本發明涉(she)及醫學圖像處理領域，更具體(ti)地，涉(she)及一種大尺度DTI圖像的快速準(zhun)確(que)的分(fen)割方法。

背景技術：

擴散(san)(san)(san)是(shi)(shi)(shi)分(fen)(fen)子(zi)的(de)(de)(de)不(bu)規則運動(dong)，是(shi)(shi)(shi)人體(ti)(ti)重(zhong)要的(de)(de)(de)生理(li)(li)活(huo)(huo)動(dong)，是(shi)(shi)(shi)體(ti)(ti)內的(de)(de)(de)物質轉運方式之一(yi)。在(zai)(zai)溶液中，影響分(fen)(fen)子(zi)彌(mi)(mi)散(san)(san)(san)的(de)(de)(de)因素有(you)：分(fen)(fen)子(zi)的(de)(de)(de)重(zhong)量、分(fen)(fen)子(zi)之間(jian)的(de)(de)(de)相(xiang)互作(zuo)用(yong)(即粘滯性(xing)(xing))和溫度。組織(zhi)中的(de)(de)(de)水(shui)分(fen)(fen)子(zi)也在(zai)(zai)不(bu)斷(duan)地進行(xing)著(zhu)(zhu)彌(mi)(mi)散(san)(san)(san)運動(dong),但它(ta)不(bu)僅受組織(zhi)細(xi)胞本(ben)身特(te)征(zheng)的(de)(de)(de)影響,而且還受細(xi)胞內部結(jie)構(gou)的(de)(de)(de)影響,如(ru)鞘(qiao)膜、細(xi)胞膜、白(bai)(bai)質纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu)。在(zai)(zai)具有(you)固定排列順序的(de)(de)(de)組織(zhi)結(jie)構(gou)中,如(ru)神經(jing)纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu),水(shui)分(fen)(fen)子(zi)在(zai)(zai)各個方向(xiang)(xiang)的(de)(de)(de)彌(mi)(mi)散(san)(san)(san)是(shi)(shi)(shi)不(bu)同的(de)(de)(de),水(shui)分(fen)(fen)子(zi)通常更傾(qing)向(xiang)(xiang)于(yu)沿(yan)(yan)著(zhu)(zhu)神經(jing)纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu)的(de)(de)(de)方向(xiang)(xiang)進行(xing)彌(mi)(mi)散(san)(san)(san),而很(hen)少沿(yan)(yan)著(zhu)(zhu)垂直于(yu)神經(jing)纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu)的(de)(de)(de)方向(xiang)(xiang)進行(xing)彌(mi)(mi)散(san)(san)(san),這種(zhong)(zhong)具有(you)方向(xiang)(xiang)依賴性(xing)(xing)的(de)(de)(de)彌(mi)(mi)散(san)(san)(san)即稱為(wei)彌(mi)(mi)散(san)(san)(san)的(de)(de)(de)各向(xiang)(xiang)異性(xing)(xing)。DTI是(shi)(shi)(shi)彌(mi)(mi)散(san)(san)(san)成(cheng)像的(de)(de)(de)高級形式,在(zai)(zai)擴散(san)(san)(san)加(jia)權時間(jian)內測(ce)量水(shui)分(fen)(fen)子(zi)自擴散(san)(san)(san)位置的(de)(de)(de)隨機分(fen)(fen)布，從而對(dui)生理(li)(li)組織(zhi)進行(xing)成(cheng)像。與(yu)傳統的(de)(de)(de)MRI技術相(xiang)比，DTI能夠提供有(you)關(guan)組織(zhi)結(jie)構(gou)及(ji)其幾何(he)結(jie)構(gou)的(de)(de)(de)獨特(te)數據，是(shi)(shi)(shi)目前無創診斷(duan)和研究(jiu)活(huo)(huo)體(ti)(ti)白(bai)(bai)質微結(jie)構(gou)的(de)(de)(de)唯一(yi)途徑。DTI是(shi)(shi)(shi)實現活(huo)(huo)體(ti)(ti)觀察組織(zhi)結(jie)果的(de)(de)(de)完整性(xing)(xing)和連通性(xing)(xing)，利于(yu)對(dui)各種(zhong)(zhong)疾病引起的(de)(de)(de)白(bai)(bai)紙纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu)損害程(cheng)度和范圍的(de)(de)(de)判斷(duan)。可用(yong)于(yu)顯示腦白(bai)(bai)質內神經(jing)纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu)的(de)(de)(de)走形方向(xiang)(xiang)，實現對(dui)人的(de)(de)(de)中樞神經(jing)纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu)成(cheng)像。是(shi)(shi)(shi)目前唯一(yi)可在(zai)(zai)活(huo)(huo)體(ti)(ti)顯示腦白(bai)(bai)質纖(xian)(xian)維(wei)(wei)束(shu)(shu)(shu)的(de)(de)(de)無創成(cheng)像方法(fa)。

在(zai)實踐過程中，DTI圖像的分(fen)割(ge)，既能通過對(dui)(dui)(dui)白(bai)(bai)質組(zu)織(zhi)的各向異(yi)性檢測和分(fen)析(xi)來對(dui)(dui)(dui)細胞及分(fen)子(zi)水平上的病(bing)例變化(hua)研究(jiu)，也能跟(gen)蹤和提(ti)取白(bai)(bai)質纖(xian)維束(shu)。通過對(dui)(dui)(dui)纖(xian)維束(shu)的精(jing)確提(ti)取，可以為(wei)診斷組(zu)織(zhi)疾病(bing)(特別(bie)是神經性疾病(bing))提(ti)供全新(xin)的手段(duan)和視角。

DTI圖(tu)(tu)像(xiang)的(de)分(fen)割(ge)(ge)一(yi)(yi)般基于(yu)“屬(shu)于(yu)同一(yi)(yi)組(zu)織的(de)體(ti)素，擴散特性相似”這一(yi)(yi)個特征。比如白(bai)質的(de)擴散各向異(yi)性比較嚴重，所以基于(yu)DTI的(de)分(fen)割(ge)(ge)技術可(ke)以用(yong)來(lai)分(fen)割(ge)(ge)腦(nao)白(bai)質。具體(ti)說來(lai),DTI圖(tu)(tu)像(xiang)分(fen)割(ge)(ge)就(jiu)是利用(yong)包含在體(ti)素張量值(zhi)中(zhong)的(de)擴散特征信息,將所研(yan)究的(de)組(zu)織通過某種分(fen)割(ge)(ge)方法分(fen)離出來(lai),為(wei)后續(xu)臨床(chuang)分(fen)析(xi)和研(yan)究提供形(xing)狀、大小等方面的(de)信息。

總體(ti)上講，依據是否DTI圖(tu)像考慮(lv)DTI體(ti)素(su)之間(jian)的內在(zai)幾何性質，可以將DTI圖(tu)像分(fen)割方(fang)(fang)法(fa)(fa)分(fen)為兩(liang)大類(lei)(lei)。第(di)一類(lei)(lei)是基于傳統(tong)的歐式(shi)空間(jian)的DTI分(fen)割，這種風(feng)格(ge)方(fang)(fang)法(fa)(fa)不考慮(lv)DTI體(ti)素(su)之間(jian)的內在(zai)幾何性質。第(di)二(er)類(lei)(lei)是基于黎(li)曼流行的分(fen)割方(fang)(fang)法(fa)(fa)，這種方(fang)(fang)法(fa)(fa)會考察DTI體(ti)素(su)之間(jian)的內在(zai)幾何性質。在(zai)早期的研究(jiu)和實踐中，一般采用第(di)一類(lei)(lei)的方(fang)(fang)法(fa)(fa)，這種方(fang)(fang)法(fa)(fa)需要(yao)事先標定或選定種子和需要(yao)人的交互(hu)，分(fen)割準(zhun)確(que)性和分(fen)割效率不高(gao)。近年來，第(di)二(er)類(lei)(lei)方(fang)(fang)法(fa)(fa)越(yue)來越(yue)多被(bei)提出(chu)來。

由(you)于DTI圖像的(de)(de)(de)(de)(de)每個(ge)體(ti)(ti)(ti)(ti)素都是對稱半(ban)正定(ding)的(de)(de)(de)(de)(de)3×3矩(ju)陣，DTI圖像的(de)(de)(de)(de)(de)分(fen)(fen)(fen)割(ge)就(jiu)是將一張DTI圖像的(de)(de)(de)(de)(de)體(ti)(ti)(ti)(ti)素按照(zhao)內在的(de)(de)(de)(de)(de)關聯性分(fen)(fen)(fen)成(cheng)若(ruo)干個(ge)有意義的(de)(de)(de)(de)(de)集合。傳統的(de)(de)(de)(de)(de)基(ji)于聚類的(de)(de)(de)(de)(de)分(fen)(fen)(fen)割(ge)方法一般(ban)把體(ti)(ti)(ti)(ti)素看成(cheng)歐(ou)式(shi)空間的(de)(de)(de)(de)(de)矢量(liang)，然后根據歐(ou)式(shi)距離來度(du)(du)量(liang)體(ti)(ti)(ti)(ti)素之間的(de)(de)(de)(de)(de)相關性。許多研究(jiu)表明，對稱半(ban)正定(ding)的(de)(de)(de)(de)(de)3×3矩(ju)陣的(de)(de)(de)(de)(de)幾(ji)何構成(cheng)了(le)(le)黎(li)(li)曼流(liu)(liu)形，使(shi)用歐(ou)式(shi)空間的(de)(de)(de)(de)(de)做法會破(po)壞其內在的(de)(de)(de)(de)(de)幾(ji)何結構。所以DTI圖像的(de)(de)(de)(de)(de)分(fen)(fen)(fen)割(ge)問題(ti)就(jiu)變成(cheng)了(le)(le)黎(li)(li)曼流(liu)(liu)形的(de)(de)(de)(de)(de)分(fen)(fen)(fen)割(ge)問題(ti)。目前存在的(de)(de)(de)(de)(de)黎(li)(li)曼流(liu)(liu)形的(de)(de)(de)(de)(de)分(fen)(fen)(fen)割(ge)問題(ti)，速(su)度(du)(du)和精(jing)度(du)(du)都不是很(hen)好(hao)。尤其在處理大的(de)(de)(de)(de)(de)DTI圖像時，這個(ge)問題(ti)尤為突(tu)出。

技術實現要素：

為了克服現有DTI圖(tu)像(xiang)分割(ge)方法(fa)(fa)精度(du)(du)和速度(du)(du)不高的問題，本發(fa)明方法(fa)(fa)提出種大尺度(du)(du)DTI圖(tu)像(xiang)的快速準確的分割(ge)方法(fa)(fa)，能夠快速準確的分割(ge)出DTI圖(tu)像(xiang)中(zhong)不同的部分。

為解決上述技術(shu)問題，本發明的技術(shu)方(fang)案如(ru)下(xia)：

一種大尺度(du)DTI圖像的(de)快速(su)準(zhun)確(que)的(de)分(fen)割(ge)方法，包括以下步驟：

S1：預處理：對(dui)DTI圖像(xiang)的(de)(de)每(mei)個(ge)voxel進行分(fen)析，找出所有正定對(dui)稱的(de)(de)voxel，剔除0點(dian)，并保存0點(dian)和(he)非0點(dian)的(de)(de)位置；

S2：黎曼空間中的頻率敏感競爭學習分割：對于每個非0的voxel，假定標號依次為{x₁,x₂,…,x_n}，假定每個初始中心依次為{w₁,w₂,…,w_k}，每個中心的初始頻率為{f₁,f₂,…,f_k}，其中，n表示(shi)非0的voxel的個數，k是(shi)將要(yao)分割(ge)的區(qu)域個數；

(1)從{x₁,x₂,…,x_n}中選取k個點{w₁,w₂,…,w_k}作為起始中心，并設置每個中心的初始頻率{f₁,f₂,…,f_k}；

(2)計算x_i到{w₁,w₂,…,w_k}的黎曼距離，i＝1,2,…,n，選取頻率和距離之積中最小的w_i作為勝利點(winner)，將w_i對應的頻率加1，即f_i+1，作為下一次迭代的頻率，并使用下面的公式計算新的w_i的位置：

w_i^t+1＝[w_i^t]^1/2([w_i^t]^-1/2x_i[w_i^t]^-1/2)^a[w_i^t]^1/2

其中上標t表示迭代的次序，a是學習率；

(3)重復(2)直到收斂(lian)；

S3：將聚類結果重新排列(lie)成(cheng)DTI圖像的形式。

在一種(zhong)優選的方案(an)中(zhong)(zhong)，步驟S3中(zhong)(zhong)還(huan)包(bao)括(kuo)：將(jiang)聚類結(jie)果(guo)(guo)按照非0的位置(zhi)重新排(pai)列成DTI圖像的形式(shi)，聚類的結(jie)果(guo)(guo)以分割的形式(shi)呈現(xian)。

在一種(zhong)優選的方案中，步驟S3中還(huan)包括：將聚類結果按照DTI的分辨率排(pai)列(lie)，以不同顏色顯示。

在一(yi)種(zhong)優(you)選的方(fang)案中，a的取值在[0.01-0.1]之間。

與現(xian)有(you)技(ji)(ji)術相比，本(ben)發明技(ji)(ji)術方(fang)案的(de)(de)(de)(de)(de)有(you)益效果是(shi)：本(ben)方(fang)法(fa)提供(gong)一種大(da)尺度DTI圖(tu)(tu)(tu)像的(de)(de)(de)(de)(de)快(kuai)(kuai)速準確的(de)(de)(de)(de)(de)分(fen)割方(fang)法(fa)，通(tong)(tong)過考慮(lv)DTI數(shu)據的(de)(de)(de)(de)(de)非線性的(de)(de)(de)(de)(de)特點(dian)(dian)，引(yin)入(ru)黎(li)曼(man)(man)流形(xing)中的(de)(de)(de)(de)(de)競(jing)爭(zheng)學(xue)習(xi)(xi)機(ji)制(zhi)，達到快(kuai)(kuai)速準確在線分(fen)割DTI圖(tu)(tu)(tu)像的(de)(de)(de)(de)(de)目的(de)(de)(de)(de)(de)。由于(yu)對稱正(zheng)(zheng)定(ding)的(de)(de)(de)(de)(de)3×3矩陣的(de)(de)(de)(de)(de)幾何構成(cheng)黎(li)曼(man)(man)流形(xing)，本(ben)發明從DTI數(shu)據的(de)(de)(de)(de)(de)特性出發，利用黎(li)曼(man)(man)流形(xing)的(de)(de)(de)(de)(de)相關理論，采用微分(fen)幾何作(zuo)為工具，以(yi)競(jing)爭(zheng)學(xue)習(xi)(xi)作(zuo)為框架，引(yin)入(ru)頻率敏感機(ji)制(zhi)來(lai)分(fen)割DTI圖(tu)(tu)(tu)像數(shu)據。將對稱半正(zheng)(zheng)定(ding)的(de)(de)(de)(de)(de)3×3矩陣的(de)(de)(de)(de)(de)體(ti)素(su)集(ji)合看成(cheng)是(shi)黎(li)曼(man)(man)流形(xing)，把DTI圖(tu)(tu)(tu)像的(de)(de)(de)(de)(de)每個體(ti)素(su)(voxel)看成(cheng)是(shi)黎(li)曼(man)(man)流形(xing)中的(de)(de)(de)(de)(de)點(dian)(dian)，然后通(tong)(tong)過黎(li)曼(man)(man)競(jing)爭(zheng)學(xue)習(xi)(xi)算法(fa)來(lai)把這些體(ti)素(su)聚(ju)類。在此框架下(xia)，選(xuan)(xuan)用黎(li)曼(man)(man)距離來(lai)度量體(ti)素(su)之間的(de)(de)(de)(de)(de)相似性，選(xuan)(xuan)取競(jing)爭(zheng)學(xue)習(xi)(xi)作(zuo)為聚(ju)類的(de)(de)(de)(de)(de)方(fang)法(fa)。在聚(ju)類過程(cheng)中，選(xuan)(xuan)取均(jun)沿(yan)著測地(di)線而非歐式(shi)空(kong)間聚(ju)類的(de)(de)(de)(de)(de)直線來(lai)更新節點(dian)(dian)。同時(shi)，加(jia)入(ru)頻率敏感機(ji)制(zhi)來(lai)克服聚(ju)類問題對初始值敏感的(de)(de)(de)(de)(de)問題。本(ben)發明能較快(kuai)(kuai)速準確地(di)分(fen)割活體(ti)組織的(de)(de)(de)(de)(de)DTI成(cheng)像，從而為臨床(chuang)應用提供(gong)服務。本(ben)方(fang)法(fa)有(you)兩個主要應用，一是(shi)進行腦白(bai)質分(fen)子水平上(shang)的(de)(de)(de)(de)(de)檢測，以(yi)輔助臨床(chuang)診斷(duan)某(mou)些常規設備無(wu)法(fa)檢測的(de)(de)(de)(de)(de)疾(ji)病；二是(shi)用于(yu)人腦神經聯通(tong)(tong)模式(shi)研究。

附圖說明

圖(tu)1為(wei)黎曼競爭學習過程示意圖(tu)。

圖(tu)2為黎曼競爭學習過程示意圖(tu)。

圖3為DTI圖像分割處理過程圖。

具體實施方式

附圖僅用于示例性說明，不能理解為(wei)對本專利(li)的限制；

下面結合附圖(tu)和實施(shi)例對本發明的技術方案(an)做進一步的說明。

實施例1

如圖1-3所示，一種大尺度(du)DTI圖像的(de)(de)快速準確(que)的(de)(de)分割方法，包括(kuo)以下步驟：

S1：預處理(li)：對DTI圖像的(de)每個voxel進(jin)行分析(xi)，找出所(suo)有正定對稱的(de)voxel，剔除0點(dian)(dian)(dian)，并保存0點(dian)(dian)(dian)和非0點(dian)(dian)(dian)的(de)位置；

S2：黎曼空間中的頻率敏感競爭學習分割：對于每個非0的voxel，假定標號依次為{x₁,x₂,…,x_n}，假定每個初始中心依次為{w₁,w₂,…,w_k}，每個中心的初始頻率為{f₁,f₂,…,f_k}，其(qi)中，n表示非(fei)0的voxel的個(ge)數，k是將要分(fen)割的區(qu)域個(ge)數；

(1)從{x₁,x₂,…,x_n}中選取k個點{w₁,w₂,…,w_k}作為起始中心，并設置每個中心的初始頻率{f₁,f₂,…,f_k}；

(2)計算x_i到{w₁,w₂,…,w_k}的黎曼距離，i＝1,2,…,n，選取頻率和距離之積中最小的w_i作為勝利點(winner)，將w_i對應的頻率加1，即f_i+1，作為下一次迭代的頻率，并使用下面的公式計算新的w_i的位置：

w_i^t+1＝[w_i^t]^1/2([w_i^t]^-1/2x_i[w_i^t]^-1/2)^a[w_i^t]^1/2

其中上(shang)標t表示(shi)迭代的(de)次序(xu)，a是(shi)學習(xi)率，a的(de)取(qu)值在[0.01-0.1]之間(jian)。；

(3)重復(2)直到收斂(lian)；

S3：將聚類(lei)結果按(an)(an)照非0的(de)位置重(zhong)新排列成DTI圖像的(de)形(xing)式(shi)，聚類(lei)的(de)結果以分(fen)割的(de)形(xing)式(shi)呈現。將聚類(lei)結果按(an)(an)照DTI的(de)分(fen)辨率排列，以不同(tong)顏色(se)顯示。

本(ben)方(fang)(fang)法提(ti)供(gong)一種(zhong)大尺(chi)度(du)DTI圖像(xiang)的(de)快速(su)準(zhun)確(que)的(de)分(fen)(fen)割(ge)方(fang)(fang)法，通過(guo)考慮DTI數(shu)據(ju)(ju)的(de)非線(xian)性的(de)特(te)(te)點(dian)，引入黎(li)(li)(li)曼(man)(man)流(liu)形中(zhong)的(de)競(jing)爭(zheng)(zheng)學習(xi)機制(zhi)(zhi)，達到(dao)快速(su)準(zhun)確(que)在線(xian)分(fen)(fen)割(ge)DTI圖像(xiang)的(de)目的(de)。由于對(dui)(dui)稱正(zheng)定的(de)3×3矩陣的(de)幾(ji)何構成黎(li)(li)(li)曼(man)(man)流(liu)形，本(ben)發(fa)(fa)明(ming)從(cong)DTI數(shu)據(ju)(ju)的(de)特(te)(te)性出(chu)發(fa)(fa)，利用黎(li)(li)(li)曼(man)(man)流(liu)形的(de)相關理論，采用微分(fen)(fen)幾(ji)何作(zuo)為工(gong)具，以競(jing)爭(zheng)(zheng)學習(xi)作(zuo)為框架(jia)，引入頻(pin)率(lv)敏感(gan)機制(zhi)(zhi)來(lai)(lai)(lai)分(fen)(fen)割(ge)DTI圖像(xiang)數(shu)據(ju)(ju)。將(jiang)對(dui)(dui)稱半正(zheng)定的(de)3×3矩陣的(de)體素集合看成是(shi)(shi)黎(li)(li)(li)曼(man)(man)流(liu)形，把(ba)DTI圖像(xiang)的(de)每個體素(voxel)看成是(shi)(shi)黎(li)(li)(li)曼(man)(man)流(liu)形中(zhong)的(de)點(dian)，然后通過(guo)黎(li)(li)(li)曼(man)(man)競(jing)爭(zheng)(zheng)學習(xi)算法來(lai)(lai)(lai)把(ba)這些體素聚(ju)(ju)類(lei)。在此(ci)框架(jia)下，選(xuan)用黎(li)(li)(li)曼(man)(man)距(ju)離(li)來(lai)(lai)(lai)度(du)量體素之間(jian)的(de)相似性，選(xuan)取競(jing)爭(zheng)(zheng)學習(xi)作(zuo)為聚(ju)(ju)類(lei)的(de)方(fang)(fang)法。在聚(ju)(ju)類(lei)過(guo)程中(zhong)，選(xuan)取均沿著測地線(xian)而非歐(ou)式空(kong)間(jian)聚(ju)(ju)類(lei)的(de)直線(xian)來(lai)(lai)(lai)更新節點(dian)。同時，加入頻(pin)率(lv)敏感(gan)機制(zhi)(zhi)來(lai)(lai)(lai)克服聚(ju)(ju)類(lei)問題對(dui)(dui)初始值敏感(gan)的(de)問題。本(ben)發(fa)(fa)明(ming)能較快速(su)準(zhun)確(que)地分(fen)(fen)割(ge)活體組織的(de)DTI成像(xiang)，從(cong)而為臨(lin)床(chuang)應用提(ti)供(gong)服務。本(ben)方(fang)(fang)法有兩個主(zhu)要應用，一是(shi)(shi)進行(xing)腦(nao)(nao)白質(zhi)分(fen)(fen)子水平上的(de)檢測，以輔助臨(lin)床(chuang)診斷某些常(chang)規設備無法檢測的(de)疾病(bing)；二(er)是(shi)(shi)用于人(ren)腦(nao)(nao)神經(jing)聯通模式研究。

顯(xian)然，本(ben)發(fa)明(ming)(ming)的(de)(de)(de)(de)(de)上述(shu)(shu)實(shi)施例僅僅是(shi)為清(qing)楚地說明(ming)(ming)本(ben)發(fa)明(ming)(ming)所作的(de)(de)(de)(de)(de)舉例，而并非是(shi)對本(ben)發(fa)明(ming)(ming)的(de)(de)(de)(de)(de)實(shi)施方(fang)式(shi)的(de)(de)(de)(de)(de)限定(ding)。對于(yu)所屬領域的(de)(de)(de)(de)(de)普通技(ji)術人員來(lai)說，在上述(shu)(shu)說明(ming)(ming)的(de)(de)(de)(de)(de)基礎上還可以做出其它不同(tong)形式(shi)的(de)(de)(de)(de)(de)變(bian)(bian)化或變(bian)(bian)動。這里無(wu)需也無(wu)法對所有的(de)(de)(de)(de)(de)實(shi)施方(fang)式(shi)予(yu)以窮舉。凡在本(ben)發(fa)明(ming)(ming)的(de)(de)(de)(de)(de)精神(shen)和原則之(zhi)內所作的(de)(de)(de)(de)(de)任(ren)何修改、等(deng)同(tong)替換和改進等(deng)，均應包含在本(ben)發(fa)明(ming)(ming)權(quan)利(li)要(yao)求的(de)(de)(de)(de)(de)保(bao)護范圍之(zhi)內。