CN103946892B - 可变深度立体定向表面投影 - Google Patents

可变深度立体定向表面投影 Download PDF

Info

Publication number
CN103946892B
CN103946892B CN201280058712.8A CN201280058712A CN103946892B CN 103946892 B CN103946892 B CN 103946892B CN 201280058712 A CN201280058712 A CN 201280058712A CN 103946892 B CN103946892 B CN 103946892B
Authority
CN
China
Prior art keywords
voxel
pet
ssp
value
depth
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.)
Active
Application number
CN201280058712.8A
Other languages
English (en)
Other versions
CN103946892A (zh
Inventor
J.A.利尔加
N.L.图尔夫耶尔
R.伦德奎斯特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Healthcare Ltd
Original Assignee
GE Healthcare Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GE Healthcare Ltd filed Critical GE Healthcare Ltd
Publication of CN103946892A publication Critical patent/CN103946892A/zh
Application granted granted Critical
Publication of CN103946892B publication Critical patent/CN103946892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine (AREA)
  • Image Processing (AREA)

Abstract

提供对垂直于大脑的表面体素而延伸的向量使用可变深度以便避免白质摄取提取的SSP的实现。该实现还提供将对于个体淀粉样蛋白显像剂图像的SSP与SSP正常数据库比较的可能性并且允许SSP信息的3D可视化。

Description

可变深度立体定向表面投影
技术领域
本发明涉及正电子发射断层摄影(PET)或单光子发射断层摄影(SPECT)图像分析的领域。更特定地，本发明涉及实现具有可变深度的立体定向表面投影(stereotacticsurface projection)来使白质摄取提取最小化。
背景技术
三维立体定向表面投影(3D SSP)是经证实的提取皮质活动并且将它映射到大脑表面之上的方法。氟代脱氧葡萄糖(FDG)是PET显像化合物，标记有放射性同位素[18F]。对于大脑成像，FDG用于对葡萄糖消耗的大脑代谢率成像。3D SSP已经示出是成功方法，例如用于检测与在PET大脑成像中使用FDG(PET FDG)的阿尔茨海默氏病关联的图像模式。3DSSP还用于其他PET和SPECT示踪剂，例如用使用Ceretec采用SPECT的大脑灌注研究。3D SPP方法在标准空间中定义大脑模型上的大量表面点。各表面点与法向向量关联。参考图1，在分析患者PET或SPECT扫描时，扫描首先空间归一化到标准空间。然后，对于各皮质表面点，沿法向向量的相反方向到大脑一定深度内采样数据，如在图2A和2B中示出的。沿到大脑内的射线的最大体素的值然后映射回到表面点。原始3D SSP方法从各表面体素延伸到大脑的固定深度。(Minoshima等人，在阿尔茨海默氏病中使用氟-18-FDGPET的三维立体定向表面 投影的诊断方法，JNuelMed.1995年7月；36(7)：1238-48)[18F]Flutemetamol是另一个PET显像化合物，其结合到大脑中的淀粉样蛋斑并且因此示出灰质中淀粉样蛋白的沉积。FDG和Flutemetamol两者都示出与阿尔茨海默氏病有关的皮质区中的改变。然而，尽管PET FDG在灰质中展现最高摄取，但[18F]Flutemetamol可以在灰质和白质两者中展现高摄取。在淀粉样蛋白的[18F]Flutemetamol成像中，如果存在淀粉样蛋白则在灰质中将存在明显的摄取，而如果不存在淀粉样蛋白则它将是非常少或没有。然而，[18F]Flutemetamol对于淀粉样蛋白阳性和淀粉样蛋白阴性扫描两者在白质中还经历明显的非特定摄取。这意指在没有或有很少的淀粉样蛋白的图像(即，阴性扫描)中使用SSP时，存在标准方法将拾取高密度白质区的风险。
现有技术的3D SSP方法已经从每个表面体素延伸到大脑内的相同深度。使用这样的单深度用于分析，方法从而可以无意地延伸到白质内，其将展现如[18F]Flutemetamol的显像剂的高摄取。因为SSP是用于使两个化合物显像的有吸引力的方法，因此在本领域内需要这样的方法和系统，其可以使用3D SSP用于淀粉样蛋白显像剂来观察灰质中的摄取但同时使在来自白质的信号中混合的风险最小化(因为两个组织都可展现高摄取)。
发明内容
鉴于现有技术的需要，本发明提供使用以下步骤的PET/SPECT图像的立体定向表面投影的方法：(a)对PET/SPECT图像进行空间归一化，其中大脑表面上的各体素与标准空间配准，和(b)对于空间归一化的PET/SPECT图像的各表面体素计算3D SSP，其中所述计算步骤进一步包括计算沿从各表面体素延伸并且垂直于表面进入皮质使得各线延伸到预定义最大深度的线的强度分布，该预定义最大深度对于各表面体素单独计算。从该强度分布可以计算例如最大强度等特征，但也可以计算例如最大梯度、到某一阈值的距离等其他特性。
空间归一化的PET/SPECT图像然后可与正常数据库比较并且然后可以不同的方式呈现该比较和/或使其可视化。
本发明还提供非暂时性计算机可读存储介质，其具有用于执行本发明的方法的可执行程序。
附图说明
图1描绘本发明的图像处理流水线。
图2A描绘现有技术的3D SSP的原理，其中各体素的深度具有相同的固定长度。
图2B描绘示出通过表面的法向向量(在左半球上)的整个大脑区的图像。
图3描绘根据本发明的示范性实施例的可变表面投影深度。
图4A-4D描绘使3D SSP分析的结果可视化的不同方式。
图5A-5C描绘具有来自使用a)固定深度和b)可变深度的3D-SSP的结果的淀粉样蛋白阴性受检者。
图6A-6C描绘具有来自使用a)固定深度和b)可变深度的3D-SSP的结果的淀粉样蛋白阳性受检者。
图7描绘本发明的PET系统。
具体实施方式
本发明针对PET和SPECT图像的分析。为了清楚起见，术语“PET/SPECT”将用于指出论述PET或SPECT并且规定特别参考PET或SPECT的任何示例或解释将分别对于所有另外的解释维持，但可持续使用术语PET/SPECT。
本发明提供SSP方法，其包括硬件和软件，该硬件和软件可用于实现该方法来使使用例如[18F]Flutemetamol等淀粉样蛋白显像剂从灰质计算的特性可视化以更好地区分淀粉样蛋白阳性扫描和淀粉样蛋白阴性扫描。另外，本发明提供用于实现本发明的方法的计算机程序。另外，本发明提供用于实现本发明的方法的系统。用户然后可将受检者的SSP值与正常数据库比较。另外，本发明不需要MR图像，但可使用它。再另外，期望本发明使白质摄取被提取并且映射到表面的可能性最小化或将其排除。
本发明的一个方法包括下面的步骤：(a)患者PET/SPECT扫描的空间归一化和MR扫描(可选的)，(b)SSP计算，(c)正常数据库比较和(c)采用3D的数据呈现。
可取地，大脑表面上的各体素与标准空间配准，并且计算沿通过各表面体素并且垂直于表面的线的最大强度或其他特性。起始于表面处的该线在垂直于表面的向量的逆方向上前进，即到大脑内。从各体素到大脑内的距离局限于预定义最大深度，其对于各表面体素单独计算。通过在表面与最大深度之间沿垂直于表面的向量的逆方向的线的等距点处采样数据来提取强度分布。从该强度分布计算的特性(例如最大强度)然后映射到大脑的表面模型之上或用于另外的计算。本发明预想的从强度分布计算的其他特性包括最大梯度或到预定义强度阈值的最大深度。
找到表面体素和垂直于表面的向量
位于大脑外侧和内侧表面上的体素使用标准空间中的大脑掩模(brain mask)来预定。大脑掩模分成左和右半球，从而总共给出三个区：整个大脑、左半球和右半球。确定并存储这三个区的所有表面体素的体素坐标并且。
对应于整个大脑、左半球和右半球的三个区然后通过应用高斯3D滤波器进行平滑。垂直于区表面的向量(如对于3D SSP所做并且在图2中示出的)然后可以根据方程1使用平滑区的体素强度来对表面体素的所有坐标来计算，其中Sijk是图像矩阵位置x＝i、y＝j和z＝k处的体素强度并且在相同位置垂直于表面的向量定义为nijk＝(dxijk,dyijk,dzijk)。
dxijk＝Si+1，j，k-Si-1，j，k
dyijk＝Si，j+l，k-Si，j-1，k
dzijk＝Si，j，k+1-Si，j，k-1
方程1垂直于表面的向量
计算强度分布
具有表面坐标和表面法向；对于各表面体素，使用最近邻或使用三线性插值(tri-linear interpolation)、使用预定义步长沿垂直于表面的向量的逆方向、起始于表面处并且进入预定义深度的线来采样数据。对于各表面体素，计算强度分布(即，强度值阵列)。从该强度分布计算各种特征，例如最大强度。计算的特征用于可视化或被存储用于另外的计算。
可变深度
垂直于表面的预定义最大深度向量可取地对各表面体素单独计算。对此的合理性是皮质的厚度跨大脑变化并且因为尽可能多地对皮质采样而不需要进入白质是重要的，其中将存在高[18F]Flutemetamol摄取而不管在那里是否存在淀粉样蛋白。可变深度可以采用不同的方式计算；在下文的方法中，可变深度使用计算为淀粉样蛋白阴性健康控制的平均值的PET标准值摄取率(SUVR)均值图像来计算。SURV图像通过划分在参考区中具有值的扫描中的各体素而获得。对于[18F]Flutemetamol和对于其他淀粉样蛋白显像示踪剂，小脑皮质通常用作参考区但还可使用例如脑桥等其他区。
可取地，采用阈值对应于使用概率性灰质和白质掩模(probabilistic gray andwhite matter mask)的灰质和白质的边界这样的方式通过视觉检查来选择阈值用于指导。已经发现具有SUVR均值图像的最大强度值的45％的阈值是用于区分灰质与白质的有用值，但预想由本发明使用其他值。
然后，对于各表面体素可取地，起始于表面处并且朝大脑内部延伸地沿各法向向量来采样数据。本发明预想数据可沿各向量沿固定步长(例如以0.1mm间隔)采样。对于各体素，本发明可取地采用到表面的最大深度或距离和到表面的最小深度或距离两者。到表面的最大距离dmax可设置成12mm，但本发明预想可使用其他值。到表面的最小距离dmin可设置成6mm，但本发明预想可使用其他值。对于各表面体素的个体SSP最大深度使用下面的准则来确定：
1)起始于表面处，沿垂直于表面的向量的逆方向上的线持续采样直到大于阈值的值被采样或已经达到dmax。
a)如果找到大于阈值的值，则使用在该值作为对于当前表面体素的SSP最大深度而被找到的地方的深度。
b)如果未找到大于阈值的值，则使用dmax作为对于当前表面体素的SSP最大深度。
c)如果找到大于阈值的值并且它的深度小于最小深度，将对于该表面体素的SSP最大深度设置成最小深度dmin。
对于SSP的最小深度的使用允许补偿皮质空间归一化中的衰退或可能的误差。这意指在计算最大强度SSP值时，采样将起始于表面处并且在该示例中进入大脑达到在6与12mm之间的深度。
在图3中，图示对于SSP的可变深度。白色外侧轮廓显示大脑掩模并且内侧轮廓10和20显示对于表面投影的最大深度。注意内侧轮廓在哪里分成两个不同的部分。内侧部分10示出12mm的固定深度而外侧部分20示出范围在6mm的最小深度与12mm的最大深度之间的可变深度。显示的PET图像是淀粉样蛋白阴性健康控制的SUVR均值图像。
在上文的描述中，SSP最大深度使用PET SUVR值上的阈值来确定。然而，理解对于表面体素的SSP最大深度可以基于来自MRI的通过计算灰、白、CSF分段扫描或若干分段扫描的平均中的皮质的厚度的信息而定义。此外，应注意上文概述的步骤仅进行一次并且个体SSP最大深度存储在列表中。
进一步预想校正因子可以用于根据受检者的年龄来调整最大深度。例如，已知皮质的厚度随着年龄在正常衰老期间变得更薄，因此可以减少最大厚度，因此它还随着年龄变得更小。通过说明而非限制的方式，预想最大深度可乘以年龄校正因子以对于年龄重新调整最大深度。
正常数据库
为了创建对于SSP的正常数据库，可使用来自正常物质的配准SUVR均值图像。对于正常数据库中的各受检者，来自强度分布的若干特征中的一个(例如对各表面体素(起始于表面处、进入预先计算的个体深度)计算沿垂直于表面的向量的逆方向上的射线的强度最大(SSPImax))。对于所有健康图像的各表面体素具有SSPImax值，分别计算对于各体素的平均和标准偏差Maxrefmean和Maxrefsd。这些然后作为对于SSP的正常数据库而存储。
患者分析
可取地，患者PET/SPECT图像的SUVR图像用于SSP分析和可视化。对于各表面体素，起始于表面处、顺着在与表面垂直的向量的逆方向上的线，以到个体预先计算的最大深度的一定步长来采样值。步长可取地对于向量中的全部是固定距离，例如0.1mm或0.5mm。计算沿线的最大值MaxPat。将MaxPat值直接投射到3D表面上给出SSP SUVR视图。对于各表面体素的MaxPat然后与对于对应体素具有平均偏差Maxrefmean和标准偏差Maxrefstd的正常数据库比较。根据方程2对各体素计算Z分数。
方程2SSPZ分数计算公式
Z分数代表与平均值的标准偏差的数量，单个患者与组比较。Z分数然后投射到3D表面，从而给出SSP Z分数视图。尽管上面图示对于最大强度的Z分数计算，本发明还预想从强度分布计算的其他特征(例如梯度或到预定义强度阈值的最大深度)可以存储在正常数据库中并且在患者分析中使用。
3D可视化
使用整个大脑、左半球和右半球的平滑掩模，三角3D网格可以例如使用移动立方体算法(marching cubes algorithm)而对于掩模中的各个创建。3D网格表面被存储并且用于SSP3D可视化。
MR可视化
如果患者的MR存在，它连同患者的PET/SPECT图像一起变换到标准空间。在标准空间中具有患者的MR，它的强度可以投射到3D表面。因为3D表面采用它在模板空间中在大脑的表面上这样的方式来创建，如果从对应于3D表面网格的点的体素取MR强度值，则示出不多的大脑的解剖信息。为了接收更多的解剖细节，来自某一深度的MR强度向上投射至表面。
对于在标准空间中定义的3D表面网格的各点，计算在与表面垂直的向量的逆方向上位于离表面预定距离处的坐标。对于该坐标，MR强度值使用三线性插值来计算并且映射到3D网络上的对应点。
大的MR图像集的视觉检查已经示出6mm的深度对于MR强度投影的预定深度是合适的，因为它给出MR图像的详细解剖信息以及深到足以补偿可能的配准误差和衰退。如果未对患者提供MR，T1加权模板可用于MR可视化。
PET-MR可视化
本发明还可在3D SSP的融合视图中采用，其中PET和MR信息可以在从仅MR到仅PET的范围混合，如在图4A和图4B中示出的。对于SSP的阈值也可以采用在阈值以下的SSP值将仅显示MR值这样的方式设置，如在图4C和图4D中示出的。图4A-4D示出淀粉样蛋白阳性[18F]Flutemetamol图像的3D SSP最大强度结果。图4A示出具有设置成50％不透明度的PET值，其揭示患者特定MR信息。图4B仅示出PET值。图4C示出具有设置的阈值的PET值，因此MR信息在PET值在阈值以下的区域中是可见的。图4D示出具有设置的不透明度和阈值的PET值。本发明预想相同类型的可视化可以对于其他强度分布特性和对于Z分数而创建。
从强度分布可以计算例如最大强度等特征，但还可以计算例如最大梯度、到某一阈值的距离等其他特性。这些其他特征或特性可补充最大强度并且可有助于在健康和患病患者之间实现较好的分离。
现在参考图7，本发明的方法预想由本发明的PET系统200进行。系统200包括用于进行PET或SPECT扫描的扫描仪210、用于接收扫描图像(例如，患者图像)的计算机220和用于提供在本发明的方法中使用的包括图像的数据库(例如正常数据库)的数据库230。计算机220典型地包括显示器222、输入装置224(例如键盘224a和鼠标224b)和处理器226。处理器226典型地包括用于使用数据库230和来自扫描仪210的患者图像来进行本发明的方法的软件。另外，预想处理器226包括非暂时性计算机可读存储介质，其具有用于使用来自扫描仪210的图像来进行本发明的SSP方法的可执行程序。该非暂时性计算机可读存储介质包括计算机可读程序代码，其包括用于进行本发明的SSP方法并且可取地用于显示示出其结果的图像的指令。预想扫描仪210、计算机220和数据库230之间的连接是本领域所知的任何工具，例如硬接线、无线或其任何组合。
本发明从而进一步提供用于实现本发明的SSP方法的正电子发射断层摄影(PET)系统200。该PET系统包括存储装置230、用于检测来自受检者的大脑的正电子发射的检测器210，其中该检测器210生成代表正电子发射的信号或图像，其存储在存储装置230中。PET系统200进一步包括图像处理器226，对其编程以a)生成PET图像数据集，其包括基于存储在存储装置230中的信号的表面体素；其中这些表面体素代表受检者大脑的表面，b)将PET图像数据集存储在存储装置230中，c)对PET图像数据集进行空间归一化，其中表面体素与对于大脑的标准空间配准；以及d)通过计算沿从表面体素延伸并且垂直于大脑表面到大脑组织内使得各线延伸到预定义最大深度的线的最大强度而计算对于表面体素的立体定向投影(SSP)数据集，其中图像处理器226对各表面体素单独计算预定义最大深度使得来自大脑白质的至少一些正电子发射从SSP数据集排除。PET系统200可取地进一步包括显示装置222，用于基于SSP数据集显示大脑的图像。
本发明进一步提供计算PET/SPECT图像的立体定向表面投影(SSP)的计算机实现的方法。该方法包括以下步骤：
(a)接收受检者大脑的PET/SPECT图像数据集，其已经用PET/SPECT检测器而生成；
(b)将PET/SPECT图像数据集存储在存储器中；
(c)用图像处理器对PET/SPECT图像数据集进行空间归一化，其中对该图像处理器编程来使大脑表面上的各体素与对于大脑的标准空间配准，以及
(d)用图像处理器对于空间归一化的PET/SPECT图像数据集的表面体素计算SSP数据集，其中计算步骤包括计算沿从各表面体素延伸并且垂直于表面到大脑组织内使得各线延伸到预定义最大深度(其由图像处理器对各表面体素单独计算使得来自大脑白质的至少一些正电子发射从SSP数据集排除)的线的最大强度。
本发明再进一步提供非暂时性存储介质，其包括计算机可读程序代码，该计算机可读程序代码包括用于生成立体定向表面投影(SSP)图像的指令，其中该计算机可读程序代码的执行促使处理器实施以下步骤：
(a)接收受检者大脑的PET/SPECT图像数据集，其已经用PET/SPECT检测器而生成；
(b)将PET/SPECT图像数据集存储在存储器中；
(c)用处理器对PET/SPECT图像数据集进行空间归一化，其中对该处理器编程来使大脑表面上的各体素与对于大脑的标准空间配准，以及
(d)用处理器计算对于空间归一化的PET/SPECT图像数据集的表面体素的SSP数据集，其中计算步骤包括计算沿从各表面体素延伸并且垂直于表面到大脑组织内使得各线延伸到预定义最大深度(其由处理器对各表面体素单独计算使得来自大脑白质的至少一些正电子发射从SSP数据集排除)的线的最大强度。
结果
接着是既对于健康组织(图5A-5C)又对于阿耳滋海默氏病(图6A-6C)的代表性图像，其示出与可变最大深度相比使用固定最大深度的SSP实现。
图5A-5C描绘淀粉样蛋白阴性受检者。图5A显示使用12mm固定最大深度的SSP。图5A中的顶部图像是仅示出SSP的上方视图，中间图像是示出与患者MR融合的SSP的上方视图，而底部图像是仅示出SSP的左视图。图5B显示使用具有12mm最大深度的可变深度的SSP。图5B中的顶部图像是仅示出SSP的上方视图，中间图像是示出与患者MR融合的SSP的上方视图，而底部图像是仅示出SSP的左视图。图5C显示具有融合在一起的PET和MR的横轴(顶部图像)、冠状(中间图像)和矢状(底部图像)切片的PET和MR数据两者。图5A-5C起初作为彩色图像而制备，因此一些细节在其黑白复制中丢失。根据数据，PET和MR图像未示出在皮质区中的摄取。图5A的SSP图由于白质中的摄取(其使用具有固定深度的探测器来检测)而示出更多的具有高摄取的区。中间图像示出由于白质摄取而引起的少得多的活动(因为可变深度分析能够更好地避免从白质读取)。图5Cc中的图像示出该受检者仅在白质区中具有高摄取。
图6A-6C描绘淀粉样蛋白阳性受检者。图6A显示使用12mm固定最大深度的SSP。图6A中的顶部图像是仅示出SSP的上方视图，中间图像是示出与患者MR融合的SSP的上方视图，而底部图像是仅示出SSP的左视图。图6B显示使用具有12mm最大深度的可变深度的SSP。图6B中的顶部图像是仅示出SSP的上方视图，中间图像是示出与患者MR融合的SSP的上方视图，而底部图像是仅示出SSP的左视图。图6C显示具有融合在一起的PET和MR的横轴(顶部图像)、冠状(中间图像)和矢状(底部图像)切片的组合PET和MR数据。
图6A-6C起初作为彩色图像而制备，因此一些细节在其黑白复制中丢失。根据数据，图6C中的PET和MR图像示出在皮质区中的高摄取区。图6A的固定深度SSP图示出由于皮质灰质中的摄取(其使用具有固定深度的探测器来检测)而引起的高摄取区。图6B的图像示出使用具有可变深度的探测器的相似活动，从而证实本发明的方法。
在比较图5A-5C和6A-6C中的图像中，图5A和6A示出使用12mm固定最大深度的SSP。图5B和6B示出使用可变深度的SSP，其中最大深度设置成12mm。图5C和6C示出叠加在它的MR图像上的患者SUVR图像的正交视图。
在示出具有12mm固定最大深度的健康组织的图5A中，高SUVR值中的一些与脑回相关，从而指示拾取白质，而相关性在示出具有可变最大深度的相同扫描的图5B中小得多。
根据图5C，在灰质中比在白质中存在明显更少的摄取。与具有更多且更大热点的固定深度SSP相比，图5B中的这个和仅仅几个热点示出使用可变深度SSP仅提取少量的白质摄取。
在图6C中，患者SUVR图像在患者MR图像上融合。在图6C中可以看到存在在灰质中具有明显摄取的皮质区，这也在图6A和6B中反映。
本发明还提供非暂时性计算机可读存储介质，其具有用于进行本发明的方法的可执行程序。本发明的方法可作为用于在采取和/或分析PET或SPECT图像的系统上加载或加载到其上的计算机程序代码而提供。
尽管已经示出并且描述本发明的特定实施例，但可做出改变和修改而不偏离本发明的教导，这对于本领域内技术人员将是明显的。例如，在已经使用PET图像数据证明本发明的地方，预想本发明同样能适用于SPECT图像分析。在前面的描述和附图中阐述的主旨仅通过说明的方式提供并且不作为限制。本发明的实际范围意在当基于现有技术客观全面地查看下面的权利要求时在这些权利要求中限定。

Claims (54)

1.一种PET/SPECT图像的立体定向表面投影SSP的方法，其包括以下步骤：
（a）对PET/SPECT图像进行空间归一化，其中大脑表面上的各体素与标准空间配准；以及
（b）对于空间归一化的PET/SPECT图像的各表面体素计算SSP，其中计算SSP的所述步骤进一步包括计算沿从各表面体素延伸并且垂直于所述表面到组织内使得各线延伸到预定义最大深度的线的最大强度，所述预定义最大深度对于各表面体素单独计算。
2.如权利要求1所述的方法，其进一步包括以下步骤：
（c）将所述空间归一化的PET/SPECT图像与正常数据库比较；以及
（d）采用3D呈现数据。
3.如权利要求1所述的方法，其中对PET/SPECT图像进行空间归一化的所述步骤进一步包括对具有MR扫描的PET/SPECT图像进行空间归一化。
4.如权利要求1所述的方法，其中对于各表面点的所述预定义最大深度通过乘以年龄校正因子而对于年龄进行调整。
5.如权利要求1所述的方法，其中在所述表面与对于与所述表面垂直的各向量的最大深度之间采样的所述最大强度然后映射到所述大脑的表面模型之上。
6.如权利要求1所述的方法，其中位于所述大脑的外侧和内侧表面上的体素在标准空间中使用大脑掩模来预定。
7.如权利要求6所述的方法，其中所述大脑掩模分成左和右半球以便定义整个大脑区、左半球区和右半球区。
8.如权利要求7所述的方法，其中所述整个大脑区、所述左半球区和所述右半球区的所有表面体素的体素坐标被确定并且存储。
9.如权利要求7所述的方法，其进一步包括通过应用高斯3D滤波器来平滑对应于整个大脑、左半球和右半球的三个二元区的步骤。
10.如权利要求9所述的方法，其中垂直于整个大脑区、左半球区和右半球区的表面的向量根据如下的方程组使用经平滑的三个二元区的体素强度对所述表面体素的所有坐标来计算：
其中，Sijk是图像矩阵位置x=i、y=j和z=k处的体素强度并且在相同位置垂直于表面的向量定义为nijk=(dxijk, dyijk, dzijk)。
11.如权利要求10所述的方法，其中使用最近邻或三线性插值、使用预定义步长沿与所述表面垂直的所述向量的逆方向、起始于所述表面处并且进入预定义深度的线来采样数据，并且计算和存储定义为沿起始于所述表面处并且进入预定义深度的所述线的强度值阵列的强度分布。
12.如权利要求11所述的方法，其中对于各表面体素，从所述强度分布计算所述最大强度。
13.如权利要求11所述的方法，其中对于各表面体素，从所述强度分布计算最大梯度。
14.如权利要求11所述的方法，其中对于各表面体素，到某一阈值的距离从所述强度分布来计算。
15.如权利要求11所述的方法，其中与所述表面垂直的所述预定义最大深度向量对各表面体素单独计算。
16.如权利要求11所述的方法，还包括以下步骤：采取如下方式选择关于淀粉样蛋白阴性平均图像的阈值：所述阈值对应于通过使用概率性灰质和白质掩模而确定的灰质与白质的边界。
17.如权利要求16所述的方法，其中阈值通过视觉检查来选择。
18.如权利要求17所述的方法，其中所述阈值是对所述PET/SPECT图像计算的SUVR均值图像的最大强度值的45%。
19.如权利要求11所述的方法，其中数据沿与所述表面垂直的各向量沿固定步长采样。
20.如权利要求14所述的方法，其进一步包括对与所述表面垂直的各向量从其对应表面体素指派最大深度的步骤，指派最大深度的所述步骤进一步包括：
对于各向量确定最大深度极限和最小深度极限；
沿各向量采样直到已经达到采样大于所述阈值或所述最大深度的值，其中
a）若找到大于所述阈值的值，则找到该值的地方的深度被指派为对于所述向量从所述对应表面体素的最大深度；
b）若未找到大于所述阈值的值，则所述最大深度被指派为对于所述向量从所述对应表面体素的最大深度；以及
c）若找到大于所述阈值的值并且其深度小于所述最小深度极限，则将所述最小深度极限指派为对于所述向量从所述对应表面体素的最大深度。
21.如权利要求2所述的方法，其中与正常数据库比较的所述步骤进一步包括以下步骤：
沿从健康组织样本图像的各表面体素垂直延伸进入所述组织到预先计算的最大深度的线来采样值；
在采样值的所述步骤中计算对于各线的特征值，其中计算的所述特征值是最大值、梯度和到预定义强度阈值的最大深度值之中的至少一个；
将来自计算对于各线的特征值的所述步骤的对于各表面体素的所述特征值与具有相同特征的平均值和标准偏差的所述正常数据库的对应表面体素比较；以及
根据如下的方程对各体素计算Z分数
其中MaxPat是所述最大值，Maxrefmean是所述平均值并且Maxrefstd是所述标准偏差。
22.如权利要求2所述的方法，其中采用3D呈现数据的所述步骤进一步包括将从强度分布对于各表面体素计算的特征投射到3D表面之上，从而给出SSP视图。
23.如权利要求2所述的方法，其中采用3D呈现数据的所述步骤进一步包括将对于各表面体素的Z分数投射到3D表面上，从而给出SSP Z分数视图，所述Z分数根据如下的方程确定
其中MaxPat是沿所述线的最大值，Maxrefmean是对应体素的平均值并且Maxrefstd是对应体素的标准偏差。
24.如权利要求3所述的方法，其中3D SSP用于提取MR信息并且所述MR信息用于在对应于整个大脑区、左半球和右半球的3D表面上设置所述强度以便将来自患者MR的患者特定解剖细节映射到所述3D表面。
25.如权利要求24所述的方法，其中在所述PET/SPECT SSP值上设置不透明水平和阈值以便生成3D SSP MR和PET/SPECT信息的组合可视化。
26.一种PET/SPECT图像的立体定向表面投影SSP的计算装置，包括：
用于对PET/SPECT图像进行空间归一化的部件，其中大脑表面上的各体素与标准空间配准；以及
用于对于空间归一化的PET/SPECT图像的各表面体素计算SSP的部件，其中用于计算SSP的所述部件进一步包括用于计算沿从各表面体素延伸并且垂直于所述表面到组织内使得各线延伸到预定义最大深度的线的最大强度的部件，所述预定义最大深度对于各表面体素单独计算。
27.如权利要求26所述的装置，进一步包括：
用于将所述空间归一化的PET/SPECT图像与正常数据库比较的部件；以及
用于采用3D呈现数据的部件。
28.如权利要求26所述的装置，其中用于对PET/SPECT图像进行空间归一化的所述部件进一步包括用于对具有MR扫描的PET/SPECT图像进行空间归一化的部件。
29.如权利要求26所述的装置，其中对于各表面点的所述预定义最大深度通过乘以年龄校正因子而对于年龄进行调整。
30.如权利要求26所述的装置，其中在所述表面与对于与所述表面垂直的各向量的最大深度之间采样的所述最大强度然后映射到所述大脑的表面模型之上。
31.如权利要求26所述的装置，其中位于所述大脑的外侧和内侧表面上的体素在标准空间中使用大脑掩模来预定。
32.如权利要求31所述的装置，其中所述大脑掩模分成左和右半球以便定义整个大脑区、左半球区和右半球区。
33.如权利要求32所述的装置，其中所述整个大脑区、所述左半球区和所述右半球区的所有表面体素的体素坐标被确定并且存储。
34.如权利要求32所述的装置，其进一步包括用于通过应用高斯3D滤波器来平滑对应于整个大脑、左半球和右半球的三个二元区的部件。
35.如权利要求34所述的装置，其中垂直于整个大脑区、左半球区和右半球区的表面的向量根据如下的方程组使用经平滑的三个二元区的体素强度对所述表面体素的所有坐标来计算：
其中，Sijk是图像矩阵位置x=i、y=j和z=k处的体素强度并且在相同位置垂直于表面的向量定义为nijk=(dxijk, dyijk, dzijk)。
36.如权利要求35所述的装置，其中使用最近邻或三线性插值、使用预定义步长沿与所述表面垂直的所述向量的逆方向、起始于所述表面处并且进入预定义深度的线来采样数据，并且计算和存储定义为沿起始于所述表面处并且进入预定义深度的所述线的强度值阵列的强度分布。
37.如权利要求36所述的装置，其中对于各表面体素，从所述强度分布计算所述最大强度。
38.如权利要求36所述的装置，其中对于各表面体素，从所述强度分布计算最大梯度。
39.如权利要求36所述的装置，其中对于各表面体素，到某一阈值的距离从所述强度分布来计算。
40.如权利要求36所述的装置，其中与所述表面垂直的所述预定义最大深度向量对各表面体素单独计算。
41.如权利要求36所述的装置，还包括：用于采取如下方式选择关于淀粉样蛋白阴性平均图像的阈值的部件：所述阈值对应于通过使用概率性灰质和白质掩模而确定的灰质与白质的边界。
42.如权利要求41所述的装置，其中所述阈值通过视觉检查来选择。
43.如权利要求42所述的装置，其中所述阈值是对所述PET/SPECT图像计算的SUVR均值图像的最大强度值的45%。
44.如权利要求36所述的装置，其中数据沿与所述表面垂直的各向量沿固定步长采样。
45.如权利要求39所述的装置，其进一步包括用于对与所述表面垂直的各向量从其对应表面体素指派最大深度的部件，用于指派最大深度的所述部件进一步包括：
用于对于各向量确定最大深度极限和最小深度极限的部件；
用于沿各向量采样直到已经达到采样大于所述阈值或所述最大深度的值的部件，其中
a）若找到大于所述阈值的值，则找到该值的地方的深度被指派为对于所述向量从所述对应表面体素的最大深度；
b）若未找到大于所述阈值的值，则所述最大深度被指派为对于所述向量从所述对应表面体素的最大深度；以及
c）若找到大于所述阈值的值并且其深度小于所述最小深度极限，则将所述最小深度极限指派为对于所述向量从所述对应表面体素的最大深度。
46.如权利要求27所述的装置，其中所述与正常数据库比较的部件进一步包括：
用于沿从健康组织样本图像的各表面体素垂直延伸进入所述组织到预先计算的最大深度的线来采样值的部件；
用于在用于采样值的所述部件正在采样时计算对于各线的特征值的部件，其中计算的所述特征值是最大值、梯度和到预定义强度阈值的最大深度值之中的至少一个；
用于将来自用于计算对于各线的特征值的所述部件的对于各表面体素的所述特征值与具有相同特征的平均值和标准偏差的所述正常数据库的对应表面体素比较的部件；以及
用于根据如下的方程对各体素计算Z分数的部件
其中MaxPat是所述最大值，Maxrefmean是所述平均值并且Maxrefstd是所述标准偏差。
47.如权利要求27所述的装置，其中用于采用3D呈现数据的所述部件进一步包括用于将从强度分布对于各表面体素计算的特征投射到3D表面之上，从而给出SSP视图的部件。
48.如权利要求27所述的装置，其中用于采用3D呈现数据的所述部件进一步包括用于将对于各表面体素的Z分数投射到3D表面上，从而给出SSP Z分数视图的部件，所述Z分数根据如下的方程确定
其中MaxPat是沿所述线的最大值，Maxrefmean是对应体素的平均值并且Maxrefstd是对应体素的标准偏差。
49.如权利要求28所述的装置，其中3D SSP用于提取MR信息并且所述MR信息用于在对应于整个大脑区、左半球和右半球的3D表面上设置所述强度以便将来自患者MR的患者特定解剖细节映射到所述3D表面。
50.如权利要求49所述的装置，其中在所述PET/SPECT SSP值上设置不透明水平和阈值以便生成3D SSP MR和PET/SPECT信息的组合可视化。
51.一种正电子发射断层摄影PET系统，其包括：
存储装置；
检测器，用于检测来自受检者的大脑的正电子发射，其中所述检测器生成代表所述正电子发射的信号，其存储在所述存储装置中；
图像处理器，对其编程来：
生成PET图像数据集，其包括基于存储在所述存储装置中的所述信号的表面体素；其中所述表面体素代表所述受检者大脑的表面；
将所述PET图像数据集存储在所述存储装置中；
对所述PET图像数据集进行空间归一化，其中所述表面体素与对于大脑的标准空间配准；以及
通过计算沿从所述表面体素延伸并且垂直于所述大脑表面到大脑组织内使得各线延伸到预定义最大深度的线的最大强度来计算对于所述表面体素的立体定向投影SSP数据集，其中所述图像处理器对各表面体素单独计算所述预定义最大深度使得来自大脑白质的至少一些正电子发射从所述SSP数据集排除。
52.如权利要求51所述的正电子发射断层摄影PET系统，其进一步包括显示器，用于基于所述SSP数据集来显示所述大脑的图像。
53.一种计算PET/SPECT图像的立体定向表面投影SSP的计算机实现的方法，所述方法包括：
（a）接收受检者大脑的PET/SPECT图像数据集，其已经用PET/SPECT检测器而生成；
（b）将所述PET/SPECT图像数据集存储在存储器中；
（c）用图像处理器对所述PET/SPECT图像数据集进行空间归一化，其中对所述图像处理器编程来使所述大脑表面上的各体素与对于大脑的标准空间配准，以及
（d）用所述图像处理器计算对于所述空间归一化的PET/SPECT图像数据集的所述表面体素的SSP数据集，其中计算SSP数据集的所述步骤包括计算沿从各表面体素延伸并且垂直于所述表面到大脑组织内使得各线延伸到预定义最大深度的线的最大强度，所述预定义最大深度由所述图像处理器对各表面体素单独计算使得来自大脑白质的至少一些正电子发射从所述SSP数据集排除。
54.一种用于生成立体定向表面投影SSP的装置，包括：
用于接收受检者大脑的PET/SPECT图像数据集的部件，其已经用PET/SPECT检测器而生成；
用于将所述PET/SPECT图像数据集存储在存储器中的部件；
用于用处理器对所述PET/SPECT图像数据集进行空间归一化的部件，其中对所述处理器编程来使所述大脑表面上的各体素与对于大脑的标准空间配准，以及
用于用所述处理器计算对于所述空间归一化的PET/SPECT图像数据集的所述表面体素的SSP数据集的部件，其中用于计算SSP数据集的所述部件包括用于计算沿从各表面体素延伸并且垂直于所述表面到大脑组织内使得各线延伸到预定义最大深度的线的最大强度的部件，所述预定义最大深度由所述处理器对各表面体素单独计算使得来自大脑白质的至少一些正电子发射从所述SSP数据集排除。
CN201280058712.8A 2011-09-30 2012-09-28 可变深度立体定向表面投影 Active CN103946892B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201161541141P 2011-09-30 2011-09-30
US61/541141 2011-09-30
US61/541,141 2011-09-30
PCT/US2012/058076 WO2013049684A1 (en) 2011-09-30 2012-09-28 Variable-depth stereotactic surface projections

Publications (2)

Publication Number Publication Date
CN103946892A CN103946892A (zh) 2014-07-23
CN103946892B true CN103946892B (zh) 2018-10-16

Family

ID=47080804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280058712.8A Active CN103946892B (zh) 2011-09-30 2012-09-28 可变深度立体定向表面投影

Country Status (8)

Country Link
US (1) US9177417B2 (zh)
EP (1) EP2761592B1 (zh)
JP (1) JP6196624B2 (zh)
CN (1) CN103946892B (zh)
AU (1) AU2012315669B2 (zh)
CA (1) CA2850185C (zh)
ES (1) ES2660389T3 (zh)
WO (1) WO2013049684A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014195448A1 (en) * 2013-06-07 2014-12-11 Koninklijke Philips N.V. Amyloid pet brain scan quantification based on cortical profiles
EP3170145B1 (en) 2014-07-15 2020-03-25 Koninklijke Philips N.V. Imaging data statistical testing including a stereotactical normalization with a personalized template image
JP6677711B2 (ja) * 2015-03-24 2020-04-08 日本メジフィジックス株式会社 画像処理装置、画像処理方法、及びプログラム
KR102246841B1 (ko) 2016-10-05 2021-05-03 매직 립, 인코포레이티드 표면 모델링 시스템들 및 방법들
KR102004964B1 (ko) * 2017-10-12 2019-07-29 전남대학교산학협력단 Pet 뇌 영상 아밀로이드 측정을 위한 부피 기반 정량지표 분석 방법 및 컴퓨터 프로그램
EP3493154A1 (en) * 2017-12-01 2019-06-05 Koninklijke Philips N.V. Segmentation system for segmenting an object in an image
JP7547783B2 (ja) 2019-06-19 2024-09-10 株式会社リコー 情報処理装置、生体情報計測装置、空間領域値の表示方法およびプログラム
CN112651924B (zh) * 2020-12-04 2024-03-26 深圳博脑医疗科技有限公司 一种数据生成装置、方法、终端和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1581233A (zh) * 2004-05-21 2005-02-16 复旦大学 一种用于虚拟手术的体绘制成像方法
CN1916965A (zh) * 2006-06-02 2007-02-21 清华大学 基于通用图形显示卡的被测体正投影与反投影方法
WO2011073864A3 (en) * 2009-12-17 2011-08-11 Koninklijke Philips Electronics N.V. Reconstructing an object of interest

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8099299B2 (en) 2008-05-20 2012-01-17 General Electric Company System and method for mapping structural and functional deviations in an anatomical region
US9008394B2 (en) * 2008-11-26 2015-04-14 General Electric Company Methods and apparatus for determining brain cortical thickness

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1581233A (zh) * 2004-05-21 2005-02-16 复旦大学 一种用于虚拟手术的体绘制成像方法
CN1916965A (zh) * 2006-06-02 2007-02-21 清华大学 基于通用图形显示卡的被测体正投影与反投影方法
WO2011073864A3 (en) * 2009-12-17 2011-08-11 Koninklijke Philips Electronics N.V. Reconstructing an object of interest

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Diagnostic Approach in Alzheimer"s Disease Using Three-Dimensional Stereotactic Surface Projections of Fluorine-18-FDG PET;Satoshi Minoshima 等;《JOURNAL OF NUCLEAR MEDICINE》;19950731;第36卷(第7期);第1238-1248页 *
基于非量测相机的复杂物体三维重建;郑顺义 等;《武汉大学学报· 信息科学版》;20080531;第33卷(第5期);446-449 *

Also Published As

Publication number Publication date
WO2013049684A1 (en) 2013-04-04
JP6196624B2 (ja) 2017-09-13
CA2850185A1 (en) 2013-04-04
JP2014532177A (ja) 2014-12-04
EP2761592A1 (en) 2014-08-06
AU2012315669B2 (en) 2018-02-22
EP2761592B1 (en) 2018-01-10
US20140226898A1 (en) 2014-08-14
ES2660389T3 (es) 2018-03-22
CN103946892A (zh) 2014-07-23
CA2850185C (en) 2021-02-16
AU2012315669A1 (en) 2014-04-17
US9177417B2 (en) 2015-11-03

Similar Documents

Publication Publication Date Title
CN103946892B (zh) 可变深度立体定向表面投影
Isgum et al. Multi-atlas-based segmentation with local decision fusion—application to cardiac and aortic segmentation in CT scans
CN109741284B (zh) 用于校正pet成像中由呼吸运动引起的失配的系统和方法
US9536307B2 (en) Registration of medical images
JP6877868B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
JP5643304B2 (ja) 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法
JP4354484B2 (ja) 内部構造の撮像
US7873192B1 (en) Method for providing a smoothed image
US11058390B1 (en) Image processing via a modified segmented structure
WO2013019985A9 (en) 2d/3d registration of a digital mouse atlas with x-ray projection images and optical camera photos
CN1620990A (zh) 在ct血管造影术中分割结构的方法及设备
CN111260703B (zh) 一种获取脊柱拉直图像集的方法、系统、介质及存储介质
CN109716388B (zh) 图像数据中的降噪
US20140233822A1 (en) Method for combining multiple image data sets into one multi-fused image
US11337670B1 (en) Method and apparatus for improving classification of an object within a scanned volume
JP2006136506A (ja) 画像処理装置
JP5632920B2 (ja) ボケイメージ内のブラーの特性を決定するシステム及び方法
Piekar et al. Gradient and polynomial approximation methods for medical image segmentation
US11950953B1 (en) Image processing via a modified segmented structure
US11688125B2 (en) Image processing apparatus and method to perform a ray casting algorithm to generate a rendered image from a volumetric data set
US20240249414A1 (en) 3d interactive annotation using projected views
JP2023155126A (ja) 医用画像処理装置、医用画像処理方法及びプログラム
Gorbunova Image registration of lung CT scans for monitoring disease progression

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant