CN102243759B - 一种基于几何形变模型的三维肺血管图像分割方法 - Google Patents
一种基于几何形变模型的三维肺血管图像分割方法 Download PDFInfo
- Publication number
- CN102243759B CN102243759B CN201010167148.6A CN201010167148A CN102243759B CN 102243759 B CN102243759 B CN 102243759B CN 201010167148 A CN201010167148 A CN 201010167148A CN 102243759 B CN102243759 B CN 102243759B
- Authority
- CN
- China
- Prior art keywords
- integral
- image
- curved surface
- lung
- deformation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于几何形变模型的三维肺血管图像分割方法,步骤为:(1)根据人体生理结构特点确定血管分割计算区域,区域的选择不仅将待分目标完全包含,而且其形状特征稳定,避免了对全局区域进行计算,提高了分割速度;(2)血管区域均值计算,定位目标内外同质区域;(3)血管边缘能量计算,使曲面沿着在图像梯度方向的二阶导数进行演化,以使其精确收敛到目标边缘;(4)在上述基础上,建立三维血管分割曲面演化模型,有效结合肺血管内外区域均值和边缘能量;(5)根据所构建的形变模型,采用优化水平集演化求解,根据水平集函数曲面演化隐含地求解曲面运动。通过大量肺CT图像实验证明,该方法对肺血管分割快速,准确,鲁棒性强。
Description
技术领域
本发明属于数字图像处理与医学成像技术的交叉领域,特别涉及一种基于几何形变模型的三维肺血管图像分割方法。
背景技术
由于CT设备能够提供高清晰度的图像,并且为图像中各人体组织提供很高的对比度,通常应用于肺部疾病的诊断。肺血管是人体最为重要且拓扑结构最为复杂的组织器官之一。肺血管的精确分割是肺癌病灶检测的关键,这是由于在CT图像中肺血管多分布于肺癌病灶附近,而且二者灰度值相近,是肺癌病灶检测的重要干扰。此外,肺血管分割对于肺动脉栓塞、肺心病等肺部疾病的计算机辅助诊断研究也具有重要意义。
目前血管分割方法主要包含基于形变模型的方法、人工智能方法、神经网络方法及管状目标检测方法等。其中,形变模型是一类被广泛研究的方法,非常适用于血管分割。从总体上看,这些形变模型的能量方程一般包括两种类型的能量项: 一种为内力能量项,它描述了形变曲线(或曲面)自身的几何性质在变形过程中的影响;另一种为外力能量项,它描述了包括图像特征在内的与形变曲线(或曲面)本身几何性质无关的外在势力对曲线形变的影响。形变过程就是这两种力量彼此消长的过程,最后达到两种力量的平衡。
形变模型可以分为参数形变模型与几何形变模型。参数形变模型也称为Snake模型,该模型在变形过程中用参数形式显式地表示曲线和曲面,可以控制轮廓的光滑性和连续性,可以在一定程度上克服图像噪声和边缘狭缝的影响。 但是该模型仍存在几个缺点:(1)分割结果依赖初始轮廓;(2)从低维向高维扩展困难;(3)难以分割拓扑结构复杂的物体,即对分割目标的融合与分裂处理困难。
几何形变模型很好的解决了参数形变模型所带来的问题。该模型对初始轮廓的位置没有严格的要求,从而增加了该方法的鲁棒性;无弹性系数,从而避免了计算轮廓切线和顶点法线的过程;可以扩展到高维,并且从高维面函数较容易得到低一维曲线或曲面的内在几何特征,如法向量、曲率等。 现有几何形变模型主要可以分为基于目标边缘与目标区域两类。典型的基于目标边缘的几何形变模型为GAC模型,基本思想为利用目标边缘梯度、曲率等信息,使活动轮廓的运动可以表现为如何在一个势场上,找到两点之间的最小加权距离;典型的基于目标区域的几何形变模型为Chan-Vese模型,基本思想为假设图像被闭合曲线划分为目标和背景两个同质区域,可以适用于梯度有意义和无意义的轮廓检测,也就是对边缘平滑或离散的图像分割同样适用,提高了图像的分割精度和鲁棒性。
但是,现有这两类几何形变模型只包含了图像的区域与目标边缘属性中的一类信息。而且,大都只适用于三维图像分割。由于肺血管拓扑结构复杂,呈“树”状结构,从肺主动脉至分支将近17级;而且直径较细,范围从几十毫米到几毫米不等。现有几何形变模型并不能灵活适应三维血管拓扑结构的改变,从而使血管分割的准确性受到了限制。
发明内容
针对现有技术中采用的肺血管分割方法存在速度、精度不能满足应用要求等问题,本发明要解决的技术问题是提供一种满足准确性、快速性与鲁棒性的三维肺血管分割方法。
本发明提供的一种基于几何形变模型的三维肺血管图像分割方法,包括以下步骤:
(1)初始分割区域确定
读入肺CT图像数据后,由于每层图像尺寸很大,而且通常一个患者的肺序列图像有几十层至上百层。为了加快算法的运行速度,减少不必要的计算,需要在待分割的肺血管周围确定一个区域,使曲面演化只在这个区域内进行,而且要求该区域形状特征稳定,即不受不同患者及肺实质内病变影响。该步骤又包含以下步骤:
a.肋骨分割
根据解剖学知识,人体肋骨与肺壁外侧是紧密相邻的,且形状等特征不受肺实质内病变影响,故可作为初始区域的可靠参照物。由于肋骨CT值较高,与周围组织对比明显,可以采用阈值分割方法获得,阈值T可以依据肋骨CT值范围选取。
b.初始分割区域计算
在肋骨分割基础上,肋骨区域靠近图像中心近的像素点被作为肋骨关键点(Pi,i=1,2..N)保留,然后采用三次B样条插值计算连续轮廓,插值公式如下:
其中,0≤t≤1,Pi+k代表已有离散点,Pi,n代表插值后的连续点,n代表次数。
(2)血管区域均值计算
设原图像I(x,y)被活动轮廓线C划分为目标和背景两个区域,各个区域的平均灰度值为C1和C2,血管区域均值函数定义为:
EREG=α[∫inside(c)|I(x,y)c1|2dxdy+∫outside(c)|I(x,y)c2|2dxdy]+r∫c ds
其中第一项为图像区域能量拟合项,第二项为几何约束项,要求曲线C尽可能短,α,r为正常数(依据经验值设定),ds为弧长微元。
(3)血管边缘能量计算
(4)建立血管分割形变模型
通过目标边缘能量的计算,可以定位目标边缘,但是当初始曲面远离实际目标时,很难精确定位所有目标边缘。本发明通过与图像目标内外区域信息的集合,建立血管分割形变模型,可以较好的解决这一问题。因此,总能量函数定义为:
该公式由三项构成,第一项为图像区域均值计算;第二项为图像边缘能量计算;第三项为曲面几何约束项。其中,α为图像均值项系数,r为几何约束项系数,均为正常数。对于α与r系数值的确定,根据图像特点的不同,依据经验值选取。
(5)水平集演化
水平集方法是求解几何形变模型的有效计算工具,可以计算封闭运动曲面随时间演化过程中的几何拓扑变化。本发明采用水平集方法求解能量最小的优化问题,根据已建立的曲面演化模型,优化水平集函数定义为:
其中
对于三维血管图像,把St作为高一维函数φ(x,y,z)的零水平集,满足S={{x,y,z}|φ(x,y,z)=0},相应的水平集函数定义为:
曲面停止演化后,所得到的零水平即为最终的血管分割结果。
综上所述,本发明针对现有肺血管分割方法存在的问题,提出一种基于几何形变模型的三维肺血管图像分割方法。首先,本发明根据人体生理结构特点限定血管分割计算区域,区域的选择不仅将待分目标完全包含,而且其形状特征稳定,不受不同患者及肺实质内病变影响,避免了对全局区域进行计算,大幅度提高了分割速度。第二,本发明有效结合CT图像中肺血管内外区域均值和边缘能量,在精确定位目标内外同质区域的基础上,建立三维血管分割曲面演化模型,通过目标边缘能量的计算可以使曲面沿着在图像梯度方向的二阶导数进行演化,以使其精确收敛到目标边缘。第三,根据所构建形变模型,本发明采用优化水平集演化求解。该方法具体用有限差分方法,将闭合曲线隐含地表达为高一维的曲面函数的水平集,即具有相同函数值的点集,根据水平集函数曲面演化隐含地求解曲面运动。通过大量肺CT图像实验证明,该方法不依赖于初始位置,参数选择固定,肺血管分割快速,准确,鲁棒性强。
附图说明
图1为基于几何形变模型的三维肺血管图像分割方法流程图;
图2为血管分割初始区域计算图,其中a为CT原始图像,b为基于阈值的肋骨分割图,c为采用三次B样条插值后的初始区域图。
图3为血管局部分割演化结果。a-d分别为在不同迭代次数的分割结果,显示了形变模型从初始曲面至最终形态的分割过程。
图4为三维肺血管分割图。a为CT原始图像,b为基于几何形变模型的三维肺血管图像分割图。
图5为另一组CT图像三维肺血管分割图。a为CT原始图像,b为基于几何形变模型的三维肺血管图像分割图。
具体实施方式
本发明的实施采用多排螺旋CT(HRCT)图像数据。由于CT图像能够提供高清晰度的图像,并且为图像中各组织提供很高的对比度,通常应用于肺部疾病的诊断。随着多排螺旋CT的发展,医生可以获取更高分辨率的图像,最大限度减少局部容积效应,通过一次检测能够获得更多的患者信息,进一步拓展了CT图像的应用。
结合附图,基于几何形变模型的三维肺血管图像分割流程图如图1所示,本发明详细的分割方法,包括以下五个步骤:
(1)初始分割区域确定;
(2)血管区域均值计算;
(3)血管边缘能量计算;
(4)建立血管分割形变模型;
(5)水平集演化。
本发明方法具体实现过程如下:
步骤(1):
读入肺CT图像数据后,由于每层图像尺寸很大,而且通常一个患者的肺序列图像有几十层至上百层。为了加快算法的运行速度,减少不必要的计算,需要在待分割的肺血管周围确定一个区域,使曲面演化只在这个区域内进行,而且要求该区域形状特征稳定,即不受不同患者及肺实质内病变影响。该步骤又包含以下步骤:
a.肋骨分割
根据解剖学知识,人体肋骨与肺壁外侧是紧密相邻的,且形状等特征不受肺实质内病变影响,故可作为初始区域的可靠参照物。由于肋骨CT值较高,与周围组织对比明显,可以采用阈值分割方法获得,阈值T可以依据肋骨CT值范围人工选取。在具体实施过程中,骨骼CT值范围选定在200-800HU之间。肋骨分割结果如图2b。
b.初始分割区域计算
在肋骨分割基础上,肋骨区域靠近图像中心近的像素点被作为肋骨关键点(Pi,i=1,2..N)保留,然后采用三次B样条插值计算连续轮廓,插值公式如下:
其中,0≤t≤1,Pi+k代表已有离散点,Pi,n代表插值后的连续点,n代表次数。初始区域限定结果如图2c。
步骤(2):
设原图像I(x,y)被活动轮廓线C划分为目标和背景两个区域,各个区域的平均灰度值为C1和C2,血管区域均值函数定义为:
EREG=α[∫inside(c)|I(x,y)c1|2dxdy+∫outside(c)|I(x,y)c2|2dxdy]+r∫cds
其中第一项为图像区域能量拟合项,第二项为几何约束项,要求曲线C尽可能短,α,r为正常数(依据经验值设定,γ比α小,当图像噪声较多时,α应当比较大,否则应该减小),ds为弧长微元。
步骤(3):
设图像由I(x,y)表示,其中Ix和Iy是图像在水平和垂直方向的一阶导数,图像梯度方向矢量定义为:
与此相垂直的矢量定义为:
设Iεε为在图像梯度方向的二阶导数,Iηη为其垂直矢量。由于血管边缘能量函数定义为:
其中HI为曲面的曲率,da为曲面表面区域,为曲面单位方向矢量。
步骤(4):
通过目标边缘能量的计算,可以定位目标边缘,但是当初始曲面远离实际目标时,很难精确定位所有目标边缘。本发明通过与图像目标内外区域信息的集合,建立血管分割形变模型,可以较好的解决这一问题。因此,总能量函数定义为:
该公式由三项构成,第一项为图像区域均值计算;第二项为图像边缘能量计算;第三项为曲面几何约束项。其中,α为图像均值项系数,r为几何约束项系数,均为正常数。对于α与r系数值的确定,根据图像特点的不同,依据经验值选取。
步骤(5):
本发明采用水平集方法求解能量最小的优化问题,根据已建立的曲面演化模型,优化水平集函数定义为:
其中
对于三维血管图像,把St作为高一维函数φ(x,y,z)的零水平集,满足S={{x,y,z}|φ(x,y,z)=0},相应的水平集函数定义为:
在具体实施过程中,曲面演化是对水平集函数φ的演化过程。在演化之前,水平集函数φ要进行初始化。本文模型对φ的初始化值并没有特殊的要求,为了提高分割精度,应该将φ的初始化尽量接近最终的血管分割结果。因此,利用计算区域中三维区域增长结果作为初始曲而,并把初始曲面内所包含的像素对应的φ值设为-c,计算区域内的其它点设为c,c为常数。确定初始曲面后,进行演化。其中α,γ都为常数,C1表示血管区内部的CT值平均值,C2表示背景区的CT值平均值,I0表示每个点的CT值。实际计算中,参数α,γ通过经验确定,Iεε采用upwind数值方法进行迭代求解,C1通过种子点像素周围的均值来代替,C2可以通过求计算区域内的背景区域的像素均值来确定。
曲面停止演化后,所得到的零水平集即为最终的血管分割结果,迭代过程如图3,血管分割结果如图4与图5。
Claims (5)
1.一种基于几何形变模型的三维肺血管图像分割方法,其特征在于本发明方法由以下五个步骤组成:
(1)肋骨区域分割,并选取区域内关键点,采用三次B样条插值计算初始轮廓;
(2)肺血管区域均值计算;
(3)肺血管边缘能量计算;
(4)基于肺血管区域均值、边缘能量与曲面几何约束信息,计算形变模型总能量;
形变模型总能量函数定义为:
该公式由三项构成,第一项为肺血管图像区域均值计算;第二项为肺血管图像边缘能量计算;第三项为曲面几何约束项:其中,I(x,y)为原始图像,C为活动轮廓线,C1和C2分别表示轮廓线内外区域的平均灰度值,α为图像均值项系数,r为几何约束项系数,s为演化曲面,Ωs表示曲面演化区域,da为曲面区域,为曲面单位方向矢量,HI为曲面曲率;
(5)采用基于肺血管影像的水平集演化方法求解形变模型能量最小化。
2.根据权利要求1所述的一种基于几何形变模型的三维肺血管图像分割方法,其特征在于步骤(1)由以下步骤组成:
(1)肋骨分割
由于肋骨CT值较高,与周围组织对比明显,可以采用阈值分割方法获得,阈值T可以依据肋骨CT值范围选取;
(2)初始分割区域计算
在肋骨分割基础上,肋骨区域靠近图像中心近的像素点被作为肋骨关键点Pi,i=1,2…N保留,然后采用三次B样条插值计算连续轮廓,插值公式如下:
其中,0≤t≤1,Pi+k代表已有离散点,Pi,n代表插值后的连续点,n代表次数。
3.根据权利要求1所述的一种基于几何形变模型的三维肺血管图像分割方法,其特征在于步骤(2)由以下步骤组成:
设原图像I(x,y)被活动轮廓线C划分为目标和背景两个区域,各个区域的平均灰度值为C1和C2,肺血管区域均值函数定义为:
其中第一项为图像区域能量拟合项,第二项为几何约束项,C表示活动轮廓线,要求曲线C尽可能短,α为图像均值项系数,r为几何约束项系数,它们依据经验值设定,ds为弧长微元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010167148.6A CN102243759B (zh) | 2010-05-10 | 2010-05-10 | 一种基于几何形变模型的三维肺血管图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010167148.6A CN102243759B (zh) | 2010-05-10 | 2010-05-10 | 一种基于几何形变模型的三维肺血管图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102243759A CN102243759A (zh) | 2011-11-16 |
CN102243759B true CN102243759B (zh) | 2014-05-07 |
Family
ID=44961798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010167148.6A Expired - Fee Related CN102243759B (zh) | 2010-05-10 | 2010-05-10 | 一种基于几何形变模型的三维肺血管图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102243759B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180053306A1 (en) * | 2016-08-17 | 2018-02-22 | Toshiba Medical Systems Corporation | Image processing apparatus, magnetic resonance imaging apparatus and image processing method |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295234B (zh) * | 2013-05-17 | 2016-01-06 | 上海大图医疗科技有限公司 | 基于形变表面模型的医学图像分割系统及方法 |
US10181191B2 (en) | 2014-12-02 | 2019-01-15 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for identifying spine or bone regions in computed tomography image sequence |
CN104809730B (zh) | 2015-05-05 | 2017-10-03 | 上海联影医疗科技有限公司 | 从胸部ct图像提取气管的方法和装置 |
CN105096331B (zh) * | 2015-08-21 | 2018-05-15 | 南方医科大学 | 基于图割的肺4d-ct肿瘤自动分割方法 |
CN105701799B (zh) * | 2015-12-31 | 2018-10-30 | 东软集团股份有限公司 | 从肺部掩膜影像中分割肺血管的方法和装置 |
CN106169190A (zh) * | 2016-07-01 | 2016-11-30 | 南京邮电大学 | 一种冠状动脉的分层显示方法 |
CN107767381B (zh) * | 2016-08-17 | 2021-06-01 | 东芝医疗系统株式会社 | 图像处理装置及图像处理方法 |
CN107636727A (zh) * | 2016-12-30 | 2018-01-26 | 深圳前海达闼云端智能科技有限公司 | 一种目标检测的方法及装置 |
CN108447066B (zh) * | 2018-03-19 | 2021-03-09 | 青岛海信医疗设备股份有限公司 | 胆道图像分割方法、终端、存储介质 |
CN109480873B (zh) * | 2018-10-25 | 2021-08-10 | 苏州润迈德医疗科技有限公司 | 基于肺动脉ct图像的血管排序方法 |
CN112686909B (zh) * | 2020-12-28 | 2024-04-19 | 淮阴工学院 | 基于异质多区域ct扫描数据处理的多相隐式曲面重建方法 |
CN112635029A (zh) * | 2020-12-31 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 一种医学影像处理方法、装置、终端及存储介质 |
CN113160248B (zh) * | 2021-04-22 | 2023-03-14 | 浙江明峰智能医疗科技有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
CN113470102B (zh) * | 2021-06-23 | 2024-06-11 | 依未科技(北京)有限公司 | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 |
CN114931435B (zh) * | 2022-06-02 | 2023-02-17 | 上海市胸科医院 | 三维模型处理方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7020316B2 (en) * | 2001-12-05 | 2006-03-28 | Siemens Corporate Research, Inc. | Vessel-feeding pulmonary nodule detection by volume projection analysis |
US7043064B2 (en) * | 2001-05-04 | 2006-05-09 | The Board Of Trustees Of The Leland Stanford Junior University | Method for characterizing shapes in medical images |
EP1947606A1 (en) * | 2007-01-16 | 2008-07-23 | National University Corporation Kobe University | Medical image processing apparatus and medical image processing method |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1442427B1 (en) * | 2001-10-16 | 2005-12-28 | Koninklijke Philips Electronics N.V. | Method for automatic branch labelling |
US7058210B2 (en) * | 2001-11-20 | 2006-06-06 | General Electric Company | Method and system for lung disease detection |
-
2010
- 2010-05-10 CN CN201010167148.6A patent/CN102243759B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7043064B2 (en) * | 2001-05-04 | 2006-05-09 | The Board Of Trustees Of The Leland Stanford Junior University | Method for characterizing shapes in medical images |
US7020316B2 (en) * | 2001-12-05 | 2006-03-28 | Siemens Corporate Research, Inc. | Vessel-feeding pulmonary nodule detection by volume projection analysis |
EP1947606A1 (en) * | 2007-01-16 | 2008-07-23 | National University Corporation Kobe University | Medical image processing apparatus and medical image processing method |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180053306A1 (en) * | 2016-08-17 | 2018-02-22 | Toshiba Medical Systems Corporation | Image processing apparatus, magnetic resonance imaging apparatus and image processing method |
Also Published As
Publication number | Publication date |
---|---|
CN102243759A (zh) | 2011-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102243759B (zh) | 一种基于几何形变模型的三维肺血管图像分割方法 | |
Worz et al. | Segmentation and quantification of human vessels using a 3-D cylindrical intensity model | |
CN104504737B (zh) | 一种从肺部ct图像获得三维气管树的方法 | |
Campadelli et al. | A segmentation framework for abdominal organs from CT scans | |
CN108324300B (zh) | 用于血管分段的方法和装置 | |
WO2001043073A1 (en) | Knowledge based computer aided diagnosis | |
WO2008091583A2 (en) | Image-based extraction for vascular trees | |
CN106846330A (zh) | 人体肝脏特征建模及血管模型空间归一方法 | |
Antunes et al. | Phase symmetry approach applied to children heart chambers segmentation: a comparative study | |
Wong et al. | Augmented vessels for quantitative analysis of vascular abnormalities and endovascular treatment planning | |
CN103700068B (zh) | 一种cta图像中肝脏与血管同时分割的方法 | |
CN115511997A (zh) | 一种血管造影图像处理方法和系统 | |
CN108010056B (zh) | 一种基于四维医学影像的血管运动跟踪方法 | |
Rangayyan et al. | Automatic delineation of the diaphragm in computed tomographic images | |
Subasic et al. | 3-D image analysis of abdominal aortic aneurysm | |
Peiró et al. | Shape reconstruction from medical images and quality mesh generation via implicit surfaces | |
Ukil et al. | Automatic lung lobe segmentation in X-ray CT images by 3D watershed transform using anatomic information from the segmented airway tree | |
Mu et al. | Construction of anatomically accurate finite element models of the human hand and a rat kidney | |
Joseph et al. | Three dimensional reconstruction models for medical modalities: a comprehensive investigation and analysis | |
Rajchl et al. | Real-time segmentation in 4D ultrasound with continuous max-flow | |
Krissian et al. | Smooth vasculature reconstruction with circular and elliptic cross sections | |
Sebbe | Computer-aided Diagnosis of Pulmonary Embolism in Opacified CT Images | |
Li et al. | Accurate curvilinear modelling for precise measurements of tubular structures | |
CN113744193B (zh) | 基于语义形状的肺组织分割方法、装置、设备及介质 | |
Wang et al. | 3-D quantitative vascular shape analysis for arterial bifurcations via dynamic tube fitting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140507 Termination date: 20150510 |
|
EXPY | Termination of patent right or utility model |