用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像的系统和方法与流程

用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像的系统和方法


背景技术：

1.本文公开的主题涉及医学成像，并且更具体地，涉及用于带扩展视场线圈灵敏度校准的基于深度学习的加速磁共振成像(mri)的系统和方法。
2.非侵入性成像技术允许获得患者/对象的内部结构或特征的图像，而无需对患者/对象执行侵入性过程。具体地讲，此类非侵入性成像技术依赖于各种物理原理(诸如x射线穿过目标体积的差分透射、体积内的声波反射、体积内不同组织和材料的顺磁性、目标放射性核素在体内的分解等)，以采集数据和构建图像或以其它方式表示观察到的患者/对象的内部特征。
3.最近，在mri中已经利用基于深度学习(dl)的重建方法来通过利用从历史mri数据中学习到的先验信息来加速mr扫描。大多数基于深度学习的重建框架都结合了并行成像技术(其需要多通道线圈阵列的灵敏度信息)以进一步增加加速因子。自校准是一种广泛使用的线圈灵敏度校准策略(例如，c3校准)，其利用完全采样的中心k空间来估计灵敏度图。然而，具有有限视场(fov)的扫描可能导致有问题的灵敏度估计，从而导致最终重建图像的退化。具体地讲，当在有限的fov中采集mr扫描时，在相位编码方向上，可以利用迭代dl重建来放大组织包裹效应(混叠)，从而导致最终重建图像的退化。另外，某些重建方法可能会增加计算时间。因此，需要一种提供灵敏度信息的替代方法。


技术实现要素：

4.下文示出了本文所公开的某些实施方案的概述。应当理解，提供这些方面仅仅是为了向读者提供这些特定实施方案的简要概述，并且这些方面并非旨在限制本公开的范围。实际上，本公开可涵盖下文可能未示出的各个方面。
5.在一个实施方案中，提供了一种基于dl的图像重建系统。该系统包括编码处理器可执行例程的存储器。该系统还包括处理部件，该处理部件配置为访问存储器并执行处理器可执行例程，其中这些例程在由处理部件执行时，使处理部件执行动作。这些动作包括向神经网络提供磁共振成像(mri)系统的线圈的灵敏度图。这些动作还包括向神经网络提供交错的k空间数据，其中该交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在部分k空间数据的采集期间利用的fov不同的扩展视场(fov)，其中在mri系统的感兴趣区域的扫描期间获得部分k空间数据。这些动作还包括至少基于灵敏度图和交错的k空间数据从神经网络输出至少一个最终重建mr图像，其中该至少一个最终重建mr图像包括在部分k空间数据的采集期间利用的fov。
6.在另一个实施方案中，提供了一种基于深度学习的图像重建方法。该方法包括经由处理器向神经网络提供磁共振成像(mri)系统的线圈的灵敏度图。该方法还包括经由处理器向神经网络提供交错的k空间数据，其中交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在该部分k空间数据的采集期间利用的fov不同的扩展视场(fov)，其中在该mri系统的感兴趣区域的扫描期间获得该部分k空间数据。该方法还包
括经由处理器至少基于灵敏度图和交错的k空间数据从神经网络输出至少一个最终重建mr图像，其中该至少一个最终重建mr图像包括在部分k空间数据的采集期间利用的fov。
7.在另一个实施方案中，一种非暂态计算机可读介质，该计算机可读介质包括处理器可执行代码，该处理器可执行代码在由处理器执行时使处理器执行动作。这些动作包括向神经网络提供磁共振成像(mri)系统的线圈的灵敏度图。这些动作还包括向神经网络提供交错的k空间数据，其中该交错的k空间数据包括与零或合成的k空间数据交错的部分k空间数据，以提供与在部分k空间数据的采集期间利用的fov不同的扩展视场(fov)，其中在mri系统的感兴趣区域的扫描期间获得部分k空间数据。这些动作还包括至少基于灵敏度图和交错的k空间数据从神经网络输出至少一个最终重建mr图像，其中该至少一个最终重建mr图像包括在部分k空间数据的采集期间利用的fov。
附图说明
8.当参考附图阅读以下详细描述时，将更好地理解本公开的这些和其他特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：
9.图1示出了适合与本发明所公开的技术一起使用的磁共振成像(mri)系统的实施方案；
10.图2是示出根据本公开的各方面的用于带扩展fov线圈灵敏度校准的基于dl的mri重建的神经网络的利用的示意图；
11.图3是根据本公开的各方面的用于带外部线圈灵敏度校准的基于dl的mri重建的方法的流程图；并且
12.图4示出了利用外部校准重建的mr图像与利用自校准重建的mr图像的比较。
具体实施方式
13.在下面将描述一个或多个具体的实施方案。为了提供这些实施方案的简明描述，并非实际具体实施的所有特征都要在说明书中进行描述。应当理解，在任何此类实际具体实施的开发中，如在任何工程或设计项目中，必须做出许多特定于具体实施的决策以实现开发者的具体目标，诸如遵守可能因具体实施而不同的系统相关和业务相关约束。此外，应当理解，此类开发努力可能是复杂且耗时的，但对于受益于本公开的普通技术人员来说仍然是设计、制作和制造的常规任务。
14.介绍本发明主题的各种实施方案的要素时，冠词“一个”、“一种”、“该”和“所述”旨在表示存在一个或多个(种)所述要素。术语“包括”、“包含”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。此外，以下讨论中的任何数值示例旨在非限制性的，并且因此附加的数值、范围和百分比在所公开的实施方案的范围内。
15.虽然在医学成像背景中提供以下讨论的各个方面，但应当理解，本发明所公开的技术不限于此类医学背景。实际上，在此类医学背景中提供示例和解释仅是为了通过提供现实具体实施和应用的实例来便于进行解释。然而，本发明所公开的技术可也用于其它背景中，诸如对所制造零件或货物的非破坏性检查(即质量控制或质量审查应用场景)和/或对包裹、盒、行李箱等的非侵入式检查(即安检或筛检应用场景)的图像重建。一般来讲，本发明所公开的技术可用于任何成像或筛检背景或图像处理或摄影领域，其中所采集的一组
或一类数据经历重建过程以生成图像或体积。
16.本文所讨论的深度学习(dl)方法可基于人工神经网络，因此可能涵盖以下一项或多项：深度神经网络、全互连网络、卷积神经网络(cnn)、展开神经网络、感知器、编解码器、递归网络、小波滤波器组、u-net、生成式对抗网络(gan)或其它神经网络架构。神经网络可包括捷径、激活、批归一化层和/或其它特征。这些技术在本文中被称为dl技术，但是可也特别地参考深度神经网络的使用来使用该术语，深度神经网络是具有多个层的神经网络。
17.如本文所讨论的，dl技术(可也称为深度机器学习、分级学习或深度结构化学习)是机器学习技术的分支，其采用数据的数学表示以及用于学习和处理此类表示的人工神经网络。例如，dl方法可表征为它们使用一个或多个算法来提取一类关注数据的高度抽象概念或对其进行建模。这可以使用一个或多个处理层来完成，其中每个层通常对应于不同的级别的抽象概念，并且因此可能采用或利用初始数据的不同的方面或前一层的输出(即，层的分级结构或级联结构)作为给定层的过程或算法的目标。在图像处理或重建背景中，这可以被表征作为对应于数据中的不同的特征级别或分辨率的不同的层。一般来讲，可将一个表示空间到下一级表示空间的处理视为过程的一个“阶段”。过程的每个阶段可由单独的神经网络或由一个较大神经网络的不同的部分来执行。
18.本公开提供了用于改进基于dl的加速mri重建的系统和方法。具体地讲，利用外部线圈灵敏度校准来改善图像重建。具体地讲，执行从中提取线圈灵敏度图的扩展fov校准mri采集(例如，第一fov大到足以覆盖被成像的感兴趣对象)，而在感兴趣对象(例如，利用并行成像技术的加速mri扫描)的单独采集(例如，第二fov小于第一fov)中，获得部分或欠采样的k空间数据。扩展fov校准mri采集和利用较小fov的数据采集可以在相同的成像扫描或单独的成像扫描中发生。在单独的扫描中，扩展fov校准扫描被认为是外部校准mri扫描。部分k空间数据与零或合成的k空间数据交错，以扩展fov(例如，在相位编码维度中)。将具有扩展fov的交错k空间数据和线圈灵敏度图输入到执行图像重建并输出一个或多个最终重建图像的神经网络(例如，展开神经网络)中。神经网络可以从具有扩展fov的交错k空间数据和线圈灵敏度图生成一个或多个重建图像，并且调整重建图像的fov(到在部分k空间数据的采集期间利用的fov)以生成最终重建图像。利用外部线圈灵敏度校准的改进的基于dl的加速mri重建可以最小化或消除通常随着迭代dl重建而发生的混叠伪影(即，组织包裹效应)，同时维持图像质量。
19.考虑到上述情况，图1，磁共振成像(mri)系统100示意性地示出为包括扫描器102、扫描器控制电路104和系统控制电路106。根据本文所述的实施方案，mri系统100通常被配置为执行mr成像。
20.系统100还包括：远程访问和存储系统或装置，诸如图像存档和通信系统(pacs)108；或其他装置，诸如远程放射设备，使得能够现场访问或异地访问由系统100获取的数据。这样，可采集mr数据，然后进行现场或异地处理和评估。虽然mri系统100可包括任何合适的扫描器或检测器，但在例示的实施方案中，系统100包括具有外壳120的全身扫描器102，穿过外壳将形成孔122。诊断台124可移入孔122中，使患者126可定位在其中，以对患者体内的所选解剖结构进行成像。
21.扫描器102包括用于产生受控磁场的一系列相关联线圈，受控磁场用于激励正被成像的受检者的解剖结构内的旋磁材料。具体地讲，提供初级磁体线圈128，用于生成与孔
122大致对齐的初级磁场b0。一系列梯度线圈130、132和134允许在检查序列期间生成受控梯度磁场，用于对患者126体内的某些旋磁核进行位置编码。射频(rf)线圈136被配置成生成射频脉冲，用于激励患者体内的某些旋磁核。除可位于扫描器102本地的线圈之外，系统100还包括被配置用于放置在患者126近侧(例如，抵靠患者)的一组接收线圈138(例如，线圈阵列)。例如，接收线圈138可包括颈椎/胸椎/腰椎(ctl)线圈、头部线圈、单面脊线圈等。一般来讲，接收线圈138放置在患者126近处或头顶，以便接收在患者126返回其松弛状态时由患者体内的某些旋磁核生成的弱rf信号(弱是相对于由扫描器线圈生成的传输脉冲而言)。
22.系统100的各种线圈由外部电路控制，以受控方式生成所需的场和脉冲并且读取来自旋磁材料的发射。在例示的实施方案中，主电源140向初级场线圈128提供电力以生成初级磁场bo。电力输入44(例如，来自公用设施或电网的电力)、配电单元(pdu)、电源(ps)和驱动器电路150可一起提供电力，以使梯度场线圈130、132和134产生脉冲。驱动电路150可包括放大和控制电路，其用于按照由扫描器控制电路104输出的数字化脉冲序列的限定向线圈供应电流。
23.提供了另一个控制电路152，用于调节rf线圈136的操作。电路152包括用于在有源操作模式和无源操作模式之间交替的开关装置，其中rf线圈136分别传输信号和不传输信号。电路152还包括被配置为生成rf脉冲的放大电路。类似地，接收线圈138连接到开关154，该开关能够在接收模式和非接收模式之间切换接收线圈138。因此，在接收模式下，接收线圈138与患者126体内的旋磁核释放而产生的rf信号谐振，而在非接收模式下，它们不与来自传输线圈(即，线圈136)的rf能量谐振以便防止发生非预期操作。另外，接收电路156被构造成接收由接收线圈138检测到的数据，并且可包括一个或多个多路复用和/或放大电路。
24.应当指出的是，虽然上述扫描器102和控制/放大电路示出为由单根线联接，但在实际实例中可存在许多此类线。例如，可使用单独的线进行控制、数据通信、电力传输等。此外，可沿每种类型的线设置合适的硬件，用于正确处理数据和电流/电压。实际上，可在扫描器与扫描器控制电路104和系统控制电路106中的任一者或两者之间设置各种滤波器、数字转换器和处理器。
25.如图所示，扫描器控制电路104包括接口电路158，该电路输出用于驱动梯度场线圈和rf线圈以及用于接收代表检查序列中所产生磁共振信号的数据的信号。接口电路158联接到控制和分析电路160。基于经由系统控制电路106选择的限定方案，控制和分析电路160执行用于驱动电路150和电路152的命令。
26.控制和分析电路160还用于接收磁共振信号，以及在将数据传输至系统控制电路106之前执行后续处理。扫描器控制电路104还包括一个或多个存储器电路162，该电路在操作期间存储配置参数、脉冲序列描述、检查结果等。
27.接口电路164联接到控制和分析电路160，用于在扫描器控制电路104与系统控制电路106之间交换数据。在某些实施方案中，控制和分析电路160虽然被示出为单个单元，但可包括一个或多个硬件装置。系统控制电路106包括接口电路166，该电路从扫描器控制电路104接收数据并且将数据和命令传输回扫描器控制电路104。控制和分析电路168可包括通用或特定于应用的计算机或工作站上的cpu。控制和分析电路168联接到存储器电路170，以存储用于操作mri系统100的编程代码，以及存储经处理的图像数据以供稍后重建、显示
和传输。编程代码可执行一个或多个算法，该一个或多个算法被配置为在由处理器执行时执行如下所述的采集数据的重建。在某些实施方案中，存储器电路170可以存储用于如下所述的采集数据的重建的一个或多个神经网络。在某些实施方案中，图像重建可以在具有处理电路和存储器电路的单独计算装置上发生。
28.可提供另外的接口电路172，用于与外部系统部件诸如远程访问和存储装置108交换图像数据、配置参数等。最后，系统控制和分析电路168可通信地联接到各种外围装置，用于有利于操作员界面并且产生重建图像的硬拷贝。在例示的实施方案中，这些外围装置包括打印机174、显示器176和用户界面178，用户界面包括诸如键盘、鼠标、触摸屏(例如，与显示器176集成在一起)等装置。
29.图2是示出用于带扩展fov线圈灵敏度校准(当在单独的扫描中采集校准数据时为外部线圈灵敏度校准)的基于dl的mri重建的神经网络的利用的示意图。带fov线圈灵敏度校准的基于dl的mri重建可以在图1中的mri系统100的电路上或在单独的计算装置上执行。作为典型的自校准方法的替代方案，可以利用扩展fov校准扫描来获得线圈灵敏度(在单独的扫描或相同的扫描中)。与典型的自校准不同，扩展fov校准采集可以具有来自目标序列的不同规定的fov(即，采集扫描以获得感兴趣对象的图像数据)。因此，校准扫描将具有大型fov以覆盖图像受检者并避免灵敏度校准中的混叠效应。另外，优化外部校准扫描参数以使图像信噪比最大化，同时最小化其它图像伪影效应(例如，化学位移)。此外，外部校准扫描的扫描时间可能少于10秒，并且因此不会显著延长整个mr扫描。
30.如图2所描绘的，扩展fov校准线圈灵敏度可以与基于神经网络的(例如，展开神经网络)重建组合利用。如所描绘的，一个或多个初始图像(mr图像)180、线圈灵敏度图182和扩展fov k空间数据184作为输入被馈送到dl图像重建网络186(例如，神经网络)。
31.从第一fov处的感兴趣对象(例如，患者的一部分)的mri扫描采集预期的欠采样或部分k空间数据188(例如，多相k空间数据)。在某些实施方案中，可以在电影成像序列期间采集k空间数据以捕获运动(例如，在心动周期的不同相位期间的心脏的运动)。在某些实施方案中，mri扫描是利用平行成像技术的加速扫描(例如，其中来自单独线圈的信号被放大、数字化并且沿单独的通道同时处理)以减少扫描时间。扩展fov k空间数据184通过将欠采样k空间数据188与零(例如，在相位编码维度中)或合成k空间数据交错来导出，以扩展fov，使得其不同于(并且大于)在扫描期间利用的fov以采集欠采样k空间数据188。一个或多个初始图像180通过扩展fov k空间数据184的线圈组合重建来重建。
32.从在与感兴趣对象的加速扫描分开的外部校准扫描(在第二fov处)期间采集的数据中提取线圈灵敏度图182。例如，外部校准扫描可以在加速扫描之前或之后发生。在某些实施方案中，从在相同的扫描期间采集的校准数据(在第二fov处)中提取线圈灵敏度图182。第二fov不同于(并且大于)第一fov(在采集k空间数据期间利用)。根据目标扫描的位置(例如，加速扫描)和扩展fov k空间数据184的扩展fov两者，从校准数据中提取线圈灵敏度图182。线圈灵敏度图182包括匹配扩展fov的校准fov。对于所有通道，校准fov的中心k空间区域之外的区域都用零填充。
33.如所描绘的，dl图像重建网络186是展开神经网络。具体地讲，根据某些方面，图像重建被表示为展开(即非环状)过程，其中所有计算步骤在不重复的情况下以固定序列发生，并且其中数据保真计算和/或图像更新计算并入神经网络。由于迭代步骤的展开性质，
可以在过程的不同阶段或步骤采用不同的神经网络或模型，以便优化重建过程的性能。另选地，可以在展开过程的多个(或全部)重复步骤(例如，数据拟合步骤和/或图像更新步骤)处使用相同的神经网络或模型。相比之下，未展开的(即，环状的)迭代过程在每次迭代中重复相同的操作。可通过回顾性欠采样数千个完全采样的图像来训练网络186。完全采样的图像可以用作基本事实。在某些实施方案中，网络186可利用不同类型的神经网络。
34.dl图像重建网络186包括多个步级或迭代块189(例如，如所描绘的步级1到步级n)。步级189的数量可变化。步级189通过直接连接从一个步级连接到下一个步级。每个步级或迭代块189包括数据一致性层或单元190和图像域神经网络层或正则化单元192。数据一致性层190被配置为在相应步级或迭代块输出中保持线圈数据的保真度。图像域神经网络层192被配置为基于来自相应进行的迭代块或步级的相应输出来生成正则化信息。正则化信息代表了减少每个迭代块或步级的输出中的概括误差所需的额外信息。
35.图像域神经网络层192可以由全卷积残差网络(例如，3d时空卷积神经网络)形成。每个图像域神经网络192可以由多个3d卷积层组成(例如，每个3d卷积层具有3
×3×
3个核)，该多个3d卷积层使用沿着相位编码和时间方向的圆形填充来利用，以在二维中强制执行圆形边界条件。初始卷积将一个或多个图像扩展成通过网络传播的特征图，直到其中特征图被重组成原始数目的输入图像的最终卷积。每个卷积层之前是relu预激活层，这些relu预激活层在每个图像/特征通道上单独运行。
36.如所描绘的，一个或多个初始图像180、线圈灵敏度图182和扩展fov k空间数据184被馈送到步级1的数据一致性层190中，该数据一致性层经由单个图像通道耦合到图像域神经网络层192并向其提供一个或多个输入图像。在某些实施方案中，数据一致性层190和图像域神经网络层192经由多个图像通道耦合。由图像域神经网络层192生成一个或多个输出图像(以及线圈灵敏度图182和扩展fov k空间数据184)并提供给下一步级或迭代块189的数据一致性层190。此过程在每个后续步级发生。最终步级189或迭代块(即，步级n)输出一个或多个重建图像194。一个或多个重建图像194(其处于扩展fov处)的fov被改变为在采集欠采样k空间数据188期间利用的fov以生成一个或多个最终重建图像196(mr图像)。由网络186生成的每个重建图像194是多通道输出，其在最终重建图像196中组合成单个通道。最终重建图像196不含混叠伪影。
37.图3是用于带外部线圈灵敏度校准的基于dl的mri重建的方法198的流程图。图1中的mri系统100的一个或多个部件可以用于执行方法198。方法198的一个或多个步骤可同时执行或以与图3所示的不同顺序执行。方法198包括用mri系统执行单独的外部校准扫描(框200)以获得校准数据202。方法198还包括利用mri系统对感兴趣对象(例如，患者身体的部分)执行加速扫描(例如，利用平行成像技术)(框204)以获得部分或欠采样k空间数据(例如，多相k空间数据)。单独的外部校准扫描可以在加速扫描之前或之后发生。在某些实施方案中，外部校准扫描和加速扫描可利用不同的采集序列。例如，外部校准扫描可以利用基于3dgre的线圈校准序列，而加速扫描可以利用2d加速电影序列或平衡稳态梯度回波序列。在某些实施方案中，可以在相同的扫描期间采集校准数据。在任一情况下，用于采集校准数据的fov大于在扫描的加速部分期间利用的fov。
38.方法198包括扩展欠采样k空间数据206的fov以生成扩展fov k空间数据208(框210)。通过将欠采样k空间数据206与零或合成k空间数据交错来形成扩展fov k空间数据
208。扩展fov k空间数据208的扩展fov大于用于采集欠采样k空间的fov但小于校准扫描的fov。方法198还包括从欠采样k空间数据206重建一个或多个初始图像214(框212)。
39.方法198还包括从校准数据202中提取线圈灵敏度图216(框218)。根据目标扫描的位置(例如，加速扫描)和扩展fov k空间数据208的扩展fov两者，从外部校准数据202中提取线圈灵敏度图216。在某些实施方案中，从在目标扫描期间采集的校准数据中提取线圈灵敏度图。线圈灵敏度图216包括匹配扩展fov的外部校准fov。对于所有通道，校准fov的中心k空间区域之外的区域都用零填充。
40.方法198甚至还包括将灵敏度图216、扩展fov k空间数据208和一个或多个初始图像212提供给重建网络220(例如，展开神经网络)，该重建网络基于灵敏度图216、扩展fov k空间数据208和一个或多个初始图像212来生成一个或多个重建图像222(框224)。重建网络220如图2所述。重建图像222具有扩展fov。方法198还包括调整重建图像222的fov以生成最终重建图像226(框228)。最终重建图像226具有在欠采样k空间数据206的采集中利用的fov。最终重建图像226不含混叠伪影。
41.图4示出了利用外部校准重建的mr图像与利用自校准重建的mr图像的比较。利用带上述外部校准的基于展开神经网络的重建来重建心脏的顶行mr图像230。利用基于深度学习的神经网络来重建心脏的底行mr图像232，该神经网络利用自校准(例如，从用较小或截断fov采集的数据导出线圈灵敏度图的espirit校准)。每行mr图像230、232包括心脏的区域234(例如，虚线轮廓)的对应放大图像。利用具有30通道腹部线圈阵列的1.5t扫描仪来执行扫描。扫描包括两个序列，基于3d笛卡尔梯度回波(gre)的线圈校准序列和单独的2d加速电影序列。3d gre序列用于线圈校准。3d gre序列的扫描fov为50厘米(cm)。3d gre序列的空间分辨率为1.5cm。3d gre序列的读出带宽为62.5千赫兹(khz)。2d加速电影序列是2d笛卡尔fiesta序列，具有12倍加速度和可变密度k-t采样，用于采集短轴电影图像。2d加速电影序列的扫描fov为36cm。2d加速序列的空间分辨率为1.4毫米。2d加速序列的读出带宽为15khz。图像捕获从收缩期到舒张期的心动周期。在底行图像232中由箭头236指示的区域中，存在混叠伪影。在顶行图像230中由箭头236指示的相同区域中，不存在混叠伪影。另外，两行230、232中的图像的质量相同。因此，与基于espirit的重建相比，利用外部校准的图像重建产生类似质量的图像(没有混叠伪影)。
42.所公开的主题的技术效果涉及提供用于带扩展fov线圈灵敏度校准(例如，当从单独的扫描导出时为外部线圈灵敏度校准)的基于dl的mri重建的系统和方法。利用扩展fov线圈灵敏度校准的改进的基于dl的加速mri重建可以最小化或消除通常随着迭代dl重建而发生的混叠伪影(即，组织包裹效应)，同时维持图像质量。
43.参考本文所提出的并受权利要求书保护的技术并将其应用于具有实际性质的实物和具体示例，所述实际性质明确地改善目前的技术领域，因此，不是抽象的、无形的或纯理论的。此外，如果附加到本说明书末尾的任何权利要求含有指定为“用于[执行]
…
功能的装置”或“用于[执行]
…
功能的步骤”的一个或多个元素，则旨在将此类元素根据u.s.c.第35条第112(f)款加以解释。然而，对于含有以任何其它方式指定的元素的任何权利要求，则不旨在将此类元素根据u.s.c.第35条第112(f)款加以解释。
[0044]
本书面描述使用示例来公开本主题，包括最佳模式，并且还使本领域技术人员能够实践主题，包括制造和使用任何设备或系统以及执行任何包含的方法。本主题的专利范
围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其它示例具有与权利要求书的字面语言没有区别的结构元件，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元件，则此类其它示例旨在落入权利要求书的范围内。