CN113450268A - 一种基于后验概率的图像降噪方法 - Google Patents

一种基于后验概率的图像降噪方法 Download PDF

Info

Publication number
CN113450268A
CN113450268A CN202110566005.0A CN202110566005A CN113450268A CN 113450268 A CN113450268 A CN 113450268A CN 202110566005 A CN202110566005 A CN 202110566005A CN 113450268 A CN113450268 A CN 113450268A
Authority
CN
China
Prior art keywords
data
image
label
posterior probability
classification
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.)
Pending
Application number
CN202110566005.0A
Other languages
English (en)
Inventor
宋懿花
葛晨
周作建
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.)
Nanjing University of Chinese Medicine
Original Assignee
Nanjing University of Chinese Medicine
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 Nanjing University of Chinese Medicine filed Critical Nanjing University of Chinese Medicine
Priority to CN202110566005.0A priority Critical patent/CN113450268A/zh
Publication of CN113450268A publication Critical patent/CN113450268A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于后验概率的图像降噪方法。属于计算机视觉领域，操作步骤：数据的采集、数据标签标注、贝叶斯模型的训练、分类结果倒入字典学习稀疏矩阵中降噪、对降噪过的数据进行图像处理。本发明实施例所述的基于朴素贝叶斯后验概率和字典学习稀疏矩阵的图像去噪方法，通过朴素贝叶斯模型强大的分类功能，对图像中的噪声数据和样本标签数据进行细分类，然后将分类结果提供给字典学习稀疏矩阵进行稀疏表达，通过数学方法达到减噪、去噪的效果，提高医疗图像数据的信噪比，为后期的图像分割、检测等计算机临床辅助诊断提供技术支持，从而提高医院自动化临床诊断效率。

Description

一种基于后验概率的图像降噪方法
技术领域
本发明属于计算机视觉领域，涉及一种字典学习和朴素贝叶斯分类相关技术在图像处理中的应用，具体地，涉及一种融合贝叶斯后验概率分类和字典学习稀疏矩阵降噪方法，其作用是为医疗图像处理提供预处理结果，方便医疗图像的病灶检测和分析。
背景技术
贝叶斯分类方法是一种基于贝叶斯原理的数学方法，基于统计学知识，可以将样本数据进行一个较为精确的分类。根据已有的分类应用场景，可以得出朴素贝叶斯方法具有较高的分类精度。这种数学方法融合了概率统计学中的先验概率和后验概率。不仅在分类过程中有效的避免了主观因素对分类结果的干扰，同时也具有较高的泛化能力，在一定程度上降低了分类的过拟合。朴素贝叶斯方法简化了贝叶斯方法的一些过程，针对分类的样本数据作出一定的假设，使得样本数据可以在符合相互条件独立的基础上应用于朴素贝叶斯方法。从而在样本数据分析过程中，保证了数据的公平性，而且朴素贝叶斯方法降低了贝叶斯分类的复杂性，同时在真实场景中可以有效的提高贝叶斯模型在分类过程中的泛化能力。
字典学习是一种特征提取方法，核心思想是用最少的资源去表达最多的含义。例如在过去，人类沟通可以通过文字来表达互相的情感，然而彼此之间的情感又有多种结果，文字的数量是有限的，但可以通过有限的少量的文字去表达无限种类的情感。在这个环节中，我们仅仅以收纳在字典中的有限文字就可以表达无限的内容，其中的字典就为我们的情感表达提供了适当排列的依据。因此，从理论角度来分析，字典学习就是用有限的特征去表达样本数据中更多的核心内容。通过这样的方式得到的可以提取最本质特征的字典就是我们进行样本数据降维的工具，利用这一工具我们可以筛选掉一些不重要的脏数据或者噪声数据，从而降低这些不利因素对样本数据的整体分析精度。
现有的图像去噪方法具有效果差，过程复杂，精度低的缺点，为了解决这一问题，本文利用朴素贝叶斯方法的后验概率对医疗图像数据中的噪声数据和有效特征数据进行分类，得到相对较为精确的分类结果，然后作为字典学习稀疏矩阵的输入数据。字典学习稀疏矩阵可以将图像中的冗余噪声数据进行去除，尽最大可能保留图像中的标签数据，不仅可以在一定程度上简化模型，起到降维的效果，而且还可以提高图像数据的信噪比，为医疗图像的后期分析和检测提供较为精确的数据依据，从而为医生对病灶点的掌握简化过程，有助于提高医疗自动化的水平。
发明内容
发明目的：本发明的目的是提供了一种基于后验概率的图像降噪方法，利用朴素贝叶斯方法的后验概率和字典学习稀疏矩阵的去噪功能，提高图像数据的信噪比。
本发明提供了如下的技术方案：
一方面，本发明提供的是一种针对医疗图像数据的去噪方法，融合了朴素贝叶斯模型和字典学习稀疏矩阵，对提高图像数据的信噪比具有较为有效的作用。
第二方面，本发明提供的方法具有一定的临床医疗意义，特别是在计算机辅助诊断过程中具有相当程度的意义。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
具体的，本发明所述的一种基于后验概率的图像降噪方法，具体操作步骤如下：
(1.1)、数据的采集：对采集的数据进行标签标注；
(1.2)、数据标签标注：对标签数据进行标注是使用labelImg工具进行标签标定，
(1.3)、贝叶斯模型的训练：使用贝叶斯分类数学方法对标注好的标签数据进行细分类，通过对应的模型model文件固化训练后的参数，并以此作为后期分类的依据；
(1.4)、分类结果倒入字典学习稀疏矩阵中降噪：通过使用稀疏矩阵的稀疏表达功能，对分类结果进行降噪处理；
(1.5)、对降噪过的数据进行图像处理。
进一步的，在步骤(1.1)中，所述采集的数据是从CT及MR设备中扫描得到的原始数据。
进一步的，在步骤(1.2)中，所述的数据标签标注具体是指对标签数据噪声数据和样本标签数据的标注；
通过labelImg工具进行标签标定后，将类别标签的映射关系存放在yaml 文件中。
进一步的，在步骤(1.3)中，所述的贝叶斯分类数学方法的模型如下所示：
Figure RE-GDA0003231623730000021
其中，i表示样本标号；f表示样本集；p(C＝c)表示先验概率； p(Fi＝fi|C＝c)表示独立概率分布；n表示样本数量；Fi表示缩放因子；C 表示类别变量。
进一步的，在步骤(1.4)中，所述字典学习稀疏表达模型如下所示：
Figure RE-GDA0003231623730000031
其中，X表示稀疏表达结果图像；I表示贝叶斯分类后输出的图像；s表示图像分成patch的数量；
Figure RE-GDA0003231623730000032
表示图像path矩阵的转置矩阵；Es表示提取图像 path矩阵；Z表示带噪声图像数据；D表示稀疏表达矩阵；αs表示patch图像的稀疏表达信号数据。
有益效果：本发明与现有技术相比，本发明实施例所述的基于朴素贝叶斯后验概率和字典学习稀疏矩阵的图像去噪方法通过朴素贝叶斯模型强大的分类功能，对图像中的噪声数据和样本标签数据进行细分类，然后将分类结果提供给字典学习稀疏矩阵进行稀疏表达，通过数学方法达到减噪、去噪的效果，提高医疗图像数据的信噪比，为后期的图像分割、检测等计算机临床辅助诊断提供技术支持，从而提高医院自动化临床诊断效率。
附图说明
图1是本发明的操作流程图；
图2为本发明在工程应用中的实施例工作示意图。
具体实施方式
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
一种基于后验概率的图像降噪方法，使用朴素贝叶斯模型的后验概率分类，为图像数据中的噪声数据和样本标签数据进行较为精确的分类，分类得到的结果已经可以得到相对较好的清洗后的图像数据；然后基于这些清洗数据，输入到字典学习稀疏矩阵中，利用字典学习自学习的稀疏表达功能，减少或者去除图像中的噪声数据，从而在分类后的图像基础上进行更为细化的降噪，最终起到提高图像数据的信噪比，得到质量较高的预处理数据，方便后期进行更为精确的图像分析。
进一步的，给定的医疗图像数据(比如CTA、MRI、PET等)都可以作为贝叶斯分类模型的输入数据，数据信息以矩阵形式进行封装，使用python作为基本开发语言，利用python开源数据包numpy作为图像数据的处理工具，在节省开发时间的基础上也可以降低开发难度，节约实际开发成本。
具体的，本发明所述的一种基于后验概率的图像降噪方法，具体操作步骤如下：
(1.1)、数据的采集：对采集的数据进行标签标注；
所述采集的数据是可以从CT、MR等设备中直接扫描得到，这里得到的数据是的原始数据；
(1.2)、数据标签标注：对标签数据进行标注是使用labelImg工具进行标签标定；其中labelImg工具是一种开源数据集标注工具，通过手动对图像中的目标点进行标注，可以生成图像与标签数据的映射关系，并且将该映射关系存放在yaml文件中，后期进行模型训练直接通过读取该yaml文件获取数据；
该部分的数据需要专业医生参与，对标签数据噪声数据和样本标签数据的标注使用labelImg工具进行标签标定，将类别标签的映射关系存放在yaml文件中；
(1.3)、贝叶斯模型的训练：该过程中，开始使用贝叶斯分类数学方法对标注好的标签数据进行细分类，通过对应的模型model文件固化训练后的参数，并以此作为后期分类的依据；
所述的贝叶斯分类数学方法的模型如下所示：
Figure RE-GDA0003231623730000041
其中，i表示样本标号；f表示样本集；p(C＝c)表示先验概率； p(Fi＝fi|C＝c)表示独立概率分布；n表示样本数量；Fi表示缩放因子；C 表示类别变量。
(1.4)、分类结果倒入字典学习稀疏矩阵中降噪：在这一步中，原始数据中的噪声和样本标签数据已经进行了较为精确的分类，因此在这里仅需使用稀疏矩阵的稀疏表达功能，对图像中的噪声数据进行一个降噪处理即可；
所述字典学习稀疏表达模型如下所示：
Figure RE-GDA0003231623730000051
其中，X表示稀疏表达结果图像；I表示贝叶斯分类后输出的图像；S表示图像分成patch的数量；
Figure RE-GDA0003231623730000052
表示图像path矩阵的转置矩阵；Es表示提取图像 path矩阵；Z表示带噪声图像数据；D表示稀疏表达矩阵；αs表示patch图像的稀疏表达信号数据。
(1.5)、对降噪过的数据进行图像处理；比如基于降噪后的数据进行图像的识别和分割处理；
具体的是，降噪处理后的数据可供进行进一步的分析，比如图像分割，病灶点检测等。
实施例1
本发明实施例1提供一种基于朴素贝叶斯后验概率和字典学习稀疏矩阵的图像去噪方法，利用朴素贝叶斯精确的后验概率和字典学习稀疏矩阵的去噪效果，对给定的医疗图像数据进行噪声和标签数据的分类，得到清洗后的预处理分类结果；然后将分类结果作为字典学习稀疏矩阵的输入结果，利用字典学习稀疏矩阵的表达功能，对噪声数据进行减噪、降噪处理，从而提高医疗图像数据的信噪比，为后期医疗临床数据的观察和分析提供更为精确和高质量的医疗图像数据有助于提高医生临床诊断的水平。
本发明实施例所述的基于朴素贝叶斯后验概率和字典学习稀疏矩阵的图像去噪方法，通过朴素贝叶斯模型强大的分类功能，对图像中的噪声数据和样本标签数据进行细分类，然后将分类结果提供给字典学习稀疏矩阵进行稀疏表达，通过数学方法达到减噪、去噪的效果，提高医疗图像数据的信噪比，如下式所述：
C＝Rlb(1+S/N)
其中，C代表信道也就是传输通道可传送的最大信息速率简称为信道容量； B代表信道也就是传输通道的带宽；S/N代表接收信号的信噪比，核心就是通过提高S/N来获取更高质量的图像数据；lb代表以2为底的对数；
为后期的图像分割、检测等计算机临床辅助诊断提供技术支持，从而提高医院自动化临床诊断效率；本发明具有一定的临床应用价值和工程实用价值。

Claims (5)

1.一种基于后验概率的图像降噪方法，其特征在于，具体操作步骤如下：
(1.1)、数据的采集：对采集的数据进行标签标注；
(1.2)、数据标签标注：对标签数据进行标注是使用labelImg工具进行标签标定，
(1.3)、贝叶斯模型的训练：使用贝叶斯分类数学方法对标注好的标签数据进行细分类，通过对应的模型model文件固化训练后的参数，并以此作为后期分类的依据；
(1.4)、分类结果倒入字典学习稀疏矩阵中降噪：通过使用稀疏矩阵的稀疏表达功能，对分类结果进行降噪处理；
(1.5)、对降噪过的数据进行图像处理。
2.根据权利要求1所述的一种基于后验概率的图像降噪方法，其特征在于，在步骤(1.1)中，所述采集的数据是从CT及MR设备中扫描得到的原始数据。
3.根据权利要求1所述的一种基于后验概率的图像降噪方法，其特征在于，在步骤(1.2)中，所述的数据标签标注具体是指对标签数据噪声数据和样本标签数据的标注；
通过labelImg工具进行标签标定后，将类别标签的映射关系存放在yaml文件中。
4.根据权利要求1所述的一种基于后验概率的图像降噪方法，其特征在于，在步骤(1.3)中，所述的贝叶斯分类数学方法的模型如下所示：
Figure FDA0003080717400000011
其中，i表示样本标号；f表示样本集；p(C＝c)表示先验概率；p(Fi＝fi|C＝c)表示独立概率分布；n表示样本数量；Fi表示缩放因子；C表示类别变量。
5.根据权利要求1所述的一种基于后验概率的图像降噪方法，其特征在于，在步骤(1.4)中，所述字典学习稀疏表达模型如下所示：
Figure FDA0003080717400000012
其中，X表示稀疏表达结果图像；I表示贝叶斯分类后输出的图像；S表示图像分成patch的数量；
Figure FDA0003080717400000013
表示图像path矩阵的转置矩阵；Es表示提取图像path矩阵；Z表示带噪声图像数据；D表示稀疏表达矩阵；αs表示patch图像的稀疏表达信号数据。
CN202110566005.0A 2021-05-24 2021-05-24 一种基于后验概率的图像降噪方法 Pending CN113450268A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110566005.0A CN113450268A (zh) 2021-05-24 2021-05-24 一种基于后验概率的图像降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110566005.0A CN113450268A (zh) 2021-05-24 2021-05-24 一种基于后验概率的图像降噪方法

Publications (1)

Publication Number Publication Date
CN113450268A true CN113450268A (zh) 2021-09-28

Family

ID=77810119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110566005.0A Pending CN113450268A (zh) 2021-05-24 2021-05-24 一种基于后验概率的图像降噪方法

Country Status (1)

Country Link
CN (1) CN113450268A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117352151A (zh) * 2023-12-05 2024-01-05 吉林大学 智能陪护管理系统及其方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197980A1 (en) * 2004-02-06 2005-09-08 Siemens Medical Solutions Usa, Inc. System and method for a sparse kernel expansion for a bayes classifier
US7813581B1 (en) * 2005-05-06 2010-10-12 Fitzpatrick Ben G Bayesian methods for noise reduction in image processing
CN103854262A (zh) * 2014-03-20 2014-06-11 西安电子科技大学 基于结构聚类与稀疏字典学习的医学图像降噪方法
CN109308485A (zh) * 2018-08-02 2019-02-05 中国矿业大学 一种基于字典域适应的迁移稀疏编码图像分类方法
CN109671041A (zh) * 2019-01-26 2019-04-23 北京工业大学 一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法
CN111652317A (zh) * 2020-06-04 2020-09-11 郑州科技学院 基于贝叶斯深度学习的超参数图像分割方法
CN112581384A (zh) * 2020-11-29 2021-03-30 国网上海市电力公司 一种图像降噪方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197980A1 (en) * 2004-02-06 2005-09-08 Siemens Medical Solutions Usa, Inc. System and method for a sparse kernel expansion for a bayes classifier
US7813581B1 (en) * 2005-05-06 2010-10-12 Fitzpatrick Ben G Bayesian methods for noise reduction in image processing
CN103854262A (zh) * 2014-03-20 2014-06-11 西安电子科技大学 基于结构聚类与稀疏字典学习的医学图像降噪方法
CN109308485A (zh) * 2018-08-02 2019-02-05 中国矿业大学 一种基于字典域适应的迁移稀疏编码图像分类方法
CN109671041A (zh) * 2019-01-26 2019-04-23 北京工业大学 一种具有拉普拉斯噪声的非参数贝叶斯字典学习方法
CN111652317A (zh) * 2020-06-04 2020-09-11 郑州科技学院 基于贝叶斯深度学习的超参数图像分割方法
CN112581384A (zh) * 2020-11-29 2021-03-30 国网上海市电力公司 一种图像降噪方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邱红梅;李华锋;余正涛;: "基于稀疏表示的医学图像融合", 传感器与微系统, no. 10, pages 57 - 60 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117352151A (zh) * 2023-12-05 2024-01-05 吉林大学 智能陪护管理系统及其方法
CN117352151B (zh) * 2023-12-05 2024-03-01 吉林大学 智能陪护管理系统及其方法

Similar Documents

Publication Publication Date Title
CN108665456B (zh) 基于人工智能的乳腺超声病灶区域实时标注的方法及系统
US20220083762A1 (en) Digital image classification method for cervical fluid-based cells based on a deep learning detection model
CN106056595A (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法
CN112380900A (zh) 基于深度学习的子宫颈液基细胞数字图像分类方法及系统
CN110728666B (zh) 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统
CN113139977B (zh) 一种基于YOLO和U-Net的口腔曲断影像智齿分割方法
CN115359066B (zh) 用于内窥镜的病灶检测方法、装置、电子设备及存储介质
CN114140465B (zh) 基于宫颈细胞切片图像的自适应的学习方法和学习系统
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
CN117689949A (zh) 一种基于少样本学习的消化道内镜图像分类算法
CN111383222A (zh) 一种基于深度学习的椎间盘mri图像智能诊断系统
CN113269778B (zh) 基于迭代的图像弱监督分割方法
CN114140437A (zh) 一种基于深度学习的眼底硬渗出物分割方法
CN114881105A (zh) 基于transformer模型和对比学习的睡眠分期方法及系统
CN113450268A (zh) 一种基于后验概率的图像降噪方法
Poorani et al. Identification of polycystic ovary syndrome in ultrasound images of ovaries using distinct threshold based image segmentation
CN114049315B (zh) 关节识别方法、电子设备、存储介质及计算机程序产品
CN113643263B (zh) 一种上肢骨定位与前臂骨融合畸形的识别方法及系统
CN115761226A (zh) 一种口腔影像分割识别方法、装置、电子设备和存储介质
CN115018874A (zh) 一种基于频域分析的眼底血管分割域泛化方法
CN113796850A (zh) 甲状旁腺mibi图像分析系统、计算机设备及存储介质
CN112150565A (zh) 一种医学图像管理系统
Kaoungku et al. Colorectal Cancer Histology Image Classification Using Stacked Ensembles
CN113936165B (zh) Ct图像的处理方法、终端及计算机存储介质
CN117576492B (zh) 胃间质瘤在胃超声内镜下的病灶自动标注识别装置

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