病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质

技术领域

本发明涉及分类技术领域，尤其涉及一种病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质。

背景技术

肿瘤的成分，包括肿瘤细胞和肿瘤相关性间质组织(即肿瘤间质)。目前在临床工作肿瘤的分类，是以肿瘤细胞发生的部位、来源和形态特征等来进行，例如肺癌、乳腺癌、鳞状细胞癌、尿路上皮癌和腺癌等。目前，肿瘤的分类主要以肿瘤细胞为分类依据，没有反映患者机体的局部直接间质免疫反应特征。而肿瘤相关性间质组织内不同比例地分布有纤维母细胞、纤维细胞、淋巴细胞、浆细胞和中性粒细胞等免疫细胞，这些多因素参数的特征，反映了肿瘤细胞在机体内生活状态下的免疫系统的反应状态。

因此，做好肿瘤间质的分类是非常重要的，但是基于病理医生主观性判读肿瘤间质反应状态，是一个繁琐而又重复性不高的工作。故，亟需要一种快速准确地对肿瘤间质进行分类的方法。

发明内容

基于此，有必要针对上述问题，提出一种可以快速准确地对肿瘤间质进行分类的病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质。

一种病理图片中肿瘤间质分类方法，其特征在于，包括：

获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；

对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；

将所述肿瘤间质区域图像分割为多个小区域图像；

对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

一种病理图片中肿瘤间质分类装置，其包括：

获取模块，用于获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；

提取模块，用于对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；

分割模块，用于将所述肿瘤间质区域图像分割为多个小区域图像；

标记模块，用于对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：

获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；

对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；

将所述肿瘤间质区域图像分割为多个小区域图像；

对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：

获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；

对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；

将所述肿瘤间质区域图像分割为多个小区域图像；

对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

上述病理图片中肿瘤间质分类方法、装置、计算机设备及存储介质，首先，从病理图片中提取出肿瘤间质区域图像，然后将肿瘤间质区域图像分割为多个小区域图像，进而对每个小区域图像中包含的肿瘤间质进行类型识别并进行标记。该方法能够自动化地识别出肿瘤间质的类型并标记，不仅提高了分类的速度，而且提高了分类的准确度。进一步的，该病理图片中肿瘤间质分类方法不再依赖于人的主观判断，具有客观性，有利于被推广到临床实践中去。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中病理图片中肿瘤间质分类方法的流程图；

图2为一个实施例中针对划分出的小区域进行肿瘤间质类型识别的示意图；

图3为一个实施例中为8个肿瘤间质类型的特征示意图；

图4为一个实施例中叠加图像的效果示意图；

图5为一个实施例中病理图片中肿瘤间质分类装置的结构框图；

图6为另一个实施例中病理图片中肿瘤间质分类装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，提出了一种病理图片中肿瘤间质分类方法，该病理图片中肿瘤间质分类方法可以应用于终端，本实施例以应用于终端举例说明。该病理图片中肿瘤间质分类方法具体包括以下步骤：

步骤102，获取待分析的病理图片，病理图片中包括肿瘤间质区域。

其中，病理图片是肿瘤病理切片的图像。病理图片是包含有肿瘤组织的图像，肿瘤组织分为肿瘤细胞和肿瘤间质。所以病理图片中包括肿瘤间质区域和肿瘤细胞区域。

步骤104，对病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像。

其中，为了对肿瘤间质的类型进行识别，首先，需要从病理图片中提取出肿瘤间质区域图像。在一个实施例中，利用深度学习训练得到的肿瘤间质识别模型对病理图片中的肿瘤间质区域进行识别，然后进行提取，得到肿瘤间质区域图像。具体地，肿瘤间质识别模型可以采用如下方式训练得到，对训练样本集中的病理图片中的肿瘤区域和肿瘤间质区域进行人工标注，然后基于带有标签的病理样本图像利用深度学习的监督学习方式，进行不断迭代训练，最后训练得到肿瘤间质识别模型。

步骤106，将肿瘤间质区域图像分割为多个小区域图像。

其中，由于肿瘤间质区域图像中往往包含有多个类型的肿瘤间质类型，为了更准确地识别出每个区域的肿瘤间质类型，将肿瘤间质区域划分为多个小区域，得到多个小区域图像。小区域图像的大小可以根据实际情况预先设置。如图2所示，针对划分出的小区域进行肿瘤间质类型识别的示意图，图2中展示了划分出的两个小区域，后续针对小区域进行肿瘤间质类型识别。

步骤108，对每个小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

其中，预先根据肿瘤间质的特征将肿瘤间质分为多个类型，然后根据小区域图像中包含的肿瘤间质的特征来进行类型识别，并根据识别得到的结果进行标记。

在一个实施例中，预先将肿瘤间质分为8个类型，分别为(1)纤维细胞较丰富型；(2)较多淋巴细胞、少量血管型；(3)较多淋巴细胞型；(4)血管丰富型；(5)较多淋巴细胞、中性粒细胞型；(6)较多淋巴细胞、粘液变性型；(7)大量淋巴细胞、血管较丰富型；(8)粘液变性型。如图3所示，为8个肿瘤间质类型的特征示意图。

针对不同的类型，设置不同的标记。比如，可以设置不同的形状来标记，比如，可以将第(1)类型型的标记设置为三角形，第(2)类型型的标记设置为圆形，依次类推。在另一个实施例中，也可以设置不同的颜色来标记，比如，将第(1)种用黄色来标记；第(2)种用绿色来标记；第(3)种用海蓝色来标记；第(4)种用橙黄色来标记；第(5)种水泥灰色来标记；第(6)种用橙色来标记；第(7)种用深蓝色来标记；第(8)种用黑色来标记。

在一个实施例中，一个小区域图像对应的标记类型为一种。在另一个实施例中，一个小区域图像的不同区域可以标记为不同的类型。

上述病理图片中肿瘤间质分类方法，首先，从病理图片中提取出肿瘤间质区域图像，然后将肿瘤间质区域图像分割为多个小区域图像，进而对每个小区域图像中包含的肿瘤间质进行类型识别并进行标记。该方法能够自动化地识别出肿瘤间质的类型并标记，不仅提高了分类的速度，而且提高了分类的准确度。进一步的，该病理图片中肿瘤间质分类方法不再依赖于人的主观判断，具有客观性，有利于被推广到临床实践中去。

在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。

其中，不同的肿瘤间质的特征不同，可以根据提取到的特征来确定肿瘤间质的类型。具体地，计算机根据形态学进行特征提取，然后根据提取到的特征进行分类。其中，形态学特征包括：是否含有淋巴细胞、浆细胞、中性粒细胞，以及数量的多与少，间质是否丰富，间质内纤维细胞、纤维母细胞等数量，血管的类型、数量与分布模式以及是否伴有纤维变性、粘液变性、钙化等形态学特征。

肿瘤间质的类型对应的标识可以为图形标识，也可以是颜色标识，当然也可以是其他标识，比如，数字标识等。在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。

其中，颜色标识可以采用色块填充的方式进行标识，即标记的方式可以采用颜色填充的方式进行标记，当识别到小区域图像中包含的肿瘤间质类型时，采用与该类型对应的颜色填充该小区域图像。

在一个实施例中，在所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记之后，还包括：根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。

其中，每个小区域图像都对应有相应的类型标记，不同小区域图像对应的类型标记可能相同，也可能不同。肿瘤间质图像中包含有多个小区域图像，统计同一类型标记对应的区域面积，同一类型标记对应的区域面积越大，该类型标记越能够反映该肿瘤间质的状态。

肿瘤间质的状态实际上反映了机体的局部直接免疫反应特征，即反映了机体免疫系统与肿瘤细胞之间的相关作用水平。也就是说，肿瘤间质的类型可以用来作为一个评价指标来评价肿瘤的状态。

在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。

其中，肿瘤间质类型的识别是通过是采用模型得到的，通过人为标注不同的小区域图像对应的类型来得到训练样本集，然后基于深度学习采用有监督的训练方式进行训练，学习得到各种肿瘤间质类型的特征，进而得到肿瘤间质分类模型。通过将小区域图像作为肿瘤间质分类识别模型的输入，即可得到输出的识别类型，然后根据识别到的类型进行标记。

在一个实施例中，所述对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像，包括：将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。

其中，将肿瘤间质区域从病理图片中识别出来也可以采用模型识别的方式，肿瘤间质识别模型用于识别肿瘤间质区域。识别出肿瘤间质区域后，将识别的肿瘤间质区域从病理图片中分割出来，即仅保留肿瘤间质区域。

在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；该方法还包括：从所述病理图片中提取出肿瘤细胞区域图像；根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。

其中，为了能够让病理医生根据肿瘤细胞和肿瘤间质特征进行准确地评价，需要将肿瘤细胞和肿瘤间质特征展示到病理医生的电脑端。而为了病理医生能够更加准确地判断，通过将肿瘤细胞区域与标记后的肿瘤间质区域进行叠加，然后一起展示。具体地，采用与肿瘤间质类型对应的颜色填充小区域图像。由于肿瘤间质区域图像可以看作是一个个小区域图像组成的，所以将填充后的小区域图像再拼接得到填充后的肿瘤间质区域图像，并将肿瘤细胞区域图像以小图像的方式叠加到肿瘤间质区域图像的中间部位，然后将叠加后的图像进行展示，如图4所示，为一个实施例中，叠加图像的效果示意图，中间的小图像为肿瘤细胞区域图像，小图像周围的区域为用不同颜色填充后的肿瘤间质区域图像的示意图。

肿瘤间质的类型可以反映机体的局部直接免疫反应特征，反映了机体免疫系统与肿瘤细胞之间的相关作用水平。通过对肿瘤间质的类型进行识别，更加客观、全面的、系统的、自动化的评估肿瘤间质的生活反应状态。

肿瘤间质的类型可以作为一个肿瘤评价指标，病理医生可以结合肿瘤细胞的特征和肿瘤间质的类型来进行综合性的评判，相对于原来仅仅依据肿瘤细胞的特征进行评判的方式，该方式明显更具准确性。

上述病理图片中肿瘤间质分类方法，通过自动化进行分类，实现了评估肿瘤生活间质反应状态特征的参数，减少了病理医生的工作流程和工作量，同时提高了评估的准确性、一致性、重复性，也大大提高了工作效率。

病理医生或医学研究者，可利用肿瘤间质的分类方法(即肿瘤间质生活反应状态评估的方法)，与肿瘤患者的预后、药物治疗反应，如靶向治疗、免疫治疗等相关的患者紧密联系在一起。通过一定相关数据量的关联、统计分析。找出预测肿瘤患者生活质量、生存期、药物反应的敏感性等重要参数。

如图5所示，在一个实施例中，提出了一种病理图片中肿瘤间质分类装置，包括：

获取模块502，用于获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；

提取模块504，用于对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；

分割模块506，用于将所述肿瘤间质区域图像分割为多个小区域图像；

标记模块508，用于对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

在一个实施例中，所述标记模块还用于提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。

在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。

在一个实施例中，上述病理图片中肿瘤间质分类装置还包括：

统计确定模块，用于根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。

在一个实施例中，所述标记模块还用于将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。

在一个实施例中，所述提取模块还用于将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。

如图6所示，在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；所述提取模块还用于从所述病理图片中提取出肿瘤细胞区域图像；

上述装置还包括：

填充模块510，用于根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；

叠加模块512，用于将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。

图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图7所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述的病理图片中肿瘤间质分类方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述的病理图片中肿瘤间质分类方法。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；将所述肿瘤间质区域图像分割为多个小区域图像；对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。

在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。

在一个实施例中，在所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记之后，所述计算机程序被所述处理器执行时，还用于执行以下步骤：

根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。

在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。

在一个实施例中，所述对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像，包括：将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。

在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；所述计算机程序被所述处理器执行时，还用于执行以下步骤：从所述病理图片中提取出肿瘤细胞区域图像；根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。

在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：获取待分析的病理图片，所述病理图片中包括肿瘤间质区域；对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像；将所述肿瘤间质区域图像分割为多个小区域图像；对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记。

在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：提取所述小区域图像中包含的肿瘤间质的特征，根据提取到的特征确定所述肿瘤间质的类型；获取与所述肿瘤间质的类型对应的标识，采用所述标识对所述肿瘤间质的类型进行标记。

在一个实施例中，所述标识为颜色标识，不同类型的肿瘤间质对应不同的颜色标识。

在一个实施例中，在所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记之后，所述计算机程序被所述处理器执行时，还用于执行以下步骤：

根据所述肿瘤间质区域图像中各个小区域图像对应的类型标记，统计同一类型标记对应的区域面积，根据不同类型标记对应的不同区域面积确定肿瘤间质区域的状态。

在一个实施例中，所述对每个所述小区域图像中包含的肿瘤间质进行类型识别，并根据识别到的类型进行标记，包括：将所述小区域图像作为肿瘤间质分类识别模型的输入，所述肿瘤间质分类识别模型用于对所述小区域图像进行特征识别，确定所述小区域图像中的肿瘤间质的类型；获取所述肿瘤间质分类识别模型识别出的类型，并对所述识别到的类型进行标记。

在一个实施例中，所述对所述病理图片中的肿瘤间质区域进行识别并提取出肿瘤间质区域图像，包括：将所述病理图片作为肿瘤间质区域识别模型的输入，获取所述肿瘤间质识别模型输出的识别结果；根据识别结果将肿瘤间质区域从所述病理图片中分割出来。

在一个实施例中，所述病理图片中还包括：肿瘤细胞区域；所述计算机程序被所述处理器执行时，还用于执行以下步骤：从所述病理图片中提取出肿瘤细胞区域图像；根据所述肿瘤间质区域图像中小区域图像包含的肿瘤间质的类型采用与所述类型对应的颜色填充所述小区域图像，得到颜色填充后的肿瘤间质区域图像；将所述肿瘤细胞区域图像以小图像的方式叠加到颜色填充后的肿瘤间质区域图像的中间部位，将叠加后的图像进行展示。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。