对比文件名称：2004-12-16_US2004252870A_发明申请_US20040252870A1 System and method for three-dimensional image rendering and analysis
目标专利名称：将系统数据缩放集成到基于遗传算法的特征子集选择中的方法和装置 CN101501712B
本次调用的模型名称：Gemini Advanced
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A：使用系统数据缩放方法** <br><br> **【未公开】** | 对比文件D1 [0228]讨论了各向同性重采样（Isotropic Resampling）：“Three-dimensional supersampling is the process by which the image is given a new representation in units bearing a higher spatial frequency than those in the original image, resulting in an improvement in image resolution.”（三维超采样是通过给图像赋予一个在空间频率上高于原始图像的单元的新表示的过程，从而改善图像分辨率。） | 对比文件D1公开的是图像处理中的分辨率重采样技术，其目的是改善图像质量。目标专利的“系统数据缩放方法”特指在机器学习训练阶段，通过去除形成Tomek链的临界假阳性案例并利用向下缩放因子x来控制训练集的正负样本比例，从而优化分类器训练（参见目标专利说明书[0011]、[0049]-[0052]）。D1完全没有公开该特定的训练集缩放技术方案，本领域技术人员无法从D1的图像重采样技术直接且毫无疑义地确定目标专利的系统数据缩放方法。 |
| **技术特征B：从一组训练案例中选择训练集** <br><br> **【隐含公开】** | D1 [0536]“Using a known set of observation vectors, x, and the corresponding vector of outputs, y, to optimize the coefficients of the model”（使用一组已知的观测向量x和对应的输出向量y来优化模型的系数）。 | 对比文件D1在构建逻辑回归等分类器时，必然需要从一组训练案例中选取训练集来优化模型参数。虽然D1没有明确写出“选择训练集”这一步骤，但这是本领域技术人员进行机器学习训练时的常规操作，也是D1公开内容的必然隐含前提。因此，本领域技术人员能够合理推断出该技术特征被隐含公开。 |
| **技术特征C：使用分类方法** <br><br> **【直接公开】** | D1 [0061]“The selection of candidate regions may be refined by one or more automated decision-making steps. Both neural networks [93, 59] and rule-based [8] systems have been used in this capacity.”（候选区域的选择可以通过一个或多个自动决策步骤来细化。神经网络和基于规则的系统已被用于此功能。） | 对比文件D1明确公开了使用神经网络、基于规则的系统等分类方法对候选区域进行分类，以细化假阳性减少过程。这与目标专利中“使用分类方法”的技术特征完全一致，且均用于减少假阳性、提高分类准确性。因此，该技术特征被直接公开。 |
| **技术特征D：基于所述训练集来创建分类器** <br><br> **【直接公开】** | D1 [0536]“Once promising individual parameters were determined, combinations thereof can be used to generate logistic regression models for the classification of nodules.”（一旦确定了有希望的个别参数，就可以使用它们的组合来生成用于结节分类的逻辑回归模型。） | 对比文件D1明确公开了基于参数（训练集特征）来生成逻辑回归模型（即分类器）的技术方案，其本质就是基于训练集创建分类器。这与目标专利的技术特征D相同。因此，该技术特征被直接公开。 |
| **技术特征E：其中所述系统数据缩放方法和所述分类方法产生所述分类器** <br><br> **【未公开】** | D1未公开系统数据缩放方法，仅在[0033]及[0061]等处公开了分类方法。 | 由于对比文件D1完全没有公开技术特征A（系统数据缩放方法），因此自然无法公开该特征E。D1的分类器是基于原始图像数据或统计参数直接生成的，而非通过系统数据缩放方法结合分类方法产生。该技术特征未被公开。 |
| **技术特征F：从而减少假阳性并提高分类准确性** <br><br> **【直接公开】** | D1 [0062]“A typical result is 2-7 false-positives per image, with sufficient sensitivity (over 70%)”（每张图像典型的假阳性结果为2-7个，同时具有足够的灵敏度（超过70%））。D1 [0061]描述了通过分类细化候选区域。 | 对比文件D1的整个CAD系统都是为了减少假阳性并提高诊断准确性。D1明确指出了分类方法用于减少假阳性，其目标和技术效果与目标专利的技术特征F完全一致。因此，该技术特征被直接公开。 |
| **技术特征G：其中所述分类器从由支持向量机、神经网络和决策树组成的组中进行选择** <br><br> **【直接公开】** | D1 [0042]“The term 'classifier' as used herein describes any type of method or apparatus that is capable of predicting which group or class an object belongs to. This definition includes but is not limited to: data mining tools and techniques, such as support vector machines, neural networks and decision trees.”（本文使用的术语“分类器”描述了能够预测对象属于哪个组或类别的任何类型的方法或装置。该定义包括但不限于：数据挖掘工具和技术，如支持向量机、神经网络和决策树。） | 对比文件D1明确界定了分类器包括支持向量机、神经网络和决策树，与目标专利特征G的选择范围完全一致。因此，该技术特征被直接公开。 |
| **技术特征I：所述方法进一步包括使用测试集对基于所述训练集由所述分类方法产生的所述分类器进行评价** <br><br> **【直接公开】** | D1 [0563]“An n-way (leave-one-out) cross-validation approach was also used to evaluate the performance of the model based on 3D metrics”（一种n-way（留一法）交叉验证方法也被用于评估基于3D指标的模型性能）。 | 交叉验证是机器学习中利用测试集评估分类器性能的标准方法。D1明确公开了使用交叉验证（留一法）来评估模型，这必然包含使用测试集对基于训练集产生的分类器进行评价。因此，该技术特征被直接公开。 |
| **技术特征K：其中选择进一步包括从所述训练集中去除与真结节形成Tomek链的假结节** <br><br> **【未公开】** | D1未公开任何关于Tomek链的信息。 | “Tomek链”是目标专利中用于识别和去除临界假阳性案例的特定概念。对比文件D1通篇未提及Tomek链，也未公开任何类似的选择性去除训练集中特定假阳性样本的技术。因此，该技术特征未被公开。 |
| **技术特征L：直到满足一个阈值** <br><br> **【未公开】** | D1 [0256]等公开了图像分割的阈值，但未公开训练集缩放中的阈值。 | 该特征中的“阈值”是系统数据缩放方法的一部分，用于控制去除程度。D1中虽然存在阈值技术（如图像分割阈值），但其作用对象、目的和应用场景完全不同。D1未公开在训练集缩放过程中使用阈值来控制Tomek链去除数量的技术。因此，该技术特征未被公开。 |
| **技术特征N：其中相对于向下缩放因子x来确定所述阈值** <br><br> **【未公开】** | D1未公开向下缩放因子x。 | 对比文件D1未公开任何关于“向下缩放因子”的概念，也未公开根据该因子来确定阈值的技术方案。因此，该技术特征未被公开。 |
| **技术特征O：使得在系统数据缩放后留在所述训练集中的假结节的数量不超过所述训练集中的真结节的数量的x倍** <br><br> **【未公开】** | D1未公开该特定比例关系。 | 该特征是对系统数据缩放结果的具体量化限定，即通过控制假结节与真结节的比例来优化训练集。对比文件D1中完全没有公开任何关于训练集中正负样本比例控制的技术或概念。因此，该技术特征未被公开。 |
| **技术特征Q：其中所述方法进一步包括利用该组训练案例或其子集来验证所述分类器** <br><br> **【直接公开】** | D1 [0563]“An n-way (leave-one-out) cross-validation approach was also used to evaluate the performance of the model based on 3D metrics”（一种n-way（留一法）交叉验证方法也被用于评估基于3D指标的模型性能）。 | 留一法交叉验证是利用训练案例的子集来验证分类器的最典型方法。D1明确公开了使用交叉验证来评估模型，这直接对应于目标专利特征Q中“利用该组训练案例或其子集来验证所述分类器”。因此，该技术特征被直接公开。 |
<<<b>>><<<C>>><<<D>>><<<F>>><<<G>>><<<I>>><<<Q>>>