一种基于无监督学习的脑磁共振图像分割方法及装置

摘要

本申请提供了一种基于无监督学习的脑磁共振图像分割方法及装置，其中，该方法包括：对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。本申请实施例可以在不需要标签的情况下，利用深度子空间聚类网络对脑磁共振中的三种组织脑脊液、灰质和白质进行准确有效的分割。

说明书

技术领域

本申请涉及医学图像处理技术领域，尤其是涉及一种基于无监督学习的脑磁共振图像分割方法及装置。

背景技术

近年来，随着医学成像技术的发展以及大数据时代的驱动，越来越多的医学成像技术被收集和存储。生物医学成像技术的快速发展使得计算机能够方便的进入医学领域，辅助诊断与治疗。大脑是人体重要的器官，脑组织对人体健康起到至关重要的作用，因此需要准确有效的技术来辅助疾病的诊断。磁共振图像(Magnetic Resonance Imaging，MRI)具有高分辨率且对人体辐射小的特点，被广泛用于临床疾病的诊断与治疗。然而，脑磁共振图像本身容易受到噪声、部分容积效应以及灰度不均等因素的影响。此外，脑本身的结构复杂，脑脊液(Cerebrospinal Fluid)、灰质(Gray Matter)以及白质(White Matter)三种组织的分布较散，比例相差较大，难以准确有效的分割。将脑组织中三种组织液进行准确有效分割，可以帮助医生对病人的脑疾病做出有效诊断与治疗，具有非常重要的医疗意义；另一方面，对人脑的探索也有研究意义。

现有技术的脑磁共振图像分割方案包括以下三种：

(1)基于区域特征的图像分割方案

根据图像的基础特征来进行划分，比如图像的纹理、灰度以及梯度等特征划分图像。例如灰度阈值分割方法，该方法根据灰度直方图固定或者动态的选择一个灰度直方图作为阈值，然后与各个像素点的灰度比较，来进行区域的划分。这种方法对于不同区域灰度值差别大的图像能够快速分割出结果。

该方案的不足在于：由于脑磁共振图像不同区域的灰度差别不是很大，分割效果不是很理想。

(2)基于图谱特征的图像分割方案

选择合适的模板图像，通过准确合适的图像匹配算法，将模板上的像素点与待配准的图像上的点进行映射，给待配准图像上的每个像素点贴上标签。基于多图谱分割的方法，使用多个图谱来进行配准，因此，一定程度上减弱了图谱模板与待分割图像之间相似度的要求。

该方案的不足在于：基于图谱特征的图像分割方案，实际是把图像分割转化成图像配准，使得最后的分割结果非常依赖于模板图像和待配准图像之间的相似性。这些特点使得最终脑组织的分割结果都不是很理想。

(3)基于深度学习的图像分割方案

利用深度学习特有的非线性特征提取能力，获取图像的高维特征，然后将图像或像素点进行分类；通过反向传播算法来减小损失函数，逐步提高处理结果。在图像分割领域，在足够数量的图像和高质量标注结果的条件下，选择合适的网络模型，经过反复的训练和调参，最终能够得到较好的结果。

该方案的不足在于：基于深度学习的图像分割方法大多数是基于强监督的方案，依赖于大规模的图像和高质量的标注图像；其中标注图像依赖于专业医生的标注，结果取决于医生的经验水平，这无疑增加了获取高质量标注图像的难度。

发明内容

有鉴于此，本申请的目的在于提供一种基于无监督学习的脑磁共振图像分割方法及装置，可以在不需要标签的情况下，利用深度子空间聚类网络对脑磁共振中的三种组织脑脊液、灰质和白质进行准确有效的分割。

第一方面，本申请实施例提供了一种基于无监督学习的脑磁共振图像分割方法，包括：

对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；

获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；

将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；

将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。

在一种可能的实施方式中，对原始脑磁共振三维图像进行初始分割处理，生成多个超体素，包括：

利用迭代空间模糊聚类算法对原始脑磁共振三维图像进行初始分割处理，生成多个超体素。

在一种可能的实施方式中，所述超体素的基础特征包括灰度直方图特征、LBP特征和Tensor特征；

获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵，包括：

获取每个所述超体素的灰度直方图特征、LBP特征和Tensor特征；

对所述灰度直方图和LBP特征进行包括降维和归一化的预处理；

对所述Tensor特征进行标准化预处理；

对预处理后的灰度直方图特征、LBP特征和Tensor特征进行拼接，得到超体素特征向量；

基于所述多个超体素分别对应的超体素特征向量构建超体素特征矩阵。

在一种可能的实施方式中，所述深度子空间聚类网络包括自动编码器模块、自表示层模块和谱聚类模块，所述自动编码器模块包括编码器和解码器，所述编码器和解码器均为两层全连接层且网络维度成对称结构；所述深度子空间聚类网络的整体损失是基于所述自动编码器模块的输入输出重建损失、所述自表示层模块的输入输出重建损失和所述自表示层模块的系数损失得到的；

将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果，包括：

以减小所述深度子空间聚类网络的整体损失为目的，将所述超体素特征矩阵输入深度子空间聚类网络中进行迭代训练，得到脑脊液、灰质和白质的聚类结果。

第二方面，本申请实施例还提供一种基于无监督学习的脑磁共振图像分割装置，包括：

生成模块，用于对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；

构建模块，用于获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；

训练模块，用于将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；

映射模块，用于将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。

在一种可能的实施方式中，所述生成模块具体用于：

利用迭代空间模糊聚类算法对原始脑磁共振三维图像进行初始分割处理，生成多个超体素。

在一种可能的实施方式中，所述超体素的基础特征包括灰度直方图特征、LBP特征和Tensor特征；

所述构建模块包括：

获取单元，用于获取每个所述超体素的灰度直方图特征、LBP特征和Tensor特征；

第一预处理单元，用于对所述灰度直方图和LBP特征进行包括降维和归一化的预处理；

第二预处理单元，用于对所述Tensor特征进行标准化预处理；

拼接单元，用于对预处理后的灰度直方图特征、LBP特征和Tensor特征进行拼接，得到超体素特征向量；

构建单元，用于基于所述多个超体素分别对应的超体素特征向量构建超体素特征矩阵。

在一种可能的实施方式中，所述深度子空间聚类网络包括自动编码器模块、自表示层模块和谱聚类模块，所述自动编码器模块包括编码器和解码器，所述编码器和解码器均为两层全连接层且网络维度成对称结构；所述深度子空间聚类网络的整体损失是基于所述自动编码器模块的输入输出重建损失、所述自表示层模块的输入输出重建损失和所述自表示层模块的系数损失得到的；

所述训练模块具体用于：

以减小所述深度子空间聚类网络的整体损失为目的，将所述超体素特征矩阵输入深度子空间聚类网络中进行迭代训练，得到脑脊液、灰质和白质的聚类结果。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。

本申请实施例提供的一种基于无监督学习的脑磁共振图像分割方法，首先对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；在获取到超体素特征矩阵后将所述超体素特征矩阵输入无监督学习的深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；最后将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割，可以在不需要标签的情况下，利用深度子空间聚类网络对脑磁共振中的三种组织脑脊液、灰质和白质进行准确有效的分割。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种基于无监督学习的脑磁共振图像分割方法的流程图；

图2示出了本申请实施例所提供的超体素的基础特征示意图；

图3示出了本申请实施例所提供的深度子空间聚类网络的示意图；

图4示出了本申请实施例所提供的一种基于无监督学习的脑磁共振图像分割装置的结构示意图；

图5示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

考虑到现有的基于区域特征的图像分割方案中，由于脑磁共振图像不同区域的灰度差别不是很大，分割效果不是很理想；现有的基于图谱特征的图像分割方案中，实际是把图像分割转化成图像配准，使得最后的分割结果非常依赖于模板图像和待配准图像之间的相似性。这些特点使得最终脑组织的分割结果都不是很理想；现有的基于深度学习的图像分割方案大多数是基于强监督的方案，依赖于大规模的图像和高质量的标注图像；其中标注图像依赖于专业医生的标注，结果取决于医生的经验水平，这无疑增加了获取高质量标注图像的难度。基于此，本申请实施例提供了一种基于无监督学习的脑磁共振图像分割方法及装置，下面通过实施例进行描述。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种基于无监督学习的脑磁共振图像分割方法进行详细介绍。

请参照图1，图1为本申请实施例所提供的一种基于无监督学习的脑磁共振图像分割方法的流程图。如图1所示，所述方法可以包括以下步骤：

S101、对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；

S102、获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；

S103、将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；

S104、将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。

步骤S101中，超体素为图像中具有相似颜色、纹理等特征的相邻体素点集合。在具体实施中，利用迭代空间模糊聚类算法(Iterative Spatial Fuzzy Clustering，ISFC)对原始脑磁共振三维图像进行初始分割处理，该算法选择合适的体素特征，根据相似度计算方式把相似度高的体素点聚集在一块，生成多个超体素。

步骤S102中，如图2所示，所述超体素的基础特征包括灰度直方图特征、LBP(LocalBinary Pattern,局部二值化模式)特征和Tensor特征。灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征。Tensor特征用来表征每个超体素与邻域超体素之间的相似程度，即通过局部区域的相似信息来描述该超体素。

在一种可能的实施方式中，步骤S102可以包括以下子步骤：

S1021、获取每个所述超体素的灰度直方图特征、LBP特征和Tensor特征；

S1022、对所述灰度直方图和LBP特征进行包括降维和归一化的预处理；

S1023、对所述Tensor特征进行标准化预处理；

S1024、对预处理后的灰度直方图特征、LBP特征和Tensor特征进行拼接，得到超体素特征向量；

S1025、基于所述多个超体素分别对应的超体素特征向量构建超体素特征矩阵。

步骤S1021中，假设每个所述超体素的灰度直方图特征、LBP特征和Tensor特征的原始维度分别是256、256和9。

步骤S1022中，一方面，原始特征过于稀疏，将所述灰度直方图和LBP特征的维度分别压缩至32和16。另一方面，为了减小异常点对超体素特征描述的影响，对灰度直方图和LBP特征进行归一化预处理。

步骤S1023中，为了减小异常点对超体素特征描述的影响，对所述Tensot特征进行标准化预处理。

步骤S1024中，对预处理后的灰度直方图特征、LBP特征和Tensor特征进行拼接，得到如图2所示的57维的超体素特征向量。

步骤S1025中，每个超体素对应一个57维的超体素特征向量，基于所述多个超体素分别对应的57维的超体素特征向量构建超体素特征矩阵。

步骤S103中，深度子空间指的是：使用深度学习的方法，将特征从原始空间经过非线性变换和降维，映射到的另一个空间。

如图3所示，深度子空间聚类网络(Deep Subspace Clustering，DSC)包括自动编码器模块、自表示层模块和谱聚类模块。所述自动编码器模块包括编码器和解码器，所述编码器和解码器均为两层全连接层且网络维度成对称结构。

第m+1层的输出数据

其中，

在编码器部分，随之m的增大，

编码器的最后一层输出

所述深度子空间聚类网络的整体损失是基于所述自动编码器模块的输入输出重建损失、所述自表示层模块的输入输出重建损失和所述自表示层模块的系数损失得到的。

自动编码器的输入输出重建损失：

自表示层的输入输出重建损失：

L

自表示层的系数损失：

模型的整体损失函数：

L(θ，C)＝L

通过反复迭代训练，减小整体损失函数，优化模型参数，提高聚类结果。将自表示层获取的不同超体素之间的自表示系数矩阵C，经过适当的后处理，作为“相似度矩阵”，送入到谱聚类模块。把不同类别的超体素聚类成三类，脑脊液(CSF)、灰质(GM)和白质(WM)，得到聚类结果。

本申请实施例提供的一种基于无监督学习的脑磁共振图像分割方法，首先对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；在获取到超体素特征矩阵后将所述超体素特征矩阵输入无监督学习的深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；最后将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割，可以在不需要标签的情况下，利用深度子空间聚类网络对脑磁共振中的三种组织脑脊液、灰质和白质进行准确有效的分割。

基于相同的技术构思，本申请实施例还提供一种基于无监督学习的脑磁共振图像分割装置、电子设备、以及计算机存储介质等，具体可参见以下实施例。

请参照图4，图4为本申请实施例所提供的一种基于无监督学习的脑磁共振图像分割装置的结构示意图。如图4所示，所述装置可以包括：

生成模块10，用于对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；

构建模块20，用于获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；

训练模块30，用于将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；

映射模块40，用于将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。

在一种可能的实施方式中，所述生成模块10具体用于：

利用迭代空间模糊聚类算法对原始脑磁共振三维图像进行初始分割处理，生成多个超体素。

在一种可能的实施方式中，所述超体素的基础特征包括灰度直方图特征、LBP特征和Tensor特征；

所述构建模块20包括：

获取单元，用于获取每个所述超体素的灰度直方图特征、LBP特征和Tensor特征；

第一预处理单元，用于对所述灰度直方图和LBP特征进行包括降维和归一化的预处理；

第二预处理单元，用于对所述Tensor特征进行标准化预处理；

拼接单元，用于对预处理后的灰度直方图特征、LBP特征和Tensor特征进行拼接，得到超体素特征向量；

构建单元，用于基于所述多个超体素分别对应的超体素特征向量构建超体素特征矩阵。

在一种可能的实施方式中，所述深度子空间聚类网络包括自动编码器模块、自表示层模块和谱聚类模块，所述自动编码器模块包括编码器和解码器，所述编码器和解码器均为两层全连接层且网络维度成对称结构；所述深度子空间聚类网络的整体损失是基于所述自动编码器模块的输入输出重建损失、所述自表示层模块的输入输出重建损失和所述自表示层模块的系数损失得到的；

所述训练模块30具体用于：

以减小所述深度子空间聚类网络的整体损失为目的，将所述超体素特征矩阵输入深度子空间聚类网络中进行迭代训练，得到脑脊液、灰质和白质的聚类结果。

本申请实施例公开了一种电子设备，如图5所示，包括：处理器501、存储器502和总线503，所述存储器502存储有所述处理器501可执行的机器可读指令，当电子设备运行时，所述处理器501与所述存储器502之间通过总线503通信。所述机器可读指令被所述处理器501执行时执行以下步骤：

对原始脑磁共振三维图像进行初始分割处理，生成多个超体素；

获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵；

将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果；

将所述聚类结果映射到所述原始脑磁共振三维图像中，从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。

在一种可能的实施方式中，所述处理器501对原始脑磁共振三维图像进行初始分割处理，生成多个超体素，包括：

利用迭代空间模糊聚类算法对原始脑磁共振三维图像进行初始分割处理，生成多个超体素。

在一种可能的实施方式中，所述超体素的基础特征包括灰度直方图特征、LBP特征和Tensor特征；

所述处理器501获取每个所述超体素的基础特征，并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵，包括：

获取每个所述超体素的灰度直方图特征、LBP特征和Tensor特征；

对所述灰度直方图和LBP特征进行包括降维和归一化的预处理；

对所述Tensor特征进行标准化预处理；

对预处理后的灰度直方图特征、LBP特征和Tensor特征进行拼接，得到超体素特征向量；

基于所述多个超体素分别对应的超体素特征向量构建超体素特征矩阵。

在一种可能的实施方式中，所述深度子空间聚类网络包括自动编码器模块、自表示层模块和谱聚类模块，所述自动编码器模块包括编码器和解码器，所述编码器和解码器均为两层全连接层且网络维度成对称结构；所述深度子空间聚类网络的整体损失是基于所述自动编码器模块的输入输出重建损失、所述自表示层模块的输入输出重建损失和所述自表示层模块的系数损失得到的；

所述处理器501将所述超体素特征矩阵输入深度子空间聚类网络中进行训练，得到脑脊液、灰质和白质的聚类结果，包括：

以减小所述深度子空间聚类网络的整体损失为目的，将所述超体素特征矩阵输入深度子空间聚类网络中进行迭代训练，得到脑脊液、灰质和白质的聚类结果。

本申请实施例所提供的进行基于无监督学习的脑磁共振图像分割方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分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，包括若干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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。