本發(fā)明屬于機(jī)器學(xué)習(xí)領(lǐng)域，尤其涉及一種基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法與系統(tǒng)。

背景技術(shù)：

在許多現(xiàn)實機(jī)器學(xué)習(xí)分類任務(wù)中，分類器的訓(xùn)練數(shù)據(jù)集往往存在高度的不均衡分布問題，即一些類的樣本數(shù)量遠(yuǎn)遠(yuǎn)多于其他類的樣本。而傳統(tǒng)的學(xué)習(xí)算法為了分類器的整體分類精度常常偏向于將少數(shù)類錯分為多數(shù)類，然而在很多現(xiàn)實問題中，少數(shù)類的分類精度反而更重要。如疾病診斷、信用卡詐騙偵測、網(wǎng)絡(luò)入侵偵測。對于此類分類問題，如醫(yī)療領(lǐng)域的數(shù)據(jù)集都有一個共同的特征就是數(shù)據(jù)集樣本分布高度傾斜，正樣本(即正常樣本)的數(shù)量遠(yuǎn)高于負(fù)樣本(即患病樣本)的數(shù)量。用這樣的數(shù)據(jù)集訓(xùn)練出來的分類器會有明顯的“有偏性”，會將負(fù)樣本錯分為正樣本，這對于病患來說是十分嚴(yán)重的，造成誤診，錯過最佳治療時間。所以有效地提高負(fù)樣本的分類準(zhǔn)確性至關(guān)重要。同樣的例子還有漏過一筆信用卡詐騙的損失要比拒絕一個正常人的損失小得多。所以對于少數(shù)類分類精度更高的學(xué)習(xí)方法往往更有實用意義。

這種現(xiàn)實中普遍存在的數(shù)據(jù)集不均衡問題的已經(jīng)阻礙著將機(jī)器學(xué)習(xí)的成果推向?qū)嶋H應(yīng)用，期刊“International Journal of Computer Science and Network”2013年2月第1期第2卷中的由Rushi Longadge,Snehalata Dongre所著的論文“Class Imbalance Problem in Data Mining:Review”中總結(jié)分析了解決此問題現(xiàn)有方法。具體分為三大類：抽樣，算法，特征選擇。抽樣又分為欠采樣和過采樣，其中欠采樣中應(yīng)用最廣泛的是隨機(jī)欠采樣，隨機(jī)欠采樣通過隨機(jī)移除多數(shù)類中的樣本來達(dá)到樣本均衡。但是該方法存在一個問題，就是移除的多數(shù)類樣本中的有用信息同時也被移除，將導(dǎo)致信息丟失，影響最終分類器的準(zhǔn)確率。而過采樣中應(yīng)用最廣泛的是隨機(jī)過采樣，隨機(jī)過采樣通過復(fù)制生成少數(shù)類樣本來達(dá)到均衡分布。但是該方法也存在問題，就是額外的生成數(shù)據(jù)不僅增加了訓(xùn)練時間，而且額外生成的相似少數(shù)類樣本很有可能導(dǎo)致分類器過擬合；算法通常為引入“Cost-sensitive”學(xué)習(xí)方法，即通過提高少數(shù)類樣本的錯分損失，類似于增加少數(shù)類樣本的權(quán)值，以達(dá)到數(shù)據(jù)分布的帶權(quán)均衡。但是該方法存在一個問題就是多數(shù)類樣本與少數(shù)類樣本間的權(quán)值差并不存在一個通用值，這往往需要根據(jù)經(jīng)驗判斷或者反復(fù)實驗；特征選擇則是通過選取現(xiàn)有特征集的一個子集來是分類器達(dá)到最優(yōu)性能，這有利于高緯度的特征訓(xùn)練集。但是與算法一樣，子集的選取同樣不存在通用子集，也需要經(jīng)驗判斷和反復(fù)實驗。

會議“International Conference on Knowledge Discovery&Data Mining”1998年164--168頁由Philip K Chan,Salvatore J Stolfo所著的“Toward Scalable Learning with Non-Uniform Class and Cost Distributions:A Case Study in Credit Card Fraud Detection”中提出了一種均勻采樣方法，與之前的采樣方法不同的是，該方法不僅不必忽略多數(shù)類中的樣本，導(dǎo)致有用信息丟失。而且不會生成額外的樣本點，產(chǎn)生訓(xùn)練時間增加，或者導(dǎo)致產(chǎn)生的分類器有過擬合問題。具體實現(xiàn)過程如下：

1.先將訓(xùn)練集中最多類樣本數(shù)量除以少數(shù)類樣本數(shù)量結(jié)果向上取整，確定訓(xùn)練子集數(shù)量。

2.之后將除多數(shù)類按子集數(shù)量平均劃分。

3.然后從中抽取劃分后的一份，與少數(shù)類樣本數(shù)量的樣本數(shù)量差從其他份中隨機(jī)抽取湊足。

4.最后與全部少數(shù)類樣本湊為一個樣本均勻子集，以此類推生成所有子集。

該方法不僅利用了全部樣本，沒有造成樣本信息丟失，同時起到了均衡訓(xùn)練集中少數(shù)類樣本不均衡問題。且最終實驗證明，利用該采樣方法不僅提高了集成學(xué)習(xí)分類器的整體準(zhǔn)確率，而且對于少數(shù)類樣本分類的準(zhǔn)確率有了明顯提升。

綜上所述，在集成學(xué)習(xí)中的訓(xùn)練數(shù)據(jù)集不均衡問題的解決辦法中，預(yù)處理中的采樣方法往往有更好的適用性。然而上述的采樣方法都僅僅考慮了訓(xùn)練集中少數(shù)類樣本與多數(shù)類樣本的數(shù)量均衡問題，而沒有考慮到集成學(xué)習(xí)算法的一個性質(zhì)，即子分類器間的差異性。因為在集成學(xué)習(xí)中，要獲得好的集成，個體學(xué)習(xí)器應(yīng)“好而不同”，就是個體學(xué)習(xí)器要有一定的準(zhǔn)確性，即學(xué)習(xí)器性能不能太差，而且要有多樣性，即學(xué)習(xí)器間要具有差異。在相同的學(xué)習(xí)算法下，增加差異性最簡單的辦法就是增加訓(xùn)練集間的差異性。

技術(shù)實現(xiàn)要素：

針對集成學(xué)習(xí)中訓(xùn)練集的不均衡問題，本發(fā)明提供一種基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法與系統(tǒng)。

本發(fā)明提出了一種新的采樣方法，采樣前計算多數(shù)類中各樣本與少數(shù)類樣本中心點間的閔可夫斯基距離，在多數(shù)類中抽取與少數(shù)類數(shù)量相同的樣本時先抽取距離較遠(yuǎn)的樣本。這樣在保證訓(xùn)練集均勻的前提下，同時增加了訓(xùn)練集間的差異。根據(jù)集成學(xué)習(xí)的性質(zhì)，不僅提高分級中少數(shù)類的準(zhǔn)確率，而且提高了系統(tǒng)的整體準(zhǔn)確率。這對于分類器的現(xiàn)實應(yīng)用有很強(qiáng)的實際意義。

為實現(xiàn)上述目的，本發(fā)明采用如下的技術(shù)方案：

本發(fā)明提供一種基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法，包括：

提取原始醫(yī)療圖像綠色通道分量；

利用直方圖均衡化修正提取出的灰度圖像；

分別從修正后的圖像提取紋理特征、小波特征、輪輔特征；

對提取出的特征樣本按樣本間距離排序；

對排序后的樣本劃分均勻特征子集，且保證子集間的差異性；

使用SVM算法與BP神經(jīng)網(wǎng)絡(luò)算法分別訓(xùn)練特征子集產(chǎn)生子分類器；

組合子分類器，投票得出最終分類結(jié)果。

作為優(yōu)選，所述綠色通道分量是彩色醫(yī)療圖像含有紅、綠、藍(lán)3個分量中的綠色分量。

作為優(yōu)選，所述直方圖均衡化是一種利用灰度變換自動調(diào)節(jié)圖像對比度質(zhì)量的方法。

作為優(yōu)選，所述灰度圖像即提取綠色通道分量圖像。

作為優(yōu)選，所述紋理特征、小波特征、輪輔特征分別為：醫(yī)療圖像根據(jù)紋理分析處理后提取出的特征、小波變化處理后提取出的特征、輪輔方法處理后提取出的特征。

作為優(yōu)選，所述樣本間距離即利用閔可夫斯基距離公式計算得的距離。

作為優(yōu)選，所述按樣本間距離排序過程為：此處以三分類為例，首先計算出最少數(shù)類中樣本的中心點，然后將次少數(shù)類中各樣本根據(jù)與少數(shù)類中心點的閔可夫斯基距離從遠(yuǎn)到近排序，再計算出少數(shù)類與次少數(shù)類中所有樣本的中心點，最后將多數(shù)類中各樣本根據(jù)與此中心點的閔可夫斯基距離從遠(yuǎn)到近排序，多分類以此類推。

作為優(yōu)選，所述劃分均勻特征子集過程為：練集中最多類樣本數(shù)量除以最少類樣本數(shù)量結(jié)果向上取整，確定訓(xùn)練子集數(shù)量；之后將除最少類外的其他類按子集數(shù)量平均劃分，然后其他類各抽取劃分后的一份，與最少類樣本數(shù)量的樣本數(shù)量差從該份的相鄰份抽取湊足；最后各類等數(shù)量的樣本湊為一個樣本均勻子集，以此類推生成所有均勻子集。

作為優(yōu)選，所述保證子集間的差異性為根據(jù)距離排序后的有序數(shù)據(jù)集，按訓(xùn)練子集數(shù)量劃分后的子集同樣有序，且互相之間存在差異性，即距離從遠(yuǎn)到近。

作為優(yōu)選，所述使用SVM算法與BP神經(jīng)網(wǎng)絡(luò)算法分別訓(xùn)練特征子集產(chǎn)生子分類器即為將劃分好的特征子集分別交給SVM算法和BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練，生成兩倍于特征子集的子分類器。

作為優(yōu)選，所述組合子分類器，投票得出最終分類結(jié)果為：測試醫(yī)療圖像分別由訓(xùn)練好的子分類器分類，統(tǒng)計分類結(jié)果，最多類即為最終分類結(jié)果。

本發(fā)明還提供一種基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類系統(tǒng)，包括：

綠色通道分類提取裝置，被配置為提取原始醫(yī)療圖像綠色通道分量；

直方圖均衡化裝置，被配置為利用直方圖均衡化修正提取出的灰度圖像；

特征提取裝置，被配置為分別從修正后的圖像提取紋理特征、小波特征、輪輔特征；

樣本排序裝置，被配置為對提取出的特征樣本按樣本間距離排序；

均勻采樣裝置，被配置為對排序后的樣本劃分均勻特征子集，且保證子集間的差異性；

子分類器訓(xùn)練裝置，被配置為使用SVM算法與BP神經(jīng)網(wǎng)絡(luò)算法分別訓(xùn)練特征子集產(chǎn)生子分類器；

結(jié)果投票裝置，被配置為組合子分類器，投票得出最終分類結(jié)果。

作為優(yōu)選，所述綠色通道分量是彩色醫(yī)療圖像含有紅、綠、藍(lán)3個分量中的綠色分量。

作為優(yōu)選，所述直方圖均衡化是一種利用灰度變換自動調(diào)節(jié)圖像對比度質(zhì)量的方法。

作為優(yōu)選，所述灰度圖像即提取綠色通道分量圖像。

作為優(yōu)選，所述紋理特征、小波特征、輪輔特征分別為：醫(yī)療圖像根據(jù)紋理分析處理后提取出的特征、小波變化處理后提取出的特征、輪輔方法處理后提取出的特征。

作為優(yōu)選，所述樣本間距離即利用閔可夫斯基距離公式計算得的距離。

作為優(yōu)選，所述樣本排序裝置處理過程為：此處以三分類為例，首先計算出最少數(shù)類中樣本的中心點，然后將次少數(shù)類中各樣本根據(jù)與少數(shù)類中心點的閔可夫斯基距離從遠(yuǎn)到近排序，再計算出少數(shù)類與次少數(shù)類中所有樣本的中心點，最后將多數(shù)類中各樣本根據(jù)與此中心點的閔可夫斯基距離從遠(yuǎn)到近排序，多分類以此類推。

作為優(yōu)選，所述均勻采樣裝置處理過程為：練集中最多類樣本數(shù)量除以最少類樣本數(shù)量結(jié)果向上取整，確定訓(xùn)練子集數(shù)量；之后將除最少類外的其他類按子集數(shù)量平均劃分，然后其他類各抽取劃分后的一份，與最少類樣本數(shù)量的樣本數(shù)量差從該份的相鄰份抽取湊足；最后各類等數(shù)量的樣本湊為一個樣本均勻子集，以此類推生成所有均勻子集。

作為優(yōu)選，所述保證子集間的差異性為根據(jù)距離排序后的有序數(shù)據(jù)集，按訓(xùn)練子集數(shù)量劃分后的子集同樣有序，且互相之間存在差異性，即距離從遠(yuǎn)到近。

作為優(yōu)選，所述子分類器訓(xùn)練裝置即為將劃分好的特征子集分別交給SVM算法和BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練，生成兩倍于特征子集的子分類器。

根據(jù)權(quán)利要求12所述的基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類系統(tǒng)，其特征在于，所述結(jié)果投票裝置處理過程為：測試醫(yī)療圖像分別由訓(xùn)練好的子分類器分類，統(tǒng)計分類結(jié)果，最多類即為最終分類結(jié)果。

本發(fā)明提出的新采樣方法對集成學(xué)習(xí)的多分類中負(fù)樣本分類準(zhǔn)確率有明顯提升，這對于如醫(yī)療領(lǐng)域中數(shù)據(jù)集樣本分布高度傾斜、多分類器訓(xùn)練中負(fù)樣本準(zhǔn)確率有明顯提升。有助于減少誤診，從而提高分類器的實用價值。

附圖說明

結(jié)合附圖，從下面對本發(fā)明實施例的詳細(xì)描述，將更好地理解本發(fā)明，附圖中類似的標(biāo)號指示類似的部分，其中：

圖1示出了根據(jù)本發(fā)明一個實施例的基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類系統(tǒng)的一個詳細(xì)框圖；

圖2示出了根據(jù)本發(fā)明一個實施例的基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法的一個詳細(xì)框圖；

圖3示出了根據(jù)本發(fā)明一個實施例的均勻采樣示意圖。

具體實施方式

下面將詳細(xì)描述本發(fā)明各個方面的特征和示例性實施例。下面的描述涵蓋了許多具體細(xì)節(jié)，以便提供對本發(fā)明的全面理解。但是，對于本領(lǐng)域技術(shù)人員來說顯而易見的是，本發(fā)明可以在不需要這些具體細(xì)節(jié)中的一些細(xì)節(jié)的情況下實施。下面對實施例的描述僅僅是為了通過示出本發(fā)明的示例來提供對本發(fā)明更清楚的理解。本發(fā)明絕不限于下面所提出的任何具體配置和算法，而是在不脫離本發(fā)明的精神的前提下覆蓋了相關(guān)元素、部件和算法的任何修改、替換和改進(jìn)。

鑒于以上所述的多個問題，本發(fā)明提出了一種基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法與系統(tǒng)。下面結(jié)合圖1和圖2，說明根據(jù)本發(fā)明基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法與系統(tǒng)的示例。圖1示出了根據(jù)本發(fā)明一個實施例的基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類系統(tǒng)的一個詳細(xì)框圖；圖2示出了根據(jù)本發(fā)明一個實施例的基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法的一個詳細(xì)框圖；

如圖1所示，根據(jù)本發(fā)明一種基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類系統(tǒng)包括綠色通道分類提取裝置101、直方圖均衡化裝置102、特征提取裝置103、樣本排序裝置104、均勻采樣裝置105、子分類器訓(xùn)練裝置106、結(jié)果投票裝置107。它們的功能如下：提取原始醫(yī)療圖像綠色通道分量(即，執(zhí)行步驟S201)。利用直方圖均衡化修正提取出的灰度圖像(即，執(zhí)行步驟S202)。分別從修正后的圖像提取紋理特征、小波特征、輪輔特征(即，執(zhí)行步驟S203)。對提取出的特征樣本按樣本間距離排序(即，執(zhí)行步驟S204)。對排序后的樣本劃分均勻特征子集，且保證子集間的差異性(即，執(zhí)行步驟S205)。使用SVM算法與BP神經(jīng)網(wǎng)絡(luò)算法分別訓(xùn)練特征子集產(chǎn)生子分類器(即，執(zhí)行步驟S206)。為組合子分類器，投票得出最終分類結(jié)果(即，執(zhí)行步驟S207)。

具體地，樣本排序裝置104引入閔可夫斯基距離計算樣本間的距離，排序規(guī)則是根據(jù)多數(shù)類中各樣本根據(jù)與少數(shù)類中心點的閔可夫斯基距離從遠(yuǎn)到近排序的。均勻采樣裝置105則是利用排序后的樣本集進(jìn)行均勻采樣，因為樣本集有序，則可以獲得具有差異性的樣本子集。下面，給出由根據(jù)本發(fā)明基于不均衡醫(yī)療圖像數(shù)據(jù)集的分類方法與系統(tǒng)的示例：

此處以眼底圖像為例介紹具體過程。彩色眼底圖像含有紅、綠、藍(lán)3個分量。由于紅色分量亮度最高，血管和背景對比度低，不易將目標(biāo)血管和眼底背景區(qū)分；藍(lán)色分量對比度和亮度均低，且噪聲干擾嚴(yán)重；綠色分量的亮度適中，而且血管與背景對比度較高，能很好反應(yīng)彩色眼底血管分布。所以對訓(xùn)練集提取綠色通道(G通道)分量。

直方圖均衡化是一種利用灰度變換自動調(diào)節(jié)圖像對比度質(zhì)量的方法，基本思想是通過灰度級的概率密度函數(shù)求出灰度變換函數(shù)，它是一種以累計分布函數(shù)變換方法為基礎(chǔ)的直方圖修正法。所以對訓(xùn)練集提取綠色通道分類后的灰度圖像使用直方圖均衡化來修正圖像。

對于修正后的灰度圖像，分別通過小波變換、輪輔方法和紋理分析從處理提取特征集，做為三種獨立數(shù)據(jù)集用以之后訓(xùn)練分類器。此時的訓(xùn)練集變?yōu)槿齻€獨立的特征集，分別為小波特征集，輪輔特征集和紋理特征集。

對于這三個醫(yī)療領(lǐng)域的數(shù)據(jù)集都有一個共同的特征就是數(shù)據(jù)集樣本分布高度傾斜，正樣本(即正常樣本)的數(shù)量遠(yuǎn)高于負(fù)樣本(即患病樣本)的數(shù)量。用這樣的數(shù)據(jù)集訓(xùn)練出來的分類器會有明顯的“有偏性”，會將負(fù)樣本錯分為正樣本，這對于病患來說是十分嚴(yán)重的，造成誤診，錯過最佳治療時間。所以有效地提高負(fù)樣本的分類準(zhǔn)確性至關(guān)重要。

如背景技術(shù)中所說現(xiàn)有的解決辦法并不能徹底解決該問題，于是結(jié)合現(xiàn)有方法，提出了一種不僅可以保證訓(xùn)練集中正負(fù)樣本分布均衡，而且可以提高訓(xùn)練子集間樣本差異性的采樣方法，從而有效提高負(fù)樣本的分類準(zhǔn)確率和分類器的整體準(zhǔn)確率。具體過程為：引入閔可夫斯基距離計算樣本間的距離，計算公式如下：

其中，d₁₂為樣本的x₁和x₂間的距離，p表示樣本點屬性的維數(shù)，k為屬性值的個數(shù)。

此處以三分類為例，首先計算出最少數(shù)類中樣本的中心點，然后將次少數(shù)類中各樣本根據(jù)與少數(shù)類中心點的閔可夫斯基距離從遠(yuǎn)到近排序，再計算出少數(shù)類與次少數(shù)類中所有樣本的中心點，最后將多數(shù)類中各樣本根據(jù)與此中心點的閔可夫斯基距離從遠(yuǎn)到近排序。排序后的樣本為之后的差異性抽樣做好準(zhǔn)備。

對于排好序的三個特征樣本集，分別采樣改進(jìn)后的均勻采樣，如圖3所示，以三分類為例，先將訓(xùn)練集中最多類(即第一類)樣本數(shù)量除以最少類(即第三類)樣本數(shù)量結(jié)果向上取整，確定訓(xùn)練子集數(shù)量。之后將除最少類外的其他類按子集數(shù)量平均劃分。然后其他類各抽取劃分后的一份，與最少類樣本數(shù)量的樣本數(shù)量差從該份的相鄰份抽取湊足。最后各類等數(shù)量的樣本湊為一個樣本均勻子集，以此類推生成所有子集。

到此，利用新的采樣方法，生成的訓(xùn)練子集不僅正負(fù)樣本分布均衡，而且子集間也存在差異性，由這些子集訓(xùn)練出的子分類器集成的分類器負(fù)樣本的準(zhǔn)確率和整體準(zhǔn)確率都會有所提升。而且該采樣方法在二分類與多分類都適用。

之后由上一步獲得的三類特征數(shù)據(jù)集采樣獲得的特征子集，分別使用支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法訓(xùn)練獲得兩倍與特征子集且相互獨立的子分類器。

最終將全部相獨立的子分類器進(jìn)行組合，測試眼底圖像分別由訓(xùn)練好的子分類器分類，統(tǒng)計分類結(jié)果，最多類即為最終分類結(jié)果。

該方法和系統(tǒng)不僅適用于眼底圖像分類，其他不均衡的醫(yī)療圖像分類均適用。

需要明確，本發(fā)明并不局限于上文所描述并在圖中示出的特定配置和處理。并且，為了簡明起見，這里省略對已知方法技術(shù)的詳細(xì)描述。在上述實施例中，描述和示出了若干具體的步驟作為示例。但是，本發(fā)明的方法過程并不限于所描述和示出的具體步驟，本領(lǐng)域的技術(shù)人員可以在領(lǐng)會本發(fā)明的精神之后，作出各種改變、修改和添加，或者改變步驟之間的順序。

以上所述的結(jié)構(gòu)框圖中所示的功能塊可以實現(xiàn)為硬件、軟件、固件或者它們的組合。當(dāng)以硬件方式實現(xiàn)時，其可以例如是電子電路、專用集成電路(ASIC)、適當(dāng)?shù)墓碳?、插件、功能卡等等。?dāng)以軟件方式實現(xiàn)時，本發(fā)明的元素是被用于執(zhí)行所需任務(wù)的程序或者代碼段。程序或者代碼段可以存儲在機(jī)器可讀介質(zhì)中，或者通過載波中攜帶的數(shù)據(jù)信號在傳輸介質(zhì)或者通信鏈路上傳送。“機(jī)器可讀介質(zhì)”可以包括能夠存儲或傳輸信息的任何介質(zhì)。機(jī)器可讀介質(zhì)的例子包括電子電路、半導(dǎo)體存儲器設(shè)備、ROM、閃存、可擦除ROM(EROM)、軟盤、CD-ROM、光盤、硬盤、光纖介質(zhì)、射頻(RF)鏈路，等等。代碼段可以經(jīng)由諸如因特網(wǎng)、內(nèi)聯(lián)網(wǎng)等的計算機(jī)網(wǎng)絡(luò)被下載。

本發(fā)明可以以其他的具體形式實現(xiàn)，而不脫離其精神和本質(zhì)特征。例如，特定實施例中所描述的算法可以被修改，而系統(tǒng)體系結(jié)構(gòu)并不脫離本發(fā)明的基本精神。因此，當(dāng)前的實施例在所有方面都被看作是示例性的而非限定性的，本發(fā)明的范圍由所附權(quán)利要求而非上述描述定義，并且，落入權(quán)利要求的含義和等同物的范圍內(nèi)的全部改變從而都被包括在本發(fā)明的范圍之中。