CN103942781A - 一种基于脑影像的脑网络构造方法 - Google Patents
一种基于脑影像的脑网络构造方法 Download PDFInfo
- Publication number
- CN103942781A CN103942781A CN201410128284.2A CN201410128284A CN103942781A CN 103942781 A CN103942781 A CN 103942781A CN 201410128284 A CN201410128284 A CN 201410128284A CN 103942781 A CN103942781 A CN 103942781A
- Authority
- CN
- China
- Prior art keywords
- brain
- district
- probability density
- feature
- density distribution
- 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.)
- Granted
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于脑影像的脑网络构造方法,包括步骤:A、获取脑影像数据;B、预处理所述脑影像数据;C、基于经过预处理的所述脑影像数据,提取不同脑区的脑区特征;D、估计所述脑区特征的概率密度分布;E、计算不同脑区的所述脑区特征的概率密度分布的相似性,作为不同脑区间的连接;F、基于已构造的各脑区之间的连接,构造连接矩阵,从而形成脑网络。上述方法克服了现有脑网络构造方法的不足。
Description
技术领域
本发明涉及一种基于脑影像的脑网络构造方法。
背景技术
人脑是一个具有非凡功能的复杂网络。对于该网络内在构架的研究是神经科学中的一项重要课题。神经科学家认为在构建出人脑网络图谱之前,人们不可能了解人脑的工作机理。由此,在基因组(Genome)之后,业界也提出了人脑连接组(Connectome)的概念,并由此着手开始绘制人脑连接组。
数学抽象上,一个网络由节点(node)以及连接各节点的边(edge)构成。在脑网络研究中,网络节点通常由脑区构成。而不同脑区间的结构或功能关系则构成了节点间的边。为此,脑网络构建的核心是使用合适的方法将大脑表示成由不同脑区及其之间关系所组成的网络。
目前,人脑网络研究主要基于脑影像手段,即:通过脑影像手段记录或刻画大脑结构或功能特征,进而基于这些特征构建脑网络。其中常用的脑成像模态是共振成像(MRI)、正电子发射断层成像(PET)、脑电图(EEG)、脑磁图(MEG)等。在基于脑影像数据构建人脑网络时,确定脑网络节点的方法相对固定。研究者通常采用预先定义好的脑区,或直接以图像中的每个体素(voxel)作为脑网络节点。而在脑区连接的定义上,根据脑影像数据的模态的不同,量化方式则非常多样,主要包括:基于脑功能成像(例如fMRI、PET)的功能连接、基于弥散磁共振脑影像(dMRI)的结构连接以及基于结构脑影像(sMRI)的形态学被试间的协变网络。具体而言,功能连接通常定义为脑功能成像中采集到的两个脑区信号时间上的同步程度,其度量了不同脑区在时间上活动的一致性程度;结构连接一般定义为采用弥散磁共振成像技术获取的脑白质纤维连接强度,其度量了不同脑区间纤维白质连接的程度;基于结构脑影像的形态学连接则一般把脑区特征在被试间的协变定义为脑区连接。尽管上述脑区连接的计算方法已得到了广泛应用,但这些方法均直接基于原始测量数据构建连接,由此存在一些无法避免的局限:
一、在考察不同脑区的活动同步性(功能连接)、纤维连接性(结构连接)、形态特征共变性(形态连接)时,现有技术均需要同时获取各个脑区的数据,不同时间段获取的数据无法相互融合、一起使用;
二、在考察不同脑区的活动同步性(功能连接)、纤维连接性(结构连接)、形态特征共变性(形态连接)时,现有技术只能局限于单一模态下的特征计算连接性,而无法度量来自不同模态间的特征间形成的连接;
三、考察脑区间连接时,现有技术均基于局部脑区测量的均值,而完全忽略了脑区内测量的其它统计特征,这会导致脑区间连接估计不准确,甚至出现无法估计两个脑区在某种特征上的连接的情况。例如,基于脑区均值的形态特征共变网络无法构建被试个体脑网络,而只能针对一组大样本被试构建一个网络;
四、由于脑影像数据容易受到一些无关因素的干扰,例如头动和心跳,数据信噪比较低。直接考察两个脑区的活动同步性(功能连接)、纤维连接性(结构连接)、形态特征共变性(形态连接)时,受噪声影响较大。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于脑影像的脑网络构造方法,以克服上述现有脑网络构造方法的不足。
本发明提供的一种基于脑影像的脑网络构造方法,包括以下步骤:
A、获取脑影像数据;
B、预处理所述脑影像数据;
C、基于经过预处理的所述脑影像数据,提取不同脑区的脑区特征;
D、估计所述脑区特征的概率密度分布;
E、计算不同脑区的所述脑区特征的概率密度分布的相似性,作为不同脑区间的连接;
F、基于已构造的各脑区之间的连接,构造连接矩阵,从而形成脑网络。
在上述的方法中,所述步骤D包括:
将所述脑区特征展成一维向量后,采用估计强度分布的统计方法估计所述脑区特征的概率密度分布。
在上述的方法中,所述步骤E包括:
使用度量两个概率密度分布相似性的方法计算各脑区间的脑区特征概率密度分布的相似性,以该相似性作为各脑区连接的度量。
在上述的方法中,所述步骤E中关于不同脑区的所述脑区特征的概率密度分布相似性的计算具体为:
将使用KL散度 度量反映不同脑区的所述脑区特征的概率密度分布的概率密度函数的距离,范围在[0,inf];
使用指数变换将不同脑区的所述脑区特征的概率密度距离转换为不同脑区的所述脑区特征的概率密度分布相似性KLS(p,q)=e-KL(p,q);
将该相似性作为各脑区连接的度量;
其中,p和q分别表示所述脑区特征的概率密度分布。
在上述的方法中,所述步骤F包括:
根据所述步骤E计算出的所有脑区间的连接,构造N×N的邻接矩阵,得到加权的脑网络,其中N表示脑区的数量;
在所述邻接矩阵的基础上设定连接强度阈限,把连接强度大于所述连接强度阈限的边设为1,而连接强度小于所述连接强度阈限的边设为0,得到二值化脑网络。
在上述的方法中,所述脑结构信号数据为脑空间特征信号、时间特征信号或时空特征信号,且维度不受限制。
由上可以看出,本发明方法不是直接基于原始测量数据计算不同脑区间的连接,而是首先估计出所测量数据的概率密度函数,进而计算不同脑区间密度函数的相似性作为不同脑区的连接。该方法与现有技术相比具有如下优点:
1.通过概率密度函数刻画不同脑区的特征,不需要严格地同时获取各个脑区数据,从而可通过融合不同时间段获取的数据,考察脑区连接。
2.通过概率密度函数刻画不同脑区的特征,不需要原始信号在维度或特性上完全匹配,从而突破已有方法只能在单一模态、维度下计算脑区连接的限制,构建来自不同模态、不同维度特征间的连接。
3.通过概率密度函数刻画不同脑区的特征,完整度量了脑区在空间、时间或时空上的特征,从而避免了传统方法仅基于脑区局部测量的均值计算脑区连接,导致脑区间连接估计不准确的弊端。
4.通过概率密度函数刻画不同脑区的特征,进而计算脑区相似性以构造脑区连接和网络,可更好地降低一些无关因素的干扰(例如头动和心跳)。同时,由于只需要估计一个一维概率密度函数,所需数据量小,计算复杂度低,克服了现有技术在计算脑区连接时需要较长扫描时间和数据预处理复杂的不足。
总之,本发明方法为理解大脑内部工作机制、大脑内部的构造规律提供了新的脑网络构造方法,可应用于大脑的发育和老化、性别差异等研究,以及脑疾病的分析、诊断与检测等方面。
附图说明
图1为本发明提供的一种基于脑影像的脑网络构造方法的流程图;
图2为脑局部灰质特征分布以及分布相似性估计曲线图;
图3为基于本发明方法制成的脑网络连接矩阵可视化图,其中,左侧为加权脑网络示图,右侧是施加阈限后的二值化脑网络示图。
具体实施方式
总的来说,本发明方法的技术方案是通过估计大脑信号数据的概率密度函数,进而度量两两脑区的大脑信号数据概率密度分布的相似性,以该相似性作为脑区间连接的依据,并基于此构造出最终的脑网络。
下面结合附图,介绍本发明提供的一种基于脑影像的脑网络构造方法。
如图1所示,本发明方法包括以下步骤:
步骤100:利用脑影像手段获取大脑信号数据。
在本步骤中,可利用任意公知的脑影像手段获取大脑信号数据。而脑影像手段对于大脑空间、时间以及时空的特征信号均适用。
步骤200:预处理上述大脑信号数据。
大脑信号数据的预处理一般包括:头动矫正、空间滤波、时间滤波以及空间标准化等处理。可根据大脑信号数据的自身特点及研究者的研究目的,确定使用何种预处理。
步骤300:提取脑区特征。
在本步骤中,基于步骤200的大脑影像信号数据预处理结果,提取出感兴趣信号。其中,根据使用者研究目的,提取的感兴趣信号可以是脑空间特征信号、时间特征信号或时空特征信号,且维度不受限制。
步骤400:估计脑区特征的概率密度分布。
在本步骤中,首先将由上一步骤提取出来的信号展成一维向量。这里,无论该信号是一维(例如,单个体素的时间信号)或多维(例如,脑区内多个体素的空间分布信号或时空分布信号),均被展成一维向量。接着,使用任意一种能够估计强度分布的统计方法估计该一维向量的概率密度函数,由此获得脑区特征的概率密度分布。依此估计出的概率密度函数是一维概率密度函数。
步骤500:基于脑区特征的概率密度分布,构造脑区间的连接。
在本步骤中,使用能够计算出不同概率密度分布之间相似性的度量(例如Kullback-Leibler Divergence,KL散度)计算出不同脑区的概率密度分布(即上述概率密度函数)间的相似性,作为不同脑区之间的连接。其中,对称KL散度的定义如下:
其中,p和q分别表示为步骤400中得到的两个脑区的特征强度值概率密度分布。KL散度度量两个概率密度函数的距离,范围在[0,inf]。为此,在本发明方法中采用指数变换将其转换成为相似性的测量:
KLS(p,q)=e-KL(p,q)
如图2所示,指数变换后,两个脑区的相似性被规整到0~1的区间。其中“1”表示两个脑区的信号强度值概率密度分布完全一致,“0”表示为两个脑区的特征强度值概率密度分布不同。从而利用这一相似性作为各脑区连接的度量(例如,视相似性为“1”的两个脑区之间存在连接,视相似性为“0”的两个脑区之间不存在连接)。
任何能够求出两个概率密度分布相似性的方法(例如,皮尔逊积差相关、互信息等)均适用于本发明。
步骤600:基于已构造的各脑区之间的连接,构造连接矩阵,从而形成脑网络,具体如下:
遍历上述脑区接,得到所有感兴趣脑区间,构造N×N的邻接矩阵,由此得到加权的脑网络(如图3所示),其中N表示感兴趣脑区数量;
在上述邻接矩阵的基础上设定连接强度阈限,可以得到二值化脑网络(如图3所示)。即,把连接强度大于阈限的边设为1,而连接强度小于阈限的边设为0。
为了使本发明便于理解,在下述实施例中,基于脑区空间形态学特征来说明本发明方法的实现过程。
首先,采用MRI获取被试的加权高分辨率结构影像。其中,为了较好地体现脑区形态特征,选择被试的加权高分辨率结构影像的空间分辨率在1×1×1mm3左右。
接着,采用常规基于体素的形态学分析技术(Voxel-basedMorphometry,VBM),对上述脑结构影像进行预处理,进而得到大脑中每个位置的局部灰质密度或体积,具体包括:
利用仿射变换将上述脑结构影像配准到标准模板(例如Montreal Neurological Institute,MNI标准模板),得到标准化后的影像;
利用分割算法将标准空间中的脑结构影像中的灰质分割出来;
采用空间变换的雅可比矩阵调整被分割的脑结构影像,以补偿变换过程中损失的脑区局部体积信息;
采用高斯核平滑处理经过调整的影像,以提高信噪比。
上述预处理过程可由公知的基于体素的形态学分析程序实现,在此不再赘述。
之后,结合先验脑图谱,提取上述脑结构影像中的各个脑区特征,例如脑解剖图谱ALL模板中每个脑区内体素的灰质密度或体积。虽然在本实施例中只给出了基于脑解剖图谱ALL的实例,但根据研究需要,研究者可将基于任意先验脑图谱或其他方式确定的脑区作为目标区(感兴趣区)。
针对脑解剖图谱ALL模板中的每个脑区,将其内各个体素的灰质密度或体积按顺序排列,展成一维向量,之后采用高斯核方法估计各脑区中灰质密度/体积对应的概率密度函数。
接下来,使用对称KL散度计算每两个脑区的灰质概率密度函数的相似性,并以该相似性作为各脑区间的连接强度。对于脑区间的概率密度的计算上述步骤500中已有交代,在此不再赘述。
最后,根据上述脑区连接构建脑网络。对于脑网络的构建,上述步骤600中已有交代,在此不再赘述。
除上述实施例之外,本发明方法的实现还可基于脑影像测到的脑区时间、及时空特征。在这些应用中,与上述实施例的基于脑形态空间分布特征的脑区连接度量和脑网络构造的区别主要在于提取的大脑信号不同而已。举例来说,在基于脑时间分布特征的脑区连接度量和脑网络构造过程中,提取的是大脑的时间信号,并使用其估计脑区时间特征概率密度分布,进而计算不同脑区间的相似性;在基于脑时空分布特征的脑区连接度量和脑网络构造过程中,提取的是大脑的时空信号,并使用其估计脑区时空特征概率密度分布,进而计算不同脑区间的相似性。
此外,对于上述大脑时间信号数据的预处理过程一般为时间滤波、时间对齐,强度标准化等。
此外,对于上述大脑时空信号数据的预处理过程一般为时空滤波、时间对齐、强度标准化、空间标准化等。
时间信号本身是一维信号,因此可以直接作为一维向量,进行概率密度估计。
时空信号是四维信号,在向一维向量的展开的过程可以先抽提出每个空间位置的对应的时间信号,作为一维向量,然后拼接所有空间位置对应的一维向量,从而构成整体时空信号对应的一维向量。同样,也可以首先把每个时间点下各个空间位置信号按顺序排列,作为一维向量,进而连接所有时间点对应的空间位置一维向量,形成整体时空信号对应的一维向量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明。本发明同样适用于任何基于脑成像(如MRI,fMRI、DTI、EEG、MEG等)测量得到的时间、空间和时空脑特征。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于脑影像的脑网络构造方法,其特征在于,包括以下步骤:
A、获取脑影像数据;
B、预处理所述脑影像数据;
C、基于经过预处理的所述脑影像数据,提取不同脑区的脑区特征;
D、估计所述脑区特征的概率密度分布;
E、计算不同脑区的所述脑区特征的概率密度分布的相似性,作为不同脑区间的连接;
F、基于已构造的各脑区之间的连接,构造连接矩阵,从而形成脑网络。
2.根据权利要求1所述的方法,其特征在于,所述步骤D包括:
将所述脑区特征展成一维向量后,采用估计强度分布的统计方法估计所述脑区特征的概率密度分布。
3.根据权利要求2所述的方法,其特征在于,所述步骤E包括:
使用度量两个概率密度分布相似性的方法计算各脑区间的脑区特征概率密度分布的相似性,以该相似性作为各脑区连接的度量。
4.根据权利要求3所述的方法,其特征在于,所述步骤E中关于不同脑区的所述脑区特征的概率密度分布相似性的计算具体为:
将使用KL散度 度量反映不同脑区的所述脑区特征的概率密度分布的概率密度函数的距离,范围在[0,inf];
使用指数变换将不同脑区的所述脑区特征的概率密度距离转换为不同脑区的所述脑区特征的概率密度分布相似性KLS(p,q)=e-KL(p,q);
将该相似性作为各脑区连接的度量;
其中,p和q分别表示所述脑区特征的概率密度分布。
5.根据权利要求4所述的方法,其特征在于,所述步骤F包括:
根据所述步骤E计算出的所有脑区间的连接,构造N×N的邻接矩阵,得到加权的脑网络,其中N表示脑区的数量;
在所述邻接矩阵的基础上设定连接强度阈限,把连接强度大于所述连接强度阈限的边设为1,而连接强度小于所述连接强度阈限的边设为0,得到二值化脑网络。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,所述脑结构信号数据为脑空间特征信号、时间特征信号或时空特征信号,且维度不受限制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410128284.2A CN103942781B (zh) | 2014-04-01 | 2014-04-01 | 一种基于脑影像的脑网络构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410128284.2A CN103942781B (zh) | 2014-04-01 | 2014-04-01 | 一种基于脑影像的脑网络构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103942781A true CN103942781A (zh) | 2014-07-23 |
CN103942781B CN103942781B (zh) | 2017-02-08 |
Family
ID=51190432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410128284.2A Expired - Fee Related CN103942781B (zh) | 2014-04-01 | 2014-04-01 | 一种基于脑影像的脑网络构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942781B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106510709A (zh) * | 2016-09-23 | 2017-03-22 | 中国人民解放军第四军医大学 | 一种针对海洛因成瘾机制的大型脑网络分析方法 |
CN107811609A (zh) * | 2017-09-22 | 2018-03-20 | 中国医学科学院北京协和医院 | 一种脑老化评估系统 |
CN108158580A (zh) * | 2017-12-13 | 2018-06-15 | 东南大学 | 一种面向脑影像信号的空间复杂性分析方法 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
JP2018198729A (ja) * | 2017-05-26 | 2018-12-20 | 株式会社アルム | 脳画像データ処理装置、脳画像データ処理方法、および脳画像データ処理プログラム |
CN108523907B (zh) * | 2018-01-22 | 2021-07-16 | 上海交通大学 | 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统 |
CN113344883A (zh) * | 2021-06-10 | 2021-09-03 | 华南师范大学 | 一种多层形态学脑网络构建方法、智能终端及存储介质 |
CN116383600A (zh) * | 2023-03-16 | 2023-07-04 | 上海外国语大学 | 一种单试次脑电波信号分析方法和系统 |
CN113628167B (zh) * | 2021-07-13 | 2024-04-05 | 深圳市神经科学研究院 | 个体化结构脑网络构建方法、系统、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509282B (zh) * | 2011-09-26 | 2014-06-25 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN102366323B (zh) * | 2011-09-30 | 2013-09-11 | 中国科学院自动化研究所 | 一种基于pca和gca的磁共振脑成像因果连接强度的检测方法 |
-
2014
- 2014-04-01 CN CN201410128284.2A patent/CN103942781B/zh not_active Expired - Fee Related
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106510709A (zh) * | 2016-09-23 | 2017-03-22 | 中国人民解放军第四军医大学 | 一种针对海洛因成瘾机制的大型脑网络分析方法 |
JP2018198729A (ja) * | 2017-05-26 | 2018-12-20 | 株式会社アルム | 脳画像データ処理装置、脳画像データ処理方法、および脳画像データ処理プログラム |
CN107811609A (zh) * | 2017-09-22 | 2018-03-20 | 中国医学科学院北京协和医院 | 一种脑老化评估系统 |
CN107811609B (zh) * | 2017-09-22 | 2020-06-09 | 中国医学科学院北京协和医院 | 一种脑老化评估系统 |
CN108158580A (zh) * | 2017-12-13 | 2018-06-15 | 东南大学 | 一种面向脑影像信号的空间复杂性分析方法 |
CN108523907B (zh) * | 2018-01-22 | 2021-07-16 | 上海交通大学 | 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统 |
CN108229066A (zh) * | 2018-02-07 | 2018-06-29 | 北京航空航天大学 | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 |
CN113344883A (zh) * | 2021-06-10 | 2021-09-03 | 华南师范大学 | 一种多层形态学脑网络构建方法、智能终端及存储介质 |
CN113628167B (zh) * | 2021-07-13 | 2024-04-05 | 深圳市神经科学研究院 | 个体化结构脑网络构建方法、系统、电子设备及存储介质 |
CN116383600A (zh) * | 2023-03-16 | 2023-07-04 | 上海外国语大学 | 一种单试次脑电波信号分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103942781B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942781B (zh) | 一种基于脑影像的脑网络构造方法 | |
Hou et al. | Brain CT and MRI medical image fusion using convolutional neural networks and a dual-channel spiking cortical model | |
CN107242873B (zh) | 一种基于功能磁共振心理生理交互的脑网络构建方法 | |
CN115359045B (zh) | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 | |
CN109522894B (zh) | 一种探测fMRI脑网络动态协变的方法 | |
Li et al. | Surface-based single-subject morphological brain networks: effects of morphological index, brain parcellation and similarity measure, sample size-varying stability and test-retest reliability | |
CN110838173B (zh) | 基于三维纹理特征的个体化脑共变网络构建方法 | |
CN113616184A (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
US8965093B2 (en) | Method for registering functional MRI data | |
Zhou et al. | Automated artifact detection and removal for improved tensor estimation in motion-corrupted DTI data sets using the combination of local binary patterns and 2D partial least squares | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
CN103985099A (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
CN111753947B (zh) | 静息态脑网络构建方法、装置、设备及计算机存储介质 | |
CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
Chung et al. | Scalable brain network construction on white matter fibers | |
CN103006215B (zh) | 基于局部平滑回归的脑功能区定位方法 | |
CN112515653B (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
Grigorescu et al. | Interpretable convolutional neural networks for preterm birth classification | |
Li et al. | Diffusion tensor-based fast marching for modeling human brain connectivity network | |
CN115169067A (zh) | 脑网络模型构建方法、装置、电子设备及介质 | |
Smal et al. | Quantitative comparison of tracking methods for motion analysis in tagged MRI | |
CN116401889A (zh) | 一种基于功能连接优化和谱聚类的小脑分区方法 | |
CN109994204A (zh) | 一种大脑功能网络关键节点搜索方法 | |
CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20180401 |