CN111667478B - Cta到mra跨模态预测的颈动脉斑块识别方法及系统 - Google Patents
Cta到mra跨模态预测的颈动脉斑块识别方法及系统 Download PDFInfo
- Publication number
- CN111667478B CN111667478B CN202010523637.4A CN202010523637A CN111667478B CN 111667478 B CN111667478 B CN 111667478B CN 202010523637 A CN202010523637 A CN 202010523637A CN 111667478 B CN111667478 B CN 111667478B
- Authority
- CN
- China
- Prior art keywords
- plaque
- cta
- mra
- model
- carotid
- 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
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
- G06F18/24—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
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于CTA到MRA跨模态预测的颈动脉斑块识别方法,包括以下步骤:数据收集步骤:收集配对的颈动脉CTA和MRA图像数据;斑块分割及模型训练步骤:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle‑GAN网络进行训练,获得初步训练后的模型。本发明设计完整、新颖的算法流程,使用改进的深度学习Multiplan‑net算法对CTA图像上的颈动脉管腔、斑块进行自动分割,在此基础上设计优化的对抗生成网络进行CTA数据扩增,从而进一步提高分割精度。
Description
技术领域
本发明涉及医学图像处理领域,具体地,涉及CTA到MRA跨模态预测的颈动脉斑块识别方法及系统。尤其地,涉及一种用于将CTA图像跨模态预测到MRA图像领域的颈动脉斑块识别算法。
背景技术
脑血管病是世界范围内公认的致残率、病死率最高的疾病之一,包括出血性脑血管病和缺血性脑血管病。其中缺血性脑血管病占87%[1]。由于颈动脉是向大脑供血的主要动脉之一,当颈动脉存在严重的粥样硬化时,就可能会导致脑缺血的发生。而颈动脉粥样硬化的明显特征是动脉内腔出现颈动脉斑块[2],斑块成分不同,其易损性与稳定性也不同。因此对颈动脉斑块进行早期识别与成分检测,对于缺血性脑卒中的预防与高危人群的风险评估有重要的现实意义。
诊断脑血管疾病,常用的脑血管造影方法有三种。第一种核磁共振机所做的脑血管造影(MRA),第二种是CT机所做的脑血管造影(CTA),第三种是需要大腿根部股动脉插管进行的,在数字减影血管造影机下完成的脑血管造影(DSA)。MRA的特点是无创,可以不需要注射造影剂就可以完成,可以在行核磁共振检查时同事进行,但是分辨率是最差的,可以做为一种筛查方法。CTA也是一种无创的方法,需要注射含碘的造影剂,可以快速完成,病人痛苦少,分辨率也教MRA有所提高,可以做为快速诊断脑血管瘤的方法。DSA是最准确的脑血管造影方法,分辨率最高,是诊断脑血管疾病的“金标准”。缺点是需要进行动脉插管,有创伤,需住院检查。
CTA血管成像是目前最常用的诊断颈动脉斑块的临床影像方法,具有扫描速度快、低辐射、信息量大等优点[3]。其用于临床诊断时通常是通过医生观察部分断层图像并结合临床经验给出诊断结果,会受诊断医生经验、状态及知识水平的限制和影响[4]。近年来,随着人工智能的发展,深度学习算法在辅助医生诊断方面起到了重要作用。目前市面上还没有一款颈动脉斑块筛查软件,本发明拟设计完整、新颖的算法流程,使用改进的深度学习Multiplan-net算法对CTA图像上的颈动脉管腔、斑块进行自动分割,在此基础上设计优化的对抗生成网络[5]进行CTA数据扩增,从而进一步提高分割精度。对分割出的颈动脉斑块进行磁共振成像(MRI)[6]跨模态融合预测,提取融合后的斑块特征进行斑块成分分类。基于此开发出针对颈动脉粥样硬化斑块的云平台自动分析系统,并最终在临床病例中进行前瞻性验证。
参考文献:
[1]Ran Zhou,Wei Ma,U-Net based automatic carotid plaque segmentationfrom 3D ultrasound images,Medical Imaging,2019
[2]R.Ross,"Atherosclerosis--an inflammatory disease,"N Engl J Med,vol.340,no.2,pp.115-26,Jan 14 1999[3]Green D,Parker D.CTAand MRA:visualization without catheterization[J].Seminars in Ultrasound Ct&Mri,2003,24(4):185-191
[4]吴秋雯,李郁欣,黄磊,et al.机器学习算法在颈动脉斑块影像学分类中的研究进展[J].中国临床神经科学,2019(4).
[5]Ian J.Goodfellow,Jean Pouget-Abadie,Mehdi Mirza..GenerativeAdversarial Networks:Cornell University Library,2014
[6]C.Yuan,L.M.Mitsumori,M.S.Ferguson,and et al.,“The in vivo accuracyof multispectral mr imaging for identifying lipid-rich necrotic cores andintraplaque hemorrhage in advanced human carotid plaques,”Acc Current JournalReview,vol.11,no.2,p.37,2002.
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种CTA到MRA跨模态预测的颈动脉斑块识别方法及系统。
根据本发明提供的一种CTA到MRA跨模态预测的颈动脉斑块识别方法,包括以下步骤:
数据收集步骤:收集配对的颈动脉CTA和MRA图像数据;
斑块分割及模型训练步骤:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;
模型增强训练步骤:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;
斑块识别步骤:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。
优选地,所述斑块分割及模型训练步骤包括:
图像分割步骤、模型训练步骤;
所述图像分割步骤:
进行级联颈动脉管腔、斑块一体化分割算法设计,包括:
对于整个头颈部CTA扫描图像,使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;
在颈动脉斑块分割方面,采用生成式对抗网络进行数据扩增来提高分割精度的方法;
在斑块成分检测方面,利用跨模态融合预测方法提升斑块图像质量;
所述斑块分割步骤中采用3D U-Net进行三维图像分割;
所述模型训练步骤:
首先将CTA和MRA影像进行配准,之后根据分割获得的CTA和MRA的斑块区域图像,对斑块区域使用pix2pix或者cycle-GAN网络构建CTA跨模态生成MRA模型,获得初步训练后的模型。
优选地,所述模型增强训练步骤:
设计生成式对抗网络GAN进行CTA和MRA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大,通过生成式对抗网络GAN算法提高小样本分割正确率,同时获得的初步训练后的模型,进行颈动脉斑块CTA到MRA跨模态融合预测,挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测,获得最终训练后的模型。
优选地,所述生成式对抗网络GAN的网络结构包括:
生成模型G和判别模型D;
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布;
判别模型D是一个二分类器,用于估计样本来自训练数据的概率;
所述训练数据指非生成数据;
所述分布包括:高斯分布、随机分布以及均匀分布。
优选地,所述斑块识别步骤:
根据配对输入的颈动脉斑块图像,通过最终训练后的模型生成跨模态生成的MRA斑块影像,以斑块MRA检查所示斑块内成分作为斑块特征标签,对跨模态生成的MRA斑块影像进行斑块组成成分分类预测。
根据本发明提供地一种CTA到MRA跨模态预测的颈动脉斑块识别系统,包括以下模块:
数据收集模块:收集配对的颈动脉CTA和MRA图像数据;
斑块分割及模型训练模块:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;
模型增强训练模块:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;
斑块识别模块:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。
优选地,所述斑块分割及模型训练模块包括:
图像分割模块、模型训练模块;
所述图像分割模块:
进行级联颈动脉管腔、斑块一体化分割算法设计,包括:
对于整个头颈部CTA扫描图像,使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;
在颈动脉斑块分割方面,采用生成式对抗网络进行数据扩增来提高分割精度的方法;
在斑块成分检测方面,利用跨模态融合预测方法提升斑块图像质量;
所述斑块分割模块中采用3D U-Net进行三维图像分割;
所述模型训练模块:
首先将CTA和MRA影像进行配准,之后根据分割获得的CTA和MRA的斑块区域图像,对斑块区域使用pix2pix或者cycle-GAN网络构建CTA跨模态生成MRA模型,获得初步训练后的模型。
优选地,所述模型增强训练模块:
设计生成式对抗网络GAN进行CTA和MRA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大,通过生成式对抗网络GAN算法提高小样本分割正确率,同时获得的初步训练后的模型,进行颈动脉斑块CTA到MRA跨模态融合预测,挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测,获得最终训练后的模型。
优选地,所述生成式对抗网络GAN的网络结构包括:
生成模型G和判别模型D;
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布;
判别模型D是一个二分类器,用于估计样本来自训练数据的概率;
所述训练数据指非生成数据;
所述分布包括:高斯分布、随机分布以及均匀分布。
优选地,所述斑块识别模块:
根据配对输入的颈动脉斑块图像,通过最终训练后的模型生成跨模态生成的MRA斑块影像,以斑块MRA检查所示斑块内成分作为斑块特征标签,对跨模态生成的MRA斑块影像进行斑块组成成分分类预测。
与现有技术相比,本发明具有如下的有益效果:
本发明设计完整、新颖的算法流程,使用改进的深度学习Multiplan-net算法对CTA图像上的颈动脉管腔、斑块进行自动分割,在此基础上设计优化的对抗生成网络进行CTA数据扩增,从而进一步提高分割精度。
本发明使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率。
本发明建立cycle-GAN的CTA-斑块MRI跨模态预测流程,有效的挖掘多模态结构信息,提高斑块成分分析的正确率。
本发明通过对抗生成网络(GAN)算法提高小样本分割正确率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的颈动脉及斑块级联分割算法流程图;
图2为本发明的3D-Unet网络架构图;
图3为本发明的数据扩增流程图;
图4为本发明的PIX2PIX网络图;
图5为本发明的CTA跨模态预测MRI流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种CTA到MRA跨模态预测的颈动脉斑块识别方法,包括以下步骤:
数据收集步骤:收集配对的颈动脉CTA和MRA图像数据;
斑块分割及模型训练步骤:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;
模型增强训练步骤:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;
斑块识别步骤:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。
优选地,所述斑块分割及模型训练步骤包括:
图像分割步骤、模型训练步骤;
所述图像分割步骤:
进行级联颈动脉管腔、斑块一体化分割算法设计,包括:
对于整个头颈部CTA扫描图像,使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;
在颈动脉斑块分割方面,采用生成式对抗网络进行数据扩增来提高分割精度的方法;
在斑块成分检测方面,利用跨模态融合预测方法提升斑块图像质量;
所述斑块分割步骤中采用3D U-Net进行三维图像分割;
所述模型训练步骤:
首先将CTA和MRA影像进行配准,之后根据分割获得的CTA和MRA的斑块区域图像,对斑块区域使用pix2pix或者cycle-GAN网络构建CTA跨模态生成MRA模型,获得初步训练后的模型。
优选地,所述模型增强训练步骤:
设计生成式对抗网络GAN进行CTA和MRA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大,通过生成式对抗网络GAN算法提高小样本分割正确率,同时获得的初步训练后的模型,进行颈动脉斑块CTA到MRA跨模态融合预测,挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测,获得最终训练后的模型。
优选地,所述生成式对抗网络GAN的网络结构包括:
生成模型G和判别模型D;
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布;
判别模型D是一个二分类器,用于估计样本来自训练数据的概率;
所述训练数据指非生成数据;
所述分布包括:高斯分布、随机分布以及均匀分布。
优选地,所述斑块识别步骤:
根据配对输入的颈动脉斑块图像,通过最终训练后的模型生成跨模态生成的MRA斑块影像,以斑块MRA检查所示斑块内成分作为斑块特征标签,对跨模态生成的MRA斑块影像进行斑块组成成分分类预测。
本发明提供的CTA到MRA跨模态预测的颈动脉斑块识别系统,可以通过本发明给的CTA到MRA跨模态预测的颈动脉斑块识别方法的步骤流程实现。本领域技术人员可以将所述CTA到MRA跨模态预测的颈动脉斑块识别方法,理解为所述CTA到MRA跨模态预测的颈动脉斑块识别系统的一个优选例。
根据本发明提供地一种CTA到MRA跨模态预测的颈动脉斑块识别系统,包括以下模块:
数据收集模块:收集配对的颈动脉CTA和MRA图像数据;
斑块分割及模型训练模块:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;
模型增强训练模块:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;
斑块识别模块:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。
优选地,所述斑块分割及模型训练模块包括:
图像分割模块、模型训练模块;
所述图像分割模块:
进行级联颈动脉管腔、斑块一体化分割算法设计,包括:
对于整个头颈部CTA扫描图像,使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;
在颈动脉斑块分割方面,采用生成式对抗网络进行数据扩增来提高分割精度的方法;
在斑块成分检测方面,利用跨模态融合预测方法提升斑块图像质量;
所述斑块分割模块中采用3D U-Net进行三维图像分割;
所述模型训练模块:
首先将CTA和MRA影像进行配准,之后根据分割获得的CTA和MRA的斑块区域图像,对斑块区域使用pix2pix或者cycle-GAN网络构建CTA跨模态生成MRA模型,获得初步训练后的模型。
优选地,所述模型增强训练模块:
设计生成式对抗网络GAN进行CTA和MRA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大,通过生成式对抗网络GAN算法提高小样本分割正确率,同时获得的初步训练后的模型,进行颈动脉斑块CTA到MRA跨模态融合预测,挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测,获得最终训练后的模型。
优选地,所述生成式对抗网络GAN的网络结构包括:
生成模型G和判别模型D;
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布;
判别模型D是一个二分类器,用于估计样本来自训练数据的概率;
所述训练数据指非生成数据;
所述分布包括:高斯分布、随机分布以及均匀分布。
优选地,所述斑块识别模块:
根据配对输入的颈动脉斑块图像,通过最终训练后的模型生成跨模态生成的MRA斑块影像,以斑块MRA检查所示斑块内成分作为斑块特征标签,对跨模态生成的MRA斑块影像进行斑块组成成分分类预测。
下面通过优选例,对本发明进行更为具体地说明。
优选例1:
本发明提供了一种改进的非配对数据下CTA图像跨模态预测MRA图像算法,克服了CTA影像下颈动脉斑块软组织区域对比度不高的问题。
本发明的一个目的在于提供一种将CTA图像生成MRA图像的图像处理算法。
本发明的CTA图像生成MRI图像的图像重建方法,包括以下步骤:
构建3DU-Net网络;构建pix2pix网络;构建Mutiplan-Une网络;
根据所述的3DU-Net网络、Mutiplan-Une网络对输入的颈动脉斑块图像进行分割,通过pix2pix网络对图像进行融合。设计生成式对抗网络进行CTA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大。其中通过对抗生成网络(GAN)算法可以提高小样本分割正确率,同时建立cycle-GAN的CTA-斑块MRI跨模态预测流程(流程就是通过配对的CTA和MRA图像,通过Pix2pix或者cycle-GAN网络就可以实现图像的跨模态预测),可以有效的挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测。
其中3D U-Ne网络包括三次下采样操作,很大程度上解决了3D图像一个个薄片送入模型将进行训练的尴尬局面,也大幅度的提升训练效率,并且保留了FCN和U-Net本来具备的优秀特征。
构建Pix2Pix的损失函数:生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,判别模型D是一个二分类器,用于估计样本来自训练数据(非生成数据)的概率。
本发明的优点:本发明设计完整、新颖的算法流程,使用改进的深度学习Multiplan-net算法对CTA图像上的颈动脉管腔、斑块进行自动分割,在此基础上设计优化的对抗生成网络进行CTA数据扩增,从而进一步提高分割精度。对分割出的颈动脉斑块进行磁共振成像(MRI)跨模态融合预测,提取融合后的斑块特征进行斑块成分分类。与卷积神经网络等传统经典的方法相比较,其优势主要体现在:(1)使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;(2)建立cycle-GAN的CTA-斑块MRI跨模态预测流程,有效的挖掘多模态结构信息,提高斑块成分分析的正确率;(3)通过对抗生成网络(GAN)算法提高小样本分割正确率。
优选例2:
本发明对CTA图像上的颈动脉管腔、斑块进行自动分割,在此基础上设计优化的对抗生成网络进行CTA数据扩增,通过对分割出的颈动脉斑块进行磁共振成像(MRI)跨模态融合预测,提取融合后的斑块特征进行斑块成分分类。本发明的整体技术包括:“coarse-to-fine的分割流程”、“CTA颈动脉数据生成扩增”和“CTA跨模态预测MRI”三部分。
本发明提出一种改进的非配对数据下CTA图像跨模态预测MRA图像算法,步骤如下:
构建3DU-Net网络;构建pix2pix网络;构建Mutiplan-Une网络;
根据所述的3DU-Net网络、Mutiplan-Une网络对输入的颈动脉斑块图像进行分割,通过pix2pix网络对图像进行融合。设计生成式对抗网络进行CTA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大。其中通过对抗生成网络(GAN)算法可以提高小样本分割正确率,同时建立cycle-GAN的CTA-斑块MRI跨模态预测流程,可以有效的挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测。
其中3D U-Ne网络包括三次下采样操作,很大程度上解决了3D图像一个个薄片送入模型将进行训练的尴尬局面,也大幅度的提升训练效率,并且保留了FCN和U-Net本来具备的优秀特征。
构建Pix2Pix的损失函数:
LcGAN(G,D)=Ex,y[logD(x,y)]+Ey,z[log(1-D(x,G(x,z))] (1)
公式(1)中G,D分别为生成模型和判别模型,Z为噪声,x,y分别问输入以及输出图像。D(x,y)表示鉴别器认为x是真实样本的概率。1-D(x,G(x,z))是鉴别器认为合成样本为假的概率。
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布(例如高斯分布,随机分布,均匀分布等);判别模型D是一个二分类器,用于估计样本来自训练数据(非生成数据)的概率。
为使本发明目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明实的技术方案进行清楚、完整地描述,包括以下步骤:
(1)如图1所示,本发明的语义分割整体流程主要有五步,对于待分割的CTA图像,首先使用3Dunet、Mutiplan-Unet等网络从中分割出颈动脉部分,进而使用包含3DUnet在内的不同分割网络从颈动脉斑块中再分割出斑块组织,相较于直接从CTA影像中分割斑块,这种策略可以提高分割准确率。
(2)如图2所示为本发明的3D-Unet神经网络架构图。U-Net网络的输入是一张边缘经过镜像操作的图片,网络的压缩路径是由卷积和Max Pooling构成的一系列降采样操作。压缩路径由4个block组成,每个block使用了3个有效卷积和1个Max Pooling降采样,每次降采样之后Feature Map的个数乘2。网络的扩展路径同样由4个block组成,是通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸的Feature Map进行归一化,扩展路径的卷积操作依旧使用的是有效卷积操作,最终得到的Feature Map的尺寸。
3D U-Net是对U-Net进行了简单的扩展,即用3D卷积操作替换了2D的,应用于三维图像分割。相比于U-net,该网络仅用了三次下采样操作。它很大程度上解决了3D图像一个个薄片送入模型将进行训练的尴尬局面,也大幅度的提升训练效率,并且保留了FCN和U-Net本来具备的优秀特征。使用基于二进制的损失进行运行时,标签数据必须是4D,即每个通道一个目标二进制掩码。对于三维二进制数据,则只需更改ToTensor对要包含expand_dims:true的标签进行转换即可。并且final_sigmoid=True必须存在于model中,因为每个输出通道都会给出前景的概率。当使用基于交叉熵的损失进行训练时设置final_sigmoid=False以至于Softmax规范化应用于输出。
(3)如图3所示为数据扩增流程图。目前医学影像非常珍贵,通常难以获得大量医学图像样本,而且所有样本都需要专业医生进行标注,费时费力。而小样本的训练数据往往会对深度学习的性能产生负面影响,因此在有限的数据集下进行数据扩增十分重要。本发明做了预研实验,如果不对斑块样本进行扩增,3D-unet网络分割的DICE系数平均在0.4左右。
传统的数据扩增方式包括图像平移、旋转、翻转、抖动、缩放、裁剪等,但这些方法并没有改变数据分布,扩增的数据对语义分割的性能提升较为有限,因此本发明采用生成对抗网络pix2pix对CTA数据进行生成扩增,流程如图3所示。通过将含斑块的左右血管输入pix2pix生成对抗网络,通过网络中生成器和辨别器的相互作用,最终生成全新的CTA图像。通过扩增的数据,不同扩增数量下,3D-unet网络分割的DICE系数平均在0.53-0.75左右,可以获得斑块识别性能的显著提升。
(4)如图4所示本发明的PIX2PIX网络图。Pix2Pix框架基于GAN,首先定义输入输出。普通的GAN接收的G部分的输入是随机向量,输出是图像;D部分接收的输入是图像(生成的或是真实的),输出是对或者错。G输入一张图x,同时输出图y。使得G和D同时输出真实的图像。对D输入进行改变,不仅要生成真实图像,还要保证生成的图像和输入图像的匹配,导致D的输入变成了一个损失函数。
Pix2Pix中的D被实现为Patch-D,Patch是将生成的图像切分为多个固定大小的Patch输入进D去判断,使得D的输入变小,计算量小,训练速度快。因为G本身是全卷积的,对图像尺度没有限制。而D如果是按照Patch去处理图像,也对图像大小没有限制,使得整个Pix2Pix框架对图像大小没有限制,增大框架扩展性。
(5)如图5所示本发明的CTA跨模态预测MRI流程图。CTA的优势是方便、快速;MRI的优势是清晰度高,对软组织显成像好,在分析颈动脉粥样硬化斑块的组成成分方面更具有优势,但其价格昂贵且耗时长。在医院的颈动脉斑块诊断中通常会先进行CTA检测,再视情况进行MRI检测,而这一过程中诸如脑梗溶栓等病症就可能因为耽误窗口期而恶化。
通过CTA斑块影像跨模态生成MRI斑块影像,对于医生诊断以及斑块性质检测都有重大的价值。首先将CTA和MRI影像进行配准,可以使用卷积神经网络、生成对抗网络等多种方式进行,之后根据前述得到的CTA斑块分割结果,对斑块区域使用pix2pix网络构建CTA跨模态生成MRI模型。以斑块MRI检查所示斑块内成分作为斑块特征标签,对跨模态生成的的MRI斑块影像进行斑块组成成分分类预测。
综上所述,本发明公开了一种基于CTA到MRA跨模态预测的颈动脉斑块识别算法,使用改进的深度学习Multiplan-net算法对CTA图像上的颈动脉管腔、斑块进行自动分割,在此基础上设计优化的对抗生成网络进行CTA数据扩增,从而进一步提高分割精度。对分割出的颈动脉斑块进行磁共振成像(MRI)跨模态融合预测,提取融合后的斑块特征进行斑块成分分类。基于此开发出针对颈动脉粥样硬化斑块的云平台自动分析系统,并最终在临床病例中进行前瞻性验证。
最后需要注意的是,公布实施方式的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,包括以下步骤:
数据收集步骤:收集配对的颈动脉CTA和MRA图像数据;
斑块分割及模型训练步骤:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;
模型增强训练步骤:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;
斑块识别步骤:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。
2.根据权利要求1所述的基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述斑块分割及模型训练步骤包括:
图像分割步骤、模型训练步骤;
所述图像分割步骤:
进行级联颈动脉管腔、斑块一体化分割算法设计,包括:
对于整个头颈部CTA扫描图像,使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;
在颈动脉斑块分割方面,采用基于生成式对抗网络进行数据扩增来提高分割精度的方法;
在斑块成分检测方面,利用跨模态融合预测方法提升斑块图像质量;
所述斑块分割步骤中采用3D U-Net进行三维图像分割;
所述模型训练步骤:
首先将CTA和MRA影像进行配准,之后根据分割获得的CTA和MRA的斑块区域图像,对斑块区域使用pix2pix或者cycle-GAN网络构建CTA跨模态生成MRA模型,获得初步训练后的模型。
3.根据权利要求1所述的基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述模型增强训练步骤:
设计生成式对抗网络GAN进行CTA和MRA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大,通过生成式对抗网络GAN算法提高小样本分割正确率,同时基于获得的初步训练后的模型,进行颈动脉斑块CTA到MRA跨模态融合预测,挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测,获得最终训练后的模型。
4.根据权利要求1所述的基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述生成式对抗网络GAN的网络结构包括:
生成模型G和判别模型D;
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布;
判别模型D是一个二分类器,用于估计样本来自训练数据的概率;
所述训练数据指非生成数据;
所述分布包括:高斯分布、随机分布以及均匀分布。
5.根据权利要求1所述的基于CTA到MRA跨模态预测的颈动脉斑块识别方法,其特征在于,所述斑块识别步骤:
根据配对输入的颈动脉斑块图像,通过最终训练后的模型生成跨模态生成的MRA斑块影像,以斑块MRA检查所示斑块内成分作为斑块特征标签,对跨模态生成的MRA斑块影像进行斑块组成成分分类预测。
6.一种基于CTA到MRA跨模态预测的颈动脉斑块识别系统,其特征在于,包括以下模块:
数据收集模块:收集配对的颈动脉CTA和MRA图像数据;
斑块分割及模型训练模块:先进行CTA和MRA颈动脉管腔的定位,然后进行颈动脉斑块的分割,获得CTA和MRA的斑块区域图像,将CTA和MRA的斑块区域图像送到pix2pix或者cycle-GAN网络进行训练,获得初步训练后的模型;
模型增强训练模块:设计生成式对抗网络GAN进行CTA和MRA数据扩增,对初步训练后的模型进一步训练,获得最终训练后的模型;
斑块识别模块:根据配对输入的颈动脉斑块图像,通过获得的最终训练后的模型对新的CTA图像进行跨模态融合预测。
7.根据权利要求6所述的基于CTA到MRA跨模态预测的颈动脉斑块识别系统,其特征在于,所述斑块分割及模型训练模块包括:
图像分割模块、模型训练模块;
所述图像分割模块:
进行级联颈动脉管腔、斑块一体化分割算法设计,包括:
对于整个头颈部CTA扫描图像,使用语义分割算法先对管腔区域进行分割,以颈动脉管腔区域作为感兴趣区域再对斑块进行分割,提高颈动脉斑块区域识别正确率;
在颈动脉斑块分割方面,采用基于生成式对抗网络进行数据扩增来提高分割精度的方法;
在斑块成分检测方面,利用跨模态融合预测方法提升斑块图像质量;
所述斑块分割模块中采用3D U-Net进行三维图像分割;
所述模型训练模块:
首先将CTA和MRA影像进行配准,之后根据分割获得的CTA和MRA的斑块区域图像,对斑块区域使用pix2pix或者cycle-GAN网络构建CTA跨模态生成MRA模型,获得初步训练后的模型。
8.根据权利要求6所述的基于CTA到MRA跨模态预测的颈动脉斑块识别系统,其特征在于,所述模型增强训练模块:
设计生成式对抗网络GAN进行CTA和MRA数据扩增,通过生成大量的近似分布样本使数据特征分布空间更大,通过生成式对抗网络GAN算法提高小样本分割正确率,同时基于获得的初步训练后的模型,进行颈动脉斑块CTA到MRA跨模态融合预测,挖掘多模态结构信息,进一步提高斑块成分分析的正确率,最后使用分类网络进行斑块成分分类及斑块性质稳定性预测,获得最终训练后的模型。
9.根据权利要求6所述的基于CTA到MRA跨模态预测的颈动脉斑块识别系统,其特征在于,所述生成式对抗网络GAN的网络结构包括:
生成模型G和判别模型D;
生成模型G捕获样本数据分布并生成类似于真实训练数据的样本,其中噪声Z服从某个分布;
判别模型D是一个二分类器,用于估计样本来自训练数据的概率;
所述训练数据指非生成数据;
所述分布包括:高斯分布、随机分布以及均匀分布。
10.根据权利要求6所述的基于CTA到MRA跨模态预测的颈动脉斑块识别系统,其特征在于,所述斑块识别模块:
根据配对输入的颈动脉斑块图像,通过最终训练后的模型生成跨模态生成的MRA斑块影像,以斑块MRA检查所示斑块内成分作为斑块特征标签,对跨模态生成的MRA斑块影像进行斑块组成成分分类预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523637.4A CN111667478B (zh) | 2020-06-10 | 2020-06-10 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523637.4A CN111667478B (zh) | 2020-06-10 | 2020-06-10 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667478A CN111667478A (zh) | 2020-09-15 |
CN111667478B true CN111667478B (zh) | 2023-04-07 |
Family
ID=72386293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010523637.4A Active CN111667478B (zh) | 2020-06-10 | 2020-06-10 | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667478B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112908484A (zh) * | 2021-01-18 | 2021-06-04 | 吾征智能技术(北京)有限公司 | 一种跨模态融合分析疾病的系统、设备、存储介质 |
CN112862781A (zh) * | 2021-02-05 | 2021-05-28 | 上海市第六人民医院 | 一种cta斑块成分自动分析方法 |
CN113744223A (zh) * | 2021-08-26 | 2021-12-03 | 联影智能医疗科技(北京)有限公司 | 血管的风险评估方法、计算机设备和存储介质 |
CN114092704B (zh) * | 2021-10-22 | 2022-10-21 | 北京大数据先进技术研究院 | 基于近邻传播的实例匹配方法、装置、设备及存储介质 |
CN114628036B (zh) * | 2022-05-17 | 2022-08-02 | 中南大学湘雅医院 | 基于神经网络的脑缺血风险预估平台 |
CN115713626B (zh) * | 2022-11-21 | 2023-07-18 | 山东省人工智能研究院 | 一种基于深度学习的3d冠脉cta斑块识别方法 |
CN116030326B (zh) * | 2023-01-18 | 2023-09-08 | 山东省人工智能研究院 | 一种多视角融合的冠脉斑块识别方法 |
CN117115187B (zh) * | 2023-10-24 | 2024-02-09 | 北京联影智能影像技术研究院 | 颈动脉壁分割方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
WO2020019738A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
-
2020
- 2020-06-10 CN CN202010523637.4A patent/CN111667478B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932720A (zh) * | 2018-07-24 | 2018-12-04 | 深圳先进技术研究院 | 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法 |
WO2020019738A1 (zh) * | 2018-07-24 | 2020-01-30 | 深圳先进技术研究院 | 磁共振血管壁成像的斑块处理方法、装置和计算设备 |
Non-Patent Citations (2)
Title |
---|
基于深度学习的计算机体层摄影血管造影颈动脉斑块分割初步研究;吴秋雯等;《上海医学》;20200525(第05期);全文 * |
血清基质金属蛋白酶9及其基因C1562T多态性与脑梗死患者颈动脉易损斑块的相关性研究;杨美兰等;《血栓与止血学》;20180620(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111667478A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667478B (zh) | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 | |
Farhat et al. | Deep learning applications in pulmonary medical imaging: recent updates and insights on COVID-19 | |
Jain et al. | Localization of common carotid artery transverse section in B-mode ultrasound images using faster RCNN: a deep learning approach | |
JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
CN113935976A (zh) | 一种增强ct图像的脏器内血管自动分割方法及系统 | |
CN116503607A (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
Kong et al. | Data enhancement based on M2-Unet for liver segmentation in Computed Tomography | |
Wang et al. | Deep learning based fetal middle cerebral artery segmentation in large-scale ultrasound images | |
Ilesanmi et al. | Organ segmentation from computed tomography images using the 3D convolutional neural network: a systematic review | |
Zhang et al. | Pathological airway segmentation with cascaded neural networks for bronchoscopic navigation | |
Su et al. | CAVE: Cerebral artery–vein segmentation in digital subtraction angiography | |
Tashk et al. | Automatic segmentation of colorectal polyps based on a novel and innovative convolutional neural network approach | |
Fu et al. | Robust vascular segmentation for raw complex images of laser speckle contrast based on weakly supervised learning | |
Affane et al. | Robust deep 3-d architectures based on vascular patterns for liver vessel segmentation | |
Huang et al. | POST-IVUS: A perceptual organisation-aware selective transformer framework for intravascular ultrasound segmentation | |
Abdalbagi et al. | Bata-unet: Deep learning model for liver segmentation | |
Xu et al. | Study on the segmentation method of multi-phase CT liver tumor based on dual channel U-Nets | |
Miao et al. | Spinal neoplasm image inpainting with deep convolutional neutral networks | |
Pnev et al. | Modified U-net with Different Attention Mechanisms for Acute Ischemic Stroke Segmentation using Non-Contrast CT | |
JP2014161388A (ja) | 画像処理装置、画像処理方法、画像処理装置の制御プログラム、記録媒体 | |
Cui et al. | N-Net: Lesion region segmentations using the generalized hybrid dilated convolutions for polyps in colonoscopy images | |
Gong et al. | A 3D fully convolutional network based semantic segmentation for ear computed tomography images | |
Zhang et al. | Nvnet: An enhanced attention network for segmenting neck vascular from ultrasound images |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210301 Address after: 200131 building C, No. 888, Huanhu West 2nd Road, Lingang New District, Pudong New Area pilot Free Trade Zone, Shanghai Applicant after: Fuying (Shanghai) Medical Technology Co.,Ltd. Address before: 200040 No. 12 middle Urumqi Road, Shanghai, Jingan District Applicant before: HUASHAN HOSPITAL, FUDAN University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |