一种汉语语言功能区测查用功能磁共振成像数据的处理方法

摘要

本发明涉及医学图像辅助技术，尤其涉及的是一种汉语语言功能区测查用功能磁共振成像数据的处理方法。所述方法包括步骤（1）获得测查对象的血氧水平依赖功能磁共振成像数据和弥散张量成像数据；（2）处理任务态的血氧水平依赖功能磁共振成像数据；（3）处理静息态的血氧水平依赖功能磁共振成像数据；（4）处理弥散张量成像数据。

说明书

技术领域

本发明涉及医学图像辅助技术，尤其涉及的是一种汉语语言功能区测查用功能磁共振成像数据的处理方法。 

背景技术

语言是人类特有的高级认知能力，大脑作为实现语言过程的物质基础，广泛参与语言的加工过程。脑部疾病已成为严重威胁我国人民生命健康的疾病之一（如脑血管疾病年发病率在150－200/10万人），每年有大量病人需要进行脑部手术，虽然医学临床上已经能够成功对涉及多种脑部病变或损伤的患者进行手术，但幸存的脑部疾病患者常遗留偏瘫、语言障碍等后遗症。随着我国经济的发展，人民群众对生活质量的追求不断提升，在脑外科手术中患者除了希望保存生命以外，更怀有保留语言等高级认知功能以求更满意的术后生活质量的强烈需求。因此，术前精确功能定位及术中有效功能检测以尽量避免手术中造成的语言等认知功能脑区受损已成为临床上亟需解决的问题。虽然，近年以来，我国施行脑部手术的医疗设备得到改善，医疗水平也稳步提高，但是，临床对脑与语言功能之间关系的认识相对滞后，涉及语言功能的脑外科切除手术的参照标准仍主要基于西方对布洛卡（Broca）区和威尔尼克（Wernicke）区等脑区的经典结论，难以为国内临床大夫提供准确的手术指导。 

磁共振成像（magnetic resonance imaging，MRI）检查已经被大量地用于病人结构病变的研究，近年来不同模态的神经影像技术（结构、扩散和功能成像）已经被广泛的应用于病人研究中，其中，血氧水平依赖功能磁共振成像（blood oxygen level dependent-functional MRI，BOLD-fMRI）是以脱氧血红蛋白为内源性对比剂，利用局部血流脱氧血红蛋白的变化引起的信号增强来定位脑功能区的影像技术。而弥散张量成像（diffusion tensor imaging,DTI）作为无创性反映活体组织水分子扩散的成像技术，更好地反映了脑白质的微观结构改变。它通过利用多个不同大小的扩散敏感梯度,反映活体内水分子扩散能力强弱及运动方向。采用DTI技术可以间接反映髓鞘化程度或纤维束的完整性，脑组织损伤后超微结构的改变可以通过弥散张量指标--MD、FA及本征值λ1、λ2、λ3等定量反映出来。动物实验、病理和影像学研究都显示AD发生脑白质破坏，出现脱髓鞘、轴索丢失、反应性胶质增生等改变，这意味 着限制水分子运动的障碍丢失和组织各向异性的改变，而且可能发生于疾病早期。 

近几年，随着fMRI技术对病人的数据处理方法与分析手段日臻成熟（Price et al.,2006；Crinion et al.,2007;Suzanne et al.,2007;Marrelec et al.,2008），在发达国家，将脑功能成像基础研究与临床手术结合以提高功能定位的精度成为一个重要趋势。例如用术前fMRI技术对运动区皮层的功能定位结果，与术中直接的皮层电刺激监测结果达到了100％的吻合（Roessler et al.,2005）。相比简单的运动功能，语言的偏侧化特征及其功能定位尽管表现更为复杂，但随着大量语言任务范式在术前语言功能测查的应用，语言任务的功能影像结果也逐渐成为术前语言功能偏侧化及功能定位的诊断标准之一，为临床手术方案及康复计划的制定提供参考。但是，由于存在语言间的差异，以西方拼音文字为基础的研究结论不能直接应用于或简单被推论至使用汉语文字的中国人身上，比如研究发现左侧额中回在西方拼音文字与汉字的加工机制不同（Tan et al.,2005）。因此，我们有必要设计一套合理有效的汉语语言测查系统，并利用功能磁共振成像技术获取适合于测查中国人的语言功能区的方法，将之用于临床脑外科手术的术前语言功能区测查及术中语言功能测定中。 

发明内容

本发明的目的是提供一种汉语语言功能区测查用功能磁共振成像数据的处理方法。 

根据本发明的汉语语言功能区测查用功能磁共振成像数据的处理方法方法，包括以下步骤： 

（1）获得测查对象的血氧水平依赖功能磁共振成像数据和弥散张量成像数据； 

（2）处理任务态的血氧水平依赖功能磁共振成像数据 

（2-1）结构像及功能像的三维重建，将扫描仪中保存的K空间形式的功能数据进行Fourier变换； 

（2-2）奇异数据处理 

去除采集到的前4个功能数据，以避免扫描初期的磁场不稳定影响； 

（2-3）时间平滑 

使用血氧水平依赖功能磁共振成像数据中的层面间移位信息，将输入数据集的体素时间序列进行移位，使各层面对齐到相同时间原点； 

（2-4）头动校正及空间平滑 

以最后一个时间序列的大脑位置为基准，其他所有时间序列的脑都与之对齐，这样每个时间点都分别得到6个方向的变化值，移动超过1个体素或者转动超过5°的 被试数据均剔除，将6列数据存成文件，将头动校正之后得数据进行空间平滑处理，全宽半高值设定为6； 

（2-5）时间序列的标准化 

将空间平滑后的功能数据，做去头皮处理，得到mask文件，针对多个汉语语言功能测试任务进行mask的平均，再针对多个被试及被试的多次扫描做mask合并处理，所述合并处理方式为将mask内的功能数据取均值分析，最后将数据归一化到100为基线的时间序列； 

（2-6）功能数据的回归分析 

采用top hat函数，参见以下公式： 

H(t)=∫₀^min(t，d)h(t-s)dt； 

h(t)=(t/4)⁴e^4-t

其中，t为时间点的自变量，s为某固定时间点，d为刺激持续时间，h（t）代表的是随时间t变化的强度值，H（t）则表示随时间变化的积分值， 

将top hat函数与刺激任务时间序列进行卷积计算，从而生成任务的冲击响应模型，具体算法如下： 

$y\left(t\right)={\int }_0^{t}f\left(T\right)h(t-T)\mathrm{dT}$

其中，t为自变量时间点，f(T)为刺激的时间序列，h（t-T）为top hat函数，y（t）为随时间变化的卷积值。 

将分析得到的血氧水平依赖功能磁共振成像数据与上面得到的模型做回归分析，即获得全脑每个体素的β值，该数值可以表征该体素得时间序列与模型之间的相关关系； 

（3）处理静息态的血氧水平依赖功能磁共振成像数据 

数据的预处理过程同上述的（2-1）至（2-5），在此基础上计算静息态低频振荡振幅,，时间序列通过快速傅里叶变换转化为频率时域，计算波峰高度的平方根，然后对每一个体素在0.01～0.08Hz范围内的平方根取平均值，平均后的平方根即静息态低频振荡振幅ALFF，分析ALFF值改变情况，获得相应统计参数图，将fMRI图像感兴趣区内的时间序列进行平均，得到参考时间序列，以体素－体素的方式对不同参考时间序列进行相关性分析，并使用Fisher转换提高相关系数的正态性，比较各关键脑区之间的连接强度的差异，并测量不同脑区连接的相关系数； 

（4）处理弥散张量成像数据， 

采用基于特征值标准变异的两类系数：相对各向异性系数RA和部分各向异性系数FA，算法如下： 

$\mathrm{RA}=\frac{1}{\sqrt{2}}\frac{\sqrt{{({\lambda }_1-{\lambda }_2)}^2+{({\lambda }_2-{\lambda }_3)}^2+{({\lambda }_1-{\lambda }_3)}^2}}{({\lambda }_1+{\lambda }_2+{\lambda }_3)}$

$=\frac{\sqrt{3}}{\sqrt{2}}\frac{|D-\frac{1}{3}\mathrm{trace}\left(D\right)I|}{\mathrm{trace}\left(D\right)}$

$\mathrm{FA}=\frac{1}{\sqrt{2}}\frac{\sqrt{{({\lambda }_1-{\lambda }_2)}^2+{\left({\lambda }_2{-\lambda }_3\right)}^2+{({\lambda }_1-{\lambda }_3)}^2}}{\sqrt{{\lambda }_1^2+{\lambda }_2^2+{\lambda }_3^2}}$

$=\frac{\sqrt{3}}{\sqrt{2}}\frac{|D-\frac{1}{3}\mathrm{trace}\left(D\right)I|}{\left|D\right|}$

其中I是单位张量，D为扩散系数，弥散张量的三个本征向量λ1λ2λ3相互垂直，并构建了每个像素的局部参照纤维框架，在每个体素中，本征值从大到小排列：λ1=最大弥散系数，λ2=中级弥散系数，λ3=最低弥散系数，λ1代表平行于纤维方向的弥散系数，λ2和λ3代表横向弥散系数， 

针对白质纤维追踪，采用张量偏折算法来处理DTI数据，基于公式如下： 

$v_o={\lambda }_1({\alpha }_1{\hat{e}}_1+\frac{{\lambda }_2}{{\lambda }_1}{\alpha }_2{\hat{e}}_2+\frac{{\lambda }_3}{{\lambda }_1}{\alpha }_3{\hat{e}}_3)$

其中选用TEND算法是考虑到对于术前病人病灶部位有生理病变的情况，以及将要选取的感兴趣脑区位于大脑白质和灰质交接处，从算法本身来说，采用TEND算法更有利于追踪到与实际情况相符的纤维束，选用参数如下： 

处理参数 

根据本发明的方法，还包括（2-7）功能数据结果的空间标准化步骤，如果涉及到一组或几组被试，则需要进行功能结果的空间标准化分析，此过程采用专业的AFNI软件来进行，包括以下步骤： 

首先，将之前得到的结构像与功能像配准； 

其次，对结构像（被试个体）进行去头皮操作，去完头皮后进行检查，如果去得不干净，可以再做一次去头皮操作，同时通过手动剔掉多余区域； 

最后，将去头皮的结构像与标准TT_N27像进行空间标准化，同时得到12个校正参数，即三个方向的移动、转动及其拉伸压缩值。 

根据本发明的方法还包括（2-8）语言的功能定位及功能网络分析的步骤， 

对8个任务的功能影像结果进行ANOVA分析，计算涉及的三个因素（不同输入通道、不同输出任务及不同的语言复杂性）的主效应及交互作用；通过任务间的比较分析及联合分析研究大脑对不同通道不同任务语言信息进行分离与整合加工的功能特征。 

利用基于数据驱动的独立成分分析方法对8个任务的原始时间序列计算各自的功能网络，如输入通道网络、语义网络及输出通道网络等，并分析各任务的各个网络的异同特征。 

依据功能定位及功能连接的结果选取感兴趣区，基于模型驱动，对原始时间序列用有效连接分析方法（结构方程模型和动态因果模型）计算网络间各主要脑区的连接系数，确定连接方向，分析各任务的各个网络的异同特征。 

比较功能定位、功能连接（独立成分分析）及有效连接的分析结果，确认各语言任务的激活脑区间的关系以及可能出现的未激活脑区的功能网络特征。 

在本发明的具体实施方式中，利用功能磁共振成像技术进行汉语语言功能区测查的方法包括以下步骤： 

1）设计涉及多个输入输出通道及不同语言复杂性的语言认知任务，通过正常成人的fMRI研究，对汉语语言功能脑区进行精确定位，并确定由各功能脑区共同形成的功能网络，建立正常人汉语语言加工脑功能区的数据库，为临床手术提供参照； 

2）选择经典的语言神经心理学测查病人语言损失的基本情况，并根据测查结果选择适当的语言任务，选取适当的任务用于术前（通常为手术前一周）的语言功能区测查； 

3）针对不同损伤或病变部位，根据步骤2）的测查结果，参照步骤1）正常人的汉语语言加工脑功能区数据库，扫描得到病人的功能结果； 

4）针对不同损伤或病变部位，参照步骤1）正常人的汉语语言加工脑功能区数据库，并结合步骤2）中选取任务的分析结果，选取适当的任务用于术中的语言功能区监测，在初步手术方案已经确定的前提下，开颅后进一步确认方案，以在尊重手术原则的基础上最大限度的保留语言功能。 

附图说明

图1为数据分析流程图。 

图2为数据分析流程详图。 

具体实施方式

为深入了解不同语言加工通道的关键脑区，建立正常人汉语语言加工脑功能区的数据库，根据目前国际上公认的语言加工模型，进行脑功能成像研究。通过正常人完成不同感觉输入通道、不同输出通道的语言任务的fRMI实验，获取了正常人在执行汉语听觉词汇语义判断、视觉图形语义判断、视觉词汇语义判断、听觉词汇复述、视觉图形命名、视觉词汇命名、听觉汉语语句语义判断、听觉汉语语句阅读任务时的fMRI数据及相应的行为数据，并采用脑功能数据分析软件及统计软件进行了数据分析，获得与中国人的对不同感觉输入通道（视觉与听觉）、不同复杂程度语言（包括词汇、图片与语句）的理解和语言产生相关的脑区，以及在不同语言加工任务中，不同感觉输入通道、语音语义高级加工系统中脑区激活的异同，建立了中国人上述汉语语言任务的语言功能区数据库。 

其中，语言材料使用一套脑损伤病人常用的语言测试材料（Snodgrass,1980；舒华等，1989），且为应用于病人的测查，均选择日常生活中熟悉的名词（动物，如老虎，或工具，如雨伞）及常用的句子（如，下一次会议将在明年春天举行）。实验采用标准的组块设计，任务顺序进行平衡，利用MRI仪，同时获取血氧水平功能成像（BOLD－fMRI）静息态、任务态数据及弥散张量成像（DTI）数据。被试的任务包括： 

1)．图片命名：视觉呈现一幅图形（如，老虎），要求被试出声读。 

2)．视觉词汇阅读：视觉呈现一个汉语双字词（如，老虎），要求被试出声阅读。 

3)．听觉词汇复述：听觉呈现一个汉语双字词（如，老虎），要求被试出声复述。 

4)．图形语义判断：视觉呈现一幅图形（如，狮子、兔子），要求被试判断该物是否有危险性，按键反应。 

5)．视觉词汇语义判断：视觉呈现一个汉语双字词（如，老虎、绵羊），要求被试判断该物是否有危险性，按键反应。 

6)．听觉词汇语义判断：听觉呈现一个汉语双字词（如，手枪、雨伞），要求被试判断该物是否有危险性，按键反应。 

7)、听觉汉语语句被动听：听觉呈现一个汉语句子,要求被试在听完句子后做按键反应。 

8)、听觉汉语语句理解：听觉呈现一个汉语句子(如,下一次会议将在明年春天举行；或,下一次明年将在春天会议举行),要求被试判断该句子是否为正常句子。 

选择的数据扫描参数如下： 

应用3.0T超导型磁共振扫描仪（Siemens Trio，Germany）采集数据，结构像使用三维磁化准备快速梯度回波(magnetization prepared rapid acquisition gradient echo，MPRAGE)，连续获取矢状位T1加权像(T1weight imaging,T1WI)，用于三维重建及空间配准，扫描参数：TR＝1900ms,TE=2.2ms,FA=9°反转时间(inversion time,TI)=900ms，视野240mm×240mm,矩阵256×256，层厚1mm，无间隔。静息态及任务态功能像fMRI使用梯度回波-回波平面成像(gradient echo-echo planar imaging)序列，扫描参数：TR＝2000ms，TE=40ms，FA=90°，视野240mm×240mm，矩阵64×64，层厚4mm，层间隔1mm。DTI扫描参数：TR＝11000ms，TE=98ms，视野128mm×128mm，矩阵256×256，层厚2mm，无间隔，30个方向，b=0和1000，扫描范围自枕骨大孔至颅顶部，覆盖全脑。 

根据不同的病变部位选择合适的语言任务来测查并分析获得病人的语言功能区的结果上，主要根据要切除或损伤的脑区确定合适的任务用于术中监测。同时，因术中监测的时间性，根据病变部位及神经心理学测查结果，对术中任务进行简化，时间总长控制在5分钟之内，序列如下： 

1）累及Broca区（左半球额下回盖部和三角部）病变的，选择包括图片命名、视觉词汇阅读、听觉词汇语义判断及听觉汉语语句被动听在内的综合任务； 

2）累及Wernicke区（左半球颞上回颞中回后部）病变的，选择包括图形语义判断、听觉词汇复述、听觉词汇语义判断及听觉汉语语句理解在内的综合任务； 

3）累及左半球颞顶联合皮层病变的，选择包括图形命名、视觉词汇阅读、听觉词汇复述及听觉汉语语句被动听在内的任务； 

4）累及左半球颞中回后部病变的，选择包括图形命名、视觉词汇语义理解、听觉词汇语义理解及听觉汉语语句理解在内的综合任务； 

5）累及左半球颞底中后部病变的，选择包括视觉词汇阅读、图形命名及图形语义理解在内的综合任务； 

6）累及左半球颞前部病变的，选择包括听觉词汇语音复述、听觉词汇语义理解、听觉汉语语句被动听及听觉汉语语句理解在内的综合任务； 

7）累及颞横回及颞上回中部（单侧或双侧）病变的，选择包括听觉词汇复述及听觉汉语语句被动听在内的任务； 

8）如果术前测查显示语言理解有损伤的，选择包括图形语义判断、视觉词汇语义理解、听觉词汇语义判断及听觉汉语语句理解在内的任务； 

9）如果术前测查显示语言阅读有损伤的，选择包括视觉词汇阅读、图形命名、视觉词汇语义理解及听觉汉语语句理解在内的综合任务； 

10）如果术前测查显示语言表达有损伤的，选择包括听觉词汇复述、视觉词汇阅读、图形命名及听觉汉语语句被动听在内的综合任务。 

其中，汉语语言功能区测查用功能磁共振成像数据的处理方法包括以下步骤： 

（1）获得测查对象的血氧水平依赖功能磁共振成像数据和弥散张量成像数据； 

（2）处理任务态的血氧水平依赖功能磁共振成像数据 

（2-1）结构像及功能像的三维重建，将扫描仪中保存的K空间形式的功能数据进行Fourier变换； 

（2-2）奇异数据处理 

去除采集到的前4个功能数据，以避免扫描初期的磁场不稳定影响； 

（2-3）时间平滑 

使用血氧水平依赖功能磁共振成像数据中的层面间移位信息，将输入数据集的体素时间序列进行移位，使各层面对齐到相同时间原点； 

（2-4）头动校正及空间平滑 

以最后一个时间序列的大脑位置为基准，其他所有时间序列的脑都与之对齐，这样每个时间点都分别得到6个方向的变化值，移动超过1个体素或者转动超过5°的被试数据均剔除，将6列数据存成文件，将头动校正之后得数据进行空间平滑处理，全宽半高值设定为6； 

（2-5）时间序列的标准化 

将空间平滑后的功能数据，做去头皮处理，得到mask文件，针对多个汉语语言功能测试任务进行mask的平均，再针对多个被试及被试的多次扫描做mask合并处理，所述合并处理方式为将mask内的功能数据取均值分析，最后将数据归一化到100为基线的时间序列； 

（2-6）功能数据的回归分析 

采用top hat函数，参见以下公式： 

H(t)=∫₀^min(t，d)h(t-s)dt； 

h(t)=(t/4)⁴e^4-t

其中，t为时间点的自变量，s为某固定时间点，d为刺激持续时间，h（t）代表的是随时间t变化的强度值，H（t）则表示随时间变化的积分值， 

将top hat函数与刺激任务时间序列进行卷积计算，从而生成任务的冲击响应模型，具体算法如下： 

$y\left(t\right)={\int }_0^{t}f\left(T\right)h(t-T)\mathrm{dT}$

其中，t为自变量时间点，f(T)为刺激的时间序列，h（t-T）为top hat函数，y（t）为随时间变化的卷积值。 

将分析得到的血氧水平依赖功能磁共振成像数据与上面得到的模型做回归分析，即获得全脑每个体素的β值，该数值可以表征该体素得时间序列与模型之间的相关关系； 

（3）处理静息态的血氧水平依赖功能磁共振成像数据 

数据的预处理过程同上述的（2-1）至（2-5），在此基础上计算静息态低频振荡振幅,，时间序列通过快速傅里叶变换转化为频率时域，计算波峰高度的平方根，然后对每一个体素在0.01～0.08Hz范围内的平方根取平均值，平均后的平方根即静息态低频振荡振幅ALFF，分析ALFF值改变情况，获得相应统计参数图，将fMRI图像感兴趣区内的时间序列进行平均，得到参考时间序列，以体素－体素的方式对不同参考时间序列进行相关性分析，并使用Fisher转换提高相关系数的正态性，比较各关键脑区之间的连接强度的差异，并测量不同脑区连接的相关系数； 

（4）处理弥散张量成像数据， 

采用基于特征值标准变异的两类系数：相对各向异性系数RA和部分各向异性系数FA，算法如下： 

$\mathrm{RA}=\frac{1}{\sqrt{2}}\frac{\sqrt{{({\lambda }_1-{\lambda }_2)}^2+{({\lambda }_2-{\lambda }_3)}^2+{({\lambda }_1-{\lambda }_3)}^2}}{({\lambda }_1+{\lambda }_2+{\lambda }_3)}$

$=\frac{\sqrt{3}}{\sqrt{2}}\frac{|D-\frac{1}{3}\mathrm{trace}\left(D\right)I|}{\mathrm{trace}\left(D\right)}$

$\mathrm{FA}=\frac{1}{\sqrt{2}}\frac{\sqrt{{({\lambda }_1-{\lambda }_2)}^2+{\left({\lambda }_2{-\lambda }_3\right)}^2+{({\lambda }_1-{\lambda }_3)}^2}}{\sqrt{{\lambda }_1^2+{\lambda }_2^2+{\lambda }_3^2}}$

$=\frac{\sqrt{3}}{\sqrt{2}}\frac{|D-\frac{1}{3}\mathrm{trace}\left(D\right)I|}{\left|D\right|}$

其中I是单位张量，D为扩散系数，弥散张量的三个本征向量λ1λ2λ3相互垂直，并构建了每个像素的局部参照纤维框架，在每个体素中，本征值从大到小排列：λ1=最大弥散系数，λ2=中级弥散系数，λ3=最低弥散系数，λ1代表平行于纤维方向的弥散系数，λ2和λ3代表横向弥散系数， 

针对白质纤维追踪，采用张量偏折算法来处理DTI数据，基于公式如下： 

$v_o={\lambda }_1({\alpha }_1{\hat{e}}_1+\frac{{\lambda }_2}{{\lambda }_1}{\alpha }_2{\hat{e}}_2+\frac{{\lambda }_3}{{\lambda }_1}{\alpha }_3{\hat{e}}_3)$

其中选用TEND算法是考虑到对于术前病人病灶部位有生理病变的情况，以及将要选取的感兴趣脑区位于大脑白质和灰质交接处，从算法本身来说，采用TEND算法更有利于追踪到与实际情况相符的纤维束，选用参数如下： 

处理参数 

其中，“处理任务态的血氧水平依赖功能磁共振成像数据”还包括步骤：（2-7）功能数据结果的空间标准化 

上述步骤为针对个体分析，如果涉及到一组或几组被试，则需要进行功能结果的空间标准化分析，此过程采用专业的AFNI软件来进行，包括以下步骤： 

首先，将之前得到的结构像与功能像配准； 

其次，对结构像（被试个体）进行去头皮操作，去完头皮后进行检查，如果去得不干净，可以再做一次去头皮操作，同时通过手动剔掉多余区域； 

最后，将去头皮的结构像与标准TT_N27像进行空间标准化，同时得到12个校正参数，即三个方向的移动、转动及其拉伸压缩值。 

（2-8）语言的功能定位及功能网络分析 

对8个任务的功能影像结果进行ANOVA分析，计算涉及的三个因素（不同输入通道、不同输出任务及不同的语言复杂性）的主效应及交互作用；通过任务间的比较分析及联合分析研究大脑对不同通道不同任务语言信息进行分离与整合加工的功能特征。 

利用基于数据驱动的独立成分分析方法对8个任务的原始时间序列计算各自的功能网络，如输入通道网络、语义网络及输出通道网络等，并分析各任务的各个网络的异同特征。 

依据功能定位及功能连接的结果选取感兴趣区，基于模型驱动，对原始时间序列用有效连接分析方法（结构方程模型和动态因果模型）计算网络间各主要脑区的连接系数，确定连接方向，分析各任务的各个网络的异同特征。 

比较功能定位、功能连接（独立成分分析）及有效连接的分析结果，确认各语言任务的激活脑区间的关系以及可能出现的未激活脑区的功能网络特征。 

以上具体实施例仅用于说明本发明的技术方案而非限制，尽管参照上述实施例详细描述了本发明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或等同替换，都不脱离本发明的技术方案的实质和保护范围，其均应涵盖在本发明的权利要求范围内。