骨骼生长点的勾画方法和装置、存储介质及处理器

摘要

本申请公开了一种骨骼生长点的勾画方法和装置、存储介质及处理器。该方法包括：获取目标影像，其中，所述目标影像包括：待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像；将所述待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到所述目标层CT影像中的骨骼生长点的勾画结果。通过本申请，解决了相关技术中由于骨骼生长点结构复杂，在CT影像上识别困难，导致对骨骼生长点的自动勾画的准确性比较低的问题。

说明书

技术领域

本申请涉及医疗影像处理技术领域，具体而言，涉及一种骨骼生长点的勾画方法和装置、存储介质及处理器。

背景技术

近年来，随着手术、化疗及放疗等多种治疗模式的综合应用，儿童肿瘤患者生存期明显延长。2020年，国家癌症研究所“Cancer Statistics Review”数据显示，0～19岁儿童肿瘤治疗后5年生存率达85.9％。但是，很多儿童肿瘤患者幸存者的生存质量会受到与治疗相关的不良反应的影响，导致出现与治疗相关的致残或危及生命的远期并发症。放疗是儿童肿瘤重要的治疗手段，儿童的骨骼都处于发育过程中，相对于成人患者，放疗对生长发育阶段儿童患者的骨骼产生的抑制作用更为严重。放疗相关的骨骼远期不良反应与患者暴露剂量和年龄相关，包括面部发育不全、眼眶缺陷、锁骨狭窄、臂长差异、腿长差异、不对称、畸形、病理性骨折、脊柱侧凸和后凸等。因此，针对接受放疗的儿童肿瘤患者，亟需在不影响靶区剂量的情况下保护儿童生长发育的骨骼等器官。

而目前尚未有基于深度学习的儿童骨骼生长点的自动勾画模型，在儿童放疗计划制定过程中，只能手动勾画放疗过程中重要的骨骼生长中心，儿童骨骼生长中心数量多，体积小，并且分布于全身，因此在放疗计划中手动勾画儿童骨骼生长中心非常耗时(全部勾画完约耗时40分钟)，同时由于骨骼生长点结构复杂，在CT影像上识别困难，勾画骨骼生长点时需要参考CT影像上下水平层面的解剖信息，这都会导致医生之间勾画差异。由于儿童骨骼的生长发育是一个连续复杂的阶段，生长发育的骨骼受年龄、营养状况、青春期状况及是否存在基础疾病等因素影响，不同或者同一年龄阶段儿童患者的骨骼生长点在CT影像上可以表现不同形状和体积，这些也会为儿童骨骼生长点自动分割的准确性带来了难度。

针对相关技术中由于骨骼生长点结构复杂，在CT影像上识别困难，导致对骨骼生长点的自动勾画的准确性比较低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种骨骼生长点的勾画方法和装置、存储介质及处理器，以解决相关技术中由于骨骼生长点结构复杂，在CT影像上识别困难，导致对骨骼生长点的自动勾画的准确性比较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种骨骼生长点的勾画方法。该方法包括：获取目标影像，其中，所述目标影像包括：待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像；将所述待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到所述目标层CT影像中的骨骼生长点的勾画结果。

进一步地，将所述待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到所述目标层CT影像中的骨骼生长点的勾画结果包括：通过所述第一旁路分支网络对所述上一层CT影像进行处理，得到所述上一层CT影像中的骨骼生长点的第一目标特征信息；通过所述第二旁路分支网络对所述下一层CT影像进行处理，得到所述下一层CT影像中的骨骼生长点的第二目标特征信息；通过所述主分支网络中的主编码器对所述目标层CT影像进行编码，得到所述目标层CT影像中的骨骼生长点的第三目标特征信息；将所述第一目标特征信息，所述第二目标特征信息和所述第三目标特征信息进行合并，得到第一总目标特征信息；通过所述主分支网络中的主解码器对所述第一总目标特征信息进行解码处理，得到所述目标层CT影像中的骨骼生长点的勾画结果。

进一步地，通过所述第一旁路分支网络对所述上一层CT影像进行处理，得到所述上一层CT影像中的第一目标特征信息包括：通过所述第一旁路分支网络中的编码器对所述上一层CT影像进行编码，得到所述上一层CT影像中的骨骼生长点的第一初始特征信息；通过所述第一旁路分支网络中的挤压与激励模块对所述初始特征信息进行语义增强，得到所述第一目标特征信息。

进一步地，在将所述待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到所述目标层CT影像中的骨骼生长点的勾画结果之前，所述方法还包括：获取多个训练样本组，其中，所述多个训练样本组至少包括多个CT影像组和所述多个CT影像组中的骨骼生长点的标准勾画结果，一个CT影像组由上层CT影像、中层CT影像和下层CT影像，所述上层CT影像为所述中层CT影像的上一层的CT影像，所述下层CT影像为所述中层CT影像的下一层的CT影像；将所述多个训练样本组输入初始网络模型，得到所述训练样本的目标预测勾画结果；依据所述标准勾画结果，所述目标预测勾画结果和所述目标网络模型的损失函数进行计算，得到目标损失值；依据所述目标损失值，对所述初始网络模型的参数进行优化，得到所述目标网络模型。

进一步地，将所述多个训练样本输入初始网络模型，得到所述训练样本的目标预测勾画结果，包括：通过所述初始网络模型中的初始第一旁路分支网络对所述上层CT影像进行处理，得到第一预测勾画结果；通过所述初始网络模型中的初始主分支网络对所述中层CT影像进行处理，得到第二预测勾画结果；通过所述初始网络模型中的初始第二旁路分支网络对所述下层CT影像进行处理，得到第三预测勾画结果；将所述第一预测勾画结果、所述第二预测勾画结果和所述第三预测勾画结果作为所述目标预测勾画结果。

进一步地，依据所述标准勾画结果，所述目标预测勾画结果和所述目标网络模型的损失函数进行计算，得到目标损失值包括：依据所述第一预测勾画结果、所述上层CT影像中的骨骼生长点的标准勾画结果和所述损失函数进行计算，得到第一损失值；依据所述第二预测勾画结果、所述中层CT影像中的骨骼生长点的标准勾画结果和所述损失函数进行计算，得到第二损失值；依据所述第三预测勾画结果、所述下层CT影像中的骨骼生长点的标准勾画结果和所述损失函数进行计算，得到第三损失值；将所述第一损失值，所述第二损失值和所述第三损失值作为所述目标损失值。

进一步地，通过所述初始网络模型中的初始第一旁路分支网络对所述上层CT影像进行处理，得到第一预测勾画结果包括：通过所述初始第一旁路分支网络中的编码器对所述上层CT影像进行编码，得到所述上层CT影像中的骨骼生长点的第二初始特征信息；通过所述初始第一旁路分支网络中的解码器对所述第二初始特征信息进行解码，得到所述第一预测勾画结果。

进一步地，通过所述初始主分支网络对所述中层CT影像进行处理，得到第二预测勾画结果包括：通过所述初始第一旁路分支网络中的第一挤压与激励模块对所述第二初始特征信息进行语义增强，得到第四目标特征信息；获取所述下层CT影像中的骨骼生长点的第五目标特征信息；通过所述初始主分支网络的主编码器对所述中层CT影像进行编码，得到所述中层CT影像中的骨骼生长点的第六目标特征信息；将所述第四目标特征信息、第五目标特征信息和所述第六目标特征信息进行合并，得到第二总特征信息；通过所述初始主分支网络的主解码器对所述第二总特征信息进行解码处理，得到所述第二预测勾画结果。

进一步地，获取多个训练样本组包括：依据人体生长规则，创建骨骼生长点的初始勾画规则；依据所述骨骼生长点的特征，对所述初始勾画规则进行优化，得到目标勾画规则；获取所述多个CT影像组，并采用所述目标勾画规则对所述多个CT影像组进行骨骼生长点勾画，得到所述标准勾画结果；将所述CT影像组和所述标准勾画结果组建为所述多个训练样本组。

为了实现上述目的，根据本申请的另一方面，提供了一种骨骼生长点的勾画装置。该装置包括：第一获取单元，用于获取目标影像，其中，所述目标影像包括：待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像；第一处理单元，用于将所述待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到所述目标层CT影像中的骨骼生长点的勾画结果。

进一步地，所述第一处理单元包括：第一处理子单元，用于通过所述第一旁路分支网络对所述上一层CT影像进行处理，得到所述上一层CT影像中的骨骼生长点的第一目标特征信息；第二处理子单元，用于通过所述第二旁路分支网络对所述下一层CT影像进行处理，得到所述下一层CT影像中的骨骼生长点的第二目标特征信息；编码子单元，用于通过所述主分支网络中的主编码器对所述目标层CT影像进行编码，得到所述目标层CT影像中的骨骼生长点的第三目标特征信息；合并子单元，用于将所述第一目标特征信息，所述第二目标特征信息和所述第三目标特征信息进行合并，得到第一总目标特征信息；解码子单元，用于通过所述主分支网络中的主解码器对所述第一总目标特征信息进行解码处理，得到所述目标层CT影像中的骨骼生长点的勾画结果。

进一步地，所述第一处理子单元包括：第一编码模块，用于通过所述第一旁路分支网络中的编码器对所述上一层CT影像进行编码，得到所述上一层CT影像中的骨骼生长点的第一初始特征信息；第一处理模块，用于通过所述第一旁路分支网络中的挤压与激励模块对所述初始特征信息进行语义增强，得到所述第一目标特征信息。

进一步地，所述装置还包括：第二获取单元，用于在将所述待勾画的目标层CT影像，所述目标层CT影像的上一层CT影像和所述目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到所述目标层CT影像中的骨骼生长点的勾画结果之前，获取多个训练样本组，其中，所述多个训练样本组至少包括多个CT影像组和所述多个CT影像组中的骨骼生长点的标准勾画结果，一个CT影像组由上层CT影像、中层CT影像和下层CT影像，所述上层CT影像为所述中层CT影像的上一层的CT影像，所述下层CT影像为所述中层CT影像的下一层的CT影像；第二处理单元，用于将所述多个训练样本组输入初始网络模型，得到所述训练样本的目标预测勾画结果；计算单元，用于依据所述标准勾画结果，所述目标预测勾画结果和所述目标网络模型的损失函数进行计算，得到目标损失值；优化单元，用于依据所述目标损失值，对所述初始网络模型的参数进行优化，得到所述目标网络模型。

进一步地，所述第二处理单元包括：第三处理子单元，用于通过所述初始网络模型中的初始第一旁路分支网络对所述上层CT影像进行处理，得到第一预测勾画结果；第四处理子单元，用于通过所述初始网络模型中的初始主分支网络对所述中层CT影像进行处理，得到第二预测勾画结果；第五处理子单元，用于通过所述初始网络模型中的初始第二旁路分支网络对所述下层CT影像进行处理，得到第三预测勾画结果；第一确定子单元，用于将所述第一预测勾画结果、所述第二预测勾画结果和所述第三预测勾画结果作为所述目标预测勾画结果。

进一步地，所述计算单元包括：第一计算子单元，用于依据所述第一预测勾画结果、所述上层CT影像中的骨骼生长点的标准勾画结果和所述损失函数进行计算，得到第一损失值；第二计算子单元，用于依据所述第二预测勾画结果、所述中层CT影像中的骨骼生长点的标准勾画结果和所述损失函数进行计算，得到第二损失值；第三计算子单元，用于依据所述第三预测勾画结果、所述下层CT影像中的骨骼生长点的标准勾画结果和所述损失函数进行计算，得到第三损失值；第二确定子单元，用于将所述第一损失值，所述第二损失值和所述第三损失值作为所述目标损失值。

进一步地，所述第三处理子单元包括：第二编码模块，用于通过所述初始第一旁路分支网络中的编码器对所述上层CT影像进行编码，得到所述上层CT影像中的骨骼生长点的第二初始特征信息；解码模块，用于通过所述初始第一旁路分支网络中的解码器对所述第二初始特征信息进行解码，得到所述第一预测勾画结果。

进一步地，所述第四处理子单元包括：第二处理模块，用于通过所述初始第一旁路分支网络中的第一挤压与激励模块对所述第二初始特征信息进行语义增强，得到第四目标特征信息；获取模块，用于获取所述下层CT影像中的骨骼生长点的第五目标特征信息；第三编码模块，用于通过所述初始主分支网络的主编码器对所述中层CT影像进行编码，得到所述中层CT影像中的骨骼生长点的第六目标特征信息；合并模块，用于将所述第四目标特征信息、第五目标特征信息和所述第六目标特征信息进行合并，得到第二总特征信息；确定模块，用于通过所述初始主分支网络的主解码器对所述第二总特征信息进行解码处理，得到所述第二预测勾画结果。

进一步地，所述第二获取单元包括：创建子单元，用于依据人体生长规则，创建骨骼生长点的初始勾画规则；优化子单元，用于依据所述骨骼生长点的特征，对所述初始勾画规则进行优化，得到目标勾画规则；获取子单元，用于获取所述多个CT影像组，并采用所述目标勾画规则对所述多个CT影像组进行骨骼生长点勾画，得到所述标准勾画结果；组建子单元，用于将所述CT影像组和所述标准勾画结果组建为所述多个训练样本组。

为了实现上述目的，根据本申请的另一方面，还提供了一种计算机可读存储介质，所述存储介质存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的骨骼生长点的勾画方法。

为了实现上述目的，根据本申请的另一方面，还提供了一种处理器，其中，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的骨骼生长点的勾画方法。

通过本申请，采用以下步骤：获取目标影像，其中，目标影像包括：待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像；将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果，解决了相关技术中由于骨骼生长点结构复杂，在CT影像上识别困难，导致对骨骼生长点的自动勾画的准确性比较低的问题。通过将三层相邻的CT影像输入到目标网络模型，通过集成相邻CT影像的特征信息来实现对中间CT影像中的骨骼生长点的勾画，从而使目标网络模型能够更加准确的自动分割儿童重要的骨骼生长中心，进而达到了提高对骨骼生长点的自动勾画的准确性的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的骨骼生长点的勾画方法的流程图；

图2是根据本申请实施例提供的目标网络模型的示意图；

图3是根据本申请实施例提供的骨骼生长点的勾画装置的示意图。

具体实施方式

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。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本申请的实施例。此外，术语“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。

下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的骨骼生长点的勾画方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取目标影像，其中，目标影像包括：待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像。

具体地，从患者的影像数据中得到相邻三层的CT影像，通过这三层CT影像实现对中间层CT影像(即上述的目标层CT影像)中的骨骼生长点的勾画。

步骤S102，将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果。

具体地，目标网络模型由主分支网络、第一旁路分支网络和第二旁路分支网络组成，通过目标网络模型集成相邻CT影像的空间信息，从而实现对目标层CT影像中的骨骼生长点的准确勾画。

综上所述，将三层相邻的CT影像输入到目标网络模型，通过集成相邻CT影像的特征信息来实现对中间CT影像中的骨骼生长点的勾画，从而使目标网络模型能够更加准确的自动勾画儿童重要的骨骼生长中心，提高了对骨骼生长点的自动勾画的准确性。

如何通过目标网络模型实现对CT影像的准确勾画是至关重要的，在本申请实施例提供的骨骼生长点的勾画方法中，采用以下方式实现通过目标网络模型对CT影像的骨骼生长点的勾画：通过第一旁路分支网络对上一层CT影像进行处理，得到上一层CT影像中的骨骼生长点的第一目标特征信息；通过第二旁路分支网络对下一层CT影像进行处理，得到下一层CT影像中的骨骼生长点的第二目标特征信息；通过主分支网络中的主编码器对目标层CT影像进行编码，得到目标层CT影像中的骨骼生长点的第三目标特征信息；将第一目标特征信息，第二目标特征信息和第三目标特征信息进行合并，得到第一总目标特征信息；通过主分支网络中的主解码器对第一总目标特征信息进行解码处理，得到目标层CT影像中的骨骼生长点的勾画结果。

具体地，如图2所示，目标网络模型由主分支网络、第一旁路分支网络和第二旁路分支网络组成，每个分支都有一个编码器和解码器。编码器和解码器都由四个残差块堆叠。旁路支路网络的编码器通过连接一个挤压与激励模块(SE Module)，实现将相邻CT影像的特征信息传输到主支路网络中。在对目标影像进行勾画的过程中，只保留两个旁路分支的编码器和主分支网络，如图2中的实线所示。

首先通过第一旁路分支网络对上一层的CT影像进行处理，得到上一层的CT影像的骨骼生长点的第一目标特征信息，通过第二旁路分支网络对下一层的CT影像进行处理，得到下一层的CT影像的骨骼生长点的第二目标特征信息，通过主分支网络的主编码器对目标层CT影像进行编码，得到目标层CT影像中的骨骼生长点的第三目标特征信息。将第一目标特征信息、第二目标特征信息和第三目标特征信息进行合并处理，得到总的特征信息(即上述的第一总特征信息)。最后通过主分支网络的主解码器对第一总特征信息进行解码处理，进而得到目标层CT影像中的骨骼生长点的勾画结果。

通过上述步骤，在对目标层CT影像进行勾画时，充分结合了相邻层的CT影像的特征信息，使得能够准确的实现对目标层CT影像中的骨骼生长点的勾画。

通过下述步骤准确得到相邻CT影像的目标特征信息：通过第一旁路分支网络中的编码器对上一层CT影像进行编码，得到上一层CT影像中的骨骼生长点的第一初始特征信息；通过第一旁路分支网络中的挤压与激励模块对初始特征信息进行语义增强，得到第一目标特征信息。

具体地，利用第一旁路分支网络的编码器对上一层的CT影像进行编码，得到上一层的CT影像中的骨骼生长点的初始特征信息，然后通过挤压与激励模块对初始特征信息进行语义增强，得到第一目标特征信息。通过第二旁路分支网络对下一层的CT影像会执行相同的操作过程。利用第二旁路分支网络的编码器对下一层的CT影像进行编码，得到下一层的CT影像中的骨骼生长点的初始特征信息，然后通过挤压与激励模块对初始特征信息进行语义增强，得到第二目标特征信息。

通过对初始特征信息进行语义增强，能够更加准确地捕捉到相邻层CT影像的特征信息，进而提高了对目标层CT影像的骨骼生长点勾画的准确性。

如何训练得到目标网络模型也是至关重要的，在本申请实施例提供的骨骼生长点的勾画方法中，采用下述方法得到目标网络模型：获取多个训练样本组，其中，多个训练样本组至少包括多个CT影像组和多个CT影像组中的骨骼生长点的标准勾画结果，一个CT影像组由上层CT影像、中层CT影像和下层CT影像，上层CT影像为中层CT影像的上一层的CT影像，下层CT影像为中层CT影像的下一层的CT影像；将多个训练样本组输入初始网络模型，得到训练样本的目标预测勾画结果；依据标准勾画结果，目标预测勾画结果和目标网络模型的损失函数进行计算，得到目标损失值；依据目标损失值，对初始网络模型的参数进行优化，得到目标网络模型。

具体地，在训练时，旁路分支网络会输出相邻层的CT影像的勾画结果，通过两路旁路分支网络和主分支网络这三层输出的勾画结果，得到对应的损失值(即上述的目标损失值)，利用损失值对初始网络模型进行训练，最终得到目标网络模型。

通过患者的CT的影像图得到多个训练样本组，例如，一个患者拍摄了CT，能够得到80层的CT影像，那么这80层的CT影像，相邻的三层就可以构成一个训练样本组。同时训练样本组中包括各个CT影像的标准勾画结果。利用标准勾画结果和初始网络模型输出的勾画结果(即上述的目标预测勾画结果)计算得到目标损失值。

在一可选的实施例中，将骰子损失和轮廓约束损失进行结合得到损失函数，总体的损失函数为

通过上述步骤，保证了目标网络模型的收敛稳定性、准确性和光滑性。

在一可选的实施例中，通过下述方法得到训练样本的目标预测勾画结果和目标损失值：通过初始网络模型中的初始第一旁路分支网络对上层CT影像进行处理，得到第一预测勾画结果；通过初始网络模型中的初始主分支网络对中层CT影像进行处理，得到第二预测勾画结果；通过初始网络模型中的初始第二旁路分支网络对下层CT影像进行处理，得到第三预测勾画结果；将第一预测勾画结果、第二预测勾画结果和第三预测勾画结果作为目标预测勾画结果。依据第一预测勾画结果、上层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第一损失值；依据第二预测勾画结果、中层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第二损失值；依据第三预测勾画结果、下层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第三损失值；将第一损失值，第二损失值和第三损失值作为目标损失值。

具体地，通过初始第一旁路分支网络中的编码器对上层CT影像进行编码，得到上层CT影像中的骨骼生长点的第二初始特征信息；通过初始第一旁路分支网络中的解码器对第二初始特征信息进行解码，得到上层CT影像的第一预测勾画结果。

通过初始主分支网络对中层CT影像进行处理，得到中层CT影像的第二预测勾画结果；通过初始第二旁路分支网络对下层CT影像进行处理，得到第三预测勾画结果。通过第一预测勾画结果和上层CT影像的标准勾画结果计算得到第一损失值；通过第二预测勾画结果和中层CT影像的标准勾画结果计算得到第二损失值，通过第三预测勾画结果和下层CT影像的标准勾画结果计算得到第三损失值，然后将第一损失值，第二损失值和第三损失值作为目标损失值。

需要说明的是，对中层CT影像进行勾画时，同样会结合上层和下层CT影像的特征信息，具体步骤如下所示：通过所述初始第一旁路分支网络中的第一挤压与激励模块对所述第二初始特征信息进行语义增强，得到第四目标特征信息；获取下层CT影像中的骨骼生长点的第五目标特征信息；通过初始主分支网络的主编码器对中层CT影像进行编码，得到中层CT影像中的骨骼生长点的第六目标特征信息；将第四目标特征信息、第五目标特征信息和第六目标特征信息进行合并，得到第二总特征信息；通过初始主分支网络的主解码器对第二总特征信息进行解码处理，得到第二预测勾画结果。

具体地，在通过初始第一旁路分支网络的编码器得到上层CT影像的初始特征信息后，利用初始第一旁路分支网络的第一挤压与激励模块对初始特征信息进行语义增强，得到第四目标特征信息。利用初始第二旁路分支网络的编码器得到下层CT影像的初始特征信息后，利用初始第二旁路分支网络的第二挤压与激励模块对初始特征信息进行语义增强，得到第五目标特征信息，通过初始主分支网络的主编码器对中层CT影像进行编码，得到中层CT影像中的骨骼生长点的第六目标特征信息，再将第四目标特征信息、第五目标特征信息和第六目标特征信息进行合并，得到第二总特征信息，利用初始主分支网络的主解码器对第二总特征信息进行解码，最终得到第二预测勾画结果。

通过上述的训练过程，进一步提高了目标网络模型对骨骼生长点的勾画的准确性。

由于在现有技术中，并没有一套严格和规范的对骨骼生长点的勾画规则，所以为了保证准确得到训练样本组的标准勾画结果，在本申请实施例提供的骨骼生长点的勾画方法中，采用以下步骤得到训练样本组的标准勾画结果：根据人体生长规则，创建骨骼生长点的初始勾画规则；依据骨骼生长点的特征，对初始勾画规则进行优化，得到目标勾画规则；获取多个CT影像组，并采用目标勾画规则对多个CT影像组进行骨骼生长点勾画，得到标准勾画结果；将CT影像组和标准勾画结果组建为多个训练样本组。

在一可选的实施例中，根据人体生长规则，创建骨骼生长点的初始勾画规则，即将重要儿童骨骼生长中心分为三组：颅面部骨骼生长中心、肩部骨骼生长中心和盆部骨骼生长中心，共有22个结构。

(1)颅面部骨骼生长中心由额缝(FRS)、额颧缝(FZS)、颧颌缝(ZMS)、额颌缝(FMS)、鼻中隔(NAS)、髁突(COP)、冠状突(CRP)组成。

(2)肩部骨骼生长中心包括肩胛骨(SCA)、肩峰突(APS)、肩胛骨喙突(CPS)、锁骨(CLA)、肱骨头、肱骨小结节、肱骨大结节。

(3)盆部骨骼生长中心包括骶髂尾骨区(SIR)、髂骨嵴(ILC)、耻骨联合(PUS)、坐骨结节(IST)、股骨大转子(GRT)、股骨小转子(LRT)、股骨骨骺、股骨头。

为了实现更精确的分割效果，合并解剖上相邻的生长中心(即上述的依据骨骼生长点的特征，对初始勾画规则进行优化，得到目标勾画规则)。例如，在勾画时，合并肱骨头、肱骨小结节和肱骨大结节为肱骨头结节(HHT)，合并股骨头和股骨骨骺名为股骨头骨骺(FHE)。通过上述的目标勾画规则在骨窗的水平面、冠状面和矢状面CT图像上手动描绘每位患者的19个结构，并由解剖学家和放射科医生进行审查，进而得到多个训练样本组。

在一可选的实施例中，为了定量评估目标网络模型的性能，可以采用DiceSimilarity Coefficient(DSC)和Hausdorff Distance 95th-percentile(HD95)对目标网络模型进行评估。经过实验评估，相对于现有技术中的U-Net和V-Net网络模型，目标网络模型可以更加准确地的自动勾画CT影响图中的骨骼生长点。

本申请实施例提供的骨骼生长点的勾画方法，通过获取目标影像，其中，目标影像包括：待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像；将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果，解决了相关技术中由于骨骼生长点结构复杂，在CT影像上识别困难，导致对骨骼生长点的自动勾画的准确性比较低的问题。通过将三层相邻的CT影像输入到目标网络模型，通过集成相邻CT影像的特征信息来实现对中间CT影像中的骨骼生长点的勾画，从而使目标网络模型能够更加准确的自动分割儿童重要的骨骼生长中心，进而达到了提高对骨骼生长点的自动勾画的准确性的效果。

需要说明的是，在附图的流程图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。

本申请实施例还提供了一种骨骼生长点的勾画装置，需要说明的是，本申请实施例的骨骼生长点的勾画装置可以用于执行本申请实施例所提供的用于骨骼生长点的勾画方法。以下对本申请实施例提供的骨骼生长点的勾画装置进行介绍。

图3是根据本申请实施例的骨骼生长点的勾画装置的示意图。如图3所示，该装置包括：第一获取单元301和第一处理单元302。

第一获取单元301，用于获取目标影像，其中，目标影像包括：待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像；

第一处理单元302，用于将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果。

本申请实施例提供的骨骼生长点的勾画装置，通过第一获取单元501获取目标影像，其中，目标影像包括：待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像；第一处理单元502将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果，解决了相关技术中由于骨骼生长点结构复杂，在CT影像上识别困难，导致对骨骼生长点的自动勾画的准确性比较低的问题。通过将三层相邻的CT影像输入到目标网络模型，通过集成相邻CT影像的特征信息来实现对中间CT影像中的骨骼生长点的勾画，从而使目标网络模型能够更加准确的自动分割儿童重要的骨骼生长中心，进而达到了提高对骨骼生长点的自动勾画的准确性的效果。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，第一处理单元302包括：第一处理子单元，用于通过第一旁路分支网络对上一层CT影像进行处理，得到上一层CT影像中的骨骼生长点的第一目标特征信息；第二处理子单元，用于通过第二旁路分支网络对下一层CT影像进行处理，得到下一层CT影像中的骨骼生长点的第二目标特征信息；编码子单元，用于通过主分支网络中的主编码器对目标层CT影像进行编码，得到目标层CT影像中的骨骼生长点的第三目标特征信息；合并子单元，用于将第一目标特征信息，第二目标特征信息和第三目标特征信息进行合并，得到第一总目标特征信息；解码子单元，用于通过主分支网络中的主解码器对第一总目标特征信息进行解码处理，得到目标层CT影像中的骨骼生长点的勾画结果。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，第一处理子单元包括：第一编码模块，用于通过第一旁路分支网络中的编码器对上一层CT影像进行编码，得到上一层CT影像中的骨骼生长点的第一初始特征信息；第一处理模块，用于通过第一旁路分支网络中的挤压与激励模块对初始特征信息进行语义增强，得到第一目标特征信息。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，该装置还包括：第二获取单元，用于在将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果之前，获取多个训练样本组，其中，多个训练样本组至少包括多个CT影像组和多个CT影像组中的骨骼生长点的标准勾画结果，一个CT影像组由上层CT影像、中层CT影像和下层CT影像，上层CT影像为中层CT影像的上一层的CT影像，下层CT影像为中层CT影像的下一层的CT影像；第二处理单元，用于将多个训练样本组输入初始网络模型，得到训练样本的目标预测勾画结果；计算单元，用于依据标准勾画结果，目标预测勾画结果和目标网络模型的损失函数进行计算，得到目标损失值；优化单元，用于依据目标损失值，对初始网络模型的参数进行优化，得到目标网络模型。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，第二处理单元包括：第三处理子单元，用于通过初始网络模型中的初始第一旁路分支网络对上层CT影像进行处理，得到第一预测勾画结果；第四处理子单元，用于通过初始网络模型中的初始主分支网络对中层CT影像进行处理，得到第二预测勾画结果；第五处理子单元，用于通过初始网络模型中的初始第二旁路分支网络对下层CT影像进行处理，得到第三预测勾画结果；第一确定子单元，用于将第一预测勾画结果、第二预测勾画结果和第三预测勾画结果作为目标预测勾画结果。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，计算单元包括：第一计算子单元，用于依据第一预测勾画结果、上层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第一损失值；第二计算子单元，用于依据第二预测勾画结果、中层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第二损失值；第三计算子单元，用于依据第三预测勾画结果、下层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第三损失值；第二确定子单元，用于将第一损失值，第二损失值和第三损失值作为目标损失值。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，第三处理子单元包括：第二编码模块，用于通过初始第一旁路分支网络中的编码器对上层CT影像进行编码，得到上层CT影像中的骨骼生长点的第二初始特征信息；解码模块，用于通过初始第一旁路分支网络中的解码器对第二初始特征信息进行解码，得到第一预测勾画结果。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，第四处理子单元包括：第二处理模块，用于通过所述初始第一旁路分支网络中的第一挤压与激励模块对所述第二初始特征信息进行语义增强，得到第四目标特征信息；获取模块，用于获取下层CT影像中的骨骼生长点的第五目标特征信息；第三编码模块，用于通过初始主分支网络的主编码器对中层CT影像进行编码，得到中层CT影像中的骨骼生长点的第六目标特征信息；合并模块，用于将第四目标特征信息、第五目标特征信息和第六目标特征信息进行合并，得到第二总特征信息；确定模块，用于通过初始主分支网络的主解码器对第二总特征信息进行解码处理，得到第二预测勾画结果。

可选地，在本申请实施例提供的骨骼生长点的勾画装置中，第二获取单元包括：创建子单元，用于依据人体生长规则，创建骨骼生长点的初始勾画规则；优化子单元，用于依据骨骼生长点的特征，对初始勾画规则进行优化，得到目标勾画规则；获取子单元，用于获取多个CT影像组，并采用目标勾画规则对多个CT影像组进行骨骼生长点勾画，得到标准勾画结果；组建子单元，用于将CT影像组和标准勾画结果组建为多个训练样本组。

骨骼生长点的勾画装置包括处理器和存储器，上述第一获取单元301和第一处理单元302等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

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骨骼生长点的勾画。

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。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现骨骼生长点的勾画方法。

本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行骨骼生长点的勾画方法。处理器执行程序时实现以下步骤：获取目标影像，其中，目标影像包括：待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像；将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果。

可选地，将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果包括：通过第一旁路分支网络对上一层CT影像进行处理，得到上一层CT影像中的骨骼生长点的第一目标特征信息；通过第二旁路分支网络对下一层CT影像进行处理，得到下一层CT影像中的骨骼生长点的第二目标特征信息；通过主分支网络中的主编码器对目标层CT影像进行编码，得到目标层CT影像中的骨骼生长点的第三目标特征信息；将第一目标特征信息，第二目标特征信息和第三目标特征信息进行合并，得到第一总目标特征信息；通过主分支网络中的主解码器对第一总目标特征信息进行解码处理，得到目标层CT影像中的骨骼生长点的勾画结果。

可选地，通过第一旁路分支网络对上一层CT影像进行处理，得到上一层CT影像中的第一目标特征信息包括：通过第一旁路分支网络中的编码器对上一层CT影像进行编码，得到上一层CT影像中的骨骼生长点的第一初始特征信息；通过第一旁路分支网络中的挤压与激励模块对初始特征信息进行语义增强，得到第一目标特征信息。

可选地，在将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果之前，该方法还包括：获取多个训练样本组，其中，多个训练样本组至少包括多个CT影像组和多个CT影像组中的骨骼生长点的标准勾画结果，一个CT影像组由上层CT影像、中层CT影像和下层CT影像，上层CT影像为中层CT影像的上一层的CT影像，下层CT影像为中层CT影像的下一层的CT影像；将多个训练样本组输入初始网络模型，得到训练样本的目标预测勾画结果；依据标准勾画结果，目标预测勾画结果和目标网络模型的损失函数进行计算，得到目标损失值；依据目标损失值，对初始网络模型的参数进行优化，得到目标网络模型。

可选地，将多个训练样本输入初始网络模型，得到训练样本的目标预测勾画结果，包括：通过初始网络模型中的初始第一旁路分支网络对上层CT影像进行处理，得到第一预测勾画结果；通过初始网络模型中的初始主分支网络对中层CT影像进行处理，得到第二预测勾画结果；通过初始网络模型中的初始第二旁路分支网络对下层CT影像进行处理，得到第三预测勾画结果；将第一预测勾画结果、第二预测勾画结果和第三预测勾画结果作为目标预测勾画结果。

可选地，依据标准勾画结果，目标预测勾画结果和目标网络模型的损失函数进行计算，得到目标损失值包括：依据第一预测勾画结果、上层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第一损失值；依据第二预测勾画结果、中层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第二损失值；依据第三预测勾画结果、下层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第三损失值；将第一损失值，第二损失值和第三损失值作为目标损失值。

可选地，通过初始网络模型中的初始第一旁路分支网络对上层CT影像进行处理，得到第一预测勾画结果包括：通过初始第一旁路分支网络中的编码器对上层CT影像进行编码，得到上层CT影像中的骨骼生长点的第二初始特征信息；通过初始第一旁路分支网络中的解码器对第二初始特征信息进行解码，得到第一预测勾画结果。

可选地，通过初始主分支网络对中层CT影像进行处理，得到第二预测勾画结果包括：通过所述初始第一旁路分支网络中的第一挤压与激励模块对所述第二初始特征信息进行语义增强，得到第四目标特征信息；获取下层CT影像中的骨骼生长点的第五目标特征信息；通过初始主分支网络的主编码器对中层CT影像进行编码，得到中层CT影像中的骨骼生长点的第六目标特征信息；将第四目标特征信息、第五目标特征信息和第六目标特征信息进行合并，得到第二总特征信息；通过初始主分支网络的主解码器对第二总特征信息进行解码处理，得到第二预测勾画结果。

可选地，获取多个训练样本组包括：依据人体生长规则，创建骨骼生长点的初始勾画规则；依据骨骼生长点的特征，对初始勾画规则进行优化，得到目标勾画规则；获取多个CT影像组，并采用目标勾画规则对多个CT影像组进行骨骼生长点勾画，得到标准勾画结果；将CT影像组和标准勾画结果组建为多个训练样本组。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标影像，其中，目标影像包括：待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像；将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果。

可选地，将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果包括：通过第一旁路分支网络对上一层CT影像进行处理，得到上一层CT影像中的骨骼生长点的第一目标特征信息；通过第二旁路分支网络对下一层CT影像进行处理，得到下一层CT影像中的骨骼生长点的第二目标特征信息；通过主分支网络中的主编码器对目标层CT影像进行编码，得到目标层CT影像中的骨骼生长点的第三目标特征信息；将第一目标特征信息，第二目标特征信息和第三目标特征信息进行合并，得到第一总目标特征信息；通过主分支网络中的主解码器对第一总目标特征信息进行解码处理，得到目标层CT影像中的骨骼生长点的勾画结果。

可选地，通过第一旁路分支网络对上一层CT影像进行处理，得到上一层CT影像中的第一目标特征信息包括：通过第一旁路分支网络中的编码器对上一层CT影像进行编码，得到上一层CT影像中的骨骼生长点的第一初始特征信息；通过第一旁路分支网络中的挤压与激励模块对初始特征信息进行语义增强，得到第一目标特征信息。

可选地，在将待勾画的目标层CT影像，目标层CT影像的上一层CT影像和目标层CT影像的下一层CT影像输入目标网络模型中的主分支网络、第一旁路分支网络和第二旁路分支网络进行处理，得到目标层CT影像中的骨骼生长点的勾画结果之前，方法还包括：获取多个训练样本组，其中，多个训练样本组至少包括多个CT影像组和多个CT影像组中的骨骼生长点的标准勾画结果，一个CT影像组由上层CT影像、中层CT影像和下层CT影像，上层CT影像为中层CT影像的上一层的CT影像，下层CT影像为中层CT影像的下一层的CT影像；将多个训练样本组输入初始网络模型，得到训练样本的目标预测勾画结果；依据标准勾画结果，目标预测勾画结果和目标网络模型的损失函数进行计算，得到目标损失值；依据目标损失值，对初始网络模型的参数进行优化，得到目标网络模型。

可选地，将多个训练样本输入初始网络模型，得到训练样本的目标预测勾画结果，包括：通过初始网络模型中的初始第一旁路分支网络对上层CT影像进行处理，得到第一预测勾画结果；通过初始网络模型中的初始主分支网络对中层CT影像进行处理，得到第二预测勾画结果；通过初始网络模型中的初始第二旁路分支网络对下层CT影像进行处理，得到第三预测勾画结果；将第一预测勾画结果、第二预测勾画结果和第三预测勾画结果作为目标预测勾画结果。

可选地，依据标准勾画结果，目标预测勾画结果和目标网络模型的损失函数进行计算，得到目标损失值包括：依据第一预测勾画结果、上层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第一损失值；依据第二预测勾画结果、中层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第二损失值；依据第三预测勾画结果、下层CT影像中的骨骼生长点的标准勾画结果和损失函数进行计算，得到第三损失值；将第一损失值，第二损失值和第三损失值作为目标损失值。

可选地，通过初始网络模型中的初始第一旁路分支网络对上层CT影像进行处理，得到第一预测勾画结果包括：通过初始第一旁路分支网络中的编码器对上层CT影像进行编码，得到上层CT影像中的骨骼生长点的第二初始特征信息；通过初始第一旁路分支网络中的解码器对第二初始特征信息进行解码，得到第一预测勾画结果。

可选地，通过初始主分支网络对中层CT影像进行处理，得到第二预测勾画结果包括：通过所述初始第一旁路分支网络中的第一挤压与激励模块对所述第二初始特征信息进行语义增强，得到第四目标特征信息；获取下层CT影像中的骨骼生长点的第五目标特征信息；通过初始主分支网络的主编码器对中层CT影像进行编码，得到中层CT影像中的骨骼生长点的第六目标特征信息；将第四目标特征信息、第五目标特征信息和第六目标特征信息进行合并，得到第二总特征信息；通过初始主分支网络的主解码器对第二总特征信息进行解码处理，得到第二预测勾画结果。

可选地，获取多个训练样本组包括：依据人体生长规则，创建骨骼生长点的初始勾画规则；依据骨骼生长点的特征，对初始勾画规则进行优化，得到目标勾画规则；获取多个CT影像组，并采用目标勾画规则对多个CT影像组进行骨骼生长点勾画，得到标准勾画结果；将CT影像组和标准勾画结果组建为多个训练样本组。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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数据处理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数据处理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。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

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)。存储器是计算机可读介质的示例。

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，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。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。

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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。