具体实施方式
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。
在本公开的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本公开和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本公开的限制。
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”的特征可以明示或者隐含地包括一个或者更多个该特征。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。
在本公开中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
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。
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。
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。
脑出血影像评估作为诊断早期脑出血的金标准(即当前临床医学界公认的判断疾病的最可靠、最准确、最好的诊断方法),然而,脑出血影像评估目前的后处理技术及临床经验,无法快速获取精确出血量、高风险预警直接征象等重要辅助决策信息。CT平扫出血扩张的影像学特征判定有很强的主观性。同时敏感性、特异性及阴性预测值等在不同研究中差异很大;而在脑出血早期进行CTA检查,存在相当程度的检查风险概率,且费用因素、预约效率都导致其无法及时实施,因此不能在临床工作中广泛常规应用。
CT血管造影(CTA)斑点征有几个缺点:第一,它的出现强烈依赖于CTA的开始时间,斑点征的敏感性在最初的几个小时内急剧下降。第二,CTA不是许多紧急医疗服务的常见程序,在许多机构中不可用。相反,非对比计算机断层扫描(NCCT)是目前世界上诊断急性脑出血最流行的技术。近几年来,已有文献报道了几种能预测HE的影像学指标,如低密度、黑洞征、混合征、岛状征等,其中一些表现为影像学信息的重叠。一个简单的5点BAT评分,包括混合征,低密度和NCCT时间,已被开发用于识别高风险的HE患者,然而,相关技术采用的这些NCCT征象都需要人工评估,不能实现全自动化,需要人工的辅助和手工操作,效率低,存在人为因素带来的误差。
本公开实施例在运用与血肿区域检测场景时,能够自动分割血肿,并预测急性脑出血后的血肿扩大概率,且具有自动化、无需人工辅助及手工操作的特点,具有高效性及高准确性。
图1示出了根据本公开一实施例的脑出血病灶识别及血肿扩大预测方法的流程图,该方法可以应用于处理组件或包括处理组件的电子设备中,处理组件包括但不限于单独的处理器,或者分立元器件,或者处理器与分立元器件的组合。所述处理器可以包括电子设备中具有执行指令功能的控制器,所述处理器可以按任何适当的方式实现,例如,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。在所述处理器内部,可以通过逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器等硬件电路执行所述可执行指令。电子设备可以包括终端、服务器等,终端又称之为用户设备(User Equipment,UE)、移动台(Mobile Station,MS)、移动终端(Mobile Terminal,MT)等,是一种向用户提供语音和/或数据连通性的设备,例如,具有无线连接功能的手持式设备、车载设备等。目前,一些终端的举例为:手机(Mobile Phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(Mobile Internetdevice,MID)、可穿戴设备,虚拟现实(Virtual Reality,VR)设备、增强现实(Augmentedreality,AR)设备、工业控制(Industrial Control)中的无线终端、无人驾驶(Selfdriving)中的无线终端、远程手术(Remote medical Surgery)中的无线终端、智能电网(Smart Grid)中的无线终端、运输安全(Transportation Safety)中的无线终端、智慧城市(Smart City)中的无线终端、智慧家庭(Smart Home)中的无线终端、车联网中的无线终端等。
如图1所示,所述方法包括:
步骤S11,对目标图像进行分割,得到病灶的区域掩膜,其中,所述目标图像包括脑部CT图像;
步骤S12,根据所述目标图像及所述病灶的区域掩膜,提取所述病灶的影像组学特征;
步骤S13,根据所述影像组学特征得到所述目标图像中病灶扩大可能性的预测结果。
本公开实施例通过对目标图像进行分割,得到病灶的区域掩膜,根据所述目标图像及所述病灶的区域掩膜,提取所述病灶的影像组学特征,根据所述影像组学特征得到所述目标图像中病灶扩大可能性的预测结果,可以快速、准确地识别病灶,并确定病灶扩大的可能性,且具有自动化、无需人工辅助及手工操作的特点。
本公开实施例的目标图像,可以包括脑出血病人的脑部CT图像,病灶可以包括脑出血病人的脑部CT图像中的血肿区域,病灶扩大可能性可以包括血肿扩大的可能性,根据本公开实施例的脑出血病灶识别及血肿扩大预测方法得到的图像处理结果,医生可以对患者进行及时有效的针对性的治疗,提高患者预后,降低脑出血死亡率。当然,本公开实施例的目标图像还可以是其他病种的病人的脑部CT图像,对此,本公开实施例不做限定,本公开实施例的脑出血病灶识别及血肿扩大预测方法,可以对目标图像进行图像处理,得到目标图像中的病灶特征及病灶扩大可能性的预测结果,具有较高的准确性及较高的处理效率。
在一种可能的实施方式中,步骤S11对目标图像进行分割,得到病灶的区域掩膜,可以包括:
将所述目标图像输入分割神经网络,根据所述分割神经网络的输出结果得到具有所述病灶的区域掩膜。
在一个示例中,本公开实施例在对目标图像进行分割时,还可以得到病灶体积(如血肿体积)等参数。
请参阅图2,图2示出了根据本公开一实施例的分割神经网络的示意图。
在一个示例中,分割神经网络可以是基于U-net模型改进得到的。
在一个示例中,如图2所示,所述分割神经网络的网络结构可以包括收缩路径(左侧)和扩张路径(右侧)两部分。
在一个示例中,收缩路径遵循卷积网络的典型结构,它可以由两个3x3卷积(Conv)的重复应用组成,每个卷积后面有一个线性整流函数(ReLU)作为非线性激活函数和一个2x2最大池化(Maxpooling)操作。
在一个示例中,本公开实施例设置步长2用于下采样,在每个下采样步骤中,本公开实施例将特征通道的数量增加一倍。
在一个示例中,如图2所示,收缩路径包含四个层次的下采样,每个层次对应的输出特征图维度为:512*512*64->256*256*128->128*128*256->64*64*512->32*32*1024。
在一个示例中,如图2所示,扩展路径中的每一步包括特征映射的上采样,然后是2x2卷积(“上卷积”),该卷积将特征通道的数量减半,与收缩路径中相应裁剪的特征映射串联,以及两个3x3卷积,每个卷积后面是一个线性整流函数。
在一个示例中,如图2所示,在最后一层,使用1x1卷积从以前的512x512x64特征映射输出512x512x1映射,再通过softmax激活函数得到每个像素的二分类结果,也就是病灶区域分割结果(掩膜图像)。
在一个示例中,如图2所示,所述分割神经网络总共包括23个卷积层。
在一个示例中,所述分割神经网络通过训练图像进行训练,所述训练图像为包括所述病灶的脑部CT图像。
在一个示例中,在进行训练时,本公开实施例可以从多个数据中心获取多张训练图像,并对多张训练图像进行数据增强(随机裁剪、高斯模糊、旋转、翻转、平移、放大、缩小等常用的仿射变换)以提高模型的泛化性能,降低过拟合。然而,本公开实施例可以对训练图像进行标注,例如进行病灶轮廓的标注,病灶扩大可能性的标注,本公开实施例对标注的具体实现方式不做限定,可以是人工标注,也可以是机器标注。在一个示例中,本公开实施例可以将训练图像按照预设比例划分为训练图像集、验证图像集、测试图像集,以对初始分割神经网络进行训练,得到所述分割神经网络。
在一个示例中,在对初始分割神经网络进行训练时,本公开实施例可以包括如下步骤:
将所述训练图像集中的训练图像输入所述初始分割神经网络,以实现对所述初始分割神经网络的训练,得到训练后的初始分割神经网络;
将所述验证图像集中的训练图像输入训练后的初始分割神经网络以对预测结果进行验证,实现对训练后的初始分割网络的超参数的调整及模型能力的评估;
将所述测试集中的训练图像输入经验证评估后的初始分割神经网络以评估模型的泛化能力,并将评估结果符合预设条件的初始分割网络作为所述分割神经网络。
当然,本公开实施例对分割神经网络的具体训练过程不做限定,本领域技术人员可以参考相关技术实现。
在一个示例中,所述分割神经网络可以采用戴斯损失作为损失函数,采用Adam优化算法就行训练,学习率设置可以为0.001。
在一个示例中,在对分割神经网络进行训练时,本公开实施例的Batch-Size可以设置为16,可以训练100个epoch。
在一个示例中,在训练过程中,本公开实施例可以利用图像处理器GPU、人工智能处理器或各种专用神经网络加速器进行并行训练计算。
在训练完成后,本公开实施例可以将目标图像输入到分割神经网络中,以实现对病灶区域的分割,以确定所述目标图像是否包括该病灶,当进行脑出血判断时,本公开实施例可以通过将目标图像输入到分割神经网络,以判断目标图像是否出现脑出血,具有较高的准确性及高效性。
在一种可能的实施方式中,步骤S12根据所述目标图像及所述病灶的区域掩膜,提取所述病灶的影像组学特征,可以包括:
结合所述病灶的区域掩膜对所述目标图像进行滤波;
根据滤波结果提取所述影像组学特征。
在一个示例中,本公开实施例可以采用拉普拉斯高斯图像滤波、小波变换图像滤波等多种滤波方式实现对所述目标图像的滤波,对于具体的滤波方式,本公开实施例不做限定。
在一个示例中,本公开可以根据滤波结果提取一阶统计特征、脑血肿区域基于形状的特征、灰度级空间相关特性和灰度游程特征、灰度区域尺寸矩阵特征等影像组学特征,例如可以共计1379维特征向量。
在一个示例中,一阶统计特征可以是提取像素密度分布的特征;
在一个示例中,基于形状的特征可以是提取感兴趣区域3D形状分析特征;
在一个示例中,灰度级空间相关特性特征可以是探索图像中灰度的空间相关特性以描述纹理特征;
在一个示例中,灰度游程特征可以是通过在特定方向上某特定灰度值的像素个数来描述纹理特征;
在一个示例中,灰度区域尺寸矩阵特征可以是通过计算统计图像特定区域中相连的某特定灰度值的像素个数来描述纹理特征。
在一种可能的实施方式中,在对所述目标图像进行滤波之前步骤S12根据所述目标图像及所述病灶的区域掩膜,提取所述病灶的影像组学特征,还可以包括:
对所述目标图像的各个像素的像素值进行预处理,所述预处理包括:
将小于第一预设像素值的像素的像素值设置为所述第一预设像素值,
将大于第二预设像素值的像素的像素值设置为所述第二预设像素值,
其中,所述第二预设像素值大于所述第一预设像素值。
通过以上方法,本公开实施例将小于第一预设像素值的像素的像素值设置为所述第一预设像素值,将大于第二预设像素值的像素的像素值设置为所述第二预设像素值,可以实现对目标图像的预处理,以降低目标图像中无关部分的干扰,例如,可以剔除头骨等与与脑血肿无关的部分,只保留脑组织区域,从而提高预测的准确性。
在一个示例中,本公开实施例的第一预设像素值可以为0,本公开实施例的第二预设像素值可以为100,像素值低于0的像素将被置为0,像素值大于100的像素将被置为100。
在一种可能的实施方式中,步骤S13根据所述影像组学特征得到所述目标图像中病灶扩大可能性的预测结果,包括:
将所述影像组学特征输入分类模型,根据所述分类模型的输出得到所述目标图像中病灶扩大可能性的预测结果。
在一个示例中,所述分类模型可以包括基于决策树的梯度提升分类器。
本公开实施例利用影像组学特征及梯度提升分类器实现病灶扩大可能性的预测,具有运算成本低的特点,对硬件资源要求较低,相较于通过卷积神经网络提取特征的方式,及利用其他模型(如多层感知机)来实现预测的方式,本公开实施例对执行运算的硬件资源要求较低,且不需要大量的标注数据,也不需要复杂的训练过程。当然,其他实施例也可以利用卷积神经网络提取特征以替代影像组学特征,并通过其他模型实现预测,对此,本公开实施例不做限定。
通过以上方法,本公开实施例可以快速、准确地预测血肿扩大概率,准确识别血肿扩大高危患者,及时进行针对性靶向治疗,降低血肿扩大,改善患者预后,具有重大的临床意义。
请参阅图3,图3示出了根据本公开实施例的脑出血病灶识别及血肿扩大预测方法的流程图。
在一种可能的实施方式中,如图3所示,所述方法还包括:
步骤S21对所述目标图像的病灶进行分类,确定所述病灶的类别。
在一个示例中,若目标图像为脑出血患者的脑部CT图像,根据出血位置,则病灶的类别即脑出血可以分为脑实质内出血、脑室内出血、蛛网膜下腔出血、硬膜下出血以及硬膜外出血这五种类型,而相关技术对于脑出血的类型诊断准确性较低,本公开实施例对所述目标图像的病灶进行分类,确定所述病灶的类别,具有较高的准确性。
在一种可能的实施方式中,步骤S21对所述目标图像的病灶进行分类,确定所述病灶的类别,可以包括:
将包括所述病灶的目标图像输入分类神经网络,根据所述分类神经网络的输出得到所述病灶的类别。
请参阅图4,图4示出了根据本公开一实施例的分类神经网络的示意图。
在一个示例中,如图4所示,所述分类神经网络可以是基于DenseNet的多标签分类模型,该模型输入为根据步骤S11确认存在病灶(如存在血肿)的脑部CT图像,当将所述目标图像输入到分类神经网络时,分类神经网络可以输出一个5维的类别标签向量,每个维度代表着所述病灶区域属于5种类型的概率。
在一个示例中,所述分类神经网络可以为密集连接的深度残差网络,是有多个DenseBlock联结构成,如图4所示,所述分类神经网络通过在卷积神经网络层任意两层之间引入直通连接,加强了特征传递和特征复用,避免了梯度消失问题并显著减少了参数数量,提高了分类的准确性。
在一个示例中,在所述分类神经网络的最后一层,本公开实施例采用尺寸为5的全连接层,激活函数采用sigmoid,将5维输出的每一维都映射到[0,1]之间,每一维度分别表征病人具有该类型出血的概率,以实现对病灶类型的分类。
在一种可能的实施方式中,如图3所示,所述方法还可以包括:
步骤S22,获取所述目标图像的来源用户的多个预设参数;
步骤S23,根据所述预测结果及所述多个预设参数得到所述病灶扩大可能性的评分。
本公开实施例可以获取所述目标图像的来源用户的多个预设参数,根据所述预测结果及所述多个预设参数得到所述病灶扩大可能性的评分,以进一步提高病灶扩大可能性预测的准确性。
在一个示例中,所述预设参数可以包括患者的年龄、性别、BMI指数、高血压史、吸烟史、饮酒史、中风史、降压药服用史、抗凝剂治疗史、发作到CT时间、舒张压、收缩压、NIHHS指数等多项临床变量。这些临床变量通常会影响或者决定病人的病情发展,因此本公开实施例将基于根据影像组学特征得到的病灶扩大可能性的预测结果同这些临床变量进行融合,进一步提升血肿扩大预测的准确性。
在一种可能的实施方式中,步骤S23根据所述预测结果及所述多个预设参数得到所述病灶扩大可能性的评分,可以包括:
计算各个预设参数的第一p值;
将所述预测结果及一个或多个第一预设参数输入多元逻辑回归模型,得到每个所述第一预设参数的目标参数,所述目标参数包括beta系数、第二p值,所述第一预设参数为第一p值小于预设值的预设参数;
将第二p值小于所述预设值的第一预设参数输入到所述多元逻辑回归模型,直到每个第一预设参数的第二p值均小于所述预设值;
利用第二p值均小于所述预设值的一个或多个第二预设参数及评分模型得到所述病灶扩大可能性的评分,
其中,所述评分模型基于各个预设参数的beta系数建立。
在一个示例中,所述预设值例如可以为0.05,当各个预设参数的p值小于0.05时,可以认为各个预设参数具有重要意义,会产生重要影响,而当预设参数的p值大于0.05时,可以认为这些预设参数的影响较小,例如p值小于0.05的临床变量在血肿扩大组和血肿未扩大组之间存在显著差异,可以用于对扩大/非扩大的分析判断。因此,本公开实施例将p值大于0.05的预设参数剔除,利用p值小于0.05的预设参数进行评分,可以提高评分的准确性。
在一个示例中,本公开实施例将p值小于0.05的预设参数及所述预测结果输入到一起输入到多元逻辑回归模型中,计算得到每个变量的beta系数,p值等,然后剔除掉p值>0.05的变量,把剩余的变量继续输入多元逻辑回归模型,直到剩下的变量p值全小于0.05,从而实现对病灶扩大可能性的评分。
在一个示例中,假设在初次筛选中,降压药服用史、抗凝剂服用史、发作至CT时间、收缩压、扩张压、GCS指数、NIHHS指数、INR八个临床变量的p值小于0.05,因此降压药服用史、抗凝剂服用史、发作至CT时间、收缩压、扩张压、GCS指数、NIHHS指数、INR八个临床变量被筛选保留下来。
在一个示例中,本公开实施例将降压药服用史、抗凝剂服用史、发作至CT时间、收缩压、扩张压、GCS指数、NIHHS指数、INR八个临床变量及所述预测结果一起输入到多元逻辑回归模型中,计算得到每个变量的beta系数,p值等。然后剔除掉p值>0.05的变量,把剩余的变量继续输入多元逻辑回归模型,直到剩下的变量p值全小于0.05,假设最终所述预测结果、降压药服用史、NIHHS指数、发作到CT时间四个变量的p值小于0.05,因此,所述预测结果、降压药服用史、NIHHS指数、发作到CT时间四个变量最终用于进行病灶扩大可能性的评分,例如,假设评分模型基于表1实现。
表1
如表1所示,该评分系统经过分析处理,确定为发作到CT的时间短(时间小于3.5h的评分为1)、NIHHS指数大(指数大于等于12的分数值为1)、没有降压治疗(否分段对应的分数值为1),血肿扩大预测模型输出的预测概率大(概率大于0.6的分数为2),因此,根据评分结果可以确定目标图像的病灶扩大的特征较为明显,若对应血肿判断,可以确定血肿扩大风险较高,并给出了具体对应分数。运用该打分系统,本公开实施例可以快速根据临床变量以及血肿扩大预测模型的输出,对患者进行0-5分的血肿扩大评价。在一个示例中,当所述评分模型对预测结果(病灶扩大)打3分或者3分以上,可以输出提示信息提示患者为高危的血肿扩大患者,并可以给出对应的处理方案,例如给予相应的临床监护及靶向治疗。
本公开实施例可以精确地对脑出血患者CT影像进行血肿区域分割,从而可以快速获取血肿体积以及方便对血肿区域进行进一步的分析处理。
本公开实施例可以快速、准确地预测血肿扩大概率,准确识别血肿扩大高危患者,同时本公开实施例提出的打分系统可以帮助医生对病人血肿扩大风险进行快速评估,及时进行针对性靶向治疗,降低血肿扩大,改善患者预后,具有重大的临床意义。
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。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
请参阅图5,图5示出了根据本公开一实施例的脑出血病灶识别及血肿扩大预测装置的框图。
如图5所示,所述装置包括:
分割模块10,用于对目标图像进行分割,得到病灶的区域掩膜,其中,所述目标图像包括脑部CT图像;
提取模块20,用于根据所述目标图像及所述病灶的区域掩膜,提取所述病灶的影像组学特征;
预测模块30,用于根据所述影像组学特征得到所述目标图像中病灶扩大可能性的预测结果。
本公开实施例通过对目标图像进行分割,得到病灶的区域掩膜,根据所述目标图像及所述病灶的区域掩膜,提取所述病灶的影像组学特征,根据所述影像组学特征得到所述目标图像中病灶扩大可能性的预测结果,可以快速、准确地识别病灶,并确定病灶扩大的可能性,且具有自动化、无需人工辅助及手工操作的特点。
在一种可能的实施方式中,所述对目标图像进行分割,得到病灶的区域掩膜,包括:
将所述目标图像输入分割神经网络,根据所述分割神经网络的输出结果得到具有所述病灶的区域掩膜。
在一种可能的实施方式中,所述根据所述目标图像及所述病灶的区域掩膜,提取所述病灶的影像组学特征,包括:
结合所述病灶的区域掩膜对所述目标图像进行滤波;
根据滤波结果提取所述影像组学特征。
在一种可能的实施方式中,在对所述目标图像进行滤波之前,所述提取模块还用于:
对所述目标图像的各个像素的像素值进行预处理,所述预处理包括:
将小于第一预设像素值的像素的像素值设置为所述第一预设像素值,
将大于第二预设像素值的像素的像素值设置为所述第二预设像素值,
其中,所述第二预设像素值大于所述第一预设像素值。
在一种可能的实施方式中,所述根据所述影像组学特征得到所述目标图像中病灶扩大可能性的预测结果,包括:
将所述影像组学特征输入分类模型,根据所述分类模型的输出得到所述目标图像中病灶扩大可能性的预测结果。
在一种可能的实施方式中,所述装置还包括:
分类模块,用于对所述目标图像的病灶进行分类,确定所述病灶的类别。
在一种可能的实施方式中,所述对所述目标图像的病灶进行分类,确定所述病灶的类别,包括:
将包括所述病灶的目标图像输入分类神经网络,根据所述分类神经网络的输出得到所述病灶的类别。
在一种可能的实施方式中,所述装置还包括:
获取所述目标图像的来源用户的多个预设参数;
评分模块,用于根据所述预测结果及所述多个预设参数得到所述病灶扩大可能性的评分。
在一种可能的实施方式中,所述根据所述预测结果及所述多个预设参数得到所述病灶扩大可能性的评分,包括:
计算各个预设参数的第一p值;
将所述预测结果及一个或多个第一预设参数输入多元逻辑回归模型,得到每个所述第一预设参数的目标参数,所述目标参数包括beta系数、第二p值,所述第一预设参数为第一p值小于预设值的预设参数;
将第二p值小于所述预设值的第一预设参数输入到所述多元逻辑回归模型,直到每个第一预设参数的第二p值均小于所述预设值;
利用第二p值均小于所述预设值的一个或多个第二预设参数及评分模型得到所述病灶扩大可能性的评分,
其中,所述评分模型基于各个预设参数的beta系数建立。
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调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出了根据本公开一实施例的一种电子设备的框图。
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6,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,如互补金属氧化物半导体(CMOS)或电荷耦合装置(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方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),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7示出了根据本公开一实施例的一种电子设备的框图。
例如,电子设备1900可以被提供为一服务器。参照图7,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,一个有线或无线网络接口1950被配置为将电子设备1900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,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(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)、或者通过电线传输的电信号。
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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
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的技术的改进,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。