CN113935906B - 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 - Google Patents
傅里叶域光学相干层析成像的强反射条纹噪声去除方法 Download PDFInfo
- Publication number
- CN113935906B CN113935906B CN202111038113.7A CN202111038113A CN113935906B CN 113935906 B CN113935906 B CN 113935906B CN 202111038113 A CN202111038113 A CN 202111038113A CN 113935906 B CN113935906 B CN 113935906B
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- optical coherence
- coherence tomography
- fourier domain
- 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 38
- 238000012014 optical coherence tomography Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 33
- 238000012545 processing Methods 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了傅里叶域光学相干层析成像的强反射条纹噪声去除方法。该方法首先采集粗糙物体的FD‑OCT作为标签数据,再加上随机噪声得到了对应的样本数据,形成训练数据集。通过小波变换进行预处理后,输入预测模型中进行模型训练。预测模型由10层卷积神经网络和concat操作组成。通过损失函数对预测模型进行迭代优化,得到最优网络参数。将包含条纹噪声的样本数据输入到优化好的预测模型中,将输出数据通过逆小波变换,即可得到去除条纹噪声后的图形。本方法解决了实际测量中无法获取样本数据对应高质量标签,以及传统方法在去噪过程中降低图片质量或损失图片细节的问题。
Description
技术领域
本发明属于图像去噪处理技术领域,涉及傅里叶域光学相干层析成像的去噪处理,具体涉及傅里叶域光学相干层析成像的强反射条纹噪声去除方法。
背景技术
傅里叶域光学相干层析成像(Fourier Domain Optical Coherence Tomography,FD-OCT)可以实现对生物样本动态无损的连续监测,但在测量表面光滑的样本或放置在易产生镜面反射载体上如培养皿中的样本时,由于测量方法和成像设备的不足,成像质量往往会受到来自强反射带来的条纹噪声的影响。条纹噪声会将对应的A-scan全部抬高,从而使得夹杂噪声的样本图像呈现明暗交替的条纹,同时在条纹噪声中还会夹杂散斑噪声,使得单个条纹呈现为断断续续的形态,从而导致样本部分细节的丢失,影响对样本的观察和后续处理。
为了降低条纹噪声,可以在测量样本时,通过倾斜样本,降低强反射的干扰和减少条纹噪声的产生,但倾斜会使得样本位置发生改变,引起一些不必要的麻烦且有会增大后续分析和处理的难度,影响最终实验结果的正确性,不利于用在对样本进行连续监测或目标追踪上。传统的去噪方法如均值滤波、中值滤波等,其原理是考虑一个时间窗内的信号,通过一定的运算手段计算出新的数值来代替该时间窗内的样本信号,但由于强反射引起的条纹噪声相邻两帧数据数值相差较大,处理后并不能有效改善条纹噪声带来的影响,反而会使得图像细节变得更差或存在过度模糊图像的情况。因此,如何去除强反射引起的条纹噪声对于FD-OCT的应用和应用领域扩展是一个关键问题。
在图像处理领域引入深度学习的方法常常会取得一些意想不到的效果,这种方法对噪声的抑制效果要优于传统的处理方法。然而深度学习法十分依赖样本集,样本集的好坏直接影响最终图像质量。在实际采集过程中难以获取有条纹噪声图像样本对应的无条纹噪声标签来训练网络,倘若使用调节对比度后的图像作为样本标签,这仅是从显示效果改善了图像质量,图像信号的本质并没有发生变化,而且对比度调节会牺牲样品信号值较低的部分,从而会丢失样本局部细节;如果通过多次采集平均方式获取的图像作为标签,得到的结果也相对较差,这主要是由于通过单纯的平均对应处的信号,并不能改善明暗交替的情况。相似的,也存在平均后对具体位置进行配准的方法,这种方法主要是适用于动态样本场景如测量眼球等,但对表面光滑的样本或放置在易产生镜面反射载体上的样本进行测量使用效果并不明显,因此借助深度学习处理强反射条纹噪声时,如何构建样本集也是影响着最终条纹噪声去除好坏的关键的一环。
发明内容
针对现有技术的不足,本发明提出了傅里叶域光学相干层析成像的强反射条纹噪声去除方法,解决了训练样本的数据集构建问题,以及采集过程中FD-OCT样品臂的反射光形成强反射,导致的图像中亮暗条纹噪声的去除问题。
傅里叶域光学相干层析成像的强反射条纹噪声去除方法,具体包括以下步骤:
步骤一、数据集构建
采集多张表面粗糙的物品的傅里叶域光学相干层析图像作为标签数据Iraw,对标签数据Iraw加上随机的模拟噪声Inoise,得到的数据作为样本数据I:
I(i,j)=Iraw(i,j)+Inoise(i,j) (1)
其中,i、j分别代表图像的行、列。
将原始的标签数据Iraw和处理后的样本数据I一一对应构成数据集,然后扩充数据集数量,再根据一定比例将数据集划分为训练集和测试集。
作为优选,扩充数据集数量的方法包括旋转和对称。
作为优选,所述模拟噪声Inoise的均值为0,标准差为0~0.25。
步骤二、数据预处理
将步骤一构建的训练集进行小波变换,计算得到对应的子带系数,完成数据预处理:
其中,Im为输入的训练集,H为变换矩阵,上标T表示转置。IM为小波变换的结果,cA为近似子带系数、cV为垂直子带系数、cH为水平子带系数、cD为对角子带系数。
步骤三、预测网络构建
构建由卷积网络和concat操作组成的预测网络,小波变换后的噪声图像作为输入,逆小波变换后的无噪声图像作为输出。输入的一支与卷积网络连接,另一支与concat操作连接。其中卷积网络由多个卷积层和激活函数依次排列构成,最后一个卷积层直接与concat操作相连。concat操作完成数据拼接后连接到输出。
所述激活函数为线性整流函数:
f(x)=max(0,x) (3)
其中,x为神经元的输入。
作为优选,所述卷积层的通道数为64,卷积核大小为3x3,步长为1。
作为优选,所述卷积网络中,卷积层的数量为10层。
步骤四、预测网络训练
将训练集中经过预处理的样本数据输入到预测网络,将样本数据对应的标签与预测网络的输出一同输入到损失函数中,设置优化策略,对网络进行迭代训练。
所述损失函数Loss为:
Loss=LW+λ·LD (4)
其中,LW为小波系数均方差,LD为方向正则化,λ为方向正则化权重:
其中,为L2范数的平方,cA、cV、cH、cD分别为样本数据的近似子带系数、垂直子带系数、水平子带系数、对角子带系数。/>分别为标签数据的近似子带系数、垂直子带系数、水平子带系数、对角子带系数。/>是微分算子,/>是近似子带系数误差,/>样本数据与标签数据的水平子带系数误差。
作为优选,所述训练策略为:设置学习深度为10,损失函数目标值为0.5,初始学习率为0.001,每迭代10次,学习率降低0.5倍。
步骤五、条纹噪声去除
将测试集数据按步骤二进行预处理后,输入到步骤四训练好的预测网络中,在网络的输出去除条纹噪声后的4个子带系数,再通过逆小波变换,得到去除条纹噪声后的图像。
本发明的另一个目的是一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的方法。
本发明具有以下有益效果:
(1)使用反向模拟的方式构建样本集,解决了实际测量中无法获取样本数据对应高质量标签的问题。
(2)使用小波参数预测网络可以解决强反射条纹噪声中夹杂着散斑噪声,导致条纹噪声呈现不连续图像的问题。
(3)使用该方法能够很好的去除强反射条纹噪声,同时尽可能保留原有图像中的细节,可以提高样本与背景噪声的区分度,大幅度改善FD-OCT图像的三维重建质量,增强可视化效果,便于后续处理分析。
附图说明
图1为构建的预测网络结构示意图;
图2为预测网络训练优化示意图;
图3(a)为带条纹噪声的二维图像,图3(b)为去除条纹噪声后的二维图像;
图4(a)为带条纹噪声的三维图像,图4(b)为去除条纹噪声后的三维图像。
具体实施方式
以下结合附图对本发明作进一步的解释说明;
步骤一、数据集构建
使用FD-OCT系统采集3000张表面粗糙的物品的傅里叶域光学相干层析图像作为标签数据Iraw,在采集过程中需要保证图像中不含有条纹噪声。对标签数据Iraw随机加上均值为0、标准差在0至0.25之间的模拟噪声Inoise,得到的数据作为样本数据I:
I(i,j)=Iraw(i,j)+Inoise(i,j) (1)
其中,i、j分别代表图像的行、列。
将原始的标签数据Iraw和处理后的样本数据I一一对应后构成数据集,然后通过旋转、对称的方法扩充数据集数量,再按6:4的比例将数据集划分为训练集和测试集。
步骤二、数据预处理
将步骤一构建的训练集进行小波变换,计算得到对应的子带系数,完成数据预处理:
其中,Im为输入的训练集,H为变换矩阵,上标T表示转置。IM为小波变换的结果,cA为近似子带系数、cV为垂直子带系数、cH为水平子带系数、cD为对角子带系数。
步骤三、预测网络构建
如图1所示,构建由卷积网络和concat操作组成的预测网络,小波变换后的噪声图像作为输入,逆小波变换后的无噪声图像作为输出。输入的一支与预测网络中的卷积网络连接,另一支与concat操作连接。其中卷积网络由10个卷积层和9个激活函数依次排列构成,最后一个卷积层直接与concat操作相连。concat操作完成数据拼接后连接到输出。所述卷积层的通道数为64,卷积核大小为3x3,步长为1。
为了减少参数的相互依存关系,缓解过拟合问题,选择的激活函数为线性整流函数:
f(x)=max(0,x) (3)
其中,x为神经元的输入。
步骤四、预测网络训练
将训练集中经过预处理的样本数据输入到预测网络,将样本数据对应的标签与预测网络的输出一同输入到损失函数中,如图2所示。设置学习深度为10,损失函数目标值为0.5,初始学习率为0.001,每迭代10次,学习率降低0.5倍,对网络进行迭代训练。
所述损失函数Loss为:
Loss=LW+λ·LD (4)
其中,LW为小波系数均方差,LD为方向正则化,λ为方向正则化权重:
其中,为L2范数的平方,cA、cV、cH、cD分别为样本数据的近似子带系数、垂直子带系数、水平子带系数、对角子带系数。/>分别为标签数据的近似子带系数、垂直子带系数、水平子带系数、对角子带系数。/>是微分算子,/>是近似子带系数误差,/>样本数据与标签数据的水平子带系数误差。
步骤五、条纹噪声去除
将测试集数据按步骤二进行预处理后,输入到步骤四训练好的预测网络中,预测网络会输出去除条纹噪声后的4个子带系数,再通过逆小波变换,得到去除条纹噪声后的图像,如图3、图4所示,从图片中可以看出,本方法可以去除强反射条纹噪声,提高样本数据与背景噪声的区分度。
表1为测试集数据通过本方法去除条纹噪声前后图像质量的对比:
峰值信噪比 | 对比度-噪声比 | |
去噪前 | 19.92 | 1.62 |
去噪后 | 28.04 | 1.97 |
表1
从表中可以看出,使用本方法去除条纹噪声后,图像的峰值信噪比与对比度-噪声比都有了明显的提高,可以说明图像质量得到了有效的改善,在去除噪声的同时保留原有图像中的细节。
Claims (10)
1.傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:该方法包括以下步骤:
步骤一、数据集构建
采集多张表面粗糙的物品的傅里叶域光学相干层析图像作为标签数据Iraw,对标签数据Iraw加上随机的模拟噪声Inoise,得到的数据作为样本数据I;将原始的标签数据Iraw和处理后的样本数据I一一对应构成数据集,然后扩充数据集数量,再根据一定比例将数据集划分为训练集和测试集;
步骤二、数据预处理
将步骤一构建的训练集进行小波变换,计算得到4个子带系数,完成数据预处理;
步骤三、预测网络构建
构建由卷积网络和concat操作组成的预测网络,小波变换后的噪声图像作为输入,逆小波变换后的无噪声图像作为输出;输入的一支与卷积网络连接,另一支与concat操作连接;其中卷积网络由多个卷积层和激活函数依次排列构成,最后一个卷积层直接与concat操作相连;concat操作完成数据拼接后连接到输出;
步骤四、预测网络训练
将训练集中经过预处理的样本数据输入到预测网络,将样本数据对应的标签与预测网络的输出一同输入到损失函数中,设置优化策略,对网络进行迭代训练;
步骤五、条纹噪声去除
将测试集数据按步骤二进行预处理后,输入到步骤四训练好的预测网络中,在网络的输出层得到去除条纹噪声后的4个子带系数,再通过逆小波变换,得到去除条纹噪声后的图像。
2.如权利要求1所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:加入的模拟噪声Inoise的均值为0,标准差为0~0.25。
3.如权利要求1所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:扩充数据集数量的方法包括旋转和对称。
4.如权利要求1所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:小波变换的方法为:
其中,Im为输入的训练集,H为变换矩阵,上标T表示转置;IM为小波变换的结果,cA为近似子带系数、cV为垂直子带系数、cH为水平子带系数、cD为对角子带系数。
5.如权利要求1所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:所述激活函数为线性整流函数:
f(x)=max(0,x) (2)
其中,x为神经元的输入。
6.如权利要求1所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:所述损失函数Loss为:
Loss=LW+λ·LD (3)
其中,LW为小波系数均方差,LD为方向正则化,λ为方向正则化权重:
其中,||·||2为L2范数,cA、cV、cH、cD分别为样本数据的近似子带系数、垂直子带系数、水平子带系数、对角子带系数;分别为标签数据的近似子带系数、垂直子带系数、水平子带系数、对角子带系数;/>是微分算子,/>是近似子带系数误差,/>样本数据与标签数据的水平子带系数误差。
7.如权利要求1所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:所述卷积层的通道数为64,卷积核大小为3x3,步长为1。
8.如权利要求1或6所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:所述卷积层的数量为10层。
9.如权利要求1所述傅里叶域光学相干层析成像的强反射条纹噪声去除方法,其特征在于:预测网络的训练策略为:设置学习深度为10,损失函数目标值为0.5,初始学习率为0.001,每迭代10次,学习率降低0.5倍。
10.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038113.7A CN113935906B (zh) | 2021-09-06 | 2021-09-06 | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038113.7A CN113935906B (zh) | 2021-09-06 | 2021-09-06 | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935906A CN113935906A (zh) | 2022-01-14 |
CN113935906B true CN113935906B (zh) | 2024-03-22 |
Family
ID=79275079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038113.7A Active CN113935906B (zh) | 2021-09-06 | 2021-09-06 | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935906B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237478B (zh) * | 2023-11-09 | 2024-02-09 | 北京航空航天大学 | 草图到彩色图像的生成方法、系统、存储介质及处理终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243650A (zh) * | 2015-11-16 | 2016-01-13 | 成都神州数码索贝科技有限公司 | 一种基于小波变换和傅里叶变换的条纹噪声去除方法及系统 |
CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
CN113256508A (zh) * | 2021-04-09 | 2021-08-13 | 浙江工业大学 | 一种改进的小波变换与卷积神经网络图像去噪声的方法 |
-
2021
- 2021-09-06 CN CN202111038113.7A patent/CN113935906B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243650A (zh) * | 2015-11-16 | 2016-01-13 | 成都神州数码索贝科技有限公司 | 一种基于小波变换和傅里叶变换的条纹噪声去除方法及系统 |
CN109816599A (zh) * | 2018-12-07 | 2019-05-28 | 西安电子科技大学 | 一种基于小波分解卷积神经网络的图像条带噪声抑制方法 |
CN113256508A (zh) * | 2021-04-09 | 2021-08-13 | 浙江工业大学 | 一种改进的小波变换与卷积神经网络图像去噪声的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113935906A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11449757B2 (en) | Neural network system for non-destructive optical coherence tomography | |
Trusiak et al. | Advanced processing of optical fringe patterns by automated selective reconstruction and enhanced fast empirical mode decomposition | |
CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
CN108346141A (zh) | 单边侧入光式导光板缺陷提取方法 | |
CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN113935906B (zh) | 傅里叶域光学相干层析成像的强反射条纹噪声去除方法 | |
CN114945938A (zh) | 缺陷实际面积的检测方法、显示面板的检测方法及装置 | |
CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
CN109801286A (zh) | 一种lcd导光板的表面缺陷检测算法 | |
CN115601572A (zh) | 基于半监督CycleGan网络的超声相控阵图像优化重构方法及系统 | |
Bellens et al. | Evaluating conventional and deep learning segmentation for fast X-ray CT porosity measurements of polymer laser sintered AM parts | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
Bazrafkan et al. | Deep learning based computed tomography whys and wherefores | |
CN112381731B (zh) | 一种基于图像去噪的单帧条纹图像相位分析方法及系统 | |
CN109034257A (zh) | 一种细胞图像记录系统及分类方法 | |
CN115797335B (zh) | 用于桥梁振动测量的欧拉运动放大效果评估及优化方法 | |
CN107478656A (zh) | 基于机器视觉的纸浆搅拌效果检测评价方法、装置、系统 | |
Feng | Seismic random noise attenuation using effective and efficient dictionary learning | |
CN116385520A (zh) | 融合全光源图像的磨损表面形貌光度立体重建方法及系统 | |
CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
Galagan et al. | The use of backpropagation artificial neural networks in thermal tomography | |
CN115239992A (zh) | 三维声场自动建模区块链分析方法 | |
CN114066735A (zh) | 基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法 | |
CN114166850A (zh) | 一种基于差分张量分解的光激励红外热成像缺陷检测方法 |
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 |