一种脑卒中类型预测方法以及装置与流程

本发明涉及图像处理技术领域，具体而言，涉及一种脑卒中类型预测方法以及装置。

背景技术：

脑卒中(stroke)是脑中风的学名，是一种突然起病的脑血液循环障碍性疾病，又叫脑血管意外。其是指在脑血管疾病的病人，因各种诱发因素引起脑内动脉狭窄，闭塞或破裂，而造成急性脑血液循环障碍，临床上表现为一次性或永久性脑功能障碍的症状和体征。脑卒中分为缺血性脑卒中和出血性脑卒中。卒中在脑血管造影中的显示特征为脑动脉狭窄、闭塞或扭曲。

随着计算机技术以及临床诊断技术的不断发展与成熟，dicom(digitalimagingandcommunicationsinmedicine，医学数字成像和通信)被广泛应用于放射医疗，心血管成像以及放射诊疗诊断设备(x射线，ct，核磁共振，超声等)中，对脑卒中各个衡量指标的计算也越来越依赖dicom医学影像。临床上脑卒中的诊断主要依赖于人工标定mri图像数据或者ct图像影像数据，从而对疾病相关的衡量指标的进行测算(动脉的直径、是否有堵塞或者是否有扭曲、是否有出血部位等)，进而给出相应的治疗方案。

对于脑卒中患者来说，从发病到治疗的“时间窗”对降低死亡率、致残率至关重要。而卒中治疗的“时间窗”非常短，通常刚要在发病3小时或4.5小时之内开始，因此需要医院竭尽所能缩短中间环节，为病人争取救治时间。但是在对病人进行脑部血管造影到医生拿到dicom影像数据，两者之间时间差较大，再采用人工标定衡量指标，并通过人工判断衡量指标的方式来对脑卒中进行诊断，所耗时间过久，容易导致病情被拖延，且在诊断的时候需要经验丰富的医生，容易由于人为差异导致病情判断不准确。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种脑卒中模型建立方法以及装置，能够对脑卒中的各项衡量指标进行更迅速准确的标定。

第一方面，本发明实施例提供了一种脑卒中类型预测方法，包括：

获取多个脑卒中病人的脑部样本图像，并获取与每一张脑部样本图像对应的病灶信息；

根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型；

当获取脑部扫描图像后，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中：还包括：

获取脑部图像，并对脑部图像进行预处理，获取所述脑部样本图像。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中：所述对脑部图像进行预处理，具体包括：

对脑部图像进行筛选，去除没有病灶的脑部图像；

对去除没有病灶的脑部图像后，所剩余的脑部图像进行高斯滤波或者平滑滤波处理，去除噪音，获取去噪图像；

对所述去噪图像进行降维处理，获取脑部样本图像。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中：所述病灶信息包括：卒中类型以及病灶轮廓信息；

所述根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型，具体包括：

根据与每一张脑部样本图像对应的病灶轮廓信息，从所述脑部样本图像中提取脑部样本图像的纹理特征、颜色特征；

采用卷积神经网络的深度学习方法，对所述纹理特征以及颜色特征进行学习训练，建立卒中类型与纹理特征以及颜色特征之间的关联关系，生成脑卒中病灶信息数据模型。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中：所述使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测，具体包括：

对脑部扫描图像进行预处理，获取预处理后的脑部扫描图像；

使用超像素方法和网格法对脑部扫描图像进行分割，获取多张分割图像；

从每张所述分割图像中提取预设特征所对应的特征值；所述预设特征与所述脑卒中病灶信息数据模型中的特征一致；

使用每一张分割图像对应的特征值，作为脑卒中病灶信息数据模型的输入，获取模型输出，并根据模型输出确定卒中类型。

第二方面，本发明实施例还提供一种脑卒中类型预测装置，包括：

样本获取单元，用于获取多个脑卒中病人的脑部样本图像，并获取与每一张脑部样本图像对应的病灶信息；

机器学习单元，用于根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型；

卒中类型预测单元，用于在获取脑部扫描图像时，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中：还包括：图像预处理单元，其用于获取脑部图像，并对脑部图像进行预处理，获取所述脑部样本图像。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中：所述图像预处理单元，具体包括：

图像筛选模块，用于对脑部图像进行筛选，去除没有病灶的脑部图像；

去噪模块，用于对去除没有病灶的脑部图像后，所剩余的脑部图像进行高斯滤波或者平滑滤波处理，去除噪音，获取去噪图像；

降维模块，用于对所述去噪图像进行降维处理，获取脑部样本图像。

结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中：所述机器学习单元具体包括：

特征提取模块，用于根据与每一张脑部样本图像对应的病灶轮廓信息，从所述脑部样本图像中提取脑部样本图像的纹理特征、颜色特征；

深度学习模块，用于采用卷积神经网络的深度学习方法，对所述纹理特征以及颜色特征进行学习训练，建立卒中类型与纹理特征以及颜色特征之间的关联关系，生成脑卒中病灶信息数据模型；

其中，所述病灶信息包括：卒中类型以及病灶轮廓信息。

结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，其中：所述卒中类型预测单元，具体包括：

扫描图像预处理单元，用于对脑部扫描图像进行预处理，获取预处理后的脑部扫描图像；

图像分割模块，用于使用超像素方法和网格法对脑部扫描图像进行分割，获取多张分割图像；

特征值提取模块，用于从每张所述分割图像中提取预设特征所对应的特征值；所述预设特征与所述脑卒中病灶信息数据模型中的特征一致；

计算模块，用于使用每一张分割图像对应的特征值，作为脑卒中病灶信息数据模型的输入，获取模型输出，并根据模型输出确定卒中类型。

本发明实施例所提供的脑卒中类型预测方法以及装置，先获取多个脑卒中病人的脑部样本图像，并获取与每一张脑部样本图像对应的病灶信息；根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型；当获取到需要进行预测的病人的脑部扫描图像后，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测时。在这个过程中，预先采用大数据建立了脑卒中病灶信息模型，在判断的时候，只需要将病人的脑部扫描图像直接输入，使用该模型对脑部扫描图像进行运算，最终模型会输出响应的速度快，不易造成病情拖延；且这个过程不需要人为的参与，也不需要经验丰富的医生，减轻医生的医疗压力，同时，也不会由于人为差异导致病情判断不准确。

为使本发明的上述目的、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发明实施例的技术方案，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发明的某些实施例，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示出了本发明实施例所提供的一种脑卒中类型预测方法的流程图；

图2示出了本发明实施例所提供的脑卒中类型预测方法中，对图像进行预处理，获得脑部样本图像的方法流程图；

图3示出了本发明实施例所提供的脑卒中类型预测方法中，生成脑卒中病灶信息数据模型的方法流程图；

图4示出了本发明实施例所提供的脑卒中类型预测方法中，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测的方法流程图；

图5示出了本发明实施例所提供的一种脑卒中类型预测装置的结构示意图；

图6示出了本发明实施例所提供的另一种脑卒中类型预测装置的结构示意图；

图7示出了本发明实施例所提供的脑卒中类型预测装置中，机器学习单元的结构示意图；

图8示出了本发明实施例所提供的脑卒中类型预测装置中，机器学习单元的结构示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，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，都属于本发明保护的范围。

目前脑卒中在诊断的时候，主要依赖于人工识别mri图像或者ct图像，标定衡量指标，并通过人工判断恒聊指标的方式来对脑卒中的类型进行诊断，所耗时间过久，容易导致病情拖延；同时，诊断的时候需要经验丰富的医生，且由于人为差异导致病情判断不准确，基于此，本申请提供的一种脑卒中类型预测方法以及装置，能够对脑卒中的各项衡量指标进行更迅速准确的标定。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种脑卒中类型预测方法进行详细介绍。

参见图1所示，本发明实施例所提供的脑卒中类型预测方法包括：

s101：获取多个脑卒中病人的脑部样本图像，并获取与每一张脑部样本图像对应的病灶信息。

在具体实现的时候，脑卒中病人的脑部样本图像需要广泛大量的收集，例如以某个区域为脑部样本图像的收集地点，可以针对该区域内多个医院所就诊的病人进行针对性的收集。同时，脑部样本图像通常是从医院的医疗系统中直接导出，且仅仅针对已经确诊为脑卒中的病人，所收集的脑部样本图像也应当来源于不同的机器设备，脑卒中的脑部样本图像可以是ct(computedtomography，电子计算机断层扫描)图像，也可以是其他类型，例如核磁共振图像。数据分布要平均。

具体地，在收集脑部样本图像的时候，由于是广泛大量的收集，并不是所收集的到的每一张脑部图像中都包含有病灶位置，且图像在拍摄的时候，可能会存在一定的噪音。因此，需要对获取的图像进行预处理，预处理后得到的图像集，作为脑部样本图像。

参见图2所示，本发明实施例还提供一种对图像进行预处理，获得脑部样本图像的过程，包括：

s201：对脑部图像进行筛选，去除没有病灶图像。

具体地，由于每一个病人的脑部图像在成像时，通常都会形成多个成像，而且并不是每一张图像上都具有病灶部位，因此，所收集的脑部图像，需要先将没有包含病灶部位的剔除掉，所剩余的即为脑部样本图像。

s202：对去除没有病灶的脑部图像后，所剩余的脑部图像进行高斯滤波或者平滑滤波处理，去除噪音，获取去噪图像。

对脑部图像进行去噪处理，可以剔除例如床板等无关信息。

s203：对所述去噪图像进行降维处理，获取脑部样本图像。

其具体过程为：通过单幅图像数据的高维化，将单幅图像转化为高维空间中的数据集合，对其进行非线性降维，寻求其高维数据流形本征结构的一维表示向量,将其作为图像数据的特征表达向量。从而将高维图像识别问题转化为特征表达向量的识别问题,大大降低了计算的复杂程度,减少了冗余信息所造成的识别误差,提高了识别的精度。降维具有多种方式，可以采用基于特征值的非线性降维法lle(locallylinearembedding，局部线性嵌入)算法：

每一个数据点都可以由其近邻点的线性加权组合构造得到。

算法的主要步骤分为三步：

(1)寻找每个样本点的k个近邻点(k是一个预先给定的值)；

(2)由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；

(3)由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，定义一个误差函数。

将最终降维后的数据作为图像的机器训练的输入，即脑部样本图像。

在获取了脑部样本图像之后，需要获取与每一张脑部样本图像对应的病灶信息。具体地，病灶信息包括：1、卒中类型，即出血性脑卒中或者缺血性脑卒中，其作为后续机器学习中的分类数据。2、病灶的轮廓信息，其应当包含发生卒中的部位在图像中的具体位置，例如如果是出血性脑卒中，那么在脑部样本图像中应当是包含异于正常脑部图像的出血阴影，该阴影轮廓即为病灶的轮廓信息；如果是缺血性卒中，那么由于血液在脑部血管中形成血栓，血栓形成部位的血管，其形状和颜色等，在脑部样本图像中均应当是异于正常血管的，该血栓的轮廓，甚至是形成血栓的血管的轮廓就应当作为病灶轮廓信息。3、出血点位置信息，此信息仅仅针对出血性卒中而言，因此，如果卒中类型是缺血性卒中，那么与之对应的出血点位置信息为空。

s102：根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型。

在具体实现的时候，机器学习训练数据，一般包括：训练样本图像、测试样本图像。训练样本图像，具体用于进行模型的训练，而测试样本图像则是用于对训练出的模型进行验证，参数优化等。在本发明实施例中，其中的训练样本图像即为脑部图像样本。在具体利用机器学习方法对脑部样本图像进行特征描述的时候，会先进行脑部样本图像上相关特征的提取。

具体地，参见图3所示，本发明实施例还提供一种生成脑卒中病灶信息数据模型的具体方法，包括：

s301：根据与每一张脑部样本图像对应的病灶轮廓信息，从所述脑部样本图像中提取脑部样本图像的纹理特征、颜色特征。

在具体实现的时候，由于正常的脑部位置，与病灶位置在图像中的显示，从图像的纹理上和颜色上均有明显的差异，因此，在采用机器学习方法对脑部样本图像进行训练的时候，纹理特征和颜色特征作为训练数据。而由于已经获得了与每一张脑部样本图像对应的病灶病灶信息，即每一张脑部样本图像中的病灶位置已经标记出来，因此，可以直接从病灶所在的位置进行纹理特征的提取。

实际上在进行灶部位纹理特征以及颜色特征提取的时候，可以采用多种算法，例如采用尺度不变特征转换算法和完整局部二值模式算法提取病灶部位纹理特征。

具体地，颜色特征可以包括：颜色矩。颜色矩是一种有效的颜色特征，是利用线性代数中矩的概念，将图像中的颜色分布用其矩表示。利用颜色一阶矩(平均值average)、颜色二阶矩(方差variance)和颜色三阶矩(偏斜度skewness)来描述颜色分布。利用颜色矩进行图像描述无需量化图像特征。由于每个像素具有颜色空间的三个颜色通道，因此图像的颜色矩有9个分量来描述。

s302：采用卷积神经网络的深度学习方法，对所述纹理特征以及颜色特征进行学习训练，建立卒中类型与纹理特征以及颜色特征之间的关联关系，生成脑卒中病灶信息数据模型。

在具体实现的时候，机器训练的过程，实际上是已知结果(卒中类型)，并已知能够判断该结果的各种因素(纹理特征以及颜色特征)，去寻求各种因素权重的过程，因此，最终所形成的卒中病灶信息数据模型，实际上就是建立卒中类型以及纹理特征以及颜色特征中间的关联关系的过程。具体的，具体的，在获取到所有脑部样本图像所对应的纹理特征以及颜色特征之后，或将对应的特征值作为输入，采用尺寸不变的卷积核，进行多层卷积运算，最终衡量每一种特征的权重。

s103：当获取脑部扫描图像后，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测。

在具体实现的时候，由于已经得到了卒中病灶信息数据模型，因此，当再次获取病人的脑卒中图像(已经被判断为确实为卒中，或者并未有具体的判断)，因此，可以字节将脑部扫描图像输入，使用脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测，得到准确的卒中类型。

在具体实现的时候，实际上也是要对脑部扫描图像进行预处理的，预处理的过程实际上可以和在模型建立阶段对图像进行预处理的过程是类似的，即对脑部扫描图像进行高斯滤波或者平滑滤波处理，去除噪音，获取与脑部扫描图像对应的去噪图像，然后对与脑部扫描图像对应的去噪图像进行降维处理，获取预处理后的脑部扫描图像。

在获取预处理后的脑部扫描图像之后，还会对脑部扫描图像进行特诊提取，提取与之前建立的脑卒中病灶信息数据模型中所使用的相关特征对应的特征值。

在具体进行提取的时候，由于此时输入的是脑部的整张图像，而在模型建立过程中，是针对病灶位置，因此，需要先使用超像素方法和网格法对脑部扫描图像进行分割，获取多张分割图像，然后分别提取每一张分割图像中的相关特征值。然后将每一张分割图像对应的特征值代入到脑卒中病灶信息数据模型进行运算，最终能够根据脑卒中病灶信息数据模型的输出，确定卒中的发生位置，同时确定卒中的类型。需要注意的是，卒中发生的位置，要具体结合分割图像进行判断，即由于每一张分割图像均具有对应的身份标识，却在整个的脑部扫描图像中有其对应的位置，如果某一张分割图像被确定了发生卒中的类型，那么就能够根据该分割图像的位置，最终确定卒中发生的位置。

具体的，参见图4所示，上述过程可以概括为：

s401：对脑部扫描图像进行预处理，获取预处理后的脑部扫描图像；

s402：使用超像素方法和网格法对脑部扫描图像进行分割，获取多张分割图像；

s403：从每张所述分割图像中提取预设特征所对应的特征值；所述预设特征与所述脑卒中病灶信息数据模型中的特征一致；

s404：使用每一张分割图像对应的特征值，作为脑卒中病灶信息数据模型的输入，获取模型输出，并根据模型输出确定卒中类型。

本发明实施例所提供的脑卒中类型预测方法，先获取多个脑卒中病人的脑部样本图像，并获取与每一张脑部样本图像对应的病灶信息；根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型；当获取到需要进行预测的病人的脑部扫描图像后，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测时。在这个过程中，预先采用大数据建立了脑卒中病灶信息模型，在判断的时候，只需要将病人的脑部扫描图像直接输入，使用该模型对脑部扫描图像进行运算，最终模型会输出响应的速度快，不易造成病情拖延；且这个过程不需要人为的参与，也不需要经验丰富的医生，减轻医生的医疗压力，同时，也不会由于人为差异导致病情判断不准确。

本发明又一实施例还提供一种脑卒中类型预测装置，参见图5所示，本发明实施例所提供的脑卒中类型预测装置包括：

样本获取单元，用于获取多个脑卒中病人的脑部样本图像，并获取与每一张脑部样本图像对应的病灶信息；

机器学习单元，用于根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型；

卒中类型预测单元，用于在获取脑部扫描图像时，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测。

本实施例中，样本获取单元、机器学习单元、卒中类型预测单元的具体功能和交互方式，可参见图1对应的实施例的记载，在此不再赘述。

本发明实施例所提供的脑卒中类型预测装置，先通过样本获取单元获取多个脑卒中病人的脑部样本图像，并获取与每一张脑部样本图像对应的病灶信息；在使用机器学习单元，根据所述病灶信息，利用机器学习的方法对所述脑部样本图像进行特征描述，生成脑卒中病灶信息数据模型；当卒中类型预测单元获取到需要进行预测的病人的脑部扫描图像后，使用所述脑卒中病灶信息数据模型对脑部扫描图像进行卒中类型预测时。在这个过程中，预先采用大数据建立了脑卒中病灶信息模型，在判断的时候，只需要将病人的脑部扫描图像直接输入，使用该模型对脑部扫描图像进行运算，最终模型会输出响应的速度快，不易造成病情拖延；且这个过程不需要人为的参与，也不需要经验丰富的医生，减轻医生的医疗压力，同时，也不会由于人为差异导致病情判断不准确。

本发明又一实施例还提供另外一种脑卒中类型预测装置，参见图6所示，本发明实施例所提供的脑卒中类型预测装置在上述实施例的基础上，还包括：

图像预处理单元，其用于获取脑部图像，并对脑部图像进行预处理，获取所述脑部样本图像。

其中，图像预处理单元与其他单元的的具体功能和交互方式，可参见图2对应的实施例的记载，在此不再赘述。

其中，图像预处理单元，具体包括：

图像筛选模块，用于对脑部图像进行筛选，去除没有病灶的脑部图像；

去噪模块，用于对去除没有病灶的脑部图像后，所剩余的脑部图像进行高斯滤波或者平滑滤波处理，去除噪音，获取去噪图像；

降维模块，用于对所述去噪图像进行降维处理，获取脑部样本图像。

参见图7所示，本发明实施例所提供的脑卒中类型预测中，还提供一种机器学习单元的具体的结构，包括：

特征提取模块，用于根据与每一张脑部样本图像对应的病灶轮廓信息，从所述脑部样本图像中提取脑部样本图像的纹理特征、颜色特征；

深度学习模块，用于采用卷积神经网络的深度学习方法，对所述纹理特征以及颜色特征进行学习训练，建立卒中类型与纹理特征以及颜色特征之间的关联关系，生成脑卒中病灶信息数据模型；

其中，所述病灶信息包括：卒中类型以及病灶轮廓信息。

本实施例中，特征提取模块、深度学习模块的具体功能和交互方式，可参见图3对应的实施例的记载，在此不再赘述。

参见图8所示，本发明实施例所提供的脑卒中类型预测中，还提供一种卒中类型预测单元的具体的结构，包括：

扫描图像预处理单元，用于对脑部扫描图像进行预处理，获取预处理后的脑部扫描图像；

图像分割模块，用于使用超像素方法和网格法对脑部扫描图像进行分割，获取多张分割图像；

特征值提取模块，用于从每张所述分割图像中提取预设特征所对应的特征值；所述预设特征与所述脑卒中病灶信息数据模型中的特征一致；

计算模块，用于使用每一张分割图像对应的特征值，作为脑卒中病灶信息数据模型的输入，获取模型输出，并根据模型输出确定卒中类型。

本实施例中，扫描图像预处理单元、图像分割模块、特征值提取模块、计算模块的具体功能和交互方式，可参见图4对应的实施例的记载，在此不再赘述。

本发明实施例所提供的脑卒中类型预测方法以及装置的计算机程序产品，包括存储了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，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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)执行本发明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(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。