非显而易见法律服务网

技术特征描述及公开性判断结果	对比文件原文引用	公开性论述
技术特征A：包括：用第一预先训练的分类器来确定多个所存储图像的特征，《直接公开》	[0071] “In general, a support vector machines (SVM) classifier aims to find the optimal differentiating hypersurface between the two classes in the training set... The optimum hypersurface is the one that not only correctly classifies the data, but also maximizes the margin of the closest data points to the hypersurface.”<br>[0047] “...invoke the k-means algorithm... to compute vector clusters. The cluster centers are first initialized to a random selection from Xij‘s.”<br>[0046] “Given enough 2-D sections or triples, these histograms are essentially invariant to orientation and position... New feature vectors are then assigned to these clusters...”	对比文件明确公开了使用支持向量机（SVM）作为分类器，并且该分类器需要在训练集上进行训练以找到最优分类超平面（[0071]），这符合“预先训练的分类器”的定义。同时，对比文件描述了从候选形状（可视为“所存储图像”）中提取特征向量（Xij）的过程（[0047]），并使用k-means等算法对这些特征进行处理以形成用于分类的形状签名（[0046]）。因此，对比文件直接公开了使用预先训练的分类器来确定图像（或形状）的特征。
技术特征B：所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像，《隐含公开》	[0071] “Given the representative vectors for polyps and healthy tissue, the optimum classifier is computed using training data. Subsequently the optimum classifier is used on test data.”<br>[0011] “...A classifier contains, builds and/or trains a database of descriptors for previously seen shapes, and then maps descriptors of novel images to categories...”	对比文件明确区分了“训练数据”（training data）和“测试数据”（test data）（[0071]）。分类器基于训练数据（即“用于训练分类器的多个训练图像”）进行训练，然后被用于对新的、未见过的图像（“novel images”，即“所存储图像”）进行分类（[0011]）。本领域技术人员可以毫无疑义地理解，测试数据/新图像的特征应不同于训练数据，否则就失去了训练的意义。因此，技术特征B被对比文件隐含公开。
技术特征C：至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集，《直接公开》	[0047] “Once the representative histogram bin centers are determined, a histogram of feature vectors belonging to each particular shape is calculated... each feature vector partitions a unit vote into fractions that are inversely proportional to the vector‘s distances to all histogram bin centers. The histograms thus obtained, one per candidate volume, are the rotation and translation invariant shape signatures...”<br>[0046] “...represents a histogram by first computing the representatives for the main clusters of features over a large collection of vectors. New feature vectors are then assigned to these clusters...”	对比文件详细描述了基于特征向量进行分群集的过程：首先通过k-means算法计算特征簇（cluster）的中心（[0046]），然后对于每个特定形状的特征向量，根据其到各簇中心的距离，将其“分配”（assigned）到这些簇中，从而为每个候选体积生成一个直方图签名（[0047]）。这个过程明确公开了基于特征将每个图像（候选形状/体积）指派给一个群集（特征簇）以形成其签名。
技术特征D：基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记，《隐含公开》	[0047] “...each feature vector partitions a unit vote into fractions that are inversely proportional to the vector‘s distances to all histogram bin centers.”	对比文件在生成直方图签名时，描述了特征向量根据其到所有簇中心的距离来分配“投票”的机制。距离越近，分配的投票份额越大。这隐含了特征向量与其“最接近的群集中心”之间存在一种基于距离的关联关系。虽然对比文件未明确记载“距离小于第一阈值”作为指派标记的唯一或必要条件，也未提及基于数目或百分比的阈值，但将特征向量与群集中心关联并基于距离分配权重的过程，是本领域技术人员能够合理推断出的、一种隐含的“基于距离的关联或指派”逻辑。因此，该特征被隐含公开。
技术特征E：修改所指派的标记，《隐含公开》	[0012] “The generality is assured by including the new shape samples to the training set of the algorithm, and designing new planar attributes if necessary.”<br>[0070] “...related to the training process, the resulting support vectors could give valuable feedback for designing new features for the classifying system.”	对比文件提到，为了确保方法的通用性，可以将新的形状样本加入到算法的训练集中（[0012]）。这个过程隐含了系统需要适应新样本，这可能涉及对已有分类或“标记”的更新或修改。此外，支持向量可以提供反馈用于设计新的特征（[0070]），这也隐含了系统具有根据新信息进行调整和更新的可能性，其中可能包括对分类标记的修改。因此，本领域技术人员可以合理推断出系统存在修改所指派标记的可能性。
技术特征F：当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器，《隐含公开》	[0012] “The generality is assured by including the new shape samples to the training set of the algorithm...”	对比文件指出，通过将新形状样本纳入训练集来保证通用性（[0012]）。如果将新样本加入训练集，那么为了获得包含新样本信息的最佳分类器，必然需要利用更新后的训练集（包含新旧样本）重新进行训练。虽然对比文件没有明确描述“当标记被修改时”这一触发条件，但“加入新样本”这一行为本身可能导致训练数据标记的扩充或修改。因此，本领域技术人员能够合理推断，在训练集被更新（隐含了标记可能被修改）后，会重新训练分类器。
技术特征G：以及至少部分地基于所述预先训练的分类器来对所述图像重新分类。《隐含公开》	[0071] “Subsequently the optimum classifier is used on test data.”<br>[0052] “Given the expression d(x), the decision is given based on the sign of d(x)...”	对比文件明确记载，训练得到的最优分类器将被用于对测试数据进行分类决策（[0071], [0052]）。如果一个分类器被重新训练（如特征F所述），那么使用这个更新后的分类器对图像（无论是新图像还是已有图像）进行分类，是本领域技术人员能够直接且毫无疑义地得出的必然步骤。因此，技术特征G被隐含公开。
技术特征H：其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。《直接公开》	[0071] “In general, a support vector machines (SVM) classifier aims to find the optimal differentiating hypersurface between the two classes in the training set...”<br>[0070] “...the classifier could also be a hidden markov model based classifier, a neural network based classifier, a fuzzy-based classifier, a genetic algorithm based classifier, or any other classifier...”	对比文件明确将支持向量机（SVM）作为其具体实施方式中使用的分类器（[0071]）。此外，在列举可能的变型时，也提到了神经网络分类器（[0070]），多层感知器（MLP）是神经网络的一种常见形式。因此，对比文件直接公开了技术特征H中限定的SVM和MLP这两种具体的分类器类型。
技术特征I：其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。《未公开》	无	对比文件涉及医学图像中特定形状（如息肉）的检测与分类，其输出是形状的类别（如息肉/非息肉）或对应的特征签名/直方图。对比文件没有描述将已分类的图像进一步组织或归类到“群”（group）中这一更高层次的管理或组织步骤。该特征属于目标专利中图像管理的具体应用层面，在对比文件中既无文字记载，也无法从其中推理得出。
技术特征J：其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。《未公开》	无	“放置到文件夹中”是目标专利中对数字图像进行文件系统管理的具体用户界面操作或自动化步骤。对比文件处理的是医学图像的分析和诊断，其输出是分类结果或检测标记，并未涉及将图像文件物理或逻辑地移动、存储到操作系统文件夹这一操作。该特征在对比文件中未被公开。
技术特征K：其特征在于，进一步包括，使用非特定名称来命名所述文件夹。《未公开》	无	该特征与“文件夹”相关，由于对比文件未公开“文件夹”的概念（特征J），因此命名文件夹（无论是否特定名称）的技术特征自然也未被公开。
技术特征L：其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。《未公开》	无	该特征涉及使用另一个分类器来确定文件夹名称。对比文件仅公开了用于形状分类的分类器，未涉及任何用于生成或确定文件夹名称的分类器。
技术特征M：其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。《未公开》	无	该特征是特征L的进一步细化，依赖于“文件夹”、“群的标记”等未被对比文件公开的概念，因此未被公开。
技术特征N：其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。《未公开》	无	该特征涉及基于文件夹内图像的标记来决策文件夹名称的规则。由于“文件夹”概念未被公开，此特征也无法被推理得出。
技术特征O：其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。《未公开》	无	该特征涉及接收用户对文件夹名称的修改输入。由于“文件夹”概念未被公开，此特征也无法被推理得出。
技术特征P：其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。《未公开》	无	该特征涉及为文件夹命名目的而重新训练分类器。依赖于“第二分类器”、“文件夹名称”等未被公开的概念，因此未被公开。
技术特征Q：其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。《未公开》	无	该特征结合了特征提取、分类以及将结果“放置在文件夹中”。对比文件公开了前两部分，但未公开最后一步“放置在文件夹中”这一图像管理操作。
技术特征R：其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。《未公开》	无	对比文件描述了自动分类过程，但并未提及任何接收用户输入以修改自动指派的标记（如将息肉标记改为非息肉标记）的步骤或交互。这是目标专利中用户交互和反馈学习的一部分，在对比文件中没有对应记载。
技术特征S：其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。《未公开》	无	该特征通过用户移动文件夹中图像的操作来触发标记修改。这高度依赖于“文件夹”用户界面操作，在对比文件纯算法和诊断应用的语境中完全不存在。
技术特征T：其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。《未公开》	无	对比文件专注于单机或本地算法的执行，用于辅助放射科医生诊断。没有提及任何在不同用户或系统之间共享分类器或群集中心列表的功能或步骤。
技术特征U：其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。《未公开》	无	该特征是特征T的延伸，涉及共享数据的组合与更新。由于特征T未被公开，此特征也未被公开。
技术特征V：其特征在于，进一步包括，与所述第二用户共享用户为类别或群集定义的种类。《未公开》	无	该特征涉及共享用户自定义的类别。对比文件中的类别（如息肉、非息肉）是预定义的医学诊断类别，并未提及用户自定义类别或共享此类定义的功能。