**对比文件名称**：1999-11-16_US5987094A_发明授权_US5987094A Computer-assisted method and apparatus for the detection of lung nodules
**目标专利名称**：1327将系统数据缩放集成到基于遗传算法的特征子集选择中的方法和装置CN101501712B
**本次调用的模型名称**：（未指定）
### 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用（中文翻译） | 公开性论述 |
| **技术特征A**：使用系统数据缩放方法（未公开） | 无相关公开内容。 | 对比文件全文未提及“系统数据缩放”（systematic data scaling）或任何类似的缩放方法，也未涉及在训练集选择中应用缩放技术。本领域技术人员无法从对比文件中直接或隐含地得出该技术特征。 |
| **技术特征B**：从一组训练案例中选择训练集（隐含公开） | 对比文件[2]：“所述CAD方法和装置在一个优选实施例中包括……使用神经网络或模糊二元决策树进行分类，这些分类器利用了在像素强度、形态、方向纹理和连接性域中计算的特征。” 此外，对比文件[2]提及“使用具有已知真实情况的正常胸部图像和已知肺结节病例的训练图像数据库”。 | 对比文件明确使用了训练图像数据库（即一组训练案例）来训练分类器（如神经网络、模糊决策树），这隐含了从一组训练案例中选择训练集的过程。尽管未明确描述“选择”步骤，但本领域技术人员可以合理推断训练分类器前必然需要从训练案例中确定训练集，因此该特征被隐含公开。 |
| **技术特征C**：使用分类方法（直接公开） | 对比文件[2]：“用于分类的神经网络或模糊二元决策树。” | 对比文件直接公开了使用分类方法（神经网络和模糊二元决策树）进行肺结节识别，这些方法属于分类方法，作用与目标专利中的分类方法相同（用于创建分类器以减少假阳性）。因此该特征被直接公开。 |
| **技术特征D**：基于所述训练集来创建分类器（直接公开） | 对比文件[2]：“通过训练图像数据库，使用神经网络或模糊二元决策树等方法训练分类器。” 对比文件[2]还提到“训练后的神经网络”（trained neural networks）。 | 对比文件明确基于训练数据（训练集）创建分类器（如训练神经网络或决策树），该过程与目标专利一致。因此该特征被直接公开。 |
| **技术特征E**：其中所述系统数据缩放方法和所述分类方法产生所述分类器（未公开） | 无相关公开内容。 | 对比文件未公开系统数据缩放方法，因此无法产生“系统数据缩放方法和分类方法共同产生分类器”的技术方案。该特征未被公开。 |
| **技术特征F**：从而减少假阳性并提高分类准确性（直接公开） | 对比文件[2]：“CAD方法的目标是通过提高对潜在重要可疑区域的检测来提高敏感性，并通过减少假阳性解释来提高特异性。” | 对比文件直接陈述了其方法旨在减少假阳性并提高检测准确性（敏感性和特异性），与目标专利中“减少假阳性并提高分类准确性”的作用完全相同。因此该特征被直接公开。 |
| **技术特征G**：其中所述分类器从由支持向量机、神经网络和决策树组成的组中进行选择（直接公开） | 对比文件[2]：“用于分类的神经网络或模糊二元决策树。” 模糊二元决策树属于决策树的一种。 | 对比文件直接公开了使用神经网络和决策树（模糊二元决策树）作为分类器，这两者均属于目标专利限定的分类器组（支持向量机、神经网络、决策树）。虽然未提及支持向量机，但对比文件公开了组中的部分成员，且本领域技术人员可直接识别出这些分类器属于该组。因此，该特征被直接公开。 |
| **技术特征H**：（空） | — | — |
| **技术特征I**：所述方法进一步包括使用测试集对基于所述训练集由所述分类方法产生的所述分类器进行评价（隐含公开） | 对比文件[2]：“通过训练图像数据库和具有已知真实情况的病例进行选择性增强和分割，并评估性能。” 对比文件[2]在实验结果部分（如图7-9）展示了ROC曲线等性能评估，隐含使用了测试集。 | 对比文件在方法描述中提到了性能评估（如ROC分析），并暗示了使用独立数据（测试集）进行验证。本领域技术人员可以合理推断，为了评价分类器的性能，通常需要将数据分为训练集和测试集，并使用测试集进行评估。因此该特征被隐含公开。 |
| **技术特征J**：（空） | — | — |
| **技术特征K**：其中选择进一步包括从所述训练集中去除与真结节形成Tomek链的假结节（未公开） | 无相关公开内容。 | 对比文件未提及Tomek链或任何类似概念，没有公开基于Tomek链去除假结节的步骤。因此该特征未被公开。 |
| **技术特征L**：直到满足一个阈值（未公开） | 无相关公开内容。 | 对比文件未公开与去除假结节相关的阈值设置。因此该特征未被公开。 |
| **技术特征M**：（空） | — | — |
| **技术特征N**：其中相对于向下缩放因子x来确定所述阈值（未公开） | 无相关公开内容。 | 对比文件未公开向下缩放因子或任何与缩放因子相关的阈值确定方法。因此该特征未被公开。 |
| **技术特征O**：使得在系统数据缩放后留在所述训练集中的假结节的数量不超过所述训练集中的真结节的数量的x倍（未公开） | 无相关公开内容。 | 对比文件未公开系统数据缩放以及假结节与真结节数量比例的控制。因此该特征未被公开。 |
| **技术特征P**：（空） | — | — |
| **技术特征Q**：其中所述方法进一步包括利用该组训练案例或其子集来验证所述分类器（隐含公开） | 对比文件[2]：“使用训练图像数据库进行选择性增强和分割，并评估分类性能。” 对比文件[2]在实施例中提及“验证”过程（如使用独立数据集进行验证）。 | 对比文件在实施过程中隐含使用了训练案例或其子集来验证分类器（例如通过交叉验证或独立测试），本领域技术人员可以合理推断验证步骤的存在。因此该特征被隐含公开。 |
| **技术特征R**：（空） | — | — |
<<<C>>><<<D>>><<<F>>><<<G>>><<<b>>><<<i>>><<<q>>>