CN103279966A - 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 - Google Patents
基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 Download PDFInfo
- Publication number
- CN103279966A CN103279966A CN2013102130838A CN201310213083A CN103279966A CN 103279966 A CN103279966 A CN 103279966A CN 2013102130838 A CN2013102130838 A CN 2013102130838A CN 201310213083 A CN201310213083 A CN 201310213083A CN 103279966 A CN103279966 A CN 103279966A
- Authority
- CN
- China
- Prior art keywords
- iteration
- parameter
- image
- norm
- full variational
- 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.)
- Pending
Links
Images
Abstract
本发明属于光声成像技术领域,具体为一种基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法。本发明通过计算图像的全变分参数和稀疏表示系数的p范数(0<p<1),对图像进行迭代修正,随后再根据迭代过的图像重新计算上述参数,进行反复迭代直至达到结束条件,最后得到重建的光声图像。本发明方法能提升重建的光声图像的质量,并且收敛速度快,对于光声成像的图像重建具有实际意义。
Description
技术领域
本发明属于光声成像技术领域,具体涉及一种基于图像稀疏系数p范数和全变分参数的光声成像的图像重建方法。
技术背景
光声成像是一种基于光声效应建立的新型医学成像方法,结合了光学成像的高对比度特性和超声成像的高成像深度的特性,并且由于其非电离波的特性,不会在检测的过程中对人体产生伤害[1,2]。现在主要应用领域有乳腺肿瘤检测[3]、血管成像[4]和脑损伤探测[5]等。同时由于所成图像是人体组织的光吸收特性,因而一定程度上反映了成像组织与光吸收特性相关的病理学特性[2]。利用这一特性可以将光声成像应用于功能成像[5,6],如血液动力学检测[5]等领域。
在光声成像中,使用短时脉冲激光照射成像组织。一部分被组织吸收的光能将会被转化为热能,使附近的组织发生热弹性膨胀,从而形成超声波发射。这一超声波可以用超声换能器检测,通过超声换能器在不同位置扫描可以采集到光声信号,随后使用图像重建算法就可以计算出组织的光吸收分布。目前针对圆周扫描有逆Radon变换重建方法[7]、滤波反投影法[8]、时域重建法[9]和反卷积重建法[10]等方法;针对直线扫描有DAS法[11]和二维重建法[11]等方法。上述方法无需迭代就可直接得到结果,但是在采样点较稀疏时重建图像的精度不高,并且受限于特定的扫描方式。针对这一现象,提出了多种迭代重建方法[12-14],这些方法的优势在于成像精度高、不受扫描方式的影响,但是缺点是速度较慢。
与上述图像重建方法相比,本发明中的图像重建方法使用了图像稀疏系数p范数和全变分参数,提升了重建图像的质量,同时由于使用了Barzilai-Borwein梯度下降法进行图像重建,成像速度性能相比于其他迭代方法也有优势。
发明内容
本发明的目的在于提出一种图像质量好,成像速度快的光声成像的图像重建方法。
本发明提出的光声成像的图像重建方法,是通过计算图像稀疏系数的p范数和图像全变分稀疏参数,对重建图像进行修正并迭代,结合Barzilai-Borwein梯度下降法,获得最终的重建光声图像。
在光声成像中,用激光短脉冲垂直于待成像平面照射生物组织,超声换能器在待成像平面内进行扫描。通常激光脉冲持续时间远小于组织的热扩散时间,根据光声效应和超声的运动方程和扩散方程,可以得到光声成像的基本方程[2]:
将式(2)进行变形,可得:
实际应用时,可将和分别离散化,并记成矢量形式。若重建图像的大小为(X,Y分别为图像的行数和列数),则重建图像的总像素为N (N=XY),即矢量化后的图像可记为长度为N的列矢量u。若系统的采样点个数为Q,每个采样点的信号长度为M,则可将(3)式写成:
(6)
重复步骤(a)~(c)得到Q个采样矩阵(i=1~Q)。将它们联立起来,可得到总的采样矩阵A:
(7)
于是,式(5)可以归纳为:
综上,基于迭代的光声重建方法就是通过总的采样信号积分与采样时间的乘积矢量f和计算得到的采样矩阵A,基于迭代的方法求出重建的光声图像u。
本发明提出了一种实现光声图像重建的有效方法,其具体步骤为:
(1) 设定原始重建图像为,各参数的初始值设为:全变分参数在优化问题中所占的权重,p范数在优化问题中所占权重,限制条件在优化问题中所占的权重,初始的联合迭代步长参数、全变分参数迭代步长参数和p范数迭代步长参数,范数,迭代终止阈值。
(2) 根据上一次迭代得到的图像,分别计算图像的全变分参数和稀疏表示系数的p范数(0<p<1)。全变分参数的迭代公式为:
其中是第k次迭代得到以矢量形式表示的重建图像,和分别是第k次和第k+1次迭代时第i个像素点的全变分参数;是第i个像素点的全变分参数计算矩阵;为第k次迭代时第i个像素点全变分参数迭代步长参数,为第k次迭代时联合迭代步长参数;α为表示全变分参数在优化问题中所占的权重,ρ为限制条件在优化问题中所占的权重;、、和是为了表达简洁所引入的中间变量。
其中和为第k次和第k+1次迭代时第i个像素点的稀疏表示系数;是第i个像素点的稀疏变换矩阵,T表示矩阵的转置;为第k次迭代时p范数的迭代步长参数,p为范数,β为p范数在优化问题中所占权重;、、和是为了表达简洁所引入的中间变量。
(3) 根据得到的全变分参数和稀疏表示系数的p范数,计算新的重建图像。其计算方法为:
(11)
其中是第k+1次迭代得到以矢量形式表示的重建图像;为第k+1次迭代得到以矢量形式表示的整幅图像的全变分参数,由每个像素点的全变分参数组合而成;表示第k+1次迭代得到以矢量形式表示的整幅图像的稀疏表示系数,由每个像素点的稀疏表示系数组合而成;F为傅里叶变换矩阵,D为全变分参数计算矩阵,A为光声信号的采样矩阵,f是实际采样得到的光声信号的积分矢量与采样时间的乘积组成的矢量;I为单位阵。
(4) 更新迭代中使用的参数。其计算方法为:
(5) 迭代步数k变为k+1,判断是否达到迭代结束条件,若未达到则返回步骤(2);若达到就结束迭代,得到重建的光声图像。具体的判断方式为:
图1给出了使用本发明中的方法进行光声图像重建的具体流程图。
与现有技术相比,本发明引入了全变分参数和稀疏系数的p范数,提升了图像的重建质量,同时使用了Barzilai-Borwein梯度下降法,算法收敛速度快,具有很高实际应用价值。
附图说明
图1、本发明基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法具体流程图。
图2、待成像组织的光吸收分布图。
图3、各扫描方式下的图像重建结果,(a)圆周扫描,(b)直线扫描。
图4、对组织进行圆周扫描,采样点数为20个的情况下各种光声图像重建方法的结果比较。(a) 滤波反投影法,(b) L1范数法,(c) 全变分参数梯度下降法,(d) 本发明方法。其重建结果的峰值信噪比(PSNR)分别为14.34 dB、30.23 dB、33.17 dB、35.86 dB。
图5、圆周扫描采样角情况下,L1范数法、全变分参数梯度下降法和本发明方法在相同迭代次数时的MSE值。
具体实施方式
对本发明提出的光声图像重建方法在计算机上进行仿真。测试本发明光声图像重建方法的有效性,以及相对于其他方法的优越性。
1、确定组织的光吸收分布图,如图2所示,组织大小为89.6 mm89.6 mm,重建图像大小为128128像素。根据(2)式采集光声信号,分别采用了圆周扫描和直线扫描两种扫描方式:圆周扫描半径为42 mm,角度步长为,共20个采样点;直线扫描间隔为4.2 mm,共20个采样点。使用本发明中的方法对采集到的光声信号进行重建,得到重建的图像。结果在图3中给出。
由仿真实验结果可以看出,本发明的图像重建方法得到的光吸收分布图和组织实际的光吸收分布图非常接近,在圆周扫描和直线扫描方式下,都能成功地进行光声成像的图像重建。
2、以上述的仿真条件,比较本发明方法和滤波反投影法、L1范数法和全变分参数梯度下降法的图像重建结果,结果在图4中给出。选取峰值信噪比PSNR(Peak Signal to Noise Ratio)为量化指标,单位为dB。PSNR值越大,图像的重建效果越好。
仿真结果表明,本发明方法的PSNR值高于其他方法,说明本发明中的重建方法的成像质量要优于其他发法。
3、以上述的仿真条件,比较相同迭代次数时,本发明方法与L1范数法和全变分参数梯度下降法的图像重建结果,以此来比较不同方法间的收敛速度,结果在图5中给出。选取平均均方误差MSE(mean square error)为量化参数,MSE值越小,光声图像的重建效果越好。
仿真结果表明,在相同的迭代次数下,本算法的MSE值低于其他算法,说明本发明中的重建方法的收敛速度要优于其他算法。
综上所述,本发明中的基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法与现有的其他方法相比,可以有效地提高重建光声图像的成像质量,并且提升图像重建方法的收敛速度。
参考文献:
[1] C. Li, and L. V. Wang, “Photoacoustic tomography and sensing in biomedicine,” Phys. Med. Biol., vol. 5, pp. R59~R97, Sep. 2009.
[2] M. Xu, and L. V. Wang, “Photoacoustic imaging in biomedicine,” Rev. Sci. Instrum., vol. 77, no. 4, pp.041101-1-041101-22, Apr. 2006.
[3] A. Karabutov, V. A. Andreev, B. A. Bell, R. D. Fleming, Z. Gatalica, et al., “Optoacoustic images of early cancer in forward and backward modes,” In Proc. SPIE, vol. 4434, pp. 13-27, Jun. 2001.
[4] R. G. M. Kolkman, E. Hondebrink, W. Steenbergen, and F. F. M. Mul, “In vivo photoacoustic imaging of blood vessels using an extreme-narrow aperture sensor,” IEEE J. Sel. Top. Quantum electron., vol. 9, no. 2, pp. 343-346, Mar. 2003.
[5] X. Wang, Y. Pang, G. Ku, X. Xie, G. Stoica and L. Wang, “Non-invasive laser-induced photoacoustic tomography for structural and functional imaging of the brain in vivo,” Nat. Biotechno.,vol. 21, no.7,pp. 803–806, Jun. 2003.
[6] H. F. Zhang, K. Maslov, G. Stoica, and L. V. Wang, “Functional photoacoustic microscopy for high-resolution and noninvasive in vivo imaging,” Nat. Biotechno., vol. 24, no. 7, pp. 848-851, Jul. 2006.
[7] R. A. Kruger, P. Liu, Y. Fang, and C. R. Appledom, “Photoacoustic ultrasound (PAUS)-reconstruction tomography,” Med. Phys., vol. 22, no. 10, pp. 1605-1609, Oct. 1995.
[8] M. Xu, and L.V. Wang, “Pulsed-microwave-induced thermoacoustic tomography: Filtered back-projection in a circular measurement configuration,” Med. Phys., vol. 29, no. 8, pp.1661~1669, Jul. 2002.
[9] M. Xu, and L. V. Wang, “Time-domain reconstruction for thermoacoustic tomography in a spherical geometry,” IEEE Trans. Med. Imaging, vol. 21, no. 7, pp. 814-822, Jul. 2002.
[10] C. Zhang, and Y. Y. Wang, “Deconvolution reconstruction of full-view and limited-view photoacoustic tomography: a simulation study,” J. Opt. Soc. Am. A, vol. 25, no. 10, pp.2436~2443, Sep. 2008.
[11] A. Modgil and P. J. La Rivière, “Implementation and comparison of reconstruction algorithms for 2D optoacoustic tomography using a linear array,” In Proc. SPIE, vol. 6856, pp. 13-27, Jan. 2008.
[12] G. Paltauf, J.A. Viator and S.A. Prahl, “Iterative reconstruction algorithm for optoacoustic imaging,” J. Opt. Soc. Am. A vol.112, no. 4, pp.1536–1544, Apr. 2002.
[13] Z. Guo, C. Li, L. Song and L. Wang, “Compressed sensing in photoacoustic tomography in vivo,” J. of Biomed. Opt. vol.15, no.2, Apr. 2010.
[14] J. Provost and F. Lesage, “The Application of compressed sensing for photo-acoustic tomography,” IEEE Trans. Med. Imaging, vol.28, no.4, pp.585–594, Apr. 2009.
X. Ye, Y. Chen and F. Huang, “Computational Acceleration for MR Image Reconstruction in Partially Parallel Imaging,” IEEE Trans. Med. Imaging, vol.30, no.5, pp.1055–1063, May. 2011。
Claims (4)
1.基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法,其特征在于其具体步骤为:
(1) 输入原始重建图像,设置各参数的初始值;其中,设定原始重建图像为 ,各参数的初始值设为:全变分参数在优化问题中所占的权重,p范数在优化问题中所占权重,限制条件在优化问题中所占的权重,初始的联合迭代步长参数、全变分参数迭代步长参数和p范数迭代步长参数,范数,迭代终止阈值;
(2) 根据上一次迭代得到的图像,分别计算图像的全变分参数和稀疏表示系数的p范数,0<p<1;
(3) 根据得到的全变分参数和稀疏表示系数的p范数,计算新的重建图像;
(4) 更新迭代中使用的步长参数;
(5) 判断是否达到迭代结束条件,若未达到则返回步骤(2);若达到就结束迭代,得到重建图像。
2.根据权利要求1所述的图像稀疏系数p范数和全变分参数的光声成像图像重建方法,其特征在于步骤(2)中,所述使用的全变分参数迭代计算式为:
其中,N是重建图像像素点的个数,是第k次迭代得到以矢量形式表示的重建图像,和分别是第k次和第k+1次迭代时第i个像素点的全变分参数;是第i个像素点的全变分参数计算矩阵;为第k次迭代时第i个像素点全变分参数迭代步长参数,为第k次迭代时联合迭代步长参数;α为表示全变分参数在优化问题中所占的权重,ρ为限制条件在优化问题中所占的权重;、、和是为了表达简洁所引入的中间变量;
图像的稀疏系数的p范数的迭代计算式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102130838A CN103279966A (zh) | 2013-06-02 | 2013-06-02 | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102130838A CN103279966A (zh) | 2013-06-02 | 2013-06-02 | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103279966A true CN103279966A (zh) | 2013-09-04 |
Family
ID=49062473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102130838A Pending CN103279966A (zh) | 2013-06-02 | 2013-06-02 | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103279966A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103654732A (zh) * | 2013-12-31 | 2014-03-26 | 南京大学 | 一种基于线性延时补偿的光声图像优化方法 |
CN104200232A (zh) * | 2014-09-02 | 2014-12-10 | 西安电子科技大学 | 基于滑动窗融合的两次稀疏表示的图像处理方法 |
CN104586363A (zh) * | 2015-01-14 | 2015-05-06 | 复旦大学 | 基于图像块稀疏系数的快速光声成像图像重建方法 |
CN106204487A (zh) * | 2016-07-26 | 2016-12-07 | 青岛大学 | 一种基于稀疏约束的超声图像去噪方法 |
CN104103086B (zh) * | 2014-06-06 | 2017-02-15 | 华南理工大学 | 一种稀疏采样角度下基于变分不等式的ct图像重建方法 |
CN106846427A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 一种基于重加权各向异性全变分的有限角度ct重建方法 |
CN111314847A (zh) * | 2020-02-20 | 2020-06-19 | 桂林电子科技大学 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
CN112617798A (zh) * | 2020-12-31 | 2021-04-09 | 昆明理工大学 | 一种基于Lp范数联合全变分的并行磁共振成像重构方法 |
CN114022583A (zh) * | 2021-10-12 | 2022-02-08 | 佛山市灵觉科技有限公司 | 基于非均匀离散傅里叶变换的oct图像重建方法 |
CN114022583B (zh) * | 2021-10-12 | 2024-05-14 | 佛山市灵觉科技有限公司 | 基于非均匀离散傅里叶变换的oct图像重建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2148183A1 (en) * | 2008-07-25 | 2010-01-27 | Helmholtz Zentrum München Deutsches Forschungszentrum für Gesundheit und Umwelt (GmbH) | Imaging device and method for optoacoustic imaging of small animals |
CN102306385A (zh) * | 2011-06-22 | 2012-01-04 | 复旦大学 | 任意扫描方式下光声成像的图像重建方法 |
-
2013
- 2013-06-02 CN CN2013102130838A patent/CN103279966A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2148183A1 (en) * | 2008-07-25 | 2010-01-27 | Helmholtz Zentrum München Deutsches Forschungszentrum für Gesundheit und Umwelt (GmbH) | Imaging device and method for optoacoustic imaging of small animals |
CN102306385A (zh) * | 2011-06-22 | 2012-01-04 | 复旦大学 | 任意扫描方式下光声成像的图像重建方法 |
Non-Patent Citations (4)
Title |
---|
RICK CHARTRAND: "FAST ALGORITHMS FOR NONCONVEX COMPRESSIVE SENSING: MRI RECONSTRUCTION FROM VERY FEW DATA", 《BIOMEDICAL IMAGING:FROM NANO TO MACRO》, 1 July 2009 (2009-07-01), XP 031502026 * |
XIAOJING YE 等: "Computational Acceleration for MR Image Reconstruction in Partially Parallel Imaging", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 30, no. 5, 2 May 2011 (2011-05-02), XP 011321142, DOI: doi:10.1109/TMI.2010.2073717 * |
张砚 等: "基于全变分法重建光声图像", 《光学精密工程》, vol. 20, no. 1, 31 January 2012 (2012-01-31) * |
钱伟新 等: "基于广义变分正则化的闪光照相图像重建算法", 《强激光与粒子束》, vol. 21, no. 12, 31 December 2009 (2009-12-31) * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103654732B (zh) * | 2013-12-31 | 2015-08-26 | 南京大学 | 一种基于线性延时补偿的光声图像优化方法 |
CN103654732A (zh) * | 2013-12-31 | 2014-03-26 | 南京大学 | 一种基于线性延时补偿的光声图像优化方法 |
CN104103086B (zh) * | 2014-06-06 | 2017-02-15 | 华南理工大学 | 一种稀疏采样角度下基于变分不等式的ct图像重建方法 |
CN104200232B (zh) * | 2014-09-02 | 2017-05-17 | 西安电子科技大学 | 基于滑动窗融合的两次稀疏表示的图像处理方法 |
CN104200232A (zh) * | 2014-09-02 | 2014-12-10 | 西安电子科技大学 | 基于滑动窗融合的两次稀疏表示的图像处理方法 |
CN104586363A (zh) * | 2015-01-14 | 2015-05-06 | 复旦大学 | 基于图像块稀疏系数的快速光声成像图像重建方法 |
CN106204487A (zh) * | 2016-07-26 | 2016-12-07 | 青岛大学 | 一种基于稀疏约束的超声图像去噪方法 |
CN106846427A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 一种基于重加权各向异性全变分的有限角度ct重建方法 |
CN106846427B (zh) * | 2017-01-25 | 2019-06-11 | 浙江大学 | 一种基于重加权各向异性全变分的有限角度ct重建方法 |
CN111314847A (zh) * | 2020-02-20 | 2020-06-19 | 桂林电子科技大学 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
CN111314847B (zh) * | 2020-02-20 | 2021-02-12 | 桂林电子科技大学 | 基于Barzilai-Borwein梯度法的无线传感器网络分布式定位方法 |
CN112617798A (zh) * | 2020-12-31 | 2021-04-09 | 昆明理工大学 | 一种基于Lp范数联合全变分的并行磁共振成像重构方法 |
CN112617798B (zh) * | 2020-12-31 | 2022-10-28 | 昆明理工大学 | 一种基于Lp范数联合全变分的并行磁共振成像重构方法 |
CN114022583A (zh) * | 2021-10-12 | 2022-02-08 | 佛山市灵觉科技有限公司 | 基于非均匀离散傅里叶变换的oct图像重建方法 |
CN114022583B (zh) * | 2021-10-12 | 2024-05-14 | 佛山市灵觉科技有限公司 | 基于非均匀离散傅里叶变换的oct图像重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103279966A (zh) | 基于图像稀疏系数p范数和全变分参数的光声成像图像重建方法 | |
CN102306385B (zh) | 任意扫描方式下光声成像的图像重建方法 | |
Hauptmann et al. | Model-based learning for accelerated, limited-view 3-D photoacoustic tomography | |
Bu et al. | Model-based reconstruction integrated with fluence compensation for photoacoustic tomography | |
US9022936B2 (en) | Transmissive imaging and related apparatus and methods | |
US9330461B2 (en) | Image-based method for measuring elasticity of biological tissues and system thereof | |
Chowdhury et al. | A synthetic total impulse response characterization method for correction of hand-held optoacoustic images | |
US20130190595A1 (en) | Laser Optoacoustic Ultrasonic Imaging System (LOUIS) and Methods of Use | |
Ding et al. | Model-based reconstruction of large three-dimensional optoacoustic datasets | |
WO2020206755A1 (zh) | 一种基于射线理论的超声ct图像重建方法及系统 | |
Awasthi et al. | Sinogram super-resolution and denoising convolutional neural network (SRCN) for limited data photoacoustic tomography | |
CN103345770A (zh) | 一种基于迭代自适应加权的有限视角光声成像重建方法 | |
CN104586363B (zh) | 基于图像块稀疏系数的快速光声成像图像重建方法 | |
Zheng et al. | Image reconstruction based on compressed sensing for sparse-data endoscopic photoacoustic tomography | |
Dean-Ben et al. | A practical guide for model-based reconstruction in optoacoustic imaging | |
JP5419727B2 (ja) | 画像形成方法及び音響波測定装置 | |
Sun et al. | An iterative gradient convolutional neural network and its application in endoscopic photoacoustic image formation from incomplete acoustic measurement | |
Zhang et al. | Efficient block-sparse model-based algorithm for photoacoustic image reconstruction | |
CN107847141A (zh) | 用于获取与多个图像数据集的位置位移有关的信息的设备、方法和程序 | |
Zhou et al. | Frequency-domain full-waveform inversion-based musculoskeletal ultrasound computed tomography | |
Rao et al. | Performance comparison of acoustic lens based photoacoustic image reconstruction with algorithm based reconstruction techniques | |
JP2018033886A (ja) | 光音響情報処理方法、光音響情報処理プログラムおよび光音響情報処理装置 | |
Roumeliotis et al. | 3D photoacoustic imaging using a staring-sparse array with 60 transducers | |
Shen et al. | S-Wave Accelerates Optimization-based Photoacoustic Image Reconstruction in vivo | |
WO2023047601A1 (ja) | 画像生成方法、画像生成プログラムおよび画像生成装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130904 |