CN112001315B - 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 - Google Patents
基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 Download PDFInfo
- Publication number
- CN112001315B CN112001315B CN202010861489.7A CN202010861489A CN112001315B CN 112001315 B CN112001315 B CN 112001315B CN 202010861489 A CN202010861489 A CN 202010861489A CN 112001315 B CN112001315 B CN 112001315B
- Authority
- CN
- China
- Prior art keywords
- cell
- training
- bone marrow
- learning
- algorithm
- 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
- 210000002798 bone marrow cell Anatomy 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013508 migration Methods 0.000 title claims abstract description 8
- 230000005012 migration Effects 0.000 title claims abstract description 8
- 210000004027 cell Anatomy 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000013526 transfer learning Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 8
- 210000001185 bone marrow Anatomy 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005859 cell recognition Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 206010025323 Lymphomas Diseases 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 208000032839 leukemia Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000000601 blood cell Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000684 flow cytometry Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000386 microscopy Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000005259 peripheral blood Anatomy 0.000 description 2
- 239000011886 peripheral blood Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010017533 Fungal infection Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 208000034578 Multiple myelomas Diseases 0.000 description 1
- 208000031888 Mycoses Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010033661 Pancytopenia Diseases 0.000 description 1
- 208000030852 Parasitic disease Diseases 0.000 description 1
- 206010035226 Plasma cell myeloma Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000024245 cell differentiation Effects 0.000 description 1
- 230000002559 cytogenic effect Effects 0.000 description 1
- 208000024389 cytopenia Diseases 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014951 hematologic disease Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V2201/05—Recognition of patterns representing particular kinds of hidden objects, e.g. weapons, explosives, drugs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Processing (AREA)
Abstract
基于迁移学习和图像纹理特征的骨髓细胞分类识别方法，包括以下步骤：获取训练样本图片；细胞图像纹理特征提取并划分大类；迁移学习，对第一大类中的图片数量最多的细胞种类进行机器学习算法训练，建立模型，在这个模型训练完成后，再对第一大类中的图片数量第二的细胞种类进行机器学习；再进行该细胞大类中图片数量第三的细胞种类的学习，直到该细胞大类中全部种类的细胞都训练结束，再进行下一个大类的细胞识别训练；算法效果判定。本发明克服了现有技术的不足，只需要传统机器学习算法十分之一的数据量即可完成训练；同时结合传统的纹理图像特征提高机器学习算法的稳定性，从而可以较好的解决骨髓细胞的识别分类问题。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及基于迁移学习和图像纹理特征的骨髓细胞分类识别方法。
背景技术
骨髓细胞形态学镜检是包括血液病在内的多种疾病诊断和鉴别诊断的重要基础技术，包括各种类型白血病、淋巴瘤、多发性骨髓瘤、贫血和实体瘤骨髓转移等各种原因引起的全血细胞减少、寄生虫和真菌感染等，是血液疾病目前推崇的形态学、免疫学、细胞遗传学和分子生物学（MICM）综合诊断的首要检查手段。世界卫生组织发布的《骨髓恶性肿瘤诊断指南》中规定：在血液诊断时需进行必要的精确详细的骨髓镜检。
正常骨髓在所有发育阶段都有细胞分化，从最早的前体干细胞到功能成熟细胞，这些细胞的形态学特征具有一定的特点，可以通过涂片、染色在显微镜下进行识别和分类。传统的骨髓检查指有专业经验的医学技术人员对骨髓涂片的细胞形态学显微镜检查，包括有核细胞数量检验和细胞形态观察。
目前采用的数字化外周血涂片进行基于图像的自动化血细胞分类方法，以及使用流式细胞术进行细胞计数和分类的血细胞自动定量系统，但这些系统只能适用于外周血标准化涂片，能够识别细胞种类很少，并不适用于骨髓涂片标本。江苏省捷达科技发展有限公司研发的JD-801系列骨髓细胞图像报告系统具有数码图像采集、显示、处理（图像分割、编辑等）、组织细胞结构参数计量分析的功能，然而该系统均需借助细胞计数器，在显微镜下由人工进行细胞识别计数，其功能主要为图文报告系统，并不能真正用于骨髓细胞的自动识别分类。而基于流式细胞术进行细胞计数和分类的系统，无法采用抗体或其他化学试剂对近五十种骨髓细胞同时识别分类。近年来随着图像识别领域人工智能方法的快速发展，一些公司尝试将先进的机器学习算法应用于骨髓细胞识别分类。但由于骨髓细胞的种类多样，有近五十种，完成全部种类细胞形态的机器学习需要极大量的图片数据资源，算法训练的效率低；同时某些种类细胞的形态相似性高，算法区分难度大，因此传统的人工智能方法在进行骨髓细胞分类识别的实际效果并不理想。
发明内容
针对现有技术的不足，本发明提供了基于迁移学习和图像纹理特征的骨髓细胞分类识别方法，该方法所需的训练样本数据量少，只需要传统机器学习算法十分之一的数据量即可完成训练；同时结合传统的纹理图像特征提高机器学习算法的稳定性，从而可以较好的解决骨髓细胞的识别分类问题。
为实现以上目的，本发明通过以下技术方案予以实现：
基于迁移学习和图像纹理特征的骨髓细胞分类识别方法，包括以下步骤：
步骤1）获取训练样本图片，建立样本库，由显微镜配置摄像头自动高速采集图片；对采集得到的图像，选定有核细胞图像区域进行细胞框选、切割，确保正常完整的细胞被框选出来；
步骤2）细胞图像纹理特征提取并划分大类，采用灰度共生矩阵方法对骨髓细胞图片进行图像纹理特征提取，并根据得到的图像纹理特征的细胞进行分类，得到细胞大类；
步骤3） 迁移学习，对第一大类中的图片数量最多的细胞种类进行机器学习算法训练，建立模型，在这个模型训练完成后，采用迁移学习方法对第一大类中的图片数量第二的细胞种类进行机器学习；当图片数量第二的细胞种类训练完成后，再进行该细胞大类中图片数量第三的细胞种类的学习，直到该细胞大类中全部种类的细胞都训练结束，再进行下一个大类的细胞识别训练；
步骤4） 算法效果判定，当全部种类的训练完成后，再使用测试样本数据对上述迁移学习和图像纹理特征相结合的算法进行测试，衡量算法训练效果；对于算法误差较大的细胞种类，增加新的涂片补充该种类的图片训练数据量，再次进行机器学习训练，直到全部种类的骨髓细胞识别率达到既定要求后，机器学习训练结束。
优选地，在步骤1）中，建立样本库时，选择大致正常骨髓标本500-1000例，每个标本至少采集500个，细胞异常白血病淋巴瘤标本至少50例涂片作为研究的样本，使得各类入库细胞合计总数在5000个以上。
本发明提供了基于迁移学习和图像纹理特征的骨髓细胞分类识别方法。具备以下有益效果：
1、降低对图片训练数据量的要求，只有传统机器学习方法数量量的十分之一；
2、训练算法的计算效率高，可在较短时间内完成骨髓细胞的近五十个种类的识别训练；
3、算法的稳定性好，算法结果的识别准确率高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明总的流程示意图；
图2为本发明中迁移学习的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
如图1-2所示，本发明公开了一种基于迁移学习和图像纹理特征的骨髓细胞分类识别方法，包括以下步骤：
步骤1） 获取训练样本图片，建立样本库，在本步骤中，初次样本建库选择大致正常骨髓标本500-1000例，每个标本至少采集500个，细胞异常白血病淋巴瘤标本至少50例涂片作为研究的样本，使得各类入库细胞合计总数在5000个以上，并观察确定视野范围，选定涂片上的最佳图像分析区域。再由显微镜配置摄像头自动高速采集图片；对采集得到的图像，选定有核细胞图像区域进行细胞框选、切割，确保正常完整的细胞被框选出来，再对框选出的骨髓细胞进行分类并计数，每个标本计数500-1000个有核细胞。
步骤2）细胞图像纹理特征提取并划分大类，采用灰度共生矩阵方法对骨髓细胞图片进行图像纹理特征提取，并根据得到的图像纹理特征的细胞进行分类，得到细胞大类；
步骤3） 迁移学习，对第一大类中的图片数量最多的细胞种类进行机器学习算法训练，建立模型，在这个模型训练完成后，采用迁移学习方法对第一大类中的图片数量第二的细胞种类进行机器学习；当图片数量第二的细胞种类训练完成后，再进行该细胞大类中图片数量第三的细胞种类的学习，直到该细胞大类中全部种类的细胞都训练结束，再进行下一个大类的细胞识别训练；由于迁移学习可以前一个任务模型进行微调后用于新的任务学习中，因此可以提高训练学习的效率。通过迁移学习可以在一个模型训练完成后，将这个训练好的模型迁移应用到一个新的任务中，并在迁移过程中对目标数据输入输出对上选择性地进行微调，以便适应新的目标任务，从而简化训练过程，缩小训练过程中对样本数据量的要求。
步骤4） 算法效果判定，当全部种类的训练完成后，再使用测试样本数据对上述迁移学习和图像纹理特征相结合的算法进行测试，衡量算法训练效果；对于算法误差较大的细胞种类，增加新的涂片补充该种类的图片训练数据量，再次进行机器学习训练，直到全部种类的骨髓细胞识别率达到既定要求后，机器学习训练结束。
根据上述骨髓细胞分类识别方法进行骨髓细胞分类识别。该方法所需的训练样本数据量少，只需要传统机器学习算法十分之一的数据量即可完成训练；同时结合传统的纹理图像特征提高机器学习算法的稳定性，从而可以较好的解决骨髓细胞的识别分类问题。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.基于迁移学习和图像纹理特征的骨髓细胞分类识别方法，其特征在于，包括以下步骤：
步骤1）获取训练样本图片，建立样本库，由显微镜配置摄像头自动高速采集图片；对采集得到的图像，选定有核细胞图像区域进行细胞框选、切割，确保正常完整的细胞被框选出来；
步骤2）细胞图像纹理特征提取并划分大类，采用灰度共生矩阵方法对骨髓细胞图片进行图像纹理特征提取，并根据得到的图像纹理特征对细胞进行分类，得到细胞大类；
步骤3） 迁移学习，对第一大类中的图片数量最多的细胞种类进行机器学习算法训练，建立模型，在这个模型训练完成后，采用迁移学习方法对第一大类中的图片数量第二多的细胞种类进行机器学习；当图片数量第二的细胞种类训练完成后，再进行该细胞大类中图片数量第三多的细胞种类的学习，直到该细胞大类中全部种类的细胞都训练结束，再进行下一个大类的细胞识别训练；
步骤4） 算法效果判定，当全部种类的训练完成后，再使用测试样本数据对上述迁移学习和图像纹理特征相结合的算法进行测试，衡量算法训练效果；对于算法误差较大的细胞种类，增加新的涂片补充该种类的图片训练数据量，再次进行机器学习训练，直到全部种类的骨髓细胞识别率达到既定要求后，机器学习训练结束。
2.根据权利要求1所述的基于迁移学习和图像纹理特征的骨髓细胞分类识别方法，其特征在于：在步骤1）中，建立样本库时，选择正常骨髓标本500-1000例，每个标本至少采集500个，细胞异常标本至少50例涂片作为研究的样本，使得各类入库细胞合计总数在5000个以上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010861489.7A CN112001315B (zh) | 2020-08-25 | 2020-08-25 | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010861489.7A CN112001315B (zh) | 2020-08-25 | 2020-08-25 | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001315A CN112001315A (zh) | 2020-11-27 |
| CN112001315B true CN112001315B (zh) | 2024-01-19 |
Family
ID=73470676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010861489.7A Active CN112001315B (zh) | 2020-08-25 | 2020-08-25 | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001315B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113177927B (zh) * | 2021-05-17 | 2022-12-09 | 西安交通大学 | 基于多特征和多分类器的骨髓细胞分类识别方法及系统 |
| CN113408480B (zh) * | 2021-07-13 | 2022-09-30 | 上海交通大学医学院附属瑞金医院 | 基于骨髓细胞形态学的血液疾病人工智能辅助诊断系统 |
| CN114018789A (zh) * | 2021-10-08 | 2022-02-08 | 武汉大学 | 基于成像流式细胞检测和机器学习的急性白血病分型方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564066A (zh) * | 2018-04-28 | 2018-09-21 | 国信优易数据有限公司 | 一种人物识别模型训练方法以及人物识别方法 |
| CN108647702A (zh) * | 2018-04-13 | 2018-10-12 | 湖南大学 | 一种基于迁移学习的大规模食材图像分类方法 |
| CN111310568A (zh) * | 2020-01-16 | 2020-06-19 | 武汉大学 | 基于计算机视觉的多发性骨髓瘤骨髓象识别设备 |
-
2020
- 2020-08-25 CN CN202010861489.7A patent/CN112001315B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647702A (zh) * | 2018-04-13 | 2018-10-12 | 湖南大学 | 一种基于迁移学习的大规模食材图像分类方法 |
| CN108564066A (zh) * | 2018-04-28 | 2018-09-21 | 国信优易数据有限公司 | 一种人物识别模型训练方法以及人物识别方法 |
| CN111310568A (zh) * | 2020-01-16 | 2020-06-19 | 武汉大学 | 基于计算机视觉的多发性骨髓瘤骨髓象识别设备 |
Non-Patent Citations (3)
| Title |
|---|
| "全自动血涂片细胞形态智能识别分析技术研究";于腾;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20200715(第07期);第27，69页 * |
| "基于卷积神经网络的循环肿瘤细胞智能辨识平台的研制";黎斌;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20200615(第06期);第13，22，29，51-52，77页 * |
| 黎斌."基于卷积神经网络的循环肿瘤细胞智能辨识平台的研制".《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》.2020,(第06期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001315A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001315B (zh) | 基于迁移学习和图像纹理特征的骨髓细胞分类识别方法 | |
| CN111260638B (zh) | 基于卷积神经网络的脑脊液细胞和病原体的自动检测计数方法及系统 | |
| CN110473167B (zh) | 一种基于深度学习的尿沉渣图像识别系统及方法 | |
| CN102393705B (zh) | 样本有形成分分析仪自动检测控制装置及其控制方法 | |
| CN103345654B (zh) | 一种基于形态学分类计数白细胞的方法 | |
| CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
| CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
| CN114332855A (zh) | 一种基于明场显微成像的无标记白细胞三分类方法 | |
| Evangeline et al. | Computer aided system for human blood cell identification, classification and counting | |
| CN112784767A (zh) | 基于白细胞显微图像的细胞实例分割算法 | |
| CN114387596A (zh) | 细胞病理涂片自动判读系统 | |
| CN113470041B (zh) | 免疫组化细胞图像细胞核分割与计数方法和系统 | |
| CN112767349B (zh) | 一种网织红细胞识别方法和系统 | |
| CN113450317A (zh) | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 | |
| Priyankara et al. | An extensible computer vision application for blood cell recognition and analysis | |
| CN112213503A (zh) | 样本分析系统、图像分析系统及其处理样本图像的方法 | |
| CN114627308A (zh) | 一种骨髓细胞形态学特征的提取方法与系统 | |
| CN111311628A (zh) | 一种全自动高性能白细胞分割方法 | |
| CN202257125U (zh) | 样本有形成分分析仪自动检测控制装置 | |
| CN114742803A (zh) | 一种结合深度学习与数字图像处理算法的血小板聚集检测方法 | |
| Taher et al. | Morphology analysis of sputum color images for early lung cancer diagnosis | |
| CN113869124A (zh) | 基于深度学习的血细胞形态学分类方法及系统 | |
| GB2610426A (en) | System and method for identifying and counting biological species | |
| Abeed et al. | Bomacnet: A convolutional neural network model to detect bone marrow cell cytology | |
| Liu et al. | A stain normalization method for the white blood cell image |
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: 20210818 Address after: 200433 room 601-30, building 19, No. 785, Hutai Road, Jing'an District, Shanghai Applicant after: The First Affiliated Hospital of Navy Military Medical University of PLA Applicant after: Yili (Shanghai) Medical Technology Co.,Ltd. Address before: 200433 No. 168 Changhai Road, Shanghai, Yangpu District Applicant before: The First Affiliated Hospital of Navy Military Medical University of PLA Applicant before: LIQIONG (SHANGHAI) OPTOELECTRONICS TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: No. 168 Shanghai Road, Yangpu District, Shanghai, 200433 Patentee after: The First Affiliated Hospital of Navy Military Medical University of PLA Country or region after: China Patentee after: Yili (Shanghai) Medical Technology Co.,Ltd. Address before: 200433 room 601-30, building 19, No. 785, Hutai Road, Jing'an District, Shanghai Patentee before: The First Affiliated Hospital of Navy Military Medical University of PLA Country or region before: China Patentee before: Yili (Shanghai) Medical Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address |