CN105677713A - 一种位置无关的病状快速检测及识别方法 - Google Patents

一种位置无关的病状快速检测及识别方法 Download PDF

Info

Publication number
CN105677713A
CN105677713A CN201511007494.7A CN201511007494A CN105677713A CN 105677713 A CN105677713 A CN 105677713A CN 201511007494 A CN201511007494 A CN 201511007494A CN 105677713 A CN105677713 A CN 105677713A
Authority
CN
China
Prior art keywords
illness
condition
image
medical image
symptom
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
Application number
CN201511007494.7A
Other languages
English (en)
Inventor
程国华
何林阳
苏宝星
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.)
HANGZHOU JIANPEI TECHNOLOGY CO., LTD.
Original Assignee
Zhejiang Jianpei Huikang Medical Technology Co 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 Zhejiang Jianpei Huikang Medical Technology Co Ltd filed Critical Zhejiang Jianpei Huikang Medical Technology Co Ltd
Publication of CN105677713A publication Critical patent/CN105677713A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种位置无关的病状快速检测及识别方法，其具体步骤如下：(1)对医学影像按其属性进行粗分类，得到具有同一属性的医学影像样本；(2)对具有同一属性的医学影像样本，采用图像处理技术进行病状的纹理特征和形状特征提取，得到该病状的特征描述；(3)对步骤(2)中得到的纹理特征向量、形状特征进行哈希编码，得到该病状的唯一编码值，存储形成哈希编码表；(4)检索查询时采用KMP算法进行输入图像病状和哈希编码表内病状编码值的字符相似度匹配，按照相似度降序排列输出查询结果。本发明的病状检测和识别是基于图像处理技术与哈希编码技术实现的，具有查询速度快，操作简单快捷，准确率高，能有效挖掘影像资料更有价值的信息等特点。

Description

一种位置无关的病状快速检测及识别方法
技术领域
本发明涉及一种位置无关的病状快速检测及识别方法。
背景技术
随着医学的快速发展和医学影像技术的进步，医疗影像数据呈献快速增长，这给医学影像数据的存储和查询带来了巨大挑战，同时为满足医生的诊断需求以及学术的教学和研究，需要快速查询和检测到所需的影像资料，这就对影像数据库信息的快速定位提出了更高的要求，现有的医学影像数据库系统多数是按照医学影像的属性直接存储影像信息，医生查询医学影像要查看所有图像文件，找出所需图像，这种方法存在明显缺陷：
(1)查询过程繁琐，速度慢，无法满足现代大量医学影像资料的查询；
(2)医生直接查询，依靠经验区分影像资料，由于不同医生能力不同，所以导致查询结果随机性较大，查询结果不确定；
(3)对医学影像缺少技术处理手段，因此，导致影像资料利用率低，有效价值挖掘不够深入。
发明内容
本发明提供了一种查询速度快，操作简单快捷，准确率高的位置无关的病状快速检测及识别方法。
本发明采用的技术方案是：
一种位置无关的病状快速检测及识别方法，其具体步骤如下：
(1)对医学影像按其属性进行粗分类，得到具有同一属性的医学影像样本；
(2)对具有同一属性的医学影像样本，采用图像处理技术进行病状的纹理特征和形状特征提取，得到该病状的特征描述，特征提取步骤包括，
A、对医学影像样本进行高斯滤波得到抑制噪声后的平滑医学影像；
B、对步骤A中得到的平滑医学影像采用Canny算子边缘检测方法进行边缘检测得到医学影像边缘；
C、对步骤B中得到的医学影像边缘采用阈值分割法进行边缘分割获得病状ROI区域，并计算获得病状ROI区域的面积特征、圆形度和中心位置坐标，得到相应的形状特征；
D、对步骤C中得到的病状ROI区域采用LBP算子进行纹理特征提取，得到纹理特征向量；
(3)对步骤(2)中得到的纹理特征向量、形状特征进行哈希编码，得到该病状的唯一编码值，存储形成哈希编码表；
(4)检索查询时采用KMP算法进行输入图像病状和哈希编码表内病状编码值的字符相似度匹配，按照相似度降序排列输出查询结果。本发明的病状检测和识别是基于图像处理技术与哈希编码技术实现的，具有查询速度快，操作简单快捷，准确率高，能有效挖掘影像资料更有价值的信息等特点。
进一步，步骤A中高斯滤波是采用离散化的高斯函数产生一组归一化的高斯核，之后利用高斯核函数对图像灰度矩阵的每一行加权求和。
进一步，步骤B中Canny算子边缘检测方法是先使用一阶有限差分计算偏导数阵列，其中选用的一对卷积阵列可以表示为
G x = - 1 0 1 - 2 0 2 - 1 0 1 G y = - 1 - 2 - 1 0 0 0 1 2 1 ,
最后进行非极大值抑制和双阈值检测，从而得到梯度值最大的点，利用两个阈值th1和th2检测边缘，取th1＝0.4*th2，将得到两幅阈值不同的第一图像和第二图像，扫描第一图像，遇到非零灰度像素p(x,y)时，跟踪p(x,y)开始的轮廓线，直到终点；再次扫描第二图像，找到与第一图像中位置相对应的点，在其8邻域内寻找非零像素作为起点，重复上述步骤，直到两幅图像无法继续为止，这样就找到了两幅图像的轮廓线，也就是边缘检测完成。
进一步，步骤C中病状ROI区域的形状特征提取如下：为计算病状ROI区域的面积特征，定义其中SROI表示病状ROI区域面积，f(x，y)为ROI区域的像素；为计算圆形度C，定义 δ R = 1 K Σ k = 0 N [ | | ( x k - y k ) - ( x ‾ - y ‾ ) | | - μ R ] 2 , 可得 C = μ R δ R , 当病状ROI区域趋于圆形时，特征量C是单调递增且趋于无穷的，不受区域，旋转度和尺度变化的影响。
进一步，步骤D中提取纹理特征时，选定LBP算子窗口大小为3*3，将该窗口在图像中滑动，若周围像素值大于中心像素值，则该像素点位置标记为1，否则为0，结束后每一幅图像可得到与之相关的LBP码，之后对每一张图像进行直方图统计，并归一化处理，最后得到的就是这幅图像中病状的纹理特征向量。
进一步，步骤(1)中的粗分类是根据医学影像的病状部位、性别、年龄、影像类型、方位来进行。
本发明的有益效果：查询速度快，操作简单快捷，准确率高，能有效挖掘影像资料更有价值的信息。
附图说明
图1是本发明的结构示意图。
图2是本发明的步骤流程图。
具体实施方式
下面结合具体实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
参见图1、图2，一种位置无关的病状快速检测及识别方法，其具体步骤如下：
(1)对医学影像按其属性进行粗分类，得到具有同一属性的医学影像样本；
(2)对具有同一属性的医学影像样本，采用图像处理技术进行病状的纹理特征和形状特征提取，得到该病状的特征描述，特征提取步骤包括，
A、对医学影像样本进行高斯滤波得到抑制噪声后的平滑医学影像；
B、对步骤A中得到的平滑医学影像采用Canny算子边缘检测方法进行边缘检测得到医学影像边缘；
C、对步骤B中得到的医学影像边缘采用阈值分割法进行边缘分割获得病状ROI(RegionofInterest)区域，并计算获得病状ROI区域的面积特征、圆形度和中心位置坐标，得到相应的形状特征；
D、对步骤C中得到的病状ROI区域采用LBP(LocalBinaryPattren,局部二值模型)算子进行纹理特征提取，得到纹理特征向量；
(3)对步骤(2)中得到的纹理特征向量、形状特征进行哈希编码，得到该病状的唯一编码值，存储形成哈希编码表；
(4)检索查询时采用KMP(Knuth-Morris-Pratt)算法进行输入图像病状和哈希编码表内病状编码值的字符相似度匹配，按照相似度降序排列输出查询结果。本发明的病状检测和识别是基于图像处理技术与哈希编码技术实现的，具有查询速度快，操作简单快捷，准确率高，能有效挖掘影像资料更有价值的信息等特点。
本实施例步骤A中高斯滤波是采用离散化的高斯函数产生一组归一化的高斯核，之后利用高斯核函数对图像灰度矩阵的每一行加权求和。
本实施例步骤B中Canny算子边缘检测方法是先使用一阶有限差分计算偏导数阵列，其中选用的一对卷积阵列可以表示为
G x = - 1 0 1 - 2 0 2 - 1 0 1 G y = - 1 - 2 - 1 0 0 0 1 2 1 ,
最后进行非极大值抑制和双阈值检测，从而得到梯度值最大的点，利用两个阈值th1和th2检测边缘，取th1＝0.4*th2，将得到两幅阈值不同的第一图像和第二图像，扫描第一图像，遇到非零灰度像素p(x,y)时，跟踪p(x,y)开始的轮廓线，直到终点；再次扫描第二图像，找到与第一图像中位置相对应的点，在其8邻域内寻找非零像素作为起点，重复上述步骤，直到两幅图像无法继续为止，这样就找到了两幅图像的轮廓线，也就是边缘检测完成。
本实施例步骤C中病状ROI区域的形状特征提取如下：为计算病状ROI区域的面积特征，定义其中SROI表示病状ROI区域面积，f(x，y)为ROI区域的像素；为计算圆形度C，定义 δ R = 1 K Σ k = 0 N [ | | ( x k - y k ) - ( x ‾ - y ‾ ) | | - μ R ] 2 , 可得 C = μ R δ R , 当病状ROI区域趋于圆形时，特征量C是单调递增且趋于无穷的，不受区域，旋转度和尺度变化的影响。
本实施例步骤D中提取纹理特征时，选定LBP算子窗口大小为3*3，将该窗口在图像中滑动，若周围像素值大于中心像素值，则该像素点位置标记为1，否则为0，结束后每一幅图像可得到与之相关的LBP码，之后对每一张图像进行直方图统计，并归一化处理，最后得到的就是这幅图像中病状的纹理特征向量。
本实施例步骤(1)中的粗分类是根据医学影像的病状部位、性别、年龄、影像类型、方位来进行。
本发明使得原始的医学影像能够按照图像处理技术抽取到的病状特征和病状位置特征，将医学影像图片进行哈希编码，得到病状编码和位置坐标，并将由病状编码和位置坐标得到的哈希编码组成哈希编码表，从而为所有医学影像建立了一张完整的哈希编码表，对于要查询的病状给予编码，并利用模式匹配技术实现输入图像病状和哈希编码表内病状编码的快速匹配给出相似度由大到小的排序输出，查询速度快，操作简单快捷，准确率高，能有效挖掘影像资料更有价值的信息。

Claims (6)

1.一种位置无关的病状快速检测及识别方法，其具体步骤如下：
(1)对医学影像按其属性进行粗分类，得到具有同一属性的医学影像样本；
(2)对具有同一属性的医学影像样本，采用图像处理技术进行病状的纹理特征和形状特征提取，得到该病状的特征描述，特征提取步骤包括，
A、对医学影像样本进行高斯滤波得到抑制噪声后的平滑医学影像；
B、对步骤A中得到的平滑医学影像采用Canny算子边缘检测方法进行边缘检测得到医学影像边缘；
C、对步骤B中得到的医学影像边缘采用阈值分割法进行边缘分割获得病状ROI区域，并计算获得病状ROI区域的面积特征、圆形度和中心位置坐标，得到相应的形状特征；
D、对步骤C中得到的病状ROI区域采用LBP算子进行纹理特征提取，得到纹理特征向量；
(3)对步骤(2)中得到的纹理特征向量、形状特征进行哈希编码，得到该病状的唯一编码值，存储形成哈希编码表；
(4)检索查询时采用KMP算法进行输入图像病状和哈希编码表内病状编码值的字符相似度匹配，按照相似度降序排列输出查询结果。本发明的病状检测和识别是基于图像处理技术与哈希编码技术实现的，具有查询速度快，操作简单快捷，准确率高，能有效挖掘影像资料更有价值的信息等特点。
2.如权利要求1所述的一种位置无关的病状快速检测及识别方法，其特征在于：步骤A中高斯滤波是采用离散化的高斯函数产生一组归一化的高斯核，之后利用高斯核函数对图像灰度矩阵的每一行加权求和。
3.如权利要求1或2所述的一种位置无关的病状快速检测及识别方法，其特征在于：步骤B中Canny算子边缘检测方法是先使用一阶有限差分计算偏导数阵列，其中选用的一对卷积阵列可以表示为
G x = - 1 0 1 - 2 0 2 - 1 0 1 G y = - 1 - 2 - 1 0 0 0 1 2 1 ,
最后进行非极大值抑制和双阈值检测，从而得到梯度值最大的点，利用两个阈值th1和th2检测边缘，取th1＝0.4*th2，将得到两幅阈值不同的第一图像和第二图像，扫描第一图像，遇到非零灰度像素p(x,y)时，跟踪p(x,y)开始的轮廓线，直到终点；再次扫描第二图像，找到与第一图像中位置相对应的点，在其8邻域内寻找非零像素作为起点，重复上述步骤，直到两幅图像无法继续为止，这样就找到了两幅图像的轮廓线，也就是边缘检测完成。
4.如权利要求3所述的一种位置无关的病状快速检测及识别方法，其特征在于：步骤C中病状ROI区域的形状特征提取如下：为计算病状ROI区域的面积特征，定义其中SROI表示病状ROI区域面积，f(x，y)为ROI区域的像素；为计算圆形度C，定义 δ R = 1 K Σ k = 0 N [ | | ( x k - y k ) - ( x ‾ - y ‾ ) | | - μ R ] 2 , 可得 C = μ R δ R , 当病状ROI区域趋于圆形时，特征量C是单调递增且趋于无穷的，不受区域，旋转度和尺度变化的影响。
5.如权利要求4所述的一种位置无关的病状快速检测及识别方法，其特征在于：步骤D中提取纹理特征时，选定LBP算子窗口大小为3*3，将该窗口在图像中滑动，若周围像素值大于中心像素值，则该像素点位置标记为1，否则为0，结束后每一幅图像可得到与之相关的LBP码，之后对每一张图像进行直方图统计，并归一化处理，最后得到的就是这幅图像中病状的纹理特征向量。
6.如权利要求5所述的一种位置无关的病状快速检测及识别方法，其特征在于：步骤(1)中的粗分类是根据医学影像的病状部位、性别、年龄、影像类型、方位来进行。
CN201511007494.7A 2015-10-15 2015-12-28 一种位置无关的病状快速检测及识别方法 Pending CN105677713A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510673610 2015-10-15
CN2015106736102 2015-10-15

Publications (1)

Publication Number Publication Date
CN105677713A true CN105677713A (zh) 2016-06-15

Family

ID=56297876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511007494.7A Pending CN105677713A (zh) 2015-10-15 2015-12-28 一种位置无关的病状快速检测及识别方法

Country Status (1)

Country Link
CN (1) CN105677713A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408001A (zh) * 2016-08-26 2017-02-15 西安电子科技大学 基于深度核哈希的感兴趣区域快速检测方法
CN108875814A (zh) * 2018-06-04 2018-11-23 联想(北京)有限公司 图片检索方法、装置及电子设备
CN109416689A (zh) * 2018-01-16 2019-03-01 深圳力维智联技术有限公司 海量特征向量数据的相似检索方法及设备、存储介质
CN113111953A (zh) * 2021-04-20 2021-07-13 深圳吉祥星科技股份有限公司 一种投影画质处理装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156715A (zh) * 2011-03-23 2011-08-17 中国科学院上海技术物理研究所 面向医学影像数据库的基于多病灶区域特征的检索系统
CN102651055A (zh) * 2012-04-11 2012-08-29 华中科技大学 一种基于医学影像的文件生成方法及系统
CN103886589A (zh) * 2014-02-27 2014-06-25 四川农业大学 面向目标的自动化高精度边缘提取方法
CN104021234A (zh) * 2014-06-30 2014-09-03 中国科学院自动化研究所 一种基于自适应位分配哈希算法的大规模图像库检索方法
CN104679895A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种医学影像数据存储方法
CN104679863A (zh) * 2015-02-28 2015-06-03 武汉烽火众智数字技术有限责任公司 一种基于深度学习的以图搜图方法和系统
CN104731825A (zh) * 2013-12-19 2015-06-24 天津职业技术师范大学 一种医学图像检索方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156715A (zh) * 2011-03-23 2011-08-17 中国科学院上海技术物理研究所 面向医学影像数据库的基于多病灶区域特征的检索系统
CN102651055A (zh) * 2012-04-11 2012-08-29 华中科技大学 一种基于医学影像的文件生成方法及系统
CN104731825A (zh) * 2013-12-19 2015-06-24 天津职业技术师范大学 一种医学图像检索方法
CN103886589A (zh) * 2014-02-27 2014-06-25 四川农业大学 面向目标的自动化高精度边缘提取方法
CN104021234A (zh) * 2014-06-30 2014-09-03 中国科学院自动化研究所 一种基于自适应位分配哈希算法的大规模图像库检索方法
CN104679863A (zh) * 2015-02-28 2015-06-03 武汉烽火众智数字技术有限责任公司 一种基于深度学习的以图搜图方法和系统
CN104679895A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种医学影像数据存储方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408001A (zh) * 2016-08-26 2017-02-15 西安电子科技大学 基于深度核哈希的感兴趣区域快速检测方法
CN106408001B (zh) * 2016-08-26 2019-10-11 西安电子科技大学 基于深度核哈希的感兴趣区域快速检测方法
CN109416689A (zh) * 2018-01-16 2019-03-01 深圳力维智联技术有限公司 海量特征向量数据的相似检索方法及设备、存储介质
CN108875814A (zh) * 2018-06-04 2018-11-23 联想(北京)有限公司 图片检索方法、装置及电子设备
CN108875814B (zh) * 2018-06-04 2022-07-26 联想(北京)有限公司 图片检索方法、装置及电子设备
CN113111953A (zh) * 2021-04-20 2021-07-13 深圳吉祥星科技股份有限公司 一种投影画质处理装置

Similar Documents

Publication Publication Date Title
EP3620979B1 (en) Learning method, learning device for detecting object using edge image and testing method, testing device using the same
CN110738207B (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN109190752B (zh) 基于深度学习的全局特征和局部特征的图像语义分割方法
US10430663B2 (en) Method, electronic device and non-transitory computer readable storage medium for image annotation
CN107833213B (zh) 一种基于伪真值自适应法的弱监督物体检测方法
CN106778835B (zh) 融合场景信息和深度特征的遥感图像机场目标识别方法
Guo et al. A completed modeling of local binary pattern operator for texture classification
CN103236068B (zh) 一种局部图像匹配方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
CN105677713A (zh) 一种位置无关的病状快速检测及识别方法
CN107730553B (zh) 一种基于伪真值搜寻法的弱监督物体检测方法
CN104240220A (zh) 用于基于图像分割血管的设备和方法
CN105069447A (zh) 一种人脸表情的识别方法
Khmag et al. Recognition system for leaf images based on its leaf contour and centroid
WO2010043954A1 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
JP2021532453A (ja) フィードフォワード畳み込みニューラルネットワークを使用した高速且つ堅牢な皮膚紋理の印のマニューシャの抽出
CN103632153A (zh) 一种基于区域的图像显著图提取方法
CN116721301B (zh) 目标场景分类模型训练方法、分类方法、设备及存储介质
Tao et al. New one-step model of breast tumor locating based on deep learning
CN112435264A (zh) 一种基于深度学习的42CrMo单相金相组织分割方法及系统
CN113688261B (zh) 图像数据清理方法、装置、电子设备及可读存储介质
JP2007531136A (ja) 画像を有するデータベースからビジュアルオブジェクトカテゴリを抽出する方法及び装置
CN109697240A (zh) 一种基于特征的图像检索方法及装置
CN113313668B (zh) 一种地铁隧道表面病害特征提取方法
CN104504715A (zh) 基于局部四元数矩特征的图像分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160718

Address after: 4, No. 3, No. 3, No. 310018, Hangzhou economic and Technological Development Zone, Zhejiang

Applicant after: HANGZHOU JIANPEI TECHNOLOGY CO., LTD.

Address before: 310018, building two, building 3, No. 6, Hangzhou economic and Technological Development Zone, Hangzhou, Zhejiang, 205

Applicant before: ZHEJIANG JIANPEI HUIKANG MEDICAL TECHNOLOGY CO., LTD.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160615