一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质与流程

1.本发明涉及女性生殖道微生态中病原体的检测方法，特别涉及一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质。


背景技术：

2.孢子和芽生孢子是女性生殖道中常见的致病病原体，一定条件下侵犯女性下生殖道而引起外阴皮肤黏膜炎症，引发女性霉菌性阴道炎，也常称为真菌性阴道炎，因此提高孢子和芽生孢子检出率对诊断女性霉菌性阴道炎起到了至关重要的作用。目前针对女性生殖道分泌物生物标本的革兰氏染色方法合显微镜100倍高倍物镜下的病原体形态学检查是最常用的检验方法，也是女性生殖道病原体检测的金标准。
3.目前基于病原体的专家标注数据库和卷积神经网络的目标检测深度学习方法可大幅度提高显微镜下图像的病原体的检测。但是因为对于制作的阴道分泌物生物标本涂片有厚有薄，有稀有稠等因素，所以拍摄的显微镜下的图像有可能背景简单，即病原体周边无或少量其他细胞、细菌等目标物，也有可能背景复杂，即病原体与生物标本中的其他细胞、细菌堆叠在一起，同时又因为高倍物镜景深非常小，可能造成图像中的病原体不在对焦平面上，所以病原体区域是比较模糊等复杂情况。同一个目标检测模型，对于同一场景下，在对焦平面的清晰图像和不在对焦平面上的模糊图像检测结果会不同，不在对焦平面上的图像造成病原体漏检的可能性更大。基于以上理由，考虑通过对图像进行平滑滤波操作，凸显有可能包含病原体的区域并同时虚化或者去除背景，然后再输入到训练的病原体目标检测模型中，进一步提升病原体的检出率。
4.目前针对图像的平滑滤波操作，特别是保持边缘的平滑滤波操作用途广泛，其中双边滤波（bilateral filter）是具有保持目标物边缘轮廓的最常用的平滑滤波算法，联合双边滤波(joint/cross bilateral filter 或称交叉双边滤波)是对双边滤波的改进，循环导向滤波（rolling guidance filter 或称滚动导向滤波、迭代引导滤波）是基于联合双边滤波的改进，可以起到虚化平滑背景并保持目标物的边缘和轮廓的作用。然而普通的循环导向滤波存在以下问题：一是，普通的循环导向滤波有三个参数，分别是滤波器窗口大小、颜色差异的方差和距离差异的方差，但是同一组参数，针对不同的图像并不能同时都达到理想的效果，即针对不同的图像，需要分别调节三个不同的参数，才有可能达到想要的结果，即使针对同一张图像，这些参数往往需要多次调试实验所得，因此该普通的循环导向滤波方法步骤繁琐且应用于经革兰氏染色的女性生殖道分泌物生物标本的显微图像的这种特殊场景下检测识别病原体时不具有通用性。二是，采用普通循环导向滤波处理后，虽然虚化了图像中的背景，但是图像中的病原体有的变得清晰有的变得模糊，甚至分辨不清楚病原体的形态，图像整体和病原体周边区域的整体背景虚化效果不好，仍然可以看到其他目标物的边缘轮廓；三是，存在病原体受其他目标物干扰，甚至与其他目标物相连，影响病原体形态的情况，容易造成病原体的漏检。
5.

技术实现要素：

6.本发明要解决的技术问题是克服现有技术的上述缺陷，提供一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质，本发明检测方法针对经革兰氏染色的女性生殖道分泌物生物标本的显微图像的这种特殊场景具有通用性，本发明通过采用基于改进的循环导向滤波算法提出一种虚化平滑背景并同时凸显包含病原体区域的方法，并将处理后的图像输入到基于卷积神经网络的深度学习目标检测模型，从而提升病原体的检出率。
7.本发明是通过以下技术方案实现的：一种基于改进的循环导向滤波算法的提升病原体检测方法，包括以下步骤：s1：构建用于检测孢子和芽生孢子的病原体训练集；s2：基于s1构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的人工智能目标检测模型；s3：基于改进的循环导向滤波算法对原图进行滤波操作，包括以下步骤：s31：初始化滤波参数，，，，，，其中，，，和分别代表高颜色差异方差和低颜色差异方差，和分别代表高距离差异方差和低距离差异方差，和分别代表大的核滤波器窗口尺寸和小的核滤波器窗口尺寸，，，为高参数值组，，,为低参数值组，设定代表输入图像的第通道并坐标在处的像素值，，，，代表初始化的图像，代表图像的第通道并坐标在处的像素值，代表初始化的图像，代表图像的第通道并坐标在处的像素值；s32：基于高参数值组生成导向图，具体步骤如下：利用大的核滤波器窗口、高颜色差异方差、高距离差异方差，，带入以下公式，设定：，其中代表以为中心点，直径为的邻域区域，代表属于邻域内的坐标点，代表第次迭代后得到的图像，最终迭代后的结果为视觉上为灰度图的24位图；
s33：基于低参数值组生成输入图，得到彩色的24位图；s34：将s32中的导向图和s33中的输入图进行联合双边滤波得到平滑了背景并同时凸显了保持颜色信息的病原体区域的滤波效果图；s4：检测输入图像中的病原体：将输入图像按照s3进行滤波操作，然后将滤波后的图像输入到s2训练出的病原体的人工智能目标检测模型进行病原体检测，得到病原体的位置信息。
8.作为优化，所述s1中构建用于检测孢子和芽生孢子的病原体训练集，具体步骤如下：采集包含孢子和芽生孢子的经革兰氏染色的女性下生殖道分泌物生物标本的显微图像，并交由相关领域专家标注出图像中的病原体的类别和位置，从而构建出用于检测孢子和芽生孢子的病原体训练集。
9.作为优化，所述s2中基于s1构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的的人工智能目标检测模型，具体步骤如下：利用主干网络，如vgg-19、resnet-50、resnet-101、inception v3、mobilenetv2等结合目前主流的深度学习目标检测框架方法，如ssd、faster-rcnn、yolo等或及其相关延伸的框架训练基于卷积神经网络的人工智能目标检测模型。
10.作为优化，所述s33中基于低参数值组生成输入图，具体步骤如下：利用小的核滤波器窗口、低颜色差异方差、低距离差异方差,，带入以下公式，设定，，其中，代表以为中心点，直径为的邻域区域，代表属于邻域内的坐标点，代表第次迭代后得到的图像，最终迭代后的结果是彩色的24位图。
11.作为优化，所述s34中将s32中的导向图和s33中的输入图进行联合双边滤波，具体步骤如下：将作为联合双边滤波的导向图，作为联合双边滤波的输入图，同时使用小的核滤波器窗口、低颜色差异方差、低距离差异方差，进行联合双边滤波，带入以下公式，设定，，其中联合双边滤波的结果设定记为。
12.一种计算机设备，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上基于改进的循环导向滤波算法的提升病原体检测方法
的步骤。
13.一种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上基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
14.本发明的有益效果是：1：针对经革兰氏染色的女性下生殖道分泌物生物标本的显微图像，本发明可以使用固定参数针对不同的显微图像，均可达到虚化平滑背景，同时凸显包含病原体的区域，无需针对不同图像设置不同参数，通用性较强。
15.2：本发明可以虚化平滑掉图像中病原体周边的目标物，保证病原体的轮廓形状不受其他目标物的影响，提取到更完整形态的病原体，提升病原体的检出率。
16.3：本发明可以虚化平滑图像中的背景，同时加强病原体的边缘，更加凸显病原体的区域。
17.4：本发明可以使得不在对焦平面上的模糊的病原体更加清晰，轮廓更加完整，进一步提升病原体的检出率。
附图说明
18.下面结合附图对一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质作进一步说明：图1为本发明整个过程的流程示意图；图2为本发明改进的循环导向滤波方法的流程示意图；图3（a）为背景比较简单，背景是尺度很大的上皮细胞和尺度很小的细菌的示例图；图3（b）为针对图3（a）进行普通循环导向滤波的示例图（第一组参数）；图3（c）为针对图3（a）进行普通环导向滤波的示例图（第二组参数）；图3（d）为图3（b）和图3（c）进行联合双边滤波的示例图；图3（e）为本发明针对图3（a）生成的导向图的示例图；图3（f）为本发明针对图3（a）进行滤波的示例图；图3（g）为目标检测模型针对图3（a）检测出的病原体的示例图；图3（h）为目标检测模型针对图3（b）检测出的病原体的示例图；图3（i）为目标检测模型针对图3（c）检测出的病原体的示例图；图3（j）为目标检测模型针对图3（d）检测出的病原体的示例图；图3（k）为目标检测模型针对图3（f）检测出的病原体的示例图；图4（a）为背景相对复杂，背景是尺度中等的白细胞和尺度较大的细菌的示例图；图4（b）为针对图4（a）进行普通循环导向滤波的示例图（第一组参数）；图4（c）为针对图4（a）进行普通循环导向滤波的示例图（第二组参数）；图4（d）为图4（b）和图4（c）进行联合双边滤波的示例图；图4（e）为本发明针对图4（a）生成的导向图的示例图；图4（f）为本发明针对图4（a）进行滤波的示例图；图4（g）为目标检测模型针对图4（a）检测出的病原体的示例图；图4（h）为目标检测模型针对图4（b）检测出的病原体的示例图；
图4（i）为目标检测模型针对图4（c）检测出的病原体的示例图；图4（j）为目标检测模型针对图4（d）检测出的病原体的示例图；图4（k）为目标检测模型针对图4（f）检测出的病原体的示例图；图5（a）为背景复杂，铺满了尺度中等的白细胞和尺度较大的细菌的示例图；图5（b）为针对图5（a）进行普通循环导向滤波的示例图（第一组参数）；图5（c）为针对图5（a）进行普通循环导向滤波的示例图（第二组参数）；图5（d）为图5（b）和图5（c）进行联合双边滤波的示例图；图5（e）为本发明针对图5（a）生成的导向图的示例图；图5（f）为本发明针对图5（a）进行滤波的示例图；图5（g）为目标检测模型针对图5（a）检测出的病原体的示例图；图5（h）为目标检测模型针对图5（b）检测出的病原体的示例图；图5（i）为目标检测模型针对图5（c）检测出的病原体的示例图；图5（j）为目标检测模型针对图5（d）检测出的病原体的示例图；图5（k）为目标检测模型针对图5（f）检测出的病原体的示例图。
具体实施方式
19.为了更加清楚地说明本发明所述的技术手段及有益效果，以下结合附图，对本发明进行详细的说明，如图1所示，具体步骤如下：步骤一：构建用于检测孢子和芽生孢子的病原体训练集。采集包含孢子和芽生孢子的经革兰氏染色的女性妇科下生殖道分泌物标本的显微图像，并交由相关领域专家标注出图像中的病原体的类别和位置，从而构建出用于检测孢子和芽生孢子的病原体训练集。
20.步骤二：基于步骤一构建的孢子和芽生孢子的病原体训练集，训练检测孢子和芽生孢子病原体的人工智能目标检测模型。本实施例中采用主干卷积神经网络resnet-101结合ssd的深度学习目标检测框架训练检测孢子和芽生孢子病原体的人工智能目标检测模型。
21.步骤三：对输入的经革兰氏染色的女性下生殖道分泌物生物标本的原显微图像 进行改进的循环导向滤波操作。经革兰氏染色的女性下生殖道分泌物生物标本的原显微图像，在颜色显示上呈现一些特殊性,如上皮细胞、白细胞等常被染成偏浅红色，病原体和阳性杆菌等常被染成深紫黑色，及已知上皮细胞的尺寸较大，病原体的尺寸比白细胞小，比细菌要大很多等尺寸特性，改进普通循环导向滤波，具体步骤如图2所示。
22.为了清楚的展现本发明改进的循环导向滤波操作的具体提升效果，选取三种存在病原体但是背景不同的场景：第一个场景：背景比较简单，背景是尺度很大的上皮细胞和尺度很小的细菌，如图3（a）所示，包含4个病原体，其中位置3和位置4处的病原体比较模糊，不在焦平面上，位置1和位置2的病原体与细胞在边缘上有连接。
23.第二个场景：背景相对复杂，背景是尺度中等的白细胞和尺度较大的细菌，如图4（a）所示，包含3个病原体，其中位置3处的病原体比较模糊，不在焦平面上，位置2和位置3处的病原体的边缘上附着着一些细菌，影响了其病原体本来的形态轮廓。
24.第三个场景：背景复杂，铺满了尺度中等的白细胞和尺度较大的细菌，如图5（a）所
示，包含5个病原体，其中焦平面上在细菌上，除了位置3处的病原体，其他所有的病原体都比较模糊，不在焦平面上，而且这些病原体均与其他目标物的边缘有连接。
25.本实施例中具体的参数和步骤如下：初始化参数的值，设定=80，=30，=60，=20，=101，=51，，，，，，其中,, ，利用大的核滤波器窗口=101、高颜色差异方差=80、高距离差异方差=60，这三个参数记为第一组参数，，带入以下公式，设定记为公式1：，循环迭代后的最终结果从视觉上看是单通道的灰度8位图，其实是一个24位图，只是没有了革兰氏染色后的图片颜色信息，但是凸显了包含经革兰氏染色后颜色较深的病原体区域，其中包括在焦平面上的清晰的病原体区域，也包括不在焦平面上有些模糊的病原体区域，并同时虚化平滑掉了背景中细菌等尺度小的目标物及染色较浅的细胞区域，起到了凸显病原体区域的作用。图3（a）、图4（a）和图5（a）迭代后得到结果，如图3（e）、图4（e）和图5（e）所示。
26.利用小的核滤波器窗口=51、低颜色差异方差=30、低距离差异方差=20，这三个参数记为第二组参数，，带入以下公式，设定记为公式2：，循环迭代后的最终结果是彩色的24位图，不仅提取到了包含经革兰氏染色后颜色较深的病原体区域，而且提取到了颜色较深的细菌区域，并保留住了这些区域的颜色信息，同时平滑掉了颜色较浅的细胞等其他区域。
27.将作为联合双边滤波的导向图，作为联合双边滤波的输入图，同时使用小的核滤波器窗口=51、低颜色差异方差=30、低距离差异方差=20，进行联合双边滤波，带入以下公式，设定记为公式3：,
,其中联合双边滤波的结果设定记为, 其结果凸显了保持颜色信息的病原体区域，其中包括在焦平面上的清晰的病原体区域，也包括不在焦平面上有些模糊的病原体区域，虚化平滑掉了背景中颜色较深的细菌等尺度小的目标物及染色较浅的细胞等其他区域。图3（a）、图4（a）和图5（a）经过以上处理后的最终结果，如图3（f）、图4（f）和图5（f）所示。
28.将本发明和普通循环导向滤波的结果进行比较，普通循环导向滤波分别对图3（a）、图4（a）、图5（a）进行处理，其中采用第一组参数，即滤波器窗口的大小的直径为101，颜色差异的方差为80，距离差异的方差为60，迭代次数是4，设定该参数的循环导向滤波记为 rgf1，滤波后的结果如图3（b）、4（b）和5（b）所示，采用第二组参数，即滤波器窗口的大小的直径为51，颜色差异的方差为30，距离差异的方差为20，迭代次数是4，设定该参数的循环导向滤波记为 rgf2，滤波后的结果如图3（c）、4（c）和5（c）所示，将以上rgf1和rgr2的结果进行联合双边滤波（jbf）记为rgf1_rgf2_jbf，图3（b）和图3（c）联合双边滤波后的结果为3（d）, 图4（b）和图4（c）联合双边滤波后的结果为4（d）, 图5（b）和图5（c）联合双边滤波后的结果为5（d）。
29.以下从4个方面进行比较：1、本发明和普通循环导向滤波在参数的通用性上的对比结果：不同图像，经相同的第一组参数的rgf1（普通循环导向滤波）处理后，虽然虚化了图像中背景，但是图像中的病原体有的变得清晰有的变得模糊，如图3（b）位置2的病原体变得清晰，位置3的病原体变得模糊，如图4（b）位置1的病原体变得清晰，但是图4（b）位置2和位置3的病原体变得模糊。如图5（b）位置1、位置2的病原体变得清晰，位置3、位置4、位置5的病原体变得模糊。
30.而不同图像，经相同参数的本发明处理后，不仅虚化了背景，而且使得病原体区域均变得更加清晰，如图3（f）、4（f）和5（f）所示。
31.总之，本发明首先初始化8个滤波参数，然后基于高参数值组采用改进的循环导向滤波算法生成导向图，得到视觉上呈现灰色的24位图，其次基于低参数值组生成输入图，得到保留颜色信息的彩色的24位图，最后将灰色的24位导向图和彩色的24位输入图进行联合双边滤波得到凸显了保持颜色信息的病原体区域，本发明可以使用固定参数针对不同的显微图像，均可达到虚化平滑背景，同时凸显包含病原体的区域，无需针对不同图像设置不同参数，其稳定性好，通用性强。
32.2、本发明和普通循环导向滤波在提取到病原体的清晰度和完整度上的对比结果：经rgf1处理后的图像，病原体的区域有可能变得更加模糊，甚至分辨不清楚病原体的形态，如图3（b）位置3的病原体，图4（b）的位置2和位置3的病原体,而经本发明处理后，同一位置处的病原体变得更加清晰，如图3（f）位置3的病原体，图4（f）的位置2和位置3的病原体。同时，经rgf1处理后的图像，病原体的边缘变得更加模糊，轮廓的完整度不好，如图5（b）位置3、位置4、位置5处的病原体，而经本发明处理后，同一位置处的病原体的边缘变得更加清晰，轮廓更完整，如图5（f）位置3、位置4、位置5处的病原体。
33.总之，本发明改进的循环导向滤波方法在提取到病原体的清晰度更佳，而且提取到更完整形态的病原体，提升病原体的检出率。
34.、本发明和普通循环导向滤波在提取到病原体是否受其周围其他目标物影响其形态的对比结果：经rgf2和rgf1_rgf2_jbf处理后的图像，病原体受其他目标物干扰，甚至与其他目标物相连，影响病原体原来的形态，如图3（c）和图3（d）位置4的病原体与细胞的边缘相连、图4（c）和图4（d）的位置2和位置3的病原体与细菌的边缘相连，边缘均受影响，影响了病原体的形态，而经本发明处理后，同一位置处的病原体其边缘也变得更加清晰，并虚化了与其相连的其他的目标物，更加还原病原体的形态，如图3（f）位置4的病原体与细胞边缘已经完全分开，图4（f）的位置2和位置3的病原体周边的细菌已经被虚化，更加还原了病原体的形态。
35.总之，本发明改进的循环导向滤波方法可以虚化平滑掉图像中病原体周边的目标物，保证病原体的轮廓形状不受其他目标物的影响，更加还原了病原体的形态，提升病原体的检出率。
36.、本发明和普通循环导向滤波在病原体周边小区域的背景是否被虚化的对比结果：经rgf1、rgf2和rgf1_rgf2_jbf处理后，图像整体和病原体周边区域的整体背景虚化效果不好，仍然可以看到其他目标物的边缘轮廓，如图3（b）、图3（c）和图3（d）位置4的病原体，图4（c）的位置2和位置3的病原体，图5（b）、图5（c）和图5(d)的位置3、位置4和位置5的病原体，而经本发明处理后的，同一位置处病原体周边的小区域的背景虚化程度更高，更加凸显病原体，如图3（f）位置4的病原体，图4（f）的位置2和位置3的病原体，图5（f）的位置3、位置4和位置5的病原体。
37.总之，本发明改进的循环导向滤波方法可以虚化平滑图像中的背景，同时加强病原体的边缘，更加凸显病原体的区域，进而提升病原体的检出率。
38.综合以上对比结果，基于以上四点，本发明改进的循环导向滤波方法比普通循环导向滤波在处理经革兰氏染色的女性下生殖道分泌物生物标本的显微图像上有明显提升效果。
39.步骤四：检测图像3(a)、4（a）和5（a）中的病原体。将图像按照步骤三本发明改进的循环导向滤波操作，然后将滤波后的图像3（f）、4（f）和5（f）输入到步骤二训练出的病原体的人工智能目标检测模型进行病原体检测，得到病原体的位置信息,分别如图3（k）、4（k）、5（k）所示，对比分别将原图直接输入到同一目标检测模型得到的病原体的位置信息，分别如图3（h）、4（h）、5（h）所示，将通过rgf1滤波后的图像输入到同一目标检测模型得到的病原体的位置信息，分别如图3（i）、4（i）、5（i）所示, 将通过rgf2滤波后的图像输入到同一目标检测模型得到的病原体的位置信息，分别如图3（j）、4（j）、5（j）所示, 将通过rgf1_rgf2_jbf滤波后的图像输入到同一目标检测模型得到的病原体的位置信息，分别如图3（j）、4（j）、5（j）所示,检测到的病原体的个数对比如下表1所示:
由表1结合图3（g）、图4（g）、图5（g）以及人工审核结果可知，将原图直接输入到同一目标检测模型后，图3（g）中漏检2个病原体，包括不在焦平面上模糊的位置3和与其他目标物边缘接触边缘模糊的位置4处的病原体；图4（g）中漏检2个病原体，包括与其他目标物边缘接触边缘模糊的位置2和位置3处的病原体；图5（g）中漏检3个病原体，包括边缘模糊并与其他目标物边缘接触的位置2、位置4和位置5处的病原体。
40.由表1结合图3（h）、图4（h）、图5（h）以及人工审核结果可知，将普通导向滤波rgf1进行滤波后的图像输入到同一目标检测模型后，图3（h）中漏检2个病原体，分别是位置3和位置4处的病原体，经rgf1滤波后这两个位置处的病原体已经很模糊，看不清楚轮廓；图4（h）中漏检2个病原体，位置2和位置3处的病原体，经rgf1滤波后这两个位置处的病原体已经很模糊，看不清楚轮廓；图5（h）中漏检3个病原体，分别是位置3、位置4和位置5处的病原体，经rgf1滤波后这三个位置处的病原体的边界模糊，也与其他目标的边界未很清楚的分开。
41.由表1结合图3（i）、图4（i）、图5（i）以及人工审核结果可知，将普通导向滤波rgf2进行滤波后的图像输入到同一目标检测模型后，图3（i）中漏检1个病原体，位置3的病原体与周边其他目标物的边界未清除的分开；图4（i）中漏检2个病原体，分别是位置2和位置3处的病原体，这两个病原体未与周边目标物的边界清楚分开；图5（i）中未漏检病原体，但是显然该图中其他位置的虚化程度不如本发明的虚化程度。
42.由表1结合图3（j）、图4（j）、图5（j）以及人工审核结果可知，将rgf1_rgf2_jbf滤波后的图像输入到同一目标检测模型后，图3（j）中漏检2个病原体，分别是位置3和位置4处的病原体，经滤波后这两个位置处的病原体已经很模糊，看不清楚轮廓；图4（j）中漏检2个病原体，包括与其他目标物边缘接触边缘模糊而且整体也模糊的位置2和位置3处的病原体；图5（j）中漏检3个病原体，包括边缘模糊并与其他目标物边缘接触的位置3、位置4和位置5处的病原体。
43.由表1结合图3（k）、图4（k）、图5（k）以及人工审核结果可知，经本发明改进的循环导向滤波后的结果输入到人工智能目标检测模型中得到的病原体的数量与人工审核的数量是一致的。因此，本发明通过采用基于改进的循环导向滤波算法提出一种虚化平滑背景并同时凸显包含病原体区域的方法，并将处理后的图像输入到基于卷积神经网络的深度学习人工智能目标检测模型，可有效提升病原体的检出率。
44.一种计算机设备，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本发明实施例中基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
45.一种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本发明实施例中基于改进的循环导向滤波算法的提升病原体检测方法的步骤。
46.上述具体实施方式仅是本发明的具体个案，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的
等效实施方式。但是凡是未脱离本发明技术原理的前提下，依据本发明的技术实质对以上实施方式所作的任何简单修改、等同变化与改型，皆应落入本发明的专利保护范围。