
×
7＝5022500个词条，而每个词条中的指纹信号曲线包含500个磁共振信号数据。
[0084]
因此，根据字典中不同的词条和每个词条中的磁共振信号数据，可以将字典作为矩阵进行相关计算和处理。例如对矩阵进行转置获得对应的转置矩阵。
[0085]
步骤s402，基于该字典与该转置矩阵的乘积获取参考矩阵，基于该参考矩阵与单位矩阵的差值获取字典的正交性参数。
[0086]
根据矩阵正交性概念可知，如果矩阵满足a
·at
＝i，即矩阵a与自身转置矩阵的乘积为单位矩阵i，则矩阵a为正交矩阵。类似地，字典d的正交性可以通过下述公式求解：
[0087]
r＝||i-d
·dt
||
[0088]
其中，r为字典d的相关性，与正交性成反比；i为单位矩阵，d为字典，d
t
为该字典的转置矩阵。
[0089]
||
·
||为范数符号，字典d的相关性可以通过对i-d
·dt
的值求解范数获得。
[0090]
步骤s403，基于该正交性参数确定第二影响因子。
[0091]
将r作为第二影响因子，用于表征字典d的正交性。根据上述公式可以看出，d的相关性越小，r的值越小，表示字典的正交性越好。
[0092]
通过步骤s401～s403，通过基于字典获取对应的转置矩阵，作为评估字典正交性的必要参数；通过基于该字典与该转置矩阵的乘积获取参考矩阵，基于该参考矩阵与单位矩阵的差值获取该字典的正交性参数，通过计算该差值的范数来定量评估字典的正交性；通过基于该正交性参数确定第二影响因子，提供了用于反映字典正交性的第二影响因子的获取方法，为构建目标函数奠定基础。
[0093]
在其中的一些实施例中，图5是本技术一些实施例的获取第一信号曲线对应的评价因子的流程图，如图5所示，该流程包括如下步骤：
[0094]
步骤s501，基于干扰信号与第二信号曲线，生成第一信号曲线。
[0095]
干扰信号可以是噪声信号或混叠伪影信号，也可以是两者的混合。在实际场景中，利用磁共振指纹技术进行参数匹配获取的参数图中的噪声可能来源于热噪声或其他原因，而混叠伪影则主要来源于指纹信号欠采样的采集方式。第二信号曲线是根据当前序列参数数组的序列参数(可以是优化前的初始序列参数数组，也可以是优化过程中迭代生成的序列参数数组)进行仿真，按照字典生成环节的方式生成的信号曲线，每个第二信号曲线均包括m个磁共振信号数据，m等于序列参数数组的元素数量。第二信号曲线不包括干扰信号。
[0096]
干扰信号可以预设其信号强度和分布特征。例如，对于噪声信号，可以设置其满足高斯分布，并设置该高斯分布的均值和方差。本实施例中该高斯分布的均值为0，方差为对于混叠伪影信号，可以设置其满足瑞利分布，并设置其均值和方差。本实施例中，则是通过设置混叠伪影信号与第二信号曲线的每个时间步的信号值成比例来获取混叠伪影信号，如下述公式：
[0097]
(
∝
)n＝|(d0)n|(ω)n，n＝1，2，
…
，n
[0098]
其中，n为序列参数数组的元素数量，也是第二信号曲线的时间步数量。n为第二信
号曲线的时间步序号，(
∝
)n为与时间步序号对应的混叠伪影信号强度值，(d0)n为对第二信号曲线中与时间步序号对应的磁共振信号进行泰勒展开获取的零阶展开项，(ω)n为与时间步序号对应的比例系数，ω的值服从均值为0，方差为的高斯分布。
[0099]
可以通过将干扰信号和第二信号曲线进行叠加的方式获取第一信号曲线。
[0100]
步骤s502，对第一信号曲线进行拟合，获取对应的拟合参数。
[0101]
第一信号曲线可以视为一种伪随机曲线，可通过泰勒展开等多项式逼近方式进行拟合，以获取第一信号曲线的相关拟合参数。例如，可以通过对第n个时间步的磁共振信号进行泰勒展开，获取该时间步对应的拟合参数d0、c1、c2：
[0102]
d(r1，r2)≈d0+c1(r
1-r
1，0
)+c2(r
2-r
2，0
)
[0103]
其中，d(r1，r2)是纵向弛豫速率取值为r1，且横向弛豫速率取值为r2的情况下获取的磁共振信号。对该磁共振信号进行泰勒展开，得到零阶展开项d0，以及一阶展开项的系数c1、c2。
[0104]
步骤s503，基于拟合参数，获取第一信号曲线对应的至少一个评价因子。
[0105]
根据拟合参数d0、c1、c2的值，计算获取中间参数ai、aj、b、γi的值。
[0106]
中间参数ai、aj、b、γi可以使用下述公式计算：
[0107][0108][0109][0110]
对于干扰信号为噪声信号的情况，噪声评价因子可以用下述公式计算：
[0111][0112]
其中，qi为噪声评价因子，ai、aj、b为中间参数，d0为对第二信号曲线进行泰勒展开获取的零阶展开项。
[0113]
对于干扰信号为混叠伪影信号的情况，由于混叠伪影信号是在脉冲序列的每个时间步与磁共振指纹信号成比例叠加的，因此混叠伪影评价因子可以用下述公式计算：
[0114][0115]
其中，qi为混叠伪影评价因子，n为序列参数数组的元素数量，ai、aj、b、γi为中间参数，(d0)n为对第二信号曲线中的第n个时间步的磁共振信号进行泰勒展开获取的零阶展开项，(c1)n、(c2)n为对第二信号曲线中的第n个时间步的磁共振信号进行泰勒展开获取的一阶展开项的系数。
[0116]
通过步骤s501～s503，通过基于干扰信号与第二信号曲线，生成第一信号曲线，以模拟实际的磁共振指纹信号采集过程中受到噪声干扰和混叠伪影的影响后获取的信号曲线；通过对第一信号曲线进行拟合获取对应的拟合参数，获取第一信号曲线的特征值；通过基于拟合参数获取第一信号曲线对应的至少一个评价因子，进而计算获取第一影响因子，
提供了评估干扰信号对信号曲线质量影响的手段，为构建目标函数提供前提条件。
[0117]
在其中的一些实施例中，可以通过遗传算法的方式对序列参数数组进行处理。本实施例中，以一个序列参数数组为一个待优化种群，图6是本技术一些实施例的基于目标函数对序列参数数组进行处理的流程图，如图6所示，该流程包括如下步骤：
[0118]
步骤s601，基于遗传算法对至少一个待优化种群进行迭代，并获取每次迭代生成的种群的适应度，该适应度基于序列参数数组对应的目标函数值所确定。
[0119]
遗传算法是基于生物界的进化思想和自然界中“优胜劣汰”的自然选择机制的全局优化搜索算法。在优化之前，需要生成待优化的至少一个序列参数数组，例如数组的数量可以为50～200组。每个数组中序列参数的值可以在满足该脉冲序列要求的情况下随机设置。在本实施例中，将一个序列参数数组看作遗传算法中的一个种群，可以通过遗传算法对至少一个种群进行选择、交叉、变异等操作，并基于该种群的适应度不断进行迭代，获取种群的全局最优解。每次迭代过程中，可以将适应度较低的种群淘汰，保留适应度较高的种群，并通过交叉和变异操作优化种群中的个体，即序列参数，因此优化后的种群数量小于或等于待优化种群的数量，且优化后的种群的适应度更高，更符合实际需求。本实施例中一个序列参数数组为一个种群，种群的适应度基于该序列参数数组的目标函数值确定。由于适应度值越高表明优化效果越好，而本实施例中的目标函数值越小表明优化效果越好，因此适应度函数可以与目标函数成反比，例如适应度函数可以等于目标函数的负值，或等于目标函数的倒数等。
[0120]
步骤s602，在迭代的次数达到预设次数，或迭代生成的种群的适应度的迭代误差小于预设阈值的情况下，停止迭代，获取至少一个优化后种群。该优化后种群的序列参数数组的目标函数值小于待优化种群的序列参数数组的目标函数值。
[0121]
可以预先设置遗传算法的迭代次数或迭代误差的阈值。迭代误差是指两次相邻迭代对应的种群适应度的差值。当两次迭代的种群数量不同时，可以使用迭代后种群的平均适应度进行计算。当迭代的次数达到预设次数或适应度的迭代误差小于预设阈值的情况下，停止迭代，并获取最终的优化后种群。例如可设置迭代次数为500次。优化后种群的数量小于或等于待优化种群的数量，且优化后种群的平均适应度大于待优化种群的平均适应度，也即优化后种群的目标函数值小于待优化种群的目标函数值。
[0122]
通过步骤s601～s602，通过将一个序列参数数组作为一个待优化种群，基于遗传算法对至少一个待优化种群进行迭代，并获取每次迭代生成的种群的适应度，该适应度基于序列参数数组对应的目标函数值所确定，确定了序列参数数组的优化方法，建立了目标函数与适应度之间的联系；通过在迭代的次数达到预设次数，或迭代生成的种群的适应度的迭代误差小于预设阈值的情况下，停止迭代，获取至少一个优化后种群，该优化后种群的序列参数数组的目标函数值小于待优化种群的序列参数数组的目标函数值，迭代后的序列参数数组的目标函数值减小，即优化后的序列参数降低了干扰信号对磁共振信号曲线的影响，提高了输出参数的准确度；优化后的序列参数提高了字典的正交性，增强了不同组织之间的信号演变差异的区分度。
[0123]
在其中一些实施例中，还可以基于目标函数对序列参数数组的初始元素数量进行优化，该方法包括：
[0124]
基于预设的目标元素数量对至少一个待优化种群进行迭代，获取优化后种群。该
优化后种群对应的序列参数数组的元素数量等于该目标元素数量，该目标元素数量小于序列参数数组的初始元素数量。
[0125]
在利用遗传算法对种群进行迭代之前，可以对种群中的目标元素数量进行设置，目标元素数量是优化后每个序列参数数组中的元素数量，该目标元素数量小于序列参数数组的初始元素数量。例如，待优化的每个序列参数数组中的初始元素数量为1000，目标元素数量可以设置为500。
[0126]
在每次迭代过程中，通过交叉和变异操作对每个序列参数数组中的序列参数进行交叉和变异，以生成新的序列参数数组，并控制序列参数的数量。例如，交叉操作中根据交叉概率随机选择两个序列参数数组作为交叉的亲代，其中数组中的序列参数已经按照某种编码规则进行编码，编码规则可以是二进制编码、实数编码、有序串编码和结构式编码等。然后根据设定的交叉方式进行交叉，交换两个序列参数数组的部分基因，即编码后的序列参数数值，得到两个新的序列参数数组。将新的序列参数数组中的序列参数进行解码，解码过程中由于部分参数的编码值发生改变或不满足序列参数自身的要求，导致解码得到的序列参数数量减少。变异过程也可能会产生同样情况。因此，每次迭代过程中经过交叉和变异后，都需要重新统计序列参数数组中的元素数量。当多次迭代后元素数量达到目标元素数量的要求时，确定满足要求。
[0127]
本实施例提供的磁共振指纹序列参数处理方法，通过预设目标元素数量约束优化后的序列参数数组的元素数量，且目标元素数量小于初始元素数量，使优化后的序列参数数组使用更少的序列参数达到同样的磁共振指纹信号采集的效果，提高了磁共振指纹采集的效率。
[0128]
在其中的一些实施例中，涉及基于预设的目标元素数量对至少一个待优化种群进行迭代的具体流程，该流程包括如下步骤：
[0129]
步骤s11，基于待优化种群的适应度，对待优化种群进行遗传选择，获取选择后种群。选择后种群的数量小于或等于待优化种群的数量。
[0130]
遗传选择的目的是将具有较高适应度的种群以较高的概率遗传到下一代。对于适应度较差的种群可以选择舍弃，因此，选择后种群的数量可以小于或等于待优化种群的数量。假设种群规模为n，即待优化的序列参数数组共n个，种群i的适应度为fi，种群i被选择的概率为pi，则种群选择的概率可以通过下述公式获得：
[0131][0132]
利用上述公式计算获取每个种群被选择的概率，可以看出种群适应度越高，被选择的概率越大。且每个种群被选择的概率之和为1。在实际应用中，可以采用轮盘赌方法根据种群的pi获取每个种群的累计概率值，并通过随机产生的0～1之间的数来选择种群。经过多次选择可以从待优化种群中获取选择后种群，且选择后种群的数量可以预先设置，也可以根据实际需要在每轮迭代中确定。
[0133]
步骤s12，对选择后种群进行交叉操作和变异操作，获取变异后种群。该变异后种群的序列参数数组的元素数量小于或等于待优化种群的序列参数数组的元素数量。
[0134]
针对不同的编码方式，交叉操作可以分为实值编码重组和二进制编码交叉等。例如针对二进制编码可以使用单点交叉方式，即随机选择进行单点交叉的位置，通过互换两
个序列参数数列在交叉点前或后的相应部分，得到两个新的数组。例如，对于两个种群分别为a：1011111，和b：0101000，随机选择的交叉位置为第4位，则单点交叉得到的新种群为：
[0135]
a’：1011000，b’：0101111。
[0136]
对交叉后得到的种群进行解码，获取新的序列参数，由于编解码过程中的参数变化情况，如解码后序列参数的值不满足要求被舍弃，或由于编解码方式导致的参数减少，新的序列参数数量可以少于或等于交叉前的序列参数数量。
[0137]
变异操作是指，根据变异概率p，随机选取要进行变异的种群和该种群中要进行变异的位置，对这些位置的序列参数进行改动。例如，对于采用二进制编码的种群a：0101001选择第3位进行变异，得到的新种群为a’：0111001。对变异后得到的种群进行解码，获取新的序列参数，由于编解码过程中的参数变化情况，新的序列参数数量可以少于或等于变异前的序列参数数量。
[0138]
通过步骤s11～s12，通过基于待优化种群的适应度，对待优化种群进行遗传选择，获取选择后种群，选择后种群的数量小于或等于待优化种群的数量，减少了序列参数数组的数量；通过对选择后种群进行交叉操作和变异操作，获取变异后种群，该变异后种群的序列参数数组的元素数量小于或等于待优化种群的序列参数数组的元素数量，减少了序列参数数组中序列参数的数量，使优化后的序列参数数组使用更少的数组、更少的序列参数达到同样的磁共振指纹信号采集的效果，提高了磁共振指纹采集的效率。
[0139]
下面通过优选实施例对本实施例进行描述和说明。
[0140]
图7是本技术一些优选实施例的磁共振指纹序列参数处理方法的流程图。
[0141]
如图7所示，该流程包括如下步骤：
[0142]
步骤s701，基于优化前的序列参数数组进行仿真，生成由第二信号曲线构成的字典；
[0143]
步骤s702，将预先设置的噪声和混叠伪影信号与字典中的第二信号曲线进行叠加，生成对应的第一信号曲线；
[0144]
步骤s703，计算获得第一信号曲线对应的噪声评价因子和混叠伪影评价因子；
[0145]
步骤s704，基于噪声和混叠伪影信号的特征值与评价因子的比值，计算获得第一影响因子；
[0146]
步骤s705，计算获得字典的相关性值作为第二影响因子；
[0147]
步骤s705与步骤s702～s704的顺序可以调换。
[0148]
步骤s706，根据第一影响因子和第二影响因子以及对应的权重，计算获得目标函数值；
[0149]
步骤s707，以目标函数值的相反数为适应度，对优化前的序列参数数组进行遗传选择，获得选择后种群；
[0150]
步骤s708，对选择后种群进行交叉操作和变异操作，获取变异后种群；
[0151]
步骤s709，重复步骤s701～s708的过程，直至达到预设的迭代次数，或迭代生成的种群的适应度的迭代误差小于预设阈值，或优化后序列参数数组中的元素数量达到预设数量，则停止迭代，获得优化后的序列参数数组。
[0152]
通过上述步骤s701至s709，通过将噪声和混叠伪影信号与正常的信号曲线进行叠加模拟真实环境中采集的信号曲线，并基于该信号曲线的弛豫速率方差构建第一影响因
子，与反映字典正交性的第二影响因子共同构建目标函数，达到了既能够反映噪声和混叠伪影信号对磁共振信号曲线的影响，又能反映字典的正交性的效果，满足了降低干扰信号对信号曲线输出参数的影响，并增加字典正交性的需求；通过基于该目标函数对序列参数数组的元素值和元素数量进行优化，使优化后的序列参数数组使用更少的序列参数实现同样的磁共振指纹信号采集的效果，提高了磁共振指纹采集的效率。
[0153]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0154]
在一些实施例中，本技术还提供了一种磁共振指纹序列参数处理装置，该磁共振指纹序列参数处理装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。
[0155]
在一些实施例中，图8是本技术一些实施例的磁共振指纹序列参数处理装置的结构框图，如图8所示，该装置包括：
[0156]
第一确定模块81，用于基于至少一个评价因子，确定出第一影响因子；其中，该评价因子用于评价干扰信号对第一信号曲线的影响，该第一信号曲线基于磁共振指纹成像对应的序列参数数组和干扰信号生成；
[0157]
第二确定模块82，用于基于字典的正交性，确定出第二影响因子；其中，该字典基于第二信号曲线所生成，该第二信号曲线基于序列参数数组生成；
[0158]
构建模块83，用于基于第一影响因子、第二影响因子与获取到的权重系数，构建目标函数；
[0159]
处理模块84，用于基于目标函数，对序列参数数组进行处理。
[0160]
本实施例中的磁共振指纹序列参数处理装置，通过第一确定模块81基于至少一个评价因子，确定出第一影响因子，反映干扰信号对磁共振信号曲线输出参数的影响；通过第二确定模块82基于字典的正交性，确定出第二影响因子，反映字典的正交性；通过构建模块83基于第一影响因子、第二影响因子与获取到的权重系数，构建目标函数，将两种因素纳入序列参数的优化目标函数中作为变量；通过处理模块84基于该目标函数，对序列参数数组进行处理，使得序列参数数组中的采集参数向降低干扰信号对磁共振信号曲线的影响，以及最大化字典正交性的方向进行优化，以解决相关技术中存在的采集参数无法降低干扰信号对信号曲线输出参数的影响，得到的输出参数准确性低的问题。
[0161]
在其中的一些实施例中，第一确定模块包括第一确定子模块和第二确定子模块，该第一确定子模块用于基于干扰信号的特征值，以及第一信号曲线对应的至少一个评价因子，确定第一信号曲线对应的输出参数统计值；第二确定子模块用于基于输出参数统计值确定第一影响因子。
[0162]
本实施例中的磁共振指纹序列参数处理装置，通过第一确定子模块基于干扰信号的特征值，以及第一信号曲线对应的评价因子，确定第一信号曲线对应的输出参数统计值，通过计算公式获得干扰信号、评价因子以及输出参数三者之间的联系，通过该计算公式反映干扰信号对第一信号曲线输出参数的影响；通过第二确定子模块基于输出参数统计值确定第一影响因子，将该第一影响因子纳入目标函数，作为序列参数优化的一个目标，以降低
干扰信号对磁共振信号输出参数的影响，提高输出参数的准确度。
[0163]
在其中的一些实施例中，第二确定模块包括第一获取子模块、第二获取子模块和第三确定子模块。第一获取子模块用于基于字典获取对应的转置矩阵；第二获取子模块用于基于该字典与该转置矩阵的乘积获取参考矩阵，基于该参考矩阵与单位矩阵的差值获取字典的正交性参数；第三确定子模块用于基于该正交性参数确定第二影响因子。
[0164]
本实施例中的磁共振指纹序列参数处理装置，通过第一获取子模块基于字典获取对应的转置矩阵，作为评估字典正交性的必要参数；通过第二获取子模块基于该字典与该转置矩阵的乘积获取参考矩阵，基于该参考矩阵与单位矩阵的差值获取该字典的正交性参数，通过计算该差值的范数来定量评估字典的正交性；通过第三确定子模块基于该正交性参数确定第二影响因子，提供了用于反映字典正交性的第二影响因子的获取方法，为构建目标函数奠定基础。
[0165]
在其中的一些实施例中，磁共振指纹序列参数处理装置还包括生成模块、拟合模块和获取模块，生成模块用于基于干扰信号与第二信号曲线，生成第一信号曲线；拟合模块用于对第一信号曲线进行拟合，获取对应的拟合参数；获取模块用于基于拟合参数，获取第一信号曲线对应的至少一个评价因子。
[0166]
本实施例中的磁共振指纹序列参数处理装置，通过生成模块基于干扰信号与第二信号曲线，生成第一信号曲线，以模拟实际的磁共振指纹信号采集过程中受到噪声干扰和混叠伪影的影响后获取的信号曲线；通过拟合模块对第一信号曲线进行拟合获取对应的拟合参数，获取第一信号曲线的特征值；通过获取模块基于拟合参数获取第一信号曲线对应的至少一个评价因子，进而计算获取第一影响因子，提供了评估干扰信号对信号曲线质量影响的手段，为构建目标函数提供前提条件。
[0167]
在其中的一些实施例中，干扰信号为噪声信号和混叠伪影信号中的至少一种，评价因子为噪声评价因子和混叠伪影评价因子中的至少一种。
[0168]
在其中的一些实施例中，处理模块包括第一迭代子模块和第三获取子模块，第一迭代子模块用于基于遗传算法对至少一个待优化种群进行迭代，并获取每次迭代生成的种群的适应度，该适应度基于序列参数数组对应的目标函数值所确定；第三获取子模块用于在迭代的次数达到预设次数，或迭代生成的种群的适应度的迭代误差小于预设阈值的情况下，停止迭代，获取至少一个优化后种群。
[0169]
本实施例中的磁共振指纹序列参数处理装置，通过第一迭代子模块将一个序列参数数组作为一个待优化种群，基于遗传算法对至少一个待优化种群进行迭代，并获取每次迭代生成的种群的适应度，该适应度基于序列参数数组对应的目标函数值所确定，确定了序列参数数组的优化方法，建立了目标函数与适应度之间的联系；通过第三获取子模块在迭代的次数达到预设次数，或迭代生成的种群的适应度的迭代误差小于预设阈值的情况下，停止迭代，获取至少一个优化后种群，该优化后种群的序列参数数组的目标函数值小于待优化种群的序列参数数组的目标函数值，迭代后的序列参数数组的目标函数值减小，即优化后的序列参数降低了干扰信号对磁共振信号曲线的影响，提高了输出参数的准确度；优化后的序列参数提高了字典的正交性，增强了不同组织之间的信号演变差异的区分度。
[0170]
在其中的一些实施例中，处理模块还包括第二迭代子模块，第二迭代子模块用于基于预设的目标元素数量对至少一个待优化种群进行迭代，获取优化后种群。
[0171]
本实施例中的磁共振指纹序列参数处理装置，预设目标元素数量约束优化后的序列参数数组的元素数量，且目标元素数量小于初始元素数量，通过第二迭代子模块使优化后的序列参数数组使用更少的序列参数达到同样的磁共振指纹信号采集的效果，提高了磁共振指纹采集的效率。
[0172]
在其中的一些实施例中，第二迭代子模块包括遗传选择单元、交叉变异单元，遗传选择单元用于基于待优化种群的适应度，对待优化种群进行遗传选择，获取选择后种群；交叉变异单元用于对选择后种群进行交叉操作和变异操作，获取变异后种群。
[0173]
本实施例中的磁共振指纹序列参数处理装置，通过遗传选择单元基于待优化种群的适应度，对待优化种群进行遗传选择，获取选择后种群，选择后种群的数量小于或等于待优化种群的数量，减少了序列参数数组的数量；通过交叉变异单元对选择后种群进行交叉操作和变异操作，获取变异后种群，该变异后种群的序列参数数组的元素数量小于或等于待优化种群的序列参数数组的元素数量，减少了序列参数数组中序列参数的数量，使优化后的序列参数数组使用更少的数组、更少的序列参数达到同样的磁共振指纹信号采集的效果，提高了磁共振指纹采集的效率。
[0174]
在本实施例中还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0175]
可选地，上述计算机设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0176]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0177]
s1，基于至少一个评价因子，确定出第一影响因子；其中，该评价因子用于评价干扰信号对第一信号曲线的影响，该第一信号曲线基于磁共振指纹成像对应的序列参数数组和该干扰信号生成；
[0178]
s2，基于字典的正交性，确定出第二影响因子；其中，该字典基于第二信号曲线所生成，该第二信号曲线基于该序列参数数组生成；
[0179]
s3，基于第一影响因子、第二影响因子与获取到的权重系数，构建目标函数；
[0180]
s4，基于目标函数，对序列参数数组进行处理。
[0181]
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
[0182]
此外，结合上述实施例中提供的磁共振指纹序列参数处理方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种磁共振指纹序列参数处理方法。
[0183]
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
[0184]
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本技术提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本技术保护范围。
[0185]
显然，附图只是本技术的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本技术适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的
是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本技术披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本技术公开的内容不足。
[0186]“实施例”一词在本技术中指的是结合实施例描述的具体特征、结构或特性可以包括在本技术的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本技术中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
[0187]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。