非显而易见法律服务网

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：用第一预先训练的分类器来确定多个所存储图像的特征。<br>《直接公开》	[0019]段：“...classify one or more of: a pixel in the plurality of pixels, an interesting region within the image, the entire retinal image, or a collection of retinal images, as normal or abnormal using supervised learning utilizing the computed descriptors, using one or more of: a support vector machine, support vector regression, k-nearest neighbor, naive Bayes, Fisher linear discriminant, neural network, deep learning, or convolution networks.” <br> [0112]段：“...these descriptors are used for training a machine learning algorithm, such as support vector machine, deep learning, neural network, naive Bayes, and/or k-nearest neighbor.” <br> [0311]段：“In one embodiment, a support vector machine (SVM) is used for lesion classification. In other embodiments, classifiers such as k-nearest neighbor, naive Bayes, Fisher linear discriminant, deep learning, or neural networks can be used.”	对比文件多处描述了使用监督学习（如SVM、神经网络等）对图像（或其中的像素/区域）进行分类。监督学习必然涉及使用预先用训练数据训练好的分类器。在[0112]段明确提到“训练”机器学习算法。因此，本领域技术人员能够毫无疑义地得出，该系统使用预先训练的分类器来处理（新输入的）图像，并基于计算出的描述符（即特征）进行分类。这与特征A中“用第一预先训练的分类器来确定多个所存储图像的特征”的技术方案实质相同。特征A中的“确定特征”可理解为通过分类器处理图像以提取或得到用于分类的判别性信息（即描述符/特征），对比文件中的分类器正是基于计算出的描述符工作，因此该技术特征被直接公开。
技术特征B：所述多个所存储图像的特征不同于用于训练所述第一预先训练的分类器的多个训练图像。<br>《隐含公开》	[0112]段：“In some embodiments, the methods and systems can be used to conduct automated screening of patients with one or more retinal diseases.” <br> [0124]段：“For example, to screen an estimated 371 million diabetics worldwide... one embodiment of the automated screening system can be deployed at massive scales.”	对比文件描述的系统用于对患者视网膜图像进行自动化筛查（[0112]），这是一个部署应用场景。本领域技术人员能够理解，在这样的应用场景中，用于训练分类器的“训练图像”集（例如，来自历史数据或特定研究数据集）与系统在实际部署中要处理的“所存储图像”（即待筛查的新患者图像）是不同的。这是机器学习模型应用中的常规情况：模型在训练集上训练，然后应用于新的、未见过的测试数据。因此，新图像的特征分布很可能与训练图像的特征分布不同。虽然没有明确文字指出特征不同，但根据上下文和应用目的，本领域技术人员能够合理且直接地推断出这一隐含事实。
技术特征C：至少部分地基于所确定的特征来将所述多个所存储图像中的每一个图像指派给多个群集中的群集。<br>《隐含公开》	[0112]段：“In one embodiment, a dictionary of descriptor sets are formed using a clustering method, such as k-means, and this dictionary is used to form a histogram of codewords for an image.” <br> [0429]段：“The computed NMess + NDEI descriptors are pooled together and clustered into K partitions using K-means clustering, the centroids of which give K-codewords representing the dictionary.”	对比文件明确公开了使用k-means等聚类方法对“描述符集”（descriptor sets）进行分群集，以构建字典（[0112], [0429]）。这里的“描述符”即图像的特征。虽然对比文件直接聚类的是从图像中提取出的描述符（特征向量），而不是“图像”实体本身，但本领域技术人员公知，在图像处理和信息检索领域（如目标专利所属的照片管理领域），基于图像特征向量对图像进行聚类（即无监督图像分类）是常见且直接的应用。从“对特征向量进行聚类”到“基于特征将图像指派给群集”是直接的、毫无疑义的等同技术转换。因为每个特征向量唯一对应一个图像，将特征向量指派给一个聚类中心，即等同于将其对应的图像指派给该群集。因此，该技术特征被对比文件隐含公开。
技术特征D：基于所述图像离对应于所述图像的最接近的群集中心的距离小于第一阈值、与所述最接近的群集中心相关联的预定义图像数目小于第二阈值、和/或与最接近的群集中心相关联的图像百分比小于第三阈值来向所述多个所存储图像中的图像指派标记。<br>《未公开》	无相关引用。	对比文件虽然公开了使用k-means聚类，但并未描述在聚类后，基于图像到群集中心的距离阈值、与该中心关联的图像数目阈值或图像百分比阈值来向图像指派“标记”的具体规则。对比文件中提到的“标记”主要是在有监督分类中的类别标签（如正常/异常），而非基于聚类结果的自动标记规则。本领域技术人员无法从对比文件的内容中，合理推断出上述包含多个可选阈值条件的、用于指派标记的具体方案。因此，该技术特征既未被直接公开，也未被隐含公开。
技术特征E：修改所指派的标记。<br>《未公开》	无相关引用。	对比文件未描述任何修改已指派给图像的标记（例如，用户纠正自动分类结果）的过程或步骤。所有涉及标记的上下文都是系统自动生成或基于训练数据预先定义的。因此，该技术特征未被公开。
技术特征F：当所述所指派的标记被修改时用所述图像来重新训练所述第一预先训练的分类器。<br>《未公开》	无相关引用。	由于特征E（修改标记）未被公开，且对比文件未提及基于用户修改标记的行为来触发重新训练分类器的机制，因此该技术特征未被公开。
技术特征G：以及至少部分地基于所述预先训练的分类器来对所述图像重新分类。<br>《未公开》	无相关引用。	对比文件描述了使用分类器对图像进行初次分类（如筛查），但未提及在特定条件（如标记修改后）下，使用同一个或更新后的分类器对同一批图像进行“重新分类”。因此，该技术特征未被公开。
技术特征H：其特征在于，所述第一预先训练的分类器是支持向量机器(SVM)、逻辑回归、最接近的邻居、或多层感知器(MLP)。<br>《直接公开》	[0019]段：“...using one or more of: a support vector machine, support vector regression, k-nearest neighbor, naive Bayes, Fisher linear discriminant, neural network, deep learning, or convolution networks.” <br> [0311]段：“...classifiers such as k-nearest neighbor, naive Bayes, Fisher linear discriminant, deep learning, or neural networks can be used.”	对比文件明确列举了支持向量机（SVM）、k-最近邻（k-nearest neighbor，即“最接近的邻居”）和神经网络（neural network）作为可用的分类器。多层感知器（MLP）是神经网络的一种典型和常见形式，本领域技术人员看到“神经网络”时能够毫无疑义地理解其包括MLP。逻辑回归（Logistic Regression）虽未在列举中明确出现，但它是监督学习中的基础分类模型，且常与Fisher线性判别等并列讨论，在广义上可被涵盖于所述机器学习方法范畴内。但鉴于明确性，至少SVM和k-最近邻被直接公开。因此，该限定特征被直接公开。
技术特征I：其特征在于，进一步包括，至少部分地基于对应的标记来将所述多个所存储图像中的图像分类到群中。<br>《隐含公开》	[0112]段：“In one embodiment, these classification methods are used to generate decision statistics for each pixel, and histograms for these pixel-level decision statistics are used to train another classifier... to allow screening of one or more images...” <br> [0311]段：“In one embodiment, four classifiers — one classifier for each of cottonwoolspots, exudates, hemorrhages, and microaneurysms — are trained and tested.”	对比文件描述了为不同的病变类别（如微动脉瘤、出血等）训练分类器，这些类别本质上就是“标记”。系统使用这些分类器对图像中的像素或区域进行分类，这实质上是基于“标记”（即病变类别）将图像内容划分到不同的类别“群”中。虽然对比文件的“群”更侧重于病理类别而非通用的照片管理群组，但技术本质是相同的：基于预定义的类别标记对图像数据进行分类组织。因此，本领域技术人员可以合理推断出“基于标记将图像分类到群中”这一技术方案。
技术特征J：其特征在于，进一步包括，至少部分地基于对应的群来将所述多个所存储图像中的每个图像放置到文件夹中。<br>《未公开》	无相关引用。	对比文件处理的是医学图像分析，用于病变检测和疾病筛查，其输出是诊断信息、病变位置图或筛查结果。整个说明书中没有任何关于将图像文件物理或逻辑地“放置到文件夹”中进行管理的描述。这是目标专利特有的图像管理系统功能，在对比文件中找不到对应或可合理推断的基础。因此，该技术特征未被公开。
技术特征K：其特征在于，进一步包括，使用非特定名称来命名所述文件夹。<br>《未公开》	无相关引用。	由于特征J（放置到文件夹）未被公开，且对比文件未涉及任何文件夹命名概念，因此该技术特征未被公开。
技术特征L：其特征在于，进一步包括，使用第二预先训练的分类器来确定特定文件夹名称。<br>《未公开》	无相关引用。	同上，对比文件未涉及文件夹命名，更未提及使用分类器来确定文件夹名称。因此，该技术特征未被公开。
技术特征M：其特征在于，进一步包括，使用所述第二预先训练的分类器、至少部分地基于与相关联的群的标记相关联的群集中心的分类来确定所述特定文件夹名称。<br>《未公开》	无相关引用。	同上，该特征依赖于文件夹、文件夹命名等未被公开的概念，因此未被公开。
技术特征N：其特征在于，所述特定文件夹名称进一步至少部分地基于关于给定文件夹的所标记图像的多数裁定规则来确定。<br>《未公开》	无相关引用。	同上，该特征未被公开。
技术特征O：其特征在于，进一步包括，接收修改特定文件夹名称或指派新的特定文件夹名称的用户输入。<br>《未公开》	无相关引用。	对比文件未描述接收用户输入以修改或指派文件夹名称的交互。因此，该技术特征未被公开。
技术特征P：其特征在于，进一步包括，至少部分地基于群集中心或者至少一个所标记的图像特征向量来重新训练第二预先训练的分类器以包括经修改的特定文件夹名称或所述新的特定文件夹名称。<br>《未公开》	无相关引用。	该特征涉及为适应文件夹名称变化而重新训练分类器，依赖于一系列未被公开的概念（文件夹名称、基于文件夹名称重新训练）。因此，未被公开。
技术特征Q：其特征在于，进一步包括，至少部分地基于确定新图像的特征向量和应用所述分类器以确定所述新图像的群来将所述新图像放置在文件夹中。<br>《未公开》	无相关引用。	该特征结合了“确定新图像的群”（可能隐含公开）和“放置在文件夹中”（未公开）。由于“放置在文件夹中”这一关键步骤未被公开，整体技术方案未被公开。
技术特征R：其特征在于，进一步包括，接收修改所述所指派的标记的用户输入。<br>《未公开》	无相关引用。	对比文件未描述用户修改系统自动指派的标记（如病变分类结果）的交互过程。因此，该技术特征未被公开。
技术特征S：其特征在于，至少部分地基于将所述图像从第一文件夹移至第二文件夹的用户输入来修改所述所指派的标记。<br>《未公开》	无相关引用。	该特征涉及通过图形化文件管理操作（移动文件）来修改标记，依赖于未被公开的“文件夹”和用户交互修改标记的概念。因此，未被公开。
技术特征T：其特征在于，进一步包括，与第二用户共享至少一个分类器或群集中心列表。<br>《未公开》	无相关引用。	对比文件描述的是独立的图像分析系统，未提及在不同用户或设备间共享分类器模型或聚类中心列表的功能。因此，该技术特征未被公开。
技术特征U：其特征在于，所共享的群集中心列表与所述第二用户的群集中心列表相组合以创建用于所述第二用户的图像的标记并且更新用于所述第二用户的分类器。<br>《未公开》	无相关引用。	该特征依赖于特征T（共享）未被公开，且涉及复杂的跨用户数据融合与模型更新流程，在对比文件中无任何基础。因此，未被公开。
技术特征V：其特征在于，进一步包括，与所述第二用户共享用户为类别或群集定义的种类。<br>《未公开》	无相关引用。	对比文件未提及用户自定义类别/种类并共享的功能。因此，该技术特征未被公开。