CN108538368B - 用于选择针对医学成像检查的协议的方法和数据处理单元 - Google Patents
用于选择针对医学成像检查的协议的方法和数据处理单元 Download PDFInfo
- Publication number
- CN108538368B CN108538368B CN201810172427.8A CN201810172427A CN108538368B CN 108538368 B CN108538368 B CN 108538368B CN 201810172427 A CN201810172427 A CN 201810172427A CN 108538368 B CN108538368 B CN 108538368B
- Authority
- CN
- China
- Prior art keywords
- node
- medical imaging
- protocol
- examination
- assigned
- 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
Links
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000002591 computed tomography Methods 0.000 claims description 7
- 238000013170 computed tomography imaging Methods 0.000 claims description 6
- 238000003325 tomography Methods 0.000 claims description 4
- 238000002600 positron emission tomography Methods 0.000 claims description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 3
- 229920006707 PC-M Polymers 0.000 claims description 2
- 229920006578 PP-M Polymers 0.000 claims description 2
- MWNQXXOSWHCCOZ-UHFFFAOYSA-L sodium;oxido carbonate Chemical compound [Na+].[O-]OC([O-])=O MWNQXXOSWHCCOZ-UHFFFAOYSA-L 0.000 claims description 2
- 230000005855 radiation Effects 0.000 description 26
- 238000007689 inspection Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 210000001015 abdomen Anatomy 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 206010019233 Headaches Diseases 0.000 description 3
- 230000005670 electromagnetic radiation Effects 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 231100000869 headache Toxicity 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 210000003582 temporal bone Anatomy 0.000 description 2
- 206010011878 Deafness Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 206010033645 Pancreatitis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000003027 ear inner Anatomy 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000000867 larynx Anatomy 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 201000009890 sinusitis Diseases 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种用于选择针对医学成像检查的协议的方法，其中该方法包括以下步骤：‑提供多个协议，‑提供用于医学成像检查的分类系统，分类系统具有多个分级有序类别，‑从一定数目的节点确定一个节点，该数目的节点属于能够标识医学成像检查的节点集，并且该数目的节点分别被分配有一个协议，所确定的节点的类别相对于该数目的节点中的其他节点的类别是最低的，‑选择被分配给所确定的节点的协议，以用于医学成像检查。
Description
技术领域
本发明涉及用于选择针对医学成像检查的协议的方法。本发明还涉及数据处理单元、医学成像设备、计算机程序和计算机可读介质。
背景技术
成像方法中检查协议专门化程度取决于临床问题而可能存在很大差异。因此，例如，存在一些非常一般性的协议，这些协议也被称为常规协议并且可以被应用于很多可能的问题。另一方面，也存在针对专门问题的非常特定的协议。此外，专门化的类型和程度可能因用户而异。
不同的检查协议通常被存储为列表，特别是被线性地存储。每个检查协议都由唯一的名称所标识。原则上，临床用途也可以以基本形式、通过名称来编码。特别地，在由于专门化程度不同而导致歧义的情况下，可以基于附加规则来手动选择适合于某个问题的协议。
将已有协议特定分配给每个用户问题的这种规则可以被编入规则目录中，该规则目录也称为协议细则手册。这种规则目录通常以印刷和/或电子文档的形式被存储在医学成像设备的控制台上。根据检查请求并在医学成像设备的用户的帮助下来将检查协议分配给前述检查请求。
即使在相同的成像模态内，这些规则通常也依赖于设备，并且必须为每个设备单独创建和/或在每个设备上提供这些规则。这个过程相当费力且容易出错，特别是因为不能自动保证规则会被用户正确实现。具有用于协议选择的附加规则的理论中间步骤原则上是可以避免的，因为对于每个可想到的临床问题，都会以高级别的细节、特别是还以高冗余度来创建一个协议，那么通过每个问题的名称就可以直接选择出该协议。
发明内容
本发明的目的是允许简化针对医学成像检查的检查协议的选择。
这个目的由独立权利要求的相应技术方案分别实现。在从属权利要求中考虑了本发明的其他有利方面。
本发明涉及一种用于选择针对医学成像检查的协议的方法，其中该方法包括以下步骤：
-提供多个协议，
-提供用于医学成像检查的分类系统，分类系统具有多个分级有序类别，
-其中每个类别具有至少一个节点，至少一个节点被分配给下一个更高类别的一个节点和/或下一个更低类别的至少一个节点被分配给至少一个节点，
-其中医学成像检查可以由一个节点集标识，该节点集具有来自多个类别中的每个类别的至多一个节点，
-其中分类系统具有多个节点，多个节点分别被分配有多个协议中的一个协议，
-从一定数目的多个节点来确定一个节点，该数目的节点属于能够标识医学成像检查的节点集，并且该数目的节点分别被分配有一个协议，所确定的节点的类别相对于该数目的节点中的其他节点的类别是最低的，
-选择被分配给所确定的节点的协议，以用于医学成像检查。
特别地，医学成像检查可以是医学计算机断层摄影成像检查。特别地，医学成像检查可以是医学计算机断层摄影成像检查。
特别地，分类系统可以具有至少三个类别和/或正好三个类别。
特别地，分类系统可以具有从类别组中选出的一个或多个类别，类别组包括与要检查的身体区域相关的第一类别、与医学成像检查的解剖重点相关的第二类别、以及与医学成像检查的问题相关的第三类别。
特别地，该方法还可以包括以下步骤：
-提供与医学成像检查相关的检查请求，
-基于该检查请求来确定能够标识医学成像检查的节点集。
特别地，该方法还可以包括以下步骤：
-提供训练数据记录集，其中该训练数据记录集中的每个训练数据记录具有用于医学成像的检查请求，
-基于该训练数据记录集和机器学习算法来确定该分类系统。
特别地，该训练数据记录集中的每个训练数据记录能够具有被配给检查请求的协议。
特别地，可以基于训练数据记录集和机器学习算法来将多个协议中的协议分配给多个节点中的节点。
特别地，该训练数据记录集具有至少两个不同医学成像设备的检查请求和/或协议，借助于检查请求和/或协议能够分别执行医学成像检查。
本发明还涉及用于选择针对医学成像检查的协议的数据处理单元，该数据处理单元具有：
-一个协议提供单元，用于提供多个协议，
-一个分类系统提供单元，用于提供用于医学成像检查的分类系统，分类系统具有多个分级有序类别，
-其中每个类别具有至少一个节点，至少一个节点被分配给下一个更高类别的一个节点和/或下一个更低类别的至少一个节点被分配给至少一个节点，
-其中医学成像检查能够由一个节点集标识，该节点集具有来自多个类别的每个类别的至多一个节点，
-其中分类系统具有多个节点，多个节点分别被分配有多个协议中的一个协议，
-一个节点确定单元，用于从一定数目的节点确定一个节点，该数目的节点属于能够标识医学成像检查的节点集，并且该数目的节点分别被分配有一个协议，所确定的节点的类别相对于该数目的节点中的其他节点的类别是最低的，
-一个协议选择单元，用于选择被分配给所确定的节点的协议，以用于医学成像检查。
特别地，数据处理单元还可以具有以下部件：
-一个检查请求提供单元，用于提供与医学成像检查相关的检查请求，
-一个节点集确定单元，用于基于检查请求来确定能够标识医学成像检查的节点集。
特别地，数据处理单元还可以具有以下部件：
-一个训练数据记录提供单元，用于提供训练数据记录集，其中该训练数据记录集中的每个训练数据记录具有用于医学成像的检查请求，
-一个分类系统确定单元，用于基于训练数据记录集和机器学习算法确定分类系统。
特别地，数据处理单元可以被设计为执行根据本申请公开的多个方面中的一个方面所述的方法。
本发明还涉及一种医学成像设备，其具有根据本申请公开的多个方面中的一个方面所述的数据处理单元。
特别地，医学成像设备可以选自以下成像模态组，该成像模态组包含：X射线设备、C形臂X射线设备、计算机断层摄影设备、分子成像设备、单光子发射计算机断层摄影设备、正电子发射断层摄影设备、磁共振断层摄影设备及前述的组合。
本发明还涉及一种计算机程序，该计算机程序能够被加载到数据处理系统的存储设备中，计算机程序具有程序段，以便当计算机程序由数据处理系统运行时，程序段执行根据本申请公开的多个方面中的一个方面所述的方法的所有步骤。
本发明还涉及一种计算机可读介质，其上存储有能够被数据处理系统读取和运行的程序段，以便当程序段由数据处理系统运行时，程序段执行根据本申请公开的多个方面中的一个方面所述的方法的所有步骤。
特别地，分级分类系统可以被定义，利用该分级分类系统，可以充分精确地描述对于医学成像检查可能的临床问题。分级有序类别的专门化程度从顶部到底部增加或保持不变。
分级有序类别的专门化程度可以增加，特别是如果由于对在一个类别中的节点的约束而限制下一个更低类别中一定数目的节点(这些节点可能被查询以用于标识医学成像检查)的话。当然，下一个更低类别中的节点数目(这些节点可能被查询以用于标识医学成像检查)不受限于在一个类别中的节点的约束也是可能的。
本发明的另一个实施例规定，分类系统具有多于三个的类别或少于三个的类别。本发明的一个实施例规定，对于每个类别，除了最高类别之外，将相应类别的每个节点分配给下一个更高类别的节点。
检查协议可以适当地被分配给分类系统的特定节点。
特别地，一个检查协议不必要相应地分配给分类系统的所有节点。例如，如果没有检查协议被分配给第一节点，则分配给第二节点的检查协议因此可以用于医学成像检查，该医学成像检查可以使用第一节点来标识，其中第二节点属于更高的类别，并且第一节点被直接或间接地分配给第二节点。
特别地，分类系统可以通过定义分级有序类别来提供，特别地，分类系统可以手动地和/或基于机器学习算法来提供。
本发明的解决方案还支持基于机器学习来自动选择检查协议。利用医院中存在的协议以及这些协议在检查请求的上下文中经由HIS/RIS(医院信息系统/放射信息系统)的使用的知识，分类系统例如可以基于对应的训练数据记录和机器学习算法(在这里，例如是递归分区树学习)来确定。此外，检查协议可以通过机器学习算法被分配给分类系统的节点。由此可以基于检查请求来自动选择检查协议。
在本申请的上下文中，特别地，机器学习算法指的是被设计用于机器学习的算法。机器学习算法例如可以借助决策树、数学函数和/或通用编程语言来实现。机器学习算法可以被设计为例如用于监督学习和/或用于无监督学习。机器学习算法可以被设计为例如用于深度学习和/或用于强化学习和/或用于边缘空间学习。特别地，对于监督学习，可以使用一个函数类别，该函数类别例如基于决策树、随机森林、逻辑回归、支持向量机、人工神经网络、核方法、贝叶斯分类器等，或前述的组合。
机器学习算法的可能实现可以使用例如人工智能。备选地或附加于第一机器学习算法和/或第二机器学习算法，可以使用一个或多个基于规则的算法。特别地，在基于训练数据记录集和机器学习算法来确定分类系统时，例如可以借助于处理器系统来进行计算。处理器系统可以具有例如一个或多个图形处理器。
特别地，例如与医学图像、协议或分类系统相关的数据可以通过以下方式被提供：从例如存储系统的区域加载数据和/或由例如医学成像设备生成。特别地，本发明方法的一个步骤或多个步骤或所有步骤可以自动地和/或通过数据处理单元的部件来执行，其中该部件例如由处理器系统构成。特别地，医学成像检查可以是借助医学成像设备的检查，和/或借助医学成像设备来执行。
例如，医学成像设备可以选自以下成像模态组，该成像模态组包含：X射线设备、C形臂X射线设备、计算机断层摄影设备(CT设备)、分子成像设备(MI设备)、单光子发射计算机断层摄影设备(SPECT设备)、正电子发射断层摄影设备(PET设备)、磁共振断层摄影设备(MR设备)及前述的组合(特别是PET-CT设备和PET-MR设备的组合)。医学成像设备还可以具有成像模态(例如，从上述成像模态组中选出的成像模态)和照射模态的组合。照射模态例如可以具有用于治疗性照射的照射单元。在不限制总体发明思想的情况下，在一些实施例中，计算机断层摄影设备被用作医学成像设备的一个示例。
根据本发明的一个实施例，医学成像设备具有采集单元，该采集单元被设计用于获取采集数据。特别地，采集单元可以具有辐射源和辐射检测器。本发明的一个实施例规定，辐射源被设计用于辐射(特别是电磁辐射)的发射和/或激发，和/或辐射检测器被设计用于检测辐射(特别是电磁辐射)。辐射例如可以从辐射源传递到要被成像的区域，和/或在与要被成像的区域相互作用之后传递到辐射检测器。辐射在与要被成像的区域相互作用期间被修改，并因此变成与要被成像的图像相关的信息的载体。这一信息在辐射与检测器相互作用期间以采集数据的形式被采集。
特别地，对于计算机断层摄影设备和C形臂X射线设备，采集数据可以是投影数据，采集单元可以是投影数据采集单元，辐射源可以是X射线源，辐射检测器可以是X射线检测器。特别地，X射线检测器可以是量子计数和/或能量分辨X射线检测器。特别地，对于磁共振断层摄影设备，采集数据可以是磁共振数据集，采集单元可以是磁共振数据采集单元，辐射源可以是第一射频天线单元，辐射检测器可以是第一射频天线单元和/或第二射频天线单元。
数据处理单元和/或数据处理单元的一个或多个部件可以由数据处理系统形成。数据处理系统可以具有例如硬件形式的一个或多个部件和/或软件形式的一个或多个部件。数据处理系统例如可以至少部分由云计算系统形成。数据处理系统可以是和/或具有例如云计算系统、计算机网络、计算机、平板电脑、智能手机等，或前述的组合。
例如，硬件可以与软件协作和/或通过软件配置。例如，软件可以通过硬件运行。硬件可以是例如存储系统、FPGA系统(现场可编程门阵列)、ASIC系统(专用集成电路)、微控制器系统、处理器系统及前述的组合。处理器系统可以具有例如微处理器和/或多个协作微处理器。
特别地，根据本申请公开的多个方面的一个方面所述的数据处理单元的一个部件被设计为执行根据本申请公开的多个方面中的一个方面所述的方法的给定步骤，该部件可以以硬件形式来实现，该硬件被配置用于执行给定步骤和/或被配置为执行计算机可读指令，以使得硬件可以通过计算机可读指令而被配置为执行给定步骤。特别地，该系统可以具有例如计算机可读介质形式的存储区域，其中存储有例如计算机程序形式的计算机可读指令。
数据可以在数据处理系统的部件之间传送，例如分别通过合适的数据传送接口而传送。用于去到和/或来自数据处理系统的部件的数据传送的数据传送接口可以至少部分以软件形式和/或至少部分以硬件形式来实现。数据传送接口例如可以被设计为用于将数据存储在存储系统的区域中和/或用于从存储系统的区域加载数据，在存储系统的该区域上访问数据处理系统的一个或多个部件也是可能的。
计算机程序可以加载到数据处理系统的存储系统中，并由数据处理系统的处理器系统运行。
数据处理系统例如可以通过计算机程序而被设计为使得：当计算机程序由数据处理系统运行时，数据处理系统可以执行根据本申请公开的多个实施例中的一个实施例所述的方法的步骤。
根据本申请公开的多个实施例中的一个实施例的计算机程序产品和/或根据本申请公开的多个实施例中的一个实施例的计算机程序例如可以存储在计算机可读介质上。计算机可读介质例如可以是存储棒、硬盘或另一数据载体，特别地，计算机可读介质可以可拆卸地连接到数据处理系统或永久地集成在数据处理系统中。计算机可读介质例如可以形成数据处理系统的存储系统的一个区域。
根据本发明的一个实施例，一个协议被分配给节点集中的至少一个节点，通过该节点可以标识医学成像检查。在本申请的上下文中，术语“协议”和“检查协议”被同义地使用。
在本发明的上下文中，关于本发明的不同实施例和/或不同类型的权利要求(方法、用途、设备、系统、布置等)所描述的特征被结合以形成本发明的其他实施例。例如，与一种设备相关的权利要求也可以用结合一种方法描述或要求保护的特征来开发。一种方法的功能性特征可以由适当设计的有形部件来实现。除了在本申请中明确描述的本发明的实施例之外，还可以设想本发明的各种各样的其他实施例，本领域技术人员可以在不偏离本发明的范围的情况下得出本发明的其他实施例，只要这由权利要求所指定。
使用不定冠词“一”或“一个”不排除多次出现相关特征。使用表述“具有”不排除由表述“具有”所连接的那些项是相同的情况。例如，医学成像设备具有医学成像设备。表述“单元”的使用不排除表述“单元”所指的物品具有空间上彼此分离的多个部件的情况。
在本申请的上下文中，特别地，表述“基于……”可以理解为表述“使用……”的含义。特别地，措辞“基于第二特征生成(备选：决定、确定等)第一特征”不排除基于第三特征生成(备选：决定、确定等)第一特征的情况。
附图说明
下文将参考附图来说明本发明的选定实施例。图中的图示是示意性的、高度简化的并且不一定按比例绘制。
附图中：
图1示出了示例性分类系统的示意图，
图2示出了将检查协议分配给另一个示例性分类系统的节点的示意图，
图3示出了根据本发明的一个实施例的选择针对医学成像检查的检查协议的示意图，
图4示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的方法的流程图，
图5示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的数据处理单元的示意图，
图6示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的方法的流程图，
图7示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的数据处理单元的示意图，以及
图8示出了根据本发明另一实施例的医学成像设备的示意图。
具体实施方式
图1示出了示例性分类系统的示意图。该分类系统包括类别三元组，该类别三元组包括例如与要检查的身体的区域相关的类别A，例如与医学成像检查的解剖重点相关的类别B，以及与医学成像检查的问题(例如，涉及临床适应症的问题)相关的类别C。
类别A具有节点ai，i＝1、...、3。类别B具有节点bj，j＝1、...、7。对于每一个ai∈A，存在子集该子集Bai中存在适合于ai的节点。对于每个bj∈B，存在子集/>在该子集Cbj中存在适合于bj的节点，等等。当然，可能存在一个ai，使得Bai＝B成立。
特别地，这些类别可以具有以下给出的一定数目的节点。
A＝{头部、颈部、肩部、胸部、腹部、...}
B＝{脑、窦、眼窝、颈动脉、喉、肩关节、...}
C＝{肿块、癫痫、头痛症状、骨折、...}
在类别A中节点a1约束为a1＝头部的情况下，在类别B中可能被查询以用于识别医学成像检查的一定数目的节点例如可以被约束到子集
在类别B中的节点b1约束为b1＝脑的情况下，在类别C中可能被查询以用于识别医学成像检查的一定数目的节点例如可以被约束到子集
特别地，通过这种方式，最大专门化的医学成像检查可以由每个对应类别中的恰一个节点来标识。例如，医学成像检查可以由节点三元组(a、b、c)＝(头部、脑、头痛症状)来标识，其中满足条件b∈Ba和c∈Cb。
图2示出了将检查协议分配给另一个示例性分类系统的节点的示意图。
例如，医学成像检查的一个可能方面可以如下被分配给每个节点。
a1＝头部，a2＝腹部，b1＝脑，b2＝窦，b3＝颞骨，b4＝肝脏，b5＝胰腺，c1＝中风，c2＝转移，c3＝肿块，c4＝头痛症状，c5＝癫痫，c6＝鼻窦炎，c7＝听力损失，c8＝炎症，c9＝耳蜗植入，c10＝多血管肿瘤，c11＝血管瘤，c12＝胰腺炎，c13＝胰腺肿瘤。
例如，可以特别地通过分别阐明的名称来分配以下协议，这些协议对于本领域技术人员是已知的。
Pa2＝“腹部常规(2阶段)”，Pa1,b1＝“神经常规”，Pa1,b2＝“窦”，Pa1,b3＝“颞骨”，Pa2,b5＝“胰腺(2阶段)”，Pa1,b1,c1＝“脑灌注”，Pa1,b3,c9＝“内耳(UltraHR)”，Pa2,b4,c1＝“腹部常规(3阶段)”。
特别地，不需要将检查协议分配给最低类别中的每个节点，以用于标识最大专门化的医学成像检查。例如，在这样的更高类别中存在如下节点：这些节点分别被分配一个检查协议，并且更低类别中未被分配检查协议的节点被分配给这些节点。
图3示出了根据本发明的一个实施例的选择针对医学成像检查的检查协议的示意图。用于特定检查(a、b、c)的协议被标示为Pa,b,c。可以非特定地用于所有检查(a、b、*)(其中任何c∈Cb)的一个协议被标示为Pa,b,*，等等。
另外，同一类别中的协议可以用于多个节点，从而该协议特别地不必被多次定义。用于两种适应症c1∈C和c2∈C的协议例如被标示为Pa,b,c1|c2。
因此，用于选择用于特定检查(a、b、c)的协议的过程如下。
-当Pa,b,c被定义时，选择Pa,b,c，
-否则，当Pa,b,*被定义时，选择Pa,b,*，
-否则，当Pa,*,*被定义时，选择Pa,*,*。
图3示出了这些选择步骤的执行，这些选择步骤的执行使用了例如表示检查的实心圆和指示检查协议的弯曲箭头x1、x2、x3和x4，这些检查协议应被相应地选择用于医学成像检查。
换言之，当协议被分配给最低类别中的节点时，该节点被查询用于识别医学成像检查，则该协议被使用，否则核查协议是否被分配给下一个更高类别的节点。如果协议被分配给下一个更高类别的节点，则该协议被使用。如果协议未被分配给下一个更高类别的节点，则核查协议是否在再下一个更高类别中被分配，等等。例如，节点c2＝“转移”被直接分配给节点b4＝肝脏，从而被间接分配给节点a2＝腹部。
特别地，本发明的解决方案能够减少要被定义的检查协议的数目，同时将协议明确分配给特定的检查。此外，本发明的解决方案能够提供与检查协议的预期应用相关的更多结构化信息，并且能够实现将检查协议和检查协议的实际参数一起传送以用于在其他成像系统上对该协议的专用使用。此外，本发明的解决方案实现了协议选择的广泛自动化并且减少了整体存储的协议的数目。
图4示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的方法的流程图，其中该方法包括以下步骤：
-提供PP多个协议，
-提供PC用于医学成像检查的分类系统，该分类系统具有多个分级有序类别，
-其中每个类别具有至少一个节点，至少一个节点被分配给下一个更高类别的一个节点和/或下一个更低类别的至少一个节点被分配给至少一个节点，
-其中医学成像检查可以由一个节点集标识，该节点集具有来自多个类别中的每个类别的至多一个节点，
-其中分类系统具有多个节点，多个节点分别被分配有多个协议中的一个协议，
-从一定数目的节点确定DN一个节点，该数目的节点属于能够标识医学成像检查的所述节点集，并且该数目的节点分别被分配有一个协议，所确定的节点的类别相对于该数目的其他节点的类别是最低的，
-选择SP被分配给所确定的节点的协议，以用于医学成像检查。
图5示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的数据处理单元35的示意图，该数据处理单元35具有：
-一个协议提供单元PP-M，被设计用于提供PP多个协议，
-一个分类系统提供单元PC-M，被设计用于提供PC针对医学成像检查的分类系统，该分类系统具有多个分级有序类别，
-其中每个类别具有至少一个节点，至少一个节点被分配给下一个更高类别的一个节点和/或下一个更低类别的至少一个节点被分配给至少一个节点，
-其中医学成像检查可以由一个节点集来标识，该节点集具有来自多个类别中的每个类别的至多一个节点，
-其中分类系统具有多个节点，多个节点分别被分配有多个协议中的一个协议，
-一个节点确定单元DN-M，被设计用于从一定数目的节点确定DN一个节点，该数目的节点属于能够标识所述医学成像检查的所述节点集，并且该数目的节点分别被分配有一个协议，所确定的节点的类别相对于该数目的其他节点的类别是最低的，
-一个协议选择单元SP-M，被设计用于选择SP被分配给所确定的节点的协议，以用于医学成像检查。
图6示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的方法的流程图，其中该方法还包括以下步骤：
-提供PR与医学成像检查相关的检查请求，
-基于该检查请求来确定DS能够标识医学成像检查的节点集，
-提供PT训练数据记录集，其中该训练数据记录集中的每个训练数据记录具有用于医学成像的检查请求，
-基于该训练数据记录集和机器学习算法来确定DC该分类系统。
图7示出了根据本发明的另一实施例的用于选择针对医学成像检查的检查协议的数据处理单元35的示意图，该数据处理单元35还具有：
-一个检查请求提供单元PR-M，被设计用于提供PR与医学成像检查相关的检查请求，
-一个节点集确定单元DS-M，被设计用于基于该检查请求来确定DS能够标识医学成像检查的节点集。
-一个训练数据记录提供单元PT-M，被设计用于提供PT训练数据记录集，其中该训练数据记录集中的每个训练数据记录具有用于医学成像的检查请求，
-一个分类系统确定单元DC-M，被设计用于基于训练数据记录集和机器学习算法来确定DC该分类系统。
图8示出了根据本发明另一实施例的医学成像设备1的示意图。在不限制总体发明思想的情况下，计算机断层摄影设备被示出作为医学成像设备1的示例。医学成像设备1具有台架20、隧道形开口9、患者支撑设备10和控制器30。台架20具有固定的承载框架21和转子24。
患者13可以被引入到隧道形开口9中。采集区域4位于隧道形开口9中。患者13的要被成像的区域可以被支撑在采集区域4中，使得辐射27可以从辐射源26传递到要被成像的区域，并且在与要被成像的区域交互之后可以传递到辐射检测器28。
患者支撑设备10具有支撑底座11和用于支撑患者13的支撑板12。支撑板12布置在支撑底座11上，从而可相对于支撑底座11移动，使得支撑板12可以在支撑板12的纵向方向上(特别是沿着系统轴线AR)而被引入采集区域4中。
医学成像设备1被设计用于基于电磁辐射27来获取采集数据。医学成像设备1具有采集单元。采集单元是具有辐射源26(例如X射线源)和检测器28(例如X射线检测器，特别是能量分辨X射线检测器)的投影数据采集单元。
辐射源26被布置在转子24上，并且被设计用于发射具有辐射量子27的辐射27，例如X射线辐射。检测器28被布置在转子24上，并且被设计用于检测辐射量子27。辐射量子27可以从辐射源26传递到患者13的要被成像的区域，并且在与要被成像的区域相互作用之后撞击检测器28。以这种方式，要被成像的区域的采集数据可以通过采集单元以投影数据的形式被采集。
控制器30被设计用于接收从采集单元获取的采集数据。控制器30被设计用于控制医学成像设备1。控制器30具有数据处理单元35、计算机可读介质32和处理器系统36。控制器30、特别是数据处理单元35由具有计算机的数据处理系统构成。
控制器30具有图像重建设备34。医学图像数据集可以基于采集数据、通过图像重建设备34来重建。医学成像设备1具有输入设备38和输出设备39，它们每一个都连接到控制器30。输入设备38被设计用于输入控制信息，例如图像重建参数、检查参数等。特别地，输出设备39被设计用于输出控制信息、图像和/或声学信号。
Claims (14)
1.一种用于选择针对一个医学成像检查的一个协议的方法，其中所述医学成像检查是一个医学计算机断层摄影成像检查，其中所述方法包括以下多个步骤：
-提供(PP)多个协议，
-提供(PC)用于多个医学成像检查的一个分类系统，其中所述多个医学成像检查是多个医学计算机断层摄影成像检查，所述分类系统具有多个分级有序类别，
-其中每个类别具有至少一个节点，所述至少一个节点被分配给下一个更高类别的一个节点和/或下一个更低类别的至少一个节点被分配给所述至少一个节点，
-其中所述医学成像检查能够由一个第一节点集标识，所述第一节点集具有来自多个类别中的每个类别的至多一个节点，
-其中所述分类系统具有：多个第二节点，所述多个第二节点分别被分配有所述多个协议中的一个协议；所述第一节点集的最低类别中的至少一个无协议节点，所述至少一个无协议节点未从所述多个协议被分配一个协议；以及至少一个分配了协议的节点，所述至少一个分配了协议的节点是未被分配协议的节点的子节点；
-从一定数目的所述多个第二节点确定(DN)一个节点，所确定的节点属于能够标识所述医学成像检查的所述第一节点集，其中所述第一节点集中的被分配给所确定的节点并且是比所确定的节点更低类别的节点的每个节点没有被分配一个协议，
-选择(SP)被分配给所确定的所述节点的所述协议，以用于所述医学成像检查；以及
基于分配给所确定的节点的所述协议执行所述医学成像检查。
2.根据权利要求1所述的方法，其中所述分类系统具有至少三个类别和/或正好三个类别。
3.根据权利要求1至2中任一项所述的方法，其中所述分类系统具有从类别组中选出的一个或多个类别，所述类别组包括与要检查的一个身体区域相关的第一类别、与所述医学成像检查的一个解剖重点相关的第二类别、以及与所述医学成像检查的一个问题相关的第三类别。
4.根据权利要求1至2中任一项所述的方法，其中所述方法还包括以下多个步骤：
-提供(PR)与所述医学成像检查相关的一个检查请求，
-基于所述检查请求来确定(DS)能够标识所述医学成像检查的所述第一节点集。
5.根据权利要求1至2中任一项所述的方法，其中所述方法还包括以下多个步骤：
-提供(PT)一个第一训练数据记录集，其中所述第一训练数据记录集中的每个训练数据记录具有用于医学成像的一个检查请求，
-基于所述第一训练数据记录集和一个机器学习算法来确定(DC)所述分类系统。
6.根据权利要求5所述的方法，
-其中所述第一训练数据记录集中的每个训练数据记录具有被分配给检查请求的一个协议，
-其中基于所述第一训练数据记录集和一个机器学习算法来将所述多个协议中的协议分配给所述多个节点中的节点。
7.根据权利要求5所述的方法，其中所述第一训练数据记录集具有至少两个不同医学成像设备的多个检查请求和/或协议，借助于所述检查请求和/或协议能够分别执行所述医学成像检查。
8.一种用于选择针对一个医学成像检查的一个协议的数据处理装置(35)，其中所述医学成像检查是一个医学计算机断层摄影成像检查，所述数据处理装置(35)具有：
-一个协议提供单元(PP-M)，用于提供(PP)多个协议，
-一个分类系统提供单元(PC-M)，用于提供(PC)针对多个医学成像检查的一个分类系统，其中所述多个医学成像检查是多个医学计算机断层摄影成像检查，所述分类系统具有多个分级有序类别，
-其中每个类别具有至少一个节点，所述至少一个节点被分配给下一个更高类别的一个节点和/或下一个更低类别的至少一个节点被分配给所述至少一个节点，
-其中所述医学成像检查能够由一个第一节点集标识，所述节点集具有来自多个类别中的每个类别的至多一个节点，
-其中所述分类系统具有：多个第二节点，所述多个第二节点分别被分配有所述多个协议中的一个协议；所述第一节点集的最低类别中的至少一个无协议节点，所述至少一个无协议节点未从所述多个协议被分配一个协议；以及至少一个分配了协议的节点，所述至少一个分配了协议的节点是未被分配协议的节点的子节点；
-一个节点确定单元(DN-M)，用于从一定数目的所述多个第二节点确定(DN)一个节点，所确定的节点属于能够标识所述医学成像检查的所述节点集，其中所述第一节点集中的被分配给所确定的节点并且是比所确定的节点更低类别的节点的每个节点没有被分配一个协议，
-一个协议选择单元(SP-M)，用于选择(SP)被分配给所确定的所述节点的所述协议，以用于所述医学成像检查，
一个执行单元，用于基于分配给所确定的节点的所述协议执行所述医学成像检查。
9.根据权利要求8所述的数据处理装置(35)，还具有：
-一个检查请求提供单元(PR-M)，用于提供(PR)与所述医学成像检查相关的一个检查请求，
-一个节点集确定单元(DS-M)，用于基于所述检查请求来确定(DS)能够标识所述医学成像检查的所述节点集。
10.根据权利要求8至9中任一项所述的数据处理装置(35)，还具有：
-一个训练数据记录提供单元(PT-M)，用于提供(PT)一个第一训练数据记录集，其中所述第一训练数据记录集中的每个训练数据记录具有用于医学成像的一个检查请求，
-一个分类系统确定单元(DC-M)，用于基于所述第一训练数据记录集和一个机器学习算法来确定(DC)所述分类系统。
11.根据权利要求8至9中任一项所述的数据处理装置(35)，所述数据处理装置(35)被设计为执行根据权利要求1所述的方法。
12.一种医学成像设备(1)，具有根据权利要求8至11中任一项所述的数据处理装置(35)。
13.根据权利要求12所述的医学成像设备(1)，所述医学成像设备(1)选自以下成像模态组，所述成像模态组包括：X射线设备、C形臂X射线设备、计算机断层摄影设备、分子成像设备、单光子发射计算机断层摄影设备、正电子发射断层摄影设备、磁共振断层摄影设备、以及前述任一项的组合。
14.一种计算机可读存储介质，其上存储有能够被一个数据处理系统读取和运行的多个程序段，以便当所述多个程序段由所述数据处理系统运行时，所述多个程序段执行根据权利要求1至7中任一项所述的方法的所有步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102017203315.0A DE102017203315A1 (de) | 2017-03-01 | 2017-03-01 | Verfahren und Datenverarbeitungseinheit zur Auswahl eines Protokolls für eine medizinische Bildgebungsuntersuchung |
| DE102017203315.0 | 2017-03-01 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108538368A CN108538368A (zh) | 2018-09-14 |
| CN108538368B true CN108538368B (zh) | 2023-09-15 |
Family
ID=63171407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810172427.8A Active CN108538368B (zh) | 2017-03-01 | 2018-03-01 | 用于选择针对医学成像检查的协议的方法和数据处理单元 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20180254098A1 (zh) |
| CN (1) | CN108538368B (zh) |
| DE (1) | DE102017203315A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018215034A1 (de) | 2018-09-04 | 2020-03-05 | Siemens Healthcare Gmbh | Medizinischer Bilddatensatz für eine Radiotherapieplanung |
| EP3649955A1 (en) * | 2018-11-07 | 2020-05-13 | Koninklijke Philips N.V. | Deep learning based spectral bolus tracking |
| EP3696819A1 (en) * | 2019-02-13 | 2020-08-19 | Siemens Healthcare GmbH | Calculation of diagnostic similarity between different mr protocols |
| CN116434919A (zh) * | 2023-04-27 | 2023-07-14 | 富士胶片（中国）投资有限公司 | 采集医学影像的方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0616290A2 (en) * | 1993-03-01 | 1994-09-21 | Kabushiki Kaisha Toshiba | Medical information processing system for supporting diagnosis. |
| CN101271494A (zh) * | 2007-03-21 | 2008-09-24 | 西门子公司 | 利用医学模态的图像数据记录的方法以及有关医学模态 |
| CN101529822B (zh) * | 2006-06-15 | 2012-01-11 | 诺基亚西门子通信有限公司 | 基于协议类型和优先级的包分类方法 |
| CN104424381A (zh) * | 2013-08-20 | 2015-03-18 | 上海西门子医疗器械有限公司 | 图像重建任务的状态显示方法、装置及医疗设备 |
| CN105608306A (zh) * | 2014-11-14 | 2016-05-25 | 西门子公司 | 用于匹配用于医学成像的协议的方法和装置 |
| CN105997073A (zh) * | 2015-03-26 | 2016-10-12 | 西门子公司 | 医学成像装置的运行 |
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7542792B2 (en) | 2004-06-01 | 2009-06-02 | General Electric Company | Methods for automatic protocol selection |
| US7885828B2 (en) | 2007-01-17 | 2011-02-08 | Siemens Aktiengesellschaft | Knowledge-based ordering systeming for radiological procedures |
| DE102011002928A1 (de) * | 2011-01-20 | 2012-07-26 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Konfiguration einer medizinischen Bildgebungsvorrichtung |
| US9317580B2 (en) * | 2011-02-04 | 2016-04-19 | Koninklijke Philips N.V. | Imaging protocol update and/or recommender |
| KR20140040419A (ko) | 2012-09-26 | 2014-04-03 | 삼성전자주식회사 | 의료영상장치 및 그 제어방법 |
| US20150081315A1 (en) | 2013-09-13 | 2015-03-19 | Radiology Resources International, Llc | Method for selecting medical imaging protocols |
| DE102013219249A1 (de) * | 2013-09-25 | 2015-03-26 | Siemens Aktiengesellschaft | Verfahren und System zur automatischen Auswahl eines Scanprotokolls |
-
2017
- 2017-03-01 DE DE102017203315.0A patent/DE102017203315A1/de active Pending
-
2018
- 2018-02-27 US US15/905,909 patent/US20180254098A1/en not_active Abandoned
- 2018-03-01 CN CN201810172427.8A patent/CN108538368B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0616290A2 (en) * | 1993-03-01 | 1994-09-21 | Kabushiki Kaisha Toshiba | Medical information processing system for supporting diagnosis. |
| CN101529822B (zh) * | 2006-06-15 | 2012-01-11 | 诺基亚西门子通信有限公司 | 基于协议类型和优先级的包分类方法 |
| CN101271494A (zh) * | 2007-03-21 | 2008-09-24 | 西门子公司 | 利用医学模态的图像数据记录的方法以及有关医学模态 |
| CN104424381A (zh) * | 2013-08-20 | 2015-03-18 | 上海西门子医疗器械有限公司 | 图像重建任务的状态显示方法、装置及医疗设备 |
| CN105608306A (zh) * | 2014-11-14 | 2016-05-25 | 西门子公司 | 用于匹配用于医学成像的协议的方法和装置 |
| CN105997073A (zh) * | 2015-03-26 | 2016-10-12 | 西门子公司 | 医学成像装置的运行 |
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
Non-Patent Citations (2)
| Title |
|---|
| Dedicated breast CT: fibroglandular volume measurements in a diagnostic population;Vedantham Srinivasan;Shi Linxi;Karellas Andrew;O\'Connell Avice M;《Medical physics 》;第39卷(第12期);7317-28 * |
| 基于云计算的激光医学图像分类分析与应用研究;李佳;夏云霓;;激光杂志(第04卷);54-57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108538368A (zh) | 2018-09-14 |
| US20180254098A1 (en) | 2018-09-06 |
| DE102017203315A1 (de) | 2018-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10614597B2 (en) | Method and data processing unit for optimizing an image reconstruction algorithm | |
| Betancur et al. | Deep learning for prediction of obstructive disease from fast myocardial perfusion SPECT: a multicenter study | |
| CN108538368B (zh) | 用于选择针对医学成像检查的协议的方法和数据处理单元 | |
| US10347010B2 (en) | Anomaly detection in volumetric images using sequential convolutional and recurrent neural networks | |
| US10438380B2 (en) | Systems and methods for translation of medical imaging using machine learning | |
| US11402453B2 (en) | Method and system for determining sufficiency of measurement data for post-processing process | |
| CN108537774B (zh) | 用于检查医学图像的方法以及用于调整检查协议的方法 | |
| CN111210897A (zh) | 处理医学图像 | |
| US20070133851A1 (en) | Method and apparatus for selecting computer-assisted algorithms based on protocol and/or parameters of an acquisistion system | |
| AU2019449346B2 (en) | Radiotherapy plan parameters with privacy guarantees | |
| US20220198655A1 (en) | Computer-implemented method for operating a medical imaging device, imaging device, computer program and electronically readable data medium | |
| US20190074083A1 (en) | Method and data processing unit for determining classification data for adaption of an examination protocol | |
| CN111311551A (zh) | 基于机器学习的生理运动测量系统和方法 | |
| US20190080490A1 (en) | Reducing movement artifacts in computed tomography image data | |
| Gauriau et al. | A deep learning–based model for detecting abnormalities on brain MR images for triaging: preliminary results from a multisite experience | |
| US11734599B2 (en) | Flexible use of a clinical decision support system | |
| US20230252636A1 (en) | Method and system for the automated determination of examination results in an image sequence | |
| JP7358090B2 (ja) | オーダ作成支援装置及びオーダ作成支援方法 | |
| CN114762057A (zh) | 医学成像系统中的自动化方案拟定 | |
| WO2020202822A1 (ja) | 医療文書作成支援装置、方法およびプログラム | |
| JP7299314B2 (ja) | 医療文書作成装置、方法およびプログラム、学習装置、方法およびプログラム、並びに学習済みモデル | |
| Roy et al. | Demystifying Supervised Learning in Healthcare 4.0: A New Reality of Transforming Diagnostic Medicine. Diagnostics 2022, 12, 2549 | |
| EP4379672A1 (en) | Methods and systems for classifying a medical image dataset | |
| US20230360213A1 (en) | Information processing apparatus, method, and program | |
| WO2023054646A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム |
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 |