一种基于卷积神经网络的MRI序列类别的识别方法及装置

摘要

本公开提供了一种基于卷积神经网络的MRI序列类别的识别方法及装置，所述方法包括：获取MRI影像及对应的MRI序列；通过卷积神经网络对所述MRI影像进行特征提取，得到图像特征；通过检索模型对所述图像特征进行检索，得到与所述图像特征匹配的目标特征；根据所述目标特征确定所述MRI序列对应的目标类别。本公开的方法将图像检索方法应用到MRI序列类别的识别中，可以自动识别出MRI序列对应的目标类别，且不受MRI序列类别数量的限制，对MRI扫描机器型号及医院环境的变化不敏感。

说明书

技术领域

本公开涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的MRI序列类别的识别方法及装置。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)影像是常用的医学影像之一，MRI影像具有多序列的特点，每个MRI序列具有不同的信号值用于表征不同的组织结构及病灶的情况；由于在实际应用中需要针对MRI序列的类别选取与该类别相匹配的算法，才能准确的分析出该序列下的病灶信息，因此，能够自动识别出MRI序列的类别是至关重要的。

目前识别MRI序列的类别，可通过预先训练好的分类模型确定待识别MRI序列的类别，但由于MRI是一个蓬勃发展的领域，会不断地出现新类别的MRI序列，此时要想使分类模型可以对新类别进行识别，需要加入新类别的训练数据重新对分类模型进行训练，每出现一个新类别就需要重新对分类模型进行训练，开发维护成本高。

发明内容

本公开提供了一种基于卷积神经网络的MRI序列类别的识别方法及装置，以至少解决现有技术中存在的以上技术问题。

根据本公开的第一方面，提供了一种基于卷积神经网络的MRI序列识别方法，所述方法包括：获取MRI影像及对应的MRI序列；通过卷积神经网络对所述MRI影像进行特征提取，得到图像特征；通过检索模型对所述图像特征进行检索，得到与所述图像特征匹配的目标特征；根据所述目标特征确定所述MRI序列对应的目标类别。

在一可实施方式中，所述通过卷积神经网络对所述MRI影像进行特征提取，得到图像特征，包括：通过所述卷积神经网络对所述MRI影像进行特征提取，获得浅层初始特征和高层语义特征；通过格拉姆矩阵对所述浅层初始特征进行联系，得到底层纹理特征；将所述底层纹理特征和所述高层语义特征进行融合，得到所述图像特征。

在一可实施方式中，所述通过检索模型检对图像特征进行检索，得到与所述图像特征匹配的目标特征，包括：确定所述图像特征与每一个模板特征对应的候选投影距离；根据数值最小的候选投影距离确定目标投影距离；根据所述目标投影距离确定所述目标特征。

在一可实施方式中，所述根据所述目标投影距离确定所述目标特征，包括：确定所述目标投影距离是否符合目标距离指标；若确定为所述目标投影距离符合所述目标距离指标，将所述目标投影距离对应的模板特征确定为与所述目标特征。

在一可实施方式中，所述方法还包括：若确定为所述目标投影距离不符合所述目标距离指标，根据所述图像特征在所述检索模型中添加对应的模板特征。

在一可实施方式中，所述根据所述目标特征确定与所述MRI序列对应的目标类别，包括：确定所述目标特征对应的类别，将所述目标特征对应的类别确定为所述MRI序列对应的目标类别。

在一可实施方式中，在所述通过检索模型检索出与所述图像特征匹配的模板特征作为目标特征之前，所述方法还包括：获得至少一个模板序列，所述模板序列为类别已知的MRI序列；确定与所述模板序列对应的模板特征；将所有的所述模板特征存储到所述检索模型中。

根据本公开的第二方面，提供了一种基于卷积神经网络的MRI序列识别装置，所述装置包括：获取模块，用于获取MRI影像及对应的MRI序列；特征提取模块，用于通过卷积神经网络对所述MRI影像进行特征提取，得到图像特征；检索模块，用于通过检索模型检对图像特征进行检索，得到与所述图像特征匹配的目标特征；第一确定模块，用于根据所述目标特征确定所述MRI序列对应的目标类别。

在一可实施方式中，所述特征提取模块，包括：特征提取子模块，用于通过所述卷积神经网络对所述MRI影像进行特征提取，获得浅层初始特征和高层语义特征；联系子模块，用于通过格拉姆矩阵对所述浅层初始特征进行联系，得到底层纹理特征；融合子模块，用于将所述底层纹理特征和所述高层语义特征进行融合，得到所述图像特征。

在一可实施方式中，所述检索模块，包括：第一确定子模块，用于确定所述图像特征与每一个模板特征对应的候选投影距离；第二确定子模块，用于根据数值最小的候选投影距离确定目标投影距离；第三确定子模块，用于根据所述目标投影距离确定所述目标特征。

在一可实施方式中，所述第三确定子模块，包括：第一确定单元，用于确定所述目标投影距离是否符合目标距离指标；第二确定单元，用于若确定为所述目标投影距离符合所述目标距离指标，将所述目标投影距离对应的模板特征确定为与所述目标特征。

在一可实施方式中，所述装置，还包括：第三确定单元，用于若确定为所述目标投影距离不符合所述目标距离指标，根据所述图像特征在所述模板特征集添加对应的模板特征。

在一可实施方式中，所述第一确定模块，包括：第四确定子模块，用于确定所述目标特征对应的类别，将所述目标特征对应的类别确定为所述MRI序列对应的目标类别。

在一可实施方式中，所述装置，还包括：获得模块，用于获得至少一个模板序列，所述模板序列为类别已知的MRI序列；第二确定模块，用于确定与所述模板序列对应的模板特征；存储模块，用于将所有的所述模板特征存储到所述检索模型中。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

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，以使所述至少一个处理器能够执行本公开所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。

本公开的一种基于卷积神经网络的MRI序列类别的识别方法及装置，首先通过卷积神经网络提取与待识别MRI序列对应的图像特征，再通过检索模型在检索模型包含的模板特征中检索与该图像特征对应的模板特征，从而确定待识别MRI序列对应的目标类别。本方法将图像检索方法应用到MRI序列类别的识别中，可以自动识别出MRI序列对应的目标类别，且不受MRI序列类别数量的限制，对MRI扫描机器型号及医院环境的变化不敏感。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：

在附图中，相同或对应的标号表示相同或对应的部分。

图1示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实现流程示意图一；

图2a示出了MRI序列的示意图一；

图2b示出了MRI序列的示意图二；

图2c示出了MRI序列的示意图三；

图2d示出了MRI序列的示意图四；

图3示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实施场景示意图一；

图4示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实现流程示意图二；

图5示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实现流程示意图三；

图6示出了本公开实施例一种基于卷积神经网络的MRI序列识别装置的组成结构示意图；

图7示出了本公开实施例一种电子设备的组成结构示意图。

具体实施方式

为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。

图1示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实现流程示意图一。

如图1所示，本公开第一实施例提供了一种基于卷积神经网络的MRI序列识别方法，本方法包括：操作101，获取MRI影像及对应的MRI序列；操作102，通过卷积神经网络对MRI影像进行特征提取，得到图像特征；操作103，通过检索模型对图像特征进行检索，得到与图像特征匹配的目标特征；操作104，根据目标特征确定与MRI序列对应的目标类别。

本方法公开的基于卷积神经网络的MRI序列类别的识别方法，主要由图像特征提取和检索模型两部分组成，首先通过卷积神经网络提取与待识别MRI序列对应的图像特征，再通过检索模型在检索模型包含的模板特征中检索与该图像特征对应的模板特征，从而确定待识别MRI序列对应的目标类别；相较于传统分类模型，动辄需要加入新出现的MRI序列类别的训练数据重新进行训练，本方法将图像检索方法应用到MRI序列类别的识别中，可以自动识别出MRI序列对应的目标类别，且不受MRI序列类别数量限制，对扫描机器型号及医院环境的变化不敏感。

在本方法操作101中，MRI影像可能包含多种类别的MRI序列，在MRI影像的成像的过程中，通过改变磁共振的影响因素，可以得到多个不同类别的MRI序列，其中，MRI序列类别包括T1加权成像(T1 Weighted Imaging，T1WI)、T2加权成像(T2 Weighted Imaging，T2WI)和弥散加权成像(Diffusion Weighted Imaging，DWI)等等。

在本方法操作102中，图2a示出了MRI序列的示意图一，如图2a所示的MRI序列为T1WI序列，图2b示出了MRI序列的示意图二，如图2b所示的MRI序列为T2WI序列，通过T1WI序列和T2WI序列可以看出，T1WI序列和T2WI序列的拍摄体位和图像结构均一致，区别完全在于序列内部的颜色分布和对比度不同，其可以用图像纹理进行描述；图2c示出了MRI序列的示意图三，如图2c所示MRI序列为矢位T2WI序列，图2d示出了MRI序列的示意图四，如图2d所示MRI序列为失状位T2WI序列，通过矢位T2WI序列和失状位T2WI序列可以看出，矢位T2WI序列和失状位T2WI序列中液体部分均为高信号，组织部分均为低信号，区别在于拍摄角度和拍摄内容；基于上述论述可以得出，区分不同类别的MRI序列需要区分图像纹理和图像内容两个特征，这两者分别对应于卷积神经网路的两种特征，即高层语义特征和底层纹理特征。高层语义特征为经过多次卷积及下采样后得到的特征，其尺寸往往小于原图，如长宽分别为原图长宽的1/16，虽然尺寸缩小了很多但是其更能表示图像的语义信息；底层纹理特征将其表示为格拉姆矩阵，通过格拉姆矩阵可以把特征之间隐藏的联系提取出来，也就是各个特征之间的相关性高低。

具体的，将MRI影像输入至卷积神经网络，获取卷积神经网络不同阶段输出的特征，例如，分别获得卷积神经网络的浅层特征和深层特征，浅层特征感受野较小更能表示MRI影像的底层纹理特征，如MRI影像中的灰度等级变化等，深层特征更能表示MRI影像的高层语义特征，如MRI影像的拍摄体位等，将浅层特征和深层特征进行融合，就可以得到包含了MRI影像的底层纹理底层和高层语义底层的图像特征。

图3示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实施场景示意图一。

如图3所示，卷积神经网络可以为残差网络，例如ResNet50网络，对ResNet50网络进行划分，分为五个部分，分别为残差块1、残差块2、残差块3、残差块4和残差块5，将MRI影像输入ResNet50网络，将残差块1、残差块2和残差块3提取出来的特征展平并进行内积运算，得到底层纹理特征，将残差块4和残差块5提取出来的特征作为高层语义特征，将底层纹理特征与高层语义特征进行融合，得到图像特征。

在本方法操作103中，首先将一个MRI序列确定为固定样本、将与固定样本相同类别的MRI序列作为正样本、将与固定样本不同类别的MRI序列作为负样本通过三元组损失训练方法对神经网络进行训练得到检索模型，使检索模型具备通过比较投影距离判断两个MRI序列为相同序列或不同序列的能力。预先在检索模型中存储若干模板特征，模板特征为已知序列类别的MRI序列对应的特征向量，目标特征为与图像特征最相似的模板特征。例如，在某医院中，分别获取已知序列类别的MRI序列作为模板样本，示例性的，如T1WI、T2WI和MRI，提取这些模板样本的特征向量，得到与T1WI、T2WI和MRI对应的模板特征；将图片特征输入进检索模型，在预先存储的所有模板特征中检索出与图片特征最相似的模板特征，将该模板特征作为目标特征。

在本方法操作104中，目标类别为待识别MRI序列对应的序列类别，目标特征为与图片特征最相似的模板特征，将目标特征对应的序列类别确定为待识别MRI序列对应的目标类别。例如，当目标特征对应的序列类别为T1WI时，MRI序列对应的目标类别即为T1WI。

本方法将图像检索方法应用到MRI序列类别的识别中，可以自动识别出MRI序列对应的目标类别，且不受MRI序列类别数量限制，对扫描机器型号及医院环境的变化不敏感；而且通过三元组损失训练方法以及T1WI、T2WI和MRI等多种序列类别跨模态对检索模型进行训练，使模型更加鲁棒，泛化能力更强。

在本公开的一个实施例中，上述操作102，包括：首先通过卷积神经网络对MRI影像进行特征提取，获得浅层初始特征和高层语义特征；然后通过格拉姆矩阵对浅层初始特征进行联系，得到底层纹理特征；最后将底层纹理特征和高层语义特征进行融合，得到图像特征。

如图3所示的ResNet50网络，浅层初始特征为残差块1、残差块2和残差块3提取出来的特征，高层语义特征为残差块4和残差块5提取出来的特征；通过格拉姆矩阵对浅层初始特征进行联系，具体为：

其中，

图4示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实现流程示意图二。

如图4所示，在本公开的一个实施例中，上述操作103，包括：操作1031，确定图像特征与每一个模板特征对应的候选投影距离；操作1032，根据数值最小的候选投影距离确定目标投影距离；操作1033，根据目标投影距离确定目标特征。

候选投影距离为图像特征与每一个特征模板之间的投影距离，目标投影距离为数值最小的候选投影距离，目标特征为与目标投影距离对应的特征模板。具体可以为，通过投影距离算法，计算出图像特征与每一个特征模板之间的投影距离，将上述得到的所有投影距离确定为候选投影距离，比较所有候选投影距离数值的大小，选取数值最小的候选投影距离作为目标投影距离，将该目标投影距离对应的特征模板确定为目标模板。

在本公开的一个实施例中，上述操作1033，包括：首先确定目标投影距离是否符合目标距离指标；然后若确定为目标投影距离符合目标距离指标，将目标投影距离对应的模板特征确定为与目标特征。

目标距离指标为预先设置的允许图像特征与目标特征之间最大的投影距离，通过比较目标投影距离与目标距离指标的大小，判断目标投影距离是否符合目标距离指标，若该目标投影距离的数值小于等于该目标距离指标，则将该目标投影距离对应的模板特征确定为目标特征。

在本公开的一个实施例中，上述操作1033，还包括：若确定为目标投影距离不符合目标距离指标，根据图像特征确定目标特征；最后根据图像特征在模板特征集添加对应的模板特征。

若目标投影距离的数值大于该目标距离指标，根据图像特征自身确定目标特征，具体为，现场通过人工判断该图像特征对应的序列类别，确定好该图像特征的序列类别后，将该图像特征作为新的模板特征加入到检索模型中。

本方法在出现新类别的MRI序列时，只需将该类别的MRI序列对应的图像特征作为新的模板特征存储到检索模型中，即可对该MRI序列的类别进行识别，大幅降低了开发维护成本。

本公开的方法中，预先设置一系列的模板特征，只需将待识别MRI序列与模板特征进行匹配，根据匹配到的模板特征即可判断出待识别MRI序列的序列类别，当出现待识别MRI序列的图像特征与预先设置的所有模板特征的相似度都有较大差距时，可以现场将该新型MRI序列作为新的模板特征加入到检索模型中，后续即可对该新类别的MRI序列进行识别。

在本公开的一个实施例中，上述操作104，包括：确定目标特征对应的类别，将目标特征对应的类别确定为MRI序列对应的目标类别。

目标特征的序列类别是已知的，确定与图像特征对应的目标特征后，即可将该目标特征对应的序列类别确定为待识别MRI序列对应的目标类别。

在本公开的一个实施例中，在上述操作103之前，方法还包括：首先获得至少一个模板序列，模板序列为类别已知的MRI序列；然后确定与模板序列对应的模板特征；最后将所有的模板特征确定为模板特征集。

模板序列为预先获得已知序列类别的MRI序列，同一序列类别的模板序列至少为一个，对模板序列进行特征提取，确定该模板序列对应的模板特征，将所有的模板特征集合在一起存储在检索模型中。例如，获取模板序列1、模板序列2以及模板序列3，已知模板序列1、模板序列2和模板序列3对应的序列类别分别为T1WI、T1WI和T2WI，对模板序列1、模板序列2以及模板序列3进行特征提取，相应的获得模板特征1、模板特征2和模板特征3，将模板特征1、模板特征2和模板特征3集合在一起，存储在检索模型中，可以理解的是，上述3种模板特征仅为示例性的，在实际情况下，模板特征的序列类别以及数量远多于此。

图5示出了本公开实施例一种基于卷积神经网络的MRI序列识别方法的实现流程示意图三，为方便对上述实施例的理解，结合图5对上述实施例进行详细说明，如图5所示，包括：

步骤501，首先获取待识别的MRI影像；

步骤502，将该MRI影像输入至卷积神经网络，得到包含MRI序列底层纹理特征和高层语义特征的图像特征；

步骤503，分别计算上述图像特征与检索模型中每一个模板特征的投影距离，将计算得到的所有投影距离确定候选投影距离；

步骤504，将候选投影距离中的投影距离按照数值大小进行排序，选取数值最小的投影距离作为目标投影距离；

步骤505，将上述目标投影距离与目标距离指标的数值进行比较，比较目标投影距离是否小于等于该目标距离指标，若是，执行步骤506，若否，执行步骤508；

步骤506，若目标投影距离小于等于该目标距离指标，将该目标投影距离对应的模板特征确定为目标特征；

步骤507，确定该目标特征对应的序列类别，将该序列类别确定为待识别MRI序列的目标类别；

步骤508，若目标投影距离大于目标距离指标，现场通过人工识别获取图像特征对应的序列类别；

步骤509，将图像特征作为新的模板特征加入到检索模型中。

图6示出了本公开实施例一种基于卷积神经网络的MRI序列识别装置的意图一。

如图6所示，本公开实施例提供了一种基于卷积神经网络的MRI序列类别的识别装置，本装置包括：获取模块601，用于获取MRI影像及对应的MRI序列；特征提取模块602，用于通过卷积神经网络对MRI影像进行特征提取，得到图像特征；检索模块603，用于通过检索模型检对图像特征进行检索，得到与图像特征匹配的目标特征；第一确定模块604，用于根据目标特征确定MRI序列对应的目标类别。

在一可实施方式中，特征提取模块602，包括：特征提取子模块6021，用于通过卷积神经网络对MRI影像进行特征提取，获得浅层初始特征和高层语义特征；联系子模块6022，用于通过格拉姆矩阵对浅层初始特征进行联系，得到底层纹理特征；融合子模块6023，用于将底层纹理特征和高层语义特征进行融合，得到图像特征。

在一可实施方式中，检索模块603，包括：第一确定子模块6031，用于确定图像特征与每一个模板特征对应的候选投影距离；第二确定子模块6032，用于根据数值最小的候选投影距离确定目标投影距离；第三确定子模块6033，用于根据目标投影距离确定目标特征。

在一可实施方式中，第三确定子模块6033，包括：第一确定单元60331，用于确定目标投影距离是否符合目标距离指标；第二确定单元60332，用于若确定为目标投影距离符合目标距离指标，将目标投影距离对应的模板特征确定为与目标特征。

在一可实施方式中，一种基于卷积神经网络的MRI序列识别装置，还包括：第三确定单元60333，用于若确定为目标投影距离不符合目标距离指标根据图像特征在模板特征集添加对应的模板特征。

在一可实施方式中，第一确定模块604，包括：第四确定子模块6041，用于确定目标特征对应的类别，将目标特征对应的类别确定为MRI序列对应的目标类别。

在一可实施方式中，一种基于卷积神经网络的MRI序列识别装置，还包括：获得模块605，用于获得至少一个模板序列，模板序列为类别已知的MRI序列；；第二确定模块606，用于确定与模板序列对应的模板特征；存储模块607，用于将所有的模板特征存储到检索模型中。

根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如一种基于卷积神经网络的MRI序列识别方法。例如，在一些实施例中，一种基于卷积神经网络的MRI序列识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的一种基于卷积神经网络的MRI序列识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种基于卷积神经网络的MRI序列识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。