尿路上皮细胞玻片图像分类方法、装置、设备和介质与流程

1.本技术涉及计算机视觉技术领域，特别是涉及一种尿路上皮细胞玻片图像分类方法、装置、设备和介质。


背景技术：

2.随着计算机视觉技术的发展，越来越多的技术人员选择将该技术应用于细胞玻片图像分类领域。其中，利用该技术进行尿路上皮细胞玻片图像分类，可以有效提高进行尿路上皮细胞玻片图像分类的效率。
3.目前，通常将深度神经网络模型应用于尿路上皮细胞玻片图像分类，但该模型进行的分类过程产生的数据存在适用性较差、应用范围有限的问题，其分类结果的准确性也有待提高。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种尿路上皮细胞玻片图像分类方法、装置、设备和介质。
5.第一方面，本技术提供了一种尿路上皮细胞玻片图像分类方法。所述方法包括：将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到；对所述深度分类结果进行过滤，得到可疑目标子图集；将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果；将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征；根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。
6.第二方面，本技术还提供了一种尿路上皮细胞玻片图像分类装置。所述装置包括：深度分类单元，将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到；深度分类结果过滤单元，对所述深度分类结果进行过滤，得到可疑目标子图集；细胞特征分类单元，将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果；总体分类特征获取单元，将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征；结果输出单元，根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。
7.第三方面，本技术还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到；对所述深度分类结果进行过滤，得到可疑目标子图集；将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果；将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征；根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。
8.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到；对所述深度分类结果进行过滤，得到可疑目标子图集；将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果；将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征；根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。
9.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到；对所述深度分类结果进行过滤，得到可疑目标子图集；将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果；将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征；根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。
10.上述尿路上皮细胞玻片图像分类方法、装置、设备、介质和程序产品，首先，将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到。然后，对所述深度分类结果进行过滤，得到可疑目标子图集。接着，将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果。之后，将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征。最后，根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。该方案采用人工学习法和深度学习法相结合的方法进行尿路上皮细胞玻片图像分类，不仅能够提高尿路上皮细胞玻片图像的分类过程产生的数据的适用性、扩大该数据的应用范围，还能有效提升尿路上皮细胞玻片图像分类结果的准确性。
附图说明
11.图1为一个实施例中尿路上皮细胞玻片图像分类方法的流程示意图；图2为一个实施例中细胞特征分类模型产出细胞特征分类结果的方式的流程示意图；
图3为一个实施例中深度分割模块生成图像数据的方式的流程示意图；图4为一个实施例中细胞特征提取模块提取细胞特征的方式的流程示意图；图5为一个实施例中深度分类模型产出深度分类结果的方式的流程示意图；图6为一个实施例中尿路上皮细胞玻片图像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
12.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
13.本技术实施例提供的尿路上皮细胞玻片图像分类方法，可以应用于服务器执行。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
14.在一个实施例中，如图1所示，提供了一种尿路上皮细胞玻片图像分类方法，以该方法应用于服务器为例进行说明，包括以下步骤：步骤s101，将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到深度分类模型输出的深度分类结果；其中，多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到。
15.本步骤中，深度分类模型可以是预训练好的、能够基于深度分类特征输出深度分类结果的深度学习分类模型；深度分类结果是指多个尿路上皮细胞玻片子图像对应的深度分类结果；多个尿路上皮细胞玻片子图像的尺寸可以是完全相同的；将尿路上皮细胞玻片图像进行切分的方式可以是滑动窗口；由尿路上皮细胞玻片图像切分得到的多个尿路上皮细胞玻片子图像可以是符合预设子图像尺寸的；尿路上皮细胞玻片图像可以是尿路上皮细胞的病理玻片数字图像。
16.步骤s102，对深度分类结果进行过滤，得到可疑目标子图集。
17.本步骤中，对深度分类结果进行过滤的方式，可以是去除深度分类结果中的不属于可疑目标子图的其他子图；通过对深度分类结果进行过滤的方式，可以减少细胞特征分类模型需要处理的子图数量，提高进行尿路上皮细胞玻片图像分类的总体效率。
18.步骤s103，将可疑目标子图集输入至细胞特征分类模型，得到细胞特征分类模型输出的细胞特征及细胞特征分类结果。
19.本步骤中，细胞特征分类结果可以是细胞特征分类模型基于细胞特征得到的。
20.步骤s104，将深度分类结果、细胞特征及细胞特征分类结果进行特征融合，得到总体分类特征。
21.本步骤中，将深度分类结果、细胞特征及细胞特征分类结果进行特征融合的具体方式，可以是基于算法最优化策略，从降维、匹配等特征工程技术中，选用数据直接匹配合并法或机器学习中的主成分分析法；总体分类特征可以是具备深度分类结果、细胞特征及细胞特征分类结果三者的综合特点的总体分类特征。
22.步骤s105，根据总体分类特征，确定尿路上皮细胞玻片图像的分类结果。
23.本步骤中，确定尿路上皮细胞玻片图像的分类结果的方式，可以是基于总体分类特征对多个尿路上皮细胞玻片子图像进行整片分类，以确定尿路上皮细胞玻片图像的分类
结果；在获取到尿路上皮细胞玻片图像的分类结果之后，可以采用决策树等机器学习技术，基于最大化当前类别的分类概率的策略，对尿路上皮细胞玻片图像的分类结果进行进一步的优化与判断，从而使得尿路上皮细胞玻片图像的分类结果能够得以进一步优化。
24.上述尿路上皮细胞玻片图像分类方法，首先，将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到。然后，对所述深度分类结果进行过滤，得到可疑目标子图集。接着，将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果。之后，将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征。最后，根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。该方案采用人工学习法和深度学习法相结合的方法进行尿路上皮细胞玻片图像分类，不仅能够提高尿路上皮细胞玻片图像的分类过程产生的数据的适用性、扩大该数据的应用范围，还能有效提升尿路上皮细胞玻片图像分类结果的准确性。
25.对于细胞特征分类模型产出细胞特征分类结果的方式，在一个实施例中，如图2所示，细胞特征分类模型配置有深度分割模块、细胞特征提取模块和细胞特征分类模块，上述步骤s103具体包括：步骤s201，将可疑目标子图集输入至深度分割模块，得到深度分割模块输出的图像数据。
26.本步骤中，深度分割模块可以由预训练好的深度学习分割模型构成；图像数据可以是根据可疑目标子图集得到的图像数据。
27.步骤s202，将图像数据输入至细胞特征提取模块，得到细胞特征提取模块输出的细胞特征。
28.本步骤中，细胞特征提取模块可以由基于巴黎报告系统的细胞特征提取器构成；细胞特征可以是根据图像数据进行统计得到的细胞特征。
29.步骤s203，将细胞特征输入至细胞特征分类模块，得到细胞特征分类模块输出的细胞特征分类结果。
30.本步骤中，细胞特征分类结果可以是基于细胞特征得到的细胞特征分类结果。
31.上述实施例通过细胞特征分类模型对深度分类模型输出的可疑目标子图集进行细胞层面的二次分类的方式，基于巴黎报告系统实现了对由深度分类模型得到的分类结果进行二次确认与修正，不仅解决了传统人工学习法存在的分类结果精确度有待提高的问题，从而保障了尿路上皮细胞玻片图像的分类结果的合理性与准确性，还提高了尿路上皮细胞玻片图像的分类过程产生的数据的适用性、扩大了该数据的应用范围。
32.对于深度分割模块生成图像数据的方式，在一个实施例中，如图3所示，上述步骤s201具体包括：步骤s301，将可疑目标子图集输入至深度分割模块，由深度分割模块对可疑目标子图集的各个像素点数据进行逐个识别与计算，确定各个像素点数据所属的图像区域；图像区域包括目标区域和背景区域。
33.本步骤中，目标区域可以是细胞核区域及细胞质区域；由深度分割模块对可疑目标子图集的各个像素点数据进行逐个识别与计算，可以是由深度分割模块对可疑目标子图
集的各个像素点数据进行逐个识别，并通过计算判断各个像素点数据所落入的图像区域。
34.步骤s302，去除各个像素点数据中所属的图像区域为背景区域的像素点数据，得到所属的图像区域为目标区域的目标像素点数据。
35.本步骤中，去除各个像素点数据中所属的图像区域为背景区域的像素点数据的方式，可以是从可疑目标子图集的各个像素点数据过滤掉所属的图像区域为背景区域的像素点数据；所属的图像区域为目标区域的目标像素点数据，可以是所属的图像区域为细胞核区域或细胞质区域的像素点数据。
36.步骤s303，根据目标像素点数据，得到图像数据。
37.本步骤中，图像数据可以是根据目标像素点数据生成的，与可疑目标子图集中的各个可疑子图尺寸一致、像素点位置一致的图像数据。
38.上述实施例通过过滤可疑目标子图集中所属的图像区域为背景区域的像素点数据的方式，缩小了细胞特征分类模型所需处理的数据范围，这不仅提高了细胞特征分类模型的运行效率，还有效提升了尿路上皮细胞玻片图像的分类结果的准确性。
39.对于细胞特征提取模块提取细胞特征的方式，在一个实施例中，如图4所示，上述步骤s202具体包括：步骤s401，将图像数据输入至细胞特征提取模块，将图像数据中的各个像素点数据转换为统计指标数据；统计指标数据包括核面积、浆面积、核圆度及核颜色强度。
40.本步骤中，将图像数据中的各个像素点数据转换为统计指标数据的方式，可以是对图像数据中的各个像素点数据进行依次识别，并将各个像素点数据分别统计为核面积、浆面积、核圆度及核颜色强度等统计指标数据；统计指标数据核面积、浆面积、核圆度及核颜色强度可以通过如下公式进行计算：其中，p为核浆比，an为核面积，ac为浆面积。
41.其中，cn为核圆度，an为核面积，sn为核短轴长度。
42.其中，in为核颜色强度，为核中所有点r值的均值，为核中所有点g值的均值，为核中所有点b值的均值。
43.步骤s402，根据统计指标数据，确定图像数据对应的细胞特征。
44.本步骤中，确定图像数据对应的细胞特征的方式，可以是基于巴黎报告系统的细胞特征提取器，根据统计指标数据及符合细胞形态学定义的数理公式，确定图像数据对应的细胞特征。
45.上述实施例通过基于巴黎报告系统的细胞特征提取器获取到了图像数据对应的细胞特征，为后续根据细胞特征确定细胞特征分类结果提供了合理性依据，这不仅充分发挥了基于病理学理论进行尿路上皮细胞玻片图像分类的优势，还提高了尿路上皮细胞玻片图像的分类过程产生的数据的适用性、扩大了该数据的应用范围。
46.对于深度分类模型产出深度分类结果的方式，在一个实施例中，如图5所示，深度分类模型配置有深度特征提取模块和深度分类模块，上述步骤s101具体包括：步骤s501，将多个尿路上皮细胞玻片子图像输入至深度分类特征提取模块，得到深度分类特征提取模块输出的深度分类特征。
47.本步骤中，深度分类特征提取模块可以由预训练好的深度分类特征提取模型构成；深度分类特征的提取过程，可以是由预训练好的深度分类特征提取模型，对多个尿路上皮细胞玻片子图像中的数据进行整体识别与计算，去除多个尿路上皮细胞玻片子图像中的数据中表征背景颜色及背景图像纹理的数据，并提取出多个尿路上皮细胞玻片子图像中的数据中表征细胞边缘、细胞颜色及细胞图像纹理的数据作为深度分类特征信息，最后基于前述深度分类特征信息生成一个高维深度特征向量，并将该向量作为深度分类特征提取模块输出的深度分类特征。
48.步骤s502，将深度分类特征输入至深度分类模块，得到深度分类模块输出的深度分类结果。
49.本步骤中，深度分类结果可以是基于深度分类特征来确定的。
50.上述实施例通过利用深度分类模型产出深度分类结果的方式，不仅提高了尿路上皮细胞玻片图像分类过程的自动化程度以及进行尿路上皮细胞玻片图像分类的效率，还有效解决了采用人工学习法进行尿路上皮细胞玻片图像可能造成的分类结果精确度不足的问题。
51.对于对深度分类结果进行过滤的方式，在一个实施例中，上述步骤s102具体包括：对深度分类结果进行过滤，去除深度分类结果中的各个背景子图，得到可疑目标子图集。
52.其中，深度分类结果中的各个子图可以分为背景子图及可疑目标子图两类。
53.上述实施例通过过滤深度分类结果中的背景子图的方式，不仅提高了细胞特征分类模型产出细胞特征分类结果的效率，还有效提升了细胞特征分类模型产出细胞特征分类结果的准确性。
54.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
55.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的尿路上皮细胞玻片图像分类方法的尿路上皮细胞玻片图像分类装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个尿路上皮细胞玻片图像分类装置实施例中的具体限定可以参见上文中对于尿路上皮细胞玻片图像分类方法的限定，在此不再赘述。
56.在一个实施例中，如图6所示，提供了一种尿路上皮细胞玻片图像分类装置，该装置600包括：深度分类单元601，将多个尿路上皮细胞玻片子图像输入至深度分类模型，得到所述深度分类模型输出的深度分类结果；其中，所述多个尿路上皮细胞玻片子图像是由尿路上皮细胞玻片图像切分得到；深度分类结果过滤单元602，对所述深度分类结果进行过滤，得到可疑目标子图
集；细胞特征分类单元603，将所述可疑目标子图集输入至细胞特征分类模型，得到所述细胞特征分类模型输出的细胞特征及细胞特征分类结果；总体分类特征获取单元604，将所述深度分类结果、所述细胞特征及所述细胞特征分类结果进行特征融合，得到总体分类特征；结果输出单元605，根据所述总体分类特征，确定所述尿路上皮细胞玻片图像的分类结果。
57.在一个实施例中，细胞特征分类单元603，所述细胞特征分类模型配置有深度分割模块、细胞特征提取模块和细胞特征分类模块；用于将所述可疑目标子图集输入至所述深度分割模块，得到所述深度分割模块输出的图像数据；将所述图像数据输入至所述细胞特征提取模块，得到所述细胞特征提取模块输出的所述细胞特征；将所述细胞特征输入至所述细胞特征分类模块，得到所述细胞特征分类模块输出的细胞特征分类结果。
58.在一个实施例中，细胞特征分类单元603，用于将所述可疑目标子图集输入至所述深度分割模块，由所述深度分割模块对所述可疑目标子图集的各个像素点数据进行逐个识别与计算，确定所述各个像素点数据所属的图像区域；所述图像区域包括目标区域和背景区域；去除所述各个像素点数据中所属的图像区域为所述背景区域的像素点数据，得到目标像素点数据；基于所述目标像素点数据，得到所述图像数据。
59.在一个实施例中，细胞特征分类单元603，用于将所述图像数据输入至所述细胞特征提取模块，将所述图像数据中的各个像素点数据转换为统计指标数据；所述统计指标数据包括核面积、浆面积、核圆度及核颜色强度；根据所述统计指标数据，确定所述图像数据对应的所述细胞特征。
60.在一个实施例中，深度分类单元601，所述深度分类模型配置有深度特征提取模块和深度分类模块；用于将所述多个尿路上皮细胞玻片子图像输入至所述深度分类特征提取模块，得到所述深度分类特征提取模块输出的深度分类特征；将所述深度分类特征输入至所述深度分类模块，得到所述深度分类模块输出的深度分类结果。
61.在一个实施例中，结果过滤单元602，用于对所述深度分类结果进行过滤，去除所述深度分类结果中的各个背景子图，得到所述可疑目标子图集。
62.上述尿路上皮细胞玻片图像分类装置中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个单元对应的操作。
63.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图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，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储尿路上皮细胞玻片图像等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种尿路上皮细胞玻片图像分类方法。
64.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
65.在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
66.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
67.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
68.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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read-only memory，rom）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（reram）、磁变存储器（magnetoresistive random access memory，mram）、铁电存储器（ferroelectric random access memory，fram）、相变存储器（phase change memory，pcm）、石墨烯存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器（static random access memory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
69.需要说明的是，本技术所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
70.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。
71.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。