CN113436099B - 血管内光学相干层析成像两级导管伪影去除方法 - Google Patents
血管内光学相干层析成像两级导管伪影去除方法 Download PDFInfo
- Publication number
- CN113436099B CN113436099B CN202110715058.4A CN202110715058A CN113436099B CN 113436099 B CN113436099 B CN 113436099B CN 202110715058 A CN202110715058 A CN 202110715058A CN 113436099 B CN113436099 B CN 113436099B
- Authority
- CN
- China
- Prior art keywords
- sheath
- artifact
- image
- layer
- rho
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012014 optical coherence tomography Methods 0.000 title claims abstract description 24
- 238000007619 statistical method Methods 0.000 claims description 3
- 208000029078 coronary artery disease Diseases 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 210000004351 coronary vessel Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010003211 Arteriosclerosis coronary artery Diseases 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 208000026758 coronary atherosclerosis Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002966 stenotic effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Endoscopes (AREA)
Abstract
本发明涉及一种血管内光学相干层析成像两级导管伪影去除方法,包括下列步骤:将光学相干层析成像图像中的管鞘伪影视为四层环状结构,收集包含管鞘伪影的光学相干层析成像图像样本集;得到消除第一和二层管鞘伪影的图像Ir(θ,ρ);使用大津法将消除第一和二层管鞘伪影的图像Ir(θ,ρ)转化为二值图B(θ,ρ);计算二值图B(θ,ρ)中单连通孤立区域,找出面积小于经验阈值τc的所有元素;标记外层管鞘伪影;于外层管鞘伪影中的像素,计算管鞘去除后的最终图像。
Description
技术领域
本发明属于血管内光学相干层析成像图像处理技术领域,更为具体地讲,涉及一种血管内光学相干层析成像图像管鞘伪影去除。
背景技术
目前,冠心病是导致人类死亡的首要病因,且未来10年我国冠心病患病及死亡人数仍将快速增长。而冠状动脉粥样硬化是引发冠心病的主要原因。当脂质在冠状动脉内膜聚集后,会形成黄色的黄色粥样外观,因此又将其命名为冠状动脉粥样硬化。对于冠心病,传统的诊断方法一般为临床症状分析、心电图、血脂检测和运动负荷实验检测等。但这些方法的诊断准确性不高,有时还会造成冠心病的误诊和漏诊,并对患者造成一定程度的精神负担和经济压力。因此,冠心病的诊断预防需要医学影像技术的发展进行指导。
在医学诊断领域,医学影像技术是一门新兴的学科,具有十分巨大的发展潜力。在医学研究过程中,将物理场源以非侵入的方式施加在生物组织之后,生物组织由于所施加的物理场而产生物理特性变化,依据此变化按一定的规律将生物组织部分转化为视觉影像,这种技术称之为医学影像技术。通过医学影像技术,可以较为准确观察生物组织状况,观察是否发生生物组织病变以及病变情况,对生物组织情况进行定性和定量的评估,从而帮助医生进行更好得临床诊断。
光学相干断层扫描(Optical Coherence tomography简称OCT)是一种新兴的医学成像技术,该技术以光学相干理论为基础,具有高分辨率、成像速度快、非侵入特点,被广泛应用于血管内成像,是动脉粥样硬化疾病诊断的重要手段。但是,血管内光学相干层析成像(Intravascular Optical Coherence tomography简称IVOCT)图像中存在的管鞘伪影严重影响了血管内部图像,需要去除。
IVOCT图像中的管鞘伪影主要依据导管的先验信息进行去除。L.S.Athanasiou等人在2017年的Elsevier Science中发表的名为《基于冠状动脉成像的动脉粥样硬化斑块表征方法》(Atherosclerotic plaque characterization methods based on coronaryimaging)的文章中,直接根据导管先验信息去除掉管鞘伪影。专利CN108416769A《基于预处理的IVOCT图像易损斑块自动检测方法》和专利CN109118508A《IVOCT图像血管壁内腔轮廓提取方法》都采用将成像导管部分区域所对应的像素值都赋零的方法去除管鞘伪影。在此基础上Amrute J.M.等人在2018年的Journal of Biomedical OpticsJournal ofBiomedical Optics中发表名为《冠状动脉内光学相干层析成像的聚合血管内支柱和腔内检测算法》(Polymeric endovascular strut and lumen detection algorithm forintracoronary optical coherence tomography images)的文章中提出鞘层几何结构的过度简化导致部分聚合物支柱或管腔边界的缺失,为了准确删除保护鞘,采用沿鞘轮廓梯度行走的边缘检测方法去除管鞘伪影。
也可以通过形态学特征来区分出管鞘伪影。专利CN110717888A《一种血管内光学相干层析成像血管壁内轮廓自动识别方法》基于形态学的方向和面积特征对原始图像中的各个对象进行标记得到各个连通区域的方向及面积属性,去除导丝以及导管。专利US20120075638A1《血管内光学相干层析成像图像的分割和量化》(Segmentation andquantification for intravascular optical coherence tomography images)应用Otsu的方法来生成前景和背景像素的二进制图像,施加区域约束来去除小于某个阈值的面积的任何孤立区域,从而去除管鞘伪影。专利US20160174925A1《血管数据处理和图像配准系统,方法和器具》(Vascular data processing and image registration systems,methods,and apparatuses)利用导管的特征矢量方向与血管的特征矢量方向的差别来区分管鞘伪影。
发明内容
本发明的目的在于提供一种去除IVOCT图像中的管鞘伪影的方法,在保证管鞘伪影分割准确性的基础上,缩短了处理时间。本发明基于临床IVOCT图像中管鞘伪影的特点提出一种两级管鞘伪影去除(Two Stage Catheter Remove简称TSCR)算法,分为内层管鞘伪影识别和外层管鞘伪影识别两个部分。首先根据统计信息去除内层管伪影鞘,然后利用外层管鞘伪影非连续的特点将其去除,从而实现IVOCT图像中管鞘伪影的完全去除。从实验结果可知,本发明所设计的算法能够较好地去除IVOCT图像中的管鞘伪影,而且算法对于管鞘贴壁情况具有较好的鲁棒性。技术方案如下:
一种血管内光学相干层析成像两级导管伪影去除方法,包括下列步骤:
步骤一:将光学相干层析成像图像中的管鞘伪影视为四层环状结构,由内至外管鞘伪影的半径分别记为ρ1、ρ2、ρ3和ρ4,收集包含管鞘伪影的光学相干层析成像图像样本集,并对样本集中管鞘伪影半径做统计分析,通过高斯函数拟合得到,第二层和第四层管鞘直径的分布分别记为ρ2~N(μρ2,σρ2)和ρ4~N(μρ4,σρ4),其中μρ2,σρ2和μρ4,σρ4分别为第二层和第四层管鞘半径高斯分布的期望和方差。
步骤二:设待处理极坐标OCT图像为I(θ,ρ),设定极坐标OCT图像的坐标原点,θ和ρ为像素点的极坐标值,采用下述公式得到消除第一和二层管鞘伪影的图像Ir(θ,ρ):
步骤三:使用大津法将消除第一和二层管鞘伪影的图像Ir(θ,ρ)转化为二值图B(θ,ρ)
步骤四:计算二值图B(θ,ρ)中单连通孤立区域,记为Sk(k=1,2…K),其中K为孤立区域总个数,全部离散区域的集合记为S={S1,S2…,SK},找出集合S中面积小于经验阈值τc的所有元素,构成集合ST。
步骤五:将极坐标半径落入值[μρ4+2σρ4,μρ4+2σρ4],且属于集合ST的离散区域,标记为外层管鞘伪影。
步骤六:按照下述公式,对于外层管鞘伪影中的像素,计算管鞘去除后的最终图像:
附图说明
图1为本发明的两级管鞘伪影去除算法的完整流程图;
图2为不同IVOCT图像在极坐标和直角坐标中的管鞘分布;
图3为ρ2和ρ4管鞘半径概率分布图;
图4为依据ρ2去除连续管鞘结果;
图5为不同阈值τc对管鞘伪影去除的影响结果;
图6为不同IVOCT图像在极坐标和直角坐标中管鞘伪影去除前后对比。
具体实施方式
结合附图和实施例对本发明的两级管鞘伪影去除算法加以说明。
如图2所示,在IVOCT图像中,临床图像采集过程中,导管回撤会发生抖动,迫使光纤旋转中心偏离导管轴线,内外层管鞘伪影不同心;由于光的衰减,外层管鞘伪影可能不连续且为非标准圆形;在狭窄血管处,导管可能紧贴血管壁,增加了管鞘伪影去除的难度。设4层管鞘光圈的半径分别为ρ1、ρ2、ρ3和ρ4,分析其特点可知,在极坐标图中内两层为连续的近似直线;第三层非连续近似直线,但不会与血管壁相接;第四层最为模糊,且可能与管壁接触。
图1是本发明的两级管鞘伪影去除算法的完整流程图,分为内层管鞘识别与外层管鞘识别两个部分。
内层管鞘去除的过程中,首先应对管鞘半径做统计分析。管鞘半径的真实值由人为标定得到。实验过程中假设管鞘半径的概率分布符合高斯分布,第二层和第四层管鞘直径的分布分别记为ρ2~N(μρ2,σρ2)和ρ4~N(μρ4,σρ4),其中μρ2,σρ2和μρ4,σρ4分别为第二层和第四层管鞘半径高斯分布的期望和方差。管鞘半径的分布情况如图3所示,图像中实线部分为ρ2的概率密度函数,虚线部分为ρ4的概率密度函数。本例中,通过统计分析,测试样本集中的第二层和第四层管鞘半径的μρ2=71.3,σρ2=6.7,μρ4=101.5,σρ4=8.2。分析可知,对于ρ2的概率分布,取95%的单侧置信区间,得到μρ2+2σρ2=84.7,也即是ρ2有95%的概率存在于图像第85行像素点以内;同样可计算ρ4的5%的置信区间,得到μρ4-σρ4=83.1,即ρ4仅有5%的概率存在于图像第83行像素点以内。根据该分析可知,如果我们采用85作为阈值,去除管鞘伪影,则有约95%的概率完全去除内两层管鞘,只有约5%的概率去除外两层管鞘。
设图像为I(ρ,θ),则内层管鞘去除后的图像为:
内层管鞘去除效果如图4所示。
外层管鞘伪影去除主要依据外层管鞘伪影非连续的特点。首先,使用大津法将图像I(θ,ρ)转化为二值图B(θ,ρ)。其次,计算对于二值图B(θ,ρ)中的单连通微小孤立区域,记为Sk(k=1,2…K),全部离散区域的集合记为S={S1,S2…,SK}。找出集合S中面积小于某一阈值的所有元素,构成集合:
当离散区域的面积小于阈值τc之时,该离散区域被标记为外层管鞘伪影。此外,根据最外层管鞘的先验概率分布可知,外层管鞘半径95%的置信区间为[μρ4+2σρ4,μρ4+2σρ4],因此只对落入该区间内的微小单连通区域进行去除。其中τc为超参数,需要根据经验选取。图5给出了分别选取τc为50、300和1200时的管鞘伪影去除结果。可以看出,如果τc选取过小,会导致部分管鞘部分难以去除;而τc的值过大时,有时会将图像中的管腔主体部分去除。在本例中,确定τc=300为最终阈值。
综上所述,最终管鞘区域去除算法可由下式表示:
式中Ic(ρ,θ)为去除管鞘伪影的最终结果。
如图6所示,由上至下以此为管鞘去除前的极坐标图像、管鞘去除后的极坐标图像、管鞘去除前的直角坐标图像、管鞘去除前的直角坐标图像,由左至右图中管腔面积依次减小。随着管腔面积的减小,管鞘也渐渐向管腔内壁靠近。第1至3列图像中,管鞘基本处于管腔的中心部分,且不与管腔壁相连。而在第4列图像中,管腔面积较小,且部分管鞘贴在管腔内壁上。从图像中结果可以看出,本发明所设计的算法能够较好地去除IVOCT图像中的管鞘伪影,而且算法对于管鞘贴壁情况具有较好的鲁棒性。
本发明不局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的显而易见的等效或修改,都在本发明的保护之列。
Claims (1)
1.一种血管内光学相干层析成像两级导管伪影去除方法,包括下列步骤:
步骤一:将光学相干层析成像图像中的管鞘伪影视为四层环状结构,由内至外管鞘伪影的半径分别记为ρ1、ρ2、ρ3和ρ4,收集包含管鞘伪影的光学相干层析成像图像样本集,并对样本集中管鞘伪影半径做统计分析,通过高斯函数拟合得到,第二层和第四层管鞘直径的分布分别记为ρ2~N(μρ2,σρ2)和ρ4~N(μρ4,σρ4),其中μρ2,σρ2和μρ4,σρ4分别为第二层和第四层管鞘半径高斯分布的期望和方差;
步骤二:设待处理极坐标OCT图像为I(θ,ρ),设定极坐标OCT图像的坐标原点,θ和ρ为像素点的极坐标值,采用下述公式得到消除第一和二层管鞘伪影的图像Ir(θ,ρ):
步骤三:使用大津法将消除第一和二层管鞘伪影的图像Ir(θ,ρ)转化为二值图B(θ,ρ);
步骤四:计算二值图B(θ,ρ)中单连通孤立区域,记为Sk(k=1,2…K),其中K为孤立区域总个数,全部离散区域的集合记为S={S1,S2…,SK},找出集合S中面积小于经验阈值τc的所有元素,构成集合ST;
步骤五:将极坐标半径落入值[μρ4+2σρ4,μρ4+2σρ4],且属于集合ST的离散区域,标记为外层管鞘伪影;
步骤六:按照下述公式,对于外层管鞘伪影中的像素,计算管鞘去除后的最终图像:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715058.4A CN113436099B (zh) | 2021-06-25 | 2021-06-25 | 血管内光学相干层析成像两级导管伪影去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715058.4A CN113436099B (zh) | 2021-06-25 | 2021-06-25 | 血管内光学相干层析成像两级导管伪影去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436099A CN113436099A (zh) | 2021-09-24 |
CN113436099B true CN113436099B (zh) | 2022-03-22 |
Family
ID=77754838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110715058.4A Active CN113436099B (zh) | 2021-06-25 | 2021-06-25 | 血管内光学相干层析成像两级导管伪影去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436099B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780495A (zh) * | 2017-02-15 | 2017-05-31 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的心血管植入支架自动检测与评估方法及系统 |
CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
CN109118508A (zh) * | 2018-08-31 | 2019-01-01 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN110060258A (zh) * | 2019-03-27 | 2019-07-26 | 山东师范大学 | 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和系统 |
CN112651984A (zh) * | 2020-12-31 | 2021-04-13 | 深圳开立生物医疗科技股份有限公司 | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 |
CN112716461A (zh) * | 2015-11-19 | 2021-04-30 | 光学实验室成像公司 | 血管内成像和引导导管的检测的方法和系统 |
EP3831279A1 (en) * | 2019-12-05 | 2021-06-09 | Canon U.S.A. Inc. | Lumen, stent, and/or artifact detection in one or more images, such as in optical coherence tomography images |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9351698B2 (en) * | 2013-03-12 | 2016-05-31 | Lightlab Imaging, Inc. | Vascular data processing and image registration systems, methods, and apparatuses |
-
2021
- 2021-06-25 CN CN202110715058.4A patent/CN113436099B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112716461A (zh) * | 2015-11-19 | 2021-04-30 | 光学实验室成像公司 | 血管内成像和引导导管的检测的方法和系统 |
CN106780495A (zh) * | 2017-02-15 | 2017-05-31 | 深圳市中科微光医疗器械技术有限公司 | 基于oct的心血管植入支架自动检测与评估方法及系统 |
CN107133959A (zh) * | 2017-06-12 | 2017-09-05 | 上海交通大学 | 一种快速的血管边界三维分割方法及系统 |
CN109118508A (zh) * | 2018-08-31 | 2019-01-01 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN110060258A (zh) * | 2019-03-27 | 2019-07-26 | 山东师范大学 | 基于高斯混合模型聚类的视网膜水肿sd-oct图像分割方法和系统 |
EP3831279A1 (en) * | 2019-12-05 | 2021-06-09 | Canon U.S.A. Inc. | Lumen, stent, and/or artifact detection in one or more images, such as in optical coherence tomography images |
CN112651984A (zh) * | 2020-12-31 | 2021-04-13 | 深圳开立生物医疗科技股份有限公司 | 血管管腔内膜轮廓提取方法、装置及超声设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113436099A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11250294B2 (en) | Systems and methods for classification of arterial image regions and features thereof | |
CN113470137B (zh) | 基于灰度加权的ivoct图像导丝伪影去除方法 | |
CN110969622B (zh) | 用于辅助肺炎诊断的图像处理方法和系统 | |
Faraji et al. | Segmentation of arterial walls in intravascular ultrasound cross-sectional images using extremal region selection | |
CN110490040B (zh) | 一种识别dsa冠状动脉图像中局部血管狭窄程度的方法 | |
CN109118508B (zh) | Ivoct图像血管壁内腔轮廓提取方法 | |
US11557072B2 (en) | Clustering algorithm-based multi-parameter cumulative calculation method for lower limb vascular calcification indexes | |
Lee et al. | Segmentation of coronary calcified plaque in intravascular OCT images using a two-step deep learning approach | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
Wang et al. | Automatic segmentation of intravascular optical coherence tomography images for facilitating quantitative diagnosis of atherosclerosis | |
KR102361354B1 (ko) | 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법 | |
JP2021104337A (ja) | 内腔に沿った管腔内デバイスの管腔内経路の推定 | |
Athanasiou et al. | Fully automated calcium detection using optical coherence tomography | |
Miyagawa et al. | Detecting vascular bifurcation in IVOCT images using convolutional neural networks with transfer learning | |
Maaliw et al. | An enhanced segmentation and deep learning architecture for early diabetic retinopathy detection | |
KR101906944B1 (ko) | Ivoct 영상 기반 혈관 내강의 자동 분류 방법 및 시스템 | |
CN110353639B (zh) | 一种基于血管增强造影的供血区定量方法及系统 | |
US20220319004A1 (en) | Automatic vessel analysis from 2d images | |
Loizou et al. | Segmentation of atherosclerotic carotid plaque in ultrasound video | |
CN113436099B (zh) | 血管内光学相干层析成像两级导管伪影去除方法 | |
KR102242114B1 (ko) | Oct 의료 영상 기반 인공지능 컴퓨터 보조 진단 시스템 및 그 방법 | |
KR101366341B1 (ko) | 비모수적 확률 모델과 스무딩 함수를 이용한 혈관 내 초음파 영상에서 내강 경계면 자동 분할 방법 | |
Niu et al. | Improving automated tissue characterization in optical coherence tomography by melding attenuation compensation with deep learning | |
Wang et al. | Automatic segmentation of vessel lumen in intravascular optical coherence tomography images | |
Kyriakidis et al. | A novel methodology for detection of lumen, outer wall, plaques and stent struts in coronary arteries using optical coherence tomography |
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 |