CN109002831A - 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 - Google Patents
一种基于卷积神经网络的乳腺密度分类方法、系统及装置 Download PDFInfo
- Publication number
- CN109002831A CN109002831A CN201810582349.9A CN201810582349A CN109002831A CN 109002831 A CN109002831 A CN 109002831A CN 201810582349 A CN201810582349 A CN 201810582349A CN 109002831 A CN109002831 A CN 109002831A
- Authority
- CN
- China
- Prior art keywords
- molybdenum target
- breast
- image
- convolutional neural
- target image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的乳腺密度分类方法、系统及装置,方法包括采集乳腺钼靶图像,并对其进行分类标记,得到标记后的乳腺钼靶图像;将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像;将钼靶训练图像输入至卷积神经网络模型进行训练,得到训练完成后的乳腺分类预测网络模型;将需要预测的测试样本输入至乳腺分类预测网络模型进行处理,得到乳腺密度各个分类的概率,进而得到测试样本的分类结果。本发明通过卷积神经网络模型实现端到端的训练,从而能从大量的乳腺钼靶图像中自动学习图像特征,有效提高对医疗大数据的适应能力,大大提高分类预测的准确性。本发明可广泛应用于医疗领域中。
Description
技术领域
本发明涉及分类技术领域,尤其涉及一种基于卷积神经网络的乳腺密度分类方法、系统及装置。
背景技术
乳腺癌是当今女性最常见的恶性肿瘤之一,而乳腺X线密度是预测乳腺癌患癌风险高低的重要指标之一,现有的钼靶图像乳腺密度自动分类大部分是基于第4版BI-RADS分类,即依据乳腺纤维腺体组织与脂肪组织所占比例来分类训练获得的自动量化模型;而最新版本的BI-RADS乳腺密度分类纯粹是主观的,消除了之前的按百分位数分类。这些问题使得传统的方法很难取得较为精确的分类效果。
发明内容
为了解决上述技术问题,本发明的目的是提供一种能提高精确性的基于卷积神经网络的乳腺密度分类方法、系统及装置。
本发明所采取的技术方案是:
一种基于卷积神经网络的乳腺密度分类方法,包括以下步骤:
采集乳腺钼靶图像,并对其进行分类标记,得到标记后的乳腺钼靶图像;
将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像;
将钼靶训练图像输入至卷积神经网络模型进行训练,得到训练完成后的乳腺分类预测网络模型;
将需要预测的测试样本输入至乳腺分类预测网络模型进行处理,得到乳腺密度各个分类的概率,进而得到测试样本的分类结果。
作为所述的一种基于卷积神经网络的乳腺密度分类方法的进一步改进,所述的将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像,这一步骤具体包括:
将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理,得到增强乳腺钼靶图像;
对增强乳腺钼靶图像进行像素间隔统一处理,得到间隔钼靶图像;
对间隔钼靶图像中每个像素的像素值进行归一化处理,从而完成间隔钼靶图像的对比度统一,得到钼靶训练图像。
作为所述的一种基于卷积神经网络的乳腺密度分类方法的进一步改进,所述的像素值进行归一化的公式为:
IXYZ=(IXYZ’-Meani)/Stdi;
其中,Meani表示第i张图像的像素均值,Stdi表示像素标准差,IXYZ表示归一化后的像素值,IXYZ’表示归一化前的像素值。
作为所述的一种基于卷积神经网络的乳腺密度分类方法的进一步改进,所述的卷积神经网络模型为Inception-ResNet-V2网络模型。
本发明所采用的另一个技术方案是:
一种基于卷积神经网络的乳腺密度分类系统,包括:
图像采集单元,用于采集乳腺钼靶图像,并对其进行分类标记,得到标记后的乳腺钼靶图像;
预处理单元,用于将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像;
训练单元,用于将钼靶训练图像输入至卷积神经网络模型进行训练,得到训练完成后的乳腺分类预测网络模型;
预测单元,用于将需要预测的测试样本输入至乳腺分类预测网络模型进行处理,得到乳腺密度各个分类的概率,进而得到测试样本的分类结果。
作为所述的一种基于卷积神经网络的乳腺密度分类系统的进一步改进,所述的预处理单元具体包括:
增强处理单元,用于将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理,得到增强乳腺钼靶图像;
间隔统一单元,用于对增强乳腺钼靶图像进行像素间隔统一处理,得到间隔钼靶图像;
对比度统一单元,用于对间隔钼靶图像中每个像素的像素值进行归一化处理,从而完成间隔钼靶图像的对比度统一,得到钼靶训练图像。
作为所述的一种基于卷积神经网络的乳腺密度分类系统的进一步改进,所述的像素值进行归一化的公式为:
IXYZ=(IXYZ’-Meani)/Stdi;
其中,Meani表示第i张图像的像素均值,Stdi表示像素标准差,IXYZ表示归一化后的像素值,IXYZ’表示归一化前的像素值。
作为所述的一种基于卷积神经网络的乳腺密度分类系统的进一步改进,所述的卷积神经网络模型为Inception-ResNet-V2网络模型。
本发明所采用的再一个技术方案是:
一种基于卷积神经网络的乳腺密度分类装置,包括:
存储器,用于存放程序;
处理器,用于执行所述程序,所述程序使得所述处理器执行所述的基于卷积神经网络的乳腺密度分类方法。
本发明的有益效果是:
本发明一种基于卷积神经网络的乳腺密度分类方法、系统及装置通过卷积神经网络模型实现端到端的训练,从而能从大量的乳腺钼靶图像中自动学习图像特征,有效提高对医疗大数据的适应能力,大大提高分类预测的准确性。
附图说明
图1是本发明一种基于卷积神经网络的乳腺密度分类方法的步骤流程图;
图2是本发明一种基于卷积神经网络的乳腺密度分类系统的模块方框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
参考图1,本发明一种基于卷积神经网络的乳腺密度分类方法,包括以下步骤:
采集乳腺钼靶图像,并对其进行分类标记,得到标记后的乳腺钼靶图像;
将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像;
将钼靶训练图像输入至卷积神经网络模型进行训练,得到训练完成后的乳腺分类预测网络模型;
将需要预测的测试样本输入至乳腺分类预测网络模型进行处理,得到乳腺密度各个分类的概率,进而得到测试样本的分类结果。
本发明实施例中,分类标记时将乳腺钼靶图像分类四类进行标注。
进一步作为优选的实施方式,所述的将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像,这一步骤具体包括:
将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理,得到增强乳腺钼靶图像;本实施例中采用对比度受限的自适应直方图均衡化算法能提高图像对比度并有效抑制噪声的增强;
对增强乳腺钼靶图像进行像素间隔统一处理,得到间隔钼靶图像;在处理时,首先统计全部增强乳腺钼靶图像的像素间隔信息,制定统一的像素间隔,再对原始的增强乳腺钼靶图像进行缩放操作,使得所有的乳腺钼靶图像的像素间隔统一;
对间隔钼靶图像中每个像素的像素值进行归一化处理,从而完成间隔钼靶图像的对比度统一,得到钼靶训练图像。
所述的像素值进行归一化的公式为:
IXYZ=(IXYZ’-Meani)/Stdi;
其中,Meani表示第i张图像的像素均值,Stdi表示像素标准差,IXYZ表示归一化后的像素值,IXYZ’表示归一化前的像素值。
进一步作为优选的实施方式,所述的卷积神经网络模型为Inception-ResNet-V2网络模型。所述Inception-ResNet-V2网络模型融合了Resnet网络和Inception网络的优点,能借助残差网络进一步提升图像分类水准。
参考图2,本发明一种基于卷积神经网络的乳腺密度分类系统,包括:
图像采集单元,用于采集乳腺钼靶图像,并对其进行分类标记,得到标记后的乳腺钼靶图像;
预处理单元,用于将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像;
训练单元,用于将钼靶训练图像输入至卷积神经网络模型进行训练,得到训练完成后的乳腺分类预测网络模型;
预测单元,用于将需要预测的测试样本输入至乳腺分类预测网络模型进行处理,得到乳腺密度各个分类的概率,进而得到测试样本的分类结果。
进一步作为优选的实施方式,所述的预处理单元具体包括:
增强处理单元,用于将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理,得到增强乳腺钼靶图像;
间隔统一单元,用于对增强乳腺钼靶图像进行像素间隔统一处理,得到间隔钼靶图像;
对比度统一单元,用于对间隔钼靶图像中每个像素的像素值进行归一化处理,从而完成间隔钼靶图像的对比度统一,得到钼靶训练图像。
进一步作为优选的实施方式,所述的像素值进行归一化的公式为:
IXYZ=(IXYZ’-Meani)/Stdi;
其中,Meani表示第i张图像的像素均值,Stdi表示像素标准差,IXYZ表示归一化后的像素值,IXYZ’表示归一化前的像素值。
进一步作为优选的实施方式,所述的卷积神经网络模型为Inception-ResNet-V2网络模型。
本发明一种基于卷积神经网络的乳腺密度分类装置,包括:
存储器,用于存放程序;
处理器,用于执行所述程序,所述程序使得所述处理器执行所述的基于卷积神经网络的乳腺密度分类方法。
从上述内容可知,本发明通过卷积神经网络模型实现端到端的训练,从而能从大量的乳腺钼靶图像中自动学习图像特征,有效提高对医疗大数据的适应能力,大大提高分类预测的准确性。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种基于卷积神经网络的乳腺密度分类方法,其特征在于,包括以下步骤:
采集乳腺钼靶图像,并对其进行分类标记,得到标记后的乳腺钼靶图像;
将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像;
将钼靶训练图像输入至卷积神经网络模型进行训练,得到训练完成后的乳腺分类预测网络模型;
将需要预测的测试样本输入至乳腺分类预测网络模型进行处理,得到乳腺密度各个分类的概率,进而得到测试样本的分类结果。
2.根据权利要求1所述的一种基于卷积神经网络的乳腺密度分类方法,其特征在于:所述的将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像,这一步骤具体包括:
将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理,得到增强乳腺钼靶图像;
对增强乳腺钼靶图像进行像素间隔统一处理,得到间隔钼靶图像;
对间隔钼靶图像中每个像素的像素值进行归一化处理,从而完成间隔钼靶图像的对比度统一,得到钼靶训练图像。
3.根据权利要求2所述的一种基于卷积神经网络的乳腺密度分类方法,其特征在于:所述的像素值进行归一化的公式为:
IXYZ=(IXYZ’-Meani)/Stdi;
其中,Meani表示第i张图像的像素均值,Stdi表示像素标准差,IXYZ表示归一化后的像素值,IXYZ’表示归一化前的像素值。
4.根据权利要求1所述的一种基于卷积神经网络的乳腺密度分类方法,其特征在于:所述的卷积神经网络模型为Inception-ResNet-V2网络模型。
5.一种基于卷积神经网络的乳腺密度分类系统,其特征在于,包括:
图像采集单元,用于采集乳腺钼靶图像,并对其进行分类标记,得到标记后的乳腺钼靶图像;
预处理单元,用于将标记后的乳腺钼靶图像进行预处理,得到钼靶训练图像;训练单元,用于将钼靶训练图像输入至卷积神经网络模型进行训练,得到训练完成后的乳腺分类预测网络模型;
预测单元,用于将需要预测的测试样本输入至乳腺分类预测网络模型进行处理,得到乳腺密度各个分类的概率,进而得到测试样本的分类结果。
6.根据权利要求5所述的一种基于卷积神经网络的乳腺密度分类系统,其特征在于:所述的预处理单元具体包括:
增强处理单元,用于将标记后的乳腺钼靶图像通过自适应直方图均衡化算法进行图像增强处理,得到增强乳腺钼靶图像;
间隔统一单元,用于对增强乳腺钼靶图像进行像素间隔统一处理,得到间隔钼靶图像;
对比度统一单元,用于对间隔钼靶图像中每个像素的像素值进行归一化处理,从而完成间隔钼靶图像的对比度统一,得到钼靶训练图像。
7.根据权利要求6所述的一种基于卷积神经网络的乳腺密度分类系统,其特征在于:所述的像素值进行归一化的公式为:
IXYZ=(IXYZ’-Meani)/Stdi;
其中,Meani表示第i张图像的像素均值,Stdi表示像素标准差,IXYZ表示归一化后的像素值,IXYZ’表示归一化前的像素值。
8.根据权利要求5所述的一种基于卷积神经网络的乳腺密度分类系统,其特征在于:所述的卷积神经网络模型为Inception-ResNet-V2网络模型。
9.一种基于卷积神经网络的乳腺密度分类装置,其特征在于,包括:
存储器,用于存放程序;
处理器,用于执行所述程序,所述程序使得所述处理器执行如权利要求1~4任一项所述的基于卷积神经网络的乳腺密度分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582349.9A CN109002831A (zh) | 2018-06-05 | 2018-06-05 | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582349.9A CN109002831A (zh) | 2018-06-05 | 2018-06-05 | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109002831A true CN109002831A (zh) | 2018-12-14 |
Family
ID=64600996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810582349.9A Pending CN109002831A (zh) | 2018-06-05 | 2018-06-05 | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002831A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902682A (zh) * | 2019-03-06 | 2019-06-18 | 太原理工大学 | 一种基于残差卷积神经网络的乳腺x线图像检测方法 |
CN109919254A (zh) * | 2019-03-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 乳腺密度分类方法、系统、可读存储介质和计算机设备 |
CN109919187A (zh) * | 2019-01-28 | 2019-06-21 | 浙江工商大学 | 用bagging微调CNN来分类甲状腺滤泡状图片的方法 |
CN109907730A (zh) * | 2019-01-16 | 2019-06-21 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、装置、及存储介质和计算机设备 |
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130223711A1 (en) * | 2012-02-24 | 2013-08-29 | Riverain Technologies, LLC | Maching Learning Techniques for Pectoral Muscle Equalization and Segmentation in Digital Mammograms |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
-
2018
- 2018-06-05 CN CN201810582349.9A patent/CN109002831A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130223711A1 (en) * | 2012-02-24 | 2013-08-29 | Riverain Technologies, LLC | Maching Learning Techniques for Pectoral Muscle Equalization and Segmentation in Digital Mammograms |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108052977A (zh) * | 2017-12-15 | 2018-05-18 | 福建师范大学 | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 |
Non-Patent Citations (3)
Title |
---|
CHRISTIAN SZEGEDY 等: "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning", 《HTTPS://ARXIV.ORG/PDF/1602.07261.PDF》 * |
WEI YANG 等: "Cascade of multi-scale convolutional neural networks for bone suppression of chest radiographs in gradient domain", 《MEDICAL IMAGE ANALYSIS》 * |
袁明新 等: "联合中间层的深度卷积神经网络模型", 《计算机工程与应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109907730A (zh) * | 2019-01-16 | 2019-06-21 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、装置、及存储介质和计算机设备 |
CN109919187A (zh) * | 2019-01-28 | 2019-06-21 | 浙江工商大学 | 用bagging微调CNN来分类甲状腺滤泡状图片的方法 |
CN109902682A (zh) * | 2019-03-06 | 2019-06-18 | 太原理工大学 | 一种基于残差卷积神经网络的乳腺x线图像检测方法 |
CN109919254A (zh) * | 2019-03-28 | 2019-06-21 | 上海联影智能医疗科技有限公司 | 乳腺密度分类方法、系统、可读存储介质和计算机设备 |
CN109919254B (zh) * | 2019-03-28 | 2021-08-17 | 上海联影智能医疗科技有限公司 | 乳腺密度分类方法、系统、可读存储介质和计算机设备 |
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
WO2021042690A1 (zh) * | 2019-09-05 | 2021-03-11 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
CN110751621B (zh) * | 2019-09-05 | 2023-07-21 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002831A (zh) | 一种基于卷积神经网络的乳腺密度分类方法、系统及装置 | |
CN107767376B (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
Saeedi et al. | Automatic identification of human blastocyst components via texture | |
US11977984B2 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
US20090161928A1 (en) | System and method for unsupervised detection and gleason grading of prostate cancer whole mounts using nir fluorscence | |
CN110705403A (zh) | 细胞分类方法、装置、介质及电子设备 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN110245635B (zh) | 一种煤和矸石的红外图像识别方法 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
WO2019184851A1 (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN112907576B (zh) | 车辆损伤等级检测方法、装置、计算机设备及存储介质 | |
CN115601602A (zh) | 癌症组织病理图像分类方法、系统、介质、设备及终端 | |
CN111680575B (zh) | 一种人类上皮细胞染色分类装置、设备及存储介质 | |
Chidester et al. | Discriminative bag-of-cells for imaging-genomics | |
CN117809124B (zh) | 基于多特征融合的医学图像关联调用方法及系统 | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
CN115797246A (zh) | 病理图像质量评估、调节方法和系统、电子设备、介质 | |
CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
CN109657710B (zh) | 数据筛选方法、装置、服务器及存储介质 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |
|
RJ01 | Rejection of invention patent application after publication |