CN117152138B - 一种基于无监督学习的医学图像肿瘤目标检测方法 - Google Patents

一种基于无监督学习的医学图像肿瘤目标检测方法 Download PDF

Info

Publication number
CN117152138B
CN117152138B CN202311414103.8A CN202311414103A CN117152138B CN 117152138 B CN117152138 B CN 117152138B CN 202311414103 A CN202311414103 A CN 202311414103A CN 117152138 B CN117152138 B CN 117152138B
Authority
CN
China
Prior art keywords
superpixel
super
pixel
superpixels
medical image
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
Application number
CN202311414103.8A
Other languages
English (en)
Other versions
CN117152138A (zh
Inventor
曹晓光
张亮
郭柳蹊
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.)
Shaanxi Huibin Electronic Technology Co ltd
Original Assignee
Shaanxi Huibin Electronic Technology Co ltd
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 Shaanxi Huibin Electronic Technology Co ltd filed Critical Shaanxi Huibin Electronic Technology Co ltd
Priority to CN202311414103.8A priority Critical patent/CN117152138B/zh
Publication of CN117152138A publication Critical patent/CN117152138A/zh
Application granted granted Critical
Publication of CN117152138B publication Critical patent/CN117152138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种基于无监督学习的医学图像肿瘤目标检测方法，包括如下步骤：利用超像素分割算法对医学图像进行超像素分割，将平均强度小于设定阈值的超像素作为背景超像素，将平均强度大于设定阈值的超像素作为未标注超像素；利用超像素的差异度对未标注超像素的局部超像素差异度进行分类，并根据分类结果分别从原始医学图像上截取特定大小的训练样本，生成标注数据集；利用标注数据集对跨阶段部分网络进行训练，得到训练好的CSPNet模型；利用训练好的CSPNet模型，对待检测医学图像进行肿瘤目标检测。本发明可实现无需手动标注的无监督学习方法，从而解决了现下需要对样本数据进行精准标注，导致标注成本高、效率低的问题。

Description

一种基于无监督学习的医学图像肿瘤目标检测方法
技术领域
本发明属于计算机图像处理技术领域，尤其涉及一种基于无监督学习的医学图像肿瘤目标检测方法。
背景技术
医学图像肿瘤目标检测是一种在医学图像上检测肿瘤目标并定位呈现出来的技术手段。医疗信息化的不断提升，出现了海量的医疗图像信息，单纯依靠医生的经验来判断并给出诊断已经不能满足需要。计算机图像处理技术已经日趋成熟并应用于医疗图像领域。目前，在医疗诊断实际应用中，如果要通过监督学习实现诊断模型，需要利用海量的样本数据进行训练，从数据中学习特征以提高识别的准确性。但是，样本数据的标注需要专业的医学专家的介入，并对大量的医疗资料进行精准标注，因此标注成本高且效率低。
发明内容
针对现有技术的不足，本发明提供了一种基于无监督学习的医学图像肿瘤目标检测方法，无需专家对大量的医疗资料进行精准标注，从而有效地解决了现下需要对样本数据进行精准标注，导致标注成本高、效率低的问题。
为了达到上述目的，本发明的技术方案是：
一种基于无监督学习的医学图像肿瘤目标检测方法，包括如下步骤：
步骤1、利用超像素分割算法对原始医学图像进行超像素分割，将平均强度小于设定阈值的超像素作为背景超像素，将平均强度大于设定阈值的超像素作为未标注超像素；
步骤2、利用超像素的差异度对未标注超像素的局部超像素差异度进行分类，并根据分类结果分别从原始医学图像上截取64×64的训练样本，生成标注超像素数据集；
步骤3、利用标注超像素数据集对跨阶段部分网络CSPNet模型进行训练，得到训练好的CSPNet模型；
步骤4、利用训练好的CSPNet模型，对待检测医学图像进行肿瘤目标检测。
上述的一种基于无监督学习的医学图像肿瘤目标检测方法，步骤2中，所述标注超像素数据集的生成步骤如下：
步骤2-1、计算未标注超像素的局部超像素差异度，计算公式为：
；
其中，表示超像素/>的局部超像素差异度；/>表示超像素/>和/>之间的差异度/>的权重；/>表示超像素/>和/>之间的差异度；/>表示背景超像素；
所述超像素和/>之间的差异度的权重/>的计算公式为：
；
其中，表示超像素/>和/>中心的欧式距离；为空间因子；
所述超像素和/>之间的差异度/>的计算公式为：
；
其中，表示计算超像素/>中所含像素数量；/>表示超像素/>中所含像素数量；/>表示超像素/>的平均强度；/>表示超像素/>的平均强度；
步骤2-2、将局部超像素差异度大于阈值的超像素记为正例超像素，将小于阈值/>的超像素记为反例超像素，并将背景超像素/>也记为反例超像素；所述阈值/>和阈值/>均为先验值；
步骤2-3、在原始医学图像上利用得到的正例超像素样本和反例超像素样本，分别以每个超像素样本为中心，截取出64×64的训练样本，生成标注超像素数据集。
上述的一种基于无监督学习的医学图像肿瘤目标检测方法，步骤4中，所述对待检测医学图像进行肿瘤目标检测的步骤如下：
步骤4-1、利用超像素分割算法对待检测医学图像进行超像素分割；
步骤4-2、在待检测医学图像上利用分割的超像素，以每个超像素为中心，截取出64×64的待检测样本；
步骤4-3、利用训练好的CSPNet模型对待检测样本分类为反例待检测样本和正例待检测样本；
步骤4-4、将分类为反例检测样本直接丢弃，将分类为正例待检测样本映射到原始待检测医学图像的相对应位置，形成多个检测框；
步骤4-5、对每个检测框中的超像素的强度进行阈值判断，将大于阈值的认定为肿瘤目标像素，形成像素级检测结果。
本发明的技术效果和优点：
本发明提供的一种基于无监督学习的医学图像肿瘤目标检测方法，利用超像素的差异度对未标注的样本数据的超像素分割结果进行分类，从而形成标注超像素数据集，以此来训练基于深度学习的目标检测算法，无需医学专家手动对大量的医疗资料进行精准标注，有效地解决了现下需要医学专家对大量的样本数据进行精准标注，导致标注成本高、效率低的问题，且在进行医学图像肿瘤目标检测时，利用GPU进行并行计算比传统方法更快。
附图说明
图1是本发明利用标注超像素数据集对跨阶段部分网络进行训练的训练示意图。
具体实施方式
以下结合附图给出的实施例对本发明作进一步详细的说明。
参见图1所示，一种基于无监督学习的医学图像肿瘤目标检测方法，包括如下步骤：
步骤1、利用SLIC超像素分割算法对原医学图像进行超像素分割，将平均强度小于设定阈值的超像素作为背景超像素，将平均强度大于设定阈值的超像素作为未标注超像素。
具体实施时，所述阈值等于人工选定背景区域的像素平均值，该像素平均值由人工选定不同图像背景的均值决定。
步骤2、利用超像素的差异度对未标注超像素的局部超像素差异度进行分类，并根据分类结果分别从原始医学图像上截取64×64的训练样本，生成标注超像素数据集。
进一步的，所述标注超像素数据集的生成步骤如下：
步骤2-1、计算未标注超像素的局部超像素差异度，计算公式为：
；
其中，表示超像素/>的局部超像素差异度；表示超像素/>和/>之间的差异度/>的权重；表示超像素/>和/>之间的差异度；/>表示背景超像素；
所述超像素和/>之间的差异度的权重/>的计算公式为：
；
其中，表示超像素/>和/>中心的欧式距离；为空间因子；
所述超像素和/>之间的差异度/>的计算公式为：
；
其中，表示计算超像素/>中所含像素数量；/>表示超像素/>中所含像素数量；/>表示超像素/>的平均强度；/>表示超像素/>的平均强度；
步骤2-2、将局部超像素差异度大于阈值的超像素记为正例超像素，将小于阈值/>的超像素记为反例超像素，并将背景超像素/>也记为反例超像素；所述阈值/>和阈值/>均为先验值；
步骤2-3、在原始医学图像上利用得到的正例超像素样本和反例超像素样本，分别以每个超像素样本为中心，截取出64×64的训练样本，生成标注超像素数据集。
具体实施时，原始医学图像上的肿瘤区域可能会被多个超像素样本分割，在同一肿瘤区域生成多个训练样本，此时，可以利用数据增强方法对训练样本进行数据增强，数据增强方法包括翻转和旋转等方法。
步骤3、利用标注超像素数据集对跨阶段部分网络CSPNet模型进行训练，得到训练好的CSPNet模型。
步骤4、利用训练好的CSPNet模型，对待检测医学图像进行肿瘤目标检测。
进一步的，所述对待检测医学图像进行肿瘤目标检测的步骤如下：
步骤4-1、利用超像素分割算法对待检测医学图像进行超像素分割；
步骤4-2、在待检测医学图像上利用分割的超像素，以每个超像素为中心，截取出64×64的待检测样本；
步骤4-3、利用训练好的CSPNet模型对待检测样本分类为反例待检测样本和正例待检测样本；
步骤4-4、将分类为反例检测样本直接丢弃，将分类为正例待检测样本映射到原始待检测医学图像的相对应位置，形成多个检测框；
步骤4-5、对每个检测框中的超像素的强度进行阈值判断，将大于人工选定背景像素的平均值（即大于阈值）的认定为肿瘤目标像素，形成像素级检测结果。
本实施例通过利用超像素的差异度对未标注的样本数据的超像素分割结果进行分类，形成标注超像素数据集，以此来训练基于深度学习的目标检测算法，从而实现无需手动标注的无监督学习方法，有效地解决了现下需要对样本数据进行精准标注，导致标注成本高、效率低的问题，且在进行医学图像肿瘤目标检测时比传统方法更快。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (2)

1.一种基于无监督学习的医学图像肿瘤目标检测方法，其特征在于：包括如下步骤：
步骤1、利用超像素分割算法对原始医学图像进行超像素分割，将平均强度小于设定阈值的超像素作为背景超像素，将平均强度大于设定阈值的超像素作为未标注超像素；
步骤2、利用超像素的差异度对未标注超像素的局部超像素差异度进行分类，并根据分类结果分别从原始医学图像上截取64×64的训练样本，生成标注超像素数据集；
所述标注超像素数据集的生成步骤如下：
步骤2-1、计算未标注超像素的局部超像素差异度，计算公式为：
；
其中，表示超像素/>的局部超像素差异度；/>表示超像素/>和/>之间的差异度/>的权重；/>表示超像素/>和之间的差异度；/>表示背景超像素；
所述超像素和/>之间的差异度的权重/>的计算公式为：
；
其中，表示超像素/>和/>中心的欧式距离；/>为空间因子；
所述超像素和/>之间的差异度/>的计算公式为：
；
其中，表示计算超像素/>中所含像素数量；/>表示超像素中所含像素数量；/>表示超像素/>的平均强度；/>表示超像素/>的平均强度；
步骤2-2、将局部超像素差异度大于阈值的超像素记为正例超像素，将小于阈值/>的超像素记为反例超像素，并将背景超像素/>也记为反例超像素；所述阈值/>和阈值均为先验值；
步骤2-3、在原始医学图像上利用得到的正例超像素样本和反例超像素样本，分别以每个超像素样本为中心，截取出64×64的训练样本，生成标注超像素数据集；
步骤3、利用标注超像素数据集对跨阶段部分网络CSPNet模型进行训练，得到训练好的CSPNet模型；
步骤4、利用训练好的CSPNet模型，对待检测医学图像进行肿瘤目标检测。
2.根据权利要求1所述的一种基于无监督学习的医学图像肿瘤目标检测方法，其特征在于，步骤4中，所述对待检测医学图像进行肿瘤目标检测的步骤如下：
步骤4-1、利用超像素分割算法对待检测医学图像进行超像素分割；
步骤4-2、在待检测医学图像上利用分割的超像素，以每个超像素为中心，截取出64×64的待检测样本；
步骤4-3、利用训练好的CSPNet模型对待检测样本分类为反例待检测样本和正例待检测样本；
步骤4-4、将分类为反例检测样本直接丢弃，将分类为正例待检测样本映射到原始待检测医学图像的相对应位置，形成多个检测框；
步骤4-5、对每个检测框中的超像素的强度进行阈值判断，将大于阈值的认定为肿瘤目标像素，形成像素级检测结果。
CN202311414103.8A 2023-10-30 2023-10-30 一种基于无监督学习的医学图像肿瘤目标检测方法 Active CN117152138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311414103.8A CN117152138B (zh) 2023-10-30 2023-10-30 一种基于无监督学习的医学图像肿瘤目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311414103.8A CN117152138B (zh) 2023-10-30 2023-10-30 一种基于无监督学习的医学图像肿瘤目标检测方法

Publications (2)

Publication Number Publication Date
CN117152138A CN117152138A (zh) 2023-12-01
CN117152138B true CN117152138B (zh) 2024-01-16

Family

ID=88884728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311414103.8A Active CN117152138B (zh) 2023-10-30 2023-10-30 一种基于无监督学习的医学图像肿瘤目标检测方法

Country Status (1)

Country Link
CN (1) CN117152138B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427296A (zh) * 2015-11-11 2016-03-23 北京航空航天大学 一种基于超声图像低秩分析的甲状腺病灶图像识别方法
CN110659692A (zh) * 2019-09-26 2020-01-07 重庆大学 基于强化学习和深度神经网络的病理图像自动标注方法
CN112102237A (zh) * 2020-08-10 2020-12-18 清华大学 基于半监督学习的脑部肿瘤识别模型的训练方法及装置
WO2021017372A1 (zh) * 2019-08-01 2021-02-04 中国科学院深圳先进技术研究院 一种基于生成对抗网络的医学图像分割方法、系统及电子设备
CN112381811A (zh) * 2020-11-20 2021-02-19 沈阳东软智能医疗科技研究院有限公司 一种实现医学影像数据标注的方法、装置及设备
CN112669298A (zh) * 2020-12-31 2021-04-16 武汉科技大学 一种基于模型自训练的地基云图像云检测方法
CN112837315A (zh) * 2021-03-05 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于深度学习的输电线路绝缘子缺陷检测方法
WO2021114630A1 (zh) * 2020-05-28 2021-06-17 平安科技（深圳）有限公司 医学图像样本筛查方法、装置、计算机设备和存储介质
CN115393635A (zh) * 2022-08-11 2022-11-25 西安镭映光电科技有限公司 一种基于超像素分割以及数据增强的红外小目标检测方法
WO2022271129A1 (en) * 2021-06-24 2022-12-29 T.C. Erciyes Universitesi Deep learning-based decision support system for real-time automatic polyp detection
WO2023040068A1 (zh) * 2021-09-16 2023-03-23 惠州市德赛西威汽车电子股份有限公司 感知模型训练方法、基于感知模型的场景感知方法
CN115908421A (zh) * 2023-01-10 2023-04-04 西安电子科技大学 一种基于超像素和多样性的主动学习医学图像分割方法
CN115908354A (zh) * 2022-12-05 2023-04-04 上海派影医疗科技有限公司 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法
CN116898586A (zh) * 2023-07-20 2023-10-20 复旦大学附属眼耳鼻喉科医院 一种应用于插管机器人的自主插管方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190042826A1 (en) * 2017-08-04 2019-02-07 Oregon Health & Science University Automatic nuclei segmentation in histopathology images

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105427296A (zh) * 2015-11-11 2016-03-23 北京航空航天大学 一种基于超声图像低秩分析的甲状腺病灶图像识别方法
WO2021017372A1 (zh) * 2019-08-01 2021-02-04 中国科学院深圳先进技术研究院 一种基于生成对抗网络的医学图像分割方法、系统及电子设备
CN110659692A (zh) * 2019-09-26 2020-01-07 重庆大学 基于强化学习和深度神经网络的病理图像自动标注方法
WO2021114630A1 (zh) * 2020-05-28 2021-06-17 平安科技（深圳）有限公司 医学图像样本筛查方法、装置、计算机设备和存储介质
CN112102237A (zh) * 2020-08-10 2020-12-18 清华大学 基于半监督学习的脑部肿瘤识别模型的训练方法及装置
CN112381811A (zh) * 2020-11-20 2021-02-19 沈阳东软智能医疗科技研究院有限公司 一种实现医学影像数据标注的方法、装置及设备
CN112669298A (zh) * 2020-12-31 2021-04-16 武汉科技大学 一种基于模型自训练的地基云图像云检测方法
CN112837315A (zh) * 2021-03-05 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于深度学习的输电线路绝缘子缺陷检测方法
WO2022271129A1 (en) * 2021-06-24 2022-12-29 T.C. Erciyes Universitesi Deep learning-based decision support system for real-time automatic polyp detection
WO2023040068A1 (zh) * 2021-09-16 2023-03-23 惠州市德赛西威汽车电子股份有限公司 感知模型训练方法、基于感知模型的场景感知方法
CN115393635A (zh) * 2022-08-11 2022-11-25 西安镭映光电科技有限公司 一种基于超像素分割以及数据增强的红外小目标检测方法
CN115908354A (zh) * 2022-12-05 2023-04-04 上海派影医疗科技有限公司 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法
CN115908421A (zh) * 2023-01-10 2023-04-04 西安电子科技大学 一种基于超像素和多样性的主动学习医学图像分割方法
CN116898586A (zh) * 2023-07-20 2023-10-20 复旦大学附属眼耳鼻喉科医院 一种应用于插管机器人的自主插管方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于半监督阶梯网络的肝脏CT影像分割;金兰依;郭树旭;马树志;刘晓鸣;孙长建;李雪妍;;吉林大学学报(信息科学版)(第02期);全文 *
融合时空多特征表示的无监督视频分割算法;李雪君;张开华;宋慧慧;;计算机应用(第11期);全文 *

Also Published As

Publication number Publication date
CN117152138A (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN113780259B (zh) 一种路面缺陷检测方法、装置、电子设备和可读存储介质
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN105184763B (zh) 图像处理方法和装置
CN109522908A (zh) 基于区域标签融合的图像显著性检测方法
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
Phoulady et al. A framework for nucleus and overlapping cytoplasm segmentation in cervical cytology extended depth of field and volume images
CN115861135A (zh) 一种应用于箱体全景探测的图像增强及识别方法
Tian et al. Learning complementary saliency priors for foreground object segmentation in complex scenes
CN110717896A (zh) 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
CN107527054B (zh) 基于多视角融合的前景自动提取方法
CN108427919B (zh) 一种基于形状引导显著性模型的无监督油罐目标检测方法
CN111310768B (zh) 基于鲁棒性背景先验和全局信息的显著性目标检测方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
Zhao et al. Separate degree based Otsu and signed similarity driven level set for segmenting and counting anthrax spores
CN111210447B (zh) 一种苏木精-伊红染色病理图像层次分割的方法及终端
CN113392854A (zh) 一种图像纹理特征提取分类方法
CN115601330A (zh) 一种基于多尺度空间反向注意力机制的结肠息肉分割方法
Zhong et al. PRPN: Progressive region prediction network for natural scene text detection
CN111047559A (zh) 一种数字病理切片异常区域快速检测的方法
CN108664968B (zh) 一种基于文本选取模型的无监督文本定位方法
CN113658129A (zh) 一种结合视觉显著性和线段强度的阵地提取方法
CN117152138B (zh) 一种基于无监督学习的医学图像肿瘤目标检测方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN112365440A (zh) 基于yolov3的乳腺病理学图像有丝分裂检测装置和方法

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