CN111008962A - 一种胸部ct肺结节自动检测系统 - Google Patents

一种胸部ct肺结节自动检测系统 Download PDF

Info

Publication number
CN111008962A
CN111008962A CN201911182477.5A CN201911182477A CN111008962A CN 111008962 A CN111008962 A CN 111008962A CN 201911182477 A CN201911182477 A CN 201911182477A CN 111008962 A CN111008962 A CN 111008962A
Authority
CN
China
Prior art keywords
nodule
candidate
lung
module
pulmonary
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
Application number
CN201911182477.5A
Other languages
English (en)
Inventor
王进科
毕蓉蓉
吕沛清
纪春雷
杨清霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201911182477.5A priority Critical patent/CN111008962A/zh
Publication of CN111008962A publication Critical patent/CN111008962A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种胸部CT肺结节自动检测系统。一方面，鉴于肺部结节类属模糊的特点，采用模糊聚类算法既直观，而且不需要叠加计算、能够大幅缩减计算量；另一方面，将模糊聚类算法改进，从而提高算法的参数设置上的自适应能力。借助马氏判别函数将候选结节分类为结节与肺部其它组织，不但能够给出所有结节的位置信息，而且给出了结节的辅助分类结果。从而将辅助放射科医生的注意力聚焦于候选结节所在断层切片，大幅降低阅片数量。此系统给出的结节与肺部其它组织分类信息能够辅助放射科医生提高检测准确率。

Description

一种胸部CT肺结节自动检测系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种胸部CT肺结节自动检测系统。
背景技术
目前，检测肺结节的最佳方式是多排螺旋断层扫描(Multi-detector CT，MDCT)，该扫描方式分辨率高、操作简易、且成本相对较低。然而，该技术每次摄片过程中会生成上百幅图像，这给放射科医生带来巨大的阅片负担。而使用计算机辅助检测系统能够提供解决策略，作为放射科医生的第二双眼睛，将医生的注意力聚焦到含可疑病灶的切片图像或区域上。而为了达到这一目的，学者们提出了大量的计算机辅助检测方法。这些方法所具备的共性是，均由两个主要处理模块构成：一是从图像上检测可疑区域(潜在的结节)；二是对可疑区域进行分析，从而将该区域归类。肺结节CAD的主要难点与热点在于，如何在提高检测的准确率同时，降低检测肺部其它组织概率，并提升系统的自动化水平。而目前的自动检测方法都没能达到令人满意的效果。
发明内容
本发明的目的是提供一种胸部CT肺结节自动检测系统，以解决上述现有技术存在的问题，在提高检测的准确率同时，降低检测的肺部其它组织概率，并提升系统的自动化水平。
为实现上述目的，本发明提供了如下方案：一种胸部CT肺结节自动检测系统，包括肺结节的粗分割模块，用于通过获取高对比度种子点，来对结节区域进行区域增长；
管状结构的消减模块，用于消减管状结构，初步降低检测肺部其它组织概率；
候选结节训练模块，用于提取异常阴影的特征，并对异常阴影进行特征计算，并对部分候选结节进行特征训练；
候选结节分析模块，用于将训练集划分为合理的聚类个数；
候选结节分类检测模块，用于对每个待检测的候选的肺结节进行分类检测，判断每个待检测的候选的肺结节是否为真结节或者肺部其它组织；
所述肺结节的粗分割模块、管状结构的消减模块连接、候选结节训练模块、候选结节分析模块、候选结节分类检测模块依次顺序连接。
优选地，所述检测模块判别的方法为：计算待检测肺结节与训练集中每个聚类中心的距离，如果候选结节与一个隶属于结节的聚类较为接近，则该将待检测结节判定为结节；反之，如果与一个隶属于肺部其它组织的聚类较为接近，则将其检测结果定为肺部其它组织。
优选地，所述肺结节的粗分割模块中使用可变环形滤波器在待检测区提取出候选结节的种子，通过对结节种子点区域增长，获取初步的候选结节样本空间。
优选地，所述可变环形滤波器提取方法为：通过获取高对比度种子点，来对结节区域进行3D区域增长，采用近似球度阈值算法粗略移除管状结构。
优选地，消减管状结构的方法为：用近似球度来表示候选结节与圆球的近似性，满足近似球度的结构被判断为管状结构，被移除。
优选地，候选结节分类检测模块中检测的内容包括灰度特征：最大值、最小值、均值、标准差、偏度系数、峰度系数，几何特征：体积、直径、球度、伸长率、紧致度。
本发明公开了以下技术效果：本发明提供一种胸部CT肺结节自动检测系统。一方面，鉴于肺部结节类属模糊的特点，采用模糊聚类算法既直观，而且不需要叠加计算、能够大幅缩减计算量；另一方面，将模糊聚类算法改进，从而提高算法的参数设置上的自适应能力。借助马氏判别函数将候选结节分类为结节与肺部其它组织，不但能够给出所有结节的位置信息，而且给出了结节的辅助分类结果。从而将辅助放射科医生的注意力聚焦于候选结节所在断层切片，大幅降低阅片数量。此系统给出的结节与肺部其它组织分类信息能够辅助放射科医生提高检测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明肺结节样本训练流程图；
图2为放大前后的特征向量分布图；
图3为本发明结节样本示意图；
图4为本发明肺部其它组织样本示意图；
图5为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参考图1-5所示，本发明公开了一种胸部CT肺结节自动检测系统,包括肺结节的粗分割模块，用于通过获取高对比度种子点，来对结节区域进行区域增长；
管状结构的消减模块，用于消减管状结构，初步降低检测肺部其它组织概率；
候选结节训练模块，用于提取异常阴影的特征，并对异常阴影进行特征计算，并对部分候选结节进行特征训练；
候选结节分析模块，用于将训练集划分为合理的聚类个数；
候选结节分类检测模块，用于对每个待检测的候选的肺结节进行分类检测，判断每个待检测的候选的肺结节是否为结节或者肺部其它组织。
所述肺结节的粗分割模块、管状结构的消减模块连接、候选结节训练模块、候选结节分析模块、候选结节分类检测模块依次顺序连接。
进一步优化方案，所述检测模块判别的方法为：计算待检测肺结节与训练集中每个聚类中心的距离，如果候选结节与一个隶属于结节的聚类较为接近，则该将待检测结节判定为结节；反之，如果与一个隶属于肺部其它组织的聚类较为接近，则将其检测结果定为肺部其它组织。
工作过程如下：首先提取出肺轮廓；然后使用可变环形滤波器在待检测区提取出候选结节的种子，通过对结节种子点区域增长，获取初步的候选结节样本空间。鉴于结节的二维种子点存在较多隶属于同一结节的可能性，本发明采用了3D区域增长策略，从而使得隶属于同一个结节的二维种子点减少为唯一的三维种子点。
由于在该样本空间中，混杂着大量的血管、支气管等管状。因而，在实施聚类分类前可采取适当措施消减管状结构。
为了降低后期聚类分类的复杂性，本发明给出了一种近似球度Ψ的计算公式如下：
Figure BDA0002291635210000041
Figure BDA0002291635210000042
其中，Vt为候选结节的体积，将候选结节看做近似的椭球形，At表示候选结节的近似表面积，a、b、c分别表示近似结节在x-y-z三个轴的跨度的最大长度。用近似球度来表示候选结节与圆球的近似性，与球形越相似，Ψ越接近1。不满足阈值Ψ的结构被判定为管状结构(血管、支气管)被移除，通过该方法，筛选出候选结节。
如图1所示，本发明提出了基于改进模糊C均值聚类的训练方法，该训练方法是一种自动确定聚类个数的改进算法，能够减少人工干预，在保持算法性能的同时，提高系统的自动化程度。
本发明中结节检测方法使用五种几何特征，分别是体积、直径、球度、伸长率、紧致度；同时，为了获取更好的检测性能，又增加了额外的六种灰度特征：最大值、最小值、均值、标准差、偏度系数、峰度系数。所选择的灰度特征和几何特征分别列于表1和表2中，并包含每一个特征的详细计算方法与定义。
表1
Figure BDA0002291635210000051
表2
Figure BDA0002291635210000052
当上述11种结节特征计算完成，则可开始实施训练集的聚类与测试集的分类操作。通过迭代方式计算下面方程(3)和方程(4)可以得到最优解：
Figure BDA0002291635210000053
Figure BDA0002291635210000061
其中，d2(xi,vi)表示样本xi与簇vi的中心的距离，m表示距离权重参数，而uji∈[0,1]表示样本xi隶属于簇vi的隶属度，约束条件是
Figure BDA0002291635210000062
Figure BDA0002291635210000063
k表示迭代索引。对于基本的模糊聚类算法，三个参数必须提前指定：聚类个数C，权重系数m和阈值ε。鉴于权重系数m和阈值ε对于聚类结果的影响很小，在分类过程中采用m＝2，ε∈(0,1)。然而，聚类数目C的确定相对复杂，特别是当特征维数非常高的时候，问题更为显著。因此，无法人为地指定聚类数目C，而且，一旦指定了错误的聚类数目C则可能产生一些严重的误差。基于上述的分析，我们提出了自适应模糊聚类算法(Adaptive fuzzy-C means clustering，AFCM)，对基础模糊聚类算法不能自适应解决聚类数目C的问题进行了改进。在改进算法中，我们定义了一个自适应函数φ(如式(5-6))，通过该函数来确保分类过程中，不同聚类簇之间的距离差距尽可能大而相反，相似聚类簇内部之间距离尽可能小。
Figure BDA0002291635210000064
其中，
Figure BDA0002291635210000065
如公式6所示，表示整个样本空间的中心：
Figure BDA0002291635210000066
自适应模糊聚类AFCM的主要步骤如下：
步骤1、确定阈值ε>0，其中m>1，并初始化v0；
步骤2、通过方程(3)，计算每个候选结节隶属于每个聚类的隶属度；
步骤3、通过方程(4)计算聚类的中心；
步骤4、如果||vk+1–vk||<ε，则继续步骤5，否则，k＝k+1，转向步骤2；
步骤5、通过方程(5)，计算φ(C)。如果φ(C)>φ(C-1)并且φ(C)>φ(C+1)，则算法终止；否则，设置C＝C+1，转向步骤2。
假设用ΩAi表示结节的第i个集合，μAi为特征向量均值，而ΣAi为对应的协方差矩阵。同理，假设用ΩNj(j＝1～8)表示肺部其它组织，μAi，ΣAi分别为相应的特征向量均值和协方差矩阵。将结节沿图所示的分布中心扩大αi倍，如图2所示，
Figure BDA0002291635210000071
为结节的第i个集合，
Figure BDA0002291635210000072
为特征向量均值，而
Figure BDA0002291635210000073
为对应的协方差矩阵。
根据推算，得出判别函数公式
Figure BDA0002291635210000074
上述公式具有两个参数αi和βij。通过改变αi和βij，我们可以找出最佳的判别功能，正确地检测到所有的异常阴影，并保持最小的肺部其它组织个数。
假设DT和DF分别表示待测试候选肺结节和肺部其它组织的马哈拉诺比斯距离，则我们可以推导出一个新的包含参数p和q的判定函数8。
Figure BDA0002291635210000075
通过改变p和q，我们能够计算出判别函数的最优解，该最优解即在保证最小数量的假阳性结节的约束下，检测出最多的真阳性结节。当隶属于肺部其它组织的特征向量x描绘于判别函数下方时，我们将其标记为假阳性。同时，如果隶属于结节的特征向量x描绘在判别上述上方时，我们将其标记为假阴性。通过这种方式，获取了所有带测试候选肺结节的最终的分类结果。
在本发明提出的算法中，采用了基于模糊逻辑思想的系统实现，该算法是建立在“if-else”的表达式基础上的，非常容易理解，虽然自适应地学习能力不如神经网络。方法是在结节的分割检测方面具有突出表现，如图3为实验中典型的结节，而图4为实验中典型的肺部其它组织案例。总体而言，本发明中提出的算法取得了良好的性能，在一定程度上能够作为肺部结节检测的一个可选策略。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种胸部CT肺结节自动检测系统，其特征在于：包括
肺结节的粗分割模块，用于通过获取高对比度种子点，来对结节区域进行区域增长；
管状结构的消减模块，用于消减管状结构，初步降低检测肺部其它组织概率；
候选结节训练模块，用于提取异常阴影的特征，并对异常阴影进行特征计算，并对部分候选结节进行特征训练；
候选结节分析模块，用于将训练集划分为合理的聚类个数；
候选结节分类检测模块，用于对每个待检测的候选的肺结节进行分类检测，判断每个待检测的候选的肺结节是否为真结节或者肺部其它组织；
所述肺结节的粗分割模块、管状结构的消减模块连接、候选结节训练模块、候选结节分析模块、候选结节分类检测模块依次顺序连接。
2.根据权利要求1所述的胸部CT肺结节自动检测系统，其特征在于：所述检测模块判别的方法为：计算待检测肺结节与训练集中每个聚类中心的距离，如果候选结节与一个隶属于结节的聚类较为接近，则该将待检测结节判定为结节；反之，如果与一个隶属于肺部其它组织的聚类较为接近，则将其检测结果定为肺部其它组织。
3.根据权利要求1所述的胸部CT肺结节自动检测系统，其特征在于：所述肺结节的粗分割模块中使用可变环形滤波器在待检测区提取出候选结节的种子，通过对结节种子点区域增长，获取初步的候选结节样本空间。
4.根据权利要求3所述的胸部CT肺结节自动检测系统，其特征在于：所述可变环形滤波器提取方法为：通过获取高对比度种子点，来对结节区域进行3D区域增长，采用近似球度阈值算法粗略移除管状结构。
5.根据权利要求1所述的胸部CT肺结节自动检测系统，其特征在于：消减管状结构的方法为：用近似球度来表示候选结节与圆球的近似性，满足近似球度的结构被判断为管状结构，被移除。
6.根据权利要求1所述的胸部CT肺结节自动检测系统，其特征在于：候选结节分类检测模块中检测的内容包括灰度特征：最大值、最小值、均值、标准差、偏度系数、峰度系数，几何特征：体积、直径、球度、伸长率、紧致度。
CN201911182477.5A 2019-11-27 2019-11-27 一种胸部ct肺结节自动检测系统 Pending CN111008962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911182477.5A CN111008962A (zh) 2019-11-27 2019-11-27 一种胸部ct肺结节自动检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911182477.5A CN111008962A (zh) 2019-11-27 2019-11-27 一种胸部ct肺结节自动检测系统

Publications (1)

Publication Number Publication Date
CN111008962A true CN111008962A (zh) 2020-04-14

Family

ID=70112054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911182477.5A Pending CN111008962A (zh) 2019-11-27 2019-11-27 一种胸部ct肺结节自动检测系统

Country Status (1)

Country Link
CN (1) CN111008962A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661132A (zh) * 2022-12-05 2023-01-31 泸州职业技术学院 一种用于检测肺结节良恶性的计算机存储介质及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100111386A1 (en) * 2008-11-05 2010-05-06 University Of Louisville Research Foundation Computer aided diagnostic system incorporating lung segmentation and registration
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100111386A1 (en) * 2008-11-05 2010-05-06 University Of Louisville Research Foundation Computer aided diagnostic system incorporating lung segmentation and registration
CN102842132A (zh) * 2012-07-12 2012-12-26 上海联影医疗科技有限公司 一种ct肺结节检测方法
CN106780460A (zh) * 2016-12-13 2017-05-31 杭州健培科技有限公司 一种用于胸部ct影像的肺结节自动检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王进科: "CT图像的肝脏及肺部肿瘤检测方法研究", 《中国博士学位论文全文数据库医药卫生科技辑（月刊）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661132A (zh) * 2022-12-05 2023-01-31 泸州职业技术学院 一种用于检测肺结节良恶性的计算机存储介质及装置

Similar Documents

Publication Publication Date Title
Wang et al. A multi-view deep convolutional neural networks for lung nodule segmentation
Halder et al. Lung nodule detection from feature engineering to deep learning in thoracic CT images: a comprehensive review
US9256941B2 (en) Microcalcification detection and classification in radiographic images
Paik et al. Surface normal overlap: a computer-aided detection algorithm with application to colonic polyps and lung nodules in helical CT
Demir et al. Computer-aided detection of lung nodules using outer surface features
US9230320B2 (en) Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules
US20050207630A1 (en) Lung nodule detection and classification
US20080002870A1 (en) Automatic detection and monitoring of nodules and shaped targets in image data
US9014456B2 (en) Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
Liu et al. A CADe system for nodule detection in thoracic CT images based on artificial neural network
van Rikxoort et al. Automatic segmentation of the liver in computed tomography scans with voxel classification and atlas matching
CN111798424B (zh) 一种基于医学图像的结节检测方法、装置及电子设备
Kuo et al. Automatic lung nodule detection system using image processing techniques in computed tomography
CN111462102B (zh) 基于新型冠状病毒肺炎x射线胸片的智能分析系统及方法
Deng et al. Graph cut based automatic aorta segmentation with an adaptive smoothness constraint in 3D abdominal CT images
WO2023186133A1 (zh) 一种用于穿刺路径规划的系统及方法
CN110610472A (zh) 实现肺结节图像分类检测的计算机装置及方法
Retico et al. Pleural nodule identification in low-dose and thin-slice lung computed tomography
Li et al. Detection of pulmonary nodules in CT images based on fuzzy integrated active contour model and hybrid parametric mixture model
de Mesquita et al. A novel method for lung nodule detection in computed tomography scans based on Boolean equations and vector of filters techniques
CN114581698A (zh) 一种基于空间交叉注意力机制特征融合的目标分类方法
CN111008962A (zh) 一种胸部ct肺结节自动检测系统
Jia et al. A novel lung nodules detection scheme based on vessel segmentation on CT images
Zhai et al. Computer-aided detection of lung nodules with fuzzy min-max neural network for false positive reduction
Nagata et al. Automated detection of lung nodules in chest radiographs using a false-positive reduction scheme based on template matching

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: 20200414

RJ01 Rejection of invention patent application after publication