CN115294426B - 介入医学设备的跟踪方法、装置、设备及存储介质 - Google Patents
介入医学设备的跟踪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115294426B CN115294426B CN202211221650.XA CN202211221650A CN115294426B CN 115294426 B CN115294426 B CN 115294426B CN 202211221650 A CN202211221650 A CN 202211221650A CN 115294426 B CN115294426 B CN 115294426B
- Authority
- CN
- China
- Prior art keywords
- tissue
- picture
- image
- interventional
- map
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种介入医学设备的跟踪方法、装置、设备及存储介质。所述方法包括:实时获取介入医疗设备的成像图片进行降噪操作,得到降噪图片;利用预训练的组织识别模型对降噪图片进行组织识别,得到组织识别结果集合,在边缘切割后,得到组织分布图像;实时记录介入医疗设备的仪器形态图像,分析得到方向变化日志;根据设备方向变化日志及预设的对齐构图策略,利用组织分布图像更新预构建的介入通道图,得到更新介入通道图;虚化更新介入通道图,根据组织分布图在所述更新介入通道图中的位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。本发明可以对人体内的介入医学设备进行跟踪。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种介入医学设备的跟踪方法、装置、设备及计算机可读存储介质。
背景技术
随着医疗技术的发展,医疗领域逐渐出现了介入医学设备的分支。所述介入医学设备是通过外科手段插入人体,进行短时间的治疗或检查,因此,介入医学设备多为体积小而高精尖的设备。
由于介入医学设备体积小带来的局限性,无法装载过多定位设备。在介入医学设备使用时,受到微创及内科的视野限制,使得操作的医护人员无法准确追踪介入医疗设备的位置,只能通过X射线进行介入设备定位,但是人体无法长时间承受X射线的伤害,因此,如何无害地对人体内的介入医学设备进行跟踪成为亟待解决的问题。
发明内容
本发明提供一种介入医学设备的跟踪方法、装置、设备及存储介质,其主要目的在于通过图像识别对介入医学设备进行追踪定位。
为实现上述目的,本发明提供的一种介入医学设备的跟踪方法,包括:
实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片;
利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像;
实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志;
根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图;
虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
可选的,所述利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片,包括:
依次选择所述成像图片中的一个像素点为目标点,并识别所述目标点与所述目标点的周围邻域点之间的平均灰度差;
当所述平均灰度差大于或等于预设的降噪阈值时,利用均值滤波算法对所述目标点进行平滑处理,及
当所述平均灰度差小于预设的降噪阈值时,对所述目标点的像素灰度保持不变;
判断所述成像图片中的各个像素点是否全部被选取;
当所述成像图片中的任何一个像素点未被选取时,返回上述依次选择所述成像图片中的一个像素点为目标点,并识别所述目标点与所述目标点的周围邻域点之间的平均灰度差的步骤;
当所述成像图片中的各个像素点全部被选取时,得到所述成像图片对应的降噪图片。
可选的,所述利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,包括:
利用预训练的组织识别模型中的特征提取网络对所述降噪图片进行特征提取,得到特征序列集合;
对所述特征序列集合中的各个特征序列进行全连接操作,得到各个组合特征,并利用所述组织识别模型中的决策树森林,判断各个所述组合特征对于各个预设组织类别的置信度分数;
提取所述置信度分数大于预设的有效阈值的预设组织类别作为组织识别结果,得到组织识别结果集合。
可选的,所述利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合之前,所述方法还包括:
依次从预先构建的暗光组织图像样本集中提取一个暗光组织图像样本;
利用预构建的组织识别模型对所述暗光组织图像样本进行一级识别分类,得到组织纹理特征及杂质特征,并通过Mask矩阵遮蔽所述杂质特征,并对所述组织纹理特征进行二级识别分类,得到组织预测结果;
根据所述Mask矩阵,得到遮蔽对象,并利用预设的遮蔽分类加权损失函数,计算所述暗光组织图像样本对应的真实标签与所述遮蔽对象及所述组织预测结果的组合损失值;
利用所述组织识别模型中的前反馈神经网络,最小化所述组合损失值,并将组合损失值最小时的模型参数进行逆向网络传播,得到更新后的组织识别模型;
识别所述组合损失值的收敛性;
当所述组合损失值未收敛时,返回上述依次从预先构建的暗光组织图像样本集中提取一个暗光组织图像样本的步骤,对所述更新后的组织识别模型进行迭代更新;
当所述组合损失值收敛时,获取最终更新的组织识别模型作为训练完成的组织识别模型。
可选的,所述虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像,包括:
配置所述更新介入通道图的覆盖图对象,并配置所述仪器形态图的图对象句柄;
利用空间分配函数,将所述覆盖图对象进行空间分配;
利用覆盖显示技术,将空间分配后的覆盖图对象与所述图对象句柄进行关联显示,得到介入设备跟踪图像。
可选的,所述根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图之前,所述方法还包括:
根据所述设备方向变化日志,将得到的所有所述组织分布图像进行空间位置排列,得到介入路径视野图;
根据预设的对齐构图策略,对所述介入路径视野图进行基于组织边缘的漂移对齐操作,并将对齐排布结果进行3D重建,得到介入通道图。
可选的,所述仪器形态图像包括前进、后退状态及设备变动方向。
为了解决上述问题,本发明还提供一种介入医学设备的跟踪装置,所述装置包括:
图像降噪模块,用于实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片;
组织识别模块,用于利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像;
介入通道图更新模块,用于实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志,及根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图;
图像覆盖显示模块,用于虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的介入医学设备的跟踪方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的介入医学设备的跟踪方法。
本发明实施例获取介入医疗设备的成像图片通过半均值滤波算法进行降噪,得到降噪图片,其中,所述半均值滤波算法是指对像素点与邻域平均灰度差大于一定程度时进行降噪,既能去除图像中的噪点,又不会对组织边缘进行模糊,便于所述组织识别模型进行组织识别与边缘切割,得到组织分布图像,然后,通过所述介入医疗设备的仪器形态图像可以得到设备方向变化日志,其中,所述设备方向变化日志可以得知所述介入医疗设备前进后退或是否改变方向,因此,根据所述设备方向变化日志可以对历史的组织分布图进行3D建模,得到介入通道图,然后将所述介入通道图与仪器形态图进行覆盖显示,即可得到介入设备跟踪图像。因此,本发明实施例提供的一种介入医学设备的跟踪方法、装置、设备及存储介质,能够对人体内的介入医学设备进行跟踪。
附图说明
图1为本发明一实施例提供的介入医学设备的跟踪方法的流程示意图;
图2为本发明一实施例提供的介入医学设备的跟踪方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的介入医学设备的跟踪方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的介入医学设备的跟踪方法中一个步骤的详细流程示意图;
图5为本发明一实施例提供的介入医学设备的跟踪装置的功能模块图;
图6为本发明一实施例提供的实现所述介入医学设备的跟踪方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种介入医学设备的跟踪方法。本申请实施例中,所述介入医学设备的跟踪方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述介入医学设备的跟踪方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的介入医学设备的跟踪方法的流程示意图。在本实施例中,所述介入医学设备的跟踪方法包括:
S1、实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片。
本发明实施例中,所述介入医疗设备的成像图片可以通过多种方式获取,例如超声成像或者CCD成像等,取决于安装在所述介入医疗设备的硬件设施。其中,本发明实施例中,以CCD成像为例。
本发明实施例中,利用预设的半均值滤波算法对所述成像图片进行降噪操作。
其中,均值滤波算法是指在图像上用一个滤波模板选定目标像素及该目标像素周围的临近像素(以所述目标像素为中心的周围8个像素),再用滤波模板中的全体像素的平均值来代替目标像素的方法。而本发明实施例中,所述半均值滤波算法是对所述成像图片中的各个像素点进行选择性地平滑,只对平均灰度差较小的像素点进行均值滤波算法的方法。
详细的,参考图2所示,本发明实施例中,所述利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片,包括:
S11、依次选择所述成像图片中的一个像素点为目标点,并识别所述目标点与所述目标点的周围邻域点之间的平均灰度差;
S12、当所述平均灰度差大于或等于预设的降噪阈值时,利用均值滤波算法对所述目标点进行平滑处理,及
S13、当所述平均灰度差小于预设的降噪阈值时,对所述目标点的像素灰度保持不变;
S14、判断所述成像图片中的各个像素点是否全部被选取;
当所述成像图片中的任何一个像素点未被选取时,返回上述步骤S11;
当所述成像图片中的各个像素点全部被选取时,执行S15、得到所述成像图片对应的降噪图片。
介入医疗设备由于受限于环境光、体内震动及体液等干扰因素,组织识别及边界划分难度较大,且成像图片中的噪点较多,因此,本发明实施例需要利用均值滤波算法对所述成像图片中的像素点进行平滑处理以去除成像图片中的噪点,但为了保证所述成像图片中各个组织的边缘部分不被平滑处理,则需要通过识别平均灰度差来对需要进行平滑的像素点进行把控。
S2、利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像。
本发明实施例中,所述组织识别模型为基于卷积神经网络的图像识别模型,其中包括特征提取网络、决策树森林、前反馈神经网络等。
详细的,参考图3所示,本发明实施例中,所述利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,包括:
S21、利用预训练的组织识别模型中的特征提取网络对所述降噪图片进行特征提取,得到特征序列集合;
S22、对所述特征序列集合中的各个特征序列进行全连接操作,得到各个组合特征,并利用所述组织识别模型中的决策树森林,判断各个所述组合特征对于各个预设组织类别的置信度分数;
S23、提取所述置信度分数大于预设的有效阈值的预设组织类别作为组织识别结果,得到组织识别结果集合。
本发明实施例中,利用所述特征提取网络的卷积核集合对所述降噪图片进行卷积操作,得到卷积矩阵集合,然后通过所述特征提取网络中的池化层及flatten层对所述卷积矩阵集合进行平均池化操作与扁平化操作,得到包括各个特征序列的特征序列集合。其中,所述卷积核集合用于进行特征提取,而所述池化层与所述flatten层用于在不改变特征值的情况下,对各个卷积核提取到的卷积矩阵进行降维操作。
进一步地,本发明实施例通过全连接层将所述特征序列集合中的各个特征序列进行遍历组合,得到组合特征,然后通过所述组织识别模型中的决策树森林对各个组合特征进行评估,判断各个区域是否为杂质、是否为组织,若是组织,则进一步判断是人体中的什么组织。最终通过识别各个所述组合特征对于各个预设组织类别的置信度分数是否大于预设的有效阈值,如80%,得到最终的组织识别结果集合。
进一步的,参考图4所示,本发明实施例中,所述利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合之前,所述方法还包括:
S201、依次从预先构建的暗光组织图像样本集中提取一个暗光组织图像样本;
S202、利用预构建的组织识别模型对所述暗光组织图像样本进行一级识别分类,得到组织纹理特征及杂质特征,并通过Mask矩阵遮蔽所述杂质特征,并对所述组织纹理特征进行二级识别分类,得到组织预测结果;
S203、根据所述Mask矩阵,得到遮蔽对象,并利用预设的遮蔽分类加权损失函数,计算所述暗光组织图像样本对应的真实标签与所述遮蔽对象及所述组织预测结果的组合损失值;
S204、利用所述组织识别模型中的前反馈神经网络,最小化所述组合损失值,并将组合损失值最小时的模型参数进行逆向网络传播,得到更新后的组织识别模型;
S205、识别所述组合损失值的收敛性;
当所述组合损失值未收敛时,返回上述S201的步骤,对所述更新后的组织识别模型进行迭代更新;
当所述组合损失值收敛时,S206、获取最终更新的组织识别模型作为训练完成的组织识别模型。
其中,所述暗光组织图像样本集是用于模仿体内昏暗无光环境,增加组织识别准确性。
进一步的,本发明实施例中,所述遮蔽分类加权损失函数是通过权重系数将杂质识别的损失函数及组织识别的损失函数进行加权得到的,其中,所述权重系数根据训练效果进行选择,而所述杂质识别的损失函数及组织识别的损失函数均为交叉熵损失函数。
本发明实施例中,当所述组织识别模型识别到杂质后,可以通过边缘切割对杂质部分进行区域划分,然后通过Mask矩阵进行遮蔽,后续过程中通过查询被遮蔽部分的区域大小、形状及数量等方面,可以判断杂志的识别效果,而在识别组织纹理特征来判断组织类别时,可以通过所述暗光组织图像样本的真实标签进行准确率判断,并通过所述遮蔽分类加权损失函数进行损失值计算,得到组合损失值。
本发明实施例可以通过前反馈神经网络,最小化所述组合损失值,将组合损失值最小时的模型参数进行逆向网络传播,得到更新的组织识别模型,由此完成一次训练过程,开始进行下一个暗光组织图像样本的训练过程,其中,可以通过观察所述组合损失值的收敛性进行训练进程把控,为避免过拟合现象,当所述组合损失值收敛时,即可停止训练过程,得到训练完成的组织识别模型。
S3、实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志。
本发明实施例中,所述介入医疗设备的仪器形态图像可以通过所述介入医疗设备的外界控制器中获取。
本发明实施例通过记录各个时刻的仪器形态图像可以得到设备方向变化日志,有利于了解所述介入医疗设备的行进方向与角度,得到设备行进路线。
S4、根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图。
本发明实施例中,所述对齐构图策略是指将所述组织分布图像与预构建的介入通道图进行边缘对齐,然后通过3D构图技术将所述组织分布图像并入所述介入通道图中,得到更新介入通道图。
详细的,本发明实施例中,所述步骤S4之前,所述方法还可以包括:根据所述设备方向变化日志,将得到的所有所述组织分布图像进行空间位置排列,得到介入路径视野图;根据预设的对齐构图策略,对所述介入路径视野图进行基于组织边缘的漂移对齐操作,并将对齐排布结果进行3D重建,得到介入通道图。
本发明实施例中可以根据所述设备变化日志中时间-方向的对应关系,将所有按时间顺序产生的组织分布图像进行空间排布,然后根据相邻的组织分布图像中的组织识别结果及各个组织识别结果对应边缘,将相邻的组织分布图像进行漂移对齐,然后通过绘图工具包将多个呈切片状的组织分布图像进行间隔填充,得到3D的介入通道图。
S5、虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
详细的,本发明实施例中,所述S5的步骤,包括:配置所述更新介入通道图的覆盖图对象,并配置所述仪器形态图的图对象句柄;利用空间分配函数,将所述覆盖图对象进行空间分配;利用覆盖显示技术,将空间分配后的覆盖图对象与所述图对象句柄进行关联显示,得到介入设备跟踪图像。
具体的,本发明实施例通过Overlay显示技术对所述介入通道图进行显示,得到一个覆盖图对象OverlayImage,然同通过空间控制函数对所述覆盖图对象进行空间属性分配,实现虚化所述更新介入通道图,然后通过Windows GDI对生成仪器形态图的外界控制器构建一个图对象句柄HDC,再通过图像查询函数将所述图对象句柄HDC及所述覆盖图对象进行关联,即可得到介入设备跟踪图像。其中,所述句柄为用来标识对象或者项目的标识符。所述空间控制函数与所述图像查询函数为开源的Open CV开发库中的函数,可以实现Overlay显示技术。
本发明实施例获取介入医疗设备的成像图片通过半均值滤波算法进行降噪,得到降噪图片,其中,所述半均值滤波算法是指对像素点与邻域平均灰度差大于一定程度时进行降噪,既能去除图像中的噪点,又不会对组织边缘进行模糊,便于所述组织识别模型进行组织识别与边缘切割,得到组织分布图像,然后,通过所述介入医疗设备的仪器形态图像可以得到设备方向变化日志,其中,所述设备方向变化日志可以得知所述介入医疗设备前进后退或是否改变方向,因此,根据所述设备方向变化日志可以对历史的组织分布图进行3D建模,得到介入通道图,然后将所述介入通道图与仪器形态图进行覆盖显示,即可得到介入设备跟踪图像。因此,本发明实施例提供的一种介入医学设备的跟踪方法,能够对人体内的介入医学设备进行跟踪。
如图5所示,是本发明一实施例提供的介入医学设备的跟踪装置的功能模块图。
本发明所述介入医学设备的跟踪装置100可以安装于电子设备中。根据实现的功能,所述介入医学设备的跟踪装置100可以包括图像降噪模块101、组织识别模块102、介入通道图更新模块103及图像覆盖显示模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述图像降噪模块101,用于实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片;
所述组织识别模块102,用于利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像;
所述介入通道图更新模块103,用于实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志,及根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图;
所述图像覆盖显示模块104,用于虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
详细地,本申请实施例中所述介入医学设备的跟踪装置100中所述的各模块在使用时采用与上述图1至图4中所述的介入医学设备的跟踪方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图6所示,是本发明一实施例提供的实现介入医学设备的跟踪方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如介入医学设备的跟踪程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行介入医学设备的跟踪程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如介入医学设备的跟踪程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图6仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图6示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的介入医学设备的跟踪程序是多个指令的组合,在所述处理器10中运行时,可以实现:
实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片;
利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像;
实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志;
根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图;
虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片;
利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像;
实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志;
根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图;
虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种介入医学设备的跟踪方法,其特征在于,所述方法包括:
实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片;
利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像;
实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志;
根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图;
虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
2.如权利要求1所述的介入医学设备的跟踪方法,其特征在于,所述利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片,包括:
依次选择所述成像图片中的一个像素点为目标点,并识别所述目标点与所述目标点的周围邻域点之间的平均灰度差;
当所述平均灰度差大于或等于预设的降噪阈值时,利用均值滤波算法对所述目标点进行平滑处理,及
当所述平均灰度差小于预设的降噪阈值时,对所述目标点的像素灰度保持不变;
判断所述成像图片中的各个像素点是否全部被选取;
当所述成像图片中的任何一个像素点未被选取时,返回上述依次选择所述成像图片中的一个像素点为目标点,并识别所述目标点与所述目标点的周围邻域点之间的平均灰度差的步骤;
当所述成像图片中的各个像素点全部被选取时,得到所述成像图片对应的降噪图片。
3.如权利要求1所述的介入医学设备的跟踪方法,其特征在于,所述利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,包括:
利用预训练的组织识别模型中的特征提取网络对所述降噪图片进行特征提取,得到特征序列集合;
对所述特征序列集合中的各个特征序列进行全连接操作,得到各个组合特征,并利用所述组织识别模型中的决策树森林,判断各个所述组合特征对于各个预设组织类别的置信度分数;
提取所述置信度分数大于预设的有效阈值的预设组织类别作为组织识别结果,得到组织识别结果集合。
4.如权利要求3所述的介入医学设备的跟踪方法,其特征在于,所述利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合之前,所述方法还包括:
依次从预先构建的暗光组织图像样本集中提取一个暗光组织图像样本;
利用预构建的组织识别模型对所述暗光组织图像样本进行一级识别分类,得到组织纹理特征及杂质特征,并通过Mask矩阵遮蔽所述杂质特征,并对所述组织纹理特征进行二级识别分类,得到组织预测结果;
根据所述Mask矩阵,得到遮蔽对象,并利用预设的遮蔽分类加权损失函数,计算所述暗光组织图像样本对应的真实标签与所述遮蔽对象及所述组织预测结果的组合损失值;
利用所述组织识别模型中的前反馈神经网络,最小化所述组合损失值,并将组合损失值最小时的模型参数进行逆向网络传播,得到更新后的组织识别模型;
识别所述组合损失值的收敛性;
当所述组合损失值未收敛时,返回上述依次从预先构建的暗光组织图像样本集中提取一个暗光组织图像样本的步骤,对所述更新后的组织识别模型进行迭代更新;
当所述组合损失值收敛时,获取最终更新的组织识别模型作为训练完成的组织识别模型。
5.如权利要求1所述的介入医学设备的跟踪方法,其特征在于,所述虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像,包括:
配置所述更新介入通道图的覆盖图对象,并配置所述仪器形态图的图对象句柄;
利用空间分配函数,将所述覆盖图对象进行空间分配;
利用覆盖显示技术,将空间分配后的覆盖图对象与所述图对象句柄进行关联显示,得到介入设备跟踪图像。
6.如权利要求1所述的介入医学设备的跟踪方法,其特征在于,所述根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图之前,所述方法还包括:
根据所述设备方向变化日志,将得到的所有所述组织分布图像进行空间位置排列,得到介入路径视野图;
根据预设的对齐构图策略,对所述介入路径视野图进行基于组织边缘的漂移对齐操作,并将对齐排布结果进行3D重建,得到介入通道图。
7.如权利要求1所述的介入医学设备的跟踪方法,其特征在于,所述仪器形态图像包括前进、后退状态及设备变动方向。
8.一种介入医学设备的跟踪装置,其特征在于,所述装置包括:
图像降噪模块,用于实时获取预构建的介入医疗设备的成像图片,并利用预设的半均值滤波算法对所述成像图片进行降噪操作,得到降噪图片;
组织识别模块,用于利用预训练的组织识别模型对所述降噪图片进行组织识别,得到所述降噪图片中的组织识别结果集合,并通过所述组织识别模型中的输出层对所述组织识别结果集合中各个组织识别结果进行边缘切割及标记操作,得到组织分布图像;
介入通道图更新模块,用于实时记录所述介入医疗设备的仪器形态图像,并根据记录的仪器形态图像分析得到介入医疗设备的方向变化日志,及根据所述设备方向变化日志及预设的对齐构图策略,利用所述组织分布图像更新预构建的介入通道图,得到更新介入通道图;
图像覆盖显示模块,用于虚化所述更新介入通道图,并根据所述组织分布图在所述更新介入通道图中的所处位置,将最新时刻获取的仪器形态图覆盖至虚化后的更新介入通道图中,得到介入设备跟踪图像。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的介入医学设备的跟踪方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的介入医学设备的跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211221650.XA CN115294426B (zh) | 2022-10-08 | 2022-10-08 | 介入医学设备的跟踪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211221650.XA CN115294426B (zh) | 2022-10-08 | 2022-10-08 | 介入医学设备的跟踪方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294426A CN115294426A (zh) | 2022-11-04 |
CN115294426B true CN115294426B (zh) | 2022-12-06 |
Family
ID=83834856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211221650.XA Active CN115294426B (zh) | 2022-10-08 | 2022-10-08 | 介入医学设备的跟踪方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294426B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115908430B (zh) * | 2023-03-08 | 2023-05-30 | 深圳市益心达医学新技术有限公司 | 基于图像处理的介入医学检测方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3567598A1 (de) * | 2018-05-09 | 2019-11-13 | Siemens Healthcare GmbH | Prüfung eines interventionellen superpositionsbildes |
CN111080700A (zh) * | 2019-12-11 | 2020-04-28 | 中国科学院自动化研究所 | 医疗器械图像检测方法及装置 |
CN111093516A (zh) * | 2017-11-21 | 2020-05-01 | 深圳迈瑞生物医疗电子股份有限公司 | 用于规划消融的超声系统及方法 |
CN112270740A (zh) * | 2020-10-10 | 2021-01-26 | 孟自力 | 一种介入手术用导丝训练模型及其构建方法 |
CN113066080A (zh) * | 2021-04-19 | 2021-07-02 | 广州信瑞医疗技术有限公司 | 切片组织识别方法、装置,细胞识别模型及组织分割模型 |
CN217015071U (zh) * | 2021-01-29 | 2022-07-22 | 深圳市益心达医学新技术有限公司 | 可调式y阀 |
CN114840684A (zh) * | 2022-04-25 | 2022-08-02 | 平安普惠企业管理有限公司 | 基于医疗实体的图谱构建方法、装置、设备及存储介质 |
-
2022
- 2022-10-08 CN CN202211221650.XA patent/CN115294426B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111093516A (zh) * | 2017-11-21 | 2020-05-01 | 深圳迈瑞生物医疗电子股份有限公司 | 用于规划消融的超声系统及方法 |
EP3567598A1 (de) * | 2018-05-09 | 2019-11-13 | Siemens Healthcare GmbH | Prüfung eines interventionellen superpositionsbildes |
CN111080700A (zh) * | 2019-12-11 | 2020-04-28 | 中国科学院自动化研究所 | 医疗器械图像检测方法及装置 |
CN112270740A (zh) * | 2020-10-10 | 2021-01-26 | 孟自力 | 一种介入手术用导丝训练模型及其构建方法 |
CN217015071U (zh) * | 2021-01-29 | 2022-07-22 | 深圳市益心达医学新技术有限公司 | 可调式y阀 |
CN113066080A (zh) * | 2021-04-19 | 2021-07-02 | 广州信瑞医疗技术有限公司 | 切片组织识别方法、装置,细胞识别模型及组织分割模型 |
CN114840684A (zh) * | 2022-04-25 | 2022-08-02 | 平安普惠企业管理有限公司 | 基于医疗实体的图谱构建方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Catheter Tracking Using a Convolutional Neural Network for Decreasing Interventional Radiology X-Ray Exposure;J.Zegarra Flores等;《IRBM》;20221005;1-5 * |
基于深度学习的结直肠病理辅助诊断方法研究;唐静;《中国优秀硕士学位论文全文数据库_医药卫生科技辑》;20190515;E072-142 * |
心脏介入手术中的血管及导丝跟踪算法研究;王程;《中国优秀硕士学位论文全文数据库_医药卫生科技辑》;20190215;E062-18 * |
血管造影图像的量化分析和应用研究;贾冬焱;《中国博士学位论文全文数据库_信息科技辑》;20090515;I138-80 * |
Also Published As
Publication number | Publication date |
---|---|
CN115294426A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349147B (zh) | 模型的训练方法、眼底黄斑区病变识别方法、装置及设备 | |
CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN111652845A (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
CN111915609A (zh) | 病灶检测分析方法、装置、电子设备及计算机存储介质 | |
US11935213B2 (en) | Laparoscopic image smoke removal method based on generative adversarial network | |
CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN113705461A (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
CN102419864B (zh) | 一种提取脑部ct图像骨骼方法及装置 | |
CN115294426B (zh) | 介入医学设备的跟踪方法、装置、设备及存储介质 | |
CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
CN116563040A (zh) | 基于牲畜识别的农险查勘方法、装置、设备及存储介质 | |
CN112614138A (zh) | 图像处理装置、系统、存储介质及图像处理方法 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN113393445B (zh) | 乳腺癌影像确定方法及系统 | |
CN113627394B (zh) | 人脸提取方法、装置、电子设备及可读存储介质 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN113160144B (zh) | 目标物检测方法、装置、电子设备及存储介质 | |
CN114494239A (zh) | 病灶识别方法、装置、电子设备及计算机存储介质 |
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 |