CN114723670A - 乳腺癌病变图片智能处理方法 - Google Patents
乳腺癌病变图片智能处理方法 Download PDFInfo
- Publication number
- CN114723670A CN114723670A CN202210228434.1A CN202210228434A CN114723670A CN 114723670 A CN114723670 A CN 114723670A CN 202210228434 A CN202210228434 A CN 202210228434A CN 114723670 A CN114723670 A CN 114723670A
- Authority
- CN
- China
- Prior art keywords
- breast
- target object
- breast cancer
- mammary gland
- area
- 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.)
- Withdrawn
Links
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 139
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 139
- 230000003902 lesion Effects 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 210000000481 breast Anatomy 0.000 claims abstract description 170
- 210000005075 mammary gland Anatomy 0.000 claims abstract description 137
- 210000001519 tissue Anatomy 0.000 claims abstract description 99
- 238000001959 radiotherapy Methods 0.000 claims abstract description 73
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 230000010261 cell growth Effects 0.000 claims abstract description 19
- 238000009792 diffusion process Methods 0.000 claims abstract description 15
- 210000000746 body region Anatomy 0.000 claims description 44
- 230000012010 growth Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000036285 pathological change Effects 0.000 abstract description 5
- 231100000915 pathological change Toxicity 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000000747 cardiac effect Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了乳腺癌病变图片智能处理方法,其对目标对象的预设乳腺区域首次拍摄得到的乳腺区域基准图片,进行乳腺组织的存在状态信息的标记得到乳腺区域参照图片;按照预设时间间隔,对目标对象的预设乳腺区域连续拍摄得到的若干乳腺区域追踪图片,进行乳腺组织的存在状态信息的标记得到乳腺区域诊断图片;再将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定乳腺癌病灶区域存在状态信息,以及得到乳腺癌细胞生长扩散判定信息,从而调整对目标对象进行放疗处理的操作参数,这样不仅能够减小对图片分析识别的数据处理量,以及能够对目标对象的乳腺癌病变情况进行时间渐进化的识别判断,从而对乳腺癌细胞进行有针对性的放疗处理。
Description
技术领域
本发明涉及医疗图片数据处理的技术领域,特别涉及乳腺癌病变图片智能处理方法。
背景技术
乳腺癌是现代常见的癌症之一,在癌症发病初期,患者并不能及时地察觉得到,这需要患者定期进行筛查才能准确地确定发病情况。在进行乳腺癌的定期筛查过程中,需要对患者的乳腺组织进行图片拍摄,再对拍摄得到的图片进行分析处理,以确定患者的乳腺组织中乳腺癌细胞的存在情况。每次定期筛查需要对海量的图片进行识别分析以及将识别分析的结果进行排查,才能得到相应的乳腺癌病变诊断结果,上述方式不仅需要大量的运算能力来进行图片识别,并且只能对图片进行粗略分析确定乳腺癌细胞大致存在情况,其无法对患者的乳腺癌病变情况进行时间渐进化的识别判断,从而无法对乳腺癌细胞进行有针对性的放疗处理和降低乳腺癌诊断治疗及时性与可靠性。
发明内容
针对现有技术存在的缺陷,本发明提供乳腺癌病变图片智能处理方法,其对目标对象的预设乳腺区域首次拍摄得到的乳腺区域基准图片,进行乳腺组织的存在状态信息的标记得到乳腺区域参照图片;按照预设时间间隔,对目标对象的预设乳腺区域连续拍摄得到的若干乳腺区域追踪图片,进行乳腺组织的存在状态信息的标记得到乳腺区域诊断图片;再将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定乳腺癌病灶区域存在状态信息,以及得到乳腺癌细胞生长扩散判定信息,从而调整对目标对象进行放疗处理的操作参数,其以乳腺区域参照图片为基准与不同时间段得到的乳腺区域诊断图片进行相同乳腺位置的对比判断,这样不仅能够减小对图片分析识别的数据处理量,以及能够对目标对象的乳腺癌病变情况进行时间渐进化的识别判断,从而对乳腺癌细胞进行有针对性的放疗处理。
本发明提供乳腺癌病变图片智能处理方法,其包括如下步骤:
步骤S1,对目标对象的预设乳腺区域进行拍摄,得到乳腺区域基准图片;对所述乳腺区域基准图片进行识别,得到若干乳腺组织在所述乳腺区域基准图片的存在状态信息;并根据所述存在状态信息,对所述乳腺区域基准图片进行标记,从而得到乳腺区域参照图片;
步骤S2,按照预设时间间隔,对目标对象的预设乳腺区域进行连续拍摄,得到若干乳腺区域追踪图片;根据所述存在状态信息,对所述乳腺区域追踪图片进行标记,从而得到乳腺区域诊断图片;将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定预设乳腺区域的乳腺癌病灶区域存在状态信息;
步骤S3,根据所述乳腺癌病灶区域存在状态信息,得到乳腺癌细胞生长扩散判定信息;根据所述乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数。
进一步,在所述步骤S1中,对目标对象的预设乳腺区域进行拍摄,得到乳腺区域基准图片具体包括:
对目标对象上身区域进行预设扫描方位的扫描拍摄,得到第一上身区域图片;对所述第一上身区域图片进行卡尔曼滤波处理后,从所述第一上身区域图片中识别截取相应的第一乳腺区域图片;再对所述第一乳腺区域图片进行边缘像素锐化处理,得到乳腺区域基准图片。
进一步,在所述步骤S1中,对所述乳腺区域基准图片进行识别,得到若干乳腺组织在所述乳腺区域基准图片的存在状态信息具体包括:
从所述乳腺区域基准图片中提取得到相应的图片像素纹理信息,根据所述图片像素纹理信息,得到目标对象的乳腺组织在所述乳腺区域基准图片中的分布位置信息和形状尺寸信息,以此作为所述存在状态信息。
进一步,在所述步骤S1中,根据所述存在状态信息,对所述乳腺区域基准图片进行标记,从而得到乳腺区域参照图片具体包括:
根据所述分布位置信息,生成包含乳腺组织在所述乳腺区域基准图片中的分布位置坐标的第一图层,所述第一图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域基准图片中的位置坐标值;
根据所述形状尺寸信息,生成包含乳腺组织在所述乳腺区域基准图片中的边界轮廓的第二图层,所述第二图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域基准图片中的边界轮廓;
再将所述第一图层和所述第二图层加载到所述乳腺区域基准图片中,从而得到乳腺区域参照图片。
进一步,在所述步骤S2中,按照预设时间间隔,对目标对象的预设乳腺区域进行连续拍摄,得到若干乳腺区域追踪图片具体包括:
当完成所述乳腺区域基准图片的拍摄后,按照预设时间间隔,对目标对象上身区域进行所述预设扫描方位的连续扫描拍摄,得到若干第二上身区域图片;
从每个第二上身区域图片中识别截取相应的第二乳腺区域图片,将所述第二乳腺区域图片和所述第一乳腺区域图片进行比对,确定所述第二乳腺区域图片和所述第一乳腺区域图片之间的乳腺组织像素相似度;
若所述乳腺组织像素相似度小于或等于预设相似度阈值,则重新识别截取相应的第二乳腺区域图片,直到所述乳腺组织像素相似度大于预设相似度阈值为止。
进一步,在所述步骤S2中,根据所述存在状态信息,对所述乳腺区域追踪图片进行标记,从而得到乳腺区域诊断图片具体包括:
根据所述分布位置信息,生成包含乳腺组织在所述乳腺区域追踪图片中的分布位置坐标的第三图层,所述第三图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域追踪图片中的位置坐标值;
根据所述形状尺寸信息,生成包含乳腺组织在所述乳腺区域追踪图片中的边界轮廓的第四图层,所述第四图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域追踪图片中的边界轮廓;
再将所述第三图层和所述第四图层加载到所述乳腺区域追踪图片中,从而得到乳腺区域诊断图片;
在所述步骤S2中,将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定预设乳腺区域的乳腺癌病灶区域存在状态信息具体包括:
根据每个乳腺区域诊断图片的第一图层的位置坐标值,从第二图层中提取与所述第一图层的位置坐标值相对应的边缘轮廓;
根据所述乳腺区域参照图片的第三图层的位置坐标值,从第四图层中提取与所述第三图层的位置坐标值相对应的边缘轮廓;
将从第二图层提取得到的边缘轮廓与从第四图层提取得到的边缘轮廓进行比对,从而确定预设乳腺区域是否存在乳腺癌组织以及乳腺癌组织的存在位置和体积,以此作为所述乳腺癌病灶区域存在状态信息。
进一步,在所述步骤S3中,根据所述乳腺癌病灶区域存在状态信息,得到乳腺癌细胞生长扩散判定信息具体包括:
若确定预设乳腺区域存在乳腺癌组织,则根据所述乳腺癌组织的存在位置和体积,确定乳腺癌细胞在目标对象上身区域的分布位置和分布密度,以此作为所述乳腺癌细胞生长扩散判定信息。
进一步,在所述步骤S3中,根据所述乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数具体包括:
根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度,确定目标对象进行放疗处理的放疗射线相对于目标对象的投射方位角以及所述放疗射线的投射强度。
进一步,在所述步骤S3中,根据所述乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数具体包括:
当确定乳腺癌细胞在目标对象上身区域的分布位置和分布密度后,还需要确定目标对象上身区域的心脏分布位置,再结合乳腺癌细胞在目标对象上身区域的分布位置和分布密度,得到对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角,在判断所述投射方位角是否对准目标对象上身区域的心脏分布位置,并当确定所述投射方位角是否对准目标对象上身区域的心脏分布位置时,调整所述放疗射线的扫描投射速度,其具体过程为:
步骤S301,利用下面公式(1),根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度,确定对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角,
在上述公式(1)中,α表示对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角;β表示对目标对象进行放疗处理时放疗射线的入射角;[x(ρmax),y(ρmax)]表示乳腺癌细胞在目标对象上身区域具有最大分布密度对应的分布位置坐标;[x(ρmin),y(ρmin)]表示乳腺癌细胞在目标对象上身区域具有最小分布密度对应的分布位置坐标;k表示乳腺癌细胞分布密度与乳腺癌细胞在目标对象上身区域的深度的比例值,即乳腺癌细胞分布密度随着乳腺癌细胞在目标对象上身区域所处的深度之间的关联变化比例值;
步骤S302,将目标对象上身区域的心脏分布位置拟合为一个圆形区域,其中所述圆形区域的圆形坐标为所述圆形区域的半径其中,[X(a),Y(a)]表示所述心脏分布位置对应的第a个分布位置坐标;n表示所述心脏分布位置包含的分布位置总数;
步骤S303,利用下面公式(2),判断所述投射方位角是否对准目标对象上身区域的心脏分布位置,
若E=0,则表示所述投射方位角不对准目标对象上身区域的心脏分布位置,此时以预设最大扫描速度Vmax对所述放疗射线进行扫描投射;
若E=1,则表示所述投射方位角对准目标对象上身区域的心脏分布位置,此时根据下面步骤S304确定的扫描投射速度对所述放疗射线进行扫描投射;
步骤S304,利用下面公式(3),根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度以及目标对象上身区域的心脏分布位置,确定对所述放疗射线进行扫描投射的扫描投射速度V,
在上述公式(3)中,L表示目标对象上身区域在斜向对角方向上的宽度值。
相比于现有技术,该乳腺癌病变图片智能处理方法对目标对象的预设乳腺区域首次拍摄得到的乳腺区域基准图片,进行乳腺组织的存在状态信息的标记得到乳腺区域参照图片;按照预设时间间隔,对目标对象的预设乳腺区域连续拍摄得到的若干乳腺区域追踪图片,进行乳腺组织的存在状态信息的标记得到乳腺区域诊断图片;再将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定乳腺癌病灶区域存在状态信息,以及得到乳腺癌细胞生长扩散判定信息,从而调整对目标对象进行放疗处理的操作参数,其以乳腺区域参照图片为基准与不同时间段得到的乳腺区域诊断图片进行相同乳腺位置的对比判断,这样不仅能够减小对图片分析识别的数据处理量,以及能够对目标对象的乳腺癌病变情况进行时间渐进化的识别判断,从而对乳腺癌细胞进行有针对性的放疗处理。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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为本发明提供的乳腺癌病变图片智能处理方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅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。
参阅图1,为本发明实施例提供的乳腺癌病变图片智能处理方法的流程示意图。该乳腺癌病变图片智能处理方法包括如下步骤:
步骤S1,对目标对象的预设乳腺区域进行拍摄,得到乳腺区域基准图片;对该乳腺区域基准图片进行识别,得到若干乳腺组织在该乳腺区域基准图片的存在状态信息;并根据该存在状态信息,对该乳腺区域基准图片进行标记,从而得到乳腺区域参照图片;
步骤S2,按照预设时间间隔,对目标对象的预设乳腺区域进行连续拍摄,得到若干乳腺区域追踪图片;根据该存在状态信息,对该乳腺区域追踪图片进行标记,从而得到乳腺区域诊断图片;将所有乳腺区域诊断图片分别与该乳腺区域参照图片进行比对,确定预设乳腺区域的乳腺癌病灶区域存在状态信息;
步骤S3,根据该乳腺癌病灶区域存在状态信息,得到乳腺癌细胞生长扩散判定信息;根据该乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数。
上述技术方案的有益效果为:该乳腺癌病变图片智能处理方法对目标对象的预设乳腺区域首次拍摄得到的乳腺区域基准图片,进行乳腺组织的存在状态信息的标记得到乳腺区域参照图片;按照预设时间间隔,对目标对象的预设乳腺区域连续拍摄得到的若干乳腺区域追踪图片,进行乳腺组织的存在状态信息的标记得到乳腺区域诊断图片;再将所有乳腺区域诊断图片分别与该乳腺区域参照图片进行比对,确定乳腺癌病灶区域存在状态信息,以及得到乳腺癌细胞生长扩散判定信息,从而调整对目标对象进行放疗处理的操作参数,其以乳腺区域参照图片为基准与不同时间段得到的乳腺区域诊断图片进行相同乳腺位置的对比判断,这样不仅能够减小对图片分析识别的数据处理量,以及能够对目标对象的乳腺癌病变情况进行时间渐进化的识别判断,从而对乳腺癌细胞进行有针对性的放疗处理。
优选地,在该步骤S1中,对目标对象的预设乳腺区域进行拍摄,得到乳腺区域基准图片具体包括:
对目标对象上身区域进行预设扫描方位的扫描拍摄,得到第一上身区域图片;对该第一上身区域图片进行卡尔曼滤波处理后,从该第一上身区域图片中识别截取相应的第一乳腺区域图片;再对该第一乳腺区域图片进行边缘像素锐化处理,得到乳腺区域基准图片。
上述技术方案的有益效果为:在实际操作中,可通过OCT方式对目标对象上身区域进行预设扫描方位的扫描拍摄,这样能够获得目标对象上身区域对应的第一上身区域图片,该第一上身区域图片包含目标对象上身区域不同身体组织的影像信息。对该第一上身区域图片进行卡尔曼滤波处理,能够去除其中的背景噪声,并从中提取其中乳腺组织部分而得到相应的第一乳腺区域图片。再对该第一乳腺区域图片进行边缘像素锐化处理,得到乳腺区域基准图片。该乳腺区域基准图片作为图片比对的参考基准,这样在后续图片比对过程中能够快速和准确对目标对象的乳腺区域每一乳腺组织部分进行比对,从而降低图片处理的工作量和提高图片对比的准确性。
优选地,在该步骤S1中,对该乳腺区域基准图片进行识别,得到若干乳腺组织在该乳腺区域基准图片的存在状态信息具体包括:
从该乳腺区域基准图片中提取得到相应的图片像素纹理信息,根据该图片像素纹理信息,得到目标对象的乳腺组织在该乳腺区域基准图片中的分布位置信息和形状尺寸信息,以此作为该存在状态信息。
上述技术方案的有益效果为:在该乳腺区域基准图片中乳腺组织和其他身体组织之间的像素纹理信息并不相同,通过上述乳腺组织与其他身体组织在像素纹理上的区别,从该乳腺区域基准图片中提取得到的图片像素纹理信息,确定乳腺组织在该乳腺区域基准图片中的分布位置信息和形状尺寸信息,这样能够便于后续对目标对象的乳腺组织进行定位分析,确保对乳腺组织的癌变病灶区域进行准确标定。
优选地,在该步骤S1中,根据该存在状态信息,对该乳腺区域基准图片进行标记,从而得到乳腺区域参照图片具体包括:
根据该分布位置信息,生成包含乳腺组织在该乳腺区域基准图片中的分布位置坐标的第一图层,该第一图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域基准图片中的位置坐标值;
根据该形状尺寸信息,生成包含乳腺组织在该乳腺区域基准图片中的边界轮廓的第二图层,该第二图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域基准图片中的边界轮廓;
再将该第一图层和该第二图层加载到该乳腺区域基准图片中,从而得到乳腺区域参照图片。
上述技术方案的有益效果为:该第一图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域基准图片中的位置坐标值,该第二图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域基准图片中的边界轮廓,这样第一图层和第二图层各自包括目标对象的乳腺组织不同部分的位置坐标信息和边缘轮廓,这样第一图层和第二图层能够共同表征目标对象的乳腺组织的生物形态信息,便于为后续图片比对提供可靠准确的参照基准。
优选地,在该步骤S2中,按照预设时间间隔,对目标对象的预设乳腺区域进行连续拍摄,得到若干乳腺区域追踪图片具体包括:
当完成该乳腺区域基准图片的拍摄后,按照预设时间间隔,对目标对象上身区域进行该预设扫描方位的连续扫描拍摄,得到若干第二上身区域图片;
从每个第二上身区域图片中识别截取相应的第二乳腺区域图片,将该第二乳腺区域图片和该第一乳腺区域图片进行比对,确定该第二乳腺区域图片和该第一乳腺区域图片之间的乳腺组织像素相似度;
若该乳腺组织像素相似度小于或等于预设相似度阈值,则重新识别截取相应的第二乳腺区域图片,直到该乳腺组织像素相似度大于预设相似度阈值为止。
上述技术方案的有益效果为:在实际操作中,可通过OCT方式相隔预设时间间隔对目标对象上身区域进行相同的预设扫描方位的扫描拍摄,这样能够获得不同时期时间对应的目标对象上身区域的若干第二上身区域图片,该第二上身区域图片包含目标对象上身区域不同身体组织的影像信息。随后对该第二上身区域图片中截取得到相应的第二乳腺区域图片,由于每次图片截取存在一定的偏差,其并不能准确截取得到包含相应乳腺组织的图片。通过将该第二乳腺区域图片和该第一乳腺区域图片进行比对,得到两个图片的乳腺组织像素相似度,当该乳腺组织像素相似度小于或等于预设相似度阈值,表明截取得到的第二乳腺区域图片与该第一乳腺区域图片包含的乳腺组织并不相同,此时需要重新识别截取另一第二乳腺区域图片,这样才能保证针对同一位置的乳腺组织进行第一乳腺区域图片和第二乳腺区域图片的比对。
优选地,在该步骤S2中,根据该存在状态信息,对该乳腺区域追踪图片进行标记,从而得到乳腺区域诊断图片具体包括:
根据该分布位置信息,生成包含乳腺组织在该乳腺区域追踪图片中的分布位置坐标的第三图层,该第三图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域追踪图片中的位置坐标值;
根据该形状尺寸信息,生成包含乳腺组织在该乳腺区域追踪图片中的边界轮廓的第四图层,该第四图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域追踪图片中的边界轮廓;
再将该第三图层和该第四图层加载到该乳腺区域追踪图片中,从而得到乳腺区域诊断图片;
在该步骤S2中,将所有乳腺区域诊断图片分别与该乳腺区域参照图片进行比对,确定预设乳腺区域的乳腺癌病灶区域存在状态信息具体包括:
根据每个乳腺区域诊断图片的第一图层的位置坐标值,从第二图层中提取与该第一图层的位置坐标值相对应的边缘轮廓;
根据该乳腺区域参照图片的第三图层的位置坐标值,从第四图层中提取与该第三图层的位置坐标值相对应的边缘轮廓;
将从第二图层提取得到的边缘轮廓与从第四图层提取得到的边缘轮廓进行比对,从而确定预设乳腺区域是否存在乳腺癌组织以及乳腺癌组织的存在位置和体积,以此作为该乳腺癌病灶区域存在状态信息。
上述技术方案的有益效果为:该第三图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域基准图片中的位置坐标值,该第四图层包括乳腺组织的组织主体以及组织分叉节点在该乳腺区域基准图片中的边界轮廓,这样第三图层和第四图层能够共同保证目标对象在后续跟踪拍摄得到的第二乳腺区域图片包含的目标对象的乳腺组织的生物形态信息。随后,将所有乳腺区域诊断图片和该乳腺区域参照图片之间相同位置的乳腺组织的生物形态信息进行比对判断,从而确定其中存在的乳腺癌组织的存在位置和体积,以用于表征目标对象的乳腺癌病灶区域存在状态;其中,该上述生物形态信息的比对判断属于常用的医学图片比对处理方式,这里不做详细的介绍。
优选地,在该步骤S3中,根据该乳腺癌病灶区域存在状态信息,得到乳腺癌细胞生长扩散判定信息具体包括:
若确定预设乳腺区域存在乳腺癌组织,则根据该乳腺癌组织的存在位置和体积,确定乳腺癌细胞在目标对象上身区域的分布位置和分布密度,以此作为该乳腺癌细胞生长扩散判定信息。
上述技术方案的有益效果为:目标对象的乳腺区域中乳腺癌组织的存在位置和体积大小与乳腺癌细胞在目标对象上身区域的分布位置和分布密度,从而对目标对象的乳腺癌细胞生长扩散状态进行定量的判断。
优选地,在该步骤S3中,根据该乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数具体包括:
根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度,确定目标对象进行放疗处理的放疗射线相对于目标对象的投射方位角以及该放疗射线的投射强度。
上述技术方案的有益效果为:乳腺癌细胞在目标对象上身区域的分布位置和分布密度直接影响对目标对象进行放疗处理的放疗射线对目标对象的投射方位角和投射强度,从而确保放疗射线对准乳腺癌病灶区域进行精准的投射。
优选地,在该步骤S3中,根据该乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数具体包括:
当确定乳腺癌细胞在目标对象上身区域的分布位置和分布密度后,还需要确定目标对象上身区域的心脏分布位置,再结合乳腺癌细胞在目标对象上身区域的分布位置和分布密度,得到对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角,在判断该投射方位角是否对准目标对象上身区域的心脏分布位置,并当确定该投射方位角是否对准目标对象上身区域的心脏分布位置时,调整该放疗射线的扫描投射速度,其具体过程为:
步骤S301,利用下面公式(1),根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度,确定对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角,
在上述公式(1)中,α表示对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角;β表示对目标对象进行放疗处理时放疗射线的入射角;[x(ρmax),y(ρmax)]表示乳腺癌细胞在目标对象上身区域具有最大分布密度对应的分布位置坐标;[x(ρmin),y(ρmin)]表示乳腺癌细胞在目标对象上身区域具有最小分布密度对应的分布位置坐标;k表示乳腺癌细胞分布密度与乳腺癌细胞在目标对象上身区域的深度的比例值,即乳腺癌细胞分布密度随着乳腺癌细胞在目标对象上身区域所处的深度之间的关联变化比例值;
步骤S302,将目标对象上身区域的心脏分布位置拟合为一个圆形区域,其中该圆形区域的圆形坐标为该圆形区域的半径其中,[X(a),Y(a)]表示该心脏分布位置对应的第a个分布位置坐标;n表示该心脏分布位置包含的分布位置总数;
步骤S303,利用下面公式(2),判断该投射方位角是否对准目标对象上身区域的心脏分布位置,
若E=0,则表示该投射方位角不对准目标对象上身区域的心脏分布位置,此时以预设最大扫描速度Vmax对该放疗射线进行扫描投射;
若E=1,则表示该投射方位角对准目标对象上身区域的心脏分布位置,此时根据下面步骤S304确定的扫描投射速度对该放疗射线进行扫描投射;
步骤S304,利用下面公式(3),根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度以及目标对象上身区域的心脏分布位置,确定对该放疗射线进行扫描投射的扫描投射速度V,
在上述公式(3)中,L表示目标对象上身区域在斜向对角方向上的宽度值。
上述技术方案的有益效果为:利用上述公式(1)根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度得到目标对象进行放疗处理的放疗射线相对于目标对象的投射方位角,进而可以在投射方位角下全面覆盖乳腺癌细胞,然后再利用上述公式(2)判断投射方位角是否冲向目标对象上身区域的心脏分布位置,进而可以侧面知晓所述放疗射线是否对心脏存在潜在损伤的危险,最后利用上述公式(3)根据乳腺癌细胞在目标对象上身区域的分布位置以及目标对象上身区域的心脏分布位置控制放疗射线的扫描投射速度进行调整,从而减缓射线投放的速度,防止和避免放疗射线对心脏的损伤。
从上述实施例的内容可知,该乳腺癌病变图片智能处理方法对目标对象的预设乳腺区域首次拍摄得到的乳腺区域基准图片,进行乳腺组织的存在状态信息的标记得到乳腺区域参照图片;按照预设时间间隔,对目标对象的预设乳腺区域连续拍摄得到的若干乳腺区域追踪图片,进行乳腺组织的存在状态信息的标记得到乳腺区域诊断图片;再将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定乳腺癌病灶区域存在状态信息,以及得到乳腺癌细胞生长扩散判定信息,从而调整对目标对象进行放疗处理的操作参数,其以乳腺区域参照图片为基准与不同时间段得到的乳腺区域诊断图片进行相同乳腺位置的对比判断,这样不仅能够减小对图片分析识别的数据处理量,以及能够对目标对象的乳腺癌病变情况进行时间渐进化的识别判断,从而对乳腺癌细胞进行有针对性的放疗处理。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.乳腺癌病变图片智能处理方法,其特征在于,其包括如下步骤:
步骤S1,对目标对象的预设乳腺区域进行拍摄,得到乳腺区域基准图片;对所述乳腺区域基准图片进行识别,得到若干乳腺组织在所述乳腺区域基准图片的存在状态信息;并根据所述存在状态信息,对所述乳腺区域基准图片进行标记,从而得到乳腺区域参照图片;
步骤S2,按照预设时间间隔,对目标对象的预设乳腺区域进行连续拍摄,得到若干乳腺区域追踪图片;根据所述存在状态信息,对所述乳腺区域追踪图片进行标记,从而得到乳腺区域诊断图片;将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定预设乳腺区域的乳腺癌病灶区域存在状态信息;
步骤S3,根据所述乳腺癌病灶区域存在状态信息,得到乳腺癌细胞生长扩散判定信息;根据所述乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数。
2.如权利要求1所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S1中,对目标对象的预设乳腺区域进行拍摄,得到乳腺区域基准图片具体包括:
对目标对象上身区域进行预设扫描方位的扫描拍摄,得到第一上身区域图片;对所述第一上身区域图片进行卡尔曼滤波处理后,从所述第一上身区域图片中识别截取相应的第一乳腺区域图片;再对所述第一乳腺区域图片进行边缘像素锐化处理,得到乳腺区域基准图片。
3.如权利要求2所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S1中,对所述乳腺区域基准图片进行识别,得到若干乳腺组织在所述乳腺区域基准图片的存在状态信息具体包括:
从所述乳腺区域基准图片中提取得到相应的图片像素纹理信息,根据所述图片像素纹理信息,得到目标对象的乳腺组织在所述乳腺区域基准图片中的分布位置信息和形状尺寸信息,以此作为所述存在状态信息。
4.如权利要求3所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S1中,根据所述存在状态信息,对所述乳腺区域基准图片进行标记,从而得到乳腺区域参照图片具体包括:
根据所述分布位置信息,生成包含乳腺组织在所述乳腺区域基准图片中的分布位置坐标的第一图层,所述第一图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域基准图片中的位置坐标值;
根据所述形状尺寸信息,生成包含乳腺组织在所述乳腺区域基准图片中的边界轮廓的第二图层,所述第二图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域基准图片中的边界轮廓;
再将所述第一图层和所述第二图层加载到所述乳腺区域基准图片中,从而得到乳腺区域参照图片。
5.如权利要求4所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S2中,按照预设时间间隔,对目标对象的预设乳腺区域进行连续拍摄,得到若干乳腺区域追踪图片具体包括:
当完成所述乳腺区域基准图片的拍摄后,按照预设时间间隔,对目标对象上身区域进行所述预设扫描方位的连续扫描拍摄,得到若干第二上身区域图片;
从每个第二上身区域图片中识别截取相应的第二乳腺区域图片,将所述第二乳腺区域图片和所述第一乳腺区域图片进行比对,确定所述第二乳腺区域图片和所述第一乳腺区域图片之间的乳腺组织像素相似度;
若所述乳腺组织像素相似度小于或等于预设相似度阈值,则重新识别截取相应的第二乳腺区域图片,直到所述乳腺组织像素相似度大于预设相似度阈值为止。
6.如权利要求5所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S2中,根据所述存在状态信息,对所述乳腺区域追踪图片进行标记,从而得到乳腺区域诊断图片具体包括:
根据所述分布位置信息,生成包含乳腺组织在所述乳腺区域追踪图片中的分布位置坐标的第三图层,所述第三图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域追踪图片中的位置坐标值;
根据所述形状尺寸信息,生成包含乳腺组织在所述乳腺区域追踪图片中的边界轮廓的第四图层,所述第四图层包括乳腺组织的组织主体以及组织分叉节点在所述乳腺区域追踪图片中的边界轮廓;
再将所述第三图层和所述第四图层加载到所述乳腺区域追踪图片中,从而得到乳腺区域诊断图片;
在所述步骤S2中,将所有乳腺区域诊断图片分别与所述乳腺区域参照图片进行比对,确定预设乳腺区域的乳腺癌病灶区域存在状态信息具体包括:
根据每个乳腺区域诊断图片的第一图层的位置坐标值,从第二图层中提取与所述第一图层的位置坐标值相对应的边缘轮廓;
根据所述乳腺区域参照图片的第三图层的位置坐标值,从第四图层中提取与所述第三图层的位置坐标值相对应的边缘轮廓;
将从第二图层提取得到的边缘轮廓与从第四图层提取得到的边缘轮廓进行比对,从而确定预设乳腺区域是否存在乳腺癌组织以及乳腺癌组织的存在位置和体积,以此作为所述乳腺癌病灶区域存在状态信息。
7.如权利要求6所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S3中,根据所述乳腺癌病灶区域存在状态信息,得到乳腺癌细胞生长扩散判定信息具体包括:
若确定预设乳腺区域存在乳腺癌组织,则根据所述乳腺癌组织的存在位置和体积,确定乳腺癌细胞在目标对象上身区域的分布位置和分布密度,以此作为所述乳腺癌细胞生长扩散判定信息。
8.如权利要求7所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S3中,根据所述乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数具体包括:
根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度,确定目标对象进行放疗处理的放疗射线相对于目标对象的投射方位角以及所述放疗射线的投射强度。
9.如权利要求7所述的乳腺癌病变图片智能处理方法,其特征在于:
在所述步骤S3中,根据所述乳腺癌细胞生长扩散判定信息,确定对目标对象进行放疗处理的操作参数具体包括:
当确定乳腺癌细胞在目标对象上身区域的分布位置和分布密度后,还需要确定目标对象上身区域的心脏分布位置,再结合乳腺癌细胞在目标对象上身区域的分布位置和分布密度,得到对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角,在判断所述投射方位角是否对准目标对象上身区域的心脏分布位置,并当确定所述投射方位角是否对准目标对象上身区域的心脏分布位置时,调整所述放疗射线的扫描投射速度,其具体过程为:
步骤S301,利用下面公式(1),根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度,确定对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角,
在上述公式(1)中,α表示对目标对象进行放疗处理时相对于目标对象的放疗射线的投射方位角;β表示对目标对象进行放疗处理时放疗射线的入射角;[x(ρmax),y(ρmax)]表示乳腺癌细胞在目标对象上身区域具有最大分布密度对应的分布位置坐标;[x(ρmin),y(ρmin)]表示乳腺癌细胞在目标对象上身区域具有最小分布密度对应的分布位置坐标;k表示乳腺癌细胞分布密度与乳腺癌细胞在目标对象上身区域的深度的比例值,即乳腺癌细胞分布密度随着乳腺癌细胞在目标对象上身区域所处的深度之间的关联变化比例值;
步骤S302,将目标对象上身区域的心脏分布位置拟合为一个圆形区域,其中所述圆形区域的圆形坐标为所述圆形区域的半径其中,[X(a),Y(a)]表示所述心脏分布位置对应的第a个分布位置坐标;n表示所述心脏分布位置包含的分布位置总数;
步骤S303,利用下面公式(2),判断所述投射方位角是否对准目标对象上身区域的心脏分布位置,
若E=0,则表示所述投射方位角不对准目标对象上身区域的心脏分布位置,此时以预设最大扫描速度Vmax对所述放疗射线进行扫描投射;
若E=1,则表示所述投射方位角对准目标对象上身区域的心脏分布位置,此时根据下面步骤S304确定的扫描投射速度对所述放疗射线进行扫描投射;
步骤S304,利用下面公式(3),根据乳腺癌细胞在目标对象上身区域的分布位置和分布密度以及目标对象上身区域的心脏分布位置,确定对所述放疗射线进行扫描投射的扫描投射速度V,
在上述公式(3)中,L表示目标对象上身区域在斜向对角方向上的宽度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228434.1A CN114723670A (zh) | 2022-03-10 | 2022-03-10 | 乳腺癌病变图片智能处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228434.1A CN114723670A (zh) | 2022-03-10 | 2022-03-10 | 乳腺癌病变图片智能处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723670A true CN114723670A (zh) | 2022-07-08 |
Family
ID=82238455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210228434.1A Withdrawn CN114723670A (zh) | 2022-03-10 | 2022-03-10 | 乳腺癌病变图片智能处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723670A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101346743A (zh) * | 2005-12-29 | 2009-01-14 | 卡尔斯特里姆保健公司 | 跨时间和跨形态的医学诊断 |
CN108815721A (zh) * | 2018-05-18 | 2018-11-16 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种照射剂量确定方法及系统 |
CN111428709A (zh) * | 2020-03-13 | 2020-07-17 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111784701A (zh) * | 2020-06-10 | 2020-10-16 | 深圳市人民医院 | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 |
CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
CN113850753A (zh) * | 2021-08-17 | 2021-12-28 | 苏州鸿熙融合智能医疗科技有限公司 | 医学图像信息计算方法、装置、边缘计算设备和存储介质 |
-
2022
- 2022-03-10 CN CN202210228434.1A patent/CN114723670A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101346743A (zh) * | 2005-12-29 | 2009-01-14 | 卡尔斯特里姆保健公司 | 跨时间和跨形态的医学诊断 |
CN108815721A (zh) * | 2018-05-18 | 2018-11-16 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种照射剂量确定方法及系统 |
CN111428709A (zh) * | 2020-03-13 | 2020-07-17 | 平安科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111784701A (zh) * | 2020-06-10 | 2020-10-16 | 深圳市人民医院 | 结合边界特征增强和多尺度信息的超声图像分割方法及系统 |
CN112546463A (zh) * | 2021-02-25 | 2021-03-26 | 四川大学 | 基于深度神经网络的放疗剂量自动预测方法 |
CN113850753A (zh) * | 2021-08-17 | 2021-12-28 | 苏州鸿熙融合智能医疗科技有限公司 | 医学图像信息计算方法、装置、边缘计算设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
TRANG T PHAM等: "Left-sided breast cancer loco-regional radiotherapy with deep inspiration breath-hold: Does volumetric-modulated arc radiotherapy reduce heart dose further compared with tangential intensity-modulated radiotherapy", 《JOURNAL OF IMAGING AND RADIATION ONCOLOGY》 * |
刘丹等: "乳腺癌放射治疗放射性心脏损伤的研究状况", 《肿瘤预防与治疗》 * |
夏小林等: "乳腺癌1/4野等中心定位技术以及有效深度的准确测算", 《中国当代医药》 * |
王升晔等: "放疗所致心脏疾病的机制及其在乳腺癌中的相关研究", 《肿瘤学杂志》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101853333B (zh) | 医疗机器人导航定位图像中的标记拾取方法 | |
US8594944B2 (en) | Method and/or system for analyzing biological samples using a computer system | |
Raimondo et al. | Automated evaluation of Her-2/neu status in breast tissue from fluorescent in situ hybridization images | |
Patil et al. | Cancer cells detection using digital image processing methods | |
EP1532573B1 (en) | A method and a system for detection of malignancy-associated changes | |
CN113034389B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN116071355A (zh) | 一种用于外周血管影像的辅助分割系统及方法 | |
CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
CN112288704B (zh) | 一种基于核密度函数的量化胶质瘤侵袭性的可视化方法 | |
US20140140629A1 (en) | Methods for processing target pattern, method for generating classification system of target patterns and method for classifying detected target patterns | |
CN116645384B (zh) | 基于人工智能的干细胞区域快速分割方法 | |
CN111815624A (zh) | 基于图像处理算法的肿瘤间质比判定方法及系统 | |
CN103637815B (zh) | 乳腺自动曝光参考区域的确定方法及系统 | |
CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 | |
CN109363676B (zh) | 一种乳腺电阻抗扫描成像的双乳对称性检测方法 | |
CN111127404B (zh) | 一种医疗影像轮廓快速提取方法 | |
CN114723670A (zh) | 乳腺癌病变图片智能处理方法 | |
JP2007202811A (ja) | 照射野認識装置、照射野認識方法およびそのプログラム | |
CN116823701A (zh) | 基于ai的医学影像分析处理方法 | |
Song et al. | Liver segmentation based on SKFCM and improved GrowCut for CT images | |
Heriana et al. | Tumor size classification of breast thermal image using fuzzy C-Means algorithm | |
CN110246125A (zh) | 基于abus冠状面图像的乳头位置自动检测方法 | |
KR20210069250A (ko) | 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법 | |
CN113033577B (zh) | 一种基于伴方差修正模型的海洋目标特征提取方法 | |
CN113975660B (zh) | 一种肿瘤靶区位移监测方法及设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220708 |