基于gcn残差连接网络的激发荧光断层成像方法
技术领域
本发明属于生物医学分子影像领域，具体涉及一种基于GCN残差连接网络的激发荧光断层成像方法、系统、设备。
背景技术
激发荧光成像(Fluorescence Molecular Imaging，FMI)是一种重要的光学分子影像技术，同时也是国际研究的热点。相较于其他医学成像技术，FMI成像技术具备毫米级别的空间分辨率，并且具有探测灵敏度高、信号强度高和便于临床转化等优点，利用FMI成像技术对生物组织体表的特异性光学信号进行探测，能够推断荧光探针在生物组织体内大致的分布区域。然而受限于光子在生物组织内传播的吸收散射作用，FMI成像技术难以定位荧光光源深度。为了解决这一问题，研究人员通过融入生物组织断层信息，提出了基于激发荧光的断层成像技术。激发荧光断层成像技术(Fluorescence molecular tomography，FMT)通过高灵敏探测器采集生物体表面的荧光光斑信息，并结合由CT或MRI(MagneticResonance Imaging)等模态采集得到的生物体解剖结构信息，再利用光子在生物体内的传输模型，重建得到生物体内荧光探针的三维分布，来实现对体内荧光光源进行精准定位。
FMT通过融合断层成像中的三维深度信息，可以有效地解决FMI无法定位光源的深度信息等问题。但是，由于FMT重建依赖于二维的激发荧光图像，而该荧光图像是由光子经过生物组织的散射作用后形成的，其某种程度上扭曲了真实光源的分布信息，导致最终重建问题具有严重的病态性。此外，传统FMT重建方法大多使用基于光子传播模型的建模方法，主要基于辐射传输方程进行建模，由于辐射传输方程是一个极其复杂的微积分方程，往往使用其一阶球谐近似模型扩散方程进行求解，并通过有限元离散化、以及线性化转换降低方程复杂度，但是在降低方程复杂度的同时，模型的精度也得到了下降，这会导致最终重建精度的下降。因此，如何设计一种具有高重建质量、高重建速度的重建算法具有重要意义和价值。基于此，本发明提出了一种基于GCN残差连接网络的激发荧光断层成像方法。
发明内容
为了解决现有技术中的上述问题，即为了解决传统基于光子传播模型进行FMT重建时出现的模型精度下降，重建精度下降，重建速度慢等问题，本发明第一方面，提出了一种基于GCN残差连接网络的激发荧光断层成像方法，该方法包括：
S10，将生物体的CT影像数据按组织器官类别进行分割，并通过三角网格化建模方法对分割后的CT影像数据进行网格化，作为标准网格；根据标准网格顶点之间的距离以及连接关系，建立图结构的带权邻接矩阵；
S20，结合各组织器官的光学吸收散射参数，对体内光源在生物体体内的光子传播过程进行仿真，得到生物体表面和内部的荧光分布，作为光源样本；并根据光源样本的类型对光源样本进行扩充；
S30，将标准网格划分为体表节点和体内节点；对每个体内节点，选取K个距其最近的体表节点，构建第一节点集合，并记录第一节点集合中各节点的序号；
S40，将扩充后的光源样本、所述第一节点集合中的各节点输入预构建的深度学习网络模型，得到光源的粗重建定位结果以及最终形态学重建结果；基于光源的粗重建定位结果、最终形态学重建结果以及光源的真实分布信息，计算损失值，对深度学习网络模型的参数进行更新；
S50，采集待激发荧光断层成像的生物体体表的荧光图像、解剖结构图像；结合所述解剖结构图像，通过配准算法，将所述荧光图像配准到步骤S10生成的标准网格的体表网格中，并对该体表网格中的荧光强度进行归一化处理；基于归一化处理后的荧光强度，以及配准后的体表网格中顶点之间的距离以及连接关系，利用训练好的深度学习网络模型对生物体进行激发荧光断层重建，得到荧光探针在生物体体内的三维分布；
其中，所述深度学习网络模型基于DNN全连接网络和GCN图卷积网络残差连接而成。
在一些优选的实施方式中，“根据光源样本的类型对光源样本进行扩充”，方法为：所述光源样本的类型包括单光源样本、双光源样本；：
对单光源样本，扩充方法为：
Φnoise＝Φ+ngauss
其中，Φ表示单光源样本的真实光源的体表光斑信息，ngauss为高斯噪声，Φnoise为带噪声的单光源样本；
对双光源样本，扩充方法为：
其中，Xdouble、Φdouble分别为组合的双光源样本的真实光源分布信息和表面光斑信息，i为双光源样本的编号，S2为随机选出的2个双光源样本的集合，Xi、Φi分别为第i个双光源样本的真实光源分布信息和表面光斑信息。
在一些优选的实施方式中，“将扩充后的光源样本、所述第一节点集合中的各节点输入预构建的深度学习网络模型，得到光源的粗重建定位结果以及最终形态学重建结果”，其方法为：
将扩充后的光源样本对应的荧光强度进行归一化，并将归一化的荧光强度输入所述DNN全连接网络，得到光源的粗重建定位结果；
将所述图结构邻接矩阵输入到图网络中，作为GCN图卷积计算的结构先验，并将所述光源的粗重建定位结果与第一节点集合中的各节点的光强信号进行拼接后的向量作为特征向量输入所述GCN图卷积网络，得到光源的最终形态学重建结果。
在一些优选的实施方式中，所述深度学习网络模型在训练时的损失函数为：
其中，XFC为DNN全连接网络的输出，为粗重建定位结果，进行体内光源的初步定位，Xtrue为真实光源的分布信息，Xfinal为全连接子网络的输出与GCN图卷积网络的残差连接的输出，为最终形态学重建结果，代表网络的定位精度损失，代表形态学精度损失，λ表示权重参数。
在一些优选的实施方式中，所述深度学习网络模型在训练时的激活函数为：
其中，X表示DNN全连接网络或GCN图卷积网络中每个层的输出结果。
在一些优选的实施方式中，“对体内光源在生物体体内的光子传播过程进行仿真”，其方法为：通过蒙特卡洛仿真方法对体内光源在生物体体内的光子传播过程进行仿真。
本发明的第二方面，提出了一种基于GCN残差连接网络的激发荧光断层成像系统，该系统包括：图结构建模模块、数据集构建模块、节点分类模块、模型训练模块、模型预测模块；
所述图结构建模模块，配置为将生物体的CT影像数据按组织器官类别进行分割，并通过三角网格化建模方法对分割后的CT影像数据进行网格化，作为标准网格；根据标准网格顶点之间的距离以及连接关系，建立图结构的带权邻接矩阵；
所述数据集构建模块，配置为结合各组织器官的光学吸收散射参数，对体内光源在生物体体内的光子传播过程进行仿真，得到生物体表面和内部的荧光分布，作为光源样本；并根据光源样本的类型对光源样本进行扩充；
所述节点分类模块，配置为将标准网格划分为体表节点和体内节点；对每个体内节点，选取K个距其最近的体表节点，构建第一节点集合，并记录第一节点集合中各节点的序号；
所述模型训练模块，配置为将扩充后的光源样本、所述第一节点集合中的各节点输入预构建的深度学习网络模型，得到光源的粗重建定位结果以及最终形态学重建结果；基于光源的粗重建定位结果、最终形态学重建结果以及光源的真实分布信息，计算损失值，对深度学习网络模型的参数进行更新；
所述模型预测模块，配置为采集待激发荧光断层成像的生物体体表的荧光图像、解剖结构图像；结合所述解剖结构图像，通过配准算法，将所述荧光图像配准到图结构建模模块生成的标准网格的体表网格中，并对该体表网格中的荧光强度进行归一化处理；基于归一化处理后的荧光强度，以及配准后的体表网格中顶点之间的距离以及连接关系，利用训练好的深度学习网络模型对生物体进行激发荧光断层重建，得到荧光探针在生物体体内的三维分布；
其中，所述深度学习网络模型基于DNN全连接网络和GCN图卷积网络残差连接而成。
本发明的第三方面，提出了一种电子设备，至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求上述的基于GCN残差连接网络的激发荧光断层成像方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求上述的基于GCN残差连接网络的激发荧光断层成像方法。
本发明的有益效果：
本发明基于数据驱动的深度学习方法，直接学习生物体表光斑到体内荧光探针节点分布的逆向传播过程，进而实现了高重建质量、高重建速度的激发荧光断层成像。
1)本发明基于数据驱动的FMT重建策略，通过使用深度学习的非线性拟合能力直接拟合体表光斑到体内荧光探针节点的非线性映射关系，避免了传统基于光子传播模型进行建模时出现的精度下降问题。由于蒙特卡洛仿真被认为是最接近真实光子传播过程的仿真方法，因此，依靠蒙特卡洛仿真构建大量训练样本，并使用样本组合与添加对抗噪声的方法扩充训练样本集，从而支撑GCN残差连接网络的训练，提高GCN残差连接网络的重建能力以及FMT的定位精度；
2)利用样本组合以及加入对抗噪声的方法构造多光源和不规则的大光源样本，提高了GCN残差连接网络的整体重建精度；
3)使用深度学习模型直接拟合生物体表光斑到体内节点的映射关系，提高FMT的重建速度，并使用图网络来优化重建结果，提高形态学重建精度。
4)基于训练好的深度学习网络模型，可以直接利用生物体表的生物荧光分布信息直接重建出生物体内的分子探针分布，相较于传统基于光子传播模型的重建方法，具有定位精度高，重建速度快，形态学重建精度高等优点。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于GCN残差连接网络的激发荧光断层成像方法的流程示意图；
图2是本发明一种实施例的深度学习网络模型残差连接网络结构的示意图；
图3是本发明一种实施例的基于GCN残差连接网络的激发荧光断层成像系统的框架示意图；
图4是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的一种基于GCN残差连接网络的激发荧光断层成像方法，如图1所示，该方法包括：
S10，将生物体的CT影像数据按组织器官类别进行分割，并通过三角网格化建模方法对分割后的CT影像数据进行网格化，作为标准网格；根据标准网格顶点之间的距离以及连接关系，建立图结构的带权邻接矩阵；
S20，结合各组织器官的光学吸收散射参数，对体内光源在生物体体内的光子传播过程进行仿真，得到生物体表面和内部的荧光分布，作为光源样本；并根据光源样本的类型对光源样本进行扩充；
S30，将标准网格划分为体表节点和体内节点；对每个体内节点，选取K个距其最近的体表节点，构建第一节点集合，并记录第一节点集合中各节点的序号；
S40，将扩充后的光源样本、所述第一节点集合中的各节点输入预构建的深度学习网络模型，得到光源的粗重建定位结果以及最终形态学重建结果；基于光源的粗重建定位结果、最终形态学重建结果以及光源的真实分布信息，计算损失值，对深度学习网络模型的参数进行更新；
S50，采集待激发荧光断层成像的生物体体表的荧光图像、解剖结构图像；结合所述解剖结构图像，通过配准算法，将所述荧光图像配准到步骤S10生成的标准网格的体表网格中，并对该体表网格中的荧光强度进行归一化处理；基于归一化处理后的荧光强度，以及配准后的体表网格中顶点之间的距离以及连接关系，利用训练好的深度学习网络模型对生物体进行激发荧光断层重建，得到荧光探针在生物体体内的三维分布；
其中，所述深度学习网络模型基于DNN(Deep Neural Networks)全连接网络和GCN(Graph Convolutional Network)图卷积网络残差连接而成。
为了更清晰地对本发明基于GCN残差连接网络的激发荧光断层成像方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在下述实施例中，先对深度学习网络模型的训练过程(即步骤S10-S40)进行描述，再对基于GCN残差连接网络的激发荧光断层成像方法得到荧光探针在生物体体内的三维分布的过程(即步骤S50)进行详述。
S10，将生物体的CT影像数据按组织器官类别进行分割，并通过三角网格化建模方法对分割后的CT影像数据进行网格化，作为标准网格；根据标准网格顶点之间的距离以及连接关系，建立图结构的带权邻接矩阵；
在本实施例中，先对生物体的CT影像数据进行图结构建模，具体如下：
S101，将生物体的CT影像数据按组织器官类别进行分割；
S102，通过三角网格化建模方法对分割后的CT影像数据进行网格化，作为标准网格；输出网格顶点的位置(即顶点与顶点之间的距离)、顶点与顶点之间的连接关系；
S102，根据标准网格顶点之间的距离以及连接关系，建立图结构的带权邻接矩阵。
S20，结合各组织器官的光学吸收散射参数，对体内光源在生物体体内的光子传播过程进行仿真，得到生物体表面和内部的荧光分布，作为光源样本；并根据光源样本的类型对光源样本进行扩充；
在本实施例中，使用蒙特卡洛仿真构建训练样本，利用样本组合以及加入对抗噪声的方法构造多光源和不规则的大光源样本，具体如下：
S201，将各组织器官的光学吸收散射参数，输入蒙特卡洛仿真软件对体内光源在生物体体内的光子传播过程进行蒙特卡洛仿真；
S202，在生物体内部的不同位置设置不同大小、不同形状的光源，同时设置激发光与发射光的波长，利用蒙特卡洛仿真模拟出生物体表面的荧光分布，作为光源样本，并输出生物体内部的实际光源分布，作为神经网络训练的标签，输出其对应的体表荧光强度分布向量，用于进行神经网络的训练；
S203，根据光源样本的类型对光源样本进行扩充；
单光源样本扩充，选取步骤S202单光源生成的训练样本，为其体表光源强度分布向量添加5％-10％范围的高斯噪声，从而获得扩充后的单光源样本，并将其加入到训练样本集，具体计算公式如下：
Φnoise＝Φ+ngauss (1)
其中，Φ表示单光源样本的真实光源的体表光斑信息，ngauss为高斯噪声，Φnoise为带噪声的单光源样本。
双光源样本扩充，选取步骤S202单光源生成的训练样本，随机选择2个间距大于阈值θ的训练样本，将其对应的实际光源和表面荧光分别相加，从而获得双光源的训练样本，并将其加入到训练样本集，具体的计算公式如下：
其中，Xdouble、Φdouble分别为组合的双光源样本的真实光源分布信息和表面光斑信息，i为双光源样本的编号，S2为随机选出的2个双光源样本的集合，Xi、Φi分别为第i个双光源样本的真实光源分布信息和表面光斑信息
S30，将标准网格划分为体表节点和体内节点；对每个体内节点，选取K个距其最近的体表节点，构建第一节点集合，并记录第一节点集合中各节点的序号；
在本实施例中，记录生物体体内每个节点三维空间距离最近的K个体表节点，具体如下：
S301，将标准网格节点分为体表节点和体内节点，具体方法为遍历标准网格中的每个三角形面，若其在所有四面体中仅出现一次，则该三角形面的每个节点均为体表节点，最终，未被归类为体表节点的节点均为体内节点；
S302，对每个体内节点，选取K个距其最近的体表节点，构建第一节点集合，并记录第一节点集合中各节点的序号。
S40，将扩充后的光源样本、所述第一节点集合中的各节点输入预构建的深度学习网络模型，得到光源的粗重建定位结果以及最终形态学重建结果；基于光源的粗重建定位结果、最终形态学重建结果以及光源的真实分布信息，计算损失值，对深度学习网络模型的参数进行更新；
在本实施例中，深度学习网络模型基于DNN全连接网络和GCN图卷积网络残差连接而成，如图2所示，DNN全连接网络(即图2中的全连接层)的层数为4，该全连接网络的输入为生物体表的荧光强度(即将扩充后的光源样本对应的荧光强度进行归一化，并将归一化的荧光强度输入DNN全连接网络)，隐含层的节点数为生物体内部可行域的顶点数目，输出层输出为光源的粗重建定位结果，或称之为光源的粗略预测位置(即图2中的粗重建结果)。为了减轻网络过拟合的问题，采用Dropout函数以30％的概率随机丢弃隐含层的神经元。
GCN图卷积网络(即图2中的GCN层)的层数为3，该网络以所述图结构邻接矩阵为GCN图卷积计算的结构先验，以所述光源预测位置与第一节点集合中的各节点的光强信号进行拼接后的特征向量为输入，隐含层的节点数目为生物体内部可行域的顶点数目，隐含层的每个神经元与生物体内部可行域的顶点一一对应，输出层输出为光源的最终形态学重建结果，或称之为光源形态的预测分布信息(即图2中的最终结果)。
基于光源的粗重建定位结果、最终形态学重建结果以及光源的真实分布信息，计算损失值，对深度学习网络模型的参数进行更新。
深度学习网络模型在训练时所使用的激励函数为Relu函数，该函数为非线性单元，增强深度学习算法的非线性拟合能力，同时修正结果中小于0的元素，公式如下：
其中，X表示DNN全连接网络或GCN图卷积网络中每个层的输出结果。
深度学习网络模型训练的优化函数为Adam最优化方法，网络训练的损失函数为复合均方差函数，公式如下：
其中，XFC为DNN全连接网络的输出，为粗重建定位结果，进行体内光源的初步定位，Xtrue为真实光源的分布信息，Xfinal为全连接子网络的输出与GCN图卷积网络的残差连接的输出，为最终形态学重建结果，代表网络的定位精度损失，代表形态学精度损失，λ表示权重参数，用来平衡两块损失的比例。
循环步骤S10-S40，对深度学习网络模型进行训练，直至达到设定的训练次数或达到设定的精度阈值。
S50，采集待激发荧光断层成像的生物体体表的荧光图像、解剖结构图像；结合所述解剖结构图像，通过配准算法，将所述荧光图像配准到步骤S10生成的标准网格的体表网格中，并对该体表网格中的荧光强度进行归一化处理；基于归一化处理后的荧光强度，以及配准后的体表网格中顶点之间的距离以及连接关系，利用训练好的深度学习网络模型对生物体进行激发荧光断层重建，得到荧光探针在生物体体内的三维分布；
在本实施例中，利用深度学习模型对生物体进行FMT(激发荧光断层)重建，得到生物体内部的荧光探针分布。具体如下：
S501，构建生物模型，本实施例中优选构建的是小鼠脑胶质瘤模型；
S502，通过注射的方式将荧光探针注射入步骤S501中所构建的生物模型中；
S503，通过CCD(charge coupled device)相机、CT和MRI设备来采集生物体体表的荧光图像、解剖结构图像，再通过配准算法将采集到的荧光图像配准到步骤S110生成的标准网格的体表网格中；
S504，对步骤S503体表网格中的荧光强度进行归一化处理；基于归一化处理后的荧光强度，以及配准后的体表网格中顶点之间的距离以及连接关系，利用训练好的深度学习网络模型对生物体进行激发荧光断层重建，得到荧光探针即荧光源在生物体体内的三维分布。
本发明第二实施例的一种基于GCN残差连接网络的激发荧光断层成像系统，如图3所示，具体包括：图结构建模模块100、数据集构建模块200、节点分类模块300、模型训练模块400、模型预测模块500；
所述图结构建模模块100，配置为将生物体的CT影像数据按组织器官类别进行分割，并通过三角网格化建模方法对分割后的CT影像数据进行网格化，作为标准网格；根据标准网格顶点之间的距离以及连接关系，建立图结构的带权邻接矩阵；
所述数据集构建模块200，配置为结合各组织器官的光学吸收散射参数，对体内光源在生物体体内的光子传播过程进行仿真，得到生物体表面和内部的荧光分布，作为光源样本；并根据光源样本的类型对光源样本进行扩充；
所述节点分类模块300，配置为将标准网格划分为体表节点和体内节点；对每个体内节点，选取K个距其最近的体表节点，构建第一节点集合，并记录第一节点集合中各节点的序号；
所述模型训练模块400，配置为将扩充后的光源样本、所述第一节点集合中的各节点输入预构建的深度学习网络模型，得到光源的粗重建定位结果以及最终形态学重建结果；基于光源的粗重建定位结果、最终形态学重建结果以及光源的真实分布信息，计算损失值，对深度学习网络模型的参数进行更新；
所述模型预测模块500，配置为采集待激发荧光断层成像的生物体体表的荧光图像、解剖结构图像；结合所述解剖结构图像，通过配准算法，将所述荧光图像配准到图结构建模模块100生成的标准网格的体表网格中，并对该体表网格中的荧光强度进行归一化处理；基于归一化处理后的荧光强度，以及配准后的体表网格中顶点之间的距离以及连接关系，利用训练好的深度学习网络模型对生物体进行激发荧光断层重建，得到荧光探针在生物体体内的三维分布；
其中，所述深度学习网络模型基于DNN全连接网络和GCN图卷积网络残差连接而成。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的系统具体的工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于GCN残差连接网络的激发荧光断层成像系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求上述的基于GCN残差连接网络的激发荧光断层成像方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求上述的基于GCN残差连接网络的激发荧光断层成像方法。
本发明第五实施例的一种基于GCN残差连接网络的激发荧光断层成像装置，包括采集设备、中央处理设备；
所述采集设备包括CCD(charge coupled device)相机、CT和MRI设备，用于生物体的CT影像数据以及生物体体表的荧光图像、解剖结构图像；
所述中央处理设备包括GPU，配置为将生物体的CT影像数据按组织器官类别进行分割，并通过三角网格化建模方法对分割后的CT影像数据进行网格化，作为标准网格；根据标准网格顶点之间的距离以及连接关系，建立图结构的带权邻接矩阵；结合各组织器官的光学吸收散射参数，对体内光源在生物体体内的光子传播过程进行仿真，得到生物体表面和内部的荧光分布，作为光源样本；并根据光源样本的类型对光源样本进行扩充；将标准网格划分为体表节点和体内节点；对每个体内节点，选取K个距其最近的体表节点，构建第一节点集合，并记录第一节点集合中各节点的序号；将扩充后的光源样本、所述第一节点集合中的各节点输入预构建的深度学习网络模型，得到光源的粗重建定位结果以及最终形态学重建结果；基于光源的粗重建定位结果、最终形态学重建结果以及光源的真实分布信息，计算损失值，对深度学习网络模型的参数进行更新；结合所述解剖结构图像，通过配准算法，将所述荧光图像配准到生成的标准网格的体表网格中，并对该体表网格中的荧光强度进行归一化处理；基于归一化处理后的荧光强度，以及配准后的体表网格中顶点之间的距离以及连接关系，利用训练好的深度学习网络模型对生物体进行激发荧光断层重建，得到荧光探针在生物体体内的三维分布。
所述技术领域的技术人员可以清楚的了解到，未描述的方便和简洁，上述描述的设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图4，其示出了适于用来实现本申请方法、系统、设备实施例的服务器的计算机系统的结构示意图。图4示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)401，其可以根据存储在只读存储器(ROM，Read Only Memory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，Random Access Memory)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有系统操作所需的各种程序和数据。CPU401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分409。通讯部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU401执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
