CN108171698A - 一种自动检测人体心脏冠脉钙化斑块的方法 - Google Patents
一种自动检测人体心脏冠脉钙化斑块的方法 Download PDFInfo
- Publication number
- CN108171698A CN108171698A CN201810022147.9A CN201810022147A CN108171698A CN 108171698 A CN108171698 A CN 108171698A CN 201810022147 A CN201810022147 A CN 201810022147A CN 108171698 A CN108171698 A CN 108171698A
- Authority
- CN
- China
- Prior art keywords
- vessel
- patch
- human heart
- pixel
- picture
- 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
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种自动检测人体心脏冠脉钙化斑块的方法，包括步骤：S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；S4、调整窗宽窗位，对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块，筛选出带有钙化斑块的拉直血管图；S5、将带有钙化斑块的拉直血管图转化为灰度图，对灰度值大于220的像素点填充颜色，获得钙化斑块提取结果；S6、计算血管狭窄率，获得量化值。本发明对大多数的钙化斑块的检测行之有效，并可实现自动检测，极大提高了效率。
Description
技术领域
本发明涉及医学图像处理领域，具体涉及一种自动检测人体心脏冠脉钙化斑块的方法。
背景技术
寻找一种安全可靠检查冠状动脉疾病的方法是临床未来发展的主要目标，所以能够准确地从CTA图像序列中提取斑块来判断冠状动脉疾病，具有重要的临床价值和实际意义。在过去的十年间，冠状动脉疾病导致死亡的比例逐年攀升，因此准确的提取动脉血管并量化很有必要，特别是斑块早期检测和量化分析更为突出。然而斑块的早期检测和量化需要非常有经验的医生花费很长的时间进行手动斑块分割及分析，因此有必要提出自动和快速检测心脏冠脉钙化斑块的方法以提升医生的工作效率。
在冠状动脉钙化斑块的检测方向，目前有一些方法被提出用于提高钙化斑块的检测效率，其中，一些方法需要大量用户进行参与；也有一些方法主要采用阈值处理，仍然有很多的局限性。随着深度卷积神经网络(CNN)研究的日益广泛，可以直接进行像素级别端到端(end-to-end)的像素分割，研究将其应用在钙化斑块检测领域，实现基于人工智能的高效的检测算法，具有很高的实用价值。
发明内容
本发明的目的在于提供一种基于深度学习神经网络，能实现自动、高效检测人体心脏冠脉钙化斑块的方法。
为实现上述目的，本发明采用以下技术方案：
一种自动检测人体心脏冠脉钙化斑块的方法，包括以下步骤：
S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；
S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；
S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；
S4、调整窗宽窗位，并对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块，从S3获得的所有拉直血管图中筛选出带有钙化斑块的拉直血管图；
S5、将带有钙化斑块的拉直血管图转化为灰度图，遍历整副图像像素点的灰度值，对灰度值大于220的像素点填充颜色，获得钙化斑块提取结果。
进一步地，还包括以下步骤：
S6、统计灰度图中每一行中灰度值大于220的像素点的数目m及所分割血管的像素直径n，将m除以n以得到量化的血管狭窄率。
进一步地，步骤S1具体包括：
S11、冠脉CTA序列原始图的预处理：将CTA序列原始图按一定的窗宽窗位转换成图片格式，获得CTA序列图片；
S12、全图分割：通过预先训练的全图模型对CTA序列图片进行分割，得到主冠脉和主要分支血管的分割结果；
S13、局部patch分割：基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后根据各血管的中心位置在相邻层图片的对应位置，扩展出patch图像，通过预先训练的局部patch模型对patch图像做分割，得到细小分支血管的分割结果；
S14、融合全图和patch的分割结果：融合主冠脉、分支血管及细小分支血管的分割结果，获得人体心脏冠脉提取图。
进一步地，步骤S1中，动态选择窗宽窗位使得所有直径1.5mm以上的血管清晰可见。
进一步地，步骤S12及步骤S13中，对全图模型及局部patch模型中的softmax损失函数进行优化，在计算Loss时，对不同类别的Label乘以不同的权重w，使Loss函数取得最小值，则有：
Loss＝-wk*logpk；
式中，k为样本Lable,pk为样本属于k的概率。
进一步地，步骤S2具体包括：
S21、对人体心脏冠脉提取图进行骨架提取；
S22、基于骨架提取结果，计算各个分支血管的中心线坐标；
S23、根据某一分支血管的中心线坐标计算其中心线各处的切平面，根据切平面选取中心线周围一定规格的数据，将所有选取的数据进行拼接，生成该分支血管的拉直图片；
S24、重复步骤S23，直至获得各分支血管的拉直图片。
进一步地，步骤S3具体包括：
S31、将拉直图片分成若干个patch图像，采用深度学习神经网络分别对每个patch图像进行分割，得到各patch图像的分割结果；
S32、对各patch图像的分割结果进行拼叠还原，获得各分支血管的拉直血管图。
进一步地，步骤S4还包括：计算各拉直血管图中的像素值分布，形成对应的血管直方图。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：
本发明采用深度学习神经网络对CTA图像进行分割，获得人体冠脉提取图，在此基础上获得的拉直图片能有效排出周围信息(如周围正常组织)的干扰；同时利用灰度值进行钙化斑块的判定，在保证精度的同时提升了图像检测速度。
本发明在对CTA图像进行分割时，采用的是级联模型，能有效识别提取在全图视野中以低对比度及微小目标方式存在的细小分支血管，同时，对级联模型的损失函数进行优化，使得模型更具鲁棒性；最终获得清晰、完整的人体心脏冠脉图，使得钙化斑块的提取结果更加全面、准确。
本发明在拉直图片的分割中，将拉直图片分成若干个patch图像以分别进行图像分割，从而可以使用参数简单、速度快的网络模型完成相关分割工作，提升图像处理效率。
附图说明
图1为本发明流程框图；
图2为本发明拉直图片示例图；
图3为拉直图片分割成若干个patch图像的示例图；
图4为对各patch图像进行分割的结果示例图；
图5为拼叠还原后的拉直图片；
图6为带有有钙化斑块分布的直方图结果示例图；
图7为没有钙化斑块分布的直方图结果示例图；
图8为标记的钙化斑块示例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
参考图1所示，一种自动检测人体心脏冠脉钙化斑块的方法，包括以下步骤：
S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；
S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；
S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；
S4、调整窗框窗位，对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块，从拉直血管图中筛选出带有钙化斑块的拉直血管图；
S5、将带有钙化斑块的拉直血管图转化为灰度图，遍历整副图像像素点的灰度值，对灰度值大于220的像素点自动填充颜色，获得钙化斑块提取结果。
S6、统计灰度图中每一行中灰度值大于220的像素点的数目m及所分割血管的像素直径n，将m除以n以得到量化的血管狭窄率。
其中，步骤S1具体包括：
S11、冠脉CTA序列原始图的预处理。
CTA序列是以Dicom文件格式存放的，将CTA序列原始图按一定的窗宽窗位转换成图片格式，获得CTA序列图片。本实施例中采用的图片格式为jpg。动态调整窗宽窗位，以确保图像中直径1.5mm以上的血管可以被清晰地显示，本实施例窗宽窗位为400，70。
S12、全图分割。
通过预先训练的全图模型对CTA序列图片进行分割，得到主冠脉和主要分支血管的分割结果。
S13、局部patch分割。
基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后利用CT图像相邻层间的相关性，根据各血管的中心位置在相邻层(上下层)图片的对应位置，扩展出patch图像(本实施例中，patch图像像素大小为40x40)，通过预先训练的局部patch模型对patch图像做分割，得到细小分支血管的分割结果。
S14、融合全图和patch的分割结果。
将S3的各patch图像分割结果映射到全图分割结果的对应位置进行融合，若全图分割结果在对应位置没有提取出血管，则用patch图像分割的结果替代该位置的全图分割结果，如此，即实现主冠脉、分支血管及细小分支血管的分割结果的融合，获得人体心脏冠脉。
步骤S12与S13中，全图模型及局部patch模型均为卷积神经网络模型，其网络模型结构优选地由Resnet+Pyramid Pooling+Densecrf构成。Resnet相对于VGG等网络，可以用更深的网络(如50层、101层)更加准确的提取特征，同时可以保证训练能够很好的收敛。Pyramid Pooling模块融合了4种不同金字塔尺度特征，减少了不同子区域上下文信息损失，可以从不同感受野表征子区域融合信息。
在步骤S12及S13中，考虑到血管的特殊性，需要选择合适的训练全图模型和训练局部patch模型的特征图的宽度和高度。具体地，考虑到CT序列图片中，血管的尺寸较小，为了使血管细节可以被清晰地被识别分割，本实施例中将用于训练全图模型的特征图的宽度和高度设置为CT序列图片的1/4；而在patch图像中，血管占比较大，将用于训练局部patch模型的特征图的宽度和高度设为patch图像的1/8。
传统全图模型与局部patch模型中的原始损失函数的计算步骤包括：
a、计算softmax的归一化概率，则有：
xi＝xi-max(x1，...，xn)；
b、计算损失，则有：
Loss--logpk，k为样本label。
由于血管像素和背景像素之间存在严重的不平衡，本实施例对softmax损失函数进行优化，在计算Loss时，给不同类别的Label乘以不同的权重w，则有：
Loss＝-wk*logpk；
式中,pk为样本属于k的概率；根据图像质量和适用场景，动态优化出权重组合，使得Loss函数取得最小值，从而解决前景和背景不均衡导致模型不能收敛到更好的位置，以使得分割效果最优。本实施例中，对主要分支血管及细小分支血管赋予大于主冠脉的权重，对主冠脉赋予大于背景的权重，具体地，主分支血管及细小分支血管分类的权重优选为10，主动脉的权重优选为2，背景的权重优选为1，从而使得模型可以更好地被收敛，获得准确的分割结果。
步骤S2具体包括：
S21、通过ITK中的BinaryThinningImageFilter3D方法对人体心脏冠脉提取图进行骨架提取；
S22、基于骨架提取结果，通过VTK的vtkBoostPrimMinimumSpanningTree方法计算各个分支血管的中心线坐标；
S23、根据某一分支血管的中心线坐标计算其中心线各处的切平面，根据切平面选取中心线周围一定规格的数据(需保证将分支血管涵盖在其中，本实施例为40*40)，将所有选取的数据进行拼接，生成该分支血管的拉直图片，如图2所示的是拉直图片示例图。
S24、重复步骤S23，直至获得各分支血管的拉直图片。
网络模型的输入大部分是一个正方形的图片，如果直接将拉直的图片放进去。很难匹配合适的模型，同时会导致模型参数复杂，影响模型的训练及分割效率，故而步骤S3具体包括：
S31、将拉直图片分成若干个patch图像(本实施例中为40*40，如图3所示)，采用深度学习神经网络分别对每个patch图像进行分割，得到各patch图像的分割结果(如图4所示)；
S32、对各patch图像的分割结果进行拼叠还原，获得各分支血管的拉直血管图，如图5所示的是最终获得的拉直血管图的示例图。
以若干个patch图像进行分割的方式简化了模型参数，提升了图像处理效率。
步骤S4中，将窗宽窗位调整为300/800，在此窗宽窗位下，钙化斑块的特征非常明显。该步骤中，钙化斑块的判定是通过对大量的病例单支血管进行分析获得的，钙化斑块的中心像素值大于220。在已筛选出存在钙化斑块的拉直血管图片的基础上进行钙化斑块的检测，极大的提高了钙化斑块检测的速率与正确率。
为使得结果更加直观，通过opencv库里面的calcHist函数方法计算图像的像素值分布以生成血管直方图，如图6所示的是带有有钙化斑块分布的直方图结果示例图，如图7所示的是没有钙化斑块分布的直方图结果示例图，其中，横坐标为像素点的灰度级，纵坐标为像素数目。
步骤S5中利用OpenCV库将带有钙化斑块的拉直血管图转化为灰度图，其填充的颜色应当与背景色有明显区别(如红色)，如图8是获得钙化斑块提取结果的示例图，图中血管中的深色斑块即为钙化斑块。步骤S6中像素直径n即为该行中属于分割血管的像素点。
和传统需要大量人工设置的方法相比，本发明血管的提取更加鲁棒，更快速。对经验不丰富的医生来说能够快速的提升医生的工作效率。而传统算法需要调整不同的阈值去适应多变的场景，提取的效果也很难保证。
通过本发明的方法，我们测试了60病例，钙化斑块检测正确率98％，50个钙化病例中，检测出来49个带有钙化斑块，并且漏检的一个病例是狭窄程度小于25％的点状钙化斑块。因此，本发明对大多数的钙化斑块检测行之有效，并且可实现自动检测，极大了提高了效率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于，包括以下步骤：
S1、采用深度学习神经网络对冠脉CTA序列原始图进行分割，获得人体心脏冠脉提取图；
S2、对人体心脏冠脉提取图进行处理，生成各分支血管的拉直图片；
S3、对各拉直图片进行血管分割，获得各分支血管的拉直血管图；
S4、调整窗宽窗位，对各拉直血管图计算其整幅图像的像素值，若其存在像素值大于220的像素点，则判定为存在钙化斑块；从S3获得的所有拉直血管图中筛选出带有钙化斑块的拉直血管图；
S5、将带有钙化斑块的拉直血管图转化为灰度图，遍历整副图像像素点的灰度值，对灰度值大于220的像素点填充颜色，获得钙化斑块提取结果。
2.如权利要求1所述的一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于，还包括以下步骤：
S6、统计灰度图中每一行中灰度值大于220的像素点的数目m及所分割血管的像素直径n，将m除以n以得到量化的血管狭窄率。
3.如权利要求1所述的一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于，步骤S1具体包括：
S11、冠脉CTA序列原始图的预处理：将CTA序列原始图按一定的窗宽窗位转换成图片格式，获得CTA序列图片；
S12、全图分割：通过预先训练的全图模型对CTA序列图片进行分割，得到主冠脉和主要分支血管的分割结果；
S13、局部patch分割：基于S2全图分割的结果，提取血管在当前层的前景像素，计算出当前层每根血管的中心，然后根据各血管的中心位置在相邻层图片的对应位置，扩展出patch图像，通过预先训练的局部patch模型对patch图像做分割，得到细小分支血管的分割结果；
S14、融合全图和patch的分割结果：融合主冠脉、分支血管及细小分支血管的分割结果，获得人体心脏冠脉提取图。
4.如权利要求3所述的一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于：步骤S1中，动态选择窗宽窗位使得所有直径1.5mm以上的血管清晰可见。
5.如权利要求3所述的一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于：步骤S12及步骤S13中，对全图模型及局部patch模型中的softmax损失函数进行优化，在计算Loss时，对不同类别的Label乘以不同的权重w，使Loss函数取得最小值，则有：
Loss＝-wk*logpk；
式中，k为样本Lable,pk为样本属于k的概率。
6.如权利要求1所述的一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于，步骤S2具体包括：
S21、对人体心脏冠脉提取图进行骨架提取；
S22、基于骨架提取结果，计算各个分支血管的中心线坐标；
S23、根据某一分支血管的中心线坐标计算其中心线各处的切平面，根据切平面选取中心线周围一定规格的数据，将所有选取的数据进行拼接，生成该分支血管的拉直图片；
S24、重复步骤S23，直至获得各分支血管的拉直图片。
7.如权利要求1所述的一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于，步骤S3具体包括：
S31、将拉直图片分成若干个patch图像，采用深度学习神经网络分别对每个patch图像进行分割，得到各patch图像的分割结果；
S32、对各patch图像的分割结果进行拼叠还原，获得各分支血管的拉直血管图。
8.如权利要求1所述的一种自动检测人体心脏冠脉钙化斑块的方法，其特征在于：步骤S4还包括：计算各拉直血管图中的像素值分布，形成对应的血管直方图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810022147.9A CN108171698B (zh) | 2018-02-12 | 2018-02-12 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810022147.9A CN108171698B (zh) | 2018-02-12 | 2018-02-12 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108171698A true CN108171698A (zh) | 2018-06-15 |
| CN108171698B CN108171698B (zh) | 2020-06-09 |
Family
ID=62517984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810022147.9A Active CN108171698B (zh) | 2018-02-12 | 2018-02-12 | 一种自动检测人体心脏冠脉钙化斑块的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171698B (zh) |
Cited By (46)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
| CN108960322A (zh) * | 2018-07-02 | 2018-12-07 | 河南科技大学 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
| CN109063557A (zh) * | 2018-06-27 | 2018-12-21 | 北京红云智胜科技有限公司 | 快速构建心脏冠脉血管识别数据集的方法 |
| CN109118489A (zh) * | 2018-09-29 | 2019-01-01 | 数坤（北京）网络科技有限公司 | 检测心肌内血管的方法及系统 |
| CN109285158A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
| CN109288536A (zh) * | 2018-09-30 | 2019-02-01 | 数坤（北京）网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及系统 |
| CN109325948A (zh) * | 2018-10-09 | 2019-02-12 | 数坤（北京）网络科技有限公司 | 一种基于特殊区域优化的冠状动脉分割方法及装置 |
| CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤（北京）网络科技有限公司 | 一种冠状血管分割方法及系统 |
| CN109389592A (zh) * | 2018-09-30 | 2019-02-26 | 数坤（北京）网络科技有限公司 | 计算冠脉钙化积分的方法、装置及系统 |
| CN109671091A (zh) * | 2019-02-27 | 2019-04-23 | 数坤（北京）网络科技有限公司 | 一种非钙化斑检测方法及非钙化斑检测设备 |
| CN109846465A (zh) * | 2019-04-01 | 2019-06-07 | 数坤（北京）网络科技有限公司 | 一种基于亮度分析的血管钙化误报检测方法 |
| CN109859205A (zh) * | 2019-02-22 | 2019-06-07 | 数坤（北京）网络科技有限公司 | 一种斑块检测方法及斑块检测设备 |
| CN109859201A (zh) * | 2019-02-15 | 2019-06-07 | 数坤（北京）网络科技有限公司 | 一种非钙化斑块检出方法及其设备 |
| CN109872321A (zh) * | 2019-02-26 | 2019-06-11 | 数坤（北京）网络科技有限公司 | 一种血管狭窄检测方法及设备 |
| CN109949271A (zh) * | 2019-02-14 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种基于医学图像的检测方法、模型训练的方法及装置 |
| CN110009616A (zh) * | 2019-04-01 | 2019-07-12 | 数坤（北京）网络科技有限公司 | 一种点状钙化检测方法 |
| CN110033442A (zh) * | 2019-04-01 | 2019-07-19 | 数坤（北京）网络科技有限公司 | 一种基于分析线提取的血管钙化区域检测方法及系统 |
| CN110136107A (zh) * | 2019-05-07 | 2019-08-16 | 上海交通大学 | 基于dssd和时域约束x光冠脉造影序列自动分析方法 |
| CN110136804A (zh) * | 2019-04-25 | 2019-08-16 | 深圳向往之医疗科技有限公司 | 一种心肌质量计算方法、系统及电子设备 |
| CN110189341A (zh) * | 2019-06-05 | 2019-08-30 | 北京青燕祥云科技有限公司 | 一种图像分割模型训练的方法、图像分割的方法及装置 |
| CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
| CN110652312A (zh) * | 2019-07-19 | 2020-01-07 | 慧影医疗科技（北京）有限公司 | 一种血管cta智能分析系统及应用 |
| CN111145160A (zh) * | 2019-12-28 | 2020-05-12 | 上海联影医疗科技有限公司 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
| CN111598870A (zh) * | 2020-05-15 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 |
| CN111612756A (zh) * | 2020-05-18 | 2020-09-01 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
| CN111768403A (zh) * | 2020-07-09 | 2020-10-13 | 成都全景恒升科技有限公司 | 一种基于人工智能算法的钙化斑块检测决策系统及装置 |
| CN111815599A (zh) * | 2020-07-01 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN112288752A (zh) * | 2020-10-29 | 2021-01-29 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
| CN112418299A (zh) * | 2020-11-19 | 2021-02-26 | 推想医疗科技股份有限公司 | 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 |
| CN112712507A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定冠状动脉的钙化区域的方法及装置 |
| CN113034491A (zh) * | 2021-04-16 | 2021-06-25 | 北京安德医智科技有限公司 | 一种冠脉钙化斑块检测方法及装置 |
| CN113421634A (zh) * | 2020-03-03 | 2021-09-21 | 上海微创卜算子医疗科技有限公司 | 主动脉标注方法、系统及计算机可读存储介质 |
| CN113538471A (zh) * | 2021-06-30 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN113744171A (zh) * | 2020-05-28 | 2021-12-03 | 上海微创卜算子医疗科技有限公司 | 血管钙化图像分割方法、系统和可读存储介质 |
| CN114424290A (zh) * | 2019-08-05 | 2022-04-29 | 光实验成像公司 | 冠状动脉钙负荷的纵向显示 |
| CN114732431A (zh) * | 2022-06-13 | 2022-07-12 | 深圳科亚医疗科技有限公司 | 对血管病变进行检测的计算机实现方法、装置及介质 |
| CN114943699A (zh) * | 2022-05-16 | 2022-08-26 | 北京医准智能科技有限公司 | 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 |
| CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
| CN115100222A (zh) * | 2022-08-24 | 2022-09-23 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
| CN115222665A (zh) * | 2022-06-13 | 2022-10-21 | 北京医准智能科技有限公司 | 一种斑块检测方法、装置、电子设备及可读存储介质 |
| CN115713626A (zh) * | 2022-11-21 | 2023-02-24 | 山东省人工智能研究院 | 一种基于深度学习的3d冠脉cta斑块识别方法 |
| CN116309248A (zh) * | 2022-09-07 | 2023-06-23 | 拓微摹心数据科技(南京)有限公司 | 一种主动脉根部钙化空间分布均匀性自动评估方法 |
| US11836916B2 (en) | 2020-04-08 | 2023-12-05 | Neusoft Medical Systems Co., Ltd. | Detecting vascular calcification |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
| CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| CN106169190A (zh) * | 2016-07-01 | 2016-11-30 | 南京邮电大学 | 一种冠状动脉的分层显示方法 |
| CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
-
2018
- 2018-02-12 CN CN201810022147.9A patent/CN108171698B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103337096A (zh) * | 2013-07-19 | 2013-10-02 | 东南大学 | 一种冠状动脉ct造影图像钙化点检测方法 |
| CN104091346A (zh) * | 2014-07-24 | 2014-10-08 | 东南大学 | 一种全自动ct图像冠状动脉钙化分数计算方法 |
| CN105825509A (zh) * | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
| CN106169190A (zh) * | 2016-07-01 | 2016-11-30 | 南京邮电大学 | 一种冠状动脉的分层显示方法 |
| CN106296660A (zh) * | 2016-07-28 | 2017-01-04 | 北京师范大学 | 一种全自动冠状动脉分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| RAHIL SHAHAZD等: "Automatic segmentation，detection and quantification of coronary artery stenoses on CTA", 《THE INTERNATIONAL JOURNAL OF CARDIOVASCULAR IMAGING》 * |
| 孙巧榆等: "基于模糊C均值法的CTA图像冠状动脉狭窄量化", 《东南大学学报》 * |
| 朱文博: "面向冠脉狭窄病变辅助诊断的图像处理关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (74)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063557A (zh) * | 2018-06-27 | 2018-12-21 | 北京红云智胜科技有限公司 | 快速构建心脏冠脉血管识别数据集的方法 |
| CN109063557B (zh) * | 2018-06-27 | 2021-07-09 | 北京红云智胜科技有限公司 | 快速构建心脏冠脉血管识别数据集的方法 |
| CN108960322B (zh) * | 2018-07-02 | 2022-01-28 | 河南科技大学 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
| CN108960322A (zh) * | 2018-07-02 | 2018-12-07 | 河南科技大学 | 一种基于心脏ct图像的冠状动脉钙化斑块自动检测方法 |
| CN108932714A (zh) * | 2018-07-23 | 2018-12-04 | 苏州润心医疗器械有限公司 | 冠脉ct图像的斑块分类方法 |
| CN108932714B (zh) * | 2018-07-23 | 2021-11-23 | 苏州润迈德医疗科技有限公司 | 冠脉ct图像的斑块分类方法 |
| CN109285158A (zh) * | 2018-07-24 | 2019-01-29 | 深圳先进技术研究院 | 血管壁斑块分割方法、装置及计算机可读存储介质 |
| CN109118489A (zh) * | 2018-09-29 | 2019-01-01 | 数坤（北京）网络科技有限公司 | 检测心肌内血管的方法及系统 |
| CN109118489B (zh) * | 2018-09-29 | 2020-12-11 | 数坤（北京）网络科技有限公司 | 一种冠状动脉位置检测方法及系统 |
| CN109360209A (zh) * | 2018-09-30 | 2019-02-19 | 语坤（北京）网络科技有限公司 | 一种冠状血管分割方法及系统 |
| CN109360209B (zh) * | 2018-09-30 | 2020-04-14 | 语坤（北京）网络科技有限公司 | 一种冠状血管分割方法及系统 |
| CN109288536A (zh) * | 2018-09-30 | 2019-02-01 | 数坤（北京）网络科技有限公司 | 获取冠脉钙化区域分类的方法、装置及系统 |
| CN109389592B (zh) * | 2018-09-30 | 2021-01-26 | 数坤（北京）网络科技有限公司 | 计算冠脉钙化积分的方法、装置及系统 |
| CN109389592A (zh) * | 2018-09-30 | 2019-02-26 | 数坤（北京）网络科技有限公司 | 计算冠脉钙化积分的方法、装置及系统 |
| CN109325948A (zh) * | 2018-10-09 | 2019-02-12 | 数坤（北京）网络科技有限公司 | 一种基于特殊区域优化的冠状动脉分割方法及装置 |
| CN109949271A (zh) * | 2019-02-14 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种基于医学图像的检测方法、模型训练的方法及装置 |
| CN109859201A (zh) * | 2019-02-15 | 2019-06-07 | 数坤（北京）网络科技有限公司 | 一种非钙化斑块检出方法及其设备 |
| CN109859205A (zh) * | 2019-02-22 | 2019-06-07 | 数坤（北京）网络科技有限公司 | 一种斑块检测方法及斑块检测设备 |
| CN109859205B (zh) * | 2019-02-22 | 2021-03-19 | 数坤（北京）网络科技有限公司 | 一种斑块检测方法及斑块检测设备 |
| CN109872321A (zh) * | 2019-02-26 | 2019-06-11 | 数坤（北京）网络科技有限公司 | 一种血管狭窄检测方法及设备 |
| CN109671091B (zh) * | 2019-02-27 | 2021-01-01 | 数坤（北京）网络科技有限公司 | 一种非钙化斑检测方法及非钙化斑检测设备 |
| CN109671091A (zh) * | 2019-02-27 | 2019-04-23 | 数坤（北京）网络科技有限公司 | 一种非钙化斑检测方法及非钙化斑检测设备 |
| CN110009616B (zh) * | 2019-04-01 | 2020-12-25 | 数坤（北京）网络科技有限公司 | 一种点状钙化检测方法 |
| CN109846465A (zh) * | 2019-04-01 | 2019-06-07 | 数坤（北京）网络科技有限公司 | 一种基于亮度分析的血管钙化误报检测方法 |
| CN110033442A (zh) * | 2019-04-01 | 2019-07-19 | 数坤（北京）网络科技有限公司 | 一种基于分析线提取的血管钙化区域检测方法及系统 |
| CN110009616A (zh) * | 2019-04-01 | 2019-07-12 | 数坤（北京）网络科技有限公司 | 一种点状钙化检测方法 |
| CN110136804B (zh) * | 2019-04-25 | 2021-11-16 | 深圳向往之医疗科技有限公司 | 一种心肌质量计算方法、系统及电子设备 |
| CN110136804A (zh) * | 2019-04-25 | 2019-08-16 | 深圳向往之医疗科技有限公司 | 一种心肌质量计算方法、系统及电子设备 |
| CN110136107B (zh) * | 2019-05-07 | 2023-09-05 | 上海交通大学 | 基于dssd和时域约束x光冠脉造影序列自动分析方法 |
| CN110136107A (zh) * | 2019-05-07 | 2019-08-16 | 上海交通大学 | 基于dssd和时域约束x光冠脉造影序列自动分析方法 |
| CN110310256A (zh) * | 2019-05-30 | 2019-10-08 | 上海联影智能医疗科技有限公司 | 冠脉狭窄检测方法、装置、计算机设备和存储介质 |
| CN110189341B (zh) * | 2019-06-05 | 2021-08-10 | 北京青燕祥云科技有限公司 | 一种图像分割模型训练的方法、图像分割的方法及装置 |
| CN110189341A (zh) * | 2019-06-05 | 2019-08-30 | 北京青燕祥云科技有限公司 | 一种图像分割模型训练的方法、图像分割的方法及装置 |
| CN110652312A (zh) * | 2019-07-19 | 2020-01-07 | 慧影医疗科技（北京）有限公司 | 一种血管cta智能分析系统及应用 |
| CN110652312B (zh) * | 2019-07-19 | 2023-03-14 | 慧影医疗科技(北京)股份有限公司 | 一种血管cta智能分析系统及应用 |
| CN114424290B (zh) * | 2019-08-05 | 2023-07-25 | 光实验成像公司 | 用于提供冠状动脉钙负荷的纵向显示的装置和方法 |
| CN114424290A (zh) * | 2019-08-05 | 2022-04-29 | 光实验成像公司 | 冠状动脉钙负荷的纵向显示 |
| CN111145160A (zh) * | 2019-12-28 | 2020-05-12 | 上海联影医疗科技有限公司 | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 |
| CN113421634A (zh) * | 2020-03-03 | 2021-09-21 | 上海微创卜算子医疗科技有限公司 | 主动脉标注方法、系统及计算机可读存储介质 |
| CN111369528B (zh) * | 2020-03-03 | 2022-09-09 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111369528A (zh) * | 2020-03-03 | 2020-07-03 | 重庆理工大学 | 基于深度卷积网络的冠状动脉血管造影图像狭窄区域标示方法 |
| CN111445449B (zh) * | 2020-03-19 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
| CN111445449A (zh) * | 2020-03-19 | 2020-07-24 | 上海联影智能医疗科技有限公司 | 感兴趣区域的分类方法、装置、计算机设备和存储介质 |
| US11836916B2 (en) | 2020-04-08 | 2023-12-05 | Neusoft Medical Systems Co., Ltd. | Detecting vascular calcification |
| CN111598870B (zh) * | 2020-05-15 | 2023-09-15 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 |
| CN111598870A (zh) * | 2020-05-15 | 2020-08-28 | 北京小白世纪网络科技有限公司 | 基于卷积神经网络端对端推理计算冠状动脉钙化比的方法 |
| CN111612756B (zh) * | 2020-05-18 | 2023-03-21 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
| CN111612756A (zh) * | 2020-05-18 | 2020-09-01 | 中山大学 | 冠状动脉特异性钙化检测方法及装置 |
| CN113744171B (zh) * | 2020-05-28 | 2023-11-14 | 上海微创卜算子医疗科技有限公司 | 血管钙化图像分割方法、系统和可读存储介质 |
| CN113744171A (zh) * | 2020-05-28 | 2021-12-03 | 上海微创卜算子医疗科技有限公司 | 血管钙化图像分割方法、系统和可读存储介质 |
| CN111815599B (zh) * | 2020-07-01 | 2023-12-15 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN111815599A (zh) * | 2020-07-01 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种图像处理方法、装置、设备及存储介质 |
| CN111768403A (zh) * | 2020-07-09 | 2020-10-13 | 成都全景恒升科技有限公司 | 一种基于人工智能算法的钙化斑块检测决策系统及装置 |
| LU500798A1 (en) * | 2020-10-29 | 2022-04-28 | Peking Union Medical College Hospital | Full-Automatic Segmentation Method for Coronary Artery Calcium Lesions Based on Non-Contrast Chest CT |
| CN112288752A (zh) * | 2020-10-29 | 2021-01-29 | 中国医学科学院北京协和医院 | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 |
| CN112418299A (zh) * | 2020-11-19 | 2021-02-26 | 推想医疗科技股份有限公司 | 冠状动脉分割模型训练方法、冠状动脉分割方法、及装置 |
| CN112712507A (zh) * | 2020-12-31 | 2021-04-27 | 杭州依图医疗技术有限公司 | 一种确定冠状动脉的钙化区域的方法及装置 |
| CN112712507B (zh) * | 2020-12-31 | 2023-12-19 | 杭州依图医疗技术有限公司 | 一种确定冠状动脉的钙化区域的方法及装置 |
| CN113034491A (zh) * | 2021-04-16 | 2021-06-25 | 北京安德医智科技有限公司 | 一种冠脉钙化斑块检测方法及装置 |
| CN113538471A (zh) * | 2021-06-30 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
| CN113538471B (zh) * | 2021-06-30 | 2023-09-22 | 上海联影医疗科技股份有限公司 | 斑块的分割方法、装置、计算机设备和存储介质 |
| CN113628193B (zh) * | 2021-08-12 | 2022-07-15 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN113628193A (zh) * | 2021-08-12 | 2021-11-09 | 推想医疗科技股份有限公司 | 血管狭窄率确定方法、装置、系统及存储介质 |
| CN114943699A (zh) * | 2022-05-16 | 2022-08-26 | 北京医准智能科技有限公司 | 分割模型训练方法、冠脉钙化斑块的分割方法、相关装置 |
| CN114972376B (zh) * | 2022-05-16 | 2023-08-25 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
| CN114972376A (zh) * | 2022-05-16 | 2022-08-30 | 北京医准智能科技有限公司 | 冠脉钙化斑块的分割方法、分割模型训练方法、相关装置 |
| CN114732431B (zh) * | 2022-06-13 | 2022-10-18 | 深圳科亚医疗科技有限公司 | 对血管病变进行检测的计算机实现方法、装置及介质 |
| CN114732431A (zh) * | 2022-06-13 | 2022-07-12 | 深圳科亚医疗科技有限公司 | 对血管病变进行检测的计算机实现方法、装置及介质 |
| CN115222665A (zh) * | 2022-06-13 | 2022-10-21 | 北京医准智能科技有限公司 | 一种斑块检测方法、装置、电子设备及可读存储介质 |
| CN115100222A (zh) * | 2022-08-24 | 2022-09-23 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
| CN115100222B (zh) * | 2022-08-24 | 2022-12-09 | 首都医科大学附属北京朝阳医院 | 分离动静脉血管的图像处理方法、装置、存储介质及终端 |
| CN116309248A (zh) * | 2022-09-07 | 2023-06-23 | 拓微摹心数据科技(南京)有限公司 | 一种主动脉根部钙化空间分布均匀性自动评估方法 |
| CN115713626B (zh) * | 2022-11-21 | 2023-07-18 | 山东省人工智能研究院 | 一种基于深度学习的3d冠脉cta斑块识别方法 |
| CN115713626A (zh) * | 2022-11-21 | 2023-02-24 | 山东省人工智能研究院 | 一种基于深度学习的3d冠脉cta斑块识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108171698B (zh) | 2020-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108171698A (zh) | 一种自动检测人体心脏冠脉钙化斑块的方法 | |
| CN108010041A (zh) | 基于深度学习神经网络级联模型的人体心脏冠脉提取方法 | |
| CN109087302A (zh) | 一种眼底图像血管分割方法及设备 | |
| CN108399361A (zh) | 一种基于卷积神经网络cnn和语义分割的行人检测方法 | |
| CN110889813A (zh) | 基于红外信息的低光图像增强方法 | |
| CN106920227A (zh) | 基于深度学习与传统方法相结合的视网膜血管分割方法 | |
| CN107437092A (zh) | 基于三维卷积神经网络的视网膜oct图像的分类算法 | |
| CN108198207A (zh) | 基于改进的Vibe模型和BP神经网络的多运动目标跟踪方法 | |
| CN110163219A (zh) | 基于图像边缘识别的目标检测方法 | |
| CN112185523B (zh) | 基于多尺度卷积神经网络的糖尿病视网膜病变分类方法 | |
| CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
| Mohajerani et al. | Shadow detection in single RGB images using a context preserver convolutional neural network trained by multiple adversarial examples | |
| CN107644418A (zh) | 基于卷积神经网络的视盘检测方法及系统 | |
| CN107657619A (zh) | 一种低照度林火图像分割方法 | |
| CN111784624B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
| CN112785534A (zh) | 一种动态场景下去鬼影多曝光图像融合方法 | |
| CN109544694A (zh) | 一种基于深度学习的增强现实系统虚实混合建模方法 | |
| CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
| CN111179196A (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
| CN102231190A (zh) | 冲洪积扇信息的自动提取方法 | |
| CN117011249A (zh) | 一种基于深度学习的轮胎外观缺陷检测方法 | |
| CN114998173B (zh) | 基于局部区域亮度调节的空间环境高动态范围成像方法 | |
| CN110930343A (zh) | 基于sr-mdcnn的遥感图像融合方法 | |
| CN110490049A (zh) | 基于多特征和svm区分人体平衡障碍的方法 | |
| CN106446764B (zh) | 基于改进的模糊颜色聚合向量的视频目标检测方法 |
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: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee after: Shukun (Beijing) Network Technology Co.,Ltd. Address before: 100020 11th floor, No.1 andingmenwai street, Chaoyang District, Beijing (no.d416 anzhen incubator) Patentee before: SHUKUN (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230112 Address after: 200,030 Room 307, Area A, Floor 2, No.420 Fenglin Road, Xuhui District, Shanghai Patentee after: Shukun (Shanghai) Medical Technology Co.,Ltd. Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |