CN110782976A - 一种全膝关节置换术假体型号预测方法 - Google Patents
一种全膝关节置换术假体型号预测方法 Download PDFInfo
- Publication number
- CN110782976A CN110782976A CN201911029723.3A CN201911029723A CN110782976A CN 110782976 A CN110782976 A CN 110782976A CN 201911029723 A CN201911029723 A CN 201911029723A CN 110782976 A CN110782976 A CN 110782976A
- Authority
- CN
- China
- Prior art keywords
- patient
- prosthesis
- knee
- model
- basic information
- 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
Links
Images
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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Prostheses (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种全膝关节置换术假体型号预测方法,包括以下步骤:收集满足入选标准的患者术前膝关节的X光片以及患者的基本信息;对收集到的X光片及患者的基本信息进行预处理;将预处理后的图片和患者的基本信息作为特征,输入到基于深度学习技术训练完成的假体型号分类器中,得到患者在手术中各型号假体的使用概率。本发明可高效、准确地预测出所需的假体型号,检测准确率可达84%以上,该准确率已经达到和有经验的专家使用CT和X光片进行术前预测同等的水平,并且本发明只需使用X光片和患者基本信息,成本更低。
Description
技术领域
本发明属于人工智能医疗图像处理领域,具体涉及全膝关节置换术假体型号预测系统设计,以及基于该系统的假体型号预测方法。
背景技术
全膝关节置换术(Total Knee Arthroplasty,TKA)是治疗重度膝关节骨炎症等疾病的有效方法,其在获得良好临床疗效和可靠假体生存率的同时,也面临着一系列术后并发症,影响患者临床疗效,甚至需要再次进行翻修手术,增加了患者的痛苦和医疗负担。据不同研究报道,全膝关节置换术后患者的满意度仅在80%左右。
精确的假体匹配被认为是减少术后患膝疼痛、假体松动、假体磨损、术后出血等并发症,保证良好关节功能,提高术后满意度的重要因素之一。假体尺寸过大可能导致假体与截骨面接触不良而发生假体松动、屈曲间隙过小,进而出现屈曲受限、髌股关节压力过高,影响伸膝装置功能。过大的假体压迫周围韧带等结构导致悬吊(overhang)作用而出现疼痛。假体尺寸过小可能导致屈曲间隙过大而屈曲位不稳,在前参考股骨远端前后髁截骨时导致后髁截骨量过大,后参考股骨远端前后髁截骨时前髁出现切迹(notching)而易导致术后假体周围骨折,对截骨面皮质骨覆盖不良而继发假体下沉。
然而传统膝关节置换术中的假体型号选择和位置确定取决于术者的经验,有很大的主观性以及较长的学习曲线。深度学习技术通过卷积层、池化层、全连接层等抽取图像中的关键特征,通过反向传播在训练集上进行训练,并泛化到从未接触过的数据集上。目前该技术已经在疾病发生、影像辨识、病理辅助诊断等方面展现出的强大能力,也将被应用在全膝关节置换术假体型号预测系统中,作为图像处理分类的核心算法,对患者假体型号进行预测。
发明内容
针对现有假体选择过于依靠医生个人经验的问题,本发明的目的在于提供一种假体型号预测系统架构及基于深度学习的假体型号分类方法。
本发明的技术方案为:
一种全膝关节置换术假体型号预测方法,包括以下步骤:
(1)收集满足入选标准的患者术前膝关节的X光片以及患者的基本信息;
(2)对收集到的X光片及患者的基本信息进行预处理;
(3)将预处理后的图片和患者的基本信息作为特征,输入到已经训练完成的假体型号分类器中,得到患者在手术中各型号假体的使用概率,根据该概率结果即得到该患者所需假体型号的预测结果;其中,
所述假体型号分类器的训练方法如下:
(1)收集满足入选标准的患者术前膝关节的X光片以及患者的基本信息;
(2)对收集到的X光片及患者的基本信息进行预处理;
(3)将预处理后的X光片通过深度学习技术,提取相关图像特征,将提取出的特征经过全连接层进行下采样;
(4)将下采样后的图像特征同预处理后的患者的基本信息拼接后,对假体型号分类器进行训练。
进一步的,所述入选标准为:①患者诊断为膝关节骨性关节炎。②患者为初次全膝关节置换术。③术前双侧膝关节正侧位X线片及术后膝关节正侧位X线片资料完整。④术后膝关节正侧位X线片上无明显假体悬挂或覆盖不全(覆盖不全指未被覆盖区域>3mm)。
进一步的,假体型号分类器的训练方法还包括增量训练,包括:
1)根据训练完成的分类器,得到患者在手术中使用各型号假体的概率,为医生提供决策建议,同时收集患者数据,包括患者术前的正侧位膝盖X光片,以及患者的性别、身高、体重信息;
2)收集的信息若符合排除标准,则不进行增量训练;否则,作为新样本对模型进行增量训练。
进一步的,所述排除标准为:①类风湿性关节炎、创伤性关节炎等。②膝关节翻修手术。③膝关节发育畸形。④严重骨缺损(大于9mm)。⑤软组织严重不平衡。⑥膝关节内翻畸形大于25°,外翻畸形大于15°,屈膝挛缩大于30°。
进一步的,所述的患者术前膝关节X光片包括正位和侧位两张图片,患者的基本信息包括性别、身高、体重。
进一步的,对收集到的X光片利用图像处理技术进行预处理,所述的图像处理技术包含直方图均衡和高频滤波。其中直方图制衡选用自适应直方图均衡,增大图片的动态范围,提高图片的对比度。高频滤波采用均值漂移,对均衡后的图片,在保留边缘信息的同时,滤除高频噪声。
进一步的,对收集到的患者的基本信息进行预处理包括:对患者性别采用独热(one-hot)编码,对患者的身高、体重进行归一化处理。
进一步的,所述的分类器基于卷积神经网络实现,能够高效从图片中提取特征,用于最后分类任务。
进一步的,获得各型号假体的使用概率后,选用概率最大的三类假体作为最后的预测结果。实际手术前,将对这三类假体都进行消毒。手术中医生根据手术的实际情况从三类假体中选取最合适的假体,作为患者的匹配假体。
进一步的,所述的深度学习技术采用ResNet卷积神经网络架构,每一层网络实际预测残差输出,避免网络深度过深时出现梯度消失等问题。
进一步的,所述的抽取出的图片的特征经过一层全连接层进行降采样后,和患者性别、身高、体重等基本信息进行拼接,共同作为分类器的特征。
进一步的,分类器由两层全连接层构成,最后得到患者在手术中使用各型号假体的概率。
与现有技术相比,本发明的积极效果为:
本发明可高效、准确地预测出所需的假体型号,检测准确率可达84%以上。根据刘青等人(2006)在中华骨科杂志上的文章“依据标准化数字X线模板预测股骨假体型号的可行性”,该准确率已经达到和有经验的专家使用CT和X光片进行术前预测同等的水平,并且本发明只需使用X光片和患者基本信息,成本更低。
附图说明
图1是本发明提出的全膝关节置换术假体型号预测方法示意图。
图2是基于深度学习技术的假体型号分类器的流程图。
具体实施方式
为了便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
实施例1
全膝关节置换术假体型号预测系统架构如图1所示:
1.数据收集与筛选。
收集某省级三甲医院2014-2018年来进行全膝关节置换术患者的基本数据(性别、身高、体重)和术前膝关节X线片,总病例在300例左右,不足以直接用于训练高精度、泛化性强的卷积神经网络模型,因此本发明基于迁移学习进行,首先在相似的大数据集上进行训练,然后迁移回原数据集进行模型结构和参数的微调。
1)根据前述标准选择入选数据,用于后续处理。
2)对于达到排除标准的数据,不用于后续模型的增量训练,但可以使用模型对其进行预测,为医生提供手术建议。
2.数据预处理。
1)对X光片利用直方图制衡进行处理,增大图片的动态范围,提高图片的对比度。
2)对均衡后的图片使用均值漂移,在保留边缘信息的同时,滤除高频噪声。并将降噪后的图片放缩成300x300的大小,方便后续处理。
3)对患者的性别信息进行独热编码。
4)将数据集划分成训练集、验证集和测试集,并根据训练集上的统计数据,对患者的身高、体重信息进行归一化处理。
3.预测所需假体。
1)将预处理后的X光片作为卷积神经网络的输入,此处综合精度和计算复杂度的考虑使用ResNet18网络。经过4组卷积层后,网络从图片中抽取出关键特征。将患者性别、身高、体重等信息经过一层全连接层进行上采样,然后和抽取出的图像特征拼接,再经过由两层全连接层构成的分类器,得到网络关于各型号假体使用概率的预测。
2)选用概率最大的3类假体作为最后的预测结果输出,为医生提供手术建议。
3)对模型性能进行评估。通过将患者的数据集按照4:1:1的比例划分为训练集、验证集和测试集,并在训练集上进行模型训练,验证集上进行超参数调优。最终将模型运用在测试集上进行假体预测。将预测得到的三类假体和实际使用假体型号进行比对,当三类假体中包含实际使用假体时,认为预测准确。本发明的检测准确率可达84%以上,达到和有经验的专家使用CT和X光片进行术前预测同等的水平。
4.增量训练。
1)模型训练完成后,可为医生提供决策建议,同时收集患者数据,包括患者术前的正侧位膝盖X光片,以及患者的性别、身高、体重信息。
2)收集的信息若符合排除标准,则不进行增量训练。否则,将其作为新样本对模型进行增量训练。
图2展示了基于深度学习技术的假体型号分类器的流程。
1.将预处理后的X光片通过ResNet18网络的卷积层,抽取出关键特征。
2.将患者性别、身高、体重等信息经过一层全连接层进行下采样,全连接层的输出节点数为512。
3.将上采样后的患者基本信息同抽取出的图像特征拼接后,送入分类器中,得到各型号假体使用概率的预测值。分类器由两层全连接层构成,节点数分别为1024,17,分别对应隐藏层的节点数量以及各型号假体概率预测的对应值。将第二层全连接层的输出经过Softmax层,得到最终的个型号假体的概率预测。
4.选取预测概率最大的三类假体作为最终的预测结果,为医生提供决策建议。
以上包含了本发明优选实施例的说明,这是为了详细说明本发明的技术特征,并不是想要将发明内容限制在实施例所描述的具体形式中,依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定,而非有实施例的具体描述所界定。
Claims (10)
1.一种全膝关节置换术假体型号预测方法,包括以下步骤:
1)收集同时满足全部入选标准的待测患者术前膝关节的X光片以及患者的基本信息;
2)提取上述X光片的图像特征,进行下采样;
3)将下采样后的图像特征同患者的基本信息拼接;
4)将拼接后的结果输入到已经训练完成的假体型号分类器中,得到患者在手术中各型号假体的使用概率,根据该概率结果得到该患者所需假体型号的预测结果;其中,
所述假体型号分类器的通过下述训练方法得到:
(1)收集同时满足全部入选标准的患者术前膝关节的X光片以及患者的基本信息;
(2)将上述X光片通过深度学习技术,提取相关图像特征,将提取出的特征经过全连接层进行下采样;
(3)将下采样后的图像特征同患者的基本信息拼接后,对假体型号分类器进行训练。
2.如权利要求1所述的一种全膝关节置换术假体型号预测方法,其特征在于,入选标准包括:①患者诊断为膝关节骨性关节炎;②患者为初次全膝关节置换术;③患者术前双侧膝关节正侧位X光片及术后膝关节正侧位X光片资料完整;④患者术后膝关节正侧位X光片上无明显假体悬挂或覆盖不全。
3.如权利要求1所述的一种全膝关节置换术假体型号预测方法,其特征在于,所述的患者术前膝关节X光片包括正位和侧位两张图片;患者的基本信息包括患者的性别、身高和体重数据。
4.如权利要求1所述的一种全膝关节置换术假体型号预测方法,其特征在于,对收集到的X光片利用图像处理技术进行预处理,所述的图像处理技术包含直方图均衡和高频滤波。
5.如权利要求1所述的一种全膝关节置换术假体型号预测方法,其特征在于,对收集到的患者的基本信息进行预处理,包括对患者性别数据采用独热编码,对患者的身高数据、体重数据进行归一化处理。
6.如权利要求1所述的一种全膝关节置换术假体型号预测方法,其特征在于,所述的深度学习技术采用ResNet卷积神经网络架构。
7.如权利要求6所述的一种全膝关节置换术假体型号预测方法,其特征在于,ResNet卷积神经网络采用迁移学习进行训练,首先在相似的大数据集上进行训练,然后迁移回原数据集进行模型结构和参数的微调。
8.如权利要求1所述的一种全膝关节置换术假体型号预测方法,其特征在于,获得各型号假体的使用概率后,选用概率值最大的三类假体作为最后的预测结果。
9.如权利要求1所述的一种全膝关节置换术假体型号预测方法,其特征在于,假体型号分类器的训练方法还包括增量训练,包括:
1)根据训练完成的分类器,得到患者在手术中使用各型号假体的概率,为医生提供决策建议,同时收集患者数据,包括患者术前的正侧位膝盖X光片,以及患者的性别、身高、体重信息;
2)收集的信息若符合排除标准中的任一项,则不进行增量训练;否则,作为新样本对模型进行增量训练。
10.如权利要求9所述的一种全膝关节置换术假体型号预测方法,其特征在于,所述排除标准包括:
①患者患有类风湿性关节炎、创伤性关节炎;②患者进行膝关节翻修手术;③患者膝关节发育畸形;④患者具有严重骨缺损;⑤患者膝关节软组织严重不平衡;⑥患者膝关节内翻畸形大于25°、外翻畸形大于15°或屈膝挛缩大于30°。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910988158 | 2019-10-17 | ||
CN2019109881587 | 2019-10-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782976A true CN110782976A (zh) | 2020-02-11 |
CN110782976B CN110782976B (zh) | 2022-06-28 |
Family
ID=69387087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911029723.3A Active CN110782976B (zh) | 2019-10-17 | 2019-10-28 | 一种全膝关节置换术假体型号预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782976B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681763A (zh) * | 2020-04-16 | 2020-09-18 | 北京大学 | 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 |
CN113017829A (zh) * | 2020-08-22 | 2021-06-25 | 张逸凌 | 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070233267A1 (en) * | 2006-03-29 | 2007-10-04 | Farid Amirouche | Application of neural networks to prosthesis fitting and balancing in joints |
US20130035765A1 (en) * | 2011-08-03 | 2013-02-07 | Total Joint Orthopedics | Total knee arthroplasty with symmetric femoral implant having double q-angle trochlear groove |
CN103860294A (zh) * | 2014-03-07 | 2014-06-18 | 北京大学第三医院 | 一种全膝关节置换假体的个性化设计和制造系统及方法 |
CN105769393A (zh) * | 2016-04-08 | 2016-07-20 | 罗佳 | 一种髋关节假体匹配方法及系统 |
CN109157286A (zh) * | 2018-10-25 | 2019-01-08 | 北京爱康宜诚医疗器材有限公司 | 数据预测方法及装置 |
CN109493342A (zh) * | 2018-12-13 | 2019-03-19 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
-
2019
- 2019-10-28 CN CN201911029723.3A patent/CN110782976B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070233267A1 (en) * | 2006-03-29 | 2007-10-04 | Farid Amirouche | Application of neural networks to prosthesis fitting and balancing in joints |
US20130035765A1 (en) * | 2011-08-03 | 2013-02-07 | Total Joint Orthopedics | Total knee arthroplasty with symmetric femoral implant having double q-angle trochlear groove |
CN103860294A (zh) * | 2014-03-07 | 2014-06-18 | 北京大学第三医院 | 一种全膝关节置换假体的个性化设计和制造系统及方法 |
CN105769393A (zh) * | 2016-04-08 | 2016-07-20 | 罗佳 | 一种髋关节假体匹配方法及系统 |
CN109157286A (zh) * | 2018-10-25 | 2019-01-08 | 北京爱康宜诚医疗器材有限公司 | 数据预测方法及装置 |
CN109493342A (zh) * | 2018-12-13 | 2019-03-19 | 杭州电子科技大学 | 一种基于深度学习的皮肤病图片病变类型分类方法 |
Non-Patent Citations (1)
Title |
---|
朱琪琪等: "全膝关节置换术假体型号预测模型的", 《中华关节外科杂志》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681763A (zh) * | 2020-04-16 | 2020-09-18 | 北京大学 | 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 |
CN111681763B (zh) * | 2020-04-16 | 2023-01-17 | 北京大学 | 一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置 |
CN113017829A (zh) * | 2020-08-22 | 2021-06-25 | 张逸凌 | 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备 |
CN113017829B (zh) * | 2020-08-22 | 2023-08-29 | 张逸凌 | 一种基于深度学习的全膝关节置换术的术前规划方法、系统、介质和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110782976B (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11090120B2 (en) | Systems and methods for optimizing parameters of orthopaedic procedures | |
Sarkalkan et al. | Statistical shape and appearance models of bones | |
CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
CN110782976B (zh) | 一种全膝关节置换术假体型号预测方法 | |
CN114795258B (zh) | 一种儿童髋关节发育不良诊断系统 | |
WO2023165265A1 (zh) | 膝关节动张力平衡态评估方法及装置 | |
CN114711796A (zh) | 双下肢负重位力线测量及诊断系统及智能化测量方法 | |
CN116258726A (zh) | 基于深度学习的颞下颌关节mri图像重要结构分割方法 | |
CN108431899B (zh) | 图像处理方法 | |
CN114596251A (zh) | 一种膝关节x光影像质控方法及装置 | |
Furuo et al. | Automatic benign and malignant estimation of bone tumors using deep learning | |
Chaugule et al. | Knee Osteoarthritis Grading Using DenseNet and Radiographic Images | |
CN110895818A (zh) | 一种基于深度学习的膝关节轮廓特征提取方法和装置 | |
Oeding et al. | A practical guide to the development and deployment of deep learning models for the orthopaedic surgeon: Part III, focus on registry creation, diagnosis, and data privacy | |
Du et al. | Application of intelligent X-ray image analysis in risk assessment of osteoporotic fracture of femoral neck in the elderly | |
CN111950636A (zh) | 基于深度学习的腰椎x射线图像分类方法 | |
Sun et al. | Biomechanical characteristics of the femoral isthmus during Total hip arthroplasty in patients with adult osteoporosis and developmental dysplasia of the hip: a finite element analysis | |
Saw et al. | Skeleton-Based 3D Femur Shape Analysis System Using Maximum-Minimum Centre Approach | |
Patil et al. | A comparative study on detection of osteoporosis using deep learning methods: A review | |
Nehrer et al. | AI in musculoskeletal radiology | |
Yoon et al. | Estimation and comparison of cortical thickness index and canal-to-calcar ratio using manual method and deep learning method | |
US20230404673A1 (en) | Apparatus, system, and method for generating patient-specific implants and/or instrumentation for osteotomies | |
Lydia et al. | Analysis of Advanced Deep Learning Approaches for the Multiple Bone Fracture detection | |
Taotao et al. | Not all Garden-I and II femoral neck fractures in the elderly should be fixed: effect of posterior tilt on rates of subsequent Arthroplasty | |
Brăileanu | Research on optimizing customized prostheses |
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 |