CN107274428B - 基于仿真和实测数据的多目标三维超声图像分割方法 - Google Patents

基于仿真和实测数据的多目标三维超声图像分割方法 Download PDF

Info

Publication number
CN107274428B
CN107274428B CN201710654163.5A CN201710654163A CN107274428B CN 107274428 B CN107274428 B CN 107274428B CN 201710654163 A CN201710654163 A CN 201710654163A CN 107274428 B CN107274428 B CN 107274428B
Authority
CN
China
Prior art keywords
data
simulation
tissue
probability
target tissue
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
CN201710654163.5A
Other languages
English (en)
Other versions
CN107274428A (zh
Inventor
范列湘
李德来
杨金耀
郭境峰
吴钟鸿
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.)
Shantou Institute of Ultrasonic Instruments Co Ltd
Original Assignee
Shantou Institute of Ultrasonic Instruments 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 Shantou Institute of Ultrasonic Instruments Co Ltd filed Critical Shantou Institute of Ultrasonic Instruments Co Ltd
Priority to CN201710654163.5A priority Critical patent/CN107274428B/zh
Priority to PCT/CN2017/000541 priority patent/WO2019023819A1/zh
Priority to US16/478,824 priority patent/US11282204B2/en
Publication of CN107274428A publication Critical patent/CN107274428A/zh
Application granted granted Critical
Publication of CN107274428B publication Critical patent/CN107274428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10132—Ultrasound image
    • G06T2207/10136—3D ultrasound image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • 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
    • G06T2207/30096—Tumor; Lesion

Abstract

一种基于仿真和实测数据的多目标三维超声图像分割方法，包括如下步骤：预置常规声学参数；采集原始3D数据；采用初始分割算法对原始3D数据进行分割；根据概率代入常规声学参数以形成包含多个完整目标组织的过渡图像模型；仿真运算；变换得到仿真数据；对比运算；调整相应各个概率变量中的概率大小，重新回到代入常规声学参数的步骤。依据概率，在缺略目标组织的模型代入常规声学参数，再进行仿真运算，根据仿真数据与原始3D数据的匹配度来调整概率，反复进行，以迭代收敛的方式不断进行修正，直至将各个缺略目标组织全部替换为某一种正常组织或病灶组织，从而得到完整的图像模型，解决了现有分割算法中由于阴影而无法进行图像分割的缺陷。

Description

基于仿真和实测数据的多目标三维超声图像分割方法
技术领域
本发明涉及一种超声成像方法，尤其涉及一种基于仿真和实测数据的多目标三维超声图像分割方法。
背景技术
超声图像分割的研究由来已久，从简单的阈值方法(thresholding)到动态边缘(active contour), 从区域生长(region growing) 到水平集 (level set), 从博弈理论(game theory)到中智逻辑理论(neutrosophic logic theory)，分割结果的准确性有了长足进展。同时，这些方法从也从二维数据推广到三维。然而，目前的实际应用还不能完全满足要求。主要原因是由于超声数据本身的复杂性。例如，当超声波的大部分能量在体内组织某个特定位置被反射或吸收时，只有少部分能量在此位置之后传播,导致图像呈现低灰阶的阴影区，病灶区后部的阴影就足以使得以上提到的方法完全失效。因而，完全依赖于数据本身来对超声图像进行分割有一定的局限性。
发明内容
本发明要解决的技术问题是提供种基于仿真和实测数据的多目标三维超声图像分割方法，这种基于仿真和实测数据的多目标三维超声图像分割方法能够解决了现有分割算法中由于阴影而无法进行图像分割的缺陷，得到完整的图像模型。采用的技术方案如下：
基于仿真和实测数据的多目标三维超声图像分割方法，其特征在于包括如下步骤：
（1）预置各个正常组织和病灶组织的常规声学参数；
（2）采集包含可疑病灶部位的原始3D数据；
（3）采用初始分割算法对原始3D数据进行分割，得到包含多个缺略目标组织的初始图像模型，该初始图像模型包含各个缺略目标组织的实际声学参数，定义各个缺略目标组织的属性，依据各个缺略目标组织的属性，采用一组概率变量来表示各个缺略目标组织为某一种正常组织或病灶组织的概率；
（4）在初始图像模型中，根据各个目标组织的概率，选择相应的正常组织或病灶组织的常规声学参数代替缺略目标组织中的实际声学参数，以形成包含多个完整目标组织的过渡图像模型；
（5）利用超声成像原理对过渡图像模型进行仿真运算；
（6）将仿真运算结果作相应的数值变换和几何变换得到等效于所采集原始3D数据的仿真数据；
（7）将变换后的仿真数据与所采集的原始3D数据作对比运算；
（8）对比运算结果，当各个对比运算结果均低于预设阈值时，将步骤（4）中得出的过渡图像模型作为最终结果输出，当其中部分对比运算结果高于预设阈值时，重新定义各个有差异的缺略目标组织的属性，依据有差异的缺略目标组织的属性调整相应各个概率变量中的概率大小，重新回到步骤（4）。
上述正常组织为脂肪组织、结缔组织等，上述病变组织为实体包囊、液体包囊等。
上述常规声学参数为人体组织的声学特性，例如密度、声速等，一般为公认的已知参数或通过实验得出的参数。而实际声学参数则是通过对原始3D数据进行分割所直接得到的结果。
本发明在采用常规分割算法对原始3D数据进行初始分割的基础上，得到包含多个缺略目标组织的初始图像模型，用一组概率变量来表示各个缺略目标组织为某一种正常组织或病灶组织的概率，依据概率代入相应的常规声学参数，并按超声成像原理进行仿真运算，得到仿真数据，将仿真数据与原始3D数据进行对比，根据仿真数据与原始3D数据的匹配度来调整各个缺略目标组织为某一种正常组织或病灶组织的概率，反复进行，以迭代收敛的方式不断进行修正，直至将各个缺略目标组织全部替换为某一种正常组织或病灶组织，从而得到完整的图像模型，解决了现有分割算法中由于阴影而无法进行图像分割的缺陷。
作为本发明的优选方案，所述步骤（3）中，采用初始分割算法对原始3D数据进行分割包括：计算所采集3D数据的特征值，找出各个目标组织器的特殊参照点，采用这些参照点或区域确定各个目标组织的几何模型和周围组织界面的初始位置，从而得到各个缺略目标组织的轮廓。上述特征值例如图像的灰度、目标界面梯度等；上述特殊参照点例如乳腺器官的乳头等；上述周围组织界面例如肋骨等。
作为本发明的优选方案，所述所述步骤（3）中的初始分割算法为阈值方法、动态边缘、区域生长、水平集 、博弈理论或中智逻辑理论。阈值方法、动态边缘、区域生长、水平集、博弈理论或中智逻辑理论均为现有的分割算法，在背景技术中已有介绍。
作为本发明的优选方案，所述步骤（3）中，直接跳过采用初始分割算法对原始3D数据进行分割这一步骤，并采用均匀介质的常规声学参数代替各个缺略目标组织的实际声学参数。
作为本发明的优选方案，所述步骤（2）中还采集超声成像的工作参数并作为步骤（5）中仿真运算的工作参数。上述超声成像的工作参数包括发射频率、系统带宽、增益曲线等。以采集原始3D数据时的超声成像的工作参数作为仿真运算的工作参数，更接近事实，使得仿真数据与原始3D数据的对比结果更加准确。
作为本发明的优选方案，所述步骤（7）中的对比运算为减法运算或矩阵相关性运算。
附图说明
图1是本发明实施例一的流程图；
图2是本发明实施例二的流程图。
具体实施方式
下面结合附图和本发明的优选实施方式做进一步的说明。
实施例一
如图1所示，这种基于仿真和实测数据的多目标三维超声图像分割方法，包括如下步骤：
（1）预置各个正常组织和病灶组织的常规声学参数；
（2）采集包含可疑病灶部位的原始3D数据，并采集超声成像的工作参数；
（3）采用初始分割算法对原始3D数据进行分割，得到包含多个缺略目标组织的初始图像模型，该初始图像模型包含各个缺略目标组织的实际声学参数，定义各个缺略目标组织的属性，依据各个缺略目标组织的属性，采用一组概率变量来表示各个缺略目标组织为某一种正常组织或病灶组织的概率；初始分割算法为阈值方法、动态边缘、区域生长、水平集 、博弈理论或中智逻辑理论；采用初始分割算法对原始3D数据进行分割包括：计算所采集3D数据的特征值，找出各个目标组织器的特殊参照点，采用这些参照点或区域确定各个目标组织的几何模型和周围组织界面的初始位置，从而得到各个缺略目标组织的轮廓；
（4）在初始图像模型中，根据各个目标组织的概率，选择相应的正常组织或病灶组织的常规声学参数代替缺略目标组织中的实际声学参数，以形成包含多个完整目标组织的过渡图像模型；
（5）利用超声成像原理对过渡图像模型进行仿真运算，以上述采集到的超声成像的工作参数作为仿真运算的工作参数；
（6）将仿真运算结果作相应的数值变换和几何变换得到等效于所采集原始3D数据的仿真数据；
（7）将变换后的仿真数据与所采集的原始3D数据作对比运算，对比运算可以采用减法运算或矩阵相关性运算；
（8）对比运算结果，当各个对比运算结果均低于预设阈值时，将步骤（4）中得出的过渡图像模型作为最终结果输出，当其中部分对比运算结果高于预设阈值时，重新定义各个有差异的缺略目标组织的属性，依据有差异的缺略目标组织的属性调整相应各个概率变量中的概率大小，重新回到步骤（4）。
实施例二
如图2所示，在其它部分均与实施例一相同的情况下，其区别仅在于：在步骤（3）中，直接跳过采用初始分割算法对原始3D数据进行分割这一步骤，并采用均匀介质的常规声学参数代替各个缺略目标组织的实际声学参数。
此外，需要说明的是，本说明书中所描述的具体实施例，其各部分名称等可以不同，凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (5)

1.基于仿真和实测数据的多目标三维超声图像分割方法，其特征在于包括如下步骤：
(1)预置各个正常组织和病灶组织的常规声学参数；
(2)采集包含可疑病灶部位的原始3D数据；
(3)采用初始分割算法对原始3D数据进行分割，得到包含多个缺略目标组织的初始图像模型，该初始图像模型包含各个缺略目标组织的实际声学参数，定义各个缺略目标组织的属性，依据各个缺略目标组织的属性，采用一组概率变量来表示各个缺略目标组织为某一种正常组织或病灶组织的概率；
(4)在初始图像模型中，根据各个目标组织的概率，选择相应的正常组织或病灶组织的常规声学参数代替缺略目标组织中的实际声学参数，以形成包含多个完整目标组织的过渡图像模型；
(5)利用超声成像原理对过渡图像模型进行仿真运算；
(6)将仿真运算结果作相应的数值变换和几何变换得到等效于所采集原始3D数据的仿真数据；
(7)将变换后的仿真数据与所采集的原始3D数据作对比运算；
(8)对比运算结果，当各个对比运算结果均低于预设阈值时，将步骤(4)中得出的过渡图像模型作为最终结果输出，当其中部分对比运算结果高于预设阈值时，重新定义各个有差异的缺略目标组织的属性，依据有差异的缺略目标组织的属性调整相应各个概率变量中的概率大小，重新回到步骤(4)。
2.如权利要求1所述的多目标三维超声图像分割方法，其特征是：所述步骤(3)中，采用初始分割算法对原始3D数据进行分割包括：计算所采集3D数据的特征值，找出各个目标组织的特殊参照点，采用这些参照点确定各个目标组织的几何模型和周围组织界面的初始位置，从而得到各个缺略目标组织的轮廓。
3.如权利要求1所述的多目标三维超声图像分割方法，其特征是：所述步骤(3)中的初始分割算法为阈值方法、动态边缘、区域生长、水平集、博弈理论或中智逻辑理论。
4.如权利要求1所述的多目标三维超声图像分割方法，其特征是：所述步骤(2)中还采集超声成像的工作参数并作为步骤(5)中仿真运算的工作参数。
5.如权利要求1所述的多目标三维超声图像分割方法，其特征是：所述步骤(7)中的对比运算为减法运算或矩阵相关性运算。
CN201710654163.5A 2017-08-03 2017-08-03 基于仿真和实测数据的多目标三维超声图像分割方法 Active CN107274428B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710654163.5A CN107274428B (zh) 2017-08-03 2017-08-03 基于仿真和实测数据的多目标三维超声图像分割方法
PCT/CN2017/000541 WO2019023819A1 (zh) 2017-08-03 2017-08-28 基于仿真和实测数据的多目标三维超声图像分割方法
US16/478,824 US11282204B2 (en) 2017-08-03 2017-08-28 Simulated and measured data-based multi-target three-dimensional ultrasound image segmentation method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710654163.5A CN107274428B (zh) 2017-08-03 2017-08-03 基于仿真和实测数据的多目标三维超声图像分割方法

Publications (2)

Publication Number Publication Date
CN107274428A CN107274428A (zh) 2017-10-20
CN107274428B true CN107274428B (zh) 2020-06-30

Family

ID=60076281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710654163.5A Active CN107274428B (zh) 2017-08-03 2017-08-03 基于仿真和实测数据的多目标三维超声图像分割方法

Country Status (3)

Country Link
US (1) US11282204B2 (zh)
CN (1) CN107274428B (zh)
WO (1) WO2019023819A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210005699A (ko) * 2018-04-27 2021-01-14 델피누스 메디컬 테크놀로지스, 인크. 초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법
CN111506994B (zh) * 2020-04-14 2022-02-25 西北工业大学 一种基于中智集的电机转子故障诊断方法
US11631179B2 (en) * 2020-06-30 2023-04-18 Applied Materials Israel Ltd. Segmentation of an image of a semiconductor specimen
CN112819778B (zh) * 2021-01-28 2022-04-12 中国空气动力研究与发展中心超高速空气动力研究所 一种航天材料损伤检测图像多目标全像素分割方法
CN113409331B (zh) * 2021-06-08 2024-04-12 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、终端及可读存储介质
CN114515193A (zh) * 2022-01-30 2022-05-20 上海术航机器人有限公司 并联机器人、系统、装置及存储介质

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6246784B1 (en) * 1997-08-19 2001-06-12 The United States Of America As Represented By The Department Of Health And Human Services Method for segmenting medical images and detecting surface anomalies in anatomical structures
US20080292194A1 (en) * 2005-04-27 2008-11-27 Mark Schmidt Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images
US8929621B2 (en) * 2005-12-20 2015-01-06 Elekta, Ltd. Methods and systems for segmentation and surface matching
KR101014563B1 (ko) * 2009-08-07 2011-02-16 주식회사 메디슨 혈관 세그먼테이션을 수행하는 초음파 시스템 및 방법
WO2013025613A1 (en) * 2011-08-12 2013-02-21 Jointvue, Llc 3-d ultrasound imaging device and methods
US8777854B2 (en) * 2011-09-06 2014-07-15 General Electric Company Method and system for ultrasound based automated detection, quantification and tracking of pathologies
CN102402788A (zh) * 2011-12-22 2012-04-04 华南理工大学 一种三维超声图像的分割方法
CN102871686B (zh) * 2012-03-05 2015-08-19 杭州弘恩医疗科技有限公司 基于3d医学影像测定生理参数的装置和方法
US10049447B2 (en) * 2013-11-06 2018-08-14 H. Lee Moffitt Cancer Center and Research Insititute, Inc. Pathology case review, analysis and prediction
US8917925B1 (en) * 2014-03-28 2014-12-23 Heartflow, Inc. Systems and methods for data and model-driven image reconstruction and enhancement
CN104021552B (zh) * 2014-05-28 2017-02-22 华南理工大学 一种基于图论分割过程的多目标粒子群参数优化方法
US20170150941A1 (en) * 2014-07-02 2017-06-01 Koninklijke Philips N.V. Lesion signature to characterize pathology for specific subject
CN104574263A (zh) * 2015-01-28 2015-04-29 湖北科技学院 一种基于gpu的快速三维超声重建和显示方法
CN105005974A (zh) * 2015-07-06 2015-10-28 嘉恒医疗科技（上海）有限公司 基于全局修补的超声体数据空缺体素赋值方法和系统
US10909675B2 (en) * 2015-10-09 2021-02-02 Mayo Foundation For Medical Education And Research System and method for tissue characterization based on texture information using multi-parametric MRI
WO2017092615A1 (zh) * 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法
CN105913075A (zh) * 2016-04-05 2016-08-31 浙江工业大学 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法
CN106780460B (zh) * 2016-12-13 2019-11-08 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Multidimensional segmentation of coronary intravascular ultrasound images using knowledge-based methods";Mark Eric Olszewski等;《SPIE Proceedings》;20050429;第5747卷;全文 *
"Optimized graph-based segmentation for ultrasound images";Huang Q等;《Neurocomputing》;20141231;全文 *

Also Published As

Publication number Publication date
US20210390701A1 (en) 2021-12-16
CN107274428A (zh) 2017-10-20
US11282204B2 (en) 2022-03-22
WO2019023819A1 (zh) 2019-02-07

Similar Documents

Publication Publication Date Title
CN107274428B (zh) 基于仿真和实测数据的多目标三维超声图像分割方法
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
US9119559B2 (en) Method and system of generating a 3D visualization from 2D images
CN110648337A (zh) 髋关节分割方法、装置、电子设备和存储介质
CN109598697B (zh) 二维乳腺造影数据组的确定
EP3807839B1 (en) Deformity edge detection
EP3680854B1 (en) Learning program, learning apparatus, and learning method
US9814446B2 (en) Method and system for automatic estimation of shear modulus and viscosity from shear wave imaging
KR102128325B1 (ko) 이미지 처리 시스템
CN104217406B (zh) 一种基于剪切波系数处理的sar图像降噪方法
KR102252915B1 (ko) 스테레오 카메라를 이용한 거리 추정 방법 및 장치
CN111047608A (zh) 一种基于Distance-AttU-Net的端到端的乳腺超声图像的分割方法
KR102119057B1 (ko) 골절 진단모델의 학습 방법 및 장치
KR20220017697A (ko) 복수의 센서간 캘리브레이션 방법 및 장치
CN104182965B (zh) 一种乳腺图像中分割胸肌的方法
CN109512463B (zh) 超声弹性成像位移估计方法、系统、终端及可读存储介质
CN108022220B (zh) 一种超声图像斑点噪声去除方法
CN108537802A (zh) 一种血管分割方法及装置
CN111053574A (zh) 一种三维表面重建方法、装置及超声设备和存储介质
CN111126424B (zh) 一种基于卷积神经网络的超声图像分类方法
CN113706684A (zh) 三维血管图像重建方法、系统、医疗设备以及存储介质
Xu et al. A hybrid framework for tumor saliency estimation
CN117392040A (zh) 一种标准切面的识别方法、系统、装置及存储介质
CN115359005A (zh) 图像预测模型生成方法、装置、计算机设备和存储介质
Zhou et al. Automatic segmentation algorithm of femur and tibia based on Vnet-C network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 515041 No. 77 Jinsha Road, Guangdong, Shantou

Patentee after: Shantou Ultrasonic Instrument Research Institute Co., Ltd

Address before: 515041 No. 77 Jinsha Road, Jinping District, Guangdong, Shantou

Patentee before: SHANTOU INSTITUTE OF ULTRASONIC INSTRUMENTS Co.,Ltd.

CP03 Change of name, title or address