本發(fā)明一般地涉及醫(yī)學圖像中不確定度，并且更特別地涉及醫(yī)學圖像中分割(segmentation)不確定度的計算和可視化。

如今許多臨床應(yīng)用依賴于用于生理和功能的量化的幾何模型。在標準設(shè)置中，這些模型從二維(2D)，三維(3D)和3D加時間(3D+t)的醫(yī)學圖像生成?；诠烙嫷哪Ｐ停R床相關(guān)測量被計算并用于診斷和干預計劃。例如，在經(jīng)導管主動脈瓣膜植入術(shù)(TAVI)計劃期間，3D計算斷層掃描(CT)或經(jīng)食管超聲心動(TEE)圖像被獲取?；?D圖像，患者特定的主動脈瓣表面模型可被提取并且植入物尺寸的距離測量被得到。然而，由于由具有類似成像響應(yīng)的鄰近組織引起的圖像噪聲和不清楚的邊界，部分模型邊界可能存在噪聲，模糊，或具有信號丟失。在這些情況下正確地描繪解剖學邊界常常是挑戰(zhàn)性的。因此，測量僅僅從繼承自模型本身的不確定度的幾何模型得到，可能產(chǎn)生次優(yōu)的診斷和計劃數(shù)據(jù)。在TAVI的示例中，如果主動脈瓣環(huán)面處的圖像模糊或具有信號丟失，若僅使用表面模型則植入物的尺寸可能是次優(yōu)的。

技術(shù)實現(xiàn)要素：

根據(jù)實施例，用于計算不確定度的系統(tǒng)和方法包括從患者的醫(yī)學成像數(shù)據(jù)生成目標解剖對象的表面模型。不確定度在該表面模型多個頂點中的每一個處被估計。在該多個頂點中的每一個處估計的不確定度在該表面模型上被可視化。

在一個實施例中，在該表面模型多個頂點中的每一個處估計不確定度包括：為該多個頂點中的每一個估計沿表面法線的點的范圍，并且使不確定度分布適合于為該多個頂點中的每一個所估計的點的范圍。點的范圍可對應(yīng)于概率分布，該概率分布指示點的范圍中的每個點精確標識圖像邊界的概率。為多個頂點中的每一個估計沿該表面法線的點的范圍可包括使用受過訓練的分類器來檢測點的范圍和定義點的范圍中的至少一個。該不確定度分布可以是高斯分布。

在一個實施例中，該不確定度通過為多個頂點中的至少一個的點的范圍定義最小值和最大值來改進。

在一個實施例中，生成該目標解剖對象的表面模型包括使用基于邊際空間學習的分割來分割該目標解剖對象。使用基于邊際空間學習的分割來分割該目標解剖對象可包括：使用邊際空間學習檢測在該醫(yī)學成像數(shù)據(jù)中封裝該目標解剖對象的邊界框，檢測該邊界框內(nèi)目標解剖對象的解剖標志(landmark)，并且使該目標解剖對象的表面模型適合于所檢測的解剖標志。

在一個實施例中，可視化在該表面模型上的多個頂點中的每一個處所估計的不確定度可包括：基于該多個頂點中的每一個的顏色表示不確定度等級，其中該不確定度等級基于該不確定度分布的標準偏差。

在一個實施例中，該患者的測量基于該表面模型和不確定度來計算。該測量可以被表示為基于該表面模型和不確定度的測量的范圍、以及具有相關(guān)聯(lián)的置信區(qū)間的標準偏差值和平均值中的至少一個。

本發(fā)明的這些和其他優(yōu)點將通過參考如下詳細描述和附圖而對本領(lǐng)域普通技術(shù)人員變得顯而易見。

附圖說明

圖1示出了根據(jù)一個實施例的用于計算分割不確定度的高級框架；

圖2示出了根據(jù)一個實施例的用于計算醫(yī)學成像數(shù)據(jù)中的不確定度的系統(tǒng)；

圖3示出了根據(jù)一個實施例的基于多個空間學習的框架的概覽，該框架用于生成目標解剖對象的表面模型；

圖4舉例說明了根據(jù)一個實施例的從成像數(shù)據(jù)生成的主動脈瓣的示例性表面模型；

圖5舉例說明了根據(jù)一個實施例的用于計算不確定度的分類器輸出的示例性可視化；

圖6示出了根據(jù)一個實施例的量化不確定度的概覽；

圖7舉例說明了根據(jù)一個實施例的具有覆蓋的不確定度的示例性表面模型；

圖8舉例說明了根據(jù)一個實施例的基于不確定度的主動脈瓣環(huán)面的直徑的示例性計算；

圖9示出了根據(jù)一個實施例的用于計算醫(yī)學成像數(shù)據(jù)中的不確定度的方法；以及

圖10示出了根據(jù)一個實施例的計算機的高級框圖，該計算機用于計算醫(yī)學成像數(shù)據(jù)中的不確定度。

具體實施方式

本發(fā)明一般地涉及在醫(yī)學圖像中分割不確定度的計算和可視化。在本文中描述本發(fā)明的實施例以給出用于計算和可視化醫(yī)學圖像中分割不確定度的方法的視覺理解。數(shù)字圖像常常由一個或多個對象(或形狀)的數(shù)字表示組成。對象的數(shù)字表示常常在本文中在標識和操作對象方面加以描述。此類操作是在計算機系統(tǒng)的存儲器或其他電路/硬件中實現(xiàn)的虛擬操作。因此，應(yīng)當理解本發(fā)明的實施例可使用存儲于計算機系統(tǒng)內(nèi)的數(shù)據(jù)而在計算機系統(tǒng)內(nèi)加以執(zhí)行。

圖1示出了根據(jù)一個或多個實施例的用于計算分割不確定度的高級框架100?？蚣?00使用醫(yī)學成像數(shù)據(jù)生成具有相關(guān)聯(lián)的不確定度的感興趣的患者解剖區(qū)域的表面模型。應(yīng)當理解，盡管本文討論的實施例可被討論用于計算醫(yī)學成像數(shù)據(jù)中的不確定度，但本原理不限于此。本發(fā)明的實施例可被采用以計算任何成像數(shù)據(jù)的不確定度。

參考圖1，受實驗者(例如，患者)的感興趣區(qū)域的成像數(shù)據(jù)102被接收。成像數(shù)據(jù)可以來自任何形式的成像設(shè)備，諸如，例如，計算斷層掃描(CT)，超聲波(US)，磁共振成像(MRI)等。感興趣區(qū)域可以是患者的目標解剖對象。

使用成像數(shù)據(jù)102生成目標解剖對象的表面模型104。表面模型104可以是目標解剖對象的3D表面模型?？梢允褂萌魏畏指钏惴ㄉ杀砻婺Ｐ?04。在一個實施例中，使用基于邊際空間學習(MSL)的分割生成表面模型104。

不確定度106在表面模型104上被估計。在一個實施例中，為表面模型104的每個頂點估計不確定度，以使用任何基于機器學習的算法來計算可接受邊界點的范圍，諸如，例如，利用圖像特征訓練的概率漸近樹分類器?？山邮苓吔琰c的范圍對應(yīng)于概率分布，該概率分布指示可接受邊界點的范圍中的每個點精確標識圖像邊界的概率。通過使不確定度分布(例如，高斯分布)適合于可接受邊界點的范圍來量化不確定度106。

可視化108被提供具有在表面模型104上覆蓋的不確定度106。每個體素的不確定度等級可以在表面模型104上被可視地表示。例如，在一個實施例中，不同的顏色可表示不同的不確定度等級。

目標解剖對象的臨床測量110可使用表面模型104和不確定度106加以計算。臨床測量110可包括直徑，面積，距離，或任何其他測量。例如，臨床測量110可包括基于不確定度106的值的范圍，而不是單個值。

有利地，框架100可以被用于量化，診斷，治療計劃和干預引導。框架100使得用戶(例如，醫(yī)師)能夠可視化患者的解剖目標對象的表面模型的每個點處的不確定度。

圖2示出了根據(jù)一個或多個實施例的系統(tǒng)200的詳細視圖，該系統(tǒng)用于計算醫(yī)學成像數(shù)據(jù)中的不確定度。系統(tǒng)200包括與一個或多個處理器204交互的數(shù)據(jù)存儲設(shè)備202。應(yīng)當理解，系統(tǒng)200還可包括附加的元件，諸如，例如，輸入/輸出接口，通信接口等。

系統(tǒng)200從圖像獲取設(shè)備206接收受實驗者的目標對象的成像數(shù)據(jù)208作為輸入。成像數(shù)據(jù)208優(yōu)選地為患者的感興趣目標解剖對象的醫(yī)學成像數(shù)據(jù)。圖像獲取設(shè)備206可以為任何成像形式，諸如，例如，CT，US，MRI等。成像數(shù)據(jù)208可以包括二維(2D)成像數(shù)據(jù)，3D成像數(shù)據(jù)，3D加時間(3D+t)成像數(shù)據(jù)，或任何其他合適的成像數(shù)據(jù)。在一個實施例中，成像數(shù)據(jù)208由系統(tǒng)200直接從對患者成像的圖像獲取設(shè)備206接收。在另一實施例中，成像數(shù)據(jù)208通過加載使用圖像獲取設(shè)備206獲取的先前存儲的患者的成像數(shù)據(jù)來接收。

模型生成模塊210被配置成從成像數(shù)據(jù)208生成目標解剖對象的表面模型。生成的表面模型可以是3D表面模型。模型生成模塊210可應(yīng)用任何分割算法來生成表面模型。例如，基于邊際空間學習(MSL)的框架可被采用以生成表面模型。為有效地處理解剖復雜度，表面模型可通過檢測在成像數(shù)據(jù)208中封裝目標解剖對象的邊界框，在目標解剖對象上標識關(guān)鍵解剖標志，并使包括詳細表面網(wǎng)格的完整表面模型適合于解剖標志以生成患者特定的表面模型而被分層次地加以構(gòu)造。

圖3示出了根據(jù)一個或多個實施例的基于MSL的框架的概覽，該框架用于使用基于機器學習的算法生成目標解剖對象的表面模型。盡管在圖3中示出的目標解剖對象為主動脈瓣，應(yīng)當理解目標解剖對象可以是任何感興趣對象(例如，肝臟，左心室等)。

定義主動脈瓣的初始姿態(tài)的邊界框302，通過使用基于MSL的3D對象檢測被首先從成像數(shù)據(jù)208中檢測。MSL通過操作于漸增維度的子空間中，提供有效技術(shù)用于學習高維模型和快速在線搜索。因此，MSL的思想是在邊際空間序列中增量式學習分類器。隨著維度增加，有效空間區(qū)域由先前的邊際空間分類器變得更加受限。3D對象檢測(全局位置估計)被分成三個步驟：對象位置估計，位置方向估計和位置方向尺度估計。獨立的分類器基于這些步驟(例如，在離線步驟中)中的每一個的注釋訓練數(shù)據(jù)加以訓練。每一個分類器可基于一組注釋訓練數(shù)據(jù)使用概率漸近樹(PBT)結(jié)合哈爾(Haar)和/或可操縱特征來訓練。這導致估計的仿射變換(位置，方向和尺度)，定義邊界框作為成像數(shù)據(jù)208中主動脈瓣模型的全局位置的過程表示。應(yīng)當理解，任何基于機器學習的算法都可以被采用，諸如，例如，深度學習方法。

一旦在成像數(shù)據(jù)208中檢測到邊界框302，就從邊界框302內(nèi)的成像數(shù)據(jù)208中檢測解剖標志304。解剖標志304為主動脈瓣上的點，其具有解剖意義。例如，解剖標志304可以包括主動脈瓣接合組織，主動脈瓣鉸合部，主動脈根等。解剖標志304包括標志I1，...，I6，其使用相應(yīng)受過訓練的標志檢測器在成像數(shù)據(jù)208中被檢測。解剖標志304可包括任何數(shù)量的解剖標志，諸如，例如，5至15個解剖標志。獨立標志檢測器被訓練用于解剖標志中的每一個。在一個實施例中，每一個標志檢測器使用基于注釋訓練數(shù)據(jù)的哈爾特征被訓練為PBT分類器。受過訓練的標志檢測器在邊界框302的更小的子空間中搜索相應(yīng)的標志，而不是在成像數(shù)據(jù)208中的整個圖像空間中搜索。因此，可以在比全局本地化更精細的分辨率上執(zhí)行標志檢測。

主動脈瓣的表面模型306適合于解剖標志304以提供患者特定的表面模型。表面模型306可包括具有任何數(shù)量的表面點的主動脈瓣的詳細表面網(wǎng)格表示。例如，表面模型306可包括，例如，數(shù)百至數(shù)千個表面點(未示出)。適合于解剖標志304的表面模型306提供了患者特定的主動脈瓣模型。每個解剖標志205和每個表面點為患者特定的主動脈瓣模型上的頂點。

在一個實施例中，此類基于MSL的框架可使用描述于通過引用整體并入本文的美國專利號為8,934,693，標題為“用于來自3D計算斷層掃描數(shù)據(jù)的經(jīng)導管主動脈瓣植入的干預計劃的方法和系統(tǒng)”的美國專利中的方法被加以采用。

圖4舉例說明了根據(jù)一個或多個實施例從成像數(shù)據(jù)208生成的主動脈瓣的示例性表面模型400。主動脈瓣的表面模型400以主動脈瓣根和三個小葉示出。主動脈瓣的表面模型400從3D CT成像數(shù)據(jù)生成。圖4包括主動脈瓣的表面模型400的頂視圖402，底視圖404和側(cè)視圖406。

回到圖2，不確定度確定模塊212被配置成在表面模型的每個頂點處估計不確定度，以提供不確定度模型。表面模型中的不確定度可由于例如，圖像邊界被不清晰地描繪或不存在(例如，來自經(jīng)食管超聲心動圖中的信號丟失)，或可由于圖像邊界在特定范圍中具有多個響應(yīng)。

不確定度確定模塊212為每個頂點確定沿表面法線的可接受邊界點的范圍。在一個實施例中，利用提取自一組注釋訓練數(shù)據(jù)的圖像特征訓練的分類器，諸如，例如，PBT分類器，被采用以確定每個頂點的可接受邊界點的范圍。每個頂點對應(yīng)于分割表面邊界上的點。受過訓練的分類器檢測點沿每個點處的表面法線的概率?？山邮苓吔琰c的范圍基于由分類器確定(例如，與閾值比較)的概率值來定義。可接受邊界點的范圍可對應(yīng)于概率分布，該概率分布指示可接受邊界點的范圍中的每個點精確標識圖像邊界的概率。在一些實施例中，用戶可定義可接受邊界點的范圍。

圖5舉例說明了根據(jù)一個或多個實施例的用于計算不確定度的分類器輸出的示例性可視化500?？梢暬?00包括主動脈瓣環(huán)面的示例502，504和506。列508示出了主動脈瓣環(huán)面輪廓514的CT圖像。列510示出了概率地圖，包括對應(yīng)于概率分布(例如，由分類器作為輸出)的主動脈瓣邊界位置的加亮部分516。列512示出了概率地圖和CT圖像的融合圖像。

不確定度確定模塊212通過使相應(yīng)的不確定度分布適合于為每個頂點確定的可接受邊界點的范圍來量化不確定度。特別地，每個頂點的不確定度分布適合于與該頂點的可接受邊界點的范圍相關(guān)聯(lián)的概率分布。在一個實施例中，不確定度分布可以是高斯分布。其他分布也可被采用。

圖6示出了根據(jù)一個或多個實施例的量化不確定度的概覽600。如上所討論，分類器確定對應(yīng)于沿主動脈瓣表面模型602的特定頂點p_n的表面法線的點的范圍的概率分布606。概率分布606對應(yīng)于沿頂點p_n表面法線的點的范圍中的每個點標識圖像邊界的概率。如由延伸自表面模型602自頂向下視圖604中的頂點p_n的箭頭示出，沿頂點p_n表面法線的點的范圍可從頂點p_n在瓣膜內(nèi)部或瓣膜外部。高斯分布608適合于頂點p_n的可接受邊界點的范圍的概率分布606。均值μ和標準偏差σ可提取自高斯分布608。因此，表示頂點p_n的不確定度的值可按照以下公式(1)計算。

不確定度

在一個實施例中，用戶可通過為沿每個頂點的表面法線的可接受邊界點的范圍定義最小值和最大值來進一步改進不確定度模型。一維(1D)高斯分布可基于為每個頂點定義的最小可接受邊界點p_min和最大可接受邊界點p_max而適合于可接受邊界點的范圍。高斯分布的均值位于邊界點處(即，頂點)而標準偏差定義置信區(qū)間。表示表面模型中的不確定度的值可基于用戶定義的可接受邊界點的范圍按照以下公式(2)計算。

不確定度

$p_n=\frac{p_{min}+p_{max}}{2},\mathrm{\σ}=\frac{\left|\right|p_{\max }-p_n\left|\right|}{2}---\left(2\right).$

在一個實施例中，不確定度模型可以被反饋至分割算法，用于訓練用于分割成像數(shù)據(jù)中的對象的基于機器學習的分類器。例如，具有高確定度的區(qū)域可被選擇用于訓練，而不確定的區(qū)域在判別式學習管線中可不被選擇為正數(shù)。

回到圖2，可視化模塊214被配置成在表面模型上生成不確定度的可視化。例如，不確定度可以被覆蓋在每個頂點的表面模型上方。不確定度等級可以在每個頂點的表面模型上被視覺地區(qū)分。不確定度等級可基于標準偏差或高斯分布的方差。在一個實施例中，不確定度可使用對應(yīng)于不確定度的不同等級的不同顏色在表面模型上加以表示。應(yīng)當理解，還可以在本原理的環(huán)境內(nèi)采用任何其他可視區(qū)分來表示不確定度等級。

圖7舉例說明了根據(jù)一個或多個實施例的具有覆蓋的不確定度的示例性表面模型700。表面模型700包括頂視圖702，底視圖704和側(cè)視圖706。不確定度被可視地表示于表面模型700上，例如，通過顏色或陰影。例如，盡管圖7中的表面模型700被以黑色和白色示出，但表面模型700可包括表示不同邊界輪廓不確定度等級的指定的顏色或陰影。例如，表面模型700可利用指示高邊界輪廓不確定度的紅色部分和指示可信(confidant)邊界位置的藍色部分來可視化。

在一個實施例中，可視化模塊214可沿不確定度制作網(wǎng)格動畫，以使得可能的分割解決方案能夠可視化。例如，在干預期間，用戶可基于在干預期間獲取的附加信息(例如，對比度，新的圖像等)選擇一個模型，因此進一步降低不確定度并改進決策過程。

測量計算模塊216被配置成基于不確定度計算表面模型上的對象的測量。例如，表面模型上的對象的直徑，面積，距離，或任何其他測量可考慮不確定度而加以計算?；诓淮_定度計算的參數(shù)可以被表示為值的范圍。在一些實施例中，參數(shù)可以被表示為具有百分比置信區(qū)間的均值加或減標準偏差。

在一個實施例中，表面模型上的對象的測量基于不確定度被表示為最小值和最大值之間的值的范圍。在其他實施例中，表面模型上的對象的測量可以被概率式地計算。例如，最小和最大距離可基于不確定度針對給定置信區(qū)間(例如，95％置信度)來估計。在另一實施例中，隨機方法可以被應(yīng)用，其中點配置可基于不確定度表面模型而得出。用于基于不確定度計算表面模型上的對象的參數(shù)的其他方法也可以被采用。

圖8舉例說明了根據(jù)一個或多個實施例的基于不確定度的主動脈瓣環(huán)面直徑的示例性計算800。不確定度表面模型802被用于計算主動脈瓣環(huán)面的直徑范圍。主動脈瓣環(huán)面的最小直徑d1(被示出為圖8中的虛線)和最大直徑d2(被示出為圖8的實線)基于不確定度來估計，在視圖804中示出。主動脈瓣的直徑范圍806被提供為從最小直徑d1到最大直徑d2的值的范圍(例如，8mm至12mm)。

有利地，系統(tǒng)200確定與表面模型的每個頂點相關(guān)聯(lián)的不確定度?；诠烙嫷牟淮_定度，用戶(例如，醫(yī)師)可改變用于量化和干預計劃的常規(guī)的工作流。例如，在測量用于TAVI植入尺寸的情況下，如果不確定度小于0.5mm，醫(yī)師可繼續(xù)進行當前測量用于測量尺寸(當設(shè)備進入3mm的范圍時)。然而，如果不確定度大于2mm，醫(yī)師可決定重新對目標解剖對象進行成像(例如，使用不同的形式)。

圖9示出了根據(jù)一個或多個實施例的方法900，用于計算醫(yī)學成像數(shù)據(jù)中的不確定度。在步驟902處，接收患者的目標解剖對象的醫(yī)學成像數(shù)據(jù)。醫(yī)學成像數(shù)據(jù)可為任何形式，諸如，例如，CT，US，MRI等。醫(yī)學成像數(shù)據(jù)優(yōu)選地包括3D成像數(shù)據(jù)，但可包括任何合適的成像數(shù)據(jù)。醫(yī)學成像數(shù)據(jù)可直接從圖像獲取設(shè)備接收或可通過加載先前存儲的醫(yī)學成像數(shù)據(jù)加以接收。

在步驟904處，目標解剖對象的表面模型是從醫(yī)學成像數(shù)據(jù)生成的。表面模型可以是目標解剖對象的3D表面模型。表面模型可使用任何分割算法生成，諸如，例如，以上結(jié)合圖3描述的基于MSL的框架。例如，表面模型可通過首先使用MSL和任何受過訓練的基于機器學習算法，諸如，例如，PBT檢測邊界框來生成，作為目標解剖對象的過程表示。然后可以使用受過訓練的標志檢測器在醫(yī)學成像數(shù)據(jù)中的邊界框內(nèi)標識目標解剖對象的解剖標志。目標解剖對象的表面模型然后適合于解剖標志，以提供患者特定的表面模型。表面模型包括表面網(wǎng)格，該表面網(wǎng)格包括表面點。解剖標志和表面點為表面模型的頂點。

在步驟906處，不確定度在表面模型的多個頂點中的每一個處被估計。在一個實施例中，受過訓練的分類器(例如，PBT分類器)確定沿每個頂點的表面法線的可接受邊界點的范圍?？山邮苓吔琰c的范圍可對應(yīng)于概率分布，該概率分布指示由受過訓練的分類器計算的可接受邊界點的范圍的每個點精確標識圖像邊界的概率。通過使相應(yīng)的不確定度分布(例如，高斯分布)適合于為每個頂點確定的可接受邊界點的范圍的概率分布來量化不確定度。在一個實施例中，不確定度通過為一個或多個頂點的可接受邊界點的范圍定義最大值和最小值來改進。

在步驟908處，在多個頂點中的每一個處估計的不確定度在表面模型上被可視化。在每個頂點處的不確定度等級可被視覺地區(qū)分。例如，不同的顏色可被采用以表示不同的不確定度等級。不確定度等級可基于高斯分布的標準偏差(或方差)。

在步驟910處，目標解剖對象的臨床測量基于表面模型和不確定度來計算。臨床測量可包括直徑，面積，距離，或其他任何測量。臨床測量可以被表示為值的范圍或被表示為具有百分比置信區(qū)間的均值加或減標準偏差。

本文描述的系統(tǒng)，設(shè)備和方法可使用數(shù)字電路，或使用一個或多個使用眾所周知的計算機處理器，存儲器單元，存儲設(shè)備，計算機軟件，以及其他組件的計算機實現(xiàn)。典型地，計算機包括用于執(zhí)行指令的處理器和用于存儲指令和數(shù)據(jù)的一個或多個存儲器。計算機還可包括，或耦合于，一個或多個大容量存儲設(shè)備，諸如一個或多個磁盤，內(nèi)部硬盤和可移除磁盤，磁光盤，光盤等。

本文描述的系統(tǒng)，設(shè)備和方法可使用操作于客戶端服務(wù)器關(guān)系中的計算機實現(xiàn)。典型地，在此類系統(tǒng)中，客戶端計算機離服務(wù)器計算機遠程地定位并經(jīng)由網(wǎng)絡(luò)交互。客戶端服務(wù)器關(guān)系可由運行于相應(yīng)的客戶端和服務(wù)器計算機上的計算機程序定義和控制。

本文描述的系統(tǒng)，設(shè)備和方法可實現(xiàn)于基于網(wǎng)絡(luò)的云計算系統(tǒng)內(nèi)。在此類基于網(wǎng)絡(luò)的云計算系統(tǒng)中，連接于網(wǎng)絡(luò)的服務(wù)器或另一處理器與一個或多個客戶端計算機經(jīng)由網(wǎng)絡(luò)通信?？蛻舳擞嬎銠C可與服務(wù)器例如經(jīng)由駐留和操作于客戶端計算機上的網(wǎng)絡(luò)瀏覽器應(yīng)用相通信。客戶端計算機可在服務(wù)器上存儲數(shù)據(jù)并經(jīng)由網(wǎng)絡(luò)訪問數(shù)據(jù)。客戶端計算機可經(jīng)由網(wǎng)絡(luò)傳輸用于數(shù)據(jù)的請求，或用于在線服務(wù)的請求至服務(wù)器。服務(wù)器可執(zhí)行請求的服務(wù)并提供數(shù)據(jù)至(一個或多個)客戶端計算機。服務(wù)器還可傳輸數(shù)據(jù)，該數(shù)據(jù)適用于致使客戶端計算機執(zhí)行指定功能，例如，執(zhí)行計算，在屏幕上顯示指定數(shù)據(jù)等。例如，服務(wù)器可傳輸請求，該請求適用于致使客戶端計算機執(zhí)行本文描述的方法步驟中的一個或多個，包括圖9步驟中的一個或多個。本文描述的方法的特定步驟，包括圖9步驟中的一個或多個，可由服務(wù)器或基于網(wǎng)絡(luò)的云計算系統(tǒng)中的另一處理器執(zhí)行。本文描述的方法的特定步驟，包括圖9步驟中的一個或多個，可由基于網(wǎng)絡(luò)的云計算系統(tǒng)中的客戶端計算機執(zhí)行。本文描述的方法步驟，包括圖9步驟中的一個或多個，可由服務(wù)器和/或基于網(wǎng)絡(luò)的云計算系統(tǒng)中的客戶端計算機以任何組合來執(zhí)行。

本文描述的系統(tǒng)，設(shè)備和方法可使用有形地體現(xiàn)于信息載體中的計算機程序產(chǎn)品來實現(xiàn)，例如，在非暫時機器可讀存儲設(shè)備中，用于供可編程處理器執(zhí)行；并且本文描述的方法步驟，包括圖9步驟中的一個或多個，可使用一個或多個計算機程序?qū)崿F(xiàn)，該一個或多個計算機程序可由此類處理器執(zhí)行。計算機程序為一組計算機程序指令，其可直接或間接地被用在計算機中，以執(zhí)行特定活動或帶來特定結(jié)果。計算機程序可以任何形式的編程語言編寫，包括編譯或解釋語言，并且該計算機程序可采用任何形式部署，包括作為獨立程序或作為模塊，組件，子例程，或適用于供在計算環(huán)境中使用的其他單元。

在圖10中描繪了可被用來實現(xiàn)本文描述的系統(tǒng)，設(shè)備和方法的示例計算機的高級框圖1000。計算機1002包括處理器1004，該處理器可被操作地耦合到數(shù)據(jù)存儲設(shè)備1012和存儲器1010。處理器1004通過執(zhí)行定義此類操作的計算機程序指令控制計算機1002的總體操作。計算機程序指令可被存儲于數(shù)據(jù)存儲設(shè)備1012中，或被存儲于其他計算機可讀介質(zhì)中，并當期望執(zhí)行計算機程序指令時被加載到存儲器1010中。因此，圖9的方法步驟可由存儲于存儲器1010和/或數(shù)據(jù)存儲設(shè)備1012中的計算機程序指令定義并由執(zhí)行計算機程序指令的處理器1004控制。例如，計算機程序指令可被實現(xiàn)為由本領(lǐng)域技術(shù)人員編程的計算機可執(zhí)行代碼，以執(zhí)行圖1和圖9的方法步驟和圖2的模塊。因此，通過執(zhí)行計算機程序指令，處理器1004執(zhí)行圖1和圖9的方法步驟以及圖2的模塊。計算機1002還可以包括一個或多個網(wǎng)絡(luò)接口1006，用于經(jīng)由網(wǎng)絡(luò)與其他設(shè)備通信。計算機1002還可以包括一個或多個輸入/輸出設(shè)備1008，使得用戶能夠與計算機1002交互(例如，顯示器，鍵盤，鼠標，揚聲器，按鈕等)。

處理器1004可以包括通用和專用微處理器二者，并可以是單獨的處理器或計算機1002的多個處理器之一。處理器1004可以包括例如一個或多個中央處理單元(CPU)。處理器1004，數(shù)據(jù)存儲設(shè)備1012和/或存儲器1010可包括一個或多個專用集成電路(ASIC)和/或一個或多個現(xiàn)場可編程門陣列(FPGA)，或由其補充，或并入其中。

數(shù)據(jù)存儲設(shè)備1012和存儲器1010每一個包括有形的非暫時計算機可讀存儲介質(zhì)。數(shù)據(jù)存儲設(shè)備1012和存儲器1010，每一個可以包括高速隨機存取存儲器，諸如動態(tài)隨機存取存儲器(DRAM)，靜態(tài)隨機存取存儲器(SRAM)，雙數(shù)據(jù)速率同步動態(tài)隨機存取存儲器(DDR RAM)，或其他隨機存取固態(tài)存儲器設(shè)備，并可以包括非易失性存儲器，諸如一個或多個磁盤存儲設(shè)備，諸如內(nèi)部硬盤和可移除磁盤，磁光盤存儲設(shè)備，光盤存儲設(shè)備，閃存設(shè)備，半導體存儲器設(shè)備，諸如可擦除可編程只讀存儲器(EPROM)，電可擦除可編程只讀存儲器(EEPROM)，壓縮盤只讀存儲器(CD-ROM)，數(shù)字多樣化只讀存儲器(DVD-ROM)磁盤，或其他非易失性固態(tài)存儲設(shè)備。

輸入/輸出設(shè)備1008可以包括外圍設(shè)備，諸如打印機，掃描儀，顯示屏幕等。例如，輸入/輸出設(shè)備1008可以包括顯示設(shè)備，諸如陰極射線管(CRT)或液晶顯示(LCD)監(jiān)視器，用于顯示信息給用戶，鍵盤和指點設(shè)備，諸如鼠標或軌跡球，通過其用戶可提供輸入至計算機1002。

本文討論的任何或所有系統(tǒng)和設(shè)備，包括圖2的系統(tǒng)200的元件，可使用一個或多個計算機諸如計算機1002加以實現(xiàn)。

本領(lǐng)域技術(shù)人員將認識到，實際計算機或計算機系統(tǒng)的實現(xiàn)可以具有其他結(jié)構(gòu)并也可以包含其他組件，并且圖10是此類計算機的組件中的一些的高級表示，用于說明目的。

在前的具體實施方式在各方面應(yīng)被理解為說明性的和示例性的，而不是限制性的，而且本文公開的本發(fā)明的范圍并非從具體實施方式來確定，而是從如根據(jù)專利法允許的所有方面所解釋的權(quán)利要求來確定。應(yīng)當理解，本文示出和描述的實施例僅說明本發(fā)明的原理，并且在不偏離本發(fā)明的范圍和精神情況下可由本領(lǐng)域技術(shù)人員實現(xiàn)各種修改。在不偏離本發(fā)明的范圍和精神的情況下本領(lǐng)域技術(shù)人員可以實現(xiàn)各種其他特征組合。