CN108460748A - 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统 - Google Patents

乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统 Download PDF

Info

Publication number
CN108460748A
CN108460748A CN201810398258.XA CN201810398258A CN108460748A CN 108460748 A CN108460748 A CN 108460748A CN 201810398258 A CN201810398258 A CN 201810398258A CN 108460748 A CN108460748 A CN 108460748A
Authority
CN
China
Prior art keywords
feature
signal strength
sequence
val
breast
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
Application number
CN201810398258.XA
Other languages
English (en)
Other versions
CN108460748B (zh
Inventor
孙航
李宏
刘思琪
齐守良
钱唯
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810398258.XA priority Critical patent/CN108460748B/zh
Publication of CN108460748A publication Critical patent/CN108460748A/zh
Application granted granted Critical
Publication of CN108460748B publication Critical patent/CN108460748B/zh
Expired - Fee Related 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Child & Adolescent Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及医疗技术领域，尤其提供一种乳腺肿瘤分析用特征训练参数获取方法及系统来提高后续分类的准确率，以及提供一种乳腺肿瘤诊断系统来提高乳腺肿瘤诊断的准确率。乳腺肿瘤分析用特征训练参数获取方法包括获取乳腺影像序列并对其进行降噪处理，从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，然后获取对侧乳腺所对应的感兴趣区域，之后通过计算乳腺影像序列中乳腺肿瘤区域和感兴趣区域内的信号平均强度绘制双侧时间强度曲线，并基于双侧时间强度曲线分别提取多个特征，并且获得双侧差异特征，然后从双侧差异特征中筛选出多个有效差异特征，多个有效差异特征作为特征训练参数。获取系统用于上述方法，乳腺肿瘤诊断系统包括获取系统。

Description

乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统
技术领域
本发明涉及医疗技术领域，尤其涉及一种乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统。
背景技术
基于动态对比增强磁共振影像(Dynamic Contrast Enhanced MagneticResonance Imaging,DCE-MRI)的乳腺肿瘤良恶性诊断已经在临床应用中普及。影像医生诊断的敏感度较好，但特异性较低导致整体准确性有待提高。
目前，使用计算机对医学图像进行分析，得到分析结果作为医生诊断的参考意见，已经十分普遍。而越来越多的研究学者将时间强度曲线(Time Intensity Curve，TIC曲线)特征应用到乳腺癌的诊断研究中，对乳腺肿瘤区域的TIC曲线的特征进行特征训练以及分类，分类结果向医生对乳腺肿瘤良恶性的判断给出辅助意见。但是，上述方法忽略了双侧乳腺不对称性是患乳腺癌风险增加的重要表征，因此分类的准确率较低，对医生诊断的辅助作用不大。
发明内容
(一)要解决的技术问题
本发明的一个目的在于，提供一种乳腺肿瘤分析用特征训练参数获取方法及系统，提高后续分类的准确率。
本发明的另一个目的在于，提供一种乳腺肿瘤诊断系统，提高乳腺肿瘤诊断的准确率。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
本发明一方面提供一种乳腺肿瘤分析用特征训练参数获取方法，包括如下步骤：步骤1、获取乳腺影像序列并对其进行降噪处理；步骤2、从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，然后获取对侧乳腺所对应的感兴趣区域；步骤3、通过计算乳腺影像序列中乳腺肿瘤区域和感兴趣区域内的信号平均强度绘制双侧时间强度曲线；步骤4、基于双侧时间强度曲线分别提取多个特征，并且获得双侧差异特征；步骤5、从双侧差异特征中筛选出多个有效差异特征，多个有效差异特征作为特征训练参数。
根据本发明，步骤2包括如下子步骤：步骤2.1、采用三维区域生长算法从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域；步骤2.2、乳腺肿瘤区域沿整体乳腺的中轴投射到另一侧，得到感兴趣区域。
根据本发明，在步骤1中，获取9个序列，其中1个蒙片序列记为0，8个增强序列分别记为1-8；在步骤4中，基于双侧时间强度曲线分别提取乳腺肿瘤区域和感兴趣区域的如下29个特征：
特征1-8、灰度比：
其中，val(8)为序列8的平均信号强度，val(i)为序列i的平均信号强度，i＝0、1、2、3、4、5、6、7；
特征9、吸收率：
其中，val(3)为序列3的平均信号强度，val(0)为序列0的平均信号强度；
特征10、廓清率：
其中，val(0)为序列0的平均信号强度，val(8)为序列8的平均信号强度；
特征11、达峰时间：
F11＝Tpeak；
其中，Tpeak为达峰时间；
特征12、信号强度最大值：
F12＝Cmax；
其中，Cmax为信号强度最大值；
特征13、峰值增强斜率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值；
特征14、峰值增强曲率：
获得如下表示所述时间强度曲线的函数C(t)：
C(t)＝a8t7+a7t6+a6t5+a5t4+a4t3+a3t2+a2t+a1；
其中，C为信号强度，t为时间，a1、a2、a3、a4、a5、a6、a7和a8为曲线拟合参数；
按照如下公式求得峰值增强曲率：
其中，Tpeak为达峰时间；
特征15-22、曲线拟合参数：
特征15为所述a8，特征16为所述a7，特征17为所述a6，特征18为所述a5，特征19为所述a4，特征20为所述a3，特征21为所述a2，特征22为所述a1；
特征23、信号增强比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度，val(8)为序列8的平均信号强度；
特征24、初始增强百分比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征25、初始增强速率：
F25＝val(1)-val(0)；
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征26、最大增强百分比：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度；
特征27、最大增强速率：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度，Tpeak为达峰时间；
特征28、流出百分比：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
特征29、流出速率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
在步骤4中，乳腺肿瘤区域的29个特征参数和感兴趣区域的29个特征参数分别为F1和F2，按照如下公式计算F1和F2的绝对差值ΔF作为双侧差异特征：
ΔF＝|F1–F2|；
在步骤5中，筛选出如下7个有效差异特征：
灰度比F2、F3、F4、F5、F7，达峰时间和信号增强比的双侧差异。
根据本发明，在步骤5中，通过序列浮动前向选择方法筛选出有效差异特征。
根据本发明，在步骤1中，乳腺影像序列为DCE-MRI影像序列，采用高斯滤波器对DCE-MRI影像序列进行降噪处理。
本发明另一方面提供一种乳腺肿瘤分析用特征训练参数获取系统，包括：降噪处理单元，用于对获取的乳腺影像序列进行降噪处理；处理器，用于接收降噪处理单元处理后的乳腺影像序列，从其中分割获取乳腺肿瘤区域，获取对侧乳腺所对应的感兴趣区域，并通过计算乳腺影像序列中乳腺肿瘤区域和感兴趣区域内的信号平均强度绘制双侧时间强度曲线，然后基于双侧时间强度曲线分别提取多个特征，并且获得双侧差异特征，之后从双侧差异特征中筛选出多个有效差异特征，多个有效差异特征作为特征训练参数。
根据本发明，处理器采用三维区域生长算法从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，并将乳腺肿瘤区域沿整体乳腺的中轴投射到另一侧，得到感兴趣区域。
根据本发明，降噪处理单元获取9个序列；处理器将9个序列中的1个蒙片序列记为0，8个增强序列分别记为1-8，处理器基于双侧时间强度曲线分别提取乳腺肿瘤区域和感兴趣区域的如下29个特征：
特征1-8、灰度比：
其中，val(8)为序列8的平均信号强度，val(i)为序列i的平均信号强度，i＝0、1、2、3、4、5、6、7；
特征9、吸收率：
其中，val(3)为序列3的平均信号强度，val(0)为序列0的平均信号强度；
特征10、廓清率：
其中，val(0)为序列0的平均信号强度，val(8)为序列8的平均信号强度；
特征11、达峰时间：
F11＝Tpeak；
其中，Tpeak为达峰时间；
特征12、信号强度最大值：
F12＝Cmax；
其中，Cmax为信号强度最大值；
特征13、峰值增强斜率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值；
特征14、峰值增强曲率：
获得如下表示所述时间强度曲线的函数C(t)：
C(t)＝a8t7+a7t6+a6t5+a5t4+a4t3+a3t2+a2t+a1；
其中，C为信号强度，t为时间，a1、a2、a3、a4、a5、a6、a7和a8为曲线拟合参数；
按照如下公式求得峰值增强曲率：
其中，Tpeak为达峰时间；
特征15-22、曲线拟合参数：
特征15为所述a8，特征16为所述a7，特征17为所述a6，特征18为所述a5，特征19为所述a4，特征20为所述a3，特征21为所述a2，特征22为所述a1；；
特征23、信号增强比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度，val(8)为序列8的平均信号强度；
特征24、初始增强百分比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征25、初始增强速率：
F25＝val(1)-val(0)；
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征26、最大增强百分比：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度；
特征27、最大增强速率：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度，Tpeak为达峰时间；
特征28、流出百分比：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
特征29、流出速率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
处理器将乳腺肿瘤区域的29个特征参数和感兴趣区域的29个特征参数分别表示为F1和F2，按照如下公式计算F1和F2的绝对差值ΔF作为双侧差异特征：
ΔF＝|F1–F2|；
处理器筛选出如下7个有效差异特征：
灰度比F2、F3、F4、F5、F7，达峰时间和信号增强比的双侧差异。
根据本发明，乳腺影像序列为DCE-MRI影像序列，降噪处理单元为高斯滤波器；处理器通过序列浮动前向选择方法筛选出有效差异特征。
本发明再一方面提供一种乳腺肿瘤诊断系统，包括上述任一项乳腺肿瘤分析用特征训练参数获取系统，还包括：支持向量机，用于对多个有效差异特征进行训练，并基于交叉验证方法得到分类结果。
(三)有益效果
本发明的有益效果是：
本发明的乳腺肿瘤分析用特征训练参数获取方法提取双侧对应区域TIC曲线并定义描述其差别的特征参数来反映双侧乳腺组织增强模式差异，利用有效特征参数作为后续特征训练参数并最终进行分类，分类的准确率得到明显的提高，能够更好地辅助医生做出诊断。
本发明的乳腺肿瘤分析用特征训练参数获取系统提取双侧对应区域TIC曲线并定义描述其差别的特征参数来反映双侧乳腺组织增强模式差异，利用有效特征参数作为后续特征训练参数并最终进行分类，分类的准确率得到明显的提高，能够更好地辅助医生做出诊断。
本发明的乳腺肿瘤诊断系统提取双侧对应区域TIC曲线并定义描述其差别的特征参数来反映双侧乳腺组织增强模式差异，利用有效特征参数作为特征训练参数并最终进行分类，分类的准确率得到明显的提高，能够更好地辅助医生做出诊断，在节省时间的基础上还能提高诊断的准确率。
附图说明
图1是如下实施例一中乳腺肿瘤分析用特征训练参数获取方法的步骤1获得的乳腺图像；
图2是如下实施例一中乳腺肿瘤分析用特征训练参数获取方法的步骤1获得的降噪处理后的图像；
图3是如下实施例一中乳腺肿瘤分析用特征训练参数获取方法的步骤2获得的病灶分割结果的图像；
图4是如下实施例一中乳腺肿瘤分析用特征训练参数获取方法的步骤2获得的感兴趣区域的图像；
图5是如下实施例一中乳腺肿瘤分析用特征训练参数获取方法的步骤3获得的双侧时间强度曲线图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
实施例一
本实施例提供一种乳腺肿瘤分析用特征训练参数获取方法，包括如下步骤：
步骤1、获取乳腺影像序列(如图1)并对其进行降噪处理。其中，乳腺影像序列可以为MRI影像序列(例如DCE-MRI影像序列)、X线及数字断层影像序列等，在此以DCE-MRI影像序列为例。在本实施例中，获取9个序列，其中1个蒙片序列记为0，8个增强序列分别记为1-8，9个序列间隔预设时间获取，在本实施例中为间隔1min。而医学磁共振影像噪声主要服从赖斯分布，当图像的信噪比较高时，噪声分布会退化为高斯分布；相反，当图像的信噪比较低时，噪声分布就会退化为瑞利分布。由于DCE-MRI影像大都是采用高性能设备进行采集成像的，所以图像普遍具有较高的信噪比，因此DCE-MRI影像的噪声分布以高斯分布为主。基于以上的理论分析，在此采用高斯滤波器对DCE-MRI影像序列进行降噪处理，高斯滤波器采用7×7大小的模板，标准差取0.8，得到的滤波结果如图2所示。当然，在本发明的其他实施例中采用其他乳腺影像序列时，可对其进行相应的降噪处理而不局限于高斯滤波器降噪。
步骤2、从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，然后获取对侧乳腺所对应的感兴趣区域(Region of Interest,ROI)。具体地，在本实施例中，步骤2包括如下子步骤：
步骤2.1、步骤1获得的乳腺DCE-MRI数据均为三维乳腺数据，因此采用三维区域生长算法从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，种子点根据医生给出的诊断报告手动确定，图3给出了将三维区域生长算法应用到本实施例中所得到的病灶分割结果；
步骤2.2、乳腺肿瘤区域沿整体乳腺的中轴投射到另一侧，得到感兴趣区域，图4给出了将分割结果映射到对侧乳腺所获得的感兴趣区域。
步骤3、通过计算乳腺影像序列中乳腺肿瘤区域和感兴趣区域内的信号平均强度(在图像中表现为平均灰度)绘制双侧时间强度曲线(如图5)，其中，“双侧”指乳腺肿瘤侧和对侧(即感兴趣区域侧)，也就是说如图5中所示有两条分别对应乳腺肿瘤侧和对侧的时间强度曲线。时间强度曲线是以9个序列的平均信号强度为基础点拟合形成曲线，图5中横坐标所标为9个序列的采集时间(在本实施例中为0、1min、2min、3min、4min、5min、6min、7min、8min)，纵坐标为信号强度，可理解拟合的时间强度曲线是以时间为横坐标、信号强度为纵坐标的曲线，此时间强度曲线能够代表区域内的代谢特性。
步骤4、基于步骤3获得的双侧时间强度曲线分别提取乳腺肿瘤区域和感兴趣区域的多个特征，并且获得双侧差异特征。在本实施例中，具体为分别提取乳腺肿瘤区域和感兴趣区域的如下29个特征：
特征1-8(即F1-F8)、灰度比：
其中，val(8)为序列8的平均信号强度，val(i)为序列i的平均信号强度，i＝0、1、2、3、4、5、6、7。
具体而言，上式中的含义为：特征1(F1)的值为序列8的平均信号强度除以序列0的平均信号强度；特征2(F2)的值为序列8的平均信号强度除以序列1的平均信号强度；特征3(F3)的值为序列8的平均信号强度除以序列2的平均信号强度；特征4(F4)的值为序列8的平均信号强度除以序列3的平均信号强度；特征5(F5)的值为序列8的平均信号强度除以序列4的平均信号强度；特征6(F6)的值为序列8的平均信号强度除以序列5的平均信号强度；特征7(F7)的值为序列8的平均信号强度除以序列6的平均信号强度；特征8(F8)的值为序列8的平均信号强度除以序列7的平均信号强度。
特征9(即F9)、吸收率：
其中，val(3)为序列3的平均信号强度，val(0)为序列0的平均信号强度。
具体而言，上式的含义为：吸收率F9的值为序列3的平均信号强度与序列0的平均信号强度的差除以序列0的平均信号强度。
特征10(即F10)、廓清率：
其中，val(0)为序列0的平均信号强度，val(8)为序列8的平均信号强度。
具体而言，上式的含义为：廓清率F10的值为序列0的平均信号强度与序列8的平均信号强度的差除以序列8的平均信号强度。
特征11(即F11)、达峰时间：
F11＝Tpeak；
其中，Tpeak为达峰时间，即时间强度曲线中达到峰值所用的时间。
特征12(即F12)、信号强度最大值：
F12＝Cmax；
其中，Cmax为信号强度最大值，即时间强度曲线中的峰值。
特征13(即F13)、峰值增强斜率：
其中，Tpeak为达峰时间，Cmax为达峰时间。
特征14(即F14)、峰值增强曲率：
通过7次多项式方法获得如下表示图5中的时间强度曲线的函数C(t)：
C(t)＝a8t7+a7t6+a6t5+a5t4+a4t3+a3t2+a2t+a1；
其中，C为信号强度，t为时间，a1、a2、a3、a4、a5、a6、a7和a8为曲线拟合参数；
按照如下公式求得峰值增强曲率：
其中，Tpeak为达峰时间。
特征15-22(即F15-F22)、曲线拟合参数(即a8、a7、a6、a5、a4、a3、a2、a1)：
特征15为上面函数中的a8，特征16为上面函数中的a7，特征17为上面函数中的a6，特征18为上面函数中的a5，特征19为上面函数中的a4，特征20为上面函数中的a3，特征21为上面函数中的a2，特征22为上面函数中的a1。；
特征23(即F23)、信号增强比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度，val(8)为序列8的平均信号强度。
特征24(即F24)、初始增强百分比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征25(即F25)、初始增强速率：
F25＝val(1)-val(0)；
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征26(即F26)、最大增强百分比：
其中，Cmax为达峰时间，val(0)为序列0的平均信号强度。
特征27(即F27)、最大增强速率：
其中，Cmax为达峰时间，val(0)为序列0的平均信号强度，Tpeak为达峰时间。
特征28(即F28)、流出百分比：
其中，Tpeak为达峰时间，Cmax为达峰时间，val(8)为序列8的平均信号强度。
特征29(即F29)、流出速率：
其中，Tpeak为达峰时间，Cmax为达峰时间，val(8)为序列8的平均信号强度。
待算出乳腺肿瘤区域的29个特征参数和感兴趣区域的29个特征参数后，将二者分别表示为F1和F2，按照如下公式计算F1和F2的绝对差值ΔF作为双侧差异特征(其中F1、F2和ΔF表示集合)：
ΔF＝|F1–F2|。
步骤5、从双侧差异特征中筛选出多个有效差异特征，多个有效差异特征作为特征训练参数。在本实施例中，通过序列浮动前向选择方法(Sequential Floating ForwardSelection,SFFS)筛选出如下7个有效差异特征：灰度比F2、F3、F4、F5、F7的双侧差异(即乳腺肿瘤区域的灰度比F2与感兴趣区域的灰度比F2的差值的绝对值、乳腺肿瘤区域的灰度比F3与感兴趣区域的灰度比F3的差值的绝对值，以及类推)，达峰时间的双侧差异(即乳腺肿瘤区域的达峰时间与感兴趣区域的达峰时间的差值的绝对值)和信号增强比的双侧差异(即乳腺肿瘤区域的达峰时间与感兴趣区域的信号增强比的差值的绝对值)，以这7个有效差异特征作为后续特征训练的参数。
为说明所选出的上述7个有效差异特征作为后续特征训练的参数对后续分类结果影响，做如下实验证明：
本实验使用基于多项式核的SVM分类器，利用选取的特征，对乳腺病灶的良恶性进行分类。本实验随机选取回顾性DCE-MRI影像数据共有112例，其中良性病例67例，恶性病例45例。基于交叉验证法的思想，将数据划分为10组，每组包含10到12个病例数据。每个子数据组中良恶性病例的分布具有一致性。实验共进行10次，每次使用9组数据作为训练集，余下的一组数据作为测试集。取10次结果的平均值作为实验的最终结果。
实验结果表明，使用全部29个基于双侧时间强度曲线差异的特征，经10次分类验证得到的平均分类准确率为67.86％。在每次分类验证中应用SFFS方法选择出上述7个特征的双侧差异。经过特征选择后平均分类准确率上升到88.39％。这一结果表明，基于双侧时间强度曲线差异的特征对乳腺病灶的良恶性诊断具有重要价值，SFFS特征选择方法能够有效的提高分类的准确率。
将上述实验结果分别与病理诊断金标准以及医生诊断结果进行比较。本实施例所使用的影像诊断结果由三名医生给出，其中一名是从业20年以上的主任医师和两名从业5年以上的医师。其中医生诊断结果依据其给出的影像BI-RADS分类，计算其敏感度、特异性和准确性指标。表2为本实验分类结果与病理结果对比统计表，表3为医生诊断结果与本实验分类结果的对比分析。
表2本实验分类结果与病理结果对比统计表
表3本实验分类结果与医生诊断结果对比统计表
从以上分析可以看出，本实验所用方法能够提高特异性以及分类的准确率。
综上，本实施例的乳腺肿瘤分析用特征训练参数获取方法提取双侧对应区域TIC曲线并定义描述其差别的特征参数来反映双侧乳腺组织增强模式差异，利用有效特征参数作为后续特征训练参数并最终进行分类，分类的准确率得到明显的提高，能够更好地辅助医生做出诊断。
实施例二
本实施例提供一种乳腺肿瘤分析用特征训练参数获取系统，可用于实施例一中的获取方法。该系统包括降噪处理单元和处理器。
其中，降噪处理单元用于对获取的乳腺影像序列进行降噪处理。在本实施例中，降噪处理单元获取9个乳腺影像序列，乳腺影像序列为DCE-MRI影像序列，降噪处理单元为高斯滤波器。当然，本发明不局限于此，在其他实施例中，乳腺影像序列还可为MRI其他影像序列、X线及数字断层影像序列等，降噪处理单元根据具体影像序列进行选取。
其中，处理器用于接收降噪处理单元处理后的乳腺影像序列，从其中分割获取乳腺肿瘤区域，获取对侧乳腺所对应的感兴趣区域，并通过计算乳腺影像序列中乳腺肿瘤区域和感兴趣区域内的信号平均强度(在图像中表现为平均灰度)绘制双侧时间强度曲线(如图5，以时间为横坐标，以信号强度为纵坐标的曲线)，然后基于双侧时间强度曲线分别提取多个特征，并且获得双侧差异特征，之后从双侧差异特征中筛选出多个有效差异特征，多个有效差异特征作为特征训练参数。
具体地，在本实施例中，处理器将9个序列中的1个蒙片序列记为0，8个增强序列分别记为1-8，并记录每个序列采集的时间，在本实施例中，间隔1min获取一个序列，因此在本实施例中9个序列的采集时间为0、1min、2min、3min、4min、5min、6min、7min、8min。
具体地，在本实施例中，处理器采用三维区域生长算法从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，种子点根据医生给出的诊断报告手动确定，如图3。并且，处理器将乳腺肿瘤区域沿整体乳腺的中轴投射到另一侧，得到感兴趣区域，如图4。
具体地，在本实施例中，处理器基于双侧时间强度曲线分别提取乳腺肿瘤区域和感兴趣区域的如下29个特征：
特征1-8(F1-F8)、灰度比：
其中，val(8)为序列8的平均信号强度，val(i)为序列i的平均信号强度，i＝0、1、2、3、4、5、6、7。
特征9(F9)、吸收率：
其中，val(3)为序列3的平均信号强度，val(0)为序列0的平均信号强度。
特征10(F10)、廓清率：
其中，val(0)为序列0的平均信号强度，val(8)为序列8的平均信号强度。
特征11(F11)、达峰时间：
F11＝Tpeak；
其中，Tpeak为达峰时间。
特征12(F12)、信号强度最大值：
F12＝Cmax；
其中，Cmax为达峰时间。
特征13(F13)、峰值增强斜率：
其中，Tpeak为达峰时间，Cmax为达峰时间。
特征14、峰值增强曲率：
通过7次多项式方法获得如下表示图5中的时间强度曲线的函数C(t)：
C(t)＝a8t7+a7t6+a6t5+a5t4+a4t3+a3t2+a2t+a1；
其中，C为信号强度，t为时间，a1、a2、a3、a4、a5、a6、a7和a8为曲线拟合参数；
按照如下公式求得峰值增强曲率：
其中，Tpeak为达峰时间。
特征15-22(即F15-F22)、曲线拟合参数(即a8、a7、a6、a5、a4、a3、a2、a1)：
特征15为上面函数中的a8，特征16为上面函数中的a7，特征17为上面函数中的a6，特征18为上面函数中的a5，特征19为上面函数中的a4，特征20为上面函数中的a3，特征21为上面函数中的a2，特征22为上面函数中的a1。
特征23(F23)、信号增强比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度，val(8)为序列8的平均信号强度。
特征24(F24)、初始增强百分比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度。
特征25(F25)、初始增强速率：
F25＝val(1)-val(0)；
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度。
特征26(F26)、最大增强百分比：
其中，Cmax为达峰时间，val(0)为序列0的平均信号强度。
特征27(F27)、最大增强速率：
其中，Cmax为达峰时间，val(0)为序列0的平均信号强度，Tpeak为达峰时间。
特征28(F28)、流出百分比：
其中，Tpeak为达峰时间，Cmax为达峰时间，val(8)为序列8的平均信号强度。
特征29(F29)、流出速率：
其中，Tpeak为达峰时间，Cmax为达峰时间，val(8)为序列8的平均信号强度。
处理器将乳腺肿瘤区域的29个特征参数和感兴趣区域的29个特征参数分别表示为F1和F2，按照如下公式计算F1和F2的绝对差值ΔF作为双侧差异特征(其中F1、F2和ΔF表示集合)：
ΔF＝|F1–F2|。
具体地，在本实施例中，处理器通过序列浮动前向选择方法(SequentialFloating Forward Selection,SFFS)筛选出如下7个有效差异特征；灰度比F2、F3、F4、F5、F7的双侧差异(即乳腺肿瘤区域的灰度比F2与感兴趣区域的灰度比F2的差值的绝对值、乳腺肿瘤区域的灰度比F3与感兴趣区域的灰度比F3的差值的绝对值，以及类推)，达峰时间的双侧差异(即乳腺肿瘤区域的达峰时间与感兴趣区域的达峰时间的差值的绝对值)和信号增强比的双侧差异(即乳腺肿瘤区域的达峰时间与感兴趣区域的信号增强比的差值的绝对值)，以这7个有效差异特征作为后续特征训练的参数。
结合上述实施例一中的实验，本实施例的乳腺肿瘤分析用特征训练参数获取系统提取双侧对应区域TIC曲线并定义描述其差别的特征参数来反映双侧乳腺组织增强模式差异，利用有效特征参数作为后续特征训练参数并最终进行分类，分类的准确率得到明显的提高，能够更好地辅助医生做出诊断。
实施例三
本实施例提供一种乳腺肿瘤诊断系统，该乳腺肿瘤诊断系统包括上述实施例二的乳腺肿瘤分析用特征训练参数获取系统以及支持向量机(Support Vector Machines,SVM)，支持向量机用于对实施例二获得的多个有效差异特征进行训练，并基于交叉验证方法得到分类结果。
综上，本实施例的乳腺肿瘤诊断系统根据DCE-MRI影像的特点实现一套定量化的计算方法，提取双侧对应区域TIC曲线并定义描述其差别的特征参数来反映双侧乳腺组织增强模式差异，利用有效特征参数作为特征训练参数并最终进行分类，分类的准确率得到明显的提高，能够更好地辅助医生做出诊断，在节省时间的基础上还能提高诊断的准确率。
以上内容仅为本发明的较佳实施例，对于本领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种乳腺肿瘤分析用特征训练参数获取方法，其特征在于，包括如下步骤：
步骤1、获取乳腺影像序列并对其进行降噪处理；
步骤2、从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，然后获取对侧乳腺所对应的感兴趣区域；
步骤3、通过计算乳腺影像序列中乳腺肿瘤区域和感兴趣区域内的信号平均强度绘制双侧时间强度曲线；
步骤4、基于所述双侧时间强度曲线分别提取多个特征，并且获得双侧差异特征；
步骤5、从所述双侧差异特征中筛选出多个有效差异特征，所述多个有效差异特征作为特征训练参数。
2.根据权利要求1所述的乳腺肿瘤分析用特征训练参数获取方法，其特征在于，
所述步骤2包括如下子步骤：
步骤2.1、采用三维区域生长算法从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域；
步骤2.2、所述乳腺肿瘤区域沿整体乳腺的中轴投射到另一侧，得到所述感兴趣区域。
3.根据权利要求1所述的乳腺肿瘤分析用特征训练参数获取方法，其特征在于，
在所述步骤1中，获取9个序列，其中1个蒙片序列记为0，8个增强序列分别记为1-8；
在所述步骤4中，基于所述双侧时间强度曲线分别提取乳腺肿瘤区域和感兴趣区域的如下29个特征：
特征1-8、灰度比：
其中，val(8)为序列8的平均信号强度，val(i)为序列i的平均信号强度，i＝0、1、2、3、4、5、6、7；
特征9、吸收率：
其中，val(3)为序列3的平均信号强度，val(0)为序列0的平均信号强度；
特征10、廓清率：
其中，val(0)为序列0的平均信号强度，val(8)为序列8的平均信号强度；
特征11、达峰时间：
F11＝Tpeak；
其中，Tpeak为达峰时间；
特征12、信号强度最大值：
F12＝Cmax；
其中，Cmax为信号强度最大值；
特征13、峰值增强斜率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值；
特征14、峰值增强曲率：
获得如下表示所述时间强度曲线的函数C(t)：
C(t)＝a8t7+a7t6+a6t5+a5t4+a4t3+a3t2+a2t+a1；
其中，C为信号强度，t为时间，a1、a2、a3、a4、a5、a6、a7和a8为曲线拟合参数；
按照如下公式求得峰值增强曲率：
其中，Tpeak为达峰时间；
特征15-22、曲线拟合参数：
特征15为所述a8，特征16为所述a7，特征17为所述a6，特征18为所述a5，特征19为所述a4，特征20为所述a3，特征21为所述a2，特征22为所述a1；
特征23、信号增强比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度，val(8)为序列8的平均信号强度；
特征24、初始增强百分比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征25、初始增强速率：
F25＝val(1)-val(0)；
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征26、最大增强百分比：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度；
特征27、最大增强速率：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度，Tpeak为达峰时间；
特征28、流出百分比：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
特征29、流出速率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
在所述步骤4中，乳腺肿瘤区域的29个特征参数和感兴趣区域的29个特征参数分别为F1和F2，按照如下公式计算F1和F2的绝对差值ΔF作为所述双侧差异特征：
ΔF＝|F1–F2|；
在步骤5中，筛选出如下7个有效差异特征：
灰度比F2、F3、F4、F5、F7，达峰时间和信号增强比的双侧差异。
4.根据权利要求1或3所述的乳腺肿瘤分析用特征训练参数获取方法，其特征在于，
在步骤5中，通过序列浮动前向选择方法筛选出有效差异特征。
5.根据权利要求1所述的乳腺肿瘤分析用特征训练参数获取方法，其特征在于，
在步骤1中，所述乳腺影像序列为DCE-MRI影像序列，采用高斯滤波器对DCE-MRI影像序列进行降噪处理。
6.一种乳腺肿瘤分析用特征训练参数获取系统，其特征在于，包括：
降噪处理单元，用于对获取的乳腺影像序列进行降噪处理；
处理器，用于接收降噪处理单元处理后的乳腺影像序列，从其中分割获取乳腺肿瘤区域，获取对侧乳腺所对应的感兴趣区域，并通过计算乳腺影像序列中乳腺肿瘤区域和感兴趣区域内的信号平均强度绘制双侧时间强度曲线，然后基于所述双侧时间强度曲线分别提取多个特征，并且获得双侧差异特征，之后从所述双侧差异特征中筛选出多个有效差异特征，所述多个有效差异特征作为特征训练参数。
7.根据权利要求6所述的乳腺肿瘤分析用特征训练参数获取系统，其特征在于，
所述处理器采用三维区域生长算法从降噪处理后的乳腺影像序列中分割获取乳腺肿瘤区域，并将所述乳腺肿瘤区域沿整体乳腺的中轴投射到另一侧，得到所述感兴趣区域。
8.根据权利要求6所述的乳腺肿瘤分析用特征训练参数获取系统，其特征在于，
所述降噪处理单元获取9个序列；
所述处理器将9个序列中的1个蒙片序列记为0，8个增强序列分别记为1-8，所述处理器基于所述双侧时间强度曲线分别提取乳腺肿瘤区域和感兴趣区域的如下29个特征：
特征1-8、灰度比：
其中，val(8)为序列8的平均信号强度，val(i)为序列i的平均信号强度，i＝0、1、2、3、4、5、6、7；
特征9、吸收率：
其中，val(3)为序列3的平均信号强度，val(0)为序列0的平均信号强度；
特征10、廓清率：
其中，val(0)为序列0的平均信号强度，val(8)为序列8的平均信号强度；
特征11、达峰时间：
F11＝Tpeak；
其中，Tpeak为达峰时间；
特征12、信号强度最大值：
F12＝Cmax；
其中，Cmax为信号强度最大值；
特征13、峰值增强斜率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值；
特征14、峰值增强曲率：
获得如下表示所述时间强度曲线的函数C(t)：
C(t)＝a8t7+a7t6+a6t5+a5t4+a4t3+a3t2+a2t+a1；
其中，C为信号强度，t为时间，a1、a2、a3、a4、a5、a6、a7和a8为曲线拟合参数；
按照如下公式求得峰值增强曲率：
其中，Tpeak为达峰时间；
特征15-22、曲线拟合参数：
特征15为所述a8，特征16为所述a7，特征17为所述a6，特征18为所述a5，特征19为所述a4，特征20为所述a3，特征21为所述a2，特征22为所述a1；；
特征23、信号增强比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度，val(8)为序列8的平均信号强度；
特征24、初始增强百分比：
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征25、初始增强速率：
F25＝val(1)-val(0)；
其中，val(0)为序列0的平均信号强度，val(1)为序列1的平均信号强度；
特征26、最大增强百分比：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度；
特征27、最大增强速率：
其中，Cmax为信号强度最大值，val(0)为序列0的平均信号强度，Tpeak为达峰时间；
特征28、流出百分比：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
特征29、流出速率：
其中，Tpeak为达峰时间，Cmax为信号强度最大值，val(8)为序列8的平均信号强度；
所述处理器将乳腺肿瘤区域的29个特征参数和感兴趣区域的29个特征参数分别表示为F1和F2，按照如下公式计算F1和F2的绝对差值ΔF作为所述双侧差异特征：
ΔF＝|F1–F2|；
所述处理器筛选出如下7个有效差异特征：
灰度比F2、F3、F4、F5、F7，达峰时间和信号增强比的双侧差异。
9.根据权利要求7所述的乳腺肿瘤分析用特征训练参数获取系统，其特征在于，
所述乳腺影像序列为DCE-MRI影像序列，所述降噪处理单元为高斯滤波器；
所述处理器通过序列浮动前向选择方法筛选出有效差异特征。
10.一种乳腺肿瘤诊断系统，其特征在于，包括上述权利要求6-9中任一项所述的乳腺肿瘤分析用特征训练参数获取系统，还包括：
支持向量机，用于对所述多个有效差异特征进行训练，并基于交叉验证方法得到分类结果。
CN201810398258.XA 2018-04-28 2018-04-28 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统 Expired - Fee Related CN108460748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810398258.XA CN108460748B (zh) 2018-04-28 2018-04-28 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810398258.XA CN108460748B (zh) 2018-04-28 2018-04-28 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统

Publications (2)

Publication Number Publication Date
CN108460748A true CN108460748A (zh) 2018-08-28
CN108460748B CN108460748B (zh) 2020-04-14

Family

ID=63236415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810398258.XA Expired - Fee Related CN108460748B (zh) 2018-04-28 2018-04-28 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统

Country Status (1)

Country Link
CN (1) CN108460748B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458834A (zh) * 2019-02-25 2019-11-15 腾讯科技（深圳）有限公司 一种乳腺肿瘤图像处理系统、方法及装置
CN113269711A (zh) * 2021-04-06 2021-08-17 东北大学 脑图像的处理方法及装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102247144A (zh) * 2011-04-18 2011-11-23 大连理工大学 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法
CN105596026A (zh) * 2014-06-11 2016-05-25 深圳开立生物医疗科技股份有限公司 超声造影成像分析方法及系统
CN107392928A (zh) * 2017-07-20 2017-11-24 东北大学 基于MRF‑Snake分割的乳腺癌诊断系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102247144A (zh) * 2011-04-18 2011-11-23 大连理工大学 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法
CN105596026A (zh) * 2014-06-11 2016-05-25 深圳开立生物医疗科技股份有限公司 超声造影成像分析方法及系统
CN107392928A (zh) * 2017-07-20 2017-11-24 东北大学 基于MRF‑Snake分割的乳腺癌诊断系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AGHAEI F等: "Applying a new quantitative global breast MRI feature analysis scheme to assess tumor response to chemotherapy", 《JOURNAL OF MAGNETIC RESONANCE IMAGING》 *
WANG X等: "Improving performance of computer-aided detection of masses by incorporating bilateral mammographic density asymmetry: an assessmen", 《ACADEMIC RADIOLOGY》 *
王之琼等: "双侧特征融合的乳腺肿块检测", 《计算机辅助设计与图形学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458834A (zh) * 2019-02-25 2019-11-15 腾讯科技（深圳）有限公司 一种乳腺肿瘤图像处理系统、方法及装置
US11928816B2 (en) 2019-02-25 2024-03-12 Tencent Technology (Shenzhen) Company Limited Image processing method, apparatus, and system, electronic device, and storage medium
CN113269711A (zh) * 2021-04-06 2021-08-17 东北大学 脑图像的处理方法及装置、电子设备和存储介质
CN113269711B (zh) * 2021-04-06 2024-01-09 东北大学 脑图像的处理方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN108460748B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
EP3432784B1 (en) Deep-learning-based cancer classification using a hierarchical classification framework
CN106778005B (zh) 基于多参数mri的前列腺癌计算机辅助检测系统
Basile et al. Microcalcification detection in full-field digital mammograms: A fully automated computer-aided system
Shanthakumar et al. Performance analysis of classifier for brain tumor detection and diagnosis
Moon et al. Computer-aided diagnosis of breast masses using quantified BI-RADS findings
JPH10503961A (ja) 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置
Sinha et al. Medical image processing
Hamouda et al. Enhancement accuracy of breast tumor diagnosis in digital mammograms
Ganvir et al. Filtering method for pre-processing mammogram images for breast cancer detection
Jarosik et al. Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks
Qiu et al. Lung Nodules Detection in CT Images Using Gestalt‐Based Algorithm
Dhanasekaran et al. Automatic segmentation of lung tumors using adaptive neuron-fuzzy inference system
CN108460748A (zh) 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统
Moon et al. Quantitative breast density analysis using tomosynthesis and comparison with MRI and digital mammography
Patel et al. Medical image enhancement using histogram processing and feature extraction for cancer classification
Pons et al. Computerized detection of breast lesions using deformable part models in ultrasound images
Sim et al. Breast cancer detection from MR images through an auto-probing discrete Fourier transform system
Yang et al. Differentiation of glioblastoma and lymphoma using feature extraction and support vector machine
US11948341B2 (en) Medical information processing apparatus and medical information generating apparatus
Kwon et al. Comparison of pre-processed brain tumor MR images using deep learning detection algorithms
Lochanambal et al. Identifying masses in mammograms using template matching
Bellam et al. Adaptive multimodal image fusion with a deep pyramidal residual learning network
Yilmaz et al. Contrast enhancement using linear image combinations algorithm (CEULICA) for enhancing brain magnetic resonance images
Lyu et al. Model observer performance in contrast‐enhanced lesions in breast CT: The influence of contrast concentration on detectability
Tzalavra et al. A multiresolution analysis framework for breast tumor classification based on DCE-MRI

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200414

CF01 Termination of patent right due to non-payment of annual fee