一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统

摘要

本发明属于图像识别技术领域，公开一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统，包括：特征提取网络、区域生成网络和目标检测网络；所述特征提取网络用于对输入的已绘制ROI的CT图像进行抽象，提取影像组学特征；所述区域生成网络利用Pearson相关分析算法选择影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS算法筛选最优影像组学特征；所述目标检测网络用于预测切缘阳性概率。本发明的系统能够识别肉眼无法辨识的微观医学影像信息，可以精确鉴别胃癌的浸润深度，可以在术前对切缘状态进行预判。

说明书

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统，还涉及一种电子设备，还涉及一种计算机可读存储介质。

背景技术

目前，胃癌是全球第五大常见的恶性肿瘤和第三大癌症死亡原因。日本第四版胃癌治疗指南指出，根治性手术切除是目前唯一有望治愈进展期胃癌的方法。术前精确预测胃癌手术切缘状态，对于避免不必要的姑息性手术以及合理选择术前新辅助放化疗具有重要的指导意义。上腹部增强CT是术前评估胃癌最常用的诊断工具，目前，对于进展期胃癌边缘状态的判断主要通过医生进行识别，对医生的经验以及水平有较高要求，而且，肉眼条件下在CT图像中无法准确分辨胃癌浸润最远处。

近年来，图像识别技术获得了长足进步，如何利用图像识别技术在CT图像中对进展期胃癌边缘状态进行识别，是目前亟待解决的问题。

发明内容

本发明实施例提供了一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统，以解决现有技术中通过人工识别进展期胃癌边缘状态的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统。

在一些可选实施例中，一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统，包括：特征提取网络、区域生成网络和目标检测网络；

所述特征提取网络用于对输入的已绘制ROI的CT图像进行抽象，提取影像组学特征；

所述区域生成网络利用Pearson相关分析算法选择影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS算法筛选最优影像组学特征；其中，影像组学特征包括：形态学特征、一阶统计特征、纹理特征；

所述目标检测网络采用MLR构建影像组学模型，用于预测切缘阳性概率。

可选地，所述特征提取网络将所有ROI数据重采样为体素间距为1×1×1mm

可选地，所述特征提取网络在原始图像上应用6个内置可选滤波器，生成相应的衍生图像，使用Pyradiomics在原始图像和衍生图像中提取CT图像的影像组学特征。

可选地，在所述SFFS算法中，以AUC值作为SFFS评分标准，以获得最优影像组学特征。

可选地，形态学特征包括：最大3D直径、伸长率、平面度、最小轴长、主轴长、最大2D直径列、最大2D直径行、最大2D直径切片、网格体积。

可选地，一阶统计特征包括：均值、能量、总能量、熵、最小强度值、第10个百分位强度值、第90个百分位强度值、最大强度值、平均强度值、中值强度值、四分位数范围、强度值范围、偏度、峰度、方差和均匀度。

可选地，纹理特征包括：灰度共生矩阵、灰度游程长度矩阵、灰度大小区域带矩阵、近邻灰度色调差矩阵、和灰度相关矩阵；

灰度共生矩阵包括：相关性、自相关、联合平均、聚类突出度、聚类阴影、聚类趋势、对比度、差平均、差分熵、差分方差、联合能量、联合熵；

灰度游程长度矩阵包括：运行熵、灰度非均匀性、归一化灰度非均匀性、灰度方差、高灰度运行强调、长期运行强调、长期运行高灰度强调、长期低灰度级强调、低灰度级强调；

灰度大小区域带矩阵包括：大面积高灰度级强调、小面积强调、大面积强调、灰度不均匀、灰度不均匀归一化、灰度方差、尺寸区域不均匀、尺寸区域非均匀标准化、区域百分比、区域方差、区域熵；

近邻灰度色调差矩阵包括：复杂性、对比度和强度；

灰度相关矩阵包括：灰度不均匀、归一化灰度不均匀、灰度方差、高灰度区域重点、大面积重点、大区域低灰度级强调、低灰度级区域强调、尺寸区域非均匀性。

可选地，所述目标检测网络是一个包含了五种最优影像组学特征的MLR模型。

根据本发明实施例的第二方面，提供了一种电子设备。

在一些可选实施例中，所述电子设备包括：

至少一个处理器；和

与所述至少一个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至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，使所述至少一个处理器执行如下步骤：

构建特征提取网络、区域生成网络和目标检测网络；

所述特征提取网络用于对输入的已绘制ROI的CT图像进行抽象，提取影像组学特征；

所述区域生成网络利用Pearson相关分析算法选择影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS算法筛选最优影像组学特征；其中，影像组学特征包括：形态学特征、一阶统计特征、纹理特征；

所述目标检测网络采用MLR构建影像组学模型，用于预测切缘阳性概率。

根据本发明实施例的第三方面，提供了一种计算机可读存储介质。

在一些可选实施例中，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令设置为执行如下步骤：

构建特征提取网络、区域生成网络和目标检测网络；

所述特征提取网络用于对输入的已绘制ROI的CT图像进行抽象，提取影像组学特征；

所述区域生成网络利用Pearson相关分析算法选择影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS算法筛选最优影像组学特征；其中，影像组学特征包括：形态学特征、一阶统计特征、纹理特征；

所述目标检测网络采用MLR构建影像组学模型，用于预测切缘阳性概率。

本发明实施例提供的技术方案可以包括以下有益效果：

能够识别肉眼无法辨识的微观医学影像信息，可以精确鉴别胃癌的浸润深度，可以在术前对切缘状态进行预判，为手术期制定诊疗计划提供客观依据；而且，可以辅助治疗后病人重复检查评估病情变化。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统的原理示意图；

图2是根据一示例性实施例示出的一种电子设备的原理示意图。

具体实施方式

以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，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结构、装置或者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结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本文中，除非另有说明，术语“多个”表示两个或两个以上。

本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

图1示出了本发明的识别系统的一个可选实施例。

在该可选实施例中，如图1所示，一种基于CT图像影像组学特征的进展期胃癌边缘状态识别系统，包括：特征提取网络10、区域生成网络20和目标检测网络30。

所述特征提取网络用于对输入的CT图像进行抽象，提取影像组学特征。可选地，输入到特征提取网络的CT图像为经过手动标识绘制ROI(感兴趣区域)的图像。可选地，绘制ROI的过程为，使用开源成像平台(ITK-SNAP)由医师沿CT图像中胃癌最大边缘进行手动标识绘制ROI，在标识过程中尽量避免胃腔及伪影。

可选地，特征提取网络将所有ROI数据重采样为体素间距为1×1×1mm

所述区域生成网络利用Pearson相关分析算法选择鲁棒性高的影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS(Sequential Floating Forward Selection，序列前向浮动选择)算法筛选最优影像组学特征。可选地，在SFFS算法中，以AUC值(ROC曲线下与坐标轴围成的面积)作为SFFS评分标准，以获得最优影像组学特征。

其中，影像组学特征包括：形态学特征、一阶统计特征、纹理特征。可选地，所有影像组学特征均使用了标准化(Z-score)。

形态学特征包括：最大3D直径、伸长率、平面度、最小轴长、主轴长、最大2D直径列、最大2D直径行、最大2D直径切片、网格体积。

一阶统计特征包括：均值、能量、总能量、熵、最小强度值、第10个百分位强度值、第90个百分位强度值、最大强度值、平均强度值、中值强度值、四分位数范围、强度值范围、偏度、峰度、方差和均匀度。

纹理特征包括：灰度共生矩阵、灰度游程长度矩阵、灰度大小区域带矩阵、近邻灰度色调差矩阵、和灰度相关矩阵。

灰度共生矩阵包括：相关性、自相关、联合平均、聚类突出度、聚类阴影、聚类趋势、对比度、差平均、差分熵、差分方差、联合能量、联合熵。

灰度游程长度矩阵包括：运行熵、灰度非均匀性、归一化灰度非均匀性、灰度方差、高灰度运行强调、长期运行强调、长期运行高灰度强调、长期低灰度级强调、低灰度级强调。

灰度大小区域带矩阵包括：大面积高灰度级强调、小面积强调、大面积强调、灰度不均匀、灰度不均匀归一化、灰度方差、尺寸区域不均匀、尺寸区域非均匀标准化、区域百分比、区域方差、区域熵。

近邻灰度色调差矩阵包括：复杂性、对比度和强度。

灰度相关矩阵包括：灰度不均匀、归一化灰度不均匀、灰度方差、高灰度区域重点、大面积重点、大区域低灰度级强调、低灰度级区域强调、尺寸区域非均匀性。

系统通过对上述影像组学特征的分析，能够识别肉眼无法辨识的微观医学影像信息，可以精确鉴别胃癌的浸润深度，可以在术前对切缘状态进行预判，为手术期制定诊疗计划提供客观依据；而且，可以辅助治疗后病人重复检查评估病情变化。

所述目标检测网络采用多元逻辑回归(MLR)方法构建影像组学模型，用于预测切缘阳性概率。可选地，目标检测网络是一个包含了五种最优影像组学特征的MLR模型，其诊断性能高于单个五种影像组学特征的诊断性能，MLR模型提高了影像组学特征在进展期胃癌切缘阳性风险分层中的预测价值。

下面给出上述识别系统的一个具体实施例。

筛选后纳入183例患者，其中142例病人病理切片检查为切缘阴性，41例病人病理切片检查为切缘阳性。使用开源成像平台(ITK-SNAP)由两名高年资影像科医师沿CT图像中胃癌最大边缘进行手动标识绘制ROI，在标识过程中尽量避免胃腔及伪影。根据影像科医师绘制的ROI，将所有ROI数据重采样为体素间距为1×1×1mm

表1

区域生成网络利用Pearson相关分析算法选择鲁棒性高的影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS(Sequential Floating Forward Selection，序列前向浮动选择)算法筛选最优影像组学特征，在SFFS算法中，以AUC值作为SFFS评分标准，以获得最优影像组学特征。

目标检测网络采用多元逻辑回归(MLR)方法构建影像组学模型，用于预测切缘阳性概率。将研究对象随机分为训练组和验证组，两组之比为4：1，其中，训练组145例病人(切缘阴性病人114例，切缘阳性病人31例)，验证组病人38例(切缘阴性病人28例，切缘阳性病人10例)，利用训练组数据构建并训练模型，验证组测试模型性能。MLR模型的构建和训练采用现有方案，这里不再赘述。由最大3D直径、均值、相关性、运行熵和大面积高灰度级强调五种最优影像组学特征构建影像组学模型。表2显示影像组学模型在训练组与验证组中的诊断性能。

表2

本发明实施例公开的识别系统，能够识别肉眼无法辨识的微观医学影像信息，可以精确鉴别胃癌的浸润深度，可以在术前对切缘状态进行预判，为手术期制定诊疗计划提供客观依据；而且，可以辅助治疗后病人重复检查评估病情变化。

本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行如下步骤：构建特征提取网络、区域生成网络和目标检测网络。

所述特征提取网络用于对输入的CT图像进行抽象，提取影像组学特征。可选地，输入到特征提取网络的CT图像为经过手动标识绘制ROI(感兴趣区域)的图像。可选地，绘制ROI的过程为，使用开源成像平台(ITK-SNAP)由医师沿CT图像中胃癌最大边缘进行手动标识绘制ROI，在标识过程中尽量避免胃腔及伪影。

可选地，特征提取网络将所有ROI数据重采样为体素间距为1×1×1mm

所述区域生成网络利用Pearson相关分析算法选择鲁棒性高的影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS(Sequential Floating Forward Selection，序列前向浮动选择)算法筛选最优影像组学特征。可选地，在SFFS算法中，以AUC值作为SFFS评分标准，以获得最优影像组学特征。

其中，影像组学特征包括：形态学特征、一阶统计特征、纹理特征。可选地，所有影像组学特征均使用了标准化(Z-score)。

形态学特征包括：最大3D直径、伸长率、平面度、最小轴长、主轴长、最大2D直径列、最大2D直径行、最大2D直径切片、网格体积。

一阶统计特征包括：均值、能量、总能量、熵、最小强度值、第10个百分位强度值、第90个百分位强度值、最大强度值、平均强度值、中值强度值、四分位数范围、强度值范围、偏度、峰度、方差和均匀度。

纹理特征包括：灰度共生矩阵、灰度游程长度矩阵、灰度大小区域带矩阵、近邻灰度色调差矩阵、和灰度相关矩阵。

灰度共生矩阵包括：相关性、自相关、联合平均、聚类突出度、聚类阴影、聚类趋势、对比度、差平均、差分熵、差分方差、联合能量、联合熵。

灰度游程长度矩阵包括：运行熵、灰度非均匀性、归一化灰度非均匀性、灰度方差、高灰度运行强调、长期运行强调、长期运行高灰度强调、长期低灰度级强调、低灰度级强调。

灰度大小区域带矩阵包括：大面积高灰度级强调、小面积强调、大面积强调、灰度不均匀、灰度不均匀归一化、灰度方差、尺寸区域不均匀、尺寸区域非均匀标准化、区域百分比、区域方差、区域熵。

近邻灰度色调差矩阵包括：复杂性、对比度和强度。

灰度相关矩阵包括：灰度不均匀、归一化灰度不均匀、灰度方差、高灰度区域重点、大面积重点、大区域低灰度级强调、低灰度级区域强调、尺寸区域非均匀性。

所述目标检测网络采用多元逻辑回归(MLR)方法构建影像组学模型，用于预测切缘阳性概率。可选地，目标检测网络是一个包含了五种最优影像组学特征的MLR模型，其诊断性能高于单个五种影像组学特征的诊断性能，MLR模型提高了影像组学特征在进展期胃癌切缘阳性风险分层中的预测价值。

本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如下步骤：构建特征提取网络、区域生成网络和目标检测网络。

所述特征提取网络用于对输入的CT图像进行抽象，提取影像组学特征。可选地，输入到特征提取网络的CT图像为经过手动标识绘制ROI(感兴趣区域)的图像。可选地，绘制ROI的过程为，使用开源成像平台(ITK-SNAP)由医师沿CT图像中胃癌最大边缘进行手动标识绘制ROI，在标识过程中尽量避免胃腔及伪影。

可选地，特征提取网络将所有ROI数据重采样为体素间距为1×1×1mm

所述区域生成网络利用Pearson相关分析算法选择鲁棒性高的影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS(Sequential Floating Forward Selection，序列前向浮动选择)算法筛选最优影像组学特征。可选地，在SFFS算法中，以AUC值作为SFFS评分标准，以获得最优影像组学特征。

其中，影像组学特征包括：形态学特征、一阶统计特征、纹理特征。可选地，所有影像组学特征均使用了标准化(Z-score)。

形态学特征包括：最大3D直径、伸长率、平面度、最小轴长、主轴长、最大2D直径列、最大2D直径行、最大2D直径切片、网格体积。

一阶统计特征包括：均值、能量、总能量、熵、最小强度值、第10个百分位强度值、第90个百分位强度值、最大强度值、平均强度值、中值强度值、四分位数范围、强度值范围、偏度、峰度、方差和均匀度。

纹理特征包括：灰度共生矩阵、灰度游程长度矩阵、灰度大小区域带矩阵、近邻灰度色调差矩阵、和灰度相关矩阵。

灰度共生矩阵包括：相关性、自相关、联合平均、聚类突出度、聚类阴影、聚类趋势、对比度、差平均、差分熵、差分方差、联合能量、联合熵。

灰度游程长度矩阵包括：运行熵、灰度非均匀性、归一化灰度非均匀性、灰度方差、高灰度运行强调、长期运行强调、长期运行高灰度强调、长期低灰度级强调、低灰度级强调。

灰度大小区域带矩阵包括：大面积高灰度级强调、小面积强调、大面积强调、灰度不均匀、灰度不均匀归一化、灰度方差、尺寸区域不均匀、尺寸区域非均匀标准化、区域百分比、区域方差、区域熵。

近邻灰度色调差矩阵包括：复杂性、对比度和强度。

灰度相关矩阵包括：灰度不均匀、归一化灰度不均匀、灰度方差、高灰度区域重点、大面积重点、大区域低灰度级强调、低灰度级区域强调、尺寸区域非均匀性。

所述目标检测网络采用多元逻辑回归(MLR)方法构建影像组学模型，用于预测切缘阳性概率。可选地，目标检测网络是一个包含了五种最优影像组学特征的MLR模型，其诊断性能高于单个五种影像组学特征的诊断性能，MLR模型提高了影像组学特征在进展期胃癌切缘阳性风险分层中的预测价值。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本发明实施例还提供了一种电子设备，其结构如图2所示，该电子设备包括：

至少一个处理器(processor)100，图2中以一个处理器100为例；和存储器(memory)101，还可以包括通信接口(Communication Interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行如下步骤：构建特征提取网络、区域生成网络和目标检测网络。

所述特征提取网络用于对输入的CT图像进行抽象，提取影像组学特征。可选地，输入到特征提取网络的CT图像为经过手动标识绘制ROI(感兴趣区域)的图像。可选地，绘制ROI的过程为，使用开源成像平台(ITK-SNAP)由医师沿CT图像中胃癌最大边缘进行手动标识绘制ROI，在标识过程中尽量避免胃腔及伪影。

可选地，特征提取网络将所有ROI数据重采样为体素间距为1×1×1mm

所述区域生成网络利用Pearson相关分析算法选择鲁棒性高的影像组学特征，建立Pearson相关矩阵，计算成对影像组学特征相关系数，选择具有最大绝对相关系数平均值的影像组学特征，采用SFFS(Sequential Floating Forward Selection，序列前向浮动选择)算法筛选最优影像组学特征。可选地，在SFFS算法中，以AUC值作为SFFS评分标准，以获得最优影像组学特征。

其中，影像组学特征包括：形态学特征、一阶统计特征、纹理特征。可选地，所有影像组学特征均使用了标准化(Z-score)。

形态学特征包括：最大3D直径、伸长率、平面度、最小轴长、主轴长、最大2D直径列、最大2D直径行、最大2D直径切片、网格体积。

一阶统计特征包括：均值、能量、总能量、熵、最小强度值、第10个百分位强度值、第90个百分位强度值、最大强度值、平均强度值、中值强度值、四分位数范围、强度值范围、偏度、峰度、方差和均匀度。

纹理特征包括：灰度共生矩阵、灰度游程长度矩阵、灰度大小区域带矩阵、近邻灰度色调差矩阵、和灰度相关矩阵。

灰度共生矩阵包括：相关性、自相关、联合平均、聚类突出度、聚类阴影、聚类趋势、对比度、差平均、差分熵、差分方差、联合能量、联合熵。

灰度游程长度矩阵包括：运行熵、灰度非均匀性、归一化灰度非均匀性、灰度方差、高灰度运行强调、长期运行强调、长期运行高灰度强调、长期低灰度级强调、低灰度级强调。

灰度大小区域带矩阵包括：大面积高灰度级强调、小面积强调、大面积强调、灰度不均匀、灰度不均匀归一化、灰度方差、尺寸区域不均匀、尺寸区域非均匀标准化、区域百分比、区域方差、区域熵。

近邻灰度色调差矩阵包括：复杂性、对比度和强度。

灰度相关矩阵包括：灰度不均匀、归一化灰度不均匀、灰度方差、高灰度区域重点、大面积重点、大区域低灰度级强调、低灰度级区域强调、尺寸区域非均匀性。

所述目标检测网络采用多元逻辑回归(MLR)方法构建影像组学模型，用于预测切缘阳性概率。可选地，目标检测网络是一个包含了五种最优影像组学特征的MLR模型，其诊断性能高于单个五种影像组学特征的诊断性能，MLR模型提高了影像组学特征在进展期胃癌切缘阳性风险分层中的预测价值。

此外，上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本发明实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述步骤。

存储器101可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101可以包括高速随机存取存储器，还可以包括非易失性存储器。

本发明实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例所述全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。