CN111080569A - 一种骨抑制图像的生成方法、装置、存储介质及电子设备 - Google Patents
一种骨抑制图像的生成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111080569A CN111080569A CN201911351402.5A CN201911351402A CN111080569A CN 111080569 A CN111080569 A CN 111080569A CN 201911351402 A CN201911351402 A CN 201911351402A CN 111080569 A CN111080569 A CN 111080569A
- Authority
- CN
- China
- Prior art keywords
- bone
- image
- suppression
- initial
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 435
- 230000001629 suppression Effects 0.000 claims abstract description 236
- 230000011218 segmentation Effects 0.000 claims abstract description 115
- 210000000038 chest Anatomy 0.000 claims abstract description 67
- 210000000481 breast Anatomy 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 22
- 230000005764 inhibitory process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 13
- 238000002601 radiography Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000003109 clavicle Anatomy 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- HTIQEAQVCYTUBX-UHFFFAOYSA-N amlodipine Chemical compound CCOC(=O)C1=C(COCCN)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1Cl HTIQEAQVCYTUBX-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10116—X-ray image
- G06T2207/10124—Digitally reconstructed radiograph [DRR]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种骨抑制图像的生成方法、装置、存储介质及电子设备。其中方法包括:获取目标对象的胸部原始图像;基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。本实施例提供的技术方案中得到的目标骨抑制图既能消除了骼区域的像素点进行骨性轮廓,又能保留非骨骼区域的原始图像信息,提高了图像清晰度,减少了骨抑制模型对胸部原始图像处理过程中的失真。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种骨抑制图像的生成方法、装置、存储介质及电子设备。
背景技术
数字X线摄影术(digitalradiography,DR)是近期发展的一项新的数字成像技术,和计算机X线摄影(CR)有类似用途,但基本原理和结构均不同。DR是在数字荧光摄影(digitalfluorography,DF)基础上发展的,它以影像增强管为信息载体,接受透过人体的X线信息,经视频摄像机采集后转换为数字信号,再行数字化。
胸片就是胸部的X片,常规胸片检查包括正位、左前斜位(60°~65°)、右前斜位(45°~55°)和左侧位照片。正位胸片能显示出心脏大血管的大小、形态、位置和轮廓,能观察心与毗邻器官的关系和肺内血管的变化,可用于心脏及其径线的测量。正位片又可按投照方式不同分为后前位(PA位)和前后位(AP位),后前位是常规正位,患者面向探测器,胸部紧贴探测器拍照;前后位患者背向探测器,背部紧贴探测器拍照,临床应用较少。
在胸片X光图像中,难免会出现肋骨、锁骨的影子,然而有时候在X光影像中,位于肋骨下方的病灶会被肋骨的阴影所遮挡。所以,为了医生更清晰的看见肺野中的内容,更容易发现肋骨下的结节影,如果能去除胸片X光图像中肋骨及锁骨的影子(下文称为骨抑制)会辅助医生进行诊断。
目前,可以是使用双能量减影设备去除骨性胸廓的干扰,具体的,可以是通过使用两次曝光法,即不同的X线输出能量对被摄物体进行独立曝光,得到两幅图像或数据,对其进行图像减影或数据分离整合,重建软组织密度像、骨密度像和普通胸片。但是,双能量减影是使用硬件设备来做骨抑制,但是设备昂贵,成本较高。
发明内容
本发明提供一种骨抑制图像的生成方法、装置、存储介质及电子设备,以实现降低骨抑制图像的成本,提高骨抑制图像的精度。
第一方面,本发明实施例提供了一种骨抑制图像的生成方法,包括:
获取目标对象的胸部原始图像;
基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;
根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。
第二方面,本发明实施例还提供了一种骨抑制图像的生成装置,包括:
原始图像获取模块,用于获取目标对象的胸部原始图像;
图像处理模块,用于基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;
目标骨抑制图像确定模块,用于根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如本发明任意实施例提供的一种骨抑制图像的生成方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其中,所述计算机可执行指令在由计算机处理器执行时实现如本发明任意实施例提供的一种骨抑制图像的生成方法。
本发明实施例提供的技术方案,通过预先训练的骨抑制模型对胸部原始图像进行处理,得到目标对象的初始骨抑制图像和骨分割图像,并基于骨分割图像中骨骼位置,对胸部原始图像和初始骨抑制图像中的像素值进行组合,生成目标骨抑制图,使得标骨抑制图既能消除了骼区域的像素点进行骨性轮廓,又能保留非骨骼区域的原始图像信息,提高了图像清晰度,减少了骨抑制模型对胸部原始图像处理过程中的失真。
附图说明
图1为本发明实施例一提供的一种骨抑制图像的生成方法的流程示意图;
图2是本发明实施例提供的一种骨抑制模型的结构示意图;
图3是本发明实施例提供的一种特征提取模块的结构示意图;
图4是本发明实施例提供的胸部原始图像和初始骨抑制图像的示例图;
图5是本发明实施例提供的一种骨抑制图像的生成方法的流程示意图;
图6是本发明实施例三提供的一种骨抑制图像的生成装置的结构示意图;
图7为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种骨抑制图像的生成方法的流程示意图,本实施例可适用于获取高精度骨抑制图像的情况,该方法可以由本发明实施例提供的骨抑制图像的生成装置来执行,该装置可通过软件和/或硬件的方式实现,该装置可以集成与诸如服务器或者计算机等电子设备中。该方法具体包括如下步骤:
S110、获取目标对象的胸部原始图像。
S120、基于预先训练的骨抑制模型对胸部原始图像进行处理,得到目标对象的初始骨抑制图像和骨分割图像,其中,预先训练的骨抑制模型中包括骨抑制分支和骨分割分支。
S130、根据骨分割图像中骨骼位置、胸部原始图像和初始骨抑制图像生成目标骨抑制图像。
其中,胸部原始图像可以是通过数字X线摄影技术采集得到,即胸部DR(digitalradiography)影像。
本实施例中,通过预先训练的骨抑制模型对胸部原始图像进行处理,其中,骨抑制模型具有对胸部原始图像进行骨抑制的功能。可选的,骨抑制模型中包括骨抑制分支和骨分割分支,该骨抑制分支用于输出胸部原始图像的骨抑制图像,骨分割分支用于输出胸部原始图像的骨分割图像。其中,骨抑制图像为从胸部原始图像去除骨性轮廓得到的图像,骨分割图像为从胸部原始图像中提取的骨性轮廓形成的图像。
可选的,骨抑制模型包括特征提取模块、骨抑制分支和骨分割分支,其中,骨抑制分支和骨分割分支分别与特征提取模块连接,特征提取模块中包括编码器和解码器,编码器和解码器中的卷积块横向连接。示例性的,参见图2,图2是本发明实施例提供的一种骨抑制模型的结构示意图,该骨抑制模型包括特征提取模块、骨抑制分支和骨分割分支,其中,特征提取模块用于对胸部原始图像进行特征提取,得到特征图像,骨抑制分支和骨分割分支分别对特征图像进行处理,以得到初始骨抑制图像和骨分割图像,其中,特征提取模块、骨抑制分支和骨分割分支可以是包括至少一个卷积块。
示例性的,参见图3,图3是本发明实施例提供的一种特征提取模块的结构示意图。根据图3可知,该特征提取模块包括编码器和解码器,编码器和解码器分别包括多个卷积块,且编码器和解码器中对应的卷积块横向连接。可选的,特征提取模块为U-net网络模块,其中,编码层包括多个下采样卷积块,其中,卷积块中可以包括两个卷积核为3×3的卷积层,且每一个卷积层之后连接有归一化层和激活函数层,相邻的卷积块之间设置有卷积核为2×2的最大池化层;解码层包括多个上采样的卷积块,其中,卷积块中可以包括三个卷积核为3×3的卷积层,且每一个卷积层之后连接有归一化层和激活函数层,相邻的卷积块之间设置有卷积核为2×2上采样卷积层。编码器中的卷积块通过横向连接将生成的特征图输出至解码器的对应卷积块中,以使得解码器的对应卷积块将上一卷积块的特征图与横向传输的特征图进行融合,实现浅层特征和深层特征的融合,实现不同层次的特征的融合,提高了特征提取精度。需要说明的是,本实施例中提供的特征提取模块的结构仅为一种示例,在其他实施例中,可根据需要对其中的卷积块进行调节。
骨抑制分支可以包括至少一个卷积层,对特征提取模块输出的特征图进行卷积处理,得到初始骨抑制图像;骨分割分支可以包括至少一个卷积层和softmax层,用于对特征提取模块输出的特征图进行卷积处理,并对各像素点进行分类,根据分类结构确定骨分割图像。
可选的,特征提取模块的输入图像的尺寸可以是与初始骨抑制图像和骨分割图像的尺寸相同,例如可以是128×128。
参见图4,图4是本发明实施例提供的胸部原始图像和初始骨抑制图像的示例图,其中,图4中左图为胸部原始图像,右图为基于骨抑制模型对胸部原始图像进行处理得到的初始骨抑制图像。其中,胸部原始图像中包括骨性高密度阴影,初始骨抑制图像中除去骨性轮廓,且肺纹理清晰,不存在图像模糊的情况。
由于通过骨抑制模型对胸部原始图像的处理,得到的初始骨抑制图像中各像素点的像素值与胸部原始图像中的对应像素点的像素值存在差异。其中,对胸部原始图像进行处理的目的在于消除胸部原始图像中的骨性轮廓,而不影响骨性轮廓外的区域,尤其是肺部区域。本实施例中,通过骨分割图像中的骨骼位置,分别从初始骨抑制图像和胸部原始图像中提取各像素点的像素值,得到目标骨抑制图像,实现在消除骨性轮廓的基础上,还原骨性轮廓以外像素点的像素值,降低骨抑制模型对胸部原始图像处理过程中对骨性轮廓以外像素点的干扰。
可选的,根据骨分割图像中骨骼位置、胸部原始图像和初始骨抑制图像生成目标骨抑制图像,包括:根据骨分割图像中各像素点的分类概率确定骨骼位置和非骨骼位置;提取胸部原始图像中非骨骼位置对应的第一像素点;提取初始骨抑制图像中骨骼位置对应的第二像素点;将第一像素点和第二像素点进行组合,生成目标骨抑制图像。
本实施例中,骨分割图像中包括各像素点的分类概率,其中,骨分割图像中各像素点的类型可以是骨骼和非骨骼,根据各类型的概率确定像素点的类型。例如,当前像素点是骨骼的概率为20%,非骨骼的概率为80%,将概率高的类型确定为当前像素点的类型,即非骨骼。每一个类型设置一个标签,例如骨骼的标签可以为1,非骨骼的标签可以为0。通过骨分割图像中各像素点的标签可得到骨分割图像中骨骼位置。
胸部原始图像、初始骨抑制图像和骨分割图像的尺寸大小相同,根据骨分割图像中的骨骼位置和非骨骼位置,可对应确定胸部原始图像和初始骨抑制图像中的骨骼位置和非骨骼位置。其中,骨骼位置可以是标签为1的像素点坐标集合,非骨骼位置可以是标签为0的像素点坐标集合,根据坐标集合可确定胸部原始图像和初始骨抑制图像中的骨骼位置和非骨骼位置。
将胸部原始图像中非骨骼位置中的第一像素点和初始骨抑制图像中骨骼位置中的第二像素点进行组合,得到目标骨抑制图像,该目标骨抑制图像既消除了骨骼区域的像素点进行骨性轮廓,又保留了非骨骼区域的原始图像信息,提高了图像清晰度,减少了骨抑制模型对胸部原始图像处理过程中的失真。
在一些的实施例中,根据骨分割图像中骨骼位置、胸部原始图像和初始骨抑制图像生成目标骨抑制图像,包括:根据骨分割图像中各像素点的分类概率确定像素点的胸部原始图像的权重和初始骨抑制图像的权重;根据胸部原始图像中第一像素值、初始骨抑制图像中的第二像素值、胸部原始图像的权重和初始骨抑制图像的权重进行加权计算,得到目标骨抑制图像。
本实施例中,根据骨分割图像各像素点的分类概率,确定胸部原始图像和初始骨抑制图像中对应像素点的权重,例如,当前像素点的骨骼的概率为p,非骨骼的概率为1-p,可确定胸部原始图像中对应像素点的权重为1-p,初始骨抑制图像中对应像素点的权重为p。相应的,通过如下公式计算目标骨抑制图像:x=p×x2+(1-p)×x1,其中,x为目标骨抑制图像中像素点的像素值,x2为初始骨抑制图像中对应像素点的像素值,x1为胸部原始图像中对应像素点像素值。
本实施例中,通过骨分割图像各像素点的分类概率确定胸部原始图像和初始骨抑制图像中对应像素点的权重,进行像素值的加权计算,在消除了骨骼区域的像素点进行骨性轮廓,又保留了非骨骼区域的原始图像信息的基础上,对各像素点的像素值进行平滑,避免不同区域的像素值的生硬变化,提高了图像清晰度和平滑度。
本实施例的技术方案,通过预先训练的骨抑制模型对胸部原始图像进行处理,得到目标对象的初始骨抑制图像和骨分割图像,并基于骨分割图像中骨骼位置,对胸部原始图像和初始骨抑制图像中的像素值进行组合,生成目标骨抑制图,使得标骨抑制图既能消除了骼区域的像素点进行骨性轮廓,又能保留非骨骼区域的原始图像信息,提高了图像清晰度,减少了骨抑制模型对胸部原始图像处理过程中的失真。
实施例二
图5是本发明实施例提供的一种骨抑制图像的生成方法的流程示意图,在上述实施例的基础上,提供的骨抑制模型的训练方法。该方法具体包括:
S210、创建初始骨抑制模型。
S220、将样本数据输入至初始骨抑制模型,得到预测骨抑制图像和预测骨分割图像。
S230、基于预测骨抑制图像和标准骨抑制图像对初始骨抑制模型进行训练,以及,基于预测骨分割图像和标准骨分割图像对初始骨抑制模型进行训练。
其中,初始骨抑制模型的结构可以是如图3所示,基于预先采集的样本数据以及样本数据的监督标签对初始骨抑制模型进行训练,得到具有骨抑制功能的骨抑制模型。可选的,样本数据的监督标签包括标准骨抑制图像和标准骨分割图像,其中,标准骨抑制图像可以是基于双能量减影方式得到,标准骨分割图像可以是基于样本数据(即胸部原始图像)与标准骨抑制图像进行像素差得到,或者,标准骨分割图像还可以通过对原始图像进行人为标注骨骼区域得到的。
本实施例中,分别基于初始骨抑制模型对样本数据处理得到的预测骨抑制图像和预测骨分割图像对初始骨抑制模型进行双重训练,其中,预测骨抑制图像和预测骨分割图像对初始骨抑制模型训练的顺序可以不做限定,可以是同步训练,还可以是交替对初始骨抑制模型进行训练,例如,一些实施例中,可以是先基于预测骨抑制图像和标准骨抑制图像对初始骨抑制模型进行训练,得到第一骨抑制模型,再基于预测骨分割图像和标准骨分割图像对中间骨抑制模型进行训练,得到第二骨抑制模型,并基于下一样本数据的预测骨抑制图像和预测骨分割图像对第二骨抑制模型进行迭代训练,直到骨抑制模型的输出精度达到预设要求,训练结束。在其他实施例中,还可以是先基于预测骨分割图像和标准骨分割图像对初始骨抑制模型进行训练,得到第一骨抑制模型,再基于预测骨抑制图像和标准骨抑制图像对初始骨抑制模型进行训练得到第二骨抑制模型,并基于下一样本数据的预测骨抑制图像和预测骨分割图像对第二骨抑制模型进行迭代训练,直到骨抑制模型的输出精度达到预设要求,训练结束。
可选的,基于预测骨抑制图像和标准骨抑制图像对初始骨抑制模型进行训练,包括:根据预测骨抑制图像和标准骨抑制图像生成第一损失函数;根据骨分割图像生成掩码矩阵;根据掩码矩阵对第一损失函数进行处理,生成第二损失函数;将第二损失函数反向输入至骨抑制分支,对初始骨抑制模型进行训练。
其中,第一损失函数可以是基于如下公式计算得到:
其中,x为预测骨抑制图像和标准骨抑制图像中对应像素点的像素值差值的绝对值。
根据骨分割图像中各像素点的分类标签生成掩码矩阵,其中,掩码矩阵中包括各像素点的分类标签,骨骼的标签可以为1,非骨骼的标签可以为0。将掩码矩阵与第一损失函数进行对应元素相乘,得到第二损失函数。其中,第二损失函数中仅包括骨骼区域的损失函数,且数值保持不变,非骨骼区域的损失函数为0。通过第二损失函数对初始骨抑制模型进行训练,只基于骨骼区域的损失函数对初始骨抑制模型进行训练,替代了现有技术整幅图像的损失函数对初始骨抑制模型进行训练,提高了模型训练的针对性,减少了非骨骼区域信息对模型训练的干扰和训练计算量,提高了训练效率和训练质量。
可选的,基于预测骨分割图像和标准骨分割图像对初始骨抑制模型进行训练,包括:根据预测骨分割图像和标准骨分割图像生成第三损失函数;将第三损失函数反向输入至骨分割分支,对初始骨抑制模型进行训练。
其中,可以是基于如下公式计算第三损失函数:
FL(pt)=-(1-pt)2log(pt),其中,对于任一像素点,当标准骨分割图像中的标准标签为0时,pt为预测骨分割图像中该像素点为非骨骼区域的概率,当标准骨分割图像中的标准标签为1时,pt为预测骨分割图像中该像素点为骨骼区域的概率。
将第三损失函数反向输入至骨分割分支,实现基于预测骨分割图像和标准骨分割图像对初始骨抑制模型进行训练。
S240、获取目标对象的胸部原始图像。
S250、基于预先训练的骨抑制模型对胸部原始图像进行处理,得到目标对象的初始骨抑制图像和骨分割图像,其中,预先训练的骨抑制模型中包括骨抑制分支和骨分割分支。
S260、根据骨分割图像中骨骼位置、胸部原始图像和初始骨抑制图像生成目标骨抑制图像。
本实施例的技术方案,通过将样本输入至待训练的初始骨抑制模型中,并基于得到的预测骨抑制模型和预测骨分割图像对初始骨抑制模型进行双重训练,提供了骨抑制模型的训练效率。
实施例三
图6是本发明实施例三提供的一种骨抑制图像的生成装置的结构示意图,该装置包括:
原始图像获取模块310,用于获取目标对象的胸部原始图像;
图像处理模块320,用于基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;
目标骨抑制图像确定模块330,用于根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。
可选的,骨分割图像中包括各像素点的分类概率。
可选的,目标骨抑制图像确定模块330用于:
根据所述骨分割图像中各像素点的分类概率确定骨骼位置和非骨骼位置;
提取所述胸部原始图像中所述非骨骼位置对应的第一像素点;
提取所述初始骨抑制图像中所述骨骼位置对应的第二像素点;
将所述第一像素点和第二像素点进行组合,生成所述目标骨抑制图像。
可选的,目标骨抑制图像确定模块330用于:
根据所述骨分割图像中各像素点的分类概率确定像素点的所述胸部原始图像的权重和所述初始骨抑制图像的权重;
根据所述胸部原始图像中第一像素值、所述初始骨抑制图像中的第二像素值、所述胸部原始图像的权重和所述初始骨抑制图像的权重进行加权计算,得到所述目标骨抑制图像。
可选的,所述骨抑制模型包括特征提取模块、所述骨抑制分支和所述骨分割分支,其中,所述骨抑制分支和所述骨分割分支分别与所述特征提取模块连接,所述特征提取模块中包括编码器和解码器,所述编码器和所述解码器中的卷积块横向连接。
可选的,该装置还包括:
模型创建模块,用于创建初始骨抑制模型;
图像预测模块,用于将样本数据输入至所述初始骨抑制模型,得到预测骨抑制图像和预测骨分割图像;
第一模型训练模块,用于基于所述预测骨抑制图像和标准骨抑制图像对所述初始骨抑制模型进行训练;
第二模型训练模块,用于基于所述预测骨分割图像和标准骨分割图像对所述初始骨抑制模型进行训练。
可选的,第一模型训练模块用于:
根据所述预测骨抑制图像和标准骨抑制图像生成第一损失函数;
根据所述骨分割图像生成掩码矩阵;
根据所述掩码矩阵对所述第一损失函数进行处理,生成第二损失函数;
将所述第二损失函数反向输入至所述骨抑制分支,对所述初始骨抑制模型进行训练。
可选的,第二模型训练模块用于:
根据所述预测骨分割图像和所述标准骨分割图像生成第三损失函数;
将所述第三损失函数反向输入至所述骨分割分支,对所述初始骨抑制模型进行训练。
本发明实施例提供的骨抑制图像的生成装置可执行本发明任意实施例所提供的骨抑制图像的生成方法,具备执行骨抑制图像的生成方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组程序模块46的程序/实用工具44,可以存储在例如存储器28中,这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及骨抑制图像的生成,例如实现本发明实施例所提供的一种骨抑制图像的生成方法,该方法包括:
获取目标对象的胸部原始图像;
基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;
根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及骨抑制图像的生成,例如实现本发明实施例所提供的一种骨抑制图像的生成方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的一种骨抑制图像的生成方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的一种骨抑制图像的生成方法,该方法包括:
获取目标对象的胸部原始图像;
基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;
根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上的方法操作,还可以执行本发明任意实施例所提供的一种骨抑制图像的生成方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在视频片段、第二视频的特征编码、各视频片段的特征编码等,其中承载了计算机可读的程序代码。这种传播的视频片段、第二视频的特征编码、各视频片段的特征编码等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是,上述视频处理装置的实施例中,所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种骨抑制图像的生成方法,其特征在于,包括:
获取目标对象的胸部原始图像;
基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;
根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。
2.根据权利要求1所述的方法,其特征在于,所述骨分割图像中包括各像素点的分类概率,其中,根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像,包括:
根据所述骨分割图像中各像素点的分类概率确定骨骼位置和非骨骼位置;
提取所述胸部原始图像中所述非骨骼位置对应的第一像素点;
提取所述初始骨抑制图像中所述骨骼位置对应的第二像素点;
将所述第一像素点和第二像素点进行组合,生成所述目标骨抑制图像。
3.根据权利要求1所述的方法,其特征在于,所述骨分割图像中包括各像素点的分类概率,其中,根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像,包括:
根据所述骨分割图像中各像素点的分类概率确定像素点的所述胸部原始图像的权重和所述初始骨抑制图像的权重;
根据所述胸部原始图像中第一像素值、所述初始骨抑制图像中的第二像素值、所述胸部原始图像的权重和所述初始骨抑制图像的权重进行加权计算,得到所述目标骨抑制图像。
4.根据权利要求1所述的方法,其特征在于,所述骨抑制模型包括特征提取模块、所述骨抑制分支和所述骨分割分支,其中,所述骨抑制分支和所述骨分割分支分别与所述特征提取模块连接,所述特征提取模块中包括编码器和解码器,所述编码器和所述解码器中的卷积块横向连接。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
创建初始骨抑制模型;
将样本数据输入至所述初始骨抑制模型,得到预测骨抑制图像和预测骨分割图像;
基于所述预测骨抑制图像和标准骨抑制图像对所述初始骨抑制模型进行训练,以及,基于所述预测骨分割图像和标准骨分割图像对所述初始骨抑制模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述基于所述预测骨抑制图像和标准骨抑制图像对所述初始骨抑制模型进行训练,包括:
根据所述预测骨抑制图像和标准骨抑制图像生成第一损失函数;
根据所述骨分割图像生成掩码矩阵;
根据所述掩码矩阵对所述第一损失函数进行处理,生成第二损失函数;
将所述第二损失函数反向输入至所述骨抑制分支,对所述初始骨抑制模型进行训练。
7.根据权利要求5所述的方法,其特征在于,所述基于所述预测骨分割图像和标准骨分割图像对所述初始骨抑制模型进行训练,包括:
根据所述预测骨分割图像和所述标准骨分割图像生成第三损失函数;
将所述第三损失函数反向输入至所述骨分割分支,对所述初始骨抑制模型进行训练。
8.一种骨抑制图像的生成装置,其特征在于,包括:
原始图像获取模块,用于获取目标对象的胸部原始图像;
图像处理模块,用于基于预先训练的骨抑制模型对所述胸部原始图像进行处理,得到所述目标对象的初始骨抑制图像和骨分割图像,其中,所述预先训练的骨抑制模型中包括骨抑制分支和骨分割分支;
目标骨抑制图像确定模块,用于根据所述骨分割图像中骨骼位置、所述胸部原始图像和所述初始骨抑制图像生成目标骨抑制图像。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的一种骨抑制图像的生成方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的一种骨抑制图像的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351402.5A CN111080569B (zh) | 2019-12-24 | 2019-12-24 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351402.5A CN111080569B (zh) | 2019-12-24 | 2019-12-24 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080569A true CN111080569A (zh) | 2020-04-28 |
CN111080569B CN111080569B (zh) | 2021-03-19 |
Family
ID=70317397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911351402.5A Active CN111080569B (zh) | 2019-12-24 | 2019-12-24 | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080569B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
CN113052930A (zh) * | 2021-03-12 | 2021-06-29 | 北京医准智能科技有限公司 | 一种胸部dr双能量数字减影图像生成方法 |
CN117078686A (zh) * | 2023-10-17 | 2023-11-17 | 万里云医疗信息科技(北京)有限公司 | 构建用于训练骨抑制模型的样本的方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366348A (zh) * | 2013-07-19 | 2013-10-23 | 南方医科大学 | 一种抑制x线图像中骨骼影像的方法及处理设备 |
US20140140479A1 (en) * | 2012-11-21 | 2014-05-22 | Carestream Health, Inc. | Hybrid dual energy imaging and bone suppression processing |
CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
CN105447866A (zh) * | 2015-11-22 | 2016-03-30 | 南方医科大学 | 基于卷积神经网络的x线胸片骨抑制处理方法 |
CN105469365A (zh) * | 2015-11-12 | 2016-04-06 | 深圳市深图医学影像设备有限公司 | 一种抑制数字化x线胸片图像中骨骼阴影的方法及系统 |
CN106023200A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
CN106611411A (zh) * | 2015-10-19 | 2017-05-03 | 上海联影医疗科技有限公司 | 一种医学图像中肋骨分割的方法及医学图像处理装置 |
CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
CN108335303A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 一种应用于手掌x光片的多尺度手掌骨骼分割方法 |
CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
-
2019
- 2019-12-24 CN CN201911351402.5A patent/CN111080569B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140140479A1 (en) * | 2012-11-21 | 2014-05-22 | Carestream Health, Inc. | Hybrid dual energy imaging and bone suppression processing |
CN103366348A (zh) * | 2013-07-19 | 2013-10-23 | 南方医科大学 | 一种抑制x线图像中骨骼影像的方法及处理设备 |
CN103824281A (zh) * | 2014-01-07 | 2014-05-28 | 沈阳航空航天大学 | 一种胸部x光图像中骨骼抑制的方法 |
CN106611411A (zh) * | 2015-10-19 | 2017-05-03 | 上海联影医疗科技有限公司 | 一种医学图像中肋骨分割的方法及医学图像处理装置 |
CN105469365A (zh) * | 2015-11-12 | 2016-04-06 | 深圳市深图医学影像设备有限公司 | 一种抑制数字化x线胸片图像中骨骼阴影的方法及系统 |
CN105447866A (zh) * | 2015-11-22 | 2016-03-30 | 南方医科大学 | 基于卷积神经网络的x线胸片骨抑制处理方法 |
CN106023200A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 一种基于泊松模型的x光胸片图像肋骨抑制方法 |
CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
CN108335303A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 一种应用于手掌x光片的多尺度手掌骨骼分割方法 |
CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
Non-Patent Citations (2)
Title |
---|
IVO M. BALTRUSCHAT 等: "WHEN DOES BONE SUPPRESSION AND LUNG FIELD SEGMENTATION", 《2019 IEEE 16TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》 * |
KENJI SUZUKI 等: "Suppression of the Contrast of Ribs in Chest Radiographs", 《MEDICAL IMAGING 2004: IMAGE PROCESSING》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489005A (zh) * | 2020-11-26 | 2021-03-12 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
CN112489005B (zh) * | 2020-11-26 | 2021-11-09 | 推想医疗科技股份有限公司 | 骨分割方法及装置、骨折检出方法及装置 |
CN113052930A (zh) * | 2021-03-12 | 2021-06-29 | 北京医准智能科技有限公司 | 一种胸部dr双能量数字减影图像生成方法 |
CN117078686A (zh) * | 2023-10-17 | 2023-11-17 | 万里云医疗信息科技(北京)有限公司 | 构建用于训练骨抑制模型的样本的方法、装置及存储介质 |
CN117078686B (zh) * | 2023-10-17 | 2024-01-23 | 万里云医疗信息科技(北京)有限公司 | 构建用于训练骨抑制模型的样本的方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111080569B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080569B (zh) | 一种骨抑制图像的生成方法、装置、存储介质及电子设备 | |
CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
JP5643304B2 (ja) | 胸部トモシンセシスイメージングにおけるコンピュータ支援肺結節検出システムおよび方法並びに肺画像セグメント化システムおよび方法 | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
US20150154765A1 (en) | Tomosynthesis reconstruction with rib suppression | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
JP2013514854A (ja) | X線放射線写真における骨抑制 | |
WO2021248187A1 (en) | Systems and methods for automated analysis of medical images | |
CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
CN111062997B (zh) | 一种血管造影成像方法、系统、设备和存储介质 | |
JP2014064835A (ja) | 画像処理装置および方法並びにプログラム | |
CN114548238A (zh) | 图像三维重建方法、装置、电子设备及存储介质 | |
CN111640124A (zh) | 一种血管提取方法、装置、设备及存储介质 | |
CN112150571A (zh) | 一种图像运动伪影消除方法、装置、设备及存储介质 | |
CN115908449A (zh) | 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置 | |
US20210334959A1 (en) | Inference apparatus, medical apparatus, and program | |
CN116758087A (zh) | 一种腰椎ct骨窗侧隐窝间隙检测方法及装置 | |
WO2023163933A1 (en) | Registration of deformable structures | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
Zhang et al. | Coronary tree extraction using motion layer separation | |
EP2449527B1 (en) | Digital image subtraction | |
CN111583354B (zh) | 医学图像处理单元的训练方法和医学图像运动估计方法 | |
US10535167B2 (en) | Method and system for tomosynthesis projection image enhancement and review | |
CN114037775B (zh) | 骨骼结构生长方法、装置、电子设备及存储介质 | |
CN114913145B (zh) | 一种图像分割方法、装置、电子设备和存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co., Ltd Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: Beijing Tuoxiang Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |