用于在图像分析中进行解剖结构分割的系统和方法与流程

文档编号:20167390
研发日期:2020/3/24

相关申请

本申请要求2017年5月9日提交的美国临时申请号62/503,838的优先权,所述专利申请的公开内容以引用的方式整体并入本文。

本公开的各种实施方案总体上涉及医学成像和相关的方法。具体来说,本公开的特定实施方案涉及用于在图像分析中进行解剖结构分割的系统和方法。



背景技术:

将图像分为多个部分的问题常常发生在计算机视觉和医学图像分析中。当前使用的方法是使用卷积神经网络(cnn)使这一过程自动化,所述cnn被训练来预测每个图像元素(例如像素或体素)的类别标签。cnn通常包括多个卷积层,这些卷积层使输入(例如,图像或图像的一部分)通过一组能够学习的滤波器和非线性激活函数。卷积运算的使用使cnn与平移等变。例如,输入的平移版本可导致预测的分割标签的按比例平移的版本。具有不同跨度的卷积的层的集合可使cnn能够根据局部、短程统计信息在图像中表达远程交互。

然而,当前cnn的分割边界可精确到图像元素(例如,像素或体素)的水平。在许多成像应用中,将分割边界放置在像素或体素位置处可能会引入量化误差。在一些情况下,可能已知(例如,先验地)感兴趣的结构不包含孔并且可作为一个已连接分量存在。但是,这些假设可能未整合到cnn中,使得预测的标签可能在分割的对象中具有虚假的分量和孔。因此,需要构建诸如cnn的模型,所述模型可实现亚像素或亚体素精确分割并且可预测没有孔或断开的结构的单个已连接分量的标签。

本公开涉及克服一个或多个上述问题或关注事项。



技术实现要素:

根据本公开的某些方面,公开了用于在图像分析中进行解剖结构分割的系统和方法。一种在图像分析中进行解剖结构分割的方法包括:接收用于一个或多个图像中的解剖结构的注释和多个关键点;计算从多个关键点到解剖结构的边界的距离;使用一个或多个图像中的数据以及计算出的距离对模型进行训练,以用于预测患者解剖结构的图像中的解剖结构中的边界;接收包括解剖结构的患者解剖结构的图像;估算患者解剖结构的图像中的解剖结构中的分割边界;以及使用经过训练的模型,通过生成从患者解剖结构的图像中的解剖结构中的关键点到估算边界的距离的回归来预测患者解剖结构的图像中的解剖结构中的边界位置。

根据另一个实施方案,公开一种用于在图像分析中进行解剖结构分割的系统。系统包括:数据存储装置,所述数据存储装置存储用于在图像分析中进行解剖结构分割的指令;以及处理器,所述处理器被配置来执行指令以进行包括以下步骤的方法:接收用于一个或多个图像中的解剖结构的注释和多个关键点;计算从多个关键点到解剖结构的边界的距离;使用一个或多个图像中的数据以及计算出的距离对模型进行训练,以用于预测患者解剖结构的图像中的解剖结构的边界;接收包括解剖结构的患者解剖结构的图像;估算患者解剖结构的图像中的解剖结构中的分割边界;以及使用经过训练的模型,通过生成从患者解剖结构的图像中的解剖结构中的关键点到估算边界的距离的回归来预测患者解剖结构的图像中的解剖结构中的边界位置。

根据另一个实施方案,提供一种用于在计算机系统上使用的非暂时性计算机可读介质,所述非暂时性计算机可读介质包含用于执行在图像分析中进行解剖结构分割的方法的计算机可执行编程指令。方法包括:接收用于一个或多个图像中的解剖结构的注释和多个关键点;计算从多个关键点到解剖结构的边界的距离;使用一个或多个图像中的数据以及计算出的距离对模型进行训练,以用于预测患者解剖结构的图像中的解剖结构的边界;接收包括解剖结构的患者解剖结构的图像;估算患者解剖结构的图像中的解剖结构中的分割边界;以及使用经过训练的模型,通过生成从患者解剖结构的图像中的解剖结构中的关键点到估算边界的距离的回归来预测患者解剖结构的图像中的解剖结构中的边界位置。

所公开实施方案的附加目标和优点部分地将在以下描述中阐述,并且部分地将通过描述显而易见,或者可通过实践所公开实施方案来习得。所公开实施方案的目标和优点将借助于所附权利要求中特别指出的元素和组合来实现和获得。

应当理解,前述一般性描述和以下详细描述两者均仅为示例性和说明性的,并且不限制要求保护的所公开实施方案。

附图说明

并入本说明书中并且构成本说明书的一部分的附图示出各种示例性实施方案并且连同描述一起用于解释所公开实施方案的原理。

图1是根据本公开的示例性实施方案的用于在图像分析中进行解剖结构分割的示例性系统和网络的框图。

图2a和图2b是根据本公开的示例性实施方案的用于在图像分析中进行解剖结构分割的示例性方法的流程图。

图3a和图3b是根据本公开的示例性实施方案的图2a和图2b的方法在应用于冠状动脉分割时的示例性实施方案的流程图。

具体实施方式

现在将详细参照本公开的示例性实施方案,所述实施方案的示例在附图中示出。在任何可能的情况下,在全部附图中将使用相同的附图标号来指代相同或相似的部分。

如上所述,由当前方法确定的分割边界的精度可能限于图像元素,例如像素或体素。在这些情况下,将分割边界放置在体素位置处可能会引入误差。在一些情况下,当前的预测模型可能未考虑某些假设,诸如感兴趣的结构不包含孔或断开的结构。因此,需要建立可以亚像素或亚体素精度来预测分割边界的模型且/或确保将重要假设整合到模型中。

本公开涉及提供对分割边界位置的准确预测。在一个实施方案中,本公开可包括训练阶段和测试(或使用)阶段两者以估算分割边界。在训练阶段期间可优化用于开发经过训练的模型的学习系统的一个或多个参数。在测试阶段期间,可使用经过训练的模型来分割未看见或看见的图像。

例如,所公开的系统和方法可应用于分割感兴趣的患者的(多个)所接收图像中的解剖结构并在亚像素或亚体素水平上确定感兴趣的结构的边界。如本文所用,结构的边界可包括结构的一部分的边界。在一个实施方案中,训练阶段可包括开发模型,以用于预测从感兴趣的结构中的关键点到感兴趣的结构或其部分的边界的距离。例如,训练阶段可包括:接收感兴趣的结构中具有已知位置的多个关键点,以及计算从关键点到感兴趣的结构或其部分的边界的距离(例如,基于已知位置)的。然后,可基于关键点的位置、计算出的距离和/或所接收图像中的数据来训练模型(例如,cnn模型)。经过训练的模型可对样本距离进行回归或预测样本距离的间接表示。来自经过训练的模型的回归可为连续值,从而允许基于回归距离以亚像素或亚体素精度来预测边界位置。

在一个实施方案中,测试阶段可包括接收患者解剖结构的图像。患者可为感兴趣的患者,例如希望进行诊断测试的患者。测试阶段可包括:基于患者解剖结构的一个或多个图像来估算感兴趣的结构的边界,以及通过使用从训练阶段中开发的模型对感兴趣的结构中的关键点到估算边界的距离进行回归来预测边界位置。

如本文所用,在“示例”而非“理想”的意义上使用术语“示例性”。尽管此示例性实施方案是在医学图像分析的背景下撰写的,但是本公开同样可应用于任何非医学图像分析或计算机视觉评估。

现在参考附图,图1描绘了用于在图像分析中进行解剖结构分割的系统和网络的示例性环境的框图。具体来说,图1示出了多个医生102和第三方提供者104,他们中的任何一个可通过一个或多个计算机、服务器和/或掌上型移动装置连接到电子网络100,诸如因特网。医生102和/或第三方提供者104可创建或以其他方式获得一个或多个患者的心脏、血管和/或器官系统的图像。医生102和/或第三方提供者104还可获得诸如年龄、病史、血压、血液粘度等患者特定信息的任意组合。医生102和/或第三方提供者104可通过电子网络100将心脏/血管/器官图像和/或患者特定信息发送到服务器系统106。服务器系统106可包括用于存储从医生102和/或第三方提供者104接收的图像和数据的存储装置。服务器系统106还可包括用于处理存储在存储装置中的图像和数据的处理装置。可替代地或另外,可在没有外部服务器或网络的本地处理装置(例如,膝上型计算机)上执行本公开的解剖结构分割(或本公开的系统和方法的部分)。

图2a和图2b描述了用于使用学习系统执行解剖结构分割的示例性方法。图3a和图3b涉及图2a和图2b中讨论的方法的具体实施方案或应用。例如,图3a和图3b描述了用于使用学习系统进行血管分割的实施方案。所有方法都可由服务器系统106基于通过电子网络100从医生102和/或第三方提供者104接收的信息、图像和数据来执行。

图2a和图2b描述了用于在图像分析中进行解剖结构分割的示例性方法。在一个实施方案中,解剖结构分割可包括两个阶段:训练阶段和测试阶段。训练阶段可包括训练学习系统(例如,深度学习系统)来以亚像素或亚体素精度预测感兴趣的结构或其部分的边界位置。测试阶段可包括预测感兴趣的结构或其部分在新接收的图像中的边界位置。

图2a是根据各种实施方案的用于训练学习系统(例如,深度学习系统)来预测边界位置的示例性训练阶段方法200的流程图。方法200可为图2b的方法210中的测试阶段提供基础,所述方法210用于特定患者的感兴趣的成像结构的解剖结构分割。方法200可包括图2a中所示的步骤201-207中的一个或多个。在一些实施方案中,方法200可包括:重复步骤201-207中的一个或多个,例如,重复步骤201至207一次或多次。

在一些实施方案中,方法200的步骤201可包括在电子存储介质(例如,硬盘驱动器、网络驱动器、云驱动器、移动电话、平板电脑、数据库等)中接收一个或多个图像和/或图像数据。在医学背景下,这些图像可来自医疗成像装置,例如计算机断层摄影(ct)、正电子发射断层摄影(pet)、单光子发射计算机断层摄影(spect)、磁共振成像(mri)、显微镜、超声、(多视图)血管造影术等。在一个实施方案中,可使用单个患者的多个图像。在另一个实施方案中,这些图像可包括患者解剖结构的结构。在其他实施方案中,图像可为具有相似解剖特征的众多个体或具有不同解剖特征的众多个体。在非医学背景下,这些图像可来自任何来源,例如相机、卫星、雷达、激光雷达、声纳、望远镜、显微镜等。在以下公开中,在步骤201中接收的图像可称为“训练图像。”

在一些实施方案中,步骤202可包括接收用于训练图像中的一个或多个中的一个或多个感兴趣的结构的注释。在一些情况下,训练图像中的一个或多个可包括感兴趣的结构,例如患者的解剖结构。在一个示例中,所有训练图像都可包括感兴趣的结构。在一个实施方案中,所有训练图像都可带有注释。这种类型的实施方案可被称为“监督学习”。另一个实施方案可仅有训练图像的子集带有注释。这种类型的情形可被称为“半监督学习”。在一个实施方案中,感兴趣的结构可包括患者的血管或组织。在这种情况下,注释可包括血管名称的标签(例如,右冠状动脉(rca)、左前降支动脉(lad)、左旋支动脉(lcx)等)、血管界标(例如,主动脉瓣点、口孔、分叉等)、估算的血管位置、标记(例如,成像模糊或边界不清晰的标注部分)等。在一些实施方案中,注释可采用各种格式,包括但不限于网格、体素、隐式表面表示或点云。

在一些实施方案中,步骤203可包括接收感兴趣的结构中的多个关键点。可能已知关键点在感兴趣的结构中的位置(例如,基于用于感兴趣的结构的注释和/或所接收图像中的数据)。例如,可能已知关键点中的一个或多个是在感兴趣的结构内部、在感兴趣的结构的边界上,或靠近感兴趣的结构的边界。在一些实施方案中,通过将形状模型拟合到感兴趣的结构,可确定感兴趣的结构的边界位置(例如,粗略的边界位置)和/或关键点的位置,且/或可检索感兴趣的结构中具有已知位置的关键点。

在一些实施方案中,步骤204可包括定义从训练图像中的图像坐标到欧几里得空间的映射。图像坐标可为连续的。图像坐标可为感兴趣的3d结构和/或射线的交点。图像坐标可在欧几里得空间中的射线中。射线中的每一条上可能有步骤203中接收的关键点中的一个。

在一个实施方案中,可能已知给定的关键点是在感兴趣的结构内部。在这种情形中,步骤204可包括以极坐标形式制定映射,其中给定的关键点位于中心。在此设定下,可选择沿着从关键点开始的在等角方向上的等长射线的图像坐标。

作为另一种情形,步骤204中的映射可包括从多个极坐标维度到欧几里得空间的映射。例如,有可能从球坐标系中采样以对感兴趣的结构(例如,感兴趣的三维(3d)结构)进行参数化。在此实施方案中,两个循环维度可映射到由沿着射线的距离和与两个循环维度相关联的两个维度给定的三个欧几里得维度。

作为另一种情形,步骤204中的映射可包括从一个维度的极坐标形式和一个或多个附加维度的线性形式到欧几里得空间的映射。例如,管状结构可由一系列闭合曲线上的界标点表示。闭合曲线然后可以极坐标形式表示,而沿着管的方向可为线性的。因此,这种映射可相当于三维欧几里得空间,其中第一维度表示沿着采样射线的距离,第二维度表示循环维度,并且第三维度表示沿着管的线性维度。

在一个实施方案中,在步骤203中可接收靠近图像表面的一组关键点。例如,所述一组关键点可沿着给定的3d网格或3d隐式表示上的一组闭合曲线布置。然后,步骤204可包括定义一组等长射线,所述等长射线各自包括关键点并且方向垂直于3d网格,并且细化感兴趣的结构的边界可。然后,当在步骤204中映射到欧几里得空间时,沿着所定义的射线的距离可代表欧几里得维度中的一个,而闭合曲线上的关键点可表示第二维度。

在一些实施方案中,步骤205可包括:对于在步骤204中映射的每条射线,计算从射线上的关键点到感兴趣的结构的边界的距离。计算出的距离可为学习系统的目标值。

在一些实施方案中,步骤206可包括:对于每个目标值,确定沿着步骤204中所定义的射线的图像强度。所定义的射线与射线上的关键点相关联,因此与目标值相关联。步骤206还可包括确保与目标值相关联的射线位于固定位置。例如,与第一目标值相关联的第一射线可位于固定的第一位置。与其他目标值关联的其他射线可具有相对于第一射线的坐标,因此这些其他射线的位置也可基于第一射线的位置是固定的。在一个实施方案中,目标值距离中的每一个的输入可为彼此的循环变换。

在一些实施方案中,步骤207可包括对模型(例如,cnn模型)进行训练,以用于预测感兴趣的结构在新接收的图像中的分割边界位置。例如,可训练模型来预测从关键点到感兴趣的结构的分割边界的距离。在一个实施方案中,可对模型进行训练,以用于对距离进行回归。回归值可为连续的,因此可以亚像素或亚体素精度来预测边界位置。在某些实施方案中,可对模型进行训练,以用于预测距离的间接表示。例如,模型可将射线量化成多个分格且/或可预测表示距离的分格。

图2b是根据本公开的示例性实施方案的示例性测试阶段(或使用阶段)方法210的框图,所述方法210用于预测特定患者图像中的感兴趣的结构的分割边界。方法210可包括步骤211-215中的一个或多个。在一个实施方案中,可使用经过训练的模型(例如,来自方法200)来预测分割边界。

在一些实施方案中,步骤211可包括在电子存储介质(例如,硬盘驱动器、网络驱动器、云驱动器、移动电话、平板电脑、数据库等)中从患者接收一个或多个图像。在一个实施方案中,图像可包括医学图像,例如,图像可来自任何医学成像装置,例如ct、mr、spect、pet、显微镜、超声、(多视图)血管造影术等。在一个实施方案中,(例如,方法200的)训练图像可包括从一个患者获取的图像,并且步骤211可包括也从这个患者接收图像。可替代地或另外,步骤211可包括从非医学成像装置(例如,照相机、卫星、雷达、激光雷达、声纳、望远镜、显微镜等)接收一个或多个图像。在以下步骤中,在步骤211期间接收的图像可称为“测试图像”。

在一些实施方案中,步骤212可包括估算感兴趣的结构的分割边界,或者测试图像中的另一个对象(例如,不同于感兴趣的结构的对象)的位置或边界。估算边界或另一个对象的位置或边界可用于初始化自动分割系统(例如,中心线)。可从此初始部分中检索一组关键点。在一个实施方案中,所述一组关键点可包括在感兴趣的结构内部的关键点。

在一些实施方案中,步骤213可包括定义从测试图像中的图像坐标到欧几里得空间的映射。图像坐标可为连续的。图像坐标可在欧几里得空间中的射线中。射线中的每一条上可能有一个关键点(例如,在步骤202中检索到的关键点中的一个)可包括一个关键点。在一个实施方案中,这种映射的输入可类似于步骤204中的映射的输入。

在一些实施方案中,步骤214可包括使用由方法200训练的模型来预测感兴趣的结构中的边界。在一个实施方案中,预测可包括:对从步骤213中所定义的射线上的关键点到估算边界的距离进行回归。在一些情况下,回归值可为连续的,因此可以亚像素或亚体素精度来预测边界。在一个实施方案中,步骤214还可包括从预测边界(例如,边界点云)获得表面。可使用诸如泊松(poisson)表面重构的表面重构方法获得表面。

在一些实施方案中,步骤215可包括将感兴趣的结构的预测边界(例如,完整的分割边界)输出到电子存储介质(例如,硬盘、网络驱动器、云驱动器、移动电话、平板电脑、数据库等)。步骤215还可包括在接口上显示输出结果。

图3a和图3b涉及图2a和图2b中讨论的示例性方法的具体实施方案或应用。例如,图3a和图3b分别描述了用于在图像分析中分割冠状动脉的示例性训练阶段和测试阶段。

血管(例如冠状动脉)的患者特定分割的精度可能会影响医学评估,诸如血流模拟或血管几何特性的计算。如果分割的精度不够,例如,仅限于图像元素(例如,像素或体素)的水平,则医学评估可能会产生虚假结果。图3a和图3b示出了用于以亚像素或亚体素精度来分割冠状动脉的示例性方法。尽管本文的示例性方法中使用了冠状动脉,但图3a和图3b中所示的方法也可用于分割其他类型的血管或除血管以外的解剖结构。

图3a是根据各种实施方案的用于训练阶段的示例性方法300的流程图,所述方法300被设计来为冠状动脉的亚体素分割提供基础。方法300可包括图3a中所示的步骤301-308中的一个或多个。在一些实施方案中,方法200可包括重复步骤301-308中的一个或多个,例如,重复步骤301至308一次或多次。

在一些实施方案中,步骤301可包括在电子存储介质(例如,硬盘驱动器、网络驱动器、云驱动器、移动电话、平板电脑、数据库等)中接收冠状动脉的一个或多个图像。这些图像可来自医学成像装置,诸如ct、mr、spect、pet、超声、(多视图)血管造影术等。这些图像可称为“训练图像”。

在一些实施方案中,步骤302可包括接收用于训练图像中的一个或多个中的冠状动脉的注释。例如,注释可包括脉管腔边界和/或脉管腔中心线。在一个实施方案中,步骤303可包括接收或生成在所接收图像中表示的冠状血管的几何网格。可将几何网格指定为一组顶点和边。可替代地或另外,步骤303可包括接收冠状血管的中心线。中心线也可表示为可通过边缘连接起来的一组顶点。

在一些实施方案中,步骤303可包括将训练图像数据(例如,几何网格、顶点、边缘、中心线等)变换成曲线平面表示(cpr)。所述变换可允许简化血管分割过程。例如,可沿着中心线(例如,正交于中心线)提取一组平面(例如,框架)以构成3d体积。在一个实施方案中,3d体积可包括cpr,其中坐标系参考框架定义了两个维度,并且中心线长度定义了第三维度。在一个实施方案中,曲线平面表示可消除可能与预测冠状血管的一个或多个参数无关的自由度(例如,中心线的曲率)。例如,中心线的曲率可能与确定与冠状血管的腔边界的位置有关的参数无关。

在一些实施方案中,步骤304可包括基于图像数据来定义关键点。例如,步骤304可包括将冠状动脉的中心线上的点定义为关键点。可假设这样定义的关键点是在血管内部。这些关键点可能不一定居中。但是在一些情况下,这些关键点可能根据构造位于每个框架的中心。

在一些实施方案中,步骤305可包括:对于每个框架,定义从测试图像中的图像坐标到欧几里得空间的映射。在一个实施方案中,可使用框架内的极坐标采样来定义映射。在某些实施方案中,定义映射可包括确定在围绕步骤304中定义的关键点的一组角方向上的cpr强度值。可布置确定的cpr强度值,例如,使得径向坐标和角坐标映射到二维(2d)图像。例如,由框架的径向分量和角分量指定的一组离散样本可被映射到给径向分量和角分量编索引的2d图像的行和列。cpr强度值的每一行可被定义为径向坐标,并且cpr强度值的每一列可被定义为角坐标。

在一些实施方案中,步骤306可包括定义目标回归值。目标回归值可被定义为在每个角方向上从给定关键点到血管腔的边界的距离。在一个实施方案中,步骤306可包括定义在r个角方向上的目标回归值。例如,对于在r角方向上的给定目标距离值,可循环旋转在步骤305中创建的2d图像,使得与关联于给定目标回归值的r角方向相关联的列是第一列。例如,当预测所有r个目标值时,其中每个目标值与输入图像的不同列相关联,可循环旋转这些列。如果将图像旋转r列,则第r列成为第一列,并且可将用于预测第一列的目标值的相同模型应用于循环旋转后在第一列中的第r列的目标值。

在一些实施方案中,步骤307可包括对模型(例如,cnn模型)进行训练,以用于预测从给定关键点到血管腔的边界的距离。在一个实施方案中,经过训练的模型可预测从在步骤305中创建的2d图像中的每一个到相关联的目标距离值的映射。可指定损失函数以使预测距离与目标距离之间的均方误差最小化。如本文所用,损失函数可指定预测值与目标值之间的误差,并且损失函数是被优化以学习合适的模型参数的目标函数的组成部分。例如,损失函数可为均方误差,例如,预测值与目标值之间的差值的平方的均值。

图3b是根据一个实施方案的用于测试阶段的示例性方法310的框图,所述方法310可提供患者的血管(例如冠状动脉)的亚体素分割。在一些实施方案中,步骤311可包括在电子存储介质(例如,硬盘驱动器、网络驱动器、云驱动器、移动电话、平板电脑、数据库等)中接收患者的冠状动脉的图像数据。

在一些实施方案中,步骤312可包括接收使用例如中心线检测算法对血管的中心线的预测。在一个实施方案中,步骤312可包括将所接收图像或图像数据变换成cpr。所述变换可允许简化血管分割过程。例如,可沿着血管腔的中心线(例如,正交于中心线)提取一组平面(例如,框架)以构成3d体积(例如,cpr)。在一个实施方案中,3d体积可包括cpr,其中坐标系参考框架定义了两个维度,并且中心线长度定义了第三维度。可存储变换参数(例如,平移、缩放、旋转)。

在一些实施方案中,步骤313可包括将血管的中心线上的点定义为关键点。

在一些实施方案中,步骤314可包括:对于步骤312中定义的每个框架,定义患者图像中的图像坐标到欧几里得空间的映射。例如,可使用框架内的极坐标采样来定义映射。这个步骤可类似于方法300中的一个或多个步骤。

在一些实施方案中,步骤315可包括确定在围绕步骤313中定义的关键点的一组角方向上的cpr强度值。可布置确定的cpr强度值,使得径向坐标和角坐标映射到二维(2d)图像。可循环旋转2d图像,使得与关联于给定目标距离值的r角方向相关联的列是第一列。步骤315还可包括创建2d图像的(在r个角方向上)循环旋转后的版本。

在一些实施方案中,步骤316可包括使用在方法300中训练的模型来预测患者的冠状动脉的分割边界。在一个实施方案中,步骤316可包括预测在步骤315中创建的旋转后的图像中的每一个中与第一列相关联的距离,从而预测在cpr表示中的边界的界标点。在一个实施方案中,步骤316可包括生成患者的成像的冠状动脉的解剖模型。解剖模型可包括具有亚像素或亚体素精度的最终管腔分割。例如,步骤317可包括将预测的界标点从cpr表示变换到原始3d图像空间。可从cpr的创建确定沿着中心线的每个框架的取向和位置。例如,可在步骤312中确定并存储所述取向和位置。在一个实施方案中,可从cpr计算3d点,并且可将任何3d表面重建方法(例如,泊松表面重建)应用于界标点的点云以构建患者的冠状动脉的解剖模型或最终管腔分割。

在一些实施方案中,步骤317可包括将解剖模型和/或血管的完整分割边界输出到电子存储介质(例如,硬盘、网络驱动器、云驱动器、移动电话、平板电脑、数据库等)和/或显示器中。

在考虑本文所公开的发明的说明书和实践的情况下,本发明的其他实施方案对于本领域技术人员将是显而易见的。意图仅将本说明书和实施例认为是示例性的,其中本发明的真实范围和精神由所附权利要求来指示。

当前第1页1 2 3 
猜你喜欢
网友询问留言