CN109697691B - 一种基于l0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法 - Google Patents
一种基于l0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法 Download PDFInfo
- Publication number
- CN109697691B CN109697691B CN201811613803.9A CN201811613803A CN109697691B CN 109697691 B CN109697691 B CN 109697691B CN 201811613803 A CN201811613803 A CN 201811613803A CN 109697691 B CN109697691 B CN 109697691B
- Authority
- CN
- China
- Prior art keywords
- image
- norm
- singular value
- optimized
- regularization
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000013170 computed tomography imaging Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法,属于图像处理领域。该方法具体包括:S1:根据CT成像原理和正则化框架以及投影数据集P,建立最优化问题目标方程;S2:初始化参数;S3:采用SART算法进行迭代,得图像X,通过误差反馈,对X进行修正;S4:对修正后图像X进行梯度L0范数优化图像得XL0,并更新误差d1;S5:对步骤S4优化后的图像进行奇异值分解并加软阈值约束优化图像得XSVT,并更新误差d2;S6:对步骤S5所得图像按照步骤S3进行下一轮迭代,直至满足迭代终止条件。本发明能够有效恢复CT图像轮廓,减少有限角伪影,从而提高有限角CT成像质量和适用性。
Description
技术领域
本发明属于图像处理领域,涉及一种基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法。
背景技术
计算机层析成像技术(Computed tomography,CT)通过采集到的投影数据和一定重建算法,利用X射线的衰减信息反投影重建出被测物体密度分布图像,具有无损、高精度和可视化等优点,因此被广泛应用在医学影像、工业无损检测和安全检查等领域。在投影数据完备的情况下,即完整的角度投影,采用迭代重建算法和解析重建算法均能得到很好的重建效果。但在实际CT扫描过程,因检测环境、物体结构、扫描方式等外界因素的影响,通常只能获取不完全角度的投影数据。
针对角度受限型有限角CT图像重建问题,若采用解析算法重建图像,则存在显著的条形伪影且导致缺失角度部分图像失真,而迭代重建算法则不同,通过迭代逼近可有效降低不完全投影引入的伪影。典型的迭代类重建算法有代数重建法(AlgebraReconstruction Technique, ART)和联合代数重建法(Simultaneous algebraicreconstruction technique,SART)算法,其中 SART算法收敛速度快,借助松弛因子对噪声有一定的抑制作用,因此在迭代算法中常选用 SART。但是由于对图像质量要求的日渐提升,该算法已经无法满足其应用需求。Candes等提出的压缩感知(Compressive Sensing,CS)理论,其中L0算子是稀疏型的一种标准度量方式,但是实际应用中基于L0范数的最小化问题很难求解,通常用L1范数作为L0范数的凸松弛,以便易于求解,即通过求解一个稀疏图像的L1范数最小的凸优化问题可以得到重建图像。 2006年Sidky和Pan将全变差(TotalVariation,TV)最小化与SART重建算法结合,通过最速下降法求极小值,实现了对具有稀疏特性图像的优化重建,取得不错的效果。徐立等将图像梯度的L0范数作为正则化项,研究了一种新的图像光滑的正则化方法;余维等提出基于 L0范数正则优化的有限角投影边缘保持重建。但是该算法尚存在以下不足:利用图像梯度稀疏性的单一的先验信息,对于大角度有限角投影重建细节和边缘恢复效果欠佳。
发明内容
有鉴于此,本发明的目的在于提供一种基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法,用于解决现有有限角投影重建图像细节和边缘缺失的问题,从而提高 CT图像的重建质量。
为达到上述目的,本发明提供如下技术方案:
一种基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法,采用变量分裂的交替方向优化方法,在梯度L0范数正则化的基础上引入奇异值阈值分解作为附加正则项,以更好地恢复图像轮廓和细节。该方法具体包括以下步骤:
S1:根据CT成像原理和正则化框架以及投影数据集P,建立最优化问题目标方程如下:
式中,A为系统投影矩阵,P为投影数据,X为重建图像,λ1为第一项正则化参数,λ2为第二项正则化参数;
S2:初始化参数X,XL0,XSVT,λ1,λ2,β,u1,u2,d1,d2,其中XL0为L0范数优化后图像,XSVT为奇异值阈值分解优化后图像,β为L0范数平滑速率,u1为L0范数平滑权重,u2为奇异值阈值,d1为L0范数优化后图像的误差,d2为奇异值阈值分解优化后图像的误差;
S3:采用传统联合代数重建算法SART进行迭代,得图像X,通过误差反馈,对X进行修正;
S4:对修正后图像X进行梯度L0范数优化图像得XL0,并更新误差d1;
S5:对步骤S4优化后的图像进行奇异值分解并加软阈值约束优化图像得XSVT,并更新误差d2;
S6:对步骤S5所得图像按照步骤S3进行下一轮迭代,直至满足迭代终止条件。
进一步,所述步骤S1中,投影射线为扇形、等间距模式。
进一步,所述步骤S1中,所述最优化问题目标方程的最优化求解,采用的是变量分裂的交替方向优化方法,分解子问题并分别求解。
进一步,所述步骤S4中,采用梯度L0范数优化图像,采用一种近似处理方法,即通过引入辅助变量,然后分解成三个子问题求解。
进一步,所述步骤S5中,所述奇异值分解优化图像,采用奇异值收缩近似图像核范数。
本发明的有益效果在于:本发明所述方法综合采用了图像的稀疏性和低秩性。利用图像稀疏性,对图像梯度进行L0范数优化,降低有限角CT图像伪影;再在梯度正则优化基础上利用图像低秩性,对图像进行奇异值分解并加以软阈值约束优化,对图像进行降维,能够有效恢复图像轮廓和细节,从而提高有限角CT图像的质量和实用性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述投影重建方法的流程示意图;
图2为本发明中重建的Shepp-Logan模型的理想图像;
图3为本发明中SART算法重建结果图;
图4为本发明中奇异值阈值分解(SVT)正则化算法重建结果图;
图5为本发明中梯度L0范数正则化算法重建结果图;
图6为本发明所述投影重建方法的结果图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明提供的基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法,利用图像梯度L0范数进行稀疏优化,使图像稀疏,在此基础上对图像奇异值分解对图像进行降维,使图像更低秩,能有效提高CT图像的重建质量。
参照图1,本发明所述的基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法,其主要步骤为:
S1:根据CT成像原理和正则化框架以及投影数据集P,建立优化目标方程如下:
式中,A为系统投影矩阵,P为投影数据,X为重建图像,λ1为第一项正则化参数,λ2为第二项正则化参数;
式中,XL0为L0范数优化后的图像,XSVT为奇异值阈值分解优化后的图像,μ1为L0 范数项引入的拉格朗日乘数,μ2为奇异值阈值分解项引入的拉格朗日乘数,d1为L0范数优化后图像的误差,d2为奇异值阈值分解优化后图像的误差;
(2)采用变量分裂的交替方向优化方法,分解为三个子问题X、XL0、XSVT,按如下公式分别求解:
S3:采用传统联合代数重建算法SART进行迭代,得图像X,通过误差反馈,对X进行修正;
S4:对修正后图像X进行梯度L0范数优化图像得XL0,并更新误差d1;
近似处理:
子问题:
子问题:
S5:对步骤S4优化后的图像进行奇异值分解并加软阈值约束优化图像得XSVT,并更新误差d2;
其中,奇异值分解正则优化,采用奇异值收缩近似图像核范数,先将图像进行奇异值分解,其奇异值按从大到小排列,对奇异值采用软阈值约束。具体为,若奇异值大于设定阈值则减去阈值,若奇异值小于或等于阈值则置零,而后生成新的矩阵进行迭代,达到奇异值收缩目的,实现公式如下:
S6:对步骤S5所得图像返回步骤S3进行下一轮迭代,直至满足迭代终止条件。
下面结合附图对本发明的具体实施方式做详细说明。
实施例1
为了更好地体现本发明所述的一种基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建算法在重建效果方面的优势,下面结合具体实施例将本发明所述的算法与已有的SART算法、奇异值阈值分解(SVT)正则化算法、梯度L0范数正则化算法比较。
在实际应用中,投影数据通常不可避免含有噪声。因此,为验证本发明重建算法的有效性和稳定性,如图2所示,选取重建的Shepp-Logan模型的理想图像,对选取的Shepp-Logan 模型投影数据叠加了均值为零、标准偏差为最大投影数据0.4%的高斯噪声。设定迭代次数n 为1000次,有限角扫描范围是[0,π/2],探测器单元个数为512,单元尺寸为0.3mm,射线源到旋转中心的距离为250mm,到探测器的距离为500mm。
通过对采用SART算法、奇异值阈值分解(SVT)正则化算法、梯度L0范数正则化算法和本发明算法对扫描数据进行图像重建,重建图像如图3到图6所示。可以看出,SART算法的重建结果中存在严重的图像模糊和有限角伪影;奇异值阈值分解(SVT)正则化算法,对重建结果细节和清晰度有一定的改善;梯度L0范数正则化算法较前两者对重建结果有更好的改善,但无法完全正确的恢复物体细节;而本发明所述的投影重建算法有效恢复了图像细节,并且保证了图像的清晰,有效提高了有限角CT图像的质量。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其做出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (1)
1.一种基于L0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法,其特征在于,该方法具体包括以下步骤:
S1:根据CT成像原理和正则化框架以及投影数据集P,建立最优化问题目标方程如下:
式中,A为系统投影矩阵,P为投影数据,X为重建图像,λ1为第一项正则化参数,λ2为第二项正则化参数;其中,投影射线为扇形、等间距模式;
式中,XL0为L0范数优化后的图像,XSVT为奇异值阈值分解优化后的图像,μ1为L0范数项引入的拉格朗日乘数,μ2为奇异值阈值分解项引入的拉格朗日乘数,d1为L0范数优化后图像的误差,d2为奇异值阈值分解优化后图像的误差;
采用变量分裂的交替方向优化方法,分解为三个子问题X、XL0、XSVT,按如下公式分别求解:
S3:采用传统联合代数重建算法(Simultaneous algebraic reconstructiontechnique,SART)进行迭代,得图像X,通过误差反馈,对X进行修正;
S4:对修正后图像X进行梯度L0范数优化图像得XL0,并更新误差d1;
采用梯度L0范数优化图像,采用一种近似处理方法,即通过引入辅助变量,然后分解成三个子问题求解;
S5:对步骤S4优化后的图像进行奇异值分解并加软阈值约束优化图像得XSVT,并更新误差d2;其中,奇异值分解优化图像,采用奇异值收缩近似图像核范数,先将图像进行奇异值分解,其奇异值按从大到小排列,对奇异值采用软阈值约束;具体为,若奇异值大于设定阈值则减去阈值,若奇异值小于或等于阈值则置零,而后生成新的矩阵进行迭代,达到奇异值收缩目的;
S6:对步骤S5所得图像按照步骤S3进行下一轮迭代,直至满足迭代终止条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811613803.9A CN109697691B (zh) | 2018-12-27 | 2018-12-27 | 一种基于l0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811613803.9A CN109697691B (zh) | 2018-12-27 | 2018-12-27 | 一种基于l0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697691A CN109697691A (zh) | 2019-04-30 |
CN109697691B true CN109697691B (zh) | 2022-11-25 |
Family
ID=66232880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811613803.9A Active CN109697691B (zh) | 2018-12-27 | 2018-12-27 | 一种基于l0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697691B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581378B (zh) * | 2019-09-30 | 2022-09-13 | 河海大学常州校区 | 基于显著性强度和梯度先验的图像盲去模糊方法和装置 |
CN110717956B (zh) * | 2019-09-30 | 2023-06-20 | 重庆大学 | 一种有限角投影超像素引导的l0范数最优化重建方法 |
CN112070856B (zh) * | 2020-09-16 | 2022-08-26 | 重庆师范大学 | 基于非下采样轮廓波变换的有限角c型臂ct图像重建方法 |
CN112070704B (zh) * | 2020-09-16 | 2023-09-12 | 重庆师范大学 | 一种基于紧小波框架的双正则化有限角ct图像重建方法 |
CN116068903B (zh) * | 2023-04-06 | 2023-06-20 | 中国人民解放军国防科技大学 | 一种闭环系统鲁棒性能的实时优化方法、装置及设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208100A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 基于Split Bregman 迭代的全变差正则化图像盲复原方法 |
CN104240209A (zh) * | 2014-07-14 | 2014-12-24 | 中国人民解放军信息工程大学 | 基于tv最小化模型的精确重建采样条件估算方法 |
CN104361618A (zh) * | 2014-11-20 | 2015-02-18 | 重庆大学 | 基于分形和压缩感知的ct重建方法 |
AU2015101167A4 (en) * | 2015-07-26 | 2015-10-01 | Macau University Of Science And Technology | A Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm |
CN106846427A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 一种基于重加权各向异性全变分的有限角度ct重建方法 |
CN106960429A (zh) * | 2017-02-16 | 2017-07-18 | 中国科学院苏州生物医学工程技术研究所 | 一种ct图像金属伪影校正方法及装置 |
CN107025632A (zh) * | 2017-04-13 | 2017-08-08 | 首都师范大学 | 一种图像超分辨率重建方法及系统 |
CN107103592A (zh) * | 2017-04-07 | 2017-08-29 | 南京邮电大学 | 一种基于双核范数正则的多姿态人脸图像质量增强方法 |
CN107833182A (zh) * | 2017-11-20 | 2018-03-23 | 西安建筑科技大学 | 基于特征提取的红外图像超分辨率重建方法 |
CN107978005A (zh) * | 2017-11-21 | 2018-05-01 | 首都师范大学 | 一种基于保边界扩散和平滑的有限角ct图像重建算法 |
WO2018223047A1 (en) * | 2017-06-02 | 2018-12-06 | The Johns Hopkins University | Reconstruction of difference images using prior structural information |
CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606177B (zh) * | 2013-11-26 | 2016-08-17 | 南方医科大学 | 稀疏角度的ct图像迭代重建方法 |
US9672638B2 (en) * | 2014-06-16 | 2017-06-06 | The University Of Chicago | Spectral X-ray computed tomography reconstruction using a vectorial total variation |
CN108010099B (zh) * | 2017-12-04 | 2020-12-25 | 首都师范大学 | 一种x射线多能谱ct有限角扫描和图像迭代重建方法 |
-
2018
- 2018-12-27 CN CN201811613803.9A patent/CN109697691B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208100A (zh) * | 2011-05-31 | 2011-10-05 | 重庆大学 | 基于Split Bregman 迭代的全变差正则化图像盲复原方法 |
CN104240209A (zh) * | 2014-07-14 | 2014-12-24 | 中国人民解放军信息工程大学 | 基于tv最小化模型的精确重建采样条件估算方法 |
CN104361618A (zh) * | 2014-11-20 | 2015-02-18 | 重庆大学 | 基于分形和压缩感知的ct重建方法 |
AU2015101167A4 (en) * | 2015-07-26 | 2015-10-01 | Macau University Of Science And Technology | A Single Image Super-Resolution Method Using Transform-Invariant Directional Total Variation with S1/2+L1/2-norm |
CN106846427A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 一种基于重加权各向异性全变分的有限角度ct重建方法 |
CN106960429A (zh) * | 2017-02-16 | 2017-07-18 | 中国科学院苏州生物医学工程技术研究所 | 一种ct图像金属伪影校正方法及装置 |
CN107103592A (zh) * | 2017-04-07 | 2017-08-29 | 南京邮电大学 | 一种基于双核范数正则的多姿态人脸图像质量增强方法 |
CN107025632A (zh) * | 2017-04-13 | 2017-08-08 | 首都师范大学 | 一种图像超分辨率重建方法及系统 |
WO2018223047A1 (en) * | 2017-06-02 | 2018-12-06 | The Johns Hopkins University | Reconstruction of difference images using prior structural information |
CN107833182A (zh) * | 2017-11-20 | 2018-03-23 | 西安建筑科技大学 | 基于特征提取的红外图像超分辨率重建方法 |
CN107978005A (zh) * | 2017-11-21 | 2018-05-01 | 首都师范大学 | 一种基于保边界扩散和平滑的有限角ct图像重建算法 |
CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive L0 norm constrained reconstructions for sparse-view scan in cone-beam CT;Yining Hu.etc;《2013 IEEE Nuclear Science Symposium and Medical Imaging Conference》;20140612;全文 * |
Blind polychromatic X-ray CT reconstruction from poisson measurements;Renliang Gu.etc;《2016 IEEE International Conference on Acoustics, Speech and Signal》;20160519;全文 * |
基于L0范数平滑和图像分割的CT图像阴影校正技术研究;梁晓坤等;《集成技术》;20170430;22-31 * |
基于线框模型的锥束CT几何参数校正方法;王珏等;《仪器仪表学报》;20180228;177-184 * |
有限角CT的正则化图像重建算法研究;王成祥;《中国博士学位论文全文数据库(电子期刊) 信息科技辑》;20170930;I138-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN109697691A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697691B (zh) | 一种基于l0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法 | |
Reed et al. | Dynamic ct reconstruction from limited views with implicit neural representations and parametric motion fields | |
US9036885B2 (en) | Image reconstruction in computed tomography | |
US9524567B1 (en) | Method and system for iterative computed tomography reconstruction | |
CN111899314B (zh) | 鲁棒的基于低秩张量分解和总变分正则化的cbct重建方法 | |
CN109840927B (zh) | 一种基于各向异性全变分的有限角度ct重建算法 | |
Pelt et al. | Improving filtered backprojection reconstruction by data-dependent filtering | |
CN110717956B (zh) | 一种有限角投影超像素引导的l0范数最优化重建方法 | |
US20070217566A1 (en) | System and Method For Image Reconstruction | |
CN104240210A (zh) | 基于压缩感知的ct图像迭代重建方法 | |
CN110998651A (zh) | 一种用于生成对象的增强断层扫描图像的方法 | |
CN112102213A (zh) | 低剂量ct图像处理方法、扫描系统及计算机存储介质 | |
EP3847623A1 (en) | A method of generating an enhanced tomographic image of an object | |
Tao et al. | VVBP-tensor in the FBP algorithm: its properties and application in low-dose CT reconstruction | |
Jiang et al. | Enhancement of 4-D cone-beam computed tomography (4D-CBCT) using a dual-encoder convolutional neural network (DeCNN) | |
Zhang et al. | Wavelet-inspired multi-channel score-based model for limited-angle CT reconstruction | |
Wu et al. | Removing ring artifacts in cone‐beam CT via TV‐Stokes and unidirectional total variation model | |
CN112070704B (zh) | 一种基于紧小波框架的双正则化有限角ct图像重建方法 | |
CN112656438A (zh) | 一种基于曲面全变差的低剂量ct投影域去噪及重建方法 | |
CN109658464B (zh) | 基于加权核范数极小的稀疏角ct图像重建方法 | |
CN115880387A (zh) | 基于离散nlhtv正则项的稀疏角度采样ct迭代重建方法 | |
Zhang et al. | Deep generalized learning model for PET image reconstruction | |
CN112529980B (zh) | 一种基于极大极小化的多目标有限角ct图像重建方法 | |
Yang et al. | Nonlocal weighted nuclear norm minimization based sparse-sampling CT image reconstruction | |
Li et al. | A cascade-based dual-domain data correction network for sparse view CT image reconstruction |
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 |