发明创造名称：基于纹理基元的图像肿块良恶性的分类方法
外观设计名称：
决定号：194476
决定日：2019-11-11
委内编号：1F270747
优先权日：
申请（专利）号：201510337202.X
申请日：2015-06-17
复审请求人：北京交通大学
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：甘文珍
合议组组长：曾威
参审员：鲍薇
国际分类号：G06K9/62,G06K9/46
外观设计分类号：
法律依据：专利法第25条第1款
决定要点
：如果一项权利要求请求保护的方案是以有生命的人体或动物体为对象，以获得疾病诊断结果或健康状况为直接目的，则该项权利要求请求保护的方案属于疾病的诊断和治疗方法的范围，不能被授予专利权。
全文：
本复审请求涉及申请号为201510337202.X、名称为“基于纹理基元的图像肿块良恶性的分类方法”的发明专利申请（下称本申请），申请人为北京交通大学。本申请的申请日为2015年06月17日，公开日为2015年10月07日。
经实质审查，国家知识产权局原审查部门于2018年10月31日发出驳回决定，驳回了本申请，其理由是：权利要求1-8请求保护一种基于纹理基元的图像肿块良恶性的分类方法，由说明书和权利要求记载可知，图像针对活体进行采集，并且给出了肿块的良恶性分类结果，它是以有生命的人体/动物体为直接实施对象，用于诊断病因，属于专利法第25条第1款第（3）项所述的疾病的诊断和治疗方法的范围，因此不能被授予专利权。
驳回决定所依据的文本为：申请日2015年06月17日提交的权利要求第1-8项、说明书第[0001]-[0116]段、说明书附图图1-4、说明书摘要、摘要附图。驳回决定所针对的权利要求书如下：
“1. 一种基于纹理基元的图像肿块良恶性的分类方法，其特征在于，包括：
将训练用肿块区域图像进行归一化处理，将归一化处理后的肿块区域图像划分为中心区域和外围区域，对所述中心区域和外围区域分别构建可区分纹理字典，然后分别得到所述中心区域和外围区域的特征；
对所述中心区域和外围区域的特征进行融合得到所述归一化处理后的肿块区域图像的特征向量；
将所述归一化处理后的训练用肿块区域图像的特征向量组合成训练样本特征矩阵，训练K近邻分类器；
将待识别肿块区域图像进行归一化处理，提取归一化处理后肿块图像区域的特征向量Fq，将肿块区域图像的特征向量Fq输入到训练好的K近邻分类器，得到所述待识别的肿块区域图像的良恶性分类结果。
2. 根据权利要求1所述的基于纹理基元的图像肿块良恶性的分类方法，其特征在于，所述的将训练用肿块区域图像进行归一化处理，将归一化处理后的训练图像划分为中心区域和外围区域，对所述训练图像的中心区域和外围区域分别构建可区分纹理字典，然后分别得到所述训练图像的中心区域和外围区域的特征，包括：
对图像肿块的训练图像进行亮度归一化，归一化后图像用In表示，构建具有二个同轴层的矩形模板，Maskin和Maskex，所述Maskin和Maskex的长和宽分别为所述肿块训练图像的长与宽的设定倍数，使用所述矩形模板将所述肿块训练图像分为中心区域Rin和外围区域Rex，Rin＝I×Maskin，Rex＝I×Maskex；
提取所述训练图像的中心区域Rin的每个像素点的M×M邻域灰度，将所述M×M邻域灰度调整为长度为M2的行向量，所有行向量组成中心区域邻域矩 阵Gin；提取外围区域Rex的每个像素点的M×M邻域灰度，将该M×M邻域灰度调整为长度为M2的行向量，所有行向量组成外围区域邻域矩阵Gex；
对所述中心区域邻域矩阵Gin和其对应的类别信息矩阵应用线性判别分析，得到中心区域邻域权重行向量ωin；对所述外围区域邻域矩阵Gex和其对应的类别信息矩阵应用线性判别分析，得到外围区域邻域权重行向量ωex；
将所述中心区域邻域权重行向量ωin与所述中心区域邻域矩阵Gin的每一行对应点相乘，得到中心区域可区分邻域矩阵Gdin；将所述外围区域邻域权重行向量ωex与所述外围区域邻域矩阵Gex的每一行对应点相乘，得到外围区域可区分邻域矩阵Gdex；
对所述Gdin和Gdex分别应用k均值聚类，得到中心区域可区分纹理基元字典Dicin以及外围区域可区分纹理基元字典Dicex；
根据所述训练图像中心区域邻域矩阵Gin、ωin与Dicin得到训练图像中心区域特征Fin；根据所述训练图像外围区域邻域矩阵Gex、ωex与Dicex得到训练图像外围区域特征Fex。
3. 根据权利要求2所述的基于纹理基元的图像肿块良恶性的分类方法，其特征在于，所述的对训练图像Gdin和Gdex分别应用k均值聚类，得到中心区域可区分纹理基元字典Dicin以及外围区域可区分纹理基元字典Dicex，包括：
对良性肿块训练图像对应的Gdin应用k均值聚类，得到聚类中心Cbin，聚类中心的数量为可区分纹理基元字典包含的基元数量Kdic，每个中心为M2长度的行向量；对恶性肿块训练图像对应的Gdin应用k均值聚类，得到聚类中心Cmin，聚类中心的数量为Kdic，每个中心为M2长度的行向量；组合所述Cbin和Cmin，形成2Kdic行M2列的矩阵去除与其他行向量平均欧式距离相近的Kdic个行向量，最终得到Kdic个中心，将该Kdic个中心作为中心区域的纹理字典Dicin；
对良性肿块训练图像对应的Gdex应用k均值聚类，得到聚类中心Cbex，聚类中心的数量为可区分纹理基元字典包含的基元数量Kdic，每个中心为M2长度的行向量；对恶性肿块训练图像对应的Gdex应用k均值聚类，得到聚类中心Cmex，聚类中心的数量为Kdic，每个中心为M2长度的行向量；组合所述Cbex和Cmex，形成2Kdic行M2列的矩阵去除与其他行向量平均欧式距离相近的Kdic个行向量，最终得到Kdic个中心，将该Kdic个中心作为外围区域的纹理字典Dicex。
4. 根据权利要求2所述的基于纹理基元的图像肿块良恶性的分类方法，其特征在于，所述的根据所述Gin、ωin与Dicin得到中心区域特征Fin，包括：
将所述Gin的任意一行Gini与ωin对应点相乘，得到中心区域可区分邻域向量Gdini，Gdiin(k)＝ωin(k)·Gini(k),k＝1,...,M2.；将所述Gdini量化到Dicin中与其欧式距离最近的纹理基元量化标记值，得到量化后的标记值Lin(Gdini)，其具体计算为：
其中d为欧式距离，Kdic是可区分纹理字典包含的纹理基元数量；
得到中心区域中每个像素点的量化标记值后，计算所有量化标记值的直方图，作为中心区域的特征Fin，其具体计算为：
其中，Nin是中心区域像素点的数量，δ函数为：
5. 根据权利要求2所述的基于纹理基元的图像肿块良恶性的分类方法，其特征在于，所述的根据所述Gex、ωex与Dicex得到外围区域特征Fex，包括：
将所述的Gex任意一行Gexi与ωex对应点相乘，得到外围区域可区分邻域向量Gdexi，
将所述Gdexi量化到Dicex中与其距离最近的纹理基元量化标记值，得到量化后的标记值Lex(Gdexi)，
得到外围区域每个像素点的量化标记值后，计算所有标记值的直方图作为外围区域的特征Fex，
其中Nex是外围区域像素点的数量。
6. 根据权利要求1所述的基于纹理基元的图像肿块良恶性的分类方法，其特征在于，所述的对所述训练图像的中心区域和外围区域的特征进行融合得到所述训练图像的特征向量，包括：
将所述中心区域特征Fin乘以因子λ，并与所述外围区域特征Fex首尾相连，作为所述训练图像的特征向量F＝[λFin Fex]。
7. 根据权利要求1所述的基于纹理基元的图像肿块良恶性的分类方法，
其特征在于，所述的利用所述训练图像的特征向量训练K近邻分类器，包括：
将所有训练图像的特征向量组合成训练样本特征矩阵，结合训练样本特征矩阵以及其类别信息，训练K近邻分类器，输入到所述K近邻分类器的距离dis(F1,F2)具体计算如下：
上述F1,F2分别为两个训练图像的特征向量。
8. 根据权利要求1至7任一项所述的基于纹理基元的图像肿块良恶性的分类方法，其特征在于，所述的将所述归一化处理后的待识别肿块区域图像的特征向量输入到训练好的K近邻分类器，得到所述待识别的肿块区域图像的良恶性分类结果，包括：
按所述的训练图像特征提取方法，提取待识别图像的特征向量Fq，将待识别图像的特征向量Fq输入到训练好的K近邻分类器，确定所述K近邻分类器中的训练图像的特征向量中与Fq距离最近的前K幅肿块图像，计算K幅肿块图 像中属于良性肿块的数量L1和K幅肿块图像中属于恶性肿块的数量L2，若L1>＝L2，则待识别肿块图像被判断为良性，若L1<>
申请人（下称复审请求人）对上述驳回决定不服，于2019年01月02日向国家知识产权局提出了复审请求，并修改了权利要求书，其中，将权利要求的主题名称修改为“基于纹理基元对图像肿块分析的方法”，删除权利要求1中的特征“得到所述待识别的肿块区域图像的良恶性分类结果”，并删去权利要求8。复审请求人认为：利用本申请获取的特征向量可以更加准确地对K近邻分类器进行训练，从而提高计算机等仪器设备对肿块图像分析的准确度，修改后的权利要求1所要解决的技术问题并不是直接得出疾病的诊断结果或健康状况；本申请所要解决的问题是解决纹理基元字典构建未考虑训练样本类别信息的问题，将线性判别分析引入到纹理基元字典构建，提出可分区纹理基元构建纹理字典，解决纹理基元未考虑像素点空间分布信息的问题；修改后的权利要求1中“将特征向量Fq输入到训练好的K近邻分类器”的步骤的目的并非是为了得出疾病的诊断结果或健康状况，而是提高本领域人员利用计算机等仪器对肿块图像分析的准确度，降低因人为因素造成的数据读取误差，而这些信息属于中间信息，并非直接获得疾病的诊断结果或健康状况。修改后的权利要求书如下所示：
“1. 基于纹理基元对图像肿块分析的方法，其特征在于，包括：
将训练用肿块区域图像进行归一化处理，将归一化处理后的肿块区域图像划分为中心区域和外围区域，对所述中心区域和外围区域分别构建可区分纹理字典，然后分别得到所述中心区域和外围区域的特征；
对所述中心区域和外围区域的特征进行融合得到所述归一化处理后的肿块区域图像的特征向量；
将所述归一化处理后的训练用肿块区域图像的特征向量组合成训练样本特征矩阵，训练K近邻分类器；
将待识别肿块区域图像进行归一化处理，提取归一化处理后肿块图像区域的特征向量Fq，将肿块区域图像的特征向量Fq输入到训练好的K近邻分类器。
2. 根据权利要求1所述的基于纹理基元对图像肿块分析的方法，其特征在于，所述的将训练用肿块区域图像进行归一化处理，将归一化处理后的训练图像划分为中心区域和外围区域，对所述训练图像的中心区域和外围区域分别构建可区分纹理字典，然后分别得到所述训练图像的中心区域和外围区域的特征，包括：
对图像肿块的训练图像进行亮度归一化，归一化后图像用In表示，构建具有二个同轴层的矩形模板，Maskin和Maskex，所述Maskin和Maskex的长和宽分别为所述肿块训练图像的长与宽的设定倍数，使用所述矩形模板将所述肿块训练图像分为中心区域Rin和外围区域Rex，Rin＝I×Maskin，Rex＝I×Maskex；
提取所述训练图像的中心区域Rin的每个像素点的M×M邻域灰度，将所述M×M邻域灰度调整为长度为M2的行向量，所有行向量组成中心区域邻域矩阵Gin；提取外围区域Rex的每个像素点的M×M邻域灰度，将该M×M邻域灰度调整为长度为M2的行向量，所有行向量组成外围区域邻域矩阵Gex；
对所述中心区域邻域矩阵Gin和其对应的类别信息矩阵应用线性判别分析，得到中心区域邻域权重行向量ωin；对所述外围区域邻域矩阵Gex和其对应的类别信息矩阵应用线性判别分析，得到外围区域邻域权重行向量ωex；
将所述中心区域邻域权重行向量ωin与所述中心区域邻域矩阵Gin的每一行对应点相乘，得到中心区域可区分邻域矩阵Gdin；将所述外围区域邻域权重行向量ωex与所述外围区域邻域矩阵Gex的每一行对应点相乘，得到外围区域可区分邻域矩阵Gdex；
对所述Gdin和Gdex分别应用k均值聚类，得到中心区域可区分纹理基元字典Dicin以及外围区域可区分纹理基元字典Dicex；
根据所述训练图像中心区域邻域矩阵Gin、ωin与Dicin得到训练图像中心区域特征Fin；根据所述训练图像外围区域邻域矩阵Gex、ωex与Dicex得到训练图像外围区域特征Fex。
3. 根据权利要求2所述的基于纹理基元对图像肿块分析的方法，其特征在于，所述的对训练图像Gdin和Gdex分别应用k均值聚类，得到中心区域可区分纹理基元字典Dicin以及外围区域可区分纹理基元字典Dicex，包括：
对良性肿块训练图像对应的Gdin应用k均值聚类，得到聚类中心Cbin，聚类中心的数量为可区分纹理基元字典包含的基元数量Kdic，每个中心为M2长度的行向量；对恶性肿块训练图像对应的Gdin应用k均值聚类，得到聚类中心Cmin，聚类中心的数量为Kdic，每个中心为M2长度的行向量；组合所述Cbin和Cmin，形成2Kdic行M2列的矩阵去除与其他行向量平均欧式距离相近的Kdic个行向量，最终得到Kdic个中心，将该Kdic个中心作为中心区域的纹理字典Dicin；
对良性肿块训练图像对应的Gdex应用k均值聚类，得到聚类中心Cbex，聚类中心的数量为可区分纹理基元字典包含的基元数量Kdic，每个中心为M2长度的行向量；对恶性肿块训练图像对应的Gdex应用k均值聚类，得到聚类中心Cmex，聚类中心的数量为Kdic，每个中心为M2长度的行向量；组合所述Cbex和Cmex，形成2Kdic行M2列的矩阵去除与其他行向量平均欧式距离相近的Kdic个行向量，最终得到Kdic个中心，将该Kdic个中心作为外围区域的纹理字典Dicex。
4. 根据权利要求2所述的基于纹理基元对图像肿块分析的方法，其特征在于，所述的根据所述Gin、ωin与Dicin得到中心区域特征Fin，包括：
将所述Gin的任意一行Gini与ωin对应点相乘，得到中心区域可区分邻域向量Gdini，Gdini(k)＝ωin(k)·Gini(k)，k＝1，...，M2.；将所述Gdini量化到Dicin中与其欧式距离最近的纹理基元量化标记值，得到量化后的标记值Lin(Gdini)，其具体计算为：
其中d为欧式距离，Kdic是可区分纹理字典包含的纹理基元数量；
得到中心区域中每个像素点的量化标记值后，计算所有量化标记值的直方图，作为中心区域的特征Fin，其具体计算为：
其中，Nin是中心区域像素点的数量，δ函数为：
5. 根据权利要求2所述的基于纹理基元对图像肿块分析的方法，其特征在于，所述的根据所述Gex、ωex与Dicex得到外围区域特征Fex，包括：
将所述的Gex任意一行Gexi与ωex对应点相乘，得到外围区域可区分邻域向量Gdexi，
将所述Gdexi量化到Dicex中与其距离最近的纹理基元量化标记值，得到量化后的标记值Lex(Gdexi)，
得到外围区域每个像素点的量化标记值后，计算所有标记值的直方图作为外围区域的特征Fex，
其中Nex是外围区域像素点的数量。
6. 根据权利要求1所述的基于纹理基元对图像肿块分析的方法，其特征在于，所述的对所述训练图像的中心区域和外围区域的特征进行融合得到所述训练图像的特征向量，包括：
将所述中心区域特征Fin乘以因子λ，并与所述外围区域特征Fex首尾相连，作为所述训练图像的特征向量F＝[λFin Fex]。
7. 根据权利要求1所述的基于纹理基元对图像肿块分析的方法，
其特征在于，所述的利用所述训练图像的特征向量训练K近邻分类器，包括：
将所有训练图像的特征向量组合成训练样本特征矩阵，结合训练样本特征矩阵以及其类别信息，训练K近邻分类器，输入到所述K近邻分类器的距离dis(F1，F2)具体计算如下：
上述F1，F2分别为两个训练图像的特征向量。”
经形式审查合格，国家知识产权局于2019年01月24日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中认为：本申请说明书第[0011]段记载了“将肿块区域图像的特征向量Fq输入到训练好的K近邻分类器，得到所述待识别的肿块区域图像的良恶性分类结果”，即根据本申请说明书公开的内容就可以得到肿块良恶性分类结果，且说明书第[0043]段记载了“提出可分区纹理基元实现肿块良恶性特征提取，实现了基于纹理基元对图像肿块良恶性进行有效的分类”，也就是说本申请达到了对肿块良恶性分类的技术效果，修改后的权利要求仍然属于一种疾病诊断方法，因此坚持驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年06月19日向复审请求人发出复审通知书，指出：权利要求1的方案是以有生命的人体或动物体为对象，以获得疾病诊断结果或健康状况为直接目的，属于专利法第25条第1款第（3）项规定的疾病的诊断和治疗方法的范围，不能被授予专利权；从属权利要求2-7的附加特征并未克服所引用的权利要求1中存在的上述问题，因此也属于疾病的诊断和治疗方法的范围，不能被授予专利权。对于复审请求人的意见，合议组认为：修改后的权利要求1虽然将主题名称修改为“基于纹理基元对图像肿块分析的方法”，但是根据说明书的记载可知，本申请提供了一种基于纹理基元的图像肿块良恶性的分类方法，其是以人体的肿块区域图像作为处理对象，也就是以有生命的人体的离体样品为对象；虽然修改后的权利要求1删去了“得到所述待识别的肿块区域图像的良恶性分类结果”，但是根据说明书的记载可知，将肿块区域图像的特征向量输入到训练好的K近邻分类器，就可以得到待识别肿块区域图像的良恶性分类结果，因而修改后的权利要求1仍然是以获得同一主体疾病诊断结果为直接目的，并不属于获取作为中间结果的信息的方法或处理该信息的方法。因此，本申请请求保护的方案是以有生命的人体或动物体为对象，以获得疾病诊断结果或健康状况为直接目的，属于疾病的诊断和治疗方法的范围，不能被授予专利权。
复审请求人针对复审通知书于2019年07月16日提交了意见陈述书，但未修改申请文件。复审请求人认为：本申请并非是基于有生命的人体的离体样本进行分析，而是针对人体组织的图像数据进行分析的方法，并非疾病的诊断，其实际要解决的问题是如何快速有效、准确获取人体组织的图像数据，以便后期针对上述准确的数据进行利用，减少医疗事故的发生；本申请是从训练用的肿块区域图像获取信息，对获取的信息进行处理，获得肿块区域图像的特征向量，将所述的特征向量组合成训练样本特征矩阵，对K近邻分类器进行训练，获得训练好的K近邻分类器，从而解决了技术问题，防止了纹理基元在构建纹理字典时丢失训练图像的类别信息，利用本申请获取的特征向量才可能准确的对K近邻分类器进行训练，从而获取更加准确的人体组织的图像数据。因此，本申请的权利要求1-7不属于疾病的诊断方法，属于专利的保护客体。
在上述程序的基础上，合议组认为本案事实已经清楚，可以作出审查决定。
二、决定的理由
（一）审查文本的认定
复审请求人在答复复审通知书时未修改申请文件，因此，本复审决定所针对的审查文本与复审通知书所针对的文本相同，即：复审请求人于2015年06月17日提交的说明书第[0001]-[0116]段、说明书附图图1-4、说明书摘要以及摘要附图，2019年01月02日提交的权利要求第1-7项。
（二）关于专利法第25条第1款
专利法第25条第1款规定：“对下列各项，不授予专利权：（1）科学发现；（2）智力活动的规则和方法；（3）疾病的诊断和治疗方法；（4）动物和植物品种；（5）用原子核变换方法获得的物质；（6）对平面印刷品的图案、色彩或者二者的结合作出的主要起标识作用的设计”。
如果一项权利要求请求保护的方案是以有生命的人体或动物体为对象，以获得疾病诊断结果或健康状况为直接目的，则该项权利要求请求保护的方案属于疾病的诊断和治疗方法的范围，不能被授予专利权。
1、权利要求1请求保护一种基于纹理基元对图像肿块分析的方法。根据说明书的记载可知（参见原说明书第[0002]段-[0114]段），本申请实质上是提供一种基于纹理基元的图像肿块良恶性的分类方法，用于实现基于纹理基元对图像肿块良恶性进行有效的分类；其是以人体的肿块区域图像作为处理对象，也就是以有生命的人体的离体样品为对象；而且，说明书第[0011]段记载了“将肿块区域图像的特征向量Fq输入到训练好的K近邻分类器，得到所述待识别的肿块区域图像的良恶性分类结果”，由此可知，将肿块区域图像的特征向量输入到训练好的K近邻分类器，就可以得到待识别肿块区域图像的良恶性分类结果，因而它是以获得同一主体疾病诊断结果为直接目的。因此，权利要求1的方案是以有生命的人体或动物体为对象，以获得疾病诊断结果或健康状况为直接目的，属于专利法第25条第1款第（3）项规定的疾病的诊断和治疗方法的范围，不能被授予专利权。
2、权利要求2-7是权利要求1的从属权利要求，其附加特征并未克服所引用的权利要求1中存在的上述问题。因此，权利要求2-7也属于专利法第25条第1款第（3）项规定的疾病的诊断和治疗方法的范围，不能被授予专利权。
（三）关于复审请求人的意见
对于复审请求人的意见（参见案由部分），合议组认为：根据说明书的记载可知，本申请通过将线性判别分析引入到纹理基元字典构建，提出可分区纹理基元构建纹理字典，提供了一种基于纹理基元的图像肿块良恶性的分类方法，用于实现基于纹理基元对图像肿块良恶性进行有效的分类；其是以人体的肿块区域图像作为处理对象，也就是以有生命的人体的离体样品为对象；根据说明书第[0011]段的记载“将肿块区域图像的特征向量Fq输入到训练好的K近邻分类器，得到所述待识别的肿块区域图像的良恶性分类结果”可知，将肿块区域图像的特征向量输入到训练好的K近邻分类器，就可以得到待识别肿块区域图像的良恶性分类结果，因而权利要求1是以获得同一主体疾病诊断结果为直接目的，并不属于获取作为中间结果的信息的方法或处理该信息的方法。因此，本申请请求保护的方案是以有生命的人体或动物体为对象，以获得疾病诊断结果或健康状况为直接目的，属于专利法第25条第1款第（3）项规定的疾病的诊断和治疗方法的范围，不能被授予专利权。综上所述，合议组对于复审请求人的意见不予支持。
三、决定
维持国家知识产权局于2018年10月31日对本申请作出的驳回决定。
如对本复审请求审查决定不服，根据专利法第41条第2款的规定，复审请求人可以自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
