宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法.pdf

《宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法.pdf》由会员分享，可在线阅读，更多相关《宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202011209104.5 (22)申请日 2020.11.03 (71)申请人 杭州迪英加科技有限公司 地址 311121 浙江省杭州市余杭区仓前街 道龙潭路7号杭州未来研创园B座5楼 B501-B508室 (72)发明人 亢宇鑫李涵生崔灿崔磊 杨林 (74)专利代理机构 北京博维知识产权代理事务 所(特殊普通合伙) 11486 代理人 张倩 (51)Int.Cl. G06T 7/00(2017.01) G06K 9/62(2006.01) G06K 9/46(2006.01。

2、) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 宫颈癌TCT切片阳性细胞检测模型多域共适 应训练方法 (57)摘要 本发明涉及一种宫颈癌TCT切片细胞检测模 型多域共适应训练方法， 采用源域图像和目标域 图像对检测模型进行训练， 将源域图像和目标域 图像交替输入参数共享的编码器进行特征提取， 对源域图像进行特征提取后得到第一特征， 对目 标域图像进行特征提取后得到第二特征； 将第一 特征和第二特征分别输入区域生成网络中得到 区域候选框， 对候选框进行特征分组、 非极大值 抑制后得到候选组群， 进而使用对抗学习技术对 候选组群进行组内特征判别， 。

3、得到域不变特征； 将两域的区域候选框交替输入分类器得到对应 的类别及坐标位置； 在训练过程中， 编码器、 区域 生成网络、 判别器及分类器通过不断迭代进行参 数更新； 当训练迭代次数达到指定次数时， 训练 结束。 权利要求书3页 说明书8页 附图2页 CN 112037221 A 2020.12.04 CN 112037221 A 1.宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法， 其特征在于， 包括： 获取第一宫颈癌TCT切片的数字病理图像作为源域图像； 获取第二宫颈癌TCT切片的数 字病理图像作为目标域图像， 所述目标域图像与所述源域图像大小相同； 所述第一宫颈癌TCT切片和第二宫颈。

4、癌TCT切片根据噪声分布情况进行划分； 采用所述源域图像和目标域图像对阳性细胞检测模型进行训练， 阳性细胞检测模型包 括编码器、 区域生成网络、 判别器及分类器； 将所述源域图像和目标域图像交替输入所述编码器进行特征提取， 对源域图像进行特 征提取后得到第一特征， 对目标域图像进行特征提取后得到第二特征 ， 其 中s， t分别表示源域与目标域， i表示第i幅图像，表示编码器； 将第一特征和第二特征分别输入所述区域生成网络中得到第一区域 候选框 与第二区域候选框 ; 使用K-Mean聚类方法对所述第一区域候选框与第二区域候选框 的 中 心 点 进 行 特 征 聚 类 ， 经 过 特 征 聚 类 。

5、后得 到 第一 候 选 群 组 特 征 和第二候选群组特征 ； 将所述第一候选群组特征和第二候选群组特征 输 入所述判别器进行特征判别； 当所述判别器的损失函数达到设定条件时 ， 提取到的第一候选群组特征 和第二候选群组特征为域不变特征； 将所述区域候选框与交替输入所述分类器得到对应的第一分 类结果 、 第二分类结果 及第一检测坐标位置Pos ( 、 第二检测坐标位置Pos(R( ); 在训练过程中， 所述编码器、 区域生成网络、 判别器及分类器通过不断迭代进行参数更 新； 当训练迭代次数达到指定次数时， 训练结束。 2.根据权利要求1所述的宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法，。

6、 其特 征在于， 还包括， 采用带有第二标注信息的目标域图像对所述阳性细胞检测模型训练过程中每 权利要求书 1/3 页 2 CN 112037221 A 2 一代模型及参数进行性能验证， 评价指标包括F1 值， 将F1 值最高的模型作为最优模型。 3.根据权利要求1所述的宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法， 其特 征在于， 当所述判别器的损失函数逼近0.5时， 提取到的第一候选群组特征G(R()和 第 二 候 选 群 组 特 征 G ( R () ) 为 域 不 变 特 征 ， 所 述 损 失 函 数 为， 。 4.根据权利要求3所述的宫颈癌TCT切片阳性细胞检测模型多域共适应。

7、训练方法， 其特 征在于， 所述源域图像上携带有第一标注信息， 对于所述第一分类结果C （R （） ） 及第 一检测坐标位置Pos(R()， 根据所述第一标注信息结合交叉熵和平均绝对误差进 行损失计算， 检测分类损失为: ； ； ； 其中M表示所述第一图像中含有的标注个数， j表示每幅图像中的第j个标注， C表示预 测类别总数， K表示当前标注框的坐标个数， y表示当前标注的当前类别的标注值， p表示当 前标注的当前类别的预测概率， 与 的值越趋于0， 表示检测分类及定位结果越精 确。 5.根据权利要求4所述的宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法， 其特 征在于， 对于所述对于所。

8、述第二分类结果G(R()及第二检测坐标位置Pos(R( )， 定位分类损失函数为， ； ； ； 其中M表示所述第二图像中含有的检测框个数， j表示每幅图像中的第j 个标注， C表示预测类别总数， K表示当前检测框的坐标个数， p表示当前标注的当前类别的 预测概率，的值越趋于0， 表示检测分类及定位结果越精确。 6.根据权利要求5所述的宫颈癌TCT切片阳性细胞检测模型多域共适应训练方法， 其特 权利要求书 2/3 页 3 CN 112037221 A 3 征在于， 所述阳性细胞检测模型总的损失校准为： L= 。 权利要求书 3/3 页 4 CN 112037221 A 4 宫颈癌TCT切片阳性细。

9、胞检测模型多域共适应训练方法 技术领域 0001 本发明涉及深度学习技术领域， 特别是涉及一种宫颈癌TCT切片阳性细胞检测模 型多域共适应训练方法。 背景技术 0002 宫颈癌是目前世界范围内第二常见的女性癌症， 发病率仅次于乳腺癌。 尤其在发 展中国家， 宫颈癌更是一种常见的死亡原因。 宫颈液基薄层细胞学检查(Thinprep Cytologic Test, TCT),是预防和发现早期宫颈癌最流行的筛查方法， 目前已经在发达国 家广泛使用， 并显著降低了宫颈癌的发病率和死亡人数。 随着数字成像技术的成熟， 如全切 片数字化扫描仪的应用。 已有广泛的研究试图将自动化机器学习方法与TCT切片的数。

10、字扫 描图像相结合， 此类自动辅助筛查手段， 利用新兴的计算机图像处理技术， 高效率的进行自 动化精准分析， 并将分析结果用于辅助医生进行临床诊断， 旨在缓解医生工作压力的同时 提高诊断的准确率。 但是目前宫颈切片的制片方法不统一， 比如膜式和沉降式这两种不同 的制片方法所产出的宫颈切片就存在形态上的不一致， 而且即使在相同的制片方法下， 制 片过程中所用的染色剂浓度、 涮洗液浓度以及对制成的涂片进行扫描时所用的数字扫描仪 型号都会对最终得到的TCT图像质量造成影响， 使得最终生成的TCT图像之间具有较高的异 质性。 图1展示了由于不同制片方式， 所导致的TCT图像的异质性， 可看出不同的制片。

11、方式所 获得的TCT图像存在不同的效果分布， 图像质量存在巨大的差异。 但是， 深度学习模型对数 据的变化相当敏感， 当送入模型的数据是与训练数据形态及噪声分布差异较大的TCT图像 时， 检测效果势必不会很理想。 而且， 对每一批数据都进行标注并重新训练模型显然是不切 实际的。 因此， 如何在某一模态的有限数据下挖掘出不同域数据之间的共同特征， 从而消除 域间差异造成的影响也是落实宫颈癌自动化筛查必须要解决的问题。 发明内容 0003 为了解决上述技术问题， 提出了本申请。 本申请的实施例提供了一种宫颈癌TCT切 片细胞检测模型多域共适应训练方法， 用于在仅有的单域标注数据集下， 对宫颈癌TC。

12、T切片 阳性细胞检测模型进行充分的训练。 0004 根据本申请的一个方面， 提供了一种宫颈癌TCT切片阳性细胞检测模型多域共适 应训练方法， 包括： 获取第一宫颈癌TCT切片的数字病理图像作为源域图像； 获取第二宫颈癌TCT切片的数 字病理图像作为目标域图像， 所述目标域图像与所述源域图像大小相同； 所述第一宫颈癌TCT切片和第二宫颈癌TCT切片根据噪声分布情况进行划分； 采用所述源域图像和目标域图像对阳性细胞检测模型进行训练， 阳性细胞检测模型包 括编码器、 区域生成网络、 判别器及分类器； 将所述源域图像和目标域图像交替输入所述编码器进行特征提取， 对源域图像进行特 征提取后得到第一特征，。

13、 说明书 1/8 页 5 CN 112037221 A 5 对目标域图像进行特征提取后得到第二特征， 其中s， t分别表示源域与目标域， i表 示第i幅图像，表示编码器； 将第一特征和第二特征分别输入所述区域生成网络中得到第一区域 候选框与第二区域候选框； 使用K-Mean聚类方法对所述第一区域候选框与第二区域候选框 的 中 心 点 进 行 特 征聚 类 ， 经 过 特 征聚 类 后得 到 第一 候 选 群 组 特 征 和第二候选群组特征； 将所述第一候选群组特征和第二候选群组特征输入 所述判别器进行特征判别； 当所述判别器的损失函数达到设定条件时， 提取到的第一候选群组特征 和第二候选群组特。

14、征为域不变特征； 将所述区域候选框与交替输入所述分类器得到对应的第一 分 类 结 果、 第 二 分 类 结 果及 第 一 检 测坐 标 位 置 P o s ( 、 第二检测坐标位置Pos(R( )； 在训练过程中， 所述编码器、 区域生成网络、 判别器及分类器通过不断迭代进行参数更 新； 当训练迭代次数达到指定次数时， 训练结束。 0005 进一步地， 还包括， 采用带有第二标注信息的目标域图像对所述阳性细胞检测模 型训练过程中每一代模型及参数进行性能验证， 评价指标包括F1 值， 将F1 值最高的模型 作为最优模型。 0006进一步地， 当所述判别器的损失函数逼近0.5时， 提取到的第一候选。

15、群组特征 和第二候选群组特征为域不变特征， 所述损失函数为 ， 。 0007 进一步地， 所述源域图像上携带有第一标注信息， 对于所述第一分类结果 及第一检测坐标位置Pos(， 根据所述第一标注信息结合交叉熵 说明书 2/8 页 6 CN 112037221 A 6 和平均绝对误差进行损失计算， 检测分类损失为： ； ； ； 其中M表示所述第一图像中含有的标注个数， j表示每幅图像中的第j个标注， C表示预 测类别总数， K表示当前标注框的坐标个数， y表示当前标注的当前类别的标注值， p表示当 前标注的当前类别的预测概率， 与 的值越趋于0， 表示检测分类及定位结果越精 确。 0008进一步。

16、地， 对于所述对于所述第二分类结果及第二检测坐标位置 Pos(R( )， 定位分类损失函数为， ； ； ； 其中M表示所述第二图像中含有的检测框个数， j表示每幅图像中的第j个标注， C表示 预测类别总数， K表示当前检测框的坐标个数， p表示当前标注的当前类别的预测概率， 的值越趋于0， 表示检测分类及定位结果越精确。 0009进一步地， 所述阳性细胞检测模型总的损失校准为： L= 。 0010 与现有技术相比， 采用本申请实施例的一种宫颈癌TCT切片细胞检测模型多域共 适应训练方法， 可以将风格迁移机制与目标检测网络相结合， 通过多阶段训练方法， 有效地 提取到域不变特征并对其进行分类， 。

17、进而进行多域适应。 附图说明 0011 通过结合附图对本申请实施例进行更详细的描述， 本申请的上述以及其他目的、 特征和优势将变得更加明显。 附图用来提供对本申请实施例的进一步理解， 并且构成说明 书的一部分， 与本申请实施例一起用于解释本申请， 并不构成对本申请的限制。 在附图中， 相同的参考标号通常代表相同部件或步骤。 0012 图1是宫颈癌TCT切片图像多场景分布差异图； 图2是本发明域适应训练方法网络结构图； 说明书 3/8 页 7 CN 112037221 A 7 图3是采用单域训练， 经多域测试的结果图； 图4是采用本申请域适应方法训练， 经多域测试结果图。 具体实施方式 0013。

18、 下面， 将参考附图详细描述本申请的示例实施例。 显然， 所描述的实施例仅仅是本 申请的一部分实施例， 而不是本申请的全部实施例， 应理解， 本申请不受这里描述的示例实 施例的限制。 0014 申请概述 在病理图像中往往存在数十万个细胞， 对于宫颈癌TCT切片， 病理医生需要对切片中的 阳性细胞进行详细分析， 因此有效的对阳性细胞进行精确定位是病理医生目前渴望的辅助 工具之一。 细胞关键点定位网络通常通过卷积神经网络有效多尺度特征及其上下文信息并 进行编码， 然后将编码到的深度特征利用区域生成网络得到候选区域框， 最终通过非极大 值抑制、 全连接分类等技术手段对候选区域框的类别及位置进行回归，。

19、 从而达到对细胞进 行定位的效果。 0015 细胞关键点定位网络需要丰富的上下文信息以及局部的细粒度特征信息。 同时细 胞关键点定位网络对于数据集样本的特征域特别敏感， 当使用单一域的数据对模型进行训 练并接近拟合时， 模型的参数对于多域下的图像信息是非常敏感的， 噪声分布不同的影响 均会导致模型性能降低。 但是由于宫颈癌TCT切片图像场景分布受外界影像较大， 不同场景 下由于光照、 扫描仪规格等外界因素影像导致产生不同的分布。 因此将单一场景 （源域） 下 训练得到的模型应用至多场景 （目标域） 往往由于噪声分布、 数据偏差等影响导致模型的性 能受到很大影响， 测试效果差强人意。 然而如果对。

20、多场景的图像均进行标注， 面对用于进行 深度学习所需的大量的标注数据， 成本太高且时效性差。 因此， 对多场景的图像进行标注基 本是不可能的。 而这也进一步造成， 在目前现有的宫颈癌TCT切片图像阳性细胞检测的性能 受到极大限制。 0016 目前风格迁移方法多用于解决域适应问题。 这些方法的共性均是两阶段进行训 练； 首先将源域的图像作为深度网络的输入， 利用对抗生成网络将源域的图像分布迁移至 目标域图像分布， 其次使用风格迁移后的伪目标域图像及其原有的标签进行关键点网络训 练， 最终在目标域的图像上进行测试。 但是由于目标域图像分布不一， 因此在风格迁移的过 程中， 网络无法有效的提取到目标。

21、域图像的共同特征， 进而训练得到的定位、 分类方法往往 不精确。 若对每一目标域的图像进行迁移， 这样训练成本过大， 且耗时较长， 并非明智的选 择。 0017 针对上述技术问题， 本申请的构思是将风格迁移机制与细胞定位网络的训练相结 合， 在仅有的单域标注数据集下， 对宫颈癌TCT切片阳性细胞检测模型进行充分的训练。 0018 在介绍了本申请的基本原理之后， 下面将参考附图来具体介绍本申请的各种非限 制性实施例。 0019 示例性方法 宫颈癌TCT切片细胞检测模型多域共适应训练方法， 包括： S10， 数据获取与预处理 获取第一宫颈癌TCT切片的数字病理图像作为源域图像； 获取第二宫颈癌TC。

22、T切片的数 说明书 4/8 页 8 CN 112037221 A 8 字病理图像作为目标域图像。 第一宫颈癌TCT切片和第二宫颈癌TCT切片根据噪声分布情况 进行划分； 将噪声分布较一致的宫颈癌TCT切片作为第一宫颈癌TCT切片； 将噪声分布不一 致的宫颈癌TCT切片作为第二宫颈癌TCT切片， 具体划分标准根据实际所具有的宫颈癌TCT 切片的数量和质量， 以及对于定位结果的要求来确定， 目标域图像与所述源域图像大小相 同。 对所述源域图像和所述目标域图像进行数据扩充， 得到N组训练数据， 每组训练数据包 括1个源域图像和1个目标域图像。 0020 需要说明的是， 这里获取的源域图像上带有第一标。

23、注信息， 作为单域标注数据集。 为了充分利用图像的样本数据， 数据扩充至关重要。 考虑到由于目标域图像分布过于杂乱， 为了更大程度的适配目标域图像分布的不确定性， 首先使用不同来源的数据集进行对比度 增强、 色彩增强等方法进行数据扩充。 0021 S20， 域不变特征提取 采用所述N组训练数据对宫颈癌TCT切片阳性细胞检测模型进行训练， 阳性细胞检测模 型包括编码器、 区域生成网络、 判别器及分类器； 将源域与目标域的图像作为阳性细胞检测模型的输入， 值得注意的是， 源域图像与目 标域图像采用同一个编码器来提取深度特征， 编码器参数共享。 编码器为残差网络， 由卷积 层、 批标准化层、 激活层。

24、及池化层组成， 源域与目标域的图像交替输入至编码器进行特征提 取。 对源域图像进行特征提取后得到第一特征， 对目标域图像进行特征提取后得到 第二特征， 其中s， t分别表示源域与目标域， i表示第i幅图像，表示编码器； S30, 区域候选框生成及特征分组 在提取到源域与目标域图像的第一特征与第二特征后， 将特征分别 输入区域生成网络中得到区域候选框与， 其中区域生成网络由一 系列的卷积层构成。 特征图首先经过一个33的卷积， 得到一个25616 6的特征图， 然 后经过两次11的卷积， 分别得到一个18166的特征图， 和一个361616的特征图， 每个特征包含2个分数和4个坐标， 再结合预先。

25、定义的锚机制， 得到候选框与 ； 使用K-Mean聚类方法对候选框的中心点进行聚类， 具体需要聚类的个数是个超参数K， 然后进行非极大值抑制， 因为每一个聚类的组群中都有不同数目的候选框， 为了后续的计 算方便， 需要每一个组群中的个数相同， 因此当聚类后， 一个组群中的个数多于m， 只取置信 度大于n的候选区域框， 当一个组群的个数小于m， 则通过复制的形式得到m个候选区域矿， 这样就得到了Km个候选区域矿， 然后取候选区域框的特征， 假设每一个候选区域框是d维 度特征， 则总共有Kmd的特征， 因为后续有判别器D用于判别特征， 且判别器需要输入固 定尺寸， 所以使用超参数s设定的每个候选区。

26、域框的大小。 经过特征聚类后得到第一候选群 组特征和第二候选群组特征。 0022 S40， 候选群组特征域判别 说明书 5/8 页 9 CN 112037221 A 9 在提取到第一候选群组特征和第二候选群组特征， 利用对抗学习机制中的博弈思想， 采用判别器D对两种特征进行分类， 来区分特征， 其中源 域特征标签为1， 目标域标签为0。 对抗学习最终的目标是当判别器无法对两种域的特征进 行有效分类， 说明此时两种特征的分布已非常相似， 因此该特征称为域不变特征。 具体地， 将所述第一候选群组特征和第二候选群组特征输入判别 器进行特征判别； 当所述判别器的损失函数逼近0.5时， 表示判别器已无法。

27、区分两类特征， 此时特征 提取器提取到的第一候选群组特征和第二候选群组特征 输为域不变特征； S40， 检测模型训练并计算损失 阳性细胞检测模型的任务为对宫颈癌TCT切片图像中的阳性细胞进行检测并分类， 因 此需要对域不变特征进行分类及坐标点回归。 分类器由一系列的卷积层、 激活层及全连接 层等操作组成， 最终经过分类器会得到one-hot编码的分类结果与对应的坐标点； 将所述区域候选框与交替输入所述分类器得到对应的第一分 类结果、 第二分类结果及第一检测坐标位置Pos( 、 第二检测坐标位置Pos(R( )。 0023 （1） 源域图像检测训练并计算损失 对于所述第一分类结果及第一检测坐标位。

28、置Pos( ， 根据 所述第一标注信息结合交叉熵和平均绝对误差进行损失计算， 定位分类损失为： ； ； ； 其中M表示所述第一图像中含有的标注个数， j表示每幅图像中的第j个标注， C表示预 测类别总数， K表示当前标注框的坐标个数， y表示当前标注的当前类别的标注值， p表示当 前标注的当前类别的预测概率 （或标注框坐标的预测值） ， 与 的值越趋于0， 表示检 测分类及定位结果越精确。 0024 （2） 目标域图像检测训练并计算损失 对于目标域图像， 由于其缺乏标注， 无法与标注信息相应的损失计算并得到反向传播 说明书 6/8 页 10 CN 112037221 A 10 的梯度并以此来训。

29、练网络。 因此在对目标域图像进行损失计算时， 需要考虑到预测概率的 自信息， 而信息熵则是考虑目标自信息的最佳之选 具体地， 对于所述对于所述第二分类结果及第二检测坐标位置Pos(R( )， 定位分类损失函数为， ； ； ； 其中M表示所述第二图像中含有的检测框个数， j表示每幅图像中的第j个标注， C表示 预测类别总数， K表示当前检测框的坐标个数， p表示当前标注的当前类别的预测概率 （或标 注框坐标的预测值） ，的值越趋于0， 表示检测分类及定位结果越精确。 0025检测模型总的损失校准为： L= 。 0026 在训练过程中， 所述编码器、 区域生成网络、 判别器及分类器通过不断迭代进行。

30、参 数更新， 在参数更新时， 当第一分类结果、 第二分类结果及第一 检测坐标位置Pos(、 第二检测坐标位置Pos(R( )均完成了损失计 算， 则算为一次训练结束， 进行参数更新； 网络的结构图如图2所示 （图中标注域即为源域图 像， 目标域即为目标域图像） ， 包含源域输入图像 及目标域输入图像 ， 编码器 ， 区域 生成网络RPN,判别器D， 分类器C。 在训练过程中， 编码器交替进行特征提取， 之后对提取到 的源域与目标域的特征进行判别， 判别的同时， 对特征进行分类、 定位预测， 得到分类及定 位。 在参数更新时， 当目标域图像与源域图像均完成了损失计算， 则算为一次训练结束， 进 。

31、行参数更新。 当训练迭代次数达到指定次数时， 训练结束。 最终保留编码器、 区域生成网络、 及分类器作为最终的检测模型并用于多域测试。 0027 S50， 最优模型选取 在训练过程中， 模型通过不断迭代进行参数更新。 通过少量的拥有标注的目标域图像 （即带有第二标注信息的目标域图像） 对每一代的模型及参数进行性能验证， 评价指标包括 准确率、 召回率及F1 值， 准确率、 召回率及F1 值越接近1表示当前模型及参数性能越优， 最 终将F1 值最高的模型作为最优模型。 当然也可以根据物体检测准确率、 召回率等参数进行 最优模型的判别。 0028 本发明通过采用多域共适应的方式， 可以有效提取不同。

32、域分布之间的共性， 同时 降低目标检测网络对于噪声的敏感度。 如图3所示， 由于噪声分布与源域差异较大， 且深度 网络非常依赖当前目标物的上下文信息， 因此直接将单域模型应用至多域场景下使用， 会 导致细胞漏检。 通过多域共适应后， 编码器有效提取到当前目标的不变特征， 且有效降低了 对于上下文信息的依赖性， 如图4所示， 有效检测出了阳性细胞。 说明书 7/8 页 11 CN 112037221 A 11 0029 还需要指出的是， 在本申请的方法中， 各步骤是可以分解和/或重新组合的。 这些 分解和/或重新组合应视为本申请的等效方案。 提供所公开的方面的以上描述以使本领域 的任何技术人员能。

33、够做出或者使用本 申请。 对这些方面的各种修改对于本领域技术人员 而言是非常显而易见的， 并且在此定义的一般原理可以应用于其他方面而不脱离本申请的 范围。 因此， 本申请不意图被限制到在此示出的方面， 而是按照与在此公开的原理和新颖的 特征一致的最宽范围。 0030 为了例示和描述的目的已经给出了以上描述。 此外， 此描述不意图将本申请的实 施例限制到在此公开的形式。 尽管以上已经讨论了多个示例方面和实施例， 但是本领域技 术人员将认识到其某些变型、 修改、 改变、 添加和子组合。 说明书 8/8 页 12 CN 112037221 A 12 图1 图2 图3 说明书附图 1/2 页 13 CN 112037221 A 13 图4 说明书附图 2/2 页 14 CN 112037221 A 14 。