CN108898135B - 一种大脑边缘系统图谱构建方法 - Google Patents
一种大脑边缘系统图谱构建方法 Download PDFInfo
- Publication number
- CN108898135B CN108898135B CN201810704325.6A CN201810704325A CN108898135B CN 108898135 B CN108898135 B CN 108898135B CN 201810704325 A CN201810704325 A CN 201810704325A CN 108898135 B CN108898135 B CN 108898135B
- Authority
- CN
- China
- Prior art keywords
- brain
- space
- tested
- image
- standard
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种大脑边缘系统图谱构建方法,包括下列步骤:采集被试者的功能磁共振影像FMRI,高夹角分辨率扩散影像HARDI,T1权重解剖影像T1;对每个被试的功能磁共振影像FMRI数据进行预处理,进行时间层矫正和头动矫正;求出每位被试大脑空间到标准空间的转移矩阵及其逆矩阵;预处理后的功能连接数据,统计出所有被试样本的功能连接图中与左右杏仁核以及左右海马体相关性显著高于全脑均值的脑区,并与脑区解剖标签比较后选取感兴趣区ROI;选取每位被试的相同神经束对位至标准空间后,将相同节点间的神经束的三维矩阵叠加之后加入一定阈值,低于此阈值的舍去;最终构建出大脑边缘系统图谱。
Description
技术领域
本发明涉及医学成像检测技术领域,特别涉及磁共振成像技术领域,具体是指一种基于磁共振功能连接与结构连接的大脑边缘系统图谱构建方法。
背景技术
大脑边缘系统是产生并影响情绪的重要大脑网络结构,支持人类行为、动机产生、长期记忆等功能,对于研究认知障碍,性格障碍,抑郁症等精神疾病有着重要的价值。其中,主管情绪的杏仁核与主管记忆的海马体是边缘系统的重要组成部分。
功能连接被定义为大脑在空间上分离但是在神经活动上却有时间依赖的一种激活模式。功能磁共振成像(Functional magnetic resonance imaging,FMRI)可通过检验血流进入脑细胞的磁场变化反映大脑神经网络的空间分布。
结构连接可以计算出大脑中由白质纤维束相互连接的结构组成的连接与走向。扩散张量成像(Diffusion Tensor imaging,DTI)即由量测水分子在神经纤维束内的扩散概率模型,提供给我们非侵入式探索人脑神经结构的机会。而高夹角分辨率扩散磁振造影(HighAngular Resolution Diffusion Imaging,HARDI)能够解析单一像素内复杂的神经交汇结构,可将大脑内各像素中的神经结构以概率模型来加以描述,且配合相对应的神经径路追踪算法,能进一步撷取人脑复杂的神经连接结构。
然而大脑运作必须依靠结构性及功能性神经连接形成大脑网络以达成人类复杂的认知功能,因此若能够结合静息态功能磁共振成像及扩散张量成像技术,将大脑边缘系统的功能性与结构性网络连接构建出来,将能够对于精神类疾病的机制有更多深入的了解。
发明内容
本发明结合功能连接与结构连接各自的特点,通过时间序列的相关性检测出与杏仁核、海马体功能相关的大脑区域作为种子节点,采用基于种子点的大尺度功能网络定义边缘系统,并结合纤维跟踪,以群组分析的方法构建大脑边缘系统概率图谱从而充分了解大脑运作机制。本发明的技术方案如下:
一种大脑边缘系统图谱构建方法,包括下列步骤:
(1)采集被试者的功能磁共振影像FMRI,高夹角分辨率扩散影像HARDI,T1权重解剖影像T1;
(2)对每个被试的功能磁共振影像FMRI数据进行预处理,进行时间层矫正和头动矫正;
(3)求出每位被试大脑空间到标准空间的转移矩阵及其逆矩阵:以每位被试的T1权重解剖影像作为结构空间;结构空间是利用T1影像高分辨率的特点,将其作为被试大脑空间与标准空间之间的参照,分别求出被试空间到结构空间的转移矩阵以及标准空间到结构空间的转移矩阵;以矩阵中的参数作为起始点求出标准空间到结构空间的非线性变换,得到每一位被试到标准空间以及标准到被试空间的变换方法以及对应的转移矩阵;
(4)预处理后的功能连接数据,以左右杏仁核、左右海马体为坐标,一定半径的球作为种子点,定义边缘系统网络,首先计算全脑体素与种子点信号的相关性,最后统计出所有被试样本的功能连接图中与左右杏仁核以及左右海马体相关性显著高于全脑均值的脑区,并与脑区解剖标签比较后选取感兴趣区ROI;
(5)对每位被试的高夹角分辨率扩散影像HARDI数据,利用神经纤维重构算法,获得神经纤维追踪算法中必需的纤维取向分布函数;之后以对位至每位被试空间的ROI为节点进行纤维跟踪;
(6)选取每位被试的相同神经束对位至标准空间后,将相同节点间的神经束的三维矩阵叠加之后加入一定阈值,低于此阈值的舍去;最终构建出大脑边缘系统图谱。
总之,本发明结合功能连接与结构连接的方法进行神经追踪,以群组分析的方法构建大脑边缘系统概率图谱,可以从各个方面来探索结构与功能连接的关系,经由这些神经结构与认知功能关联的相关研究,让研究人员了解脑神经信号传递功能,连接架构,传递效能或各脑区间的互动方式。
附图说明
图1基于功能连接与结构连接的大脑边缘系统图谱构建原理图。
图2被试空间到标准空间的转移矩阵及其逆矩阵的过程示意图。
图3功能连接图以及对比后选取的ROI脑区示意图。
图4部分神经束概率图谱效果展示图。
图5大脑边缘系统概率图谱的网络节点图。
具体实施方式
本发明结合功能连接与结构连接各自的特点,通过时间序列的相关性检测出与杏仁核、海马体功能相关的大脑区域作为种子节点,采用基于种子点的大尺度功能网络定义边缘系统,并结合纤维跟踪,以群组分析的方法构建大脑边缘系统概率图谱从而充分了解大脑运作机制。基于功能连接与结构连接的大脑边缘系统图谱构建原理图如图1所示。
为了能够清楚地理解本发明的技术内容,特举一下实施例详细说明:
(1)数据的采集:
本发明采集大量被试者的功能磁共振影像FMRI,高夹角分辨率扩散影像HARDI,T1权重解剖影像(T1Weight Imaging,T1),受试者无脑部损伤或脑部疾病的历史,影像信息均去除所有个人资料,影像获取均遵守医院伦理委员会的规定;
(2)数据预处理:
首先对原始数据进行影像对位、空间标准化、空间平滑。影像对位分为失真校正和头动校正,失真校正去除是由于在获取fMRI数据时图像在空气和组织交界处附近的区域伪影。头动校正去除头部移动(如吞咽)的影响。空间标准化把大脑体积形状存在差异的不同被试者样本转化成和标准空间一致的大小和形状。空间平滑使用高斯过滤器,分布的宽度使用半峰全宽值FWHM=6mm。用以适当移除图像高频信息,减少个体间位置的失匹配问题。
其次对以上处理结果进行去线性漂移与滤波。去线性漂移可以去除由于机器的工作而升温或被试适应,随着时间的积累存在的线性趋势。而人脑自发活动主要在0.01~0.08HZ低频范围内,这里选取的滤波器带宽0.01Hz<f<0.10Hz滤除其余生理干扰信息。
最后,提取数据中的协变量,这些协变量包括:头动参数、白质信号、脑脊液信号。以便在之后功能连接的计算中去除这些协变量所带来的影响。
(3)求出每位被试大脑空间到标准空间的转移矩阵及其逆矩阵:
图2给出了每位被试大脑空间到标准空间的转移矩阵及其逆矩阵的具体过程,图中被试空间的影像是从高夹角分辨率扩散影像HARDI中提取出的,简称Null。结构空间的影像为T1权重影像,简称T1,对T1影像去头骨所得影像简称Betted_T1。标准空间中MNI152是标准模版,MNI152_brain是其去头骨后的影像。首先,以高分辨率的Betted_T1作为参考,分别用线性算法求出被试空间到结构空间的转移矩阵Ta以及标准空间到结构空间的转移矩阵Tb。以Tb中的参数作为起始点,使用非线性算法求出标准空间到结构空间的转移矩阵W。则被试空间到标准空间的转移矩阵为Ta×Tb-1。标准空间到被试空间的非线性变换过程为W×Ta-1。使用这一方法可以分别求出每一位被试到标准空间以及标准到被试空间的非线性变换转移矩阵
(4)基于种子点的功能连接分析与选取感兴趣区:
以大脑右杏仁核(23,-5,-16),左杏仁核(-23,-5,-16)及右海马回(30,-16,-14),左海马回(-30,-16,-14)及3mm半径作为种子点与全脑其他区域的每一个体素做信息相关。具体地,计算全脑体素与种子点信号的相关性,并对对所有样本进行Fisher Z变换,使其服从正态分布,便于t检验。其中所有的功能连接图阈值T-value>10,群集尺寸cluster size>27,族系误差率P<0.05,最后所有被试样本的功能连接图进行单样本t检验,用以统计出与左右杏仁核相关性显著高于全脑均值的脑区,用于之后感兴趣区的选取。
将上述功能连接图中符合条件的区域与解剖标签AAL(automated anatomicallabeling)做交集,统计AAL每个脑区与边缘系统重合的体素数目占本脑区的百分数,设定一个体积百分数的阈值,如果AAL中某个区域有大于这个阈值的体积分数且与左右杏仁核都相关,则选取这个区域作为下一步神经追踪中的重要节点。图3为获得的功能连接图以及对比后选取的AAL脑区。
(5)神经纤维重构与追踪:
利用神经纤维追踪算法(这里使用约束性球形反卷积算法constraint sphericaldeconvolution[1],其他算法包括但不限于Multi-tensor[2]、diffusion spectrumimaging[3]、PASMRI[4]、q-ball imaging[5]、diffusion kurtosis imaging[6]、q-ballspherical harmonics[7]、hybrid diffusion imaging[8]、generalized q-samplingimaging[9])。这些算法均可获得神经纤维追踪时必需的纤维取向分布函数,进而重建各体素内水分子扩散方向,用以提供神经交会信息。之后可有效求出连结各区域的神经纤维并呈现于三维空间上,来反映复杂区域中精确的神经纤维走向。
使用标准空间到每一位被试空间的转移矩阵,将AAL的脑区分别对位到每一个被试的空间上去,以此作为神经追踪的感兴趣区ROI,选取同一大脑半球的两处ROI作为起始点,分别求出每位被试相应ROI有关的神经纤维。
(6)以群组分析的方法叠加概率图谱:
选取每位被试的相同神经束对位至标准空间后进行叠加并构建模版,相同节点间的神经束的三维矩阵叠加之后加入一定阈值,例如总人数的1/3,低于此阈值的舍去。最终构建出大脑边缘系统图谱。
最终结果如图4、图5所示,图4部分神经束概率图谱效果展示图,已发现的神经束用其原来的名字,例如扣带(Cingulum),穹窿(Fornix),新发现的用次神经束连接的ROI来命名,例如,连接旁扣带脑回与丘脑的神经束DCG&THA,连接豆状苍白球与丘脑的神经束PAL&THA,图的左边为随机挑选的单个被试对应的神经束,图右为叠加的神经束概率图谱,中间为神经束概率图谱的三视图。图5为以此方法构建的大脑边缘系统概率图谱抽象出的网络节点图。图中,红色节点表示选中的AAL节点,灰色表示AAL的其他没有选中的节点,各节点间线段的颜色和粗细表示概率的大小。本发明的概率图谱神经束模版可以为之后的精神类疾病,尤其是与边缘系统有关的疾病如抑郁症,老年痴呆,认知障碍,在某些神经束的病变上提供对比的依据。
对比文献:
[1]J.D.Tournier,F.Calamante,D.G.Gadian,andA.Connelly,"Directestimation ofthe fiber orientation density function from diffusion-weightedMRI datausing spherical deconvolution,"Neuroimage,vol.23,pp.1176-85,Nov 2004.
[2]D.S.Tuch,T.G.Reese,M.R.Wiegell,N.Makris,J.W.Belliveau,andV.J.Wedeen,"High angular resolution diffusion imaging reveals intravoxelwhite matterfiber heterogeneity,"Magn Reson Med,vol.48,pp.577-82,Oct 2002.
[3]V.J.Wedeen,P.Hagmann,W.Y.Tseng,T.G.Reese,and R.M.Weisskoff,"Mapping complex tissue architecture with diffusion spectrum magneticresonance imaging,"Magn Reson Med,vol.54,pp.1377-86,Dec 2005.
[4]K.M.Jansons and D.C.Alexander,"Persistent angular structure:newinsights from diffusion magnetic resonance imaging data,"Inverse Problems,vol.19,pp.1031-1046,Oct 2003.
[5]D.S.Tuch,"Q-ball imaging,"Magn Reson Med,vol.52,pp.1358-72,Dec2004.
[6]J.H.Jensen,J.A.Helpern,A.Ramani,H.Lu,and K.Kaczynski,"Diffusionalkurtosis imaging:the quantification of non-gaussian water diffusion by meansof magnetic resonance imaging,"Magn Reson Med,vol.53,pp.1432-40,Jun 2005.
[7]C.P.Hess,P.Mukherjee,E.T.Han,D.Xu,and D.B.Vigneron,"Q-ballreconstruction of multimodal fiber orientations usingthe spherical harmonicbasis,"MagneticResonance in Medicine,vol.56,pp.104-117,Jul 2006.
[8]Y.C.Wu and A.L.Alexander,"Hybrid diffusion imaging,"Neuroimage,vol.36,pp.617-29,Jul 012007.
[9]F.C.Yeh,V.J.Wedeen,and W.Y.Tseng,"Generalized q-sampling imaging,"IEEE Trans Med Imaging,vol.29,pp.1626-35,Sep 2010.
Claims (1)
1.一种大脑边缘系统图谱构建方法,包括下列步骤:
(1)采集被试者的功能磁共振影像FMRI,高夹角分辨率扩散影像HARDI,T1权重解剖影像T1;
(2)对每个被试的功能磁共振影像FMRI数据进行预处理,进行时间层矫正和头动矫正;
(3)求出每位被试大脑空间到标准空间的转移矩阵及其逆矩阵:以每位被试的T1权重解剖影像作为结构空间;结构空间是利用T1影像高分辨率的特点,将其作为被试大脑空间与标准空间之间的参照,分别求出被试空间到结构空间的转移矩阵以及标准空间到结构空间的转移矩阵;以矩阵中的参数作为起始点求出标准空间到结构空间的非线性变换,得到每一位被试到标准空间以及标准到被试空间的变换方法以及对应的转移矩阵;
(4)预处理后的功能连接数据,以左右杏仁核、左右海马体为坐标,一定半径的球作为种子点,定义边缘系统网络,首先计算全脑体素与种子点信号的相关性,最后统计出所有被试样本的功能连接图中与左右杏仁核以及左右海马体相关性显著高于全脑均值的脑区,并与脑区解剖标签比较后选取感兴趣区ROI;
(5)对每位被试的高夹角分辨率扩散影像HARDI数据,利用神经纤维重构算法,获得神经纤维追踪算法中必需的纤维取向分布函数;之后以对位至每位被试空间的ROI为节点进行纤维跟踪;
(6)选取每位被试的相同神经束对位至标准空间后,将相同节点间的神经束的三维矩阵叠加之后加入一定阈值,低于此阈值的舍去;最终构建出大脑边缘系统图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810704325.6A CN108898135B (zh) | 2018-06-30 | 2018-06-30 | 一种大脑边缘系统图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810704325.6A CN108898135B (zh) | 2018-06-30 | 2018-06-30 | 一种大脑边缘系统图谱构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108898135A CN108898135A (zh) | 2018-11-27 |
CN108898135B true CN108898135B (zh) | 2021-07-06 |
Family
ID=64347669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810704325.6A Active CN108898135B (zh) | 2018-06-30 | 2018-06-30 | 一种大脑边缘系统图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898135B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110215283B (zh) * | 2019-02-14 | 2020-09-11 | 清华大学 | 基于磁共振成像的颅内手术导航系统 |
CN110599442B (zh) * | 2019-07-01 | 2022-08-12 | 兰州大学 | 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统 |
CN110415228B (zh) * | 2019-07-24 | 2022-11-04 | 上海联影医疗科技股份有限公司 | 神经纤维追踪方法、磁共振系统及存储介质 |
CN110811622A (zh) * | 2019-11-12 | 2020-02-21 | 北京大学 | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 |
CN110838173B (zh) * | 2019-11-15 | 2023-06-02 | 天津医科大学 | 基于三维纹理特征的个体化脑共变网络构建方法 |
EP4085830A1 (en) * | 2021-05-03 | 2022-11-09 | Otto-von-Guericke-University Magdeburg | Method for detecting nerve fibers in a brain of a patient, method for diagnosing or prognosing a disease in a patient and method of determining the course of a disease in a patient |
CN114376558B (zh) * | 2022-03-24 | 2022-07-19 | 之江实验室 | 基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 |
CN114403812B (zh) * | 2022-03-30 | 2022-07-08 | 慧创科仪(北京)科技有限公司 | 脑损伤状况的辅助分析方法、装置、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103040467A (zh) * | 2012-12-31 | 2013-04-17 | 北京师范大学 | 一种汉语语言功能区测查用功能磁共振成像数据的处理方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN103202692A (zh) * | 2012-11-06 | 2013-07-17 | 北京师范大学 | 脑功能连接频率范围的定量判定方法 |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
-
2018
- 2018-06-30 CN CN201810704325.6A patent/CN108898135B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103202692A (zh) * | 2012-11-06 | 2013-07-17 | 北京师范大学 | 脑功能连接频率范围的定量判定方法 |
CN103040467A (zh) * | 2012-12-31 | 2013-04-17 | 北京师范大学 | 一种汉语语言功能区测查用功能磁共振成像数据的处理方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN106023194A (zh) * | 2016-05-18 | 2016-10-12 | 西安交通大学 | 基于静息态功能连接的杏仁核谱聚类分割方法 |
CN107658018A (zh) * | 2017-10-12 | 2018-02-02 | 太原理工大学 | 一种基于结构连接和功能连接的融合脑网络构建方法 |
Non-Patent Citations (3)
Title |
---|
"Brainnetome:A new -ome to understand the brain and its disorders";Tianzi Jiang;《NeuroImage》;20131015;第80卷;全文 * |
"基于fMRI和DTI融合的脑默认模式功能网络研究";胡亚敏;《中国优秀硕士学位论文全文数据库 基础科学辑》;20141015(第10期);第13-53页 * |
"脑白质纤维束跟踪算法的研究进展";张艳 等;《复旦学报(医学版)》;20140131;第41卷(第1期);第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108898135A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898135B (zh) | 一种大脑边缘系统图谱构建方法 | |
Khan et al. | Fetal brain growth portrayed by a spatiotemporal diffusion tensor MRI atlas computed from in utero images | |
US9940712B2 (en) | Quantitating disease progression from the MRI images of multiple sclerosis patients | |
Sitek et al. | Mapping the human subcortical auditory system using histology, postmortem MRI and in vivo MRI at 7T | |
Grisot et al. | Diffusion MRI and anatomic tracing in the same brain reveal common failure modes of tractography | |
Vandermosten et al. | A qualitative and quantitative review of diffusion tensor imaging studies in reading and dyslexia | |
Hagmann et al. | DTI mapping of human brain connectivity: statistical fibre tracking and virtual dissection | |
Toga et al. | Maps of the brain | |
Pannek et al. | The average pathlength map: a diffusion MRI tractography-derived index for studying brain pathology | |
Schilling et al. | Anatomical accuracy of standard-practice tractography algorithms in the motor system-a histological validation in the squirrel monkey brain | |
Wang et al. | Multilevel deficiency of white matter connectivity networks in Alzheimer’s disease: a diffusion MRI study with DTI and HARDI models | |
Jakab et al. | Fetal cerebral magnetic resonance imaging beyond morphology | |
Johnson et al. | Huntington's disease: brain imaging in Huntington's disease | |
Calabrese et al. | Postmortem diffusion MRI of the entire human spinal cord at microscopic resolution | |
JP5591687B2 (ja) | 画像処理方法 | |
Tian et al. | Improving in vivo human cerebral cortical surface reconstruction using data-driven super-resolution | |
Caan | DTI analysis methods: fibre tracking and connectivity | |
Kuhn et al. | Test-retest reliability of high angular resolution diffusion imaging acquisition within medial temporal lobe connections assessed via tract based spatial statistics, probabilistic tractography and a novel graph theory metric | |
Zhu et al. | The distinct disrupted plasticity in structural and functional network in mild stroke with basal ganglia region infarcts | |
Rousseau et al. | In vivo human fetal brain analysis using MR imaging | |
De Pasquale et al. | Functional magnetic resonance imaging in disorders of consciousness: preliminary results of an innovative analysis of brain connectivity | |
Descoteaux et al. | Deterministic and probabilistic Q-Ball Tractography: from diffusion to sharp fiber distribution | |
Caiazzo et al. | Structural connectome with high angular resolution diffusion imaging MRI: assessing the impact of diffusion weighting and sampling on graph-theoretic measures | |
Jarret et al. | A methodological scoping review of the integration of fMRI to guide dMRI tractography. What has been done and what can be improved: A 20-year perspective | |
Savadjiev et al. | Combining surface and fiber geometry: An integrated approach to brain morphology |
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 |