一种医学影像解剖结构的中心线确定方法及装置与流程

本发明涉及医学影像的图像处理技术领域，尤其涉及一种医学影像解剖结构的中心线确定方法及装置。

背景技术：

医学影像扫描是医学中常用的辅助诊断手段，在利用医学影像进行诊断的过程中，通常会需要在影像上标记出某些特定解剖结构的中心线位置，以便于为进一步的影像扫描、分析或诊断提供位置参照和依据。

目前，中心线位置的确定方法主要有细化法和关键点法，细化法是通过细化算法定义一定大小的模板，并在计算过程中使得该模板沿着扫描方向移动按照预设规则删除或保留目标图像的像素，最终获得单像素宽的连通区域，从而获得中心线，该方法原理简单且计算量小，但对解剖结构的形状有要求，仅适合线条类的简单结构。关键点法是在目标图像上选定多个关键点，在目标图像上识别关键点，或者在目标图像内分割出解剖结构，而后在分割出的解剖结构上识别关键点，最后以这些关键点的连线作为中心线，该方法对于目标图像及解剖结构的影响要求较高，当目标图像质量较低、关键点不明确或解剖结构轮廓不明确时，难以保证中心线的识别精度。

技术实现要素：

本发明提供了一种医学影像解剖结构的中心线确定方法及装置，适用于不同的解剖结构，中心线识别的准确性和稳定性高。

本发明提供了一种医学影像解剖结构的中心线确定方法，预先设置有多个不同预设分辨率的分类器，所述分类器用于以目标图像上的roi图像为输入，估算出roi图像的中心点相对于目标图像中目标区域的中心线的位置偏移量；所述方法包括：

获得扫描图像，扫描图像具有目标区域；

进行中心点的估算，所述中心点的估算包括：

进行位置偏移量的估算以及目标中心点的确定，所述位置偏移量的估算包括：以目标图像上确定的多个roi图像为输入，利用分类器估算出roi图像的中心点相对于目标区域中心线的位置偏移量，目标图像为所利用的分类器的分辨率下的扫描图像；所述目标中心点的确定包括：通过位置偏移量，获得roi图像的中心点在目标区域上对应的目标中心点；

以本次估算获得的目标中心点为下次估算中roi图像的中心点，重复进行中心点的估算的步骤，直到到达预设的估算次数，其中，每次中心点的估算中采用的分类器的分辨率依次增大，最后一次中心点的估算中采用的分类器的分辨率为扫描图像的分辨率；

根据最后一次估算获得的目标中心点，获得扫描图像目标区域的中心线。

可选地，在所述中心点的估算的步骤中，对位置偏移量估算以及目标中心点的确定的次数大于或者等于1次，且本次修正步骤中获得的目标中心点作为下次修正步骤中roi图像的中心点。

可选地，所述根据最后一次估算获得的目标中心点，获得扫描图像目标区域的中心线，包括：

对最后一次中心点的估算中获得的目标中心点进行直线拟合，以获得扫描图像目标区域的中心线。

可选地，所述预设分辨率的分类器的确定方法包括：

获得预设分辨率的扫描图像样本，扫描图像样本的目标区域上标记有中心线；

在所述扫描图像样本上确定roi图像样本，并记录roi图像样本中心点相对于目标区域中心线的位置偏移量；

通过所述roi图像样本和位置偏移量进行分类器模型的训练，以获得所述预设分辨率的分类器。

可选地，所述分类器模型包括特征提取器和特征分类器，所述特征提取器由深度卷积神经网络构成，所述特征分类器由全连接层构成。

一种医学影像解剖结构的中心线确定装置，所述装置包括：

多个不同预设分辨率的分类器，所述分类器用于以目标图像上的roi图像为输入，估算出roi图像的中心点相对于目标图像中目标区域的中心线的位置偏移量；

扫描图像获取单元，用于获得扫描图像，扫描图像具有目标区域；

中心点估算单元，用于进行中心点的估算，所述中心点的估算包括：

进行位置偏移量的估算以及目标中心点的确定，所述位置偏移量的估算包括：以目标图像上确定的多个roi图像为输入，利用分类器估算出roi图像的中心点相对于目标区域中心线的位置偏移量，目标图像为所利用的分类器的分辨率下的扫描图像；所述目标中心点的确定包括：通过位置偏移量，获得roi图像的中心点在目标区域上对应的目标中心点；

以本次估算获得的目标中心点为下次估算中roi图像的中心点，重复进行中心点的估算的步骤，直到到达预设的估算次数，其中，每次中心点的估算中采用的分类器的分辨率依次增大，最后一次中心点的估算中采用的分类器的分辨率为扫描图像的分辨率；中心线确定单元，用于根据最后一次估算获得的目标中心点，获得扫描图像目标区域的中心线。

可选地，在所述中心点的估算的步骤中，执行多次进行位置偏移量的估算以及目标中心点的确定的修正步骤，且本次修正步骤中获得的目标中心点作为下次修正步骤中roi图像的中心点。

可选地，所述中心线确定单元中，对最后一次中心点的估算中获得的目标中心点进行直线拟合，以获得扫描图像目标区域的中心线。

可选地，还包括：分类器确定单元，用于获得预设分辨率的扫描图像样本，扫描图像样本的目标区域上标记有中心线；在所述扫描图像样本上确定roi图像样本，并记录roi图像样本中心点相对于目标区域中心线的位置偏移量；通过所述roi图像样本和位置偏移量进行分类器模型的训练，以获得所述预设分辨率的分类器。

可选地，所述分类器模型包括特征提取器和特征分类器，所述特征提取器由深度卷积神经网络构成，所述特征分类器由全连接层构成。

本发明实施例提供的医学影像解剖结构的中心线确定方法，采用多级分辨率的分类器估算出目标中心点，首先使用低分辨率的分类器进行估算，通过估算后获得的位置偏移量来确定出目标中心点，而后采用高分辨率的分类器进行估算，此次估算时roi图像的中心点为前次估算后获得的目标中心点，从而，逐渐获得靠近中心线的目标中心点，通过这些目标中心点精确地确定出中心线。该方法中，采用不同分辨率的分类器逐步确定目标中心点，兼顾中心线确定的速度和精度，可以适用于不同结构特点的解剖结构的中心线的确定，且对图像不均匀及噪声等干扰因素不敏感，中心线确定的准确性和稳定性高。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例的医学影像解剖结构的中心线确定方法的流程示意图；

图2为根据本发明实施例的医学影像解剖结构的中心线确定方法中扫描图像的采样点示意图；

图3为根据本发明实施例的医学影像解剖结构的中心线确定方法中分类器的结构示意图；

图4为采用本发明实施例的方法确定中心线的各过程的图像示意图；

图5为采用本发明实施例的方法在不同质量的扫描图像中确定的中心线示意图；

图6为根据本发明实施例的医学影像解剖结构的中心线确定装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本发明提供了一种医学影像解剖结构的中心线确定方法，通过预先设置的不同分辨率的分类器进行中心点位置的估算，分类器是以目标图像上的roi图像为输入，通过分类器估算出roi图像的中心点相对于扫描图像中目标区域的中心线的位置偏移量。具体的，参考图1所示，该方法包括：

s01，获得扫描图像，扫描图像具有目标区域；

s02，进行中心点的估算，所述中心点的估算包括：

进行s021位置偏移量的估算以及s022目标中心点的确定，所述位置偏移量的估算包括：以目标图像上确定的多个roi图像为输入，利用分类器估算出roi图像的中心点相对于目标区域中心线的位置偏移量，目标图像为所利用的分类器的分辨率下的扫描图像；所述目标中心点的确定包括：通过位置偏移量，获得roi图像的中心点在目标区域上的目标中心点；

以目标中心点为下次估算中roi图像的中心点，重复进行中心点的估算的步骤，直到到达预设的估算次数，其中，每次中心点的估算中采用的分类器的分辨率依次增大，最后一次中心点的估算中采用的分类器的分辨率为扫描图像的分辨率；

s03，根据最后一次中心点的估算获得的目标中心点，获得扫描图像目标区域的中心线。

在该方法中，通过多次估算来获得扫描图像目标区域的中心点，每次估算采用不同分辨率的分类器进行，且先采用低分辨率的分类器进行估算，通过估算后获得的位置偏移量来确定出目标中心点，而后采用高分辨率的分类器进行估算，每次估算获得的目标中心点作为下一次估算时的roi图像的中心点，从而逐渐获得靠近中心线的目标中心点，通过这些目标中心点精确地确定出中心线。

在本发明的实施例中，每次估算中采用某一分辨率的分类器，即每一分类器具有特定的分辨率，也就是说，该分类器适用于特定分辨率下的目标图像的中心点的确定。该目标图像可以为经过扫描重建后直接获得的原始扫描图像，该原始扫描图像具有较高的分辨率，目标图像也可以为原始扫描图像经过降采样处理之后的图像，降采样之后的图像较原始扫描图像具有更低的分辨率，该扫描图像可以为经过任意类型的医学扫描成像后获得的影像，医学扫描例如可以为核磁共振扫描成像或ct扫描成像等。目标图像中的目标区域即为需要确定中心线的解剖结构所在的区域。

本发明中的分类器用于根据目标图像上的roi(regionofinterest，感兴趣区域)，估算出该roi图像的中心点相对于目标区域的中心线的位置偏移量，也就是说，分类器的输入为目标图像上的roi区域，输出为该roi区域相对于目标区域的中心线的位置偏移量，通过该偏移量就可以确定该roi区域相对应的中心点位置。

具体的，可以采用如下方法确定预定分辨率的分类器。

在s101，获得预设分辨率的扫描图像样本，扫描图像样本的目标区域上标记有中心线。

扫描图像样本为大量已经标记有中心线的扫描影像，这些扫描图像样本为包含同一类型的解剖结构的影像且这些图像样本的分辨率是相同的。扫描图像样本的分辨率可以为w1*h1*s1，其中，w1为图像宽度，h1为图像高度，s1为层数。

在s102，在所述扫描图像样本上确定roi图像样本，并记录roi图像样本中心点相对于目标区域中心线的偏移量。

roi图像样本为在扫描图像样本上确定的区域，可以随机地在扫描图像样本上确定分辨率为w1*h1*s1的图像区域，作为roi图像样本，采样时，可以先确定采样点，而后以采样点为中心，确定w1*h1*s1的图像区域作为roi图像样本。更优地，为了提高样本数据的有效性，在选取roi区域时，将完全为背景区域的排除在选取范围之外，此外，为了提高中心点估算的准确性，可以提高中心线处的采样密度。

确定roi图像样本之后，需要记录roi图像样本中心点相对于目标区域中心线的偏移量，偏移量作为训练标签，用于模型训练。对于不同的解剖结构，偏移量可以是一维或多维的，在当解剖结构的方向相对固定时，偏移量可以为一维，参考图2所示，该示例中头部的大致方向是相对固定的，可以仅记录roi图像样本中心点沿水平方向上的位置偏移量dx。当然，在解剖结构的方向不确定时，可以记录多个方向上的位置偏离量，例如dx、dy和dz等沿不同方向上的偏移量。在本发明实施例中，位置偏移量可以为偏移的实际距离，也可以为进行归一化之后的距离系数，例如可以为：dx＝2dx/w1，dy＝2dy/h1，dz＝2dz/s1。

在s103，通过所述roi图像样本和位置偏移量进行分类器模型的训练，以获得所述预设分辨率的分类器。

分类器模型可以采用合适的模型，本发明优选实施例中，参考图3所示，分类器模型包括特征提取器和特征分类器，所述特征提取器由深度卷积神经网络构成，该网络包括若干个模块，每个模块都有卷积层和池化层组成，所述特征分类器由全连接层构成。在具体训练时，将roi图像样本为输入，并以位置偏移量作为标签，对分类器模型的参数进行修正，经过多次迭代，在输出结果收敛之后，则完成训练，此时，输入任意的roi图像得到的位置偏移量都与标签一致或接近。

这样，就可以获得预设分辨率的分类器，在不同的应用中，需要不同分辨率的分类器，可以通过对不同分辨率的扫描图像样本分别进行训练，获得相应分辨率的分类器，低分辨率的样本可以通过高分辨率的样本降采样后获得。在一个具体的示例中，参考图2所示，用于训练分类器的扫描图像样本为头部核磁共振定位扫描图像，样本的分辨率w1*h1*s1为512*512*3，roi图像样本的分辨率为64*64*1，通过上述的方法进行训练之后，可以获得分辨率为512*512*3、解剖结构为头部的分类器。同样地，还需要分辨率为256*256*3的头部的分类器，则可以将分辨率为512*512*3的扫描图像样本进行降采样，得到分辨率为256*256*3的扫描图像样本，或者其他途径获得该低分辨率的样本，通过上述方法进行训练之后，即可以获得分辨率为256*256*3、解剖结构为头部的分类器。

以上对本发明实施例的分类器以及分类器的确定方法进行了详细的描述。基于上述的分类器，进行医学影像解剖结构的中心线的确定。为了便于理解，以下将以预设有两个不同分辨率的分类器模型的实施例对该方法进行详细的描述，即第一分辨率的分类器和第二分辨率的分类器，其中，第二分辨率即为扫描图像的分辨率，为高分辨率，第一分辨率为低分辨率，即低于扫描图像的分辨率。

在步骤s201，获得扫描图像，扫描图像具有目标区域。

该扫描图像为进行医学影像扫描之后获得的图像，最终的中心线确定在该扫描图像上，扫描图像上的目标区域为需要确定出中心线的区域，即需要标定中心线的解剖结构区域。

在步骤s202，进行第一次中心点的估算。

一次中心点的估算包括：

s2021，以第一分辨率下的扫描图像为第一目标图像，在所述第一目标图像上确定出多个roi图像，并以确定出的roi图像为输入，利用第一分辨率的分类器估算出roi图像的中心点相对于第一目标图像的目标区域中心线的位置偏移量p(1,m)。

s2022，通过位置偏移量p(1,m)，获得roi图像中心点s(1,m)在目标区域上对应的目标中心点s(1,m)’，m从1至m，m≥1。

根据需要，在本发明实施例中，可以执行一次或多次步骤s2021和s2022，为了便于描述，将步骤s2021和步骤s2022记做修正步骤，在执行多次修正步骤时，本次修正步骤中获得的目标中心点s(1，m)’作为下次修正步骤中roi图像的中心点s(1，m+1)，m为一次估算中执行修正的总次数，可以根据需要确定修正的次数m，而最后一次修正步骤获得的目标中心点s(1，m)’则作为下一次中心点估算时的roi图像的中心点s(2,1)。

在具体的实施例中，第一分辨率低于扫描图像的分辨率，可以将扫描图像进行降采样，从而获得第一分辨率下的扫描图像，为了便于描述记做第一目标图像。可以通过先确定多个采样点，而后分别以采样点为中心点确定roi图像，采样点即为roi图像的中心点s(1,1)。通常地，采样点为多个，可以通过随机的方式或者指定的方式在第一目标图像上选择采样点，优选地，可以在目标区域的两侧或轮廓处确定采样点，在第一目标图像上确定出多个采样点后，以这些采样点为中心点，可以分别确定出预设大小的roi图像，预设大小的roi图像的分辨率例如可以为64*64*1。

而后，以这些roi图像为输入，利用第一分辨率的分类器进行估算，可以获得roi图像的中心点相对于目标区域中心线的位置偏移量p(1,1)，也就是roi图像中心点相对于目标区域中心线的位置关系，那么，将roi图像的中心点通过该位置偏移量修正p(1,1)之后，就可以得到目标区域上对应的一个中心点，为了便于描述，记做目标中心点s(1，1)’。在具体的应用中，位置偏移量可以为正数或负数，可以通过将当前的roi图像中心点与位置偏移量相加，从而获得目标中心点。若仅执行一次修正步骤，则以目标中心点s(1，1)’作为下一次中心点估算时的roi图像的中心点s(2，1)。若执行多次修正步骤，则以目标中心点s(1，1)’作为下次修正步骤中roi图像的中心点s(1，2)，并返回并执行步骤s2021和s2022，直到执行到预设的修正的次数m，获得目标中心点s(1，m)’。

s203，进行第二次中心点的估算。

第二次中心点的估算包括：

s2031，以第二分辨率下的扫描图像为第二目标图像，在所述第二目标图像上确定出多个roi图像，并以确定出的roi图像为输入，利用第二分辨率的分类器估算出roi图像的中心点相对于第二目标图像的目标区域中心线的位置偏移量p(2,m)。

s2032，通过位置偏移量p(2,m)，获得roi图像中心点s(2,m)在目标区域上对应的目标中心点s(2,m)’，m从1至m，m≥1。

该次中心点的估算中的目标图像为第二分辨率下的扫描图像，当仅执行两次中心点的估算时，第二分辨率即为扫描图像的分辨率，若执行两次以上的真心点的估算，则该第二分辨率高于第一分辨率且低于扫描图像的分辨率。

同第一次中心点估算中的描述，根据需要，在第二次中心点的估算中，可以执行一次或多次步骤s2031和s2032的修正步骤，在执行多次修正步骤时，本次修正步骤中获得的目标中心点s(2，m)’作为下次修正步骤中roi图像的中心点s(2，m+1)，m为一次估算中执行修正的总次数，可以根据需要确定修正的次数m。该次估算中，以前次估算中获得的目标中心点s(1，m)’作为首次修正步骤中roi图像的中心点s(2,1)，以这些中心点为中心可以在第二目标图像上分别确定出预设大小的roi图像，预设大小的roi图像的分辨率例如可以为64*64*1。

在具体的实施例中，以该中心点s(2,1)在第二目标图像上确定出多个roi图像，以这些roi图像为输入，利用第二分辨率的分类器进行估算，可以获得roi图像的中心点相对于目标区域中心线的位置偏移量p(2,1)，将roi图像的中心点通过该位置偏移量修正p(2,1)之后，就可以得到目标区域上对应的一个中心点，为了便于描述，记做目标中心点s(2，1)’。若仅执行一次修正步骤，则以目标中心点s(2，1)’作为最终的目标中心点。若执行多次修正步骤，则以目标中心点s(2，1)’作为下次修正步骤中roi图像的中心点s(2，2)，并返回并执行步骤s2031和s2032，直到执行到预设的修正的次数m，获得目标中心点s(2，m)’。

在该实施例中，仅执行两次中心点的估算，第二次中心点估算中获得的目标中心点s(2，m)’则为最终的中心点，用于确定中心线。

可以理解的是，此处仅以2次估算为例进行说明，本发明并不限于此，根据不同的需要，还可以进行更多次的估算，例如3次或4次估算，之后进行的估算比前次估算采用更高分辨率的分类器，以便获得更为精确的中心点位置。在其他实施例中，可以执行更多次的中心点的估算的步骤，每次估算中，以本次估算中获得的目标中心点作为下次中心点的估算中的roi图像的中心点s(i，1)，i从1至i，i≥2，i为中心点的估算的总次数，重复进行中心点的估算的步骤，直到到达预设的估算次数i，获得目标中心点s(i，m)’。

最后，s204，根据目标中心点s(i，m)’，获得目标区域的中心线。

用于中心线确定的目标中心点为最后一次估算中的最后一次修正后获得的，这些目标中心点经过多次估算修正之后，已经较为精确的确定出了目标区域的中心点位置，通过这些中心点即可以精确地确定出中心线。具体的，可以对这些目标中心点进行直线拟合，从而获得目标区域的中心线。

为了便于理解，以下结合附图对一个具体的示例进行说明。参考图4(a)所示，为低分辨率的目标图像，目标图像中的脑部为目标区域，在目标区域的两侧边缘处设定了多个采样点，为初始的采样点，通过以这些采样点为中心点，在第一目标图像上确定出多个roi图像。以图4(a)中的初始采样点为中心点，确定出的roi图像为输入，利用低分辨率的分类器进行第一次中心点的估算，该次估算中仅进行一次修正步骤，参考图4(b)所示，获得此次估算的目标中心点，该目标中心点作为第二次中心点的估算时的roi图像的中心点。在该示例中，第二次中心点的估算中也仅执行一次位置修正，以图4(b)中的目标中心点为roi图像的中心点，确定出的roi图像为输入，利用高分辨率的分类器进行中心点的估算之后，参考图4(c)所示，获得此次估算的目标中心点，这些目标中心点可以用于中心线的确认。参考图4(d)所示，为将图4(c)中的目标中心点进行直线拟合之后，获得的中心线。

以上对本发明实施例进行了详细的描述，该方法中，采用不同分辨率的分类器逐步确定目标中心点，兼顾中心线确定的速度和精度，可以适用于不同结构特点的解剖结构的中心线的确定，且对图像不均匀及噪声等干扰因素不敏感，中心线确定的准确性和稳定性高。参考图5所示，采用本发明实施例的方法在不同质量的扫描图像中确定的中心线示意图，其中图(a)、(b)、(c)为头部核磁共振定位的影像，这些影像的质量较低，图像的对比度低且脑中线的位置并没有明显的分界，通过本发明的方法仍可以准确地确定出脑部中心线。

此外，本发明还提供了实现上述方法的医学影像解剖结构的中心线确定装置，参考图6所示，所述装置包括：

多个不同预设分辨率的分类器，所述分类器用于以目标图像上的roi图像为输入，估算出roi图像的中心点相对于目标图像中目标区域的中心线的位置偏移量；

扫描图像获取单元，用于获得扫描图像，扫描图像具有目标区域；

中心点估算单元，用于进行中心点的估算，所述中心点的估算包括：

进行位置偏移量的估算以及目标中心点的确定，所述位置偏移量的估算包括：以目标图像上确定的多个roi图像为输入，利用分类器估算出roi图像的中心点相对于目标区域中心线的位置偏移量，目标图像为所利用的分类器的分辨率下的扫描图像；所述目标中心点的确定包括：通过位置偏移量，获得roi图像的中心点在目标区域上对应的目标中心点；

以本次估算获得的目标中心点为下次估算中roi图像的中心点，重复进行中心点的估算的步骤，直到到达预设的估算次数，其中，每次中心点的估算中采用的分类器的分辨率依次增大，最后一次中心点的估算中采用的分类器的分辨率为扫描图像的分辨率；中心线确定单元，用于根据最后一次估算获得的目标中心点，获得扫描图像目标区域的中心线。

进一步地，在所述中心点的估算的步骤中，执行多次进行位置偏移量的估算以及目标中心点的确定的修正步骤，且本次修正步骤中获得的目标中心点作为下次修正步骤中roi图像的中心点。

进一步地，所述中心线确定单元中，对最后一次中心点的估算中获得的目标中心点进行直线拟合，以获得扫描图像目标区域的中心线。

进一步地，还包括：分类器确定单元，用于获得预设分辨率的扫描图像样本，扫描图像样本的目标区域上标记有中心线；在所述扫描图像样本上确定roi图像样本，并记录roi图像样本中心点相对于目标区域中心线的位置偏移量；通过所述roi图像样本和位置偏移量进行分类器模型的训练，以获得所述预设分辨率的分类器。

进一步地，所述分类器模型包括特征提取器和特征分类器，所述特征提取器由深度卷积神经网络构成，所述特征分类器由全连接层构成。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块或单元可以是或者也可以不是物理上分开的，作为模块或单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。