本發(fā)明涉及解讀和處理醫(yī)學圖像的領域，且特別地公開了用于解讀在諸如正電子發(fā)射斷層造影術(PET)圖像或單光子發(fā)射計算機斷層掃描圖像(SPECT)的圖像中出現(xiàn)的標記，以用于檢測異?，F(xiàn)象。

背景技術：
在說明書中對背景技術的任何論述不應當被認為此類技術是被廣泛了解或形成本領域公知常識的一部分。利用諸如PET或SPECT成像的成像在體外診斷疾病是一個重要工作。特別是對于諸如老年癡呆癥(AD)這樣的神經(jīng)變性疾病的情況。對適當影像的解讀對于提高對疾病治療的了解和鑒別方面是重要的?，F(xiàn)有技術包括許多用于獲得并分析PET和其他成像模式的系統(tǒng)。例如，Liljat等在PCT公開WO2008/093057中公開了一種這樣的在調(diào)查AD中用于分析PET和其他影像的系統(tǒng)。ChenKewei等在美國專利申請公開號.2006/074290中公開了另一系統(tǒng)。在所有這種系統(tǒng)中，理想的是能夠快速地提供關于影像狀態(tài)的診斷信息。β-淀粉樣蛋白(Aβ)斑塊是在老年癡呆癥(AD)的病理特征中最普遍的，這種斑塊可能在癡呆被診斷出來之前的許多年前就出現(xiàn)了。功能顯像劑的近期發(fā)展使其可以評估在活體中的淀粉樣蛋白沉積。一種有前景的已知的放射性示蹤劑是B-型匹茲堡復合物(11C-PiB)，這種物質(zhì)可以以高親和性和高特異性與Aβ淀粉樣蛋白結合在一起。已經(jīng)顯示出AD患者比正常對照趨向于在皮質(zhì)區(qū)域具有更高的PiB。其他重要的淀粉樣蛋白成像化合物正在被發(fā)展(諸如Florbetapir)，并且也可以在本發(fā)明中使用。評估PiB在皮質(zhì)區(qū)域中用不同組織類型(灰質(zhì)、白質(zhì)和CSF)的攝取可以便于診斷和監(jiān)控癡呆。然而，由于PET圖像的低分辨率及缺少結構信息，現(xiàn)在的方法通常依賴并行的MRI圖像來確定組織區(qū)域。進一步地，標記的結合模式往往與潛在的組織結構無關并且可能是高度可變的。諸如那些在Lilja等中公開的一般過程包括在MRI圖像上同時的組織分割(segmentation)以及用于每個主體的MRI與PET圖像之間的多模配準(multi-modularregistration)。雖然此類估計相對精確，但是由于臨床情況及因為各種原因(如，幽閉恐怖癥、金屬植入，等)而缺少MRI掃描，因此獨立于MRI的評估方法是理想的。

技術實現(xiàn)要素：
本發(fā)明的目的是提供在諸如PET或SPECT圖像的醫(yī)學圖像中的標記攝取的評估的一個改進形式。根據(jù)本發(fā)明的第一方面，提供了一種用于在個別候選PET掃描中確定PET標記的攝取程度的方法，該方法包括以下步驟：(a)計算一系列具代表性的匹配控制的PET和MRI模板以用于個體的一系列控制的樣本掃描；(b)從匹配的模板計算一系列的大腦表面；(c)采用候選模板對準個別候選PET掃描；(d)采用候選PET圖像對準所述一系列的大腦表面；(e)基于候選PET值與相應控制的PET掃描之間的相似度測量來為每個表面位置選擇預先確定的(M個)最佳候選模板；(f)利用相應的MRI組織映射圖和候選PET和PET模板之間的相似度測量，針對每個表面位置計算M個權重；(g)利用所述M個權重來將相應的M個模板組織指標相結合以估計平均大腦表面指標的每個位置的候選PET的攝取。該方法優(yōu)選地還包括以下步驟：(h)結合平均大腦表面與候選PET掃描數(shù)據(jù)來創(chuàng)建用于顯示的結合的平均大腦表面。在一些實施方式中，步驟(c)可以包括在采用所述一系列候選模板對準候選PET圖像中利用候選CT或X-射線掃描數(shù)據(jù)。根據(jù)本發(fā)明的另一方面，提供了一種用于在個別候選成像標記掃描中確定成像標記的攝取程度的方法，該方法包括以下步驟：(a)計算一系列具代表性的匹配控制的成像標記掃描和組織標記模板以用于個體的一系列控制的樣本掃描；(b)根據(jù)匹配的模板計算一系列的體內(nèi)劃定表面；(c)采用候選模板對準個別候選成像標記掃描；(d)采用所述一系列的體內(nèi)劃定表面對準所述個別候選成像標記掃描；(e)基于候選成像標記值與相應的控制的成像標記掃描之間的相似度測量來為每個表面位置選擇預先確定的(M個)最佳候選模板；(f)利用相應的組織標記映射圖和相似度測量，針對每個表面位置計算M個權重；(g)利用所述M個權重來將來自相應的組織模板的相應的M個模板組織指標結合至平均大腦表面指標中。成像標記掃描可以包括正電子發(fā)射斷層造影術(PET)掃描或單光子發(fā)射計算機斷層掃描圖像(SPECT)掃描。每個組織標記模板可以是根據(jù)具有已知圖像屬性的不同主體的圖像而被計算的。多個組織模板可以根據(jù)具有已知圖像屬性的候選和主體的相似特征來從從較廣的模板集合中選擇。模板和候選圖像優(yōu)選是被分割的。根據(jù)本發(fā)明的另一方面，提供了一種在主體圖像中確定大腦攝取成像標記的方法，該方法包括以下步驟：根據(jù)控制的樣本圖像制備一系列大腦模板，該模板包括共同配準一系列控制的樣本圖像，并創(chuàng)建概率映射圖(mapping)，該映射圖包含特定圖譜(atlas)體素含有灰質(zhì)的可能性的估計；從所屬大腦模板中確定灰質(zhì)界面與白質(zhì)界面之間的相應表面；對于候選主體圖像，將所述候選圖像映射至相應的大腦模板；以及針對所述大腦模板的灰色區(qū)域部分，映射所述主體圖像進行灰質(zhì)攝取的對應關系。控制的樣本圖像可以包括PET和MR圖像二者。對應關系是在相對于灰質(zhì)與白質(zhì)之間的表面的預先確定的方向或者體積進行測量。映射可以發(fā)生于多個模板。利用貝葉斯網(wǎng)絡或加權求和或表決規(guī)則或其他融合技術來優(yōu)選地結合多個映射。附圖說明本發(fā)明的優(yōu)選實施方式將參照附圖僅以示例的方式進行描述，其中：圖1示意性地示出了執(zhí)行優(yōu)選實施方式的操作環(huán)境的一種形式；圖2示出了優(yōu)選實施方式的步驟的流程圖的第一部分；圖3示出了優(yōu)選實施方式的步驟的流程圖的第二部分；圖4示出了模板配準的過程；圖5至圖8是將主體映射至模板的映射結果或圖譜值的圖示；其中圖5顯示了利用依賴MRI的方法基于平均相關系數(shù)的多圖譜方法和單圖譜方法的對照。該多圖譜方法顯示出對于幾乎所有的104個測試主體始終產(chǎn)生較高的相關性。圖6示出了基于PET與依賴MRI的方法之間的每個頂點的平均誤差的多圖譜方法和單圖譜方法的對照。對于幾乎所有104個測試主體該多圖譜方法始終產(chǎn)生較低的誤差。圖7示出了基于PET與依賴MRI的方法之間的平均ROI定點誤差的多圖譜方法和單圖譜方法的對照。對于幾乎所有ROI該多圖譜方法始終產(chǎn)生較的低誤差。圖9示出了對AD患者進行映射的示例；以及圖10示出了對正常患者進行映射的示例。具體實施方式在本發(fā)明的實施方式中，提供了“僅PET圖像”的方法，該方法將感興趣區(qū)域(ROI)圖譜配準至主體的PET圖像并在ROI范圍內(nèi)對PiB攝取值求平均。其中在僅包括單圖譜的情況下，該方法的估計精度可能取決于圖譜的選擇及配準誤差。已經(jīng)發(fā)現(xiàn)通過利用多圖譜可獲得改進的結果。實施方式提供了更高魯棒性的“僅PET”方法，該方法改進了評估的后驗概率。為了達到這個目的，采用了以下三種主要的策略：1.組織概率映射圖(map)被引入以指導PiB值的測量，來代替從單個扭曲的ROI圖譜復制的硬ROI分區(qū)。概率映射圖為根據(jù)訓練集學習的先驗知識，因此結合了種群變異并比簡單地從單個圖譜圖像獲得的ROI具有更強的魯棒性。2.多個圖譜被用于抵消來自單個圖譜的配準誤差。多圖譜的利用還允許每個PET圖像來自不同的PET圖譜。多個PET圖譜的使用允許在數(shù)據(jù)庫中的主體的每個位置的選擇相類似。換句話說，第二個示例性實施方式的方法能夠用于給定的患者，針對大腦額葉中的一個像素的模板A、B、C及針對顳葉上的一個像素的模板C、D、E。主體特定的圖譜的最優(yōu)子集可以從大量圖譜中選擇，并結合貝葉斯(Bayesian)框架來改進估計的后驗概率。結合不同模板的權重可以逐個像素地變化。PiB攝取值接著直接被估計，這避免了對灰質(zhì)分割的明顯需要。因此，使用多個圖譜在統(tǒng)計學上減少了出現(xiàn)在每個獨立圖譜中的配準和采樣誤差。3.除了從圖譜獲得的基于群體的概率映射圖，主體特定的概率映射圖也可以通過使用主體PET圖像的非局部均值分割而被利用。這也提供了用于計算每個像素的權重的方法。利用多個圖譜，這種分割基于群體信息導出了特別用于特定主體的概率映射圖，并因而進一步改善了先驗和后驗的估計。與現(xiàn)有技術方法相比較(現(xiàn)有技術通常需要MRI和PET圖像來用于精確估計在灰質(zhì)內(nèi)的PiB攝取)，本發(fā)明的實施方式能夠僅利用PET圖像，但仍然還提供相當準確的估計，該估計僅有很小的估計誤差并且具有與基于MRI的方法具有高的相關性。雖然提出的方法對于基于體積和基于表面的PiB評估來說具有一般性的應用，但是基于表面的測量首先被描述?；隗w積的測量相對較簡單并且可以在不使用表面模型的情況下進行。本發(fā)明的實施方式提供的方法可以被用作臨床檢查工具以用于診斷和監(jiān)控老年癡呆癥。然而，該方法可以被應用于淀粉樣蛋白(AV1)的其他PET的標記，并且具有足夠的一般性被應用于任何病理的任何其他PET標記和任何病理的其他SPECT標記。首先轉到圖1，該圖顯示了用于實施優(yōu)選實施方式的操作環(huán)境1。在該環(huán)境中，PET圖像被掃描2以被儲存在數(shù)據(jù)庫3中進行處理。圖像分析系統(tǒng)4執(zhí)行優(yōu)選實施方式的圖像分析方法并輸出包括多個測量的圖像報告5。優(yōu)選實施方式可以繼續(xù)進行以下的步驟，如最初在圖2和圖3中所示：最初，一連串的N(其中N在一個實施方式中等于20)表示性模板被形成，以用于具有已知AD程度的測試主體。對于每個測試主體，PET和相應的MRI圖像被獲取和對準。并且，在CT掃描可用的情況下，這些圖像還可以被匹配用于測試主體。根據(jù)每個PET和可選的CT掃描，相應的大腦表面被計算。模板被儲存在數(shù)據(jù)庫21中。新的主體接著以PET掃描和可選的CT掃描(如可用)的形式24呈現(xiàn)。優(yōu)選實施方式接著進行以下步驟：步驟1：基于PET掃描并利用可選的CT掃描(在可用的情況下)，新的主體PET與N個模板對準。步驟2：N個模板大腦表面的位置相對于主體PET定位。N個模板表面中的每一者被視為表面網(wǎng)格。對于表面網(wǎng)格上的每個點，在新的主體PET值26與在每個模板處對應的PET值27、28之間進行對比，并且獲得差值測量。步驟3：對于每個表面位置，M個最佳模板匹配基于新的主體PET與對應的模板PET之間的相似度而被儲存。步驟4：M個最佳模板匹配被用于導出針對每個表面位置的M個權重。利用模板組織映射圖，M個權重被用于融合或加權相應的PET值以產(chǎn)生總體PET值。融合以逐個位置為基礎而發(fā)生。步驟5：結果被顯示在“平均大腦表面”上，其中平均大腦表面通過加權模板表面而導出。并且PET值被顯示在所獲得的平均大腦表面36上。由于所有大腦模板表面被共同配準，因此候選PET能夠顯示在模板表面的任意一者上或在平均表面上以代表種群?？蛇x的CT成像的利用在以上實施方式的另一可選的細化中，應當注意的是當前的醫(yī)療實踐常常促進在結合的PET/CT掃描儀中一起產(chǎn)生CT類型掃描以及PET掃描。在這些掃描可用的情況下，他們理想地可被用于配準過程。雖然CT掃描未提供良好的組織劃定，但是它提供了非常好的液體和骨骼的劃定。在CT掃描可用于新的主體的情況下，CT掃描能夠以以下多種方式被利用：1.最初，在步驟1中，CT掃描可以被結合在將相應的PET掃描與模板的對準中。CT掃描可以提供清楚的新的主體的骨骼劃定并且因此能夠被用于對準過程。此外，在步驟4中，假定患者的CT可用，由于CT劃定了大腦表面的邊界情況，因此可以用于估計灰質(zhì)界限的位置。CT因此能夠被用于在邊界區(qū)域中修正當前PET掃描的灰質(zhì)計算，并因而改進總體估計。雖然在之前描述了優(yōu)選實施方式的操作，但是當實施以下描述的發(fā)明時，多個處理細化和改變對本領域技術人員來說是可用的。1.最初的圖形預處理模板創(chuàng)建：所有捕獲的PET成像可以首先進行預處理。這包括所有PiBPET圖像的亮度歸一化，以及大腦模板的制備。MRI掃描被假定僅可用于模板。對于模板數(shù)據(jù)集，有必要預處理MRI圖像、PET圖像和灰質(zhì)與白質(zhì)之間的交界的表面，或者可替換地灰質(zhì)與CSF之間的表面。首先，每個MRI圖像在空間上被標準化為圖譜(在示例性實施方式中，所使用的圖譜為Collins圖譜：Collins,D.,Zijdenbos,A.,Kollokian,V.,Sled,J.,Kabani,N.,Holmes,C.,Evans,A,1998.Designandconstructionofarealisticdigitalbrainphantom.IEEETrans.Med.Imag.17(3),463-468)。與圖譜相關聯(lián)的主要組織(GM、WM和CSF)的先驗概率映射圖也被利用(在我們的例子中提供了部分具有圖譜的SPM，Ashburner,J.,Friston,K.,1999“Nonlinearspatialnormalizationusingbasisfunctions”Hum.BrainMapp.7(4),254-26,)。圖譜與相關聯(lián)的先驗可替換地從任意圖像數(shù)據(jù)庫容易地計算出來。MRI圖像和PET圖像通過局部剛性變換而被共同配準。所使用的方法可以是公開于Ourselin,S.,Roche,A,Subsol,G.,Pennec,X.,Ayache,N.,2001.Reconstructinga3Dstructurefromserialhistologicalsections.ImageVis.Comput.19(1),25-31。配準之后，PET圖像的亮度值由標準的攝取值比率(SUVR)進行標準化(LoprestiBJ,KlunkWE,MathisCA,HogeJA,ZiolkoSK.LuX等,“SimplifiedquantificationofpittsburghcompoundBamyloidimagingPETstudies:acomparativeanalysis”,JNuclMed2005；46:1959-72Lopresti等,2005)被用于保障主體之間的比較及主體內(nèi)部的比較。SUVR被定義為包含特異性結合的區(qū)域相對于未包含特異性結合的區(qū)域的值。因為小腦灰質(zhì)被認為沒有老年斑，因此小腦灰質(zhì)常常被用作參考的未包含特異性結合的區(qū)域(Joachim,C.,Morris,J.,Selkoe,D.,1989.DiffusesenileplaquesoccurcommonlyinthecerebelluminAlzheimer'sdisease.AmericanJ.Pathol.l35(2),309-319)。來自MRI的小腦掩模(cerebellummask)被用于使PET圖像中的區(qū)域局部化以用于標準化。最終，灰質(zhì)與白質(zhì)之間的界面表面從分割的MRI圖像中提取以用于每個圖譜。該預處理步驟可以如陳述于以下的那樣：FrippJ.,BourgeatP.,Acosta0.,RanigaP.,ModatM.,PikeE.,JonesG.,O'KeefeG.,MastersL.,AmesD.,EllisA.,MaruffP.,CurrieJ.,VillemagneL.,RoweC.,SalvadoO.,OurselinS.,2008.Appearancemodelingof11CPiBPETimages:characterizingamyloiddepositioninAlzheimer'sdisease,mildcognitiveimpairmentandhealthyaging.Neuroimage43(3),430-439。模板制備以基礎圖像起始集繼續(xù)進行，該起始集可以包括用于一批主體的一系列相應的MRI和PET掃描圖像。一系列單獨的模板可以被創(chuàng)建。對于每個模板，它們的MRI和PET圖像被剛性地共同配準(對準)。組織在模板MRI圖像上被分割，并且接著，灰質(zhì)/白質(zhì)界面被確定。為了使用戶能夠檢查內(nèi)部皮質(zhì)區(qū)域，灰質(zhì)/白質(zhì)界面的表面被分離為左半球和右半球。并且，每個模板創(chuàng)建有灰質(zhì)概率映射圖，該灰質(zhì)概率映射圖指示了圖像體素屬于灰質(zhì)的可能性。灰質(zhì)概率映射圖可以通過使用在之前引用的Fripp等的描述的高斯混合模型(GaussianMixtureModel)標準基于亮度的分割方法來創(chuàng)建。2.模板表面配準：多分辨率EM-ICP方法被應用于在灰質(zhì)/白質(zhì)界面的不同模板表面中建立對應關系。在表面配準之后，模板表面被重新采樣以擁有相同數(shù)量的相應頂點。EM-ICP方法可以如陳述于以下的那樣：Granger,S.,&Pennec,X.(2002),“Multi-scaleEM-ICP:AFastandRobustApproachforSurfaceRegistration”,ComputerVision-ECCV2002,2353,418-432Springer,andCombes,B.andPrima,S.,2010“AnefficientEM-ICPalgorithmforsymmetricconsistentnon-linearregistrationofpointsets”MedicalImageComputingandComputer-AssistedIntervention(MICCAI),594-601。3.對PET圖像的配準：在特定主體的PET圖像與相應模板之間的仿射/輕度變形配準被執(zhí)行以將表面及概率映射圖從模板空間帶到主體空間。仿射配準的過程通過圖3示出?？商鎿Q地，在替代了使用來自模板的變換的概率映射圖的情況下，主體空間中的概率映射圖可以通過主體PET圖像上的非局部均值分割產(chǎn)生。4.通過多模板融合進行的基于表面的測量：均值灰質(zhì)PIB攝取沿著轉化的圖譜表面的標準方向通過獨立地由相應的轉化的組織概率映射圖引導而被測量。接著，根據(jù)基于轉化的圖譜PET圖像與主體PET圖像之間的局部相似度的局部加權方案，結合貝葉斯網(wǎng)絡進行測量。相似度可以通過標準化的共同信息或其他指標來測量。其他加權方案可以被使用。例如，M個權重可以在結合相應模板組織指標的情況下被用于加權平均。另一可替代技術為由表決算法所提供的用于確定相應模板組織指標。作為進一步的替代，為了融合從所選的多個模板獲得的結果，貝葉斯框架可以如下所述被利用。給定PET圖像I(x)，其中x表示圖像體素，目標是沿著轉化的圖譜表面ST的標準方向測量灰質(zhì)中的均值PiB攝取。這等于估計期望值Ex∈Δ[δ(I，x，l)]，其中δ(I，x，l)為指標函數(shù)，其定義如下：符號Δ表示沿著表面頂點ν和PET圖像I的標準方向的線的交叉。符號l為組織標簽，分別用值1、2、3表示GM、WM和CSF。期望值可以被估算如下：考慮離散概率，得到以下結果：假定x均勻地從Δ采樣，概率其中|Δ|為Δ的長度。通過邊緣化聯(lián)合概率后驗標記概率P(l|I，x)從轉化的模板(i＝1…n，其中n為所選模板的數(shù)量)估計：這里表示在轉化的模板中，體素x作為GM的概率，該模板可以從轉化的模板概率映射圖中獲取。概率測量體素x可以很好地對準在圖像I與轉化的模板之間的概率。在我們的方法中，被設置為與在x的鄰近N(x)內(nèi)局部估計的標準化的共同信息的測量的倒數(shù)成比例。也就是，由于PET圖像的低分辨率，N(x)的大小不應該太小，否則得到的共同信息將擬合噪聲。在進行了的測量中，N(x)被設置為30×30×30，這覆蓋了沿著線Δ的所有體素。因此，相對于變量x(x∈Δ)，為常數(shù)。結合(2)和(3)，得到：方程式(4)顯示了在每個表面頂點處對于估計均值PiB保留的附加屬性：根據(jù)多個圖譜的估計可以通過根據(jù)每個單個圖譜的獨立估計來實現(xiàn)并然后以加權的方式進行線性結合。結合權重反映了測試圖像I與轉化的模板之間的對準。由于對準由局部度量進行評估，因此該結合對于整個表面來說是非線性的。該附加屬性有助于在模板集需要被動態(tài)確定時所采用的方法。通過將變化僅限制于受影響的模板，這使得容易轉換所選的模板。在根據(jù)單個模板進行個體估計時，PiB值I(x)通過其作為灰質(zhì)體素的概率被加權，也就是，這隱含定義了具有軟邊界的灰質(zhì)區(qū)域，該軟邊界反映了訓練種群中所觀察到的變化。因此，相對于現(xiàn)有技術公開的硬灰質(zhì)分割，所提出的估計可以改善配準誤差的魯棒性。使用多個模板被發(fā)現(xiàn)可以改進根據(jù)個體模板進行的估計。在測試過程中獲得的改進的示例如圖5至圖8所示。5.表面可視化：一旦基于表面的測量被執(zhí)行，那么，對于每個主體，左半球和右半球組合在一起并從八個角度顯現(xiàn)?？梢宰詣舆M行抓屏，這有利于視覺檢測或產(chǎn)生進一步的報告。一個AD和一個正常對照的示例性結果分別在圖9和圖10中示出。解釋以下描述和附圖利用參考數(shù)字來輔助理解實施方式的結構和功能。相同的參考數(shù)字被用于不同的實施方式來指定具有相同或相似功能和/或結構的特征。附圖需要被視為一個整體并與本說明中相關的文本結合。特別地，一些附圖選擇性地忽略了所有實例中的所有特征以更加清楚地提供描述的特定特征。雖然這有助于讀者，但是其不應當被認為是這些特征未公開或者對于相關的實施方式的操作不需要。在整個說明書中，“一個實施方式”或“實施方式”意為與包括在本發(fā)明的至少一個實施方式中的實施方式有關的特定特征、結構或特性。因而，在整個說明書的各個位置出現(xiàn)短語“在一個實施方式中”或“在實施方式中”不一定涉及相同的實施方式，但當然這也是也可以的。此外，特定特征、結構或特性可以在一個或多個實施方式中以任何合適的方式結合，如根據(jù)本公開對本領域技術人員顯而易見的。類似地，應當理解的是在以上本發(fā)明的示例性實施方式的描述中，本發(fā)明的各個特征同時被組合在單個實施方式、附圖或其說明中，以達到使本公開流暢的目的及達到輔助理解各個發(fā)明方面中的一者或多者的目的。然而，公開的方法并不能被解釋為反映所要求的發(fā)明需要比每個權利要求中所清楚描述的具有更多的特征的意向。相反，如以下權利要求所反映的，創(chuàng)新的方面比以上單獨公開的實施方式的所有特征要少。因而，隨著具體說明的權利要求據(jù)此與該具體說明相結合，并且每個權利要求自身作為本發(fā)明的獨立實施方式。此外，雖然在此描述的一些實施方式包括一些(但非其他)包括在其他實施方式中的特征，但不同實施方式的特征的結合應該被理解為在本發(fā)明的范圍之內(nèi)，并且本領域技術人員應當理解這形成了不同的實施方式。例如，在以下權利要求中，所要求的實施方式中的任意實施方式可以被用于任何結合中。此外，一些實施方式于此被描述為方法或方法要素的結合，這可以通過計算機系統(tǒng)的處理器或通過執(zhí)行功能的其他裝置來實現(xiàn)。因而，具有執(zhí)行此類方法或方法的要素的必要指令的處理器形成了用于執(zhí)行該方法或方法要求的手段。此外，設備實施方式的于此描述的要素為用于執(zhí)行由要素執(zhí)行的功能的裝置的示例，以達到執(zhí)行本發(fā)明的目的。在此提供的說明中，許多特定細節(jié)被描述。然而，應當理解的是本發(fā)明的實施方式可以在沒有這些特定細節(jié)的情況下被實行。在其他實例中，為了避免混淆本發(fā)明的理解，已知的方法、結構和技術未被具體示出。類似地，應當知道的是，在權利要求中所使用的耦合的術語不應當被解釋為僅限于直接連接。術語“耦合”和“連接”以及衍生術語可以被使用。應當理解的是這些術語相互間并非是同義詞。因而，表達設備A耦合至設備B的范圍不應當被限于其中設備A的輸出直接連接至設備B的輸入的設備或系統(tǒng)。其意為存在A的輸出與B的輸入之間的路徑，該路徑可以為包括其他設備或裝置的路徑。“耦合”可以意為兩個或多個元素直接物理接觸或電接觸，或者兩個或多個元素相互間未直接接觸但仍相互共同操作或相互影響。因而，雖然已經(jīng)描述了哪些被認為是本發(fā)明的優(yōu)選實施方式，本領域技術人員應當理解，在不背離本發(fā)明的精神的情況下，可以對其進行其他及進一步的修改，并且應當理解，所有改變和修改都落在本發(fā)明的范圍之內(nèi)。例如，以上給出的公式僅表示了可以使用的過程。可以從框圖中增加或刪除功能，并且可以在功能模塊之間交換操作?？梢詮谋景l(fā)明范圍內(nèi)所描述的方法增加或刪除步驟。