图像的转换、分割方法及装置、电酷游九州子设备和存储介质

　　导航：X技术最新专利计算;推算;计数设备的制造及其应用技术

　　1.本公开涉及医学图像处理技术领域，尤其涉及一种图像的转换、分割方法及装置、电子设备和存储介质。

　　2.计算机断层扫描(ct)现在广泛应用于临床工作流程中，包括病变检测、临床分期、治疗计划和指导、治疗反应评估和随。平扫ct是评估胸部疾病的重要工具，尤其是疾病筛查或初步评估。与平扫ct相比，增强ct能更清晰地显示动静脉。增强ct在诊断血管相关疾病(如肺栓塞和动脉瘤)中起着关键作用。

　　3.为了获得增强ct，需要注射造影剂。然而，碘基造影剂有不可避免的缺点。首先，获得增强ct所需的时间比平扫ct长，因为造影剂注射后有一段等待时间。其次，注射造影剂需要插入针头，这可能会导致动脉穿刺以及造影剂渗漏造成的皮肤损伤。此外，研究表明，离子造影剂的不良反应风险高达0.12，严重的副作用甚至可能导致死亡。尽管过去患者对比剂诱发急性肾损伤的风险被高估了，但严重肾病患者的风险仍然未知。近年来，随着重建算法的改进和非离子造影剂的发展，静脉造影剂的剂量显著减少，尽管如此，增强ct仍然对潜在造影剂过敏患者和严重肾病患者构成巨大风险。

　　4.如果可以不使用造影剂注射就能获得增强ct，对临床诊断具有重要意义。此外，通过增强ct合成平扫ct也具有重要的临床价值。平扫ct可以为评估增强ct的增强程度提供参考图。此外，平扫ct可以描述钙化、结石和出。与平扫ct相比，增强ct能够更好地区分靶病变和正常组织，但ct值的增加会导致剂量的误。因此，平扫ct和增强ct各有优缺点。而且，通过增强ct合成平扫ct可以将辐射暴露减少一半。此外，合成的平扫ct与增强ct完全对齐，避免平扫ct和增强ct因呼吸和其他运动而错位。

　　5.平扫ct和增强ct的合成有很多应用，例如肺血管分割。由于肺血管的复杂解剖结构以及病变和肿瘤结节的影响，分割平扫ct图像中的肺血管非常复杂。目前，肺血管的自动分割方法很多。肺血管分割方法可分为两类：平扫ct中的肺血管分割和增强ct中的肺血管分割。与平扫ct相比，增强ct能更清晰地显示肺血管，这使得血管的标注和分割相对简单。肺血管分割方法主要分为基于传统图像处理的方法和基于卷积神经网络的方法。传统的肺血管分割方法包括基于hessian矩阵的方法、基于区域生长的方法、阈值法和基于机器学习的方。近年来，由于卷积神经网络的发展，基于卷积神经网络的肺血管分割方法显示出良好的性。

　　6.基于上述，有待于提出一种平扫及增强医学图像的转换方法或装置，以实现平扫及增强医学图像之间的转换，实现一次扫描得到与之不同的平扫或增强医学图像，进而满足医学图像分析的需求。

　　7.本公开提出了一种图像的转换、分割方法及装置、电子设备和存储介质技术方案。

　　9.获取待转换医学图像及设定合成器；其中，所述设定合成器的训练方法，包括：利用所述设定合成器的生成器对双能医学图像中的平扫图像/增强图像进行卷积处理，生成对应的合成增强图像/合成平扫图像；基于所述合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像，利用预设判别器，完成所述设定合成器中生成器的参数训练；

　　10.确定所述待转换医学图像对应的类型；其中，所述类型为平扫医学图像或增强医学图像；

　　11.基于所述类型及设定合成器中的生成器对所述待转换医学图像进行卷积处理，完成所述待转换医学图像从平扫医学图像到增强医学图像或增强医学图像到平扫医学图像的转换。

　　12.优选地，所述基于双能医学图像中的平扫图像，利用所述设定合成器的生成器生成对应的合成增强图像/合成平扫图像的方法，包括：利用所述生成器的编码器和解码器对所述双能医学图像中的平扫图像/增强图像进行卷积处理，得到对应的合成增强图像/合成平扫图像；

　　14.优选地，所述编码器，包括：依次连接的多个下采样卷积单元及多个池化单元；以及/或，所述解码器，包括：依次连接的多个上采样卷积单元及激活函数。

　　15.优选地，所述基于合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像/平扫图像，利用预设判别器，完成所述设定合成器中生成器的参数训练的方法，包括：

　　16.所述基于合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像，对所述预设判别器训练，实现所述合成增强图像/合成平扫图像及所述增强图像/平扫图像进行识别；

　　17.利用训练后的所述预设判别器，输出所述生成器生成的合成增强图像/合成平扫图像与所述平扫图像/增强图像达到最大概率值，完成所述设定合成器中生成器的参数训练。

　　18.优选地，在所述设定合成器中生成器的参数训练的过程中，采用所述生成器中解码器的最后一层激活函数输出的合成增强图像/合成平扫图像及所述最后一层激活函数之前的设定上采样卷积单元输出的合成增强图像/合成平扫图像计算所述生成器的损失值；

　　20.在所述设定合成器中生成器的参数训练的过程中，还包括：利用真实的平扫医学图像及对应的增强医学图像对基于所述双能医学图像训练的生成器参数进行调整。

　　21.根据本公开的一方面，提供了一种图像的分割方法，包括，如上述的转换方法；以及，

　　22.确定待分割医学图像的对应的类型；其中，所述类型为平扫医学图像或增强医学图像；

　　23.利用所述生成器对所述待转换医学图像进行卷积处理，完成所述待分割医学图像从平扫医学图像到合成增强医学图像或增强医学图像到合成平扫医学图像的转换；

　　24.基于合成增强医学图像或所述合成平扫医学图像，利用预设分割模型，完成所述待分割医学图像的分割。

　　26.获取单元，用于获取待转换医学图像及设定合成器；其中，所述设定合成器的训练方法，包括：利用所述设定合成器的生成器对双能医学图像中的平扫图像/增强图像进行卷积处理，生成对应的合成增强图像/合成平扫图像；基于所述合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像，利用预设判别器，完成所述设定合成器中生成器的参数训练；

　　27.确定单元，用于确定所述待转换医学图像对应的类型；其中，所述类型为平扫医学图像或增强医学图像；

　　28.转换单元，用于基于所述类型及设定合成器中的生成器对所述待转换医学图像进行卷积处理，完成所述待转换医学图像从平扫医学图像到增强医学图像或增强医学图像到平扫医学图像的转换。

　　29.根据本公开的一方面，提供了一种图像分割装置，包括：如上述的图像转换装置；及，

　　30.类型确定单元，用于确定待分割医学图像的对应的类型；其中，所述类型为平扫医学图像或增强医学图像；

　　31.图像转换单元，用于利用所述生成器对所述待转换医学图像进行卷积处理，完成所述待分割医学图像从平扫医学图像到合成增强医学图像或增强医学图像到合成平扫医学图像的转换；

　　32.分割单元，用于基于合成增强医学图像或所述合成平扫医学图像，利用预设分割模型，完成所述待分割医学图像的分割。

　　36.其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述的转换方法；以及/或，上述的分割方法。

　　37.根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述的转换方法；以及/或，上述的分割方法。

　　38.在本公开实施例中，提出的图像的转换、分割方法及装置、电子设备和存储介质技术方案，可实现平扫及增强医学图像之间的转换，实现一次扫描得到与之不同的平扫或增强医学图像，进而满足医学图像分析的需求。

　　39.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，而非限制本公开。

　　40.根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

　　41.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

　　44.图3示出根据本公开实施例的训练平扫ct到增强ct图像合成器和增强ct到平扫ct图像合成器的流程图；

　　47.图6示出根据本公开实施例的仿射变换、syn和elastix配准结果；

　　50.以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

　　51.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

　　52.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。

　　53.另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

　　54.可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

　　55.此外，本公开还提供了图像的转换及分割装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像的转换及分割方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

　　56.图1示出根据本公开实施例的图像的转换方法的流程图。图2示出根据本公开实施例的设定合成器的网络结构(以合成器一为例)。如图1及2所示，所述图像的转换方法，包括：步骤s101：获取待转换医学图像及设定合成器；其中，所述设定合成器的训练方法，包括：利用所述设定合成器的生成器g1对双能医学图像中的平扫图像/增强图像进行卷积处理，生成对应的合成增强图像/合成平扫图像；基于所述合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像，利用预设判别器d1，完成所述设定合成器中生成器g1的参数训练；步骤s102：确定所述待转换医学图像对应的类型；其中，所述类型为平扫医学图像或增强医学图像；步骤s103：基于所述类型及设定合成器中的生成器g1对所述待

　　转换医学图像进行卷积处理，完成所述待转换医学图像从平扫医学图像到增强医学图像或增强医学图像到平扫医学图像的转换。可实现平扫及增强医学图像之间的转换，实现一次扫描得到与之不同的平扫或增强医学图像，进而满足医学图像分析的需求。

　　57.步骤s101：获取待转换医学图像及设定合成器；其中，所述设定合成器的训练方法，包括：利用所述设定合成器的生成器g1对双能医学图像中的平扫图像/增强图像进行卷积处理，生成对应的合成增强图像/合成平扫图像；基于所述合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像，利用预设判别器d1，完成所述设定合成器中生成器g1的参数训练。

　　58.例如，用所述设定合成器的生成器g1对双能医学图像中的平扫图进行卷积处理，生成对应的合成增强图；基于所述平扫图像、合成增强图像及所述双能医学图像中的增强图像，利用预设判别器d1，完成所述设定合成器中生成器g1的参数训练。此时生成器g1(合成器一)可完成所述待转换医学图像从平扫医学图像到增强医学图像的转换。

　　59.又例如，利用所述设定合成器的生成器g1对双能医学图像中的增强图像进行卷积处理，生成对应合成平扫图像；基于所述平扫图像合成平扫图像及所述双能医学图像中的增强图像，利用预设判别器d1，完成所述设定合成器中生成器g1的参数训练。此时生成器g1(合成器二)可完成所述待转换医学图像从增强医学图像到平扫医学图像的转换。

　　60.在本公开的实施例及其他可能的实施例中，所述待转换医学图像或双能医学图像可以ct图像、dr图像、mri图像、超声图像、pet图像、ct-pet图像或其他的医学图像。进一步地，所述ct图像、dr图像、mri图像、超声图像、pet图像、ct-pet图像或其他的医学图像可为任何人体部分的图像，例如胸部(肺)、脑、心脏、肾脏、肝脏、胃部、骨骼等对应的ct图像、dr图像、mri图像、超声图像、pet图像、ct-pet图像或其他的医学图像。

　　61.在本公开的实施例及其他可能的实施例中，以胸部(肺)ct图像进行说明。其中，利用所述设定合成器的生成器g1对双能医学图像中的平扫图像(平扫ct图像)进行卷积处理，生成对应的合成增强图像/合成平扫图像(合成的增强/平扫ct图像)基于所述平扫图像(平扫ct图像)、合成增强图像/合成平扫图像(合成的增强/平扫ct图像)及所述双能医学图像中的增强图像/平扫图像(增强ct图像/平扫ct图像)，利用预设判别器d1，完成所述设定合成器中生成器g1的参数训练。

　　62.在本公开中，收集了三个数据集来训练和测试提出的方法或模型。数据集的统计信息如下。

　　数据集一：来自北部战区总医院的40名患者的平扫ct图像和增强ct图像(真实的平扫医学图像及对应的增强医学图像)，对其中17例增强ct图像和10例平扫ct图像进行了肺血管标注。数据集一用于训练和测试合成器和肺血管分割模型。

　　数据集二：来自isicdm 2021挑战赛的14例平扫ct图像和14例增强ct图像(真实的平扫医学图像及对应的增强医学图像)。值得注意的是，平扫ct图像和增强ct图像来自不同的患者。所有平扫ct图像和增强ct图像均包含肺血管标注。数据集二用于训练和测试肺血管分割模型。

　　数据集三：来自广州医科大学附属第一医院的49例双能ct图像(双能医学图像中的平扫图像及对应的增强图像)。数据集三用于预训练合成器。双能ct是一种先进的成像技术，它可以获得关于组织成分的信。与普通ct相比，双能ct的主要优点在于其优越的材料分辨率。使用材料分解方法，可以将碘与其他材料区分开来，从而获得虚拟平扫ct图像。该数据集中包括49对增强ct图像(增强图像)和虚拟平扫ct图像(平扫图像)。

　　在本公开的实施例，所述基于双能医学图像中的平扫图像，利用所述设定合成器的生成器g1生成对应的合成增强图像/合成平扫图像的方法，包括：利用所述生成器g1的编码器和解码器对所述双能医学图像中的平扫图像/增强图像进行卷积处理，得到对应的合成增强图像/合成平扫图像；以及/或，所述预设判别器d1，包括：依次连接的多个卷积单元。

　　在本公开的实施例及其他可能的实施例中，如图2所示，设定合成器，包括：一个生成器g1和一个判别器d1；其中，生成器g1用于合成增强图像/合成平扫图像；判别器d1用于区分真实的增强图像和合成增强图像/合成平扫图像，从而使生成器g1合成真实的平扫ct图像(平扫医学图像)或增强ct图像(增强医学图像)，即完成所述待转换医学图像从平扫医学图像到增强医学图像或增强医学图像到平扫医学图像的转换。

　　在本公开的实施例，所述编码器，包括：依次连接的多个下采样卷积单元及多个池化单元；以及/或，所述解码器，包括：依次连接的多个上采样卷积单元及激活函数。

　　在本公开的实施例及其他可能的实施例中，如图2(a)所示，所示利用所述生成器g1的编码器和解码器对所述双能医学图像中的平扫图像(平扫ct图像)进行卷积处理，得到对应的合成增强图像/合成平扫图像(合成的增强ct图像/合成的平扫图像)；基于所述合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像(增强ct图像/平扫

　　ct图像)，利用预设判别器d1，完成所述设定合成器中生成器g1的参数训练。

　　在本公开的实施例及其他可能的实施例中，如图2(b)所示，所述生成器g1的整体架构可采用u-net结构。

　　在本公开的实施例及其他可能的实施例中，如图2(b)所示，其中所述编码器的多个上采样卷积单元，包括：依次连接的第一下采样卷积单元(conv-bn-relu

　　2)、第一池化单元(max pooling)、第二下采样卷积单元(conv-bn-relu

　　2)、第二池化单元(max pooling)、第三下采样卷积单元(conv-bn-relu

　　2)、第三池化单元(max pooling)及第四下采样卷积单元(conv-bn-relu

　　2)；其中conv表示卷积层，bn表示批量归一化层，relu表示激活函数层，max pooling表示最大值池化层；

　　2表示2个第一下采样卷积单元。同时，本领域人员可以根据需要设置卷积层conv的卷积核大小及步长，同时也可以根据需要省略批量归一化层bn，以及配置激活函数层的激活函数，例如可将relu配置为elu或者其他激活函数，也可将最大值池化层max pooling配置为平均值池化层等。

　　在本公开的实施例及其他可能的实施例中，如图2(b)所示，解码器的多个上采样卷积单元，包括：依次相连的第一反卷积(上采样)单元(transposed cov)、第一卷积单元(conv-bn-relu

　　2)、第二反卷积(上采样)单元(transposed cov)、第二卷积单元(conv-bn-relu

　　2)、第三反卷积(上采样)单元(transposed cov)、第三卷积单元(conv-bn-relu

　　在本公开的实施例及其他可能的实施例中，如图2(c)所示，所述预设判别器d1中依次连接的多个卷积单元采用残差连接。具体地，依次连接的多个卷积单元，包括：第一卷积层(5

　　在本公开的实施中，所述基于合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像/平扫图像，利用预设判别器，完成所述设定合成器中生成器的参数训练的方法，包括：所述基于合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像，对所述预设判别器训练，实现所述合成增强图像/合成平扫图像及所述增强图像/平扫图像进行识别；利用训练后的所述预设判别器，输出所述生成器生成的合成增强图像/合成平扫图像与所述平扫图像/增强图像达到最大概率值，完成所述设定合成器中生成器的参数训练。其中，所述基于合成增强图像/合成平扫图像及所述双能医学图像中的增强图像/平扫图像/平扫图像，对所述预设判别器训练，实现所述合成增强图像/合成平扫图像及所述增强图像/平扫图像进行识别。

　　具体地，所述基于所述平扫图像、合成增强图像及所述双能医学图像中的增强图像，利用预设判别器，完成所述设定合成器中生成器的参数训练的方法，包括：所述基于所述平扫图像、合成增强图及所述双能医学图像中的增强图像，对所述预设判别器训练，实现所述合成增强图及所述增强图进行识别；利用训练后的所述预设判别器，输出所述生成器

　　生成的合成增强图与所述平扫图像达到最大概率值，完成所述设定合成器中生成器的参数训练。其中，所述基于所述平扫图像、合成增强图及所述双能医学图像中的增强图像，对所述预设判别器训练，实现所述合成增强图像/合成平扫图像及所述增强图进行识别。

　　具体地，所述基于所合成平扫图像及所述双能医学图像中的增强图像及平扫图像，利用预设判别器，完成所述设定合成器中生成器的参数训练的方法，包括：所述基于所述平扫图像、合成平扫图像及所述双能医学图像中的增强图像，对所述预设判别器训练，实现所合成平扫图像及所平扫图像进行识别；利用训练后的所述预设判别器，输出所述生成器生成合成平扫图像与所述平扫图像达到最大概率值，完成所述设定合成器中生成器的参数训练。其中，所述基于所述平扫图像合成平扫图像及所述双能医学图像中平扫图像，对所述预设判别器训练，实现所合成平扫图像及所述平扫图像进行识别。

　　例如，如图2(a)中的“真”及“假”。具体而言，如合成增强图像/合成平扫图像与所述平扫图像/增强图像输入到预设判别器d1，则训练后的预设判别器d1输出为“假”；而，真实的增强图像/平扫图像(非合成增强图像/非合成平扫图像)与所述平扫图像/增强图像输入到预设判别器d1，则训练后的预设判别器d1输出为“线]

　　更为具体地，如合成增强图像与所述平扫图像输入到预设判别器d1，则训练后的预设判别器d1输出为“假”；而，真实的增强图像(非合成增强图像)与所述平扫图输入到预设判别器d1，则训练后的预设判别器d1输出为“真”。同，合成平扫图像与所增强图像输入到预设判别器d1，则训练后的预设判别器d1输出为“假”；而，真实的增强图像(非合成增强图像)与所述平扫图输入到预设判别器d1，则训练后的预设判别器d1输出为“线]

　　以合成器一为例，如图2(a)所示，将平扫ct输入生成器以获得合成的增强ct。然后将平扫ct和合成的增强ct在通道维度上合并一起输入判别器。判别器输出概率图，该概率图表示输入图像是真实的增强ct的概率。此外，将平扫ct和真实增强ct相结合并输入判别器以获得概率图。当输入不是一对真实图像时输出小概率值，当输入是一对真实的图像时输出大概率值。生成器的训练目标是当合成的增强ct和平扫ct被输入到判别器时，使判别器输出的概率值尽可能大。生成器和判别器竞争直到达到平衡。

　　合成器的训练过程如下。合成器的优化目标由两部分组成：条件生成对抗网络目标以及合成的增强ct图像和线距离。条件生成对抗网络目标可以表示为：

　　其中，生成器g(x,z)试图最小化该目标，判别器d(x,y)、d(x,g(x,z))试图最大化该目标，x表示平扫ct，y表示真实增强ct，z表示噪声；其中，为期望函数，用于计算期望值。

　　用于求判别器logd(x,y)的期望值；用于求判别器logd(x,y)的期望值；用于求log(1-d(x,g(x,z))的期望值。

　　其中，λ是合成图像(合成增强图像/合成平扫图像)和线d u-ne架构用作生成器(图2(b))，其包括编码器和解码器部分。编码器部分由三个块组成。每个块由两层组成，每层包括卷积运算cov、批量标准化bn和校正线性单元relu。每个块之间通过最大池化max pooling进行下采样。解码器包括三个块，每个块与编码器具有相同的结构。解码器中的每个块之间通过转置卷积层transposed cov进行上采样。此外，我们连接了编码器和解码器中具有相同分辨率的层。其中，s2表示步长s配置为2；elu为激活函数，具体为高斯误差线]

　　在本公开的实施例，在所述设定合成器中生成器的参数训练的过程中，采用所述生成器中解码器的最后一层激活函数输出的合成增强图像/合成平扫图像及所述最后一层激活函数之前的设定上采样卷积单元输出的合成增强图像/合成平扫图像计算所述生成器的损失值。

　　在本公开的实施例及其他可能的实施例中，我们将深度监督引入合成器。由于普通卷积神经网络仅使用模型的最后一层来计算损失，因此隐藏层的特征图中包含的信息没有得到有效利用。深度监督可以将梯度更深地注入网络，便于网络中所有层的训。具体而言，对于输出一和输出二(图2(b))，使用相应的下采样图像来计算l1损失值。

　　在本公开的实施例及其他可能的实施例中，如图2(c)所示，判别器，包括：卷积层、指数线性单元/高斯误差线性单元elu和四个跨步卷积层。其中，每通过一个跨步卷积层，特征图的尺寸减少一半。

　　图3示出根据本公开实施例的训练平扫ct到增强ct图像合成器和增强ct到平扫ct图像合成器的流程图。

　　在本公开的实施例，在所述设定合成器中生成器的参数训练的过程中，还包括：利用真实的平扫医学图像及对应的增强医学图像对基于所述双能医学图像训练的生成器参数进行调整。

　　如图3所示，我们分三个步骤训练合成器。在第一步中，通过自监督学习对合成器的生成器进行预训练。在第二步中，通过数据集三中的双能ct对合成器进行预训练。在第三步中，使用数据集一中的平扫ct和增强ct对合成器进行微调。由于平扫ct与增强ct之间不对齐，应首先对其进行配准。

　　在本公开的实施例及其他可能的实施例中，使用自监督学习训练合成器(图像变换)。具体地，由于难以获得大量成对的平扫ct和增强ct，我们引入了自监督学习来对合成器进行预训练。自监督学习主要分为基于上下文的方法、基于生成的方法和基于对比的方法。基于生成的自监督学习方法分为基于恢复的和基于生成对抗网络的方法。基于图像恢复的自监督学习适合于图像合成任务我们基于图像恢复的自监督学习框架进行合成器的预训练。将从ct图像中的随机位置裁剪的子块通过变换函数，变换后的子块作为生成器的输入，让模型以恢复原始子块。每个子块最多可以通过四种变换中的三种：非线性变换、局部像素重组和外部或内部遮挡。其中外部遮挡和内部遮挡不能同时使用。自监督学习的损失函数表示为：

　　在我们的实验中，来自luna1数据集的888例ct扫描用于预训练合成器的生成器。

　　在本公开的实施例及其他可能的实施例中，使用双能ct预训练合成器(第二步)。具体地，我们的合成器依赖于对齐的图像。但平扫ct和增强ct扫描的时间不同，患者的轻微运动(如呼吸)可能会导致平扫ct和增强ct错位。平扫ct和增强ct之间的未对齐是增强ct或平扫ct合成的障碍。尽管配准可以减轻这种错位。但是直接使用配准的平扫ct和增强ct直接训练合成器会导致合成的ct模糊。因此，我们使用来自数据集三的双能ct来预训练合成器。与平扫ct相比，双能ct中的虚拟平扫ct和增强ct完全对齐。完全对齐的虚拟平扫ct和增强ct在训练合成器中起关键作用。

　　在本公开的实施例及其他可能的实施例中，通过图像配准和微调训练合成器。具体地，经过双能ct的预训练后，合成器可以完成虚拟平扫ct和增强ct之间的转换。由于虚拟平扫ct和真实平扫ct之间的差异，我们使用来自数据集一的真实平扫ct和相应增强ct对合成器进行微调。

　　因为我们的合成器依赖对齐的图像，所以首先需要对实际的平扫ct和增强ct配准。因为平扫ct和增强ct是在不同的时间进行扫描的，所以患者的轻微移动可能会导致错位，配准可以减轻这种错位。实验证明，不同的配准方法对合成器的合成效果有显著影响。我们使用增强ct作为固定图像，使用平扫ct作为运动图像。我们使用了仿射对齐、sy和elasti来配准平扫ct和增强ct。仿射对齐通常用作图像配准的初始阶段，它有助于优化更复杂的可变形图像配准过程。对称图像归一化方法(syn)是目前性能最好的配准算法。elastix是基于强度的医学图像配准工具箱。

　　对于合成器一和合成器二，使用24对平扫ct和增强ct作为训练集，使用8对平扫ct与增强ct作为验证集，使用8对平扫ct及增强ct作为测试集。迭代次数设置为300。adam用于优化网络权重。初始学习率为1

　　步骤s102：确定所述待转换医学图像对应的类型；其中，所述类型为平扫医学图像或增强医学图像。

　　在本公开的实施例及其他可能的实施例中，以胸部(肺)ct图像进行说明，平扫医学图像或增强医学图像则分别为胸部(肺)平扫ct医学图像或胸部(肺)增强ct医学图像。

　　步骤s103：基于所述类型及设定合成器中的生成器g1对所述待转换医学图像进行卷积处理，完成所述待转换医学图像从平扫医学图像到增强医学图像或增强医学图像到平扫医学图像的转换。

　　本公开还提出了一种图像的分割方法，包括，如上述的转换方法；以及，确定待分割医学图像的对应的类型；其中，所述类型为平扫医学图像或增强医学图像；利用所述生成器对所述待转换医学图像进行卷积处理，完成所述待分割医学图像从平扫医学图像到合成增强医学图像或增强医学图像到合成平扫医学图像的转换；基于合成增强医学图像或所述合成平扫医学图像，利用预设分割模型，完成所述待分割医学图像的分割。

　　在本公开的实施例及其他可能的实施例中，所述预设分割模型，可以为u-net分割模型或其他基于u-net改进的分割模型，或其他现有的分割模型。

　　在本公开的实施例及其他可能的实施例中，图像的转换及分割方法的执行主体可

　　以是图像的转换及分割装置，例如，图像的转换及分割方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备(user equipment，ue)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，pda)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该图像的转换及分割方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现

　　本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

　　本公开还提出了一种图像转换装置，包括：获取单元，用于获取待转换医学图像及设定合成器；其中，所述设定合成器的训练方法，包括：利用所述设定合成器的生成器对双能医学图像中的平扫图像进行卷积处理，生成对应的合成增强图像；基于所述平扫图像、合成增强图像及所述双能医学图像中的增强图像，利用预设判别器，完成所述设定合成器中生成器的参数训练；确定单元，用于确定所述待转换医学图像对应的类型；其中，所述类型为平扫医学图像或增强医学图像；转换单元，用于基于所述类型及设定合成器中的生成器对所述待转换医学图像进行卷积处理，完成所述待转换医学图像从平扫医学图像到增强医学图像或增强医学图像到平扫医学图像的转换。

　　本公开还提出了一种图像分割装置包括：如上述的图像转换装置；及，类型确定单元，用于确定待分割医学图像的对应的类型；其中，所述类型为平扫医学图像或增强医学图像；图像转换单元，用于利用所述生成器对所述待转换医学图像进行卷积处理，完成所述待分割医学图像从平扫医学图像到合成增强医学图像或增强医学图像到合成平扫医学图像的转换；分割单元，用于基于合成增强医学图像或所述合成平扫医学图像，利用预设分割模型，完成所述待分割医学图像的分割。

　　在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

　　本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

　　本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。电子设备可以被提供为终端、服务器或其它形态的设备。

　　图4示出根据本公开实施例的肺血管分割策略。(a)标注增强ct中的肺血管；(b)分割策略一；(c)分割策略二。我们提出了两种分割策略(分割策略一和分割策略二)，可以通过使用增强ct中的肺血管标注分割平扫ct中的肺血管。在分割策略一中，使用增强ct和相应的标注训练分割模型一(图4(b))。在测试时，使用合成器一将平扫ct转换为增强ct，然后将合成的增强ct输入到分割模型一中进行肺血管分割。在策略二中，使用合成器二将增强ct转换为平扫ct(图4(c))。然后使用合成的平扫ct训练分割模型二。在测试时，平扫ct被输入到分割模型二中进行肺血管分割。其中，s1表示用于实现平扫图像到增强图像转换的合成器一；s1表示用于实现增强图像到平扫图像转换的合成器二。

　　我们使用nnunet和cotr作为肺血管分割模型。nnunet是一种基于卷积神经网络的分割方法，可以自动为不同任务选择预处理方法、网络架构、训练参数和后处理方法。cotr是一种基于卷积神经网络和transformer的医学图像分割框架。

　　图5示出根据本公开实施例的数据集划分。如图5所示，对于合成器一和合成器九州酷游 官网 九州酷游注册二，使用32对平扫ct和增强ct作为训练集和验证集，使用8对平扫ct与增强ct作为测试集。

　　对于肺血管分割模型，我们使用数据集一和数据集二分别训练和测试分割模型。在数据集一中，使用14个带标注的增强ct训练分割模型一，3个合成的增强ct用于测试。14个平扫ct用于训练分割模型二，3个平扫ct用于测试。在数据集二中，12个带标注的增强ct用于训练另一个分割模型一，两个合成的增强ct用于测试分割模型一。12个平扫ct用于训练分割模型二，两个平扫ct用于测试分割模型二。

　　性能评估和对比实验。通过计算合成的ct和真实的ct肺区内部的平均绝对误差(mae)、均方误差(mse)、峰值信噪比(psnr)和结构相似性指数(ssim)[44]对合成器的性能进行评估：

　　分割模型的性能通过dice相似系数(dsc)[45]、交并比(iou)、真阳性率(tpr)和假阳性率(fpr)进行评估：

　　我们共进行了三组对比实验来评估所提出的模型的性能。第一组对比实验旨在确定哪种图像配准方法效果更好。我们比较了仿射对齐、syn和elastix。第二组用于比较各种生成对抗网络网络的合成效果。我们使用相同的数据集对cyclegan、pix2pix和pix2pixhd进行训练和测试。第三组是消融实验，为了验证自监督学习和双能ct预训练的贡献，我们在没有自监督学习、没有双能ct和没有微调的情况下与我们的训练流程进行了比较，并在数

　　配准方法的性能。在微调之前，需要将平扫ct和增强ct配准。我们将增强ct作为固定图像，平扫ct作为移动图像进行配准。因为图像相似性度量(均方根、归一化互相关或归一化相互信息等)不是评价配准精度的可靠标。我们与放射科医生合作，通过观察配准后图像和固定图像的相似度来评估配准方法。

　　图6示出根据本公开实施例的仿射变换、syn和elastix配准结果。增强ct是固定图像，平扫ct是运动图像。中间三列是使用仿九州酷游 官网 九州酷游注册射变换、syn和elastix配准后的平扫ct。从图6中可以看出，由elastix(第四列)配准的平扫ct和增强ct完全对齐。由仿射变换和syn配准的平扫ct与增强ct有明显的偏差。根据图6的结果，elastix的性能最好。因此，我们使用elastix的配准结果来微调合成器。

　　合成器的性能。为了验证我们合成器的优越性，将我们提出的合成器与cyclega，pix2pi，和pix2pixhd进行了比较。通过对比cyclegan、pix2pix、pix2pixhd和我们的合成器的平均绝对误差、均方误差、峰值信噪比和结构相似性指数。合成器一的平均绝对误差、均方误差、峰值信噪比和结构相似性指数分别为14.60

　　0.016。合成器二的平均绝对误差、均方误差、峰值信噪比和结构相似性指数分别为12.52

　　0.018。在由平扫ct合成增强ct和由增强ct合成平扫ct中，我们合成器的平均绝对误差、均方误差、峰值信噪比和结构相似性指数均优于cyclegan、pix2pix和pix2pxhd。

　　为了评估我们提出的合成器的性能。我们的合成器合成的增强ct的hu分布图更接近真实的cect，特别是在50和250hu的峰值周围的两个区域。我们的合成器合成的平扫ct的hu分布图更接近真实的平扫ct，尤其是在大约50hu的峰值附近的区域。

　　由于无法获取代码和数据集，性能没有在同一数据集上复现。通过粗略的比较，我们的方法取得了优于或与其他方法相似的性能。例如，我们合成器合成的增强ct的结构相似性指数为0.937，我们合成器合成的平扫ct的结构相似性指数为0.948。其他模型的结构相似性指数分别为0.842，0.74，0.84，0.99以及0.739和0.668。对于峰值信噪比，我们合成器合成的增强ct为34.34，合成的平扫ct为35.08。其他模型的峰值信噪比分别为31.80，48.30，21.46，17.44和24.63。对于均方误差，我们合成器合成的增强ct为1644，我们合成器合成的平扫ct为1460，而另一个模型的均方误差为2729.67。对于平均绝对误差，我们合成器合成的增强ct为14.60，合成器合成的平扫ct为12.52，而另一个模型的平均绝对误差为32.3。

　　研究了我们的合成器训练流程中关键组成部分的有效性：(1)自监督学习，(2)双能ct预训练，(3)微调。消融实验的结果表明自监督学习、双能ct预训练和微调有助于合成增强ct和平扫ct。

　　为了验证自监督学习的贡献，我们比较了使用和不使用自监督学习的合成器。在合成器一中，没有自监督学习的合成器一平均绝对误差和均方误差的合成器分别提高了13.22％和26.82％。峰值信噪比下降3.06％，结构相似性系数增加0.11％，合成器二的平均绝对误差和均方误差分别增加24.12％和40.21％。峰值信噪比和结构相似性系数分别下降5.07％和0.74％。这证明自监督学习有利于平扫ct和增强ct的合成。

　　为了验证使用双能ct预训练的贡献，我们比较了使用和不使用双能ct进行预训练

　　的合成。在合成器一中，未经预训练的合成器的平均绝对误差和均方误差分别提高了23.15％和44.83％。峰值信噪比和结构相似性系数分别下降5.04％和0.32％。在合成器二中，平均绝对误差和均方误差别升高了8.79％和8.49％。峰值信噪比和结构相似性系数分别下降1.48％和0.32％。这表明用双能ct预处理有助于合成平扫ct和增强ct。

　　为了验证微调的贡献，我们比较了有微调和无微调的合成器。在合成器一中，无微调的合成器平均绝对误差和均方误差分别增加了40.89％和83.21％。峰值信噪比和结构相似性系数分别下降7.75％和1.17％。在合成器二中，平均绝对误差和均方误差分别增加12.46％和18.84％，峰值信噪比和结构相似性系数分别减少2.37％和0.84％。这表明微调对于合成平扫ct和增强ct是有效的。

　　肺血管分割的表现。在数据集一中，我们基于nnunet和cotr训练分割模型一和分割模型二用于肺血管分割。值得注意的是，肺血管的标注是在增强ct上完成的。此外，我们使用7个平扫ct和基于平扫ct的标注训练了分割模型三。我们使用数据集一中的3例数据进行测试。将平扫ct输入分割模型二、合成的增强ct输入分割模型一、增强ct输入分割模型一和平扫ct输入分割模型三的dice相似系数、交并比、真阳性率和假阳性率。在基于nnunet的模型中，dice相似系数分别为0.769、0.857、0.921和0.771。在基于cotr的模型中，dice相似系数分别为0.774、0.856、0.911和0.765。

　　我们主要有四个发现。第一，将增强ct输入分割模型一优于将平扫ct输入分割模型二。这是因为分割增强ct中的肺血管比分割平扫ct中的肺血管更容易。第二，对于从平扫ct中分割肺血管的任务，分割模型一优于分割模型二。原因可以参考第一个发现。第三，合成的增强ct输入的分割模型一优于平扫ct输入分割模型三，这表明我们的模型优于使用平扫ct直接注释和训练的方式。第四，基于nnunet和基于cotr的模型之间没有显著的性能差异，这表明无论是使用基于卷积神经网络还是基于transformer的模型，我们的分割策略都能很好地工作。另外，结果表明，我们的分割策略实现了与使用平扫ct训练的模型相似的性能，同时节省了标注时间。

　　在数据集二(非配对平扫ct和增强ct)中，我们基于增强ct的标注，使用nnunet和cotr训练了分割模型一和分割模型二。此外，我们使用12个平扫ct和基于增强ct的标注训练了分割模型三。我们用数据集二的两个案例测试了上述三个模型。三个模型的dice相似系数、交并比、真阳性率和假阳性率。在基于nnunet的模型中，dsc分别为0.770、0.721和0.850。在基于cotr的模型中，dsc分别为0.748、0.678和0.844。

　　我们发现了两个有趣的现象。首先，与数据集一的情况相反，分割模型二优于分割模型一。可以考虑两个可能的原因：(1)当使用合成的增强ct作为输入时，将包括合成中的错误。(2)从增强ct到平扫ct的合成比从平扫ct到增强ct的合成更容易。其次，我们的两个模型的性能略低于分割模型三。然而，需要强调的一点是，金标准中有许多错误注释，因为在平扫ct中很难区分气道壁和肺血。由于固有的困难，即使花费更多的标注时间也无法防止这些错误。

　　在本研究中，我们提出并开发了两个图像合成器(合成器一和合成器二)，合成器一通过平扫ct合成增强ct，合成器二通过增强ct合成平扫ct。这两个合成器具有相同的网络结构，都由一个生成器和一个判别器组成。生成器合成ct图像，判别器判断合成图像的真实性。实验表明，我们提出的合成器性能明显优于cyclegan、pix2pix和pix2pixhd。

　　此外，我们还提出了一种合成器训练流程。首先，使用来自公共数据集的ct图像对合成器中生成器进行自我监督训练。然后，使用双能ct训练合成器。双能ct完全对齐的特性可以大大提高合成器的性能。最后，使用配准后的平扫ct和增强ct对合成器进行微调。对训练过程的消融实验表明，自监督训练、双能ct预训练以及平扫ct和增强ct的微调都可以提高合成器的性能。

　　最后，我们将合成器用于平扫ct中的肺血管分割。我们提出了两种基于合成器的分割策略并训练了两个分割模型。实验结果表明，我们的合成器和分割策略可以提高平扫ct中肺血管分割的性能。

　　总之，本公开提出了两种ct图像合成器，并将其应用于平扫ct图像中的肺血管分割。我们提出的合成器可以成功地合成增强ct和平扫ct，性能优于cyclegan、pix2pix和pix2pxhd。我们提出了一种新的合成器训练流程，包括自监督预训练、双能ct预训练和微调，可以有效地改善合成结果。通过使用这两个合成器，我们提出了两种策略可以使用来自增强ct的标注来训练平扫ct中的血管分割模型，这可以减少将气道壁错误注释为血管的错误，并节省时间消耗。总之，所提出的合成器、训练程序和分割策略可能会引领医学成像分析的新旅程，并有可能扩展到其他应用。

　　图7是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

　　参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

　　处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

　　存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

　　电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

　　多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，

　　多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

　　音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

　　i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

　　传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

　　通信组件816被配置为便于电子设备800和其他设备之间有线或无线可以接入基于通信标准的无线g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

　　在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

　　在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

　　图8是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

　　电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。

　　在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

　　本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

　　计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线]

　　这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

　　用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

　　这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

　　这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功

　　能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

　　也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

　　附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

　　以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。