CN113379758B - 一种脑图像的迭代分割方法、设备及系统 - Google Patents
一种脑图像的迭代分割方法、设备及系统 Download PDFInfo
- Publication number
- CN113379758B CN113379758B CN202110486679.XA CN202110486679A CN113379758B CN 113379758 B CN113379758 B CN 113379758B CN 202110486679 A CN202110486679 A CN 202110486679A CN 113379758 B CN113379758 B CN 113379758B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- region
- brain
- iterative
- probability
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 104
- 210000004556 brain Anatomy 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000003709 image segmentation Methods 0.000 claims description 11
- 210000005013 brain tissue Anatomy 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 210000004884 grey matter Anatomy 0.000 claims description 4
- 210000004885 white matter Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 210000000877 corpus callosum Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出一种脑图像的迭代分割方法，包括：采用随机种子方法对脑图像进行分割，重复分割多次，并记录每次分割后各个体素的分类；统计各个体素所属分类的概率分布，将概率分布中的最大概率值作为各个体素的类别概率；将类别概率大于或等于概率阈值的体素所组成的区域标记为成功分割区域，将类别概率小于概率阈值的体素所组成的区域标记为分割不成功区域，若存在分割不成功区域，则对分割不成功区域的体素进行聚类处理，将聚类体积超过体积阈值的区域标记为分割不稳定区域；对分割不稳定区域再次采用随机种子方法进行分割，重复分割多次，并判断分割不稳定区域是否符合条件，直到迭代至不存在分割不稳定区域。
Description
技术领域
本技术涉及医疗领域中的图像分割方法，尤其涉及一种脑图像的迭代分割方法、设备及系统。
背景技术
近年来，随着医学成像技术的发展，医学影像在临床诊断和治疗中发挥着重要的作用，已经成为医学诊断中不可或缺的技术手段。目前磁共振成像MRI技术越来越多的用于评估大脑状况，而在临床学中，大脑图像的分割是对大脑进行分析和诊断的非常重要的一个步骤。脑MRI图像的分割任务一般有两种，一种指的是大脑脑区的分割，将大脑分割为脑室、胼胝体以及海马体等结构。另一种分割任务是脑组织的分割，其目标是将大脑分为白质、灰质以及脑脊液。大脑的准确分割对于疾病的诊断和治疗非常很重要，通过测量大脑中感兴趣区域的组织结构的变化，可以用来评估某些疾病的严重程度和大脑的进化。
目前基于MRI的脑组织分割，包括基于图形图像学的分割方法以及基于配准的利用脑模板进行分割的方法。这些分割方法，由于初始点选取的不同，最终的分割结果会有不同，对于某些不易分割准确的脑区和精细结构，会造成较大的误差。从而导致单次分割结果不够准确。
发明内容
本发明的目的是提出一种脑图像的迭代分割方法、设备及系统，对分割难度较高、准确性要求较高的区域进行更多次数的分割，以达到更准确、更稳定的分割效果。
根据本发明的一个方面，本发明提供了一种脑图像的迭代分割方法，包括：
步骤1，获取待处理的脑磁共振图像；
步骤2，采用随机种子方法对所述图像进行分割，重复分割多次，并记录每次分割后各个体素的分类；
步骤3，统计各个体素所属分类的概率分布，选择最大概率值对应的分类作为各个体素的最终分类，所述最大概率值作为各个体素的类别概率；
步骤4，将类别概率大于或等于概率阈值的体素所组成的区域标记为成功分割区域，将类别概率小于概率阈值的体素所组成的区域标记为分割不成功区域，判断是否存在分割不成功区域，若存在分割不成功区域，则执行步骤5，否则完成图像分割；
步骤5，对所述分割不成功区域的体素进行聚类处理，将聚类体积超过体积阈值的区域标记为分割不稳定区域；
步骤6，判断是否存在分割不稳定区域，若存在分割不稳定区域，则对所述分割不稳定区域采用随机种子方法进行分割，重复分割多次，并记录每次分割后各个体素的分类，执行步骤3，否则完成图像分割。
优选地，所述步骤1中，还包括对所述脑磁共振图像进行预处理，所述预处理包括：时间层校正、头动校正、配准、空间标准化。
优选地，所述步骤2中，重复分割不少于10次，且每次分割的种子起始点不同。
优选地，所述步骤2中，所述分类至少包括白质、灰质和脑脊液。
优选地，所述步骤2中，所述分类包括预定义的脑区。
优选地，所述步骤4中，所述概率阈值根据图像分割的准确性要求确定。
优选地，所述步骤5中，所述体积阈值根据非脑区和/或非脑组织区域体素聚类体积确定。
优选地，所述步骤6中，重复分割不少于10次，且每次分割的种子起始点不同。
根据本发明的另一个方面，本发明提供了一种脑图像的迭代分割设备，包括：至少一个处理器，以及与所述至少一个处理器连接的存储器；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执行如上述任一项所述迭代分割方法的步骤。
根据本发明的另一个方面，本发明提供了一种脑图像的迭代分割系统，包括：图像采集设备、服务器，其中所述图像采集设备与所述服务器连接；
所述图像采集设备，用于采集待处理的脑图像；
所述服务器，用于执行如上述任一项所述迭代分割方法的步骤。
通过以上技术方案，本发明能够取得以下技术效果：
根据本发明提供的一种脑图像的迭代分割处理方法、设备及系统，利用多次分割得到的概率分布，对不同分割挠度的脑区/脑组织进行分别处理，弥补了单次分割产生的偶然误差；通过不同的种子点初始位置，执行更多风格的分割，从而将分割不稳定区域的误差降为更低；利用云计算的能力，更容易地实现迭代分割的高效处理。
附图说明
图1是本发明实施例提供的一种脑图像的迭代分割方法的流程图；
图2是本发明实施例提供的一种脑图像的迭代分割设备的结构示意图；
图3是本发明实施例提供的一种脑图像的迭代分割系统的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参见图1，图1是本发明实施例提供的一种脑图像的迭代分割方法的流程图；所述脑图像的迭代分割方法包括：
步骤1，获取待处理的脑磁共振图像并进行预处理。预处理包括：时间层校正、头动校正、配准、空间标准化。
步骤2，采用随机种子方法对所述图像进行分割，重复分割多次，并记录每次分割后各个体素的分类；重复分割不少于10次，且每次分割的种子起始点不同。其中，分类包括背景、白质、灰质和脑脊液。或者，分类包括各种脑区，比如根据国际通用的解剖模板(例如AAL模板、SRI24模板)对应的脑区，或预定义的方式选择需要的脑区。
步骤3，统计各个体素所属分类的概率分布，选择最大概率值对应的分类作为各个体素的最终分类，所述最大概率值作为各个体素的类别概率；
步骤4，将类别概率大于或等于概率阈值的体素所组成的区域标记为成功分割区域，将类别概率小于概率阈值的体素所组成的区域标记为分割不成功区域，判断是否存在分割不成功区域，若存在分割不成功区域，则执行步骤5，否则完成图像分割。其中，概率阈值根据图像分割的准确性要求确定。
步骤5，对所述分割不成功区域的体素进行聚类处理，将聚类体积超过体积阈值的区域标记为分割不稳定区域。其中，体积阈值根据非脑区和/或非脑组织区域体素聚类体积确定。
步骤6，判断是否存在分割不稳定区域，若存在分割不稳定区域，则对所述分割不稳定区域采用随机种子方法进行分割，重复分割多次，并记录每次分割后各个体素的分类，执行步骤3，否则完成图像分割。其中，重复分割不少于10次，且每次分割的种子起始点不同
参见图2，图2是本发明实施例提供的一种脑图像的迭代分割设备的结构示意图；所述脑图像的迭代分割设备10包括：至少一个处理器11，以及与处理器11连接的存储器12。其中，存储器12存储有可被处理器11执行的计算机程序，计算机程序被处理器11执行，从而执行如图1所示的脑图像的迭代分割方法。
参见图3，图3是本发明实施例提供的一种脑图像的迭代分割系统的结构示意图；所述脑图像的迭代分割系统20包括：图像采集设备21、服务器22。其中，图像采集设备21与服务器22通信连接；图像采集设备21，用于采集待处理的脑图像；服务器22，用于执行如图1所示的脑图像的迭代分割方法。具体地，图像采集设备21与服务器22的通信连接包括无线或有线的连接方式；图像采集设备21可以包括磁共振等图像采集设备，通过该图像采集设备采集待处理的脑图像；服务器，用于执行上述实施例的脑图像处理方法，服务器可以包括至少一台性能较好的计算机，也可以是分布式计算集群，优选地，通过云计算的方式实现脑图像分割方法。
在一个实施例中，上述系统还可以包括存储器和客户端，存储器与上述服务器连接，客户端与上述服务器连接；存储器，用于存储待处理的脑图像和脑图像的分割结果；客户端，用于接收服务器发送的脑图像的分割结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、设备、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种脑图像的迭代分割方法，其特征在于，所述方法包括：
步骤1，获取待处理的脑磁共振图像；
步骤2，采用随机种子方法对所述图像进行分割，重复分割多次，并记录每次分割后各个体素的分类；
步骤3，统计各个体素所属分类的概率分布，选择最大概率值对应的分类作为各个体素的最终分类，所述最大概率值作为各个体素的类别概率；
步骤4，将类别概率大于或等于概率阈值的体素所组成的区域标记为成功分割区域，将类别概率小于概率阈值的体素所组成的区域标记为分割不成功区域，判断是否存在分割不成功区域，若存在分割不成功区域，则执行步骤5，否则完成图像分割；
步骤5，对所述分割不成功区域的体素进行聚类处理，将聚类体积超过体积阈值的区域标记为分割不稳定区域；
步骤6，判断是否存在分割不稳定区域，若存在分割不稳定区域，则对所述分割不稳定区域采用随机种子方法进行分割，重复分割多次，并记录每次分割后各个体素的分类，执行步骤3，否则完成图像分割。
2.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤1中，还包括对所述脑磁共振图像进行预处理，所述预处理包括：时间层校正、头动校正、配准、空间标准化。
3.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤2中，重复分割不少于10次，且每次分割的种子起始点不同。
4.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤2中，所述分类至少包括白质、灰质和脑脊液。
5.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤2中，所述分类包括预定义的脑区。
6.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤4中，所述概率阈值根据图像分割的准确性要求确定。
7.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤5中，所述体积阈值根据非脑区体素聚类体积确定。
8.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤5中，所述体积阈值根据非脑组织区域体素聚类体积确定。
9.根据权利要求1所述的迭代分割方法，其特征在于，所述步骤6中，重复分割不少于10次，且每次分割的种子起始点不同。
10.一种脑图像的迭代分割设备，其特征在于，所述设备包括：至少一个处理器，以及与所述至少一个处理器连接的存储器；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执行如权利要求1-9中任一项所述迭代分割方法的步骤。
11.一种脑图像的迭代分割系统，其特征在于，所述系统包括：图像采集设备、服务器，其中所述图像采集设备与所述服务器连接；
所述图像采集设备，用于采集待处理的脑图像；
所述服务器，用于执行如权利要求1-9中任一项所述迭代分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110486679.XA CN113379758B (zh) | 2021-05-01 | 2021-05-01 | 一种脑图像的迭代分割方法、设备及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110486679.XA CN113379758B (zh) | 2021-05-01 | 2021-05-01 | 一种脑图像的迭代分割方法、设备及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113379758A CN113379758A (zh) | 2021-09-10 |
| CN113379758B true CN113379758B (zh) | 2024-04-12 |
Family
ID=77570464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110486679.XA Active CN113379758B (zh) | 2021-05-01 | 2021-05-01 | 一种脑图像的迭代分割方法、设备及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379758B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102596025A (zh) * | 2010-06-25 | 2012-07-18 | 中国科学院自动化研究所 | 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法 |
| CN108335313A (zh) * | 2018-02-26 | 2018-07-27 | 阿博茨德（北京）科技有限公司 | 图像分割方法及装置 |
| CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
| CN110537204A (zh) * | 2017-06-28 | 2019-12-03 | 渊慧科技有限公司 | 使用分割和分类神经网络的可泛化医学图像分析 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2249702A4 (en) * | 2008-03-04 | 2012-01-25 | Tomotherapy Inc | METHOD AND SYSTEM FOR ENHANCED IMAGE SEGMENTATION |
| US8280133B2 (en) * | 2008-08-01 | 2012-10-02 | Siemens Aktiengesellschaft | Method and system for brain tumor segmentation in 3D magnetic resonance images |
| WO2012072129A1 (en) * | 2010-12-01 | 2012-06-07 | Brainlab Ag | Longitudinal monitoring of pathology |
| US11055849B2 (en) * | 2019-10-18 | 2021-07-06 | Omniscient Neurotechnology Pty Limited | Processing of brain image data to assign voxels to parcellations |
-
2021
- 2021-05-01 CN CN202110486679.XA patent/CN113379758B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102596025A (zh) * | 2010-06-25 | 2012-07-18 | 中国科学院自动化研究所 | 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法 |
| CN110537204A (zh) * | 2017-06-28 | 2019-12-03 | 渊慧科技有限公司 | 使用分割和分类神经网络的可泛化医学图像分析 |
| CN108335313A (zh) * | 2018-02-26 | 2018-07-27 | 阿博茨德（北京）科技有限公司 | 图像分割方法及装置 |
| CN109472263A (zh) * | 2018-10-12 | 2019-03-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113379758A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10679352B2 (en) | Method for automatic segmentation of brain tumors merging full convolution neural networks with conditional random fields | |
| CN110506278B (zh) | 隐空间中的目标检测 | |
| US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
| KR101599219B1 (ko) | 3차원 의료 영상에서 랜드마크들의 자동 등록을 위한 장치 및 방법 | |
| Jog et al. | Magnetic resonance image synthesis through patch regression | |
| CN109949349B (zh) | 一种多模态三维图像的配准及融合显示方法 | |
| CN110363760B (zh) | 用于识别医学图像的计算机系统 | |
| CN103514597A (zh) | 图像处理装置 | |
| CN107292889B (zh) | 一种肿瘤分割的方法、系统和可读介质 | |
| US20170069086A1 (en) | Method and device for constructing brain templates | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| CN111986101B (zh) | 一种脑血管图谱构建方法 | |
| CN110110727B (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
| Del Re et al. | A new MRI masking technique based on multi‐atlas brain segmentation in controls and schizophrenia: A rapid and viable alternative to manual masking | |
| CN110942489A (zh) | 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置 | |
| WO2014176154A1 (en) | System and method for image intensity bias estimation and tissue segmentation | |
| CN111968130A (zh) | 脑部造影图像处理方法、装置、介质及电子设备 | |
| CN113554131A (zh) | 医学图像处理和分析方法、计算机设备、系统和存储介质 | |
| CN112801208B (zh) | 基于结构化代理的深度度量学习方法和装置 | |
| CN113379758B (zh) | 一种脑图像的迭代分割方法、设备及系统 | |
| Ziyan et al. | Consistency clustering: a robust algorithm for group-wise registration, segmentation and automatic atlas construction in diffusion MRI | |
| WO2015052919A1 (ja) | 医用画像処理装置およびその作動方法並びに医用画像処理プログラム | |
| CN108596900B (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
| CN110751664A (zh) | 一种基于超体素匹配的脑组织分割方法 | |
| US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition |
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 |