CN113241156B - 一种基于检测指导的骨科病灶计数网络的标注方法及系统 - Google Patents

一种基于检测指导的骨科病灶计数网络的标注方法及系统 Download PDF

Info

Publication number
CN113241156B
CN113241156B CN202110627185.9A CN202110627185A CN113241156B CN 113241156 B CN113241156 B CN 113241156B CN 202110627185 A CN202110627185 A CN 202110627185A CN 113241156 B CN113241156 B CN 113241156B
Authority
CN
China
Prior art keywords
key
network
thermodynamic diagram
detection
gaussian distribution
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
CN202110627185.9A
Other languages
English (en)
Other versions
CN113241156A (zh
Inventor
贺嘉骏
谢毅
王泓霖
钟胜
叶哲伟
李智敏
霍彤彤
徐昆仑
董雷震
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110627185.9A priority Critical patent/CN113241156B/zh
Publication of CN113241156A publication Critical patent/CN113241156A/zh
Application granted granted Critical
Publication of CN113241156B publication Critical patent/CN113241156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于人工智能深度学习技术领域，提供一种基于检测指导的骨科病灶计数网络的标注方法及系统，将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；基于热力图的指导，生成需要标注的关键矩形区域；根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布；将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果。本发明提供了一种基于检测指导的骨科病灶计数网络的标注方法，通过网络提取了目标的稳健特征，并利用倾斜高斯分布拟合，提高了图像特征的有效利用率，得到了更为真实的目标密度图。

Description

一种基于检测指导的骨科病灶计数网络的标注方法及系统
技术领域
本发明涉及人工智能深度学习技术领域，尤其涉及一种基于检测指导的骨科病灶计数网络的标注方法及系统。
背景技术
CT、MR、PFT、超声、X光等医疗成像技术在疾病的早期检测、诊断、治疗方面起着重要作用。近年来，随着深度学习技术的不断发展，计算机辅助诊断技术也在不断更新换代。但由于目前计数网络存在较大误差，对病灶进行精确计数的任务仍由专业医生完成。
通过上述分析，现有技术存在的问题及缺陷为：
对计数网络而言，标注的是目标密度图，标注难度大，时间成本高，如何获得真实的标注非常重要。目前常见的标注方法是打点计数法，通过标记目标位置，并在目标上直接生成圆形高斯分布作为标注。该方法对于形状不规则、特征分布不均匀的目标较难生成真实的目标密度图。
发明内容
基于以上研究，本发明提供一种能提高网络计数能力的标注方法及系统，
本发明是这样实现的，一种能提高网络计数能力的标注方法，包含以下步骤：
步骤1：将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图，其具体包括：
步骤101：对大小为(W0，H0)的输入图像，标注骨科病灶的关键点。
步骤102：根据每一个病灶的关键点生成最小外接矩形b，作为骨科病灶检测的标注，训练检测网络f1。
步骤103：将图像送入训练好的检测网络f1，抽取网络中全连接层的前一层特征。
步骤104：对所有特征点的值使用sigmoid函数进行归一化操作得到热力图mh，热力图大小与输入图像相同。
步骤2：基于热力图的指导，生成需要标注的关键矩形区域，其具体包括：
步骤201：设置阈值p对热力图mh进行分割，并进行连通域标记。
步骤202：取热力图mh中连通域与最小外接矩形区域b的交集，并对交集的所有独立区域取其最小外接矩，作为关键区域c，即特征稳健区域。将c作为计数任务标签。
步骤3：根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布，具体为：
计算关键区域c的长边对图像水平方向的倾角θ，关键区域c的中心(x0，y0)。将高斯分布的指数部分设计为椭圆函数，将倾角θ作为椭圆主轴倾角，生成倾斜的归一化高斯分布，达到与骨科病灶的关键部位紧密贴合的目的。
进一步地，上述倾斜归一化高斯分布的公式为：
进一步地，根据拉伊达准则(3σ准则)，上述公式中的σ1和σ2分别为关键区域c长边和短边的
步骤4：将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果。
本发明的另一目的在于提供一种基于检测指导的骨科病灶计数网络的标注系统，包括：
热力图图像获取模块，用于将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；
关键矩形区域图像获取模块，用于基于热力图图像获取模块获取的热力图，生成需要标注的关键矩形区域；
高斯分布信息获取模块，用于根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布；
标注结果信息获取模块，用于将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的骨科病灶计数网络的标注方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
S1、将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；
S2、基于热力图的指导，生成需要标注的关键矩形区域；
S3、根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布；
S4、将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果。
本发明的另一目的在于提供一种数据信息处理终端，所述数据信息处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的骨科病灶计数网络的标注方法。
本发明的另一目的在于提供一种CT、超声、MR、PFT、X光医疗成像设备，搭载所述的基于检测指导的骨科病灶计数网络的标注系统，并实施所述的骨科病灶计数网络的标注方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过检测网络提取了图像的稳健特征，并利用倾斜高斯分布拟合，在特定场景下大大提高了图像特征的有效利用率，得到了更为真实的目标密度图。由此生成计数网络的标注，提高了计数网络的准确率。
附图说明
图1是本发明实施例提供的基于检测指导的骨科病灶计数网络的标注方法流程图。
图2是本发明实施例提供的利用神经网络生成热力图的过程示意图。
图3是本发明实施例提供的输入图像的变化示意图。
图中(1).关键点标注图像生成外接矩形示意图，(2).热力图示意图，(3).分割热力图所得连通域示意图，(4).取(1)(3)交集示意图，(5).关键区域示意图，(6).本方法所得标注示意图。
图4是本发明实施例提供的基于检测指导的骨科病灶计数网络的标注系统示意图。
图中：1、热力图图像获取模块；2、关键矩形区域图像获取模块；3、高斯分布信息获取模块；4、标注结果信息获取模块。
具体实施方式
下面结合实施例及附图对本发明做进一步详细的描述。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
下面结合具体实施例及附图对本发明作进一步描述。
实施例
如图1所示，一种基于检测指导的骨科病灶计数网络的标注方法，包括以下步骤：
步骤1：将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；
步骤2：基于热力图的指导，生成需要标注的关键矩形区域；
步骤3：根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布；
步骤4：将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果。
首先，对大小为(W0，H0)的输入图像，标注骨科病灶的关键点。如图2所示，根据每一个病灶的关键点生成最小外接矩形b，作为骨科病灶检测的标注，训练检测网络f1。训练好检测网络后，将图像再次送入训练好的检测网络f1，抽取网络中全连接层的前一层特征。对所有特征点的值使用sigmoid函数进行归一化操作得到热力图mh，热力图大小与输入图像相同。
上述检测网络f1可以是任何一种检测网络，改变网络结构不影响本发明的实施。
接着，如图3所示，设置阈值p对热力图mh进行分割，并进行连通域标记，如图3-(3)。
之后，取热力图mh中连通域与最小外接矩形区域b的交集，如图3-(4)。
接着，对交集的所有独立区域取其最小外接矩，作为关键区域c，即特征稳健区域，如图3-(5)。将c作为计数任务标签。
如图3-(6)所示，计算关键区域c的长边对图像水平方向的倾角θ，关键区域c的中心(x0，y0)。将高斯分布的指数部分设计为椭圆函数，将倾角θ作为椭圆主轴倾角，生成倾斜的归一化高斯分布，达到与骨科病灶的关键部位紧密贴合的目的。
在本发明一优选实施例中，上述倾斜归一化高斯分布的公式为：
进一步地，根据拉伊达准则(3σ准则)，上述公式中的σ1和σ2分别为关键区域c长边和短边的
本发明的优势在于所设计的标注流程，提高了计数网络标注的真实性，同时方法简洁，易于操作，应用性强。
如图4所示，本发明提供一种基于检测指导的骨科病灶计数网络的标注系统，包括：
热力图图像获取模块1，用于将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；
关键矩形区域图像获取模块2，用于基于热力图图像获取模块获取的热力图，生成需要标注的关键矩形区域；
高斯分布信息获取模块3，用于根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布；
标注结果信息获取模块4，用于将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于检测指导的骨科病灶计数网络的标注系统，其特征在于，应用于数据信息处理终端，所述基于检测指导的骨科病灶计数网络的标注系统包括：
热力图图像获取模块，用于将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；
关键矩形区域图像获取模块，用于基于热力图图像获取模块获取的热力图，生成需要标注的关键矩形区域；
高斯分布信息获取模块，用于根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布；
标注结果信息获取模块，用于将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果；
基于热力图的指导，生成需要标注的关键矩形区域具体包括：
设置阈值p对热力图mh进行分割，并进行连通域标记；取热力图mh中连通域与最小外接矩形区域b的交集，并对交集的所有独立区域取其最小外接矩，作为关键区域c，即特征稳健区域；将c作为计数任务标签；
根据关键矩形区域的倾角，生成对应角度的倾斜归一化高斯分布具体包括：
计算关键区域c的长边对图像水平方向的倾角θ；将高斯分布的指数部分设计为椭圆函数，将倾角θ作为椭圆主轴倾角，生成倾斜的归一化高斯分布；
所述倾斜归一化高斯分布的公式为：
根据拉伊达准则(3σ准则)，上述公式中的σ1和σ2分别为关键区域c长边和短边的关键区域c的中心(x0，y0)。
2.一种应用如权利要求1所述的基于检测指导的骨科病灶计数网络的标注系统的基于检测指导的骨科病灶计数网络的标注方法，其特征在于，包括以下步骤：
S1、将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；
S2、基于热力图的指导，生成需要标注的关键矩形区域；
S3、根据关键矩形区域的倾角，生成对应角度的倾斜归一化高斯分布；
S4、将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果；
所述步骤S2具体包括：
设置阈值p对热力图mh进行分割，并进行连通域标记；取热力图mh中连通域与最小外接矩形区域b的交集，并对交集的所有独立区域取其最小外接矩，作为关键区域c，即特征稳健区域；将c作为计数任务标签；
所述步骤S3具体包括：
计算关键区域c的长边对图像水平方向的倾角θ；将高斯分布的指数部分设计为椭圆函数，将倾角θ作为椭圆主轴倾角，生成倾斜的归一化高斯分布；
所述倾斜归一化高斯分布的公式为：
根据拉伊达准则(3σ准则)，上述公式中的σ1和σ2分别为关键区域c长边和短边的关键区域c的中心(x0，y0)。
3.如权利要求2所述的基于检测指导的骨科病灶计数网络的标注方法，其特征在于，所述步骤S1具体包括：
对大小为(W0，H0)的输入图像，根据骨科病灶标注的关键点，生成最小外接矩形b，作为骨科病灶检测的标注，训练检测网络f1；将图像送入训练好的检测网络f1，抽取网络中全连接层的前一层特征，对每个特征点使用sigmoid函数进行归一化操作得到热力图mh，热力图大小与输入图像相同。
4.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述的基于检测指导的骨科病灶计数网络的标注系统。
5.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
S1、将特定场景的关键点标注的骨科病灶图像处理后送入检测网络，根据网络提取的特征构建热力图；
S2、基于热力图的指导，生成需要标注的关键矩形区域；
S3、根据关键矩形区域的倾角，生成对应角度的倾斜高斯分布；
S4、将热力图中所有关键区域的归一化高斯分布叠加，得到计数网络的标注结果；
所述步骤S2具体包括：
设置阈值p对热力图mh进行分割，并进行连通域标记；取热力图mh中连通域与最小外接矩形区域b的交集，并对交集的所有独立区域取其最小外接矩，作为关键区域c，即特征稳健区域；将c作为计数任务标签；
所述步骤S3具体包括：
计算关键区域c的长边对图像水平方向的倾角θ；将高斯分布的指数部分设计为椭圆函数，将倾角θ作为椭圆主轴倾角，生成倾斜的归一化高斯分布；
所述倾斜归一化高斯分布的公式为：
根据拉伊达准则(3σ准则)，上述公式中的σ1和σ2分别为关键区域c长边和短边的关键区域c的中心(x0，y0)。
6.一种数据信息处理终端，其特征在于，所述数据信息处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1所述的基于检测指导的骨科病灶计数网络的标注系统。
7.一种CT、超声、X光医疗成像设备，其特征在于，所述CT、超声、X光医疗成像设备搭载权利要求1所述的基于检测指导的骨科病灶计数网络的标注系统，并实施权利要求1所述的基于检测指导的骨科病灶计数网络的标注系统。
8.一种MR、PET医疗成像设备，其特征在于，所述MR、PET医疗成像设备搭载权利要求1所述的基于检测指导的骨科病灶计数网络的标注系统，并实施权利要求2～3任意一项所述的基于检测指导的骨科病灶计数网络的标注方法。
CN202110627185.9A 2021-06-04 2021-06-04 一种基于检测指导的骨科病灶计数网络的标注方法及系统 Active CN113241156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110627185.9A CN113241156B (zh) 2021-06-04 2021-06-04 一种基于检测指导的骨科病灶计数网络的标注方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110627185.9A CN113241156B (zh) 2021-06-04 2021-06-04 一种基于检测指导的骨科病灶计数网络的标注方法及系统

Publications (2)

Publication Number Publication Date
CN113241156A CN113241156A (zh) 2021-08-10
CN113241156B true CN113241156B (zh) 2024-04-23

Family

ID=77137021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110627185.9A Active CN113241156B (zh) 2021-06-04 2021-06-04 一种基于检测指导的骨科病灶计数网络的标注方法及系统

Country Status (1)

Country Link
CN (1) CN113241156B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601824B (zh) * 2022-10-19 2023-05-26 华中科技大学 一种二维图像中人眼凝视方向的标注装置、系统和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414631A (zh) * 2019-01-29 2019-11-05 腾讯科技（深圳）有限公司 基于医学图像的病灶检测方法、模型训练的方法及装置
WO2020215557A1 (zh) * 2019-04-24 2020-10-29 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
CN112102317A (zh) * 2020-11-13 2020-12-18 之江实验室 一种基于无锚框的多期相肝脏病灶检测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110414631A (zh) * 2019-01-29 2019-11-05 腾讯科技（深圳）有限公司 基于医学图像的病灶检测方法、模型训练的方法及装置
WO2020215557A1 (zh) * 2019-04-24 2020-10-29 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
CN112102317A (zh) * 2020-11-13 2020-12-18 之江实验室 一种基于无锚框的多期相肝脏病灶检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于人工智能的乳腺影像诊断综述;郑元杰 等;山东师范大学学报(自然科学版)(第02期);第75-85页 *

Also Published As

Publication number Publication date
CN113241156A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
WO2020215984A1 (zh) 基于深度学习的医学图像检测方法及相关设备
Xiao et al. Cow identification in free-stall barns based on an improved Mask R-CNN and an SVM
CN109740668B (zh) 深度模型训练方法及装置、电子设备及存储介质
CN109544598A (zh) 目标跟踪方法、装置及可读存储介质
WO2020244075A1 (zh) 手语识别方法、装置、计算机设备及存储介质
US11276490B2 (en) Method and apparatus for classification of lesion based on learning data applying one or more augmentation methods in lesion information augmented patch of medical image
WO2020118618A1 (zh) 一种乳腺肿块图像识别方法及装置
Zou et al. TOD-CNN: An effective convolutional neural network for tiny object detection in sperm videos
Fu et al. M-net: A novel U-net with multi-stream feature fusion and multi-scale dilated convolutions for bile ducts and hepatolith segmentation
WO2023138190A1 (zh) 目标检测模型的训练方法及对应的检测方法
CN113241156B (zh) 一种基于检测指导的骨科病灶计数网络的标注方法及系统
CN112634369A (zh) 空间与或图模型生成方法、装置、电子设备和存储介质
Wang et al. Segmentation based rotated bounding boxes prediction and image synthesizing for object detection of high resolution aerial images
WO2023185234A1 (zh) 图像处理方法、装置、电子设备及存储介质
Jiang et al. Fast and robust multimodal image registration using a local derivative pattern
WO2023078169A1 (zh) 医学图像标记点识别方法、装置、电子设备及存储介质
Lee et al. Weakly supervised segmentation for real‐time surgical tool tracking
CN111128349A (zh) 基于gan的医学影像病灶检测标记数据增强方法及装置
Wang et al. Learning oriented object detection via naive geometric computing
CN111652168B (zh) 基于人工智能的群体检测方法、装置、设备及存储介质
WO2024093099A1 (zh) 甲状腺超声图像处理方法、装置、介质及电子设备
CN116188479B (zh) 基于深度学习的髋关节图像分割方法及系统
Li et al. Deformation and refined features based lesion detection on chest X-ray
CN116468043A (zh) 嵌套实体识别方法、装置、设备及存储介质
CN111814514A (zh) 号码识别装置、方法以及电子设备

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: He Jiajun

Inventor after: Xie Yi

Inventor after: Wang Honglin

Inventor after: Zhong Sheng

Inventor after: Ye Zhewei

Inventor after: Li Zhimin

Inventor after: Huo Tongtong

Inventor after: Xu Kunlun

Inventor after: Dong Leizhen

Inventor before: He Jiajun

Inventor before: Zhong Sheng

Inventor before: Li Zhimin

Inventor before: Xu Kunlun

Inventor before: Dong Leizhen

Inventor before: Xie Yi

Inventor before: Wang Honglin

GR01 Patent grant
GR01 Patent grant