CN107403419A - 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 - Google Patents
一种基于级联卷积神经网络的低剂量x射线图像去噪方法 Download PDFInfo
- Publication number
- CN107403419A CN107403419A CN201710660805.2A CN201710660805A CN107403419A CN 107403419 A CN107403419 A CN 107403419A CN 201710660805 A CN201710660805 A CN 201710660805A CN 107403419 A CN107403419 A CN 107403419A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- network
- neural networks
- convolutional
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007935 neutral effect Effects 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 claims description 5
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000000945 filler Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 244000025254 Cannabis sativa Species 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010011732 Cyst Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10116—X-ray 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明中提出的一种基于级联卷积神经网络的低剂量X射线图像去噪方法，其主要内容包括：去噪器结构、级联结构、参数训练，其过程为，首先使用卷积神经网络构建独立的基本功能单元fi，根据输入正常剂量的X射线图像XH添加泊松噪声生成低剂量版本图像XL，图像输入网络fi使XL映射至XH的残差后XL再经同一个fi实行降噪，然后依次构建N个同样结构的级联fi，通过传递残差实行端对端的训练，去除图像所含噪声。本发明可以处理低于正常放射剂量生成的X射线图像，提供一个级联卷积神经网络解决残差传递，同时提高了去除噪声带来的块状和条纹痕迹的效率。
Description
技术领域
本发明涉及图像去噪领域，尤其是涉及了一种基于级联卷积神经网络的低剂量X射线图像去噪方法。
背景技术
X射线由于其在电场或磁场中都不发生偏转的特性，现已广泛应用于多种成像技术中，尤其医学图像，其为现代诊断治疗技术提供了准确的参考。然而，在对人体进行X光扫描、采集病变部位时会产生一定的辐射剂量，这些辐射剂量达到一定程度可导致癌症的产生。因此，采用低辐射剂量生成X射线图像逐渐引起重视，但与之同时，低剂量图像带来的不利在于添加了不可避免的噪声，这是影响医学图像质量至关重要的因素。噪声的存在会使得峰值信噪比下降，图像会变得模糊甚至导致关键部位的特征无法追寻或辨识，影响医务人员的判断，由此需尽可能降低或去除图像中的噪声分量。这种低剂量图像的去噪方法，可在现代化医疗设备中得到广泛应用，尽可能保护人体不受更大辐射剂量的伤害，此外，在公共安检机器图像检测、视频监控等领域也具有非常重要的应用环境。
噪声的存在相当于图像数据的一部分，因此传统方法中去除噪声同时也会抹掉一部分真实的有用的图像数据，它无法滤除设定的噪声区意外的噪声，此外，噪声的存在并非线性插值，去噪时无法顾及边缘信号的保留，因此对于过于复杂的图像或者噪声量比过大的图像，其降噪或去噪过程会带来困难。
本发明提出了一种基于级联结构的卷积神经网络的新框架。使用卷积神经网络构建独立的基本功能单元fi，根据输入正常剂量的X射线图像XH添加泊松噪声生成低剂量版本图像XL，图像输入网络fi使XL映射至XH的残差后XL再经同一个fi实行降噪，然后依次构建N个同样结构的级联fi，通过传递残差实行端对端的训练，去除图像所含噪声。本发明可以处理低于正常放射剂量生成的X射线图像，提供一个级联卷积神经网络解决残差传递，同时提高了去除噪声带来的块状和条纹痕迹的效率。
发明内容
针对解决在低辐射剂量医学图像去噪的问题，本发明的目的在于提供一种基于级联卷积神经网络的低剂量X射线图像去噪方法，提出了一种基于级联结构的卷积神经网络的新框架。
为解决上述问题，本发明提供一种基于级联卷积神经网络的低剂量X射线图像去噪方法，其主要内容包括：
(一)去噪器结构；
(二)级联结构；
(三)参数训练。
其中，所述的去噪器结构，包括网络结构和网络参数。
所述的网络结构，构建卷积网络的基本单元，根据输入图像的样本及数量来决定使用基本单元堆砌所需的数量，其基本单元结构具体为：
1)卷积层；
2)卷积层、激活函数；
3)卷积层、批处理归一化、激活函数。
所述的网络参数，对于神经网络中参数的设置进行限定，具体为：
1)对于卷积层，其卷积核大小为3×3；
2)对于核的个数，限定为64个；
3)对于图像边缘的补白度设置为0；
4)在训练过程中使用L2范数作为网络的损失函数。
所述的级联结构，包括级联方法和运算方法。
所述的级联方法，建立低剂量与正常计量的X射线图像映射对，在其二者之间纵向地进行卷积神经网络的训练，此外，在横向处理过程中，各自独立的神经网络求出映射残差，再转移到下一个独立的卷积神经网络中当作输入继续训练，即残差的不断积累与训练。
所述的运算方法，输入图像依顺序通过N个级联结构时，有：
1)独立的卷积神经网络f1用于训练低剂量图像XL，令其映射到正常剂量图像XH的残差图；
2)此时卷积神经网络f1可用于图像降噪，XL可通过其降噪为图像
3)通过同样方式，另外一个独立的卷积神经网络f2用于训练图像令其映射到图像
4)以此方式，构造N个相同的独立卷积神经网络，并通过传递残差，实现端对端的训练。
所述的参数训练，包括数据集设定和参数设定。
所述的数据集设定，使用来自实际医院案例中患者腹部的计算机断层扫描图像，该图像含有200个mAs单位的有效辐射量；将其添加泊松噪声，模拟成为低剂量计算机断层扫描图像的版本；此外，每个图像的纵向分辨率皆为512×512。
所述的参数设定，对于单个的训练网络，除了在最后一层之外，其余层都用64个频道去进行卷积，对于网络的权重设置使用沙维尔方法初始化且偏置为零；此外，训练的惩罚系数设置为0.0001，总共迭代次数设置为90000。
附图说明
图1是本发明一种基于级联卷积神经网络的低剂量X射线图像去噪方法的系统流程图。
图2是本发明一种基于级联卷积神经网络的低剂量X射线图像去噪方法的去噪效果对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于级联卷积神经网络的低剂量X射线图像去噪方法的系统流程图。主要包括去噪器结构；级联结构；参数训练。
其中，去噪器结构，包括网络结构和网络参数。
网络结构，构建卷积网络的基本单元，根据输入图像的样本及数量来决定使用基本单元堆砌所需的数量，其基本单元结构具体为：
1)卷积层；
2)卷积层、激活函数；
3)卷积层、批处理归一化、激活函数。
网络参数，对于神经网络中参数的设置进行限定，具体为：
1)对于卷积层，其卷积核大小为3×3；
2)对于核的个数，限定为64个；
3)对于图像边缘的补白度设置为0；
4)在训练过程中使用L2范数作为网络的损失函数。
级联结构，包括级联方法和运算方法。
级联方法，建立低剂量与正常计量的X射线图像映射对，在其二者之间纵向地进行卷积神经网络的训练，此外，在横向处理过程中，各自独立的神经网络求出映射残差，再转移到下一个独立的卷积神经网络中当作输入继续训练，即残差的不断积累与训练。
运算方法，输入图像依顺序通过N个级联结构时，有：
1)独立的卷积神经网络f1用于训练低剂量图像XL，令其映射到正常剂量图像XH的残差图；
2)此时卷积神经网络f1可用于图像降噪，XL可通过其降噪为图像
3)通过同样方式，另外一个独立的卷积神经网络f2用于训练图像令其映射到图像
4)以此方式，构造N个相同的独立卷积神经网络，并通过传递残差，实现端对端的训练。
参数训练，包括数据集设定和参数设定。
数据集设定，使用来自实际医院案例中患者腹部的计算机断层扫描图像，该图像含有200个mAs单位的有效辐射量；将其添加泊松噪声，模拟成为低剂量计算机断层扫描图像的版本；此外，每个图像的纵向分辨率皆为512×512。
参数设定，对于单个的训练网络，除了在最后一层之外，其余层都用64个频道去进行卷积，对于网络的权重设置使用沙维尔方法初始化且偏置为零；此外，训练的惩罚系数设置为0.0001，总共迭代次数设置为90000。
图2是本发明一种基于级联卷积神经网络的低剂量X射线图像去噪方法的去噪效果对比图。如图所示，为了不损失图像的纹理，第二行的去噪结果使用合成图显示，即70％的完全去噪图线性加上30％的低剂量图像；图中白色方框为某患者的良性囊肿区域，放大于图像右下角，分别经过稀疏三维滤波法、极小范数权重法及本文的卷积神经网络4级级联方法进行去噪处理，可以看到其他前二者方法过于平滑，无法保留纹理特征，相比之下，本文方法在去掉噪声的情况下，继续保有视觉上的纹理特征。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于级联卷积神经网络的低剂量X射线图像去噪方法，其特征在于，主要包括去噪器结构(一)；级联结构(二)；参数训练(三)。
2.基于权利要求书1所述的去噪器结构(一)，其特征在于，包括网络结构和网络参数。
3.基于权利要求书2所述的网络结构，其特征在于，构建卷积网络的基本单元，根据输入图像的样本及数量来决定使用基本单元堆砌所需的数量，其基本单元结构具体为：
1)卷积层；
2)卷积层、激活函数；
3)卷积层、批处理归一化、激活函数。
4.基于权利要求书2所述的网络参数，其特征在于，对于神经网络中参数的设置进行限定，具体为：
1)对于卷积层，其卷积核大小为3×3；
2)对于核的个数，限定为64个；
3)对于图像边缘的补白度设置为0；
4)在训练过程中使用L2范数作为网络的损失函数。
5.基于权利要求书1所述的级联结构(二)，其特征在于，包括级联方法和运算方法。
6.基于权利要求书5所述的级联方法，其特征在于，建立低剂量与正常计量的X射线图像映射对，在其二者之间纵向地进行卷积神经网络的训练，此外，在横向处理过程中，各自独立的神经网络求出映射残差，再转移到下一个独立的卷积神经网络中当作输入继续训练，即残差的不断积累与训练。
7.基于权利要求书5所述的运算方法，其特征在于，输入图像依顺序通过N个级联结构时，有：
1)独立的卷积神经网络f1用于训练低剂量图像XL，令其映射到正常剂量图像XH的残差图；
2)此时卷积神经网络f1可用于图像降噪，XL可通过其降噪为图像
3)通过同样方式，另外一个独立的卷积神经网络f2用于训练图像令其映射到图像
4)以此方式，构造N个相同的独立卷积神经网络，并通过传递残差，实现端对端的训练。
8.基于权利要求书1所述的参数训练(三)，其特征在于，包括数据集设定和参数设定。
9.基于权利要求书8所述的数据集设定，其特征在于，使用来自实际医院案例中患者腹部的计算机断层扫描图像，该图像含有200个mAs单位的有效辐射量；将其添加泊松噪声，模拟成为低剂量计算机断层扫描图像的版本；此外，每个图像的纵向分辨率皆为512×512。
10.基于权利要求书8所述的参数设定，其特征在于，对于单个的训练网络，除了在最后一层之外，其余层都用64个频道去进行卷积，对于网络的权重设置使用沙维尔方法初始化且偏置为零；此外，训练的惩罚系数设置为0.0001，总共迭代次数设置为90000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710660805.2A CN107403419A (zh) | 2017-08-04 | 2017-08-04 | 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710660805.2A CN107403419A (zh) | 2017-08-04 | 2017-08-04 | 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107403419A true CN107403419A (zh) | 2017-11-28 |
Family
ID=60402665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710660805.2A Withdrawn CN107403419A (zh) | 2017-08-04 | 2017-08-04 | 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107403419A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108096833A (zh) * | 2017-12-20 | 2018-06-01 | 北京奇虎科技有限公司 | 基于级联神经网络的体感游戏控制方法及装置、计算设备 |
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN109657726A (zh) * | 2018-12-25 | 2019-04-19 | 焦点科技股份有限公司 | 一种图片多标签分类方法 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| CN110211069A (zh) * | 2019-06-03 | 2019-09-06 | 广东工业大学 | 一种图像去噪模型及训练方法、系统、设备、计算机介质 |
| CN110223255A (zh) * | 2019-06-11 | 2019-09-10 | 太原科技大学 | 一种用于低剂量ct图像去噪的浅层残差编解码递归网络 |
| CN112801887A (zh) * | 2020-12-25 | 2021-05-14 | 苏州深透智能科技有限公司 | 基于深度学习的快速x射线动态实时成像去噪方法 |
| CN113053496A (zh) * | 2021-03-19 | 2021-06-29 | 深圳高性能医疗器械国家研究院有限公司 | 一种用于医学图像低剂量估计的深度学习方法 |
| US11195310B2 (en) | 2018-08-06 | 2021-12-07 | General Electric Company | Iterative image reconstruction framework |
| US11941786B2 (en) | 2020-06-11 | 2024-03-26 | GE Precision Healthcare LLC | Image noise reduction method and device |
-
2017
- 2017-08-04 CN CN201710660805.2A patent/CN107403419A/zh not_active Withdrawn
Non-Patent Citations (1)
| Title |
|---|
| DUFAN WU 等: ""A Cascaded Convolutional Nerual Network for X-ray Low-dose CT Image Denoising"", 《网页在线公开:HTTPS://ARXIV.ORG/ABS/1705.04267V1》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108096833B (zh) * | 2017-12-20 | 2021-10-01 | 北京奇虎科技有限公司 | 基于级联神经网络的体感游戏控制方法及装置、计算设备 |
| CN108096833A (zh) * | 2017-12-20 | 2018-06-01 | 北京奇虎科技有限公司 | 基于级联神经网络的体感游戏控制方法及装置、计算设备 |
| US11195310B2 (en) | 2018-08-06 | 2021-12-07 | General Electric Company | Iterative image reconstruction framework |
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN109657726A (zh) * | 2018-12-25 | 2019-04-19 | 焦点科技股份有限公司 | 一种图片多标签分类方法 |
| CN109978778A (zh) * | 2019-03-06 | 2019-07-05 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
| CN110211069A (zh) * | 2019-06-03 | 2019-09-06 | 广东工业大学 | 一种图像去噪模型及训练方法、系统、设备、计算机介质 |
| CN110223255A (zh) * | 2019-06-11 | 2019-09-10 | 太原科技大学 | 一种用于低剂量ct图像去噪的浅层残差编解码递归网络 |
| CN110223255B (zh) * | 2019-06-11 | 2023-03-14 | 太原科技大学 | 一种基于残差编解码网络的低剂量ct图像去噪递归方法 |
| US11941786B2 (en) | 2020-06-11 | 2024-03-26 | GE Precision Healthcare LLC | Image noise reduction method and device |
| CN112801887A (zh) * | 2020-12-25 | 2021-05-14 | 苏州深透智能科技有限公司 | 基于深度学习的快速x射线动态实时成像去噪方法 |
| CN113053496A (zh) * | 2021-03-19 | 2021-06-29 | 深圳高性能医疗器械国家研究院有限公司 | 一种用于医学图像低剂量估计的深度学习方法 |
| CN113053496B (zh) * | 2021-03-19 | 2023-08-29 | 深圳高性能医疗器械国家研究院有限公司 | 一种用于医学图像低剂量估计的深度学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107403419A (zh) | 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 | |
| US11580410B2 (en) | 3-D convolutional autoencoder for low-dose CT via transfer learning from a 2-D trained network | |
| DE102008028387B4 (de) | Tomographisches Bildrekonstruktionsverfahren zum Erzeugen eines Bildes von einem Untersuchungsobjekt und nach diesem Verfahren arbeitende bildgebende Einrichtung | |
| CN108961237B (zh) | 一种基于卷积神经网络的低剂量ct图像分解方法 | |
| CN105534543B (zh) | 一种ct扫描参数优化方法及装置 | |
| Dong et al. | Combined iterative reconstruction and image‐domain decomposition for dual energy CT using total‐variation regularization | |
| CN104318536B (zh) | Ct图像的校正方法及装置 | |
| CN102768759B (zh) | 一种术中ct图像射束硬化伪影校正方法及装置 | |
| CN105118066B (zh) | 一种基于三维区别性特征表示的低剂量ct图像分解方法 | |
| DE102013103832A1 (de) | Dämpfungskorrektur in der Positronen-Emissions-Tomographie unter Verwendung von Magnetresonanztomographie | |
| CN105225208A (zh) | 一种计算机断层成像金属伪影校正方法及装置 | |
| CN112837244B (zh) | 一种基于渐进式生成对抗网络的低剂量ct图像降噪及去伪影方法 | |
| DE102018216370B4 (de) | Bereitstellen eines annotierten medizinischen Bilddatensatzes für eine Radiotherapieplanung eines Patienten | |
| CN112489158B (zh) | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 | |
| CN102024267B (zh) | 基于小波空间方向性滤波的低剂量ct图像处理方法 | |
| Sun et al. | Correction for patient table‐induced scattered radiation in cone‐beam computed tomography (CBCT) | |
| DE112019004300T5 (de) | Ähnlichkeitsbestimmungsvorrichtung, ähnlichkeitsbestimmungsverfahren und ähnlichkeitsbestimmungsprogramm | |
| Yuan et al. | Head and neck synthetic CT generated from ultra‐low‐dose cone‐beam CT following Image Gently Protocol using deep neural network | |
| Khaleghi et al. | Metal artifact reduction in computed tomography images based on developed generative adversarial neural network | |
| Mentl et al. | Noise reduction in low-dose ct using a 3D multiscale sparse denoising autoencoder | |
| DE102019215242A1 (de) | Computerimplementiertes Verfahren zum Betrieb einer Röntgenbildgebungseinrichtung, Röntgenbildgebungseinrichtung, Computerprogramm und elektronisch lesbarer Datenträger | |
| DE10392245T5 (de) | Erkennung von Bronchialwanderverdickungen zur Verringerung falsch positiver Befunde beim Nachweis von Lungenknoten | |
| Anhaus et al. | A nonlinear scaling‐based normalized metal artifact reduction to reduce low‐frequency artifacts in energy‐integrating and photon‐counting CT | |
| DE19842944B4 (de) | Verfahren zur Rekonstruktion eines dreidimensionalen Bildes eines im Rahmen einer Tomosynthese abgetasteten Objekts | |
| Liang et al. | A model-based unsupervised deep learning method for low-dose CT reconstruction |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171128 |