用于控制超声手术系统的系统和方法与流程

1.本公开涉及电外科手术程序，并且更具体地说，涉及用于控制超声手术系统的系统和方法。


背景技术：

2.手术器械被用来对组织结构执行各种功能。这类手术器械的实例是利用超声能量，即超声振动来治疗组织的超声手术器械。更具体地说，典型超声手术器械利用以超声频率传输的机械振动能量来凝结、烧灼、熔合、密封、切割、干燥、电灼或以其他方式治疗组织。


技术实现要素：

3.如本文中所使用，术语“远侧”是指所描述的远离使用者的部分，而术语“近侧”是指所描述的靠近使用者的部分。此外，在一致的程度上，本文所描述的任何方面可与本文所描述的任何或所有其他方面结合使用。
4.根据本公开的方面，提供了一种用于控制手术系统的计算机实施的方法。计算机实施的方法包括启动包括超声发生器、超声换能器和超声刀片的超声手术系统。所述方法进一步包括从超声手术系统收集数据，所述数据包括与启动的超声手术系统相关联的电参数。所述方法另外包括：将数据传送到机器学习算法；使用机器学习算法而基于数据确定血管尺寸；将确定的血管尺寸传送到与超声发生器相关联的计算设备；和根据血管尺寸控制启动的超声手术系统。当超声手术系统启动时，超声发生器产生驱动信号以驱动超声换能器，所述超声换能器继而产生超声能量，所述超声能量被传输到超声刀片用于治疗与超声刀片接触的血管。
5.在本公开的一方面，控制启动的超声手术系统包括确定何时停止由超声发生器生成驱动信号，其中驱动信号用于密封血管。基于确定，由超声发生器生成用于切割血管的第二驱动信号。
6.在本公开的另一个方面，来自超声手术系统的数据可以包括电压、电流、频率、速度、transv、transvphase、mfb、z_ph或df/dt。
7.在本公开的一方面，机器学习算法可以包括神经网络。
8.在本公开的又一个方面，神经网络可以包括时间卷积网络或前馈网络。
9.在本公开的另一方面，计算机实施的方法可以进一步包括通过访问超声手术系统数据或识别数据中的模式来训练神经网络。
10.在本公开的一方面，计算机实施的方法可以进一步包括使用训练数据来训练神经网络，所述训练数据可以包括：电压、电流、频率、速度、transv、transvphase、mfb、z_ph或df/dt。
11.在本公开的另一方面，训练神经网络可以包括监督训练、无监督训练或强化学习。
12.根据本公开的方面，提出了一种用于控制超声手术程序的系统。所述系统包括超声发生器、超声换能器、超声刀片、处理器和联接到处理器的存储器。当超声手术系统启动
时，超声发生器产生驱动信号以驱动超声换能器，所述超声换能器继而产生超声能量，所述超声能量被传输到超声刀片用于治疗与超声刀片接触的血管。联接到处理器的存储器包括指令，所述指令当由处理器执行时，使系统：从超声手术系统收集数据；将数据传送到机器学习算法；基于数据，通过机器学习算法确定血管尺寸；将确定的血管尺寸传送到计算设备；并根据血管尺寸控制启动的超声手术系统。所述数据包括与启动的超声手术系统相关联的电参数。所述计算设备与超声发生器相关联。
13.在本公开的另一方面，控制启动超声手术系统可以包括：确定何时停止由超声发生器生成用于密封血管的第一驱动信号，和基于确定，由超声发生器生成用于切割血管的第二驱动信号。
14.在本公开的又一方面，从超声手术系统收集数据可以包括测量电压、电流、频率、速度、transv、transvphase、mfb、z_ph或df/dt。
15.在本公开的又一个方面中，机器学习程序可以包括神经网络。
16.在本公开的另一方面，神经网络可以包括时间卷积网络或前馈网络。
17.在本公开的又一方面，指令当由处理器执行时，可以进一步使系统通过访问超声手术系统数据或识别数据中的模式来训练神经网络。
18.在本公开的又一个方面，指令当由处理器执行时，可以进一步使系统使用训练数据来训练神经网络，所述训练数据可以包括：电压、电流、频率、速度、transv、transvphase、mfb、z_ph或df/dt。
19.在本公开的另一方面，神经网络的训练可以包括监督训练、无监督训练或强化学习。
20.根据本公开的方面，提出了一种存储程序的非暂时性存储介质，所述程序使计算机执行方法。所述方法包括启动超声手术系统。超声手术系统包括超声发生器、超声换能器、超声刀片。所述方法进一步包括：从超声手术系统收集数据；将数据传送到机器学习算法；使用机器学习算法而基于数据确定血管尺寸；将确定的血管尺寸传送到与超声发生器相关联的计算设备；和根据血管尺寸控制启动的超声手术系统。当超声手术系统启动时，超声发生器产生驱动信号以驱动超声换能器，所述超声换能器继而产生超声能量，所述超声能量被传输到超声刀片用于治疗与超声刀片接触的血管。所述数据包括与启动的超声手术系统相关联的电参数。
21.在本公开的一方面，控制启动的超声手术系统包括确定何时停止由超声发生器生成驱动信号，其中驱动信号用于密封血管。基于确定，由超声发生器生成用于切割血管的第二驱动信号。
22.在本公开的另一个方面，来自超声手术系统的数据可以包括电压、电流、频率、速度、transv、transvphase、mfb、z_ph或df/dt。
23.在本公开的一方面，机器学习算法可以包括神经网络。
24.在本公开的又一个方面，神经网络可以包括时间卷积网络或前馈网络。
附图说明
25.在本文中参考附图描述本公开的各个方面和特征，其中：
26.图1是根据本公开提供的超声手术系统的透视图，所述超声手术系统包括具有机
载发生器、电源和换能器的超声手术器械；
27.图2是根据本公开的图1的手术系统的发生器的框图；
28.图3是根据本公开提供的并且被配置用于与根据本公开的图1的手术系统一起使用的控制器的框图；
29.图4是根据本发公开的机器学习算法的逻辑图；
30.图5是根据本公开的数据记录的图；
31.图6是根据本公开的图1的手术系统的发生器的能量量变曲线的图示；
32.图7是根据本公开的未经训练的手术系统的启动时间对比血管直径的图示；
33.图8是根据本公开的用于估计血管直径的方法的流程图；和
34.图9是根据本公开的经过训练的手术系统的实际血管直径对比预测的血管直径的图示。
具体实施方式
35.组织密封涉及加热组织以液化组织中的胶原蛋白和弹性蛋白，从而使其重新形成融合块，在相对的组织结构之间显著减少分界。为了实现组织密封而不会在手术部位对组织造成不必要的损害或对相邻组织的附带损害，有必要控制对组织的能量施加，从而在密封过程中控制组织的温度。
36.关于实时利用血管尺寸信息以便控制对组织的能量施加以实现组织密封，期望的是在组织密封过程的初始阶段期间基于测量数据来确定血管尺寸以改进密封质量。如下详述，这可以通过利用可从手术系统获得的数据并运行机器学习算法来基于所述数据估计血管尺寸来实现。然后，可以将估计的血管尺寸反馈给控制器，以用于据此控制对组织的能量施加。血管尺寸可以包括但不限于血管直径、血管质量、组织表面积和/或组织质量。
37.本文的系统和方法不限于估计血管直径。在各种实施例中，系统和方法可以估计血管质量(或组织质量)，并且然后利用血管质量(或组织质量)来检测和针对组织类型进行调整。例如，组织类型可以包括血管和非血管、动脉对比静脉等。在各种实施例中，系统可以针对薄和厚组织、小血管和大血管(静脉、动脉)、肺脉管系统等进行调整。
38.下文详述的本公开的系统和方法可以结合到用于治疗组织的任何类型的手术系统中，例如下文中详述的超声手术系统。出于说明的目的并且绝不限制所附权利要求的范围，在本公开中在超声手术系统的上下文中描述了用于估计用于控制对组织的能量施加的血管直径的系统和方法。
39.术语“人工智能”、“数据模型”或“机器学习”可以包括但不限于神经网络、卷积神经网络(cnn)、循环神经网络(rnn)、生成性对抗网络(gan)、贝叶斯回归、朴素贝叶斯、最近邻法、最小二乘法、均值法和支持向量回归法，以及其他数据科学和人工科学技术。
40.术语“应用程序”可以包括被设计为执行特定功能、任务或活动以使用户受益的计算机程序。应用程序可以指例如作为独立程序或在网络浏览器中本地或远程运行的软件，或本领域的技术人员将其理解为应用程序的其他软件。应用程序可以在例如控制器500(图1)的控制器上或在包括例如移动设备、iot设备或服务器系统的用户设备上运行。
41.现在参考图1，根据本公开提供的超声手术系统包括超声手术器械410，所述超声手术器械一般包括手柄组件412、细长主体部分414和工具组件416。工具组件416包括刀片
432和夹具构件458。手柄组件412支撑电池组件418以及包括超声发生器470和超声换能器480的超声换能器和发生器组件(“tag”)420，但是发生器470和超声换能器80可以替代地是单独的部件。手柄组件412进一步包括可旋转喷嘴422、启动按钮424和夹具触发器426。电池组件418和tag 420各自可释放地固定到手柄组件412，并且可从其中移除以便于处置整个设备，电池组件418和tag 420除外。然而，经考虑，超声手术器械410的任何或所有部件被配置为一次性单次使用部件或可灭菌的多次使用部件。此外，超声手术器械410可以被配置成连接到远程发生器和/或电源，而不是使这样的部件成为机载的。
42.继续参考图1，细长主体部分414包括外轴组件415和波导(未示出)，所述波导从手柄组件412向远侧延伸通过外轴组件415到达工具组件416。波导的远侧端部限定刀片432。波导的近侧端部被配置成接合tag 420的超声换能器480。波导和外轴组件415可旋转地联接到可旋转喷嘴422，使得喷嘴422的旋转实现外轴组件415和波导的对应旋转。外轴组件415包括在任一配置中围绕彼此安置的支撑管和致动器管。
43.外轴组件415的致动器管被配置成相对于外轴组件415的支撑管移动，以使夹具构件458能够在打开位置和闭合位置之间枢转，在所述打开位置中夹具构件458与刀片432间隔开，在所述闭合位置中夹具构件458相对于刀片432接近。响应于夹具触发器426的致动，夹具构件458在打开位置和闭合位置之间移动。
44.继续参考图1示，启动按钮424支撑在手柄组件412上。当启动按钮424以适当的方式启动时，取决于启动按钮424的方式，以“低”功率模式或“高”功率模式启动下面的双模式开关组件以实现电池组件418和tag 420之间的通信。
45.如上所述，tag 420包括发生器470和超声换能器480。发生器470包括外壳460，所述外壳容纳具有存储器的tag微控制器500。tag 420在其上支撑超声换能器480。超声换能器480可以包括压电叠层并且限定被配置成接合波导的近侧端部的向前延伸的角状物。与tag 420相关联的一系列触点(未明确示出)能够实现tag 420、电池组件418和双模式开关组件之间的电力和/或控制信号的通信，但是还考虑了它们之间的非接触式通信。
46.一般来说，在使用中，当电池组件418和tag 420分别附接到手柄组件412和波导并且超声手术器械410启动时，电池组件418向tag 420的发生器470提供电力，所述发生器继而使用该电力向tag 420的超声换能器480施加ac信号。超声换能器480继而将ac信号转换成高频机械运动。由超声换能器480产生的这种高频机械运动沿着波导传输到刀片432，以将这类超声能量施加到邻近或夹持在刀片432和夹具构件458之间的组织用于治疗组织。
47.现在参考图2，示出了根据本公开的图1的手术系统的发生器470的框图。在各种实施例中，发生器470可以包括传感器模块444，其包括多个传感器，例如电流传感器和电压传感器。发生器470的各种部件，即，ac输出级440以及传感器模块444的ac电流和电压传感器可以安置在上印刷电路板(pcb)上。传感器模块444的ac电流传感器可以联接到超声换能器480(图1)上的有源端子，并提供由ac输出级440提供的ac电流的测量结果。在实施例中，传感器模块444的ac电流传感器可以联接到超声换能器480(图1)上的返回端子。传感器模块444的ac电压传感器联接到超声换能器480(图1)上的有源端子和返回端子，并提供由ac输出级440提供的ac电压的测量结果。
48.传感器模块444的ac电流和电压传感器分别感测并将感测到的ac电压和电流信号提供给发生器470的控制器500，其然后可以响应于感测到的ac电压和电流信号，调整电池
组件418和/或ac输出级440的输出。下文更详细描述控制器500(参见图3)。
49.来自传感器模块444的感测到的电压和电流被馈送到模/数转换器(adc)442。adc 442对感测到的电压和电流进行采样，以获得ac输出级440的电压和电流的数字样本。数字样本由控制器500处理，并用于生成控制信号以控制ac输出级440的dc/ac逆变器。adc 442将数字样本传送到控制器500以进行进一步处理。
50.在各种实施例中，控制器500可以在使用期间收集与发生器470相关的数据，包括电压、电流、功率、频率、速度或从这些信号导出的任何参数，如施加到换能器的ac电压(transv)、施加到换能器的ac电流(transl)、transv和相位参考信号之间的相位角(transvphase)、运动反馈桥(mfb)、阻抗相位(z_ph)或df/dt。例如，关于图1的超声手术系统，超声手术系统可用于向组织施加超声能量以治疗组织。更具体地说，另外参考图1，组织(未示出)被夹持在刀片432和夹具构件458之间，并且ac信号被施加到tag 420的超声换能器480，其继而将ac信号转换为高频机械运动。由超声换能器480产生的这种高频机械运动沿着波导传输到刀片432，在此处高频运动用于治疗夹持在刀片432和夹具构件458之间的组织。
51.在这类组织治疗期间，发生器470的传感器电路系统，例如传感器模块444，可以感测组织、系统和/或能量(超声能量)的参数，例如电压、电流、频率、速度、transv、transvphase、mfb、z_ph和/或df/dt。这可以作为快照发生或在一定时间间隔内发生，并且可以在组织治疗开始时，例如，在组织治疗开始的250毫秒时或内确定。感测到的数据可以包括例如电力施加到超声换能器480的时间。传感器模块444可以测量来自系统的数据，例如，递送到超声换能器480所述驱动信号的电压和/或电流。由传感器电路获得的此感测到的数据(在实施例中，经由adc 442)被中继到控制器500以进行进一步处理，如下文详述。
52.在各种实施例中，控制器500使用存储的设置和参数作为机器学习算法的训练数据。在各种实施例中，训练机器学习算法可以由发生器470外部的计算设备执行，并且可以将所得算法传送到发生器470的控制器500。在各种实施例中，控制器500将从机器学习算法输出的确定的血管直径传送到例如控制器500的计算设备，以用于制定(例如切换、确认、修改、生成等)组织密封算法。在各种实施例中，控制器500基于机器学习算法的输出，在发生器470上调整控制密封周期的算法(通过调整从发生器470到超声换能器480的驱动信号)。在各种实施例中，机器学习算法网络可以使用监督学习、无监督学习或强化学习。在各种实施例中，神经网络可以包括具有一个或多个全连接层的时间卷积网络，或前馈网络。在各种实施例中，训练可以发生在单独的系统上。在各种实施例中，控制器500可以使用用于机器学习算法的存储的设置和感测到的参数来推断血管直径。
53.参考图3，示出了控制器500。控制器500包括连接到计算机可读存储介质或存储器530的处理器520，所述存储器可以是易失性类型的存储器，例如ram，或者是非易失性类型存储器，例如闪存介质、磁盘介质等。在各种实施例中，处理器520可以是另一类型的处理器，例但不限于数字信号处理器、微处理器、asic、图形处理单元(gpu)、现场可编程门阵列(fpga)或中央处理单元(cpu)。在各种实施例中，与处理器相反，网络推断也可以在可以将权重实现为介导、化学地或其他推断计算的系统中完成。
54.在各种实施例中，存储器530可为随机存取存储器、只读存储器、磁盘存储器、固态存储器、光盘存储器和/或另外类型的存储器。在各种实施例中，存储器530可以与控制器
500分离，并且可以通过电路板的通信总线和/或通过例如串行ata电缆或其他类型的电缆的通信电缆与处理器520通信。存储器530包括可由处理器520执行以操作控制器500的计算机可读指令。在各种实施例中，控制器500可包括网络接口540以与其他计算机或服务器通信。在实施例中，存储设备510可以用于存储数据。在各种实施例中，控制器500可以包括一个或多个fpga 550。fpga 550可以用于执行各种机器学习算法，例如根据本公开提供的那些，如下文详述。
55.存储器530存储适当的指令，所述指令要由处理器520执行，用于经由adc 442(参见图2)接收感测到的数据，例如来自传感器模块444的感测到的数据，访问控制器500的存储设备510，基于感测到的数据和存储在存储设备510中的信息，确定一个或多个组织参数，例如血管直径，并基于确定的组织参数提供反馈。尽管被示为发生器470的一部分，但是还考虑了，控制器500远离发生器470，例如在远程服务器上，并且可由发生器470经由有线或无线连接访问。在控制器500是远程的实施例中，经考虑，控制器500可以由多个发生器470访问并连接到多个发生器470。
56.控制器500的存储设备510存储一种或多种机器学习算法和/或模型，其被配置成基于经由adc 442(参见图2)从传感器电路系统，例如从传感器模块444接收的感测到的数据，估计一个或多个组织参数，例如血管直径、血管质量和/或组织质量。机器学习算法可以在实验数据和/或来自最初输入到一个或多个机器学习应用程序中的先前程序的数据上进行训练并从中学习，以便使机器学习应用程序能够基于这类数据预测血管直径(或血管质量)。这类数据可以包括电压(例如，换能器电压)、电流(例如，换能器电流)、频率(例如，启动频率)、速度(例如，刀片速度)、transv、transvphase、mfb、z_ph、df/dt、启动随时间的变化和/或任何其他合适的数据。
57.一般地参考图2，机器学习算法有利地用于预测血管直径(血管质量和/或组织质量)，至少因为不需要复杂的传感器部件和预定义的分类规则和/或算法。相反，机器学习算法利用最初输入的数据，例如先前程序数据和/或实验数据，以确定能够通过分析来自其的数据实现预测血管直径(血管质量和/或组织质量)的统计特征和/或相关性。因此，借助已如上文详述的那样训练的一种或多种机器学习算法，这样可用于确定使用超声手术器械410治疗的组织的血管直径(或血管和/或组织质量)。更具体地说，控制器500的处理器520被配置成响应于经由adc 442从传感电路系统，例如从传感器模块444接收感测到的数据，将感测到的数据输入到存储在存储设备510中的机器学习算法中，以便确定所治疗的组织的血管直径。尽管关于超声手术系统进行了描述，但是控制器500的方面和特征以及被配置用于与其一起使用的机器学习算法同样适用于与其他合适的手术系统，例如电外科手术系统一起使用。
58.一旦控制器500确定了血管直径，取决于血管直径、设置、用户输入等，控制器500可以例如向用户界面输出警报和/或警告，实施、切换或修改特定组织密封算法，电池组件418的电池单元和ac输出级440基于所述算法向超声换能器480提供能量，修改提供给超声换能器480的能量，和/或抑制向超声换能器480的进一步能量递送。
59.参考图4，根据本公开示出了机器学习算法908的逻辑图。机器学习算法908的训练可以包括使用传感器测量结果902和发生器控制参数904作为机器学习算法908的输入。机器学习算法908输出对血管直径910(血管质量和/或组织质量的预测。数据记录918(图5)可
以包括多个传感器测量结果902，和/或用于训练机器学习算法908的相关联的发生器控制参数904。在各种实施例中，训练可以包括访问超声手术系统数据或识别数据中的模式。
60.在各种实施例中，与特定传感器测量结果902相关的发生器控制参数904在训练期间用作机器学习算法的输入。在各种实施例中，发生器控制参数904可以包括例如时间、斜率或其他发生器470参数。在各种实施例中，控制器500可以将例如存储的调整的控制参数、文本数据和/或机器学习算法的输出传送到远程服务器。
61.在各个实施例中，神经网络的输出可以用作用于监督学习、无监督学习或强化学习的训练数据。经考虑，可以在例如gpu工位、高执行计算机簇等的单独的系统上执行训练，并且然后将训练后的网络部署在超声手术系统中。在各种实施例中，控制器500基于输入，从机器学习算法输出对血管直径(血管质量和/或组织质量)的预测。
62.现在参考图6，示出了根据本公开的图1的手术系统的发生器的能量量变曲线的图示。例如，发生器向超声换能器提供合适的驱动信号以产生施加到组织的超声能量。最初，例如，根据组织密封算法，施加驱动信号以实现组织密封。随着能量被施加到组织，组织温度升高。在已经过了一段时间并且组织密封已经完全形成之后，发生器然后切换以施加驱动信号以例如根据组织切割算法，切割组织。取决于所治疗的组织的血管直径，与密封和切割组织相关联的参数可以变化。例如，密封驱动信号、切割驱动信号、密封和/或切割驱动信号的施加持续时间等可以根据所治疗的组织的血管直径而不同。重要的是确保在切割血管之前，血管充分密封。另一方面，减少密封和切割组织所需的总时间是有益的。
63.现在参考图7的器械2，示出了根据本公开的在不了解血管直径的情况下手术系统的启动时间对比血管直径的图示。在各种实施例中，对于具有已知直径的血管，可以根据经验确定实现令人满意的密封(例如，具有最小爆破压力强度的密封)所需的最小启动时间，如器械1。在各种实施例中，机器学习算法可用于及早(例如，在启动的前5秒内)预测血管直径(血管质量和/或组织质量)，以确定何时停止密封驱动信号并转换到切割驱动信号。因此，作为血管直径的函数的总设备启动时间可以用图7a中的包括安全裕度的虚线来粗略估计。
64.现在参考图8，示出了用于估计血管直径的计算机实施的方法800的流程图。本领域技术人员将了解，在不脱离本公开的范围的情况下，方法800的一个或多个操作可以以不同的顺序执行、重复和/或省略。在各种实施例中，所示的方法800可以在控制器500(图3)、在远程设备中或在另一服务器或系统中操作。在各种实施例中，所示的方法800中的一些或全部操作可以使用超声手术系统，例如器械410进行操作。其他变化被考虑在本公开的范围内。将关于控制器，例如发生器470的控制器500(图2和3)，描述图8的操作，但是应当理解，所示的操作也适用于其他系统及其部件。
65.最初，在步骤802，控制器500可以启动超声手术系统。超声手术系统包括超声发生器470、超声换能器480和超声刀片432。当超声手术系统启动时，超声发生器470产生驱动信号以驱动超声换能器480，所述超声换能器继而产生超声能量，所述超声能量被传输到超声刀片432用于治疗与超声刀片432接触的血管。血管限定血管直径。
66.在步骤804，控制器500可以从超声手术系统收集数据。在各种实施例中，数据包括与启动的超声手术系统相关联的电参数。在各种实施例中，控制器500可以收集与发生器470有关的数据，例如电压、电流、频率、速度、transv、transvphase、mfb、z_ph或df/dt。可以
在启动的初始阶段其间，例如，在启动的前5秒内收集数据。在步骤806，控制器500可以将数据传送到机器学习算法908(例如，神经网络)。在各种实施例中，神经网络可以包括时间卷积网络或前馈网络。在各种实施例中，可以使用与发生器470有关的数据，例如电压、电流、频率、速度、transv、transvphase、mfb、z_ph或df/dt来训练机器学习算法908。在各种实施例中，训练可以包括监督训练、无监督训练或强化学习。在各种实施例中，强化学习可以包括奖励或惩罚。
67.在步骤808，控制器500可以使用机器学习算法908，基于数据确定血管尺寸。血管尺寸可以包括例如血管直径、血管质量、组织表面积和/或组织质量。例如，基于机器学习算法908的输出，控制器500可以确定血管直径为大约6mm。在步骤810，控制器500可以将确定的血管直径传送到与超声发生器470相关联的计算设备。
68.在步骤812，控制器500可以根据血管尺寸控制启动的超声手术系统。在各种实施例中，控制器500可以确定何时停止由超声发生器470生成用于驱动超声换能器480密封血管的第一驱动信号(例如，“密封”驱动信号)。在各种实施例中，控制器500可以基于确定，由超声发生器470生成用于驱动超声换能器切割血管的第二驱动信号(例如，“切割”驱动信号)。例如，控制器500可以在大约13秒确定停止生成“密封”驱动信号，并且然后可以生成“切割”驱动信号。
69.现在参考图9，示出了根据本公开的经过训练的手术系统的实际血管直径对比预测的血管直径的图示。在各种实施例中，可以将机器学习算法908预测的血管直径与实际测量的血管直径进行比较。
70.从前文中并且参考各种图式，本领域的技术人员将了解也可以在不脱离本公开范围的情况下对其作出某些修改。虽然已经在图中展示了本公开的若干实施例，但并不希望将本公开限于此，因为希望使本公开与所属领域所允许的范围一样广泛并且应以同样的方式阅读本说明书。因此，上文描述不应解释为限制性的，而仅仅是作为特定实施例的例证。本领域技术人员将在所附权利要求书的范围和精神内设想其他修改。