CN114549682A - 一种用于电阻抗肺部成像图像的优化方法 - Google Patents
一种用于电阻抗肺部成像图像的优化方法 Download PDFInfo
- Publication number
- CN114549682A CN114549682A CN202210176227.6A CN202210176227A CN114549682A CN 114549682 A CN114549682 A CN 114549682A CN 202210176227 A CN202210176227 A CN 202210176227A CN 114549682 A CN114549682 A CN 114549682A
- Authority
- CN
- China
- Prior art keywords
- electrical impedance
- impedance imaging
- neural network
- imaging
- loss function
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0536—Impedance imaging, e.g. by tomography
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/10084—Hybrid tomography; Concurrent acquisition with multiple different tomographic modalities
-
- 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]
-
- 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
- G06T2207/30061—Lung
Abstract
本发明涉及电阻抗成像,具体涉及一种用于电阻抗肺部成像图像的优化方法,根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向;基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建;将重建图像输入预设神经网络,输出重建区域及对应置信度;根据置信度获取最优的重建区域,并作为最终电阻抗成像图像;本发明提供的技术方案能够有效克服现有技术所存在的电阻抗成像应用于肺部时图像重建的效率及准确度都比较低的缺陷。
Description
技术领域
本发明涉及电阻抗成像,具体涉及一种用于电阻抗肺部成像图像的优化方法。
背景技术
电阻抗层析成像(Electrical Impedance Tomography简称EIT)是一种非侵入式的成像技术,它通过场域的边界测量值重建出场域内部的电导率分布,相比其它成像技术如计算机断层扫描(Computed Tomography,简称CT)和核磁共振成像(Magnetic ResonanceImaging简称MRI),EIT有着无辐射、结构简单、速度快等优点,在医学临床监测、多相流流型监测以及地址勘探等领域有着广阔的应用前景。
然而,由于EIT固有的“软场”特性,其重建图像往往分辨率较低,并且受测量误差和模型误差的影响较大,这限制了EIT技术的进一步推广。EIT的“软场”特性在数学上表现为逆问题的非线性和病态性,传统重建算法通过线性化的方法进行近似和减小模型误差的影响,并引入正则化项来减弱逆问题的病态性。最近,一些直接非线性的重建算法被提出,比如level-set、D-bar等,而基于神经网络的重建算法也属于此类。
近几年来,伴随着深度学习在计算机视觉和图像处理领域的迅速发展,众多深度网络特别是卷积神经网络(Convolutional Neural Network,简称CNN)也纷纷被引入到医学成像领域中。这些数据驱动的新型成像技术被视为医学成像领域继解析法、迭代法后的第三个发展阶段,它们利用大量数据训练好的网络,来补充或代替传统成像算法中人为定义的模型,将大数据内在信息自动融入到成像过程中。其中,一种较为简便易行的办法是在图像域设计并训练一个对粗糙的重建图像加以处理的CNN,使CNN能够学习到医学成像过程中产生的噪声以及伪影等,并在输出图像中移除这些不利因素,这可以被视为一个图像增强或者图像变换过程。
然而,在进行图像重建时需要进行大量的计算,并且非常容易受到测量噪声的影响,进而导致图像重建的效率,以及准确度都比较低,无法满足电阻抗成像应用于肺部时对效率、准确度方面的要求。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种用于电阻抗肺部成像图像的优化方法,能够有效克服现有技术所存在的电阻抗成像应用于肺部时图像重建的效率及准确度都比较低的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种用于电阻抗肺部成像图像的优化方法,包括以下步骤:
S1、根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向;
S2、基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建;
S3、将重建图像输入预设神经网络,输出重建区域及对应置信度;
S4、根据置信度获取最优的重建区域,并作为最终电阻抗成像图像。
优选地,S1中根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向,包括:
通过回归方法得到电导率分布、电阻抗成像数据分别与每一步迭代的电导率分布、电阻抗成像数据的差值,从而得到新的电阻抗成像数据的下降方向。
优选地,所述电导率信息、电阻抗成像数据为真实数据,或者为所述电阻抗成像正向模型的仿真生成数据。
优选地,所述电阻抗成像正向模型为二维或三维,采用包括特定电极数目和电极排布的电极模型。
优选地,S2中基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建,包括:
采用下式进行图像重建:
σn=σn-1+K(r(σn-1)-d)
其中,n为迭代步数,σn为第n步的电导率分布,K为下降方向,r(σ)为电阻抗成像正向模型,d为实测电阻抗成像数据。
优选地,S3中将重建图像输入预设神经网络,输出重建区域及对应置信度,包括:
获取预设神经网络中的softmax函数,将输出中的最大值作为置信度。
优选地,S3中将重建图像输入预设神经网络,输出重建区域及对应置信度,包括:
在预设神经网络中设置一条置信度路径,并根据置信度路径设置损失函数L’;
将损失函数L’与原始损失函数Lo结合,获得总损失函数L;
采用总损失函数L对神经网络进行训练,并在训练后,获取损失函数L’的值作为置信度;
其中,当神经网络输出的重建区域正确时,损失函数L’的值近于0;当神经网络输出的重建区域错误时,损失函数L’的值近于1。
优选地,在预设神经网络中设置一条置信度路径后,神经网络输出的表达式为P’=C*P+(1-C)*Y,其中Y为目标分类结果,C为神经网络输出的置信度。
优选地,所述原始损失函数Lo采用交叉熵损失函数计算,所述损失函数L’的计算公式为L’=sigmoid(-logC),其中C为神经网络输出的置信度。
优选地,S4中根据置信度获取最优的重建区域,并作为最终电阻抗成像图像,包括:
对置信度进行降序排列,获取前m个置信度对应的重建区域,将m个重建区域之间的交叉区域作为重叠区域,将包含最多重叠区域的重建区域作为最终电阻抗成像图像。
(三)有益效果
与现有技术相比,本发明所提供的一种用于电阻抗肺部成像图像的优化方法,具有以下有益效果:
1)根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向,并基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建,省去了在图像重建时大量繁杂的计算过程,有效提升了图像重建的效率;
2)将重建图像输入预设神经网络,输出重建区域及对应置信度,根据置信度获取最优的重建区域,并作为最终电阻抗成像图像,能够有效提升电阻抗成像应用于肺部时的准确度,确保电阻抗成像的精准性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图;
图2为本发明中电阻抗肺部成像的优化流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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作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。
一种用于电阻抗肺部成像图像的优化方法,如图1和图2所示,①根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向,具体包括:
通过回归方法得到电导率分布、电阻抗成像数据分别与每一步迭代的电导率分布、电阻抗成像数据的差值,从而得到新的电阻抗成像数据的下降方向。
本申请技术方案中,电导率信息、电阻抗成像数据可以为真实数据,也可以为电阻抗成像正向模型的仿真生成数据。其中,电阻抗成像正向模型为二维或三维,采用包括特定电极数目和电极排布的电极模型。
②基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建,具体包括:
采用下式进行图像重建:
σn=σn-1+K(r(σn-1)-d)
其中,n为迭代步数,σn为第n步的电导率分布,K为下降方向,r(σ)为电阻抗成像正向模型,d为实测电阻抗成像数据。
本申请技术方案中,根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向,并基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建,省去了在图像重建时大量繁杂的计算过程(例如采用梯度下降法时在每一步的迭代过程中都需要计算雅克比矩阵),有效提升了图像重建的效率。
③将重建图像输入预设神经网络,输出重建区域及对应置信度。在本申请技术方案中,可以采用两种方案输出重建区域及对应置信度:
⑴获取预设神经网络中的softmax函数,将输出中的最大值作为置信度;
⑵在预设神经网络中设置一条置信度路径,并根据置信度路径设置损失函数L’,将获取损失函数L’的值作为置信度。
上述第二种方法具体包括以下步骤:
在预设神经网络中设置一条置信度路径,并根据置信度路径设置损失函数L’;
将损失函数L’与原始损失函数Lo结合,获得总损失函数L;
采用总损失函数L对神经网络进行训练,并在训练后,获取损失函数L’的值作为置信度。
其中,当神经网络输出的重建区域正确时,损失函数L’的值近于0;当神经网络输出的重建区域错误时,损失函数L’的值近于1。
在预设神经网络中设置一条置信度路径后,神经网络输出的表达式为P’=C*P+(1-C)*Y。其中,Y为目标分类结果,C为神经网络输出的置信度。
原始损失函数Lo采用交叉熵损失函数计算,损失函数L’的计算公式为L’=sigmoid(-logC)。其中,C为神经网络输出的置信度,当置信度趋近于1(神经网络输出的重建区域正确)时,损失函数L’的值近于0;当置信趋近于0(神经网络输出的重建区域错误)时,损失函数L’的值近于1。
④根据置信度获取最优的重建区域,并作为最终电阻抗成像图像,具体包括:
对置信度进行降序排列,获取前m个置信度对应的重建区域,将m个重建区域之间的交叉区域作为重叠区域,将包含最多重叠区域的重建区域作为最终电阻抗成像图像。
本申请技术方案中,也可以直接将最高置信度对应的重建区域作为最终电阻抗成像图像,但是引入“重叠区域”的概念,使得作为最终电阻抗成像图像的重建区域包含最多“重叠区域”的部分,从而能够有效提升电阻抗成像应用于肺部时的准确度,确保电阻抗成像的精准性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于电阻抗肺部成像图像的优化方法,其特征在于:包括以下步骤:
S1、根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向;
S2、基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建;
S3、将重建图像输入预设神经网络,输出重建区域及对应置信度;
S4、根据置信度获取最优的重建区域,并作为最终电阻抗成像图像。
2.根据权利要求1所述的用于电阻抗肺部成像图像的优化方法,其特征在于:S1中根据电流信息和电压信息获取电导率信息,并获得电阻抗成像数据,通过迭代得到用于反演新的电阻抗成像数据的下降方向,包括:
通过回归方法得到电导率分布、电阻抗成像数据分别与每一步迭代的电导率分布、电阻抗成像数据的差值,从而得到新的电阻抗成像数据的下降方向。
3.根据权利要求2所述的用于电阻抗肺部成像图像的优化方法,其特征在于:所述电导率信息、电阻抗成像数据为真实数据,或者为所述电阻抗成像正向模型的仿真生成数据。
4.根据权利要求3所述的用于电阻抗肺部成像图像的优化方法,其特征在于:所述电阻抗成像正向模型为二维或三维,采用包括特定电极数目和电极排布的电极模型。
5.根据权利要求1所述的用于电阻抗肺部成像图像的优化方法,其特征在于:S2中基于电导率分布初始模型、电阻抗成像正向模型、实测电阻抗成像数据和下降方向进行图像重建,包括:
采用下式进行图像重建:
σn=σn-1+K(r(σn-1)-d)
其中,n为迭代步数,σn为第n步的电导率分布,K为下降方向,r(σ)为电阻抗成像正向模型,d为实测电阻抗成像数据。
6.根据权利要求1所述的用于电阻抗肺部成像图像的优化方法,其特征在于:S3中将重建图像输入预设神经网络,输出重建区域及对应置信度,包括:
获取预设神经网络中的softmax函数,将输出中的最大值作为置信度。
7.根据权利要求1所述的用于电阻抗肺部成像图像的优化方法,其特征在于:S3中将重建图像输入预设神经网络,输出重建区域及对应置信度,包括:
在预设神经网络中设置一条置信度路径,并根据置信度路径设置损失函数L’;
将损失函数L’与原始损失函数Lo结合,获得总损失函数L;
采用总损失函数L对神经网络进行训练,并在训练后,获取损失函数L’的值作为置信度;
其中,当神经网络输出的重建区域正确时,损失函数L’的值近于0;当神经网络输出的重建区域错误时,损失函数L’的值近于1。
8.根据权利要求7所述的用于电阻抗肺部成像图像的优化方法,其特征在于:在预设神经网络中设置一条置信度路径后,神经网络输出的表达式为P’=C*P+(1-C)*Y,其中Y为目标分类结果,C为神经网络输出的置信度。
9.根据权利要求7所述的用于电阻抗肺部成像图像的优化方法,其特征在于:所述原始损失函数Lo采用交叉熵损失函数计算,所述损失函数L’的计算公式为L’=sigmoid(-logC),其中C为神经网络输出的置信度。
10.根据权利要求1所述的用于电阻抗肺部成像图像的优化方法,其特征在于:S4中根据置信度获取最优的重建区域,并作为最终电阻抗成像图像,包括:
对置信度进行降序排列,获取前m个置信度对应的重建区域,将m个重建区域之间的交叉区域作为重叠区域,将包含最多重叠区域的重建区域作为最终电阻抗成像图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176227.6A CN114549682A (zh) | 2022-02-24 | 2022-02-24 | 一种用于电阻抗肺部成像图像的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176227.6A CN114549682A (zh) | 2022-02-24 | 2022-02-24 | 一种用于电阻抗肺部成像图像的优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549682A true CN114549682A (zh) | 2022-05-27 |
Family
ID=81678862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210176227.6A Pending CN114549682A (zh) | 2022-02-24 | 2022-02-24 | 一种用于电阻抗肺部成像图像的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549682A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274413A (zh) * | 2023-09-01 | 2023-12-22 | 南京航空航天大学 | 一种基于eit的电导率图像重建方法、系统及设备 |
WO2024007877A1 (zh) * | 2022-07-04 | 2024-01-11 | 北京华睿博视医学影像技术有限公司 | 用于呈现呼吸阻抗与呼吸阻抗变化率关系的方法及装置 |
-
2022
- 2022-02-24 CN CN202210176227.6A patent/CN114549682A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024007877A1 (zh) * | 2022-07-04 | 2024-01-11 | 北京华睿博视医学影像技术有限公司 | 用于呈现呼吸阻抗与呼吸阻抗变化率关系的方法及装置 |
CN117274413A (zh) * | 2023-09-01 | 2023-12-22 | 南京航空航天大学 | 一种基于eit的电导率图像重建方法、系统及设备 |
CN117274413B (zh) * | 2023-09-01 | 2024-04-05 | 南京航空航天大学 | 一种基于eit的电导率图像重建方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Image reconstruction based on convolutional neural network for electrical resistance tomography | |
Ren et al. | A two-stage deep learning method for robust shape reconstruction with electrical impedance tomography | |
CN109859285B (zh) | 基于空洞卷积网络的电阻抗图像重建方法 | |
CN114549682A (zh) | 一种用于电阻抗肺部成像图像的优化方法 | |
Yuan et al. | SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
Herzberg et al. | Graph convolutional networks for model-based learning in nonlinear inverse problems | |
Li et al. | An image reconstruction framework based on deep neural network for electrical impedance tomography | |
Chen et al. | Deep autoencoder imaging method for electrical impedance tomography | |
Liu et al. | DeepEIT: deep image prior enabled electrical impedance tomography | |
Zhang et al. | LEARN++: recurrent dual-domain reconstruction network for compressed sensing CT | |
CN112798654A (zh) | 用于电阻抗层析成像的快速梯度法和自适应雅可比矩阵重构方法 | |
Xu et al. | Dm-fusion: Deep model-driven network for heterogeneous image fusion | |
Zhang et al. | V-shaped dense denoising convolutional neural network for electrical impedance tomography | |
Shao et al. | SPECTnet: a deep learning neural network for SPECT image reconstruction | |
CN117011673B (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
Gao et al. | EIT-CDAE: A 2-D electrical impedance tomography image reconstruction method based on auto encoder technique | |
CN112147189A (zh) | 一种用于二值化电容层析成像的闭环图像重建方法 | |
CN115670421A (zh) | 一种基于去噪自编码器的电阻抗深度成像方法 | |
Pan et al. | Iterative Residual Optimization Network for Limited-angle Tomographic Reconstruction | |
Zhang et al. | Image reconstruction for high-performance electrical capacitance tomography system using deep learning | |
CN116188615A (zh) | 一种基于正弦域和图像域的稀疏角度ct重建方法 | |
Gu et al. | Fast low-dose computed tomography image super-resolution reconstruction via sparse coding and random forests | |
CN114926559A (zh) | 一种基于字典学习思想无衰减校正的pet重建方法 | |
Shi et al. | Intracerebral Hemorrhage Imaging based on Hybrid Deep Learning with Electrical Impedance 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 |