CN113130078B - 一种预测颅内动脉瘤闭塞的方法、装置以及设备 - Google Patents

一种预测颅内动脉瘤闭塞的方法、装置以及设备 Download PDF

Info

Publication number
CN113130078B
CN113130078B CN202110513858.8A CN202110513858A CN113130078B CN 113130078 B CN113130078 B CN 113130078B CN 202110513858 A CN202110513858 A CN 202110513858A CN 113130078 B CN113130078 B CN 113130078B
Authority
CN
China
Prior art keywords
data
processed
predicted value
model
aneurysm
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
Application number
CN202110513858.8A
Other languages
English (en)
Other versions
CN113130078A (zh
Inventor
杨新健
罗斌
康慧斌
张义森
王坤
张莹
刘健
金海岚
王文智
印胤
杨光明
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.)
Union Strong Beijing Technology Co ltd
Beijing Tiantan Hospital
Original Assignee
Union Strong Beijing Technology Co ltd
Beijing Tiantan Hospital
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 Union Strong Beijing Technology Co ltd, Beijing Tiantan Hospital filed Critical Union Strong Beijing Technology Co ltd
Priority to CN202110513858.8A priority Critical patent/CN113130078B/zh
Publication of CN113130078A publication Critical patent/CN113130078A/zh
Application granted granted Critical
Publication of CN113130078B publication Critical patent/CN113130078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本说明书实施例公开了一种预测颅内动脉瘤闭塞的方法、装置以及设备，属于医学影像和计算机技术领域。所述方法包括：获取待处理的数据；将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值；基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。采用本说明书提供的方法，能够排除或减少人为因素带来的差异，缩短人为观察、思考所需的时间，实现快速预测动脉瘤闭塞，提高闭塞预测的准确性。

Description

一种预测颅内动脉瘤闭塞的方法、装置以及设备
技术领域
本说明书涉及医学影像及计算机技术领域，尤其涉及一种预测颅内动脉瘤闭塞的方法、装置以及设备。
背景技术
颅内动脉瘤是严重威胁人类健康的常见脑血管疾病，采用介入栓塞技术治疗逐渐成为颅内动脉瘤的重要治疗手段。血流导向装置改变了颅内动脉瘤血管内治疗的理念，将以往的瘤囊内填塞转向血管壁的重建，对大型或巨大型颅内动脉瘤的治疗结果产生了革命性的变化。对颅内动脉瘤进行介入栓塞治疗后，需要进行预测，以评估颅内动脉瘤栓塞后复发风险，从而为后续治疗颅内动脉瘤提供技术数据支持。
现有技术中，评估颅内动脉瘤栓塞后复发风险的方法，往往是由操作者根据随访检查结果，认为确定是否会发生颅内动脉瘤闭塞。这种人为判断是否发送颅内动脉瘤闭塞的方法，由于操作者会因为人眼分辨能力、疲劳程度、认知经验不同等的不同而存在极大差异，同时，由于操作者进行判断时，容易误判，可操作性差。
因此，需要一种新的预测方法，能够排除或减少人为因素带来的差异，缩短人为观察、思考所需的时间，实现快速预测动脉瘤闭塞，提高闭塞预测的准确性。
发明内容
本说明书实施例提供一种预测颅内动脉瘤闭塞的方法、装置以及设备，用于解决以下技术问题：能够排除或减少人为因素带来的差异，缩短人为观察、思考所需的时间，实现快速预测动脉瘤闭塞，提高闭塞预测的准确性。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种预测颅内动脉瘤闭塞的方法，包括：
获取待处理的数据；
将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值；
基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述颅内动脉瘤预测模型还包括第二模型，所述第二模型是经过机器学习预先训练获得的模型，所述第一模型与所述第二模型为并联关系，所述待处理的数据对应的预测值还包括第二预测值。
进一步地，所述第一预测值是所述待处理的数据输入所述第一模型获得的预测值，所述基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
基于所述第一预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述第二预测值是所述待处理的数据输入所述第二模型获得的预测值，所述基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
将所述第一预测值和所述第二预测值进行加权相加，获得所述待处理的数据的最终预测值；
基于所述待处理的数据的最终预测值及预设阈值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果；
若所述待处理的数据的最终预测值大于等于预设阈值，则所述待处理的数据的动脉瘤闭塞；
若所述待处理的数据的最终预测值小于预设阈值，则所述待处理的数据的动脉瘤不闭塞。
本说明书实施例还提供一种预测颅内动脉瘤闭塞的装置，包括：
获取模块，获取待处理的数据；
计算模块，将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值；
预测模块，基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述颅内动脉瘤预测模型还包括第二模型，所述第二模型是经过机器学习预先训练获得的模型，所述第一模型与所述第二模型为并联关系，所述待处理的数据对应的预测值还包括第二预测值。
进一步地，所述第一预测值是所述待处理的数据输入所述第一模型获得的预测值，所述基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
基于所述第一预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述第二预测值是所述待处理的数据输入所述第二模型获得的预测值，所述基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
将所述第一预测值和所述第二预测值进行加权相加，获得所述待处理的数据的最终预测值；
基于所述待处理的数据的最终预测值及预设阈值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果；
若所述待处理的数据的最终预测值大于等于预设阈值，则所述待处理的数据的动脉瘤闭塞；
若所述待处理的数据的最终预测值小于预设阈值，则所述待处理的数据的动脉瘤不闭塞。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待处理的数据；
将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值；
基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
本说明书实施例获取待处理的数据；将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值；基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，能够排除或减少人为因素带来的差异，缩短人为观察、思考所需的时间，实现快速预测动脉瘤闭塞，提高闭塞预测的准确性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，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为本说明书实施例提供的一种预测颅内动脉瘤闭塞的方法的示意图；
图2为本说明书实施例提供的又一种预测颅内动脉瘤闭塞的方法的示意图；
图3为本说明书实施例提供的又一种预测颅内动脉瘤闭塞的方法的示意图；
图4为本说明书实施例提供的一种预测颅内动脉瘤闭塞的方法的框架图；
图5为本说明书实施例中提供的一种颅内动脉瘤预测模型的训练示意图；
图6为本说明书实施例提供的一种预测颅内动脉瘤闭塞的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1为本说明书实施例提供的一种预测颅内动脉瘤闭塞的方法的示意图，该预测颅内动脉瘤闭塞的方法包括：
步骤S101：获取待处理的数据。
在本说明书实施例中，待处理的数据为DSA影像数据。
步骤S103：将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值。
在本说明书实施例中，所述第一预测值是所述待处理的数据输入所述第一模型获得的预测值。
在本说明书实施例中，第一预测值是DSA影像数据中包含预设特征的概率。
在本说明书实施例中，预设特征包括但不限于造影剂在动脉瘤中是否存在射流，造影剂在动脉瘤中的充盈程度，造影剂是否最终存在毛细血管期和静脉窦期。
在本说明书实施例中，将待处理的数据输入第一模型后，获得待处理的数据中包含预设特征的每一个特征的概率。
在本说明书中，第一模型为经过深度学习预先训练获得的一个二分类模型。将待处理的数据中，含有预设特征中的每一个特征的评分为1，不含有预设特征中的某一个特征的评分为0。在本说明书的一个实施例中，将待处理的数据中，对应的预设特征的每一个特征的评分进行加和，作为待处理的数据的第一预测值，以用于后续颅内动脉瘤闭塞的预测。
步骤S105：基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
在本说明书实施例中，所述第一预测值是所述待处理的数据输入所述第一模型获得的预测值，所述基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
基于所述第一预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
在本说明书实施例中，若第一预测值大于等于预设阈值，则所述待处理的数据的动脉瘤闭塞；
在本说明书实施例中，若第一预测值小于预设阈值，则所述待处理的数据的动脉瘤不闭塞。
在本说明书实施例中，预设阈值的获得采用将测试数据输入第一模型，输出ROC曲线（receiver operating characteristic curve，接受者操作特性曲线），从ROC曲线中选取敏感度不再升高且特异性也相对较高的点对应的概率值作为预设阈值。
采用本说明书实施例提供的预测颅内动脉瘤闭塞的方法，能够排除或减少人为因素带来的差异，缩短人为观察、思考所需的时间，实现快速预测动脉瘤闭塞，提高闭塞预测的准确性。
为了进一步提高闭塞预测的准确性，本说明书实施例还提供一种预测动脉瘤闭塞的方法。图2为本说明书实施例提供的又一种预测颅内动脉瘤闭塞的方法的示意图，该方法具体包括：
步骤S201：获取待处理的数据。
步骤S203：将所述待处理的数据进行归一化处理，获得归一化的待处理数据。
在本说明书实施例中，将待处理的数据进行归一化处理，包括：坐标中心化、x-shearing归一化、缩放归一化或旋转归一化中的一种或几种。归一化处理亦可以采用其他方法，归一化处理的具体方法并不构成对本申请的限定。
步骤S205：将所述归一化的处理数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值。
步骤S207：基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
为了进一步提高闭塞预测的准确性，本说明书实施例还提供一种预测动脉瘤闭塞的方法。图3为本说明书实施例提供的又一种预测颅内动脉瘤闭塞的方法的示意图，该方法具体包括：
步骤S301：获取待处理的数据。
在本说明书实施例中，待处理的数据为DSA影像数据及DSA影像数据对应的病例信息。
步骤S303：将所述待处理的数据进行归一化处理，获得归一化的待处理数据。
步骤S305：将所述归一化的待处理数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型和第二模型，所述预测值包括第一预测值和第二预测值。
在本说明书实施例中，所述第二模型是经过机器学习预先训练获得的模型，所述第一模型与所述第二模型为并联关系，所述待处理的数据对应的预测值包括第一预测值和第二预测值。
步骤S307：基于所述第一预测值与第二预测值，获取所述待处理的数据的最终预测值。
在本说明书实施例中，最终预测值采用如下方法：将所述第一预测值和所述第二预测值进行加权相加，获得所述待处理的数据的最终预测值。
步骤S309：基于所述待处理的数据的最终预测值及预设阈值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
在本说明书实施例中，若所述待处理的数据的最终预测值大于等于预设阈值，则所述待处理的数据的动脉瘤闭塞；
若所述待处理的数据的最终预测值小于预设阈值，则所述待处理的数据的动脉瘤不闭塞。
在本说明书实施例中，预设阈值的获得采用将测试数据输入第二模型，输出ROC曲线（receiver operating characteristic curve，接受者操作特性曲线），从ROC曲线中选取敏感度不再升高且特异性也相对较高的点对应的概率值作为预设阈值。在本说明书的一个实施例中，预设阈值优选为0.8-0.9，预设阈值最佳选择为0.8。
为便于理解图3所示的预测颅内动脉瘤闭塞的方法，本说明书实施例还提供一种预测颅内动脉瘤闭塞的框架图。图4为本说明书实施例提供的一种预测颅内动脉瘤闭塞的方法的框架图。
DSA影像数据输入第一模型后，第一模型输出第一预测值，亦即DSA影像数据输入第一模型后，第一模型输出DSA影像数据中预设特征的概率；DSA影像数据及DSA影像数据对应的病例信息输入第二模型后，第二模型输出第二预测值，亦即DSA影像数据及DSA影像数据对应的病例信息输入第二模型后，第二模型输出DSA影像数据对应的动脉瘤闭塞的概率；基于第一预测值和第二预测值，从而获得DSA影像数据的最终预测值；根据最终预测值，实现动脉瘤是否闭塞的预测。
为进一步理解本说明书实施例提供的颅内动脉瘤预测模型的获得，图5为本说明书实施例中提供的一种颅内动脉瘤预测模型的训练示意图。具体包括：
步骤S501：样本数据标注，获得标注的样本数据。
在本说明书实施例中，用于颅内动脉瘤预测模型训练的样本数据为DSA影像数据，样本数据分为训练集数据和测试集数据，训练集数据用于颅内动脉瘤预测模型的训练，测试集数据用于颅内动脉瘤预测模型的测试。样本数据的标注包括：是否闭塞，预设特征评分。在本说明书实施例中，样本数据闭塞标注为1，样本数据未闭塞标注为0。在本说明书实施例中，预设特征评分即标注样本数据中是否具有预设特征的每一个特征。在本说明书实施例中，预设特征包括但不限于造影剂在动脉瘤中是否存在射流，造影剂在动脉瘤中的充盈程度，造影剂是否最终存在毛细血管期和静脉窦期。含有预设特征中的每一个特征的评分为1，不含有预设特征中的某一个特征的评分为0。
需要特别说明的是，为了保证输入的一致性，标注的样本数据应经过归一化处理后，才可用于后续颅内动脉瘤预测模型的训练。
步骤S503：训练颅内动脉瘤预测模型。
基于训练集数据，进行颅内动脉瘤预测模型的训练。需要特别说明的是，在进行第二模型训练时，训练集数据除了包含DSA影像数据，还需要包括DSA影像数据对应的病例信息。
下面将结合具体的实施例，详细说明第一模型和第二模型的训练过程。
在本说明书实施例中，第一模型采用深度学习模型进行训练以获得第一模型。在具体实施过程中，采用卷积神经网络，对预设特征的每个特征进行单独训练。在第一模型训练过程中，输入为标注的DSA影像数据，标签为是否具有预设特征的某一个特征，亦即对每个预设特征进行训练，获得一个二分类模型，即第一模型是一个二分类模型。训练好的第一模型，可以对DSA影像数据中动脉瘤是否具有预设特征的每个特征的概率进行输出。
在本说明书的一个实施例中，第二模型采用机器学习模型进行训练以获得第二模型。在具体实施过程中，首先进行特征提取，主要是提取DSA影像数据及DSA影像数据对应的病例信息的特征。在具体实施例中，DSA影像数据的特征包括但不仅限于纹理特征，边缘特征，造影剂在动脉瘤中是否存在射流，造影剂在动脉瘤中的充盈程度，造影剂是否最终存在毛细血管期和静脉窦期，病历信息特征包括但不仅限于病人的疾病史，是否有抽烟喝酒习惯，是否有遗传病。随后，采用决策树方法，对DSA影像数据及DSA影像数据对应的病例信息中所包含的特征进行监督训练，以实现第二模型的输入为量化的特征，标签为是否闭塞，即对DSA影像数据及DSA影像数据对应的病例信息提取到的特征训练为一个二分类模，即第二模型是一个二分类模型。训练好的第二模型，可以对DSA影像数据中动脉瘤是否闭塞的概率进行输出。
步骤S505：输出预测结果。
前述步骤S503获得的颅内动脉瘤预测模型需要进一步经过测试。输入一个DSA影像数据和对应的病历信息，把DSA影像数据经过归一化处理后再输入第一模型，输出第一预测值，第一预测值为多个预测值，分别对应具有相应的预设特征的概率，同时把经过归一化处理后的DSA影像数据和病例信息输入第二模型，输出第二预测值，对应动脉瘤闭塞的概率，然后把第一预测值和第二预测值进行加权相加得到最终预测值，最后通过预设阈值判断是否闭塞。
采用本说明书实施例提供的预测颅内动脉瘤闭塞的方法，能够排除或减少人为因素带来的差异，缩短人为观察、思考所需的时间，实现快速预测动脉瘤闭塞，提高闭塞预测的准确性。
上述内容详细说明了一种预测颅内动脉瘤闭塞的方法，与之相应的，本说明书还提供了一种预测颅内动脉瘤闭塞的装置，如图6所示。图6为本说明书实施例提供的一种预测颅内动脉瘤闭塞的装置的示意图，该装置包括：
获取模块601，获取待处理的数据；
计算模块603，将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值；
预测模块605，基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述颅内动脉瘤预测模型还包括第二模型，所述第二模型是经过机器学习预先训练获得的模型，所述第一模型与所述第二模型为并联关系，所述待处理的数据对应的预测值还包括第二预测值。
进一步地，所述第一预测值是所述待处理的数据输入所述第一模型获得的预测值，所述基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
基于所述第一预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述第二预测值是所述待处理的数据输入所述第二模型获得的预测值，所述基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果。
进一步地，所述基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
将所述第一预测值和所述第二预测值进行加权相加，获得所述待处理的数据的最终预测值；
基于所述待处理的数据的最终预测值及预设阈值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果；
若所述待处理的数据的最终预测值大于等于预设阈值，则所述待处理的数据的动脉瘤闭塞；
若所述待处理的数据的最终预测值小于预设阈值，则所述待处理的数据的动脉瘤不闭塞。
本说明书实施例还提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待处理的数据；
将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述待处理的数据对应的预测值包括第一预测值；
基于所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器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功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (5)

1.一种预测颅内动脉瘤闭塞的方法，其特征在于，所述方法包括：
获取待处理的数据，所述待处理的数据包括：DSA影像数据及所述DSA影像数据对应的病例信息；
将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述第一模型的输入为所述DSA影像数据，所述待处理的数据对应的预测值包括第一预测值，所述第一预测值为所述待处理的数据中预设特征的概率，所述预设特征包括造影剂在颅内动脉瘤中是否存在射流，造影剂在颅内动脉瘤中的充盈程度，造影剂是否最终存在毛细血管期和静脉窦期；所述颅内动脉瘤预测模型还包括第二模型，所述第二模型是经过机器学习预先训练获得的模型，所述第二模型的输入为所述DSA影像数据及所述DSA影像数据对应的病例信息，所述第一模型与所述第二模型为并联关系，所述待处理的数据对应的预测值还包括第二预测值，所述第二预测值为所述待处理的数据对应的动脉瘤闭塞的概率；
基于所述第一预测值和所述第二预测值获得的最终预测值作为所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
2.如权利要求1所述的方法，其特征在于，所述基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
将所述第一预测值和所述第二预测值进行加权相加，获得所述待处理的数据的最终预测值；
基于所述待处理的数据的最终预测值及预设阈值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果；
若所述待处理的数据的最终预测值大于等于预设阈值，则所述待处理的数据的动脉瘤闭塞；
若所述待处理的数据的最终预测值小于预设阈值，则所述待处理的数据的动脉瘤不闭塞。
3.一种预测颅内动脉瘤闭塞的装置，其特征在于，所述装置包括：
获取模块，获取待处理的数据，所述待处理的数据包括：DSA影像数据及所述DSA影像数据对应的病例信息；
计算模块，将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述第一模型的输入为所述DSA影像数据，所述待处理的数据对应的预测值包括第一预测值，所述第一预测值为所述待处理的数据中预设特征的概率，所述预设特征包括造影剂在颅内动脉瘤中是否存在射流，造影剂在颅内动脉瘤中的充盈程度，造影剂是否最终存在毛细血管期和静脉窦期；所述颅内动脉瘤预测模型还包括第二模型，所述第二模型是经过机器学习预先训练获得的模型，所述第二模型的输入为所述DSA影像数据及所述DSA影像数据对应的病例信息，所述第一模型与所述第二模型为并联关系，所述待处理的数据对应的预测值还包括第二预测值，所述第二预测值为所述待处理的数据对应的动脉瘤闭塞的概率；
预测模块，基于所述第一预测值和所述第二预测值获得的最终预测值作为所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
4.如权利要求3所述的装置，其特征在于，所述基于所述第一预测值和所述第二预测值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果，具体包括：
将所述第一预测值和所述第二预测值进行加权相加，获得所述待处理的数据的最终预测值；
基于所述待处理的数据的最终预测值及预设阈值，对所述待处理的数据进行动脉瘤闭塞预测，获得所述待处理的数据的动脉瘤闭塞的预测结果；
若所述待处理的数据的最终预测值大于等于预设阈值，则所述待处理的数据的动脉瘤闭塞；
若所述待处理的数据的最终预测值小于预设阈值，则所述待处理的数据的动脉瘤不闭塞。
5.一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
获取待处理的数据，所述待处理的数据包括：DSA影像数据及所述DSA影像数据对应的病例信息；
将所述待处理的数据输入颅内动脉瘤预测模型，获得所述待处理的数据对应的预测值，所述颅内动脉瘤预测模型包括第一模型，所述第一模型是经过深度学习预先训练获得的模型，所述第一模型的输入为所述DSA影像数据，所述待处理的数据对应的预测值包括第一预测值，所述第一预测值为所述待处理的数据中预设特征的概率，所述预设特征包括造影剂在颅内动脉瘤中是否存在射流，造影剂在颅内动脉瘤中的充盈程度，造影剂是否最终存在毛细血管期和静脉窦期；所述颅内动脉瘤预测模型还包括第二模型，所述第二模型是经过机器学习预先训练获得的模型，所述第二模型的输入为所述DSA影像数据及所述DSA影像数据对应的病例信息，所述第一模型与所述第二模型为并联关系，所述待处理的数据对应的预测值还包括第二预测值，所述第二预测值为所述待处理的数据对应的动脉瘤闭塞的概率；
基于所述第一预测值和所述第二预测值获得的最终预测值作为所述待处理的数据对应的预测值，获得所述待处理的数据的动脉瘤闭塞的预测结果。
CN202110513858.8A 2021-05-11 2021-05-11 一种预测颅内动脉瘤闭塞的方法、装置以及设备 Active CN113130078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110513858.8A CN113130078B (zh) 2021-05-11 2021-05-11 一种预测颅内动脉瘤闭塞的方法、装置以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110513858.8A CN113130078B (zh) 2021-05-11 2021-05-11 一种预测颅内动脉瘤闭塞的方法、装置以及设备

Publications (2)

Publication Number Publication Date
CN113130078A CN113130078A (zh) 2021-07-16
CN113130078B true CN113130078B (zh) 2022-09-23

Family

ID=76781870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110513858.8A Active CN113130078B (zh) 2021-05-11 2021-05-11 一种预测颅内动脉瘤闭塞的方法、装置以及设备

Country Status (1)

Country Link
CN (1) CN113130078B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113539443A (zh) * 2021-08-06 2021-10-22 北京市神经外科研究所 一种预测动脉瘤闭塞的方法、装置以及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273658A (zh) * 2017-05-16 2017-10-20 哈尔滨医科大学 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置
CN109961850A (zh) * 2019-03-19 2019-07-02 肖仁德 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备
CN111081378A (zh) * 2019-11-22 2020-04-28 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778336A (zh) * 2014-01-23 2014-05-07 北京市神经外科研究所 一种颅内动脉瘤栓塞后复发风险的预测方法及系统
CN109003679B (zh) * 2018-06-28 2021-06-08 众安信息技术服务有限公司 一种脑血管出血与缺血预测方法及装置
CN109637663A (zh) * 2018-11-14 2019-04-16 浙江大学山东工业技术研究院 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置
CN109872821A (zh) * 2019-04-24 2019-06-11 北京信息科技大学 一种构建血糖预测模型的方法及装置
CN110517780A (zh) * 2019-09-02 2019-11-29 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统
CN110534193A (zh) * 2019-09-02 2019-12-03 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统
CN110808097A (zh) * 2019-10-30 2020-02-18 中国福利会国际和平妇幼保健院 一种妊娠期糖尿病预测系统及方法
CN111584077A (zh) * 2020-04-08 2020-08-25 北京市神经外科研究所 一种动脉瘤破裂风险评估方法及系统
CN112633601B (zh) * 2020-12-31 2022-12-09 天津开心生活科技有限公司 疾病事件发生概率的预测方法、装置、设备及计算机介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273658A (zh) * 2017-05-16 2017-10-20 哈尔滨医科大学 对颅内动脉瘤破裂风险进行评估及其图像进行分类的装置
CN109961850A (zh) * 2019-03-19 2019-07-02 肖仁德 一种评估颅内动脉瘤破裂风险的方法、装置、计算机设备
CN111081378A (zh) * 2019-11-22 2020-04-28 强联智创（北京）科技有限公司 一种动脉瘤破裂风险评估方法及系统

Also Published As

Publication number Publication date
CN113130078A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN109671066B (zh) 一种基于头颅ct影像的脑梗死判断的方法及系统
CN111127428A (zh) 一种基于颅脑影像数据的目标区域的提取方法及系统
CN109377504B (zh) 一种颅内动脉血管图像分割方法及系统
CN110826894A (zh) 超参数确定方法、装置及电子设备
CN113130078B (zh) 一种预测颅内动脉瘤闭塞的方法、装置以及设备
CN111584077A (zh) 一种动脉瘤破裂风险评估方法及系统
CN112417093B (zh) 一种模型训练的方法及装置
CN115618964B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN111105404B (zh) 一种基于颅脑影像数据的目标位置的提取方法及系统
CN116664513A (zh) 一种基于核磁共振影像的颅内动脉瘤的检测方法、装置及设备
CN112927815B (zh) 一种预测颅内动脉瘤信息的方法、装置以及设备
CN115620706B (zh) 一种模型训练方法、装置、设备及存储介质
CN111584076A (zh) 一种动脉瘤破裂风险评估方法及系统
CN113205508B (zh) 一种基于影像数据的分割方法、装置以及设备
CN110517243B (zh) 一种基于dsa图像的定位方法及系统
CN107885443B (zh) 一种信息处理的方法及装置
CN113538463A (zh) 一种动脉瘤分割方法、装置以及设备
CN110517244B (zh) 一种基于dsa图像的定位方法及系统
CN114782407A (zh) 基于卷积神经网络的胎儿超声关键切面识别方法及装置
CN115082405A (zh) 颅内病灶的检测模型的训练方法、检测方法、装置及设备
CN113130030B (zh) 一种颅内动脉瘤稳定性的评价方法、装置以及设备
CN113539443A (zh) 一种预测动脉瘤闭塞的方法、装置以及设备
CN110634129B (zh) 一种基于dsa图像的定位方法及系统
CN111862062A (zh) 一种中心线优化的方法、装置以及设备
CN111539520A (zh) 增强深度学习模型鲁棒性的方法及装置

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