JP2021511577A - 3d医用画像のジオメトリに従った、構造化された畳み込みを通したいくつかのニューラルネットワークによる3d医用画像の自動セグメンテーションプロセス - Google Patents
3d医用画像のジオメトリに従った、構造化された畳み込みを通したいくつかのニューラルネットワークによる3d医用画像の自動セグメンテーションプロセス Download PDFInfo
- Publication number
- JP2021511577A JP2021511577A JP2020538900A JP2020538900A JP2021511577A JP 2021511577 A JP2021511577 A JP 2021511577A JP 2020538900 A JP2020538900 A JP 2020538900A JP 2020538900 A JP2020538900 A JP 2020538900A JP 2021511577 A JP2021511577 A JP 2021511577A
- Authority
- JP
- Japan
- Prior art keywords
- image
- different
- cnn
- cnns
- voxels
- 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.)
- Granted
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 title claims description 7
- 230000008569 process Effects 0.000 title description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 86
- 230000001575 pathological effect Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
Description
前記方法は、
N≧2であるN個の異なる畳み込みニューラルネットワークすなわちCNNを結合し、画像ボリュームのジオメトリまたはアーキテクチャに適合され比較できる構造化されたジオメトリまたはアーキテクチャを有する、全体的(global)ソフトウェア手段または構成を提供することと、
N個の異なる再構築軸または平面に従って3D画像の前記ボリュームを形成するボクセルを解析することと
にあり、各CNNが、1つの軸または平面に属するボクセルの解析に割り振られていることを特徴とする。
− 各ボクセルについて、N個のネットワークの中間活性値(intermediate activation)を結合すること(図4を参照。いわゆる「特徴結合(feature combination)」)。結果として得られるマージされた情報は、次いで、画像の最終的なセグメンテーションを提供する全体的CNNにより入力データとして受け取られる;
− 例えば分類器の(加重)合計、乗算または当業者に知られている他の適合された予測アンサンブリングオペレーション(adapted prediction ensembling operation)によって、N個の異なるCNNの出力情報を結合すること(図7および8を参照。後段での融合またはマージ)
によって行われてよい。
− 考慮されるボクセルと面同士が接する6つのボクセルのグループ;
− 考慮されるボクセルと面同士または辺同士が接する18個のボクセルのグループ;
− 上記の18個のボクセルのグループ、および考慮されるボクセルの角の先端と一点で接する8つのさらなるボクセルを含む26個のボクセルのグループ
に関するものであってよい。
− 矢状面2または冠状面3に平行な平面、および/または、
− 複数の互いに平行な軸平面1
を含んでもよい。
Claims (15)
- 対象物の、ボクセルから構成される3D医用画像において視認可能な解剖学的および病理学的構造物または器具などの特徴の自動セグメンテーション方法であって、方法が、
N≧2であるN個の異なる畳み込みニューラルネットワークすなわちCNNを結合し、画像ボリュームのジオメトリまたはアーキテクチャに適合され比較できる構造化されたジオメトリまたはアーキテクチャを有する、全体的ソフトウェア手段または構成を提供することと、
N個の異なる再構築軸または平面に従って3D画像の前記ボリュームを形成するボクセルを解析することと
にあり、
各CNNが、1つの軸または平面に属するボクセルの解析に割り振られていることを特徴とする、自動セグメンテーション方法。 - 3D画像のN個の再構築平面の各々について、N個の提供されているCNNのうち専用のCNNiを用いて、所与の平面のボクセルにより形成された2D画像を解析しセグメント化することと、前記異なるCNNにより行われた前記N個の解析の中間または最後の結果を結合することとにあり、前記CNNが、3D画像ボリュームと同様に構造化されていることを特徴とする、請求項1に記載の自動セグメンテーション方法。
- 自動セグメンテーション方法が、単一のニューラルネットワークを提供することにあり、単一のニューラルネットワークが、3D医用画像において見られ得る解剖学的および病理学的構造物または器具を自動的にセグメント化する、有利には並列で動作する、N個の異なるCNNをその構造において統合していることと、各CNNが、異なる再構築平面または軸に従って前記3D画像のボリュームを形成する全てのボクセルを解析することと、異なる2D解析およびセグメンテーションの結果が、前記ニューラルネットワークの一番終わりの構造における畳み込みを通して、構造化されたジオメトリと結合されることとを特徴とする、請求項1または2に記載の自動セグメンテーション方法。
- 自動セグメンテーション方法が、N個の逐次的な動作または画像処理ステップを行うことにあり、各ステップが、3D医用画像において見られ得る解剖学的および病理学的構造物または器具を自動的にセグメント化するCNNによって実施され、前記CNNの各CNNiが、N個の異なるCNNの各々についての特定の再構築平面に従って、および、シーケンスにおける前のネットワークCNNi−1が存在する場合は、それによって提供される結果を用いることにより、3D画像のボリュームを形成する全てのボクセルを解析することを特徴とする、請求項1または2に記載の自動セグメンテーション方法。
- 自動セグメンテーション方法が、2つの連続する動作ステップの組み合わせを主に含み、第1のステップが、N個のセグメンテーションを行うことにあり、各セグメンテーションが、N個の異なる再構築軸または平面のうちの1つに従って行われ、および、第2のステップが、これらN個のセグメンテーションの結果を、3D医用画像において見られ得る解剖学的および病理学的構造物または器具の単一のセグメンテーションに結合することにあることを特徴とする、請求項1から4のいずれか一項に記載の自動セグメンテーション方法。
- 第1の動作ステップが、並列的または逐次的に動作するN個の異なるCNNにより実施され、これらCNNの各々が、互いに独立して、3D医用画像において見られ得る解剖学的および病理学的構造物または器具を自動的にセグメント化し、各CNNが、N個の異なるCNNの各々についての異なる再構築平面に従って、3D画像のボリュームを形成する全てのボクセルを解析することを特徴とする、請求項5に記載の自動セグメンテーション方法。
- 第1のステップのN個のセグメンテーションの結果を、3D医用画像において見られ得る解剖学的および病理学的構造物または器具の単一のセグメンテーションに結合することに専用される第2の動作ステップが、第1のステップのN個のセグメンテーションの間に全く同一のボクセルに割り当てられたN個のラベルの結合に対応するラベルを、画像ボリュームの各ボクセルに割り当てることにより実施されることを特徴とする、請求項5または6に記載の自動セグメンテーション方法。
- 第1のステップのN個のセグメンテーションの結果を3D医用画像において見られ得る解剖学的および病理学的構造物または器具の単一のセグメンテーションに結合することに専用される第2の動作ステップが、第1のステップのN個のセグメンテーションの間に全く同一のボクセルに、およびそのボクセルの近傍のボクセルに割り当てられたN個のラベルの結合に対応するラベルを、画像ボリュームの各ボクセルに割り当てることにより実施されることを特徴とする、請求項5または6に記載の自動セグメンテーション方法。
- N個の平面が、矢状面(2)および前頭面または冠状面(3)、ならびに、矢状面および冠状面の交線を包含し、これらの平面に向かって前記線まわりに角度がシフトされた、横断面または軸平面(1)に垂直な少なくとも1つの他の平面を含むことを特徴とする、請求項1から8のいずれか一項に記載の自動セグメンテーション方法。
- 用いられるN個の再構築平面が、矢状面(2)または冠状面(3)に平行な平面を含むことを特徴とする、請求項1から8のいずれか一項に記載の自動セグメンテーション方法。
- 用いられるN個の再構築平面が、いくつかの互いに平行な軸平面(1)を含むことを特徴とする、請求項1から8のいずれか一項に記載の自動セグメンテーション方法。
- 請求項1から11のいずれか一項に記載の自動セグメンテーション方法を行うためのシステムであって、N≧2であるN個の異なる畳み込みニューラルネットワーク(CNNi)の、逐次的または並列的な編成での協調動作を、構造化された構成においてホストし、可能とする少なくとも1つのコンピュータデバイスを含み、各CNNiが、N個の異なる再構築軸または平面に従って3D画像の前記ボリュームを形成するボクセルを解析することにより、処理される3D医用画像において見られ得る解剖学的および病理学的構造物または器具のセグメンテーションを、自動的に、および他のCNNと独立して行うように適合されて構成され、各CNNが、1つの軸または平面に属するボクセルの解析に割り振られていることを特徴とする、システム。
- システムが、前記N個の異なるCNNiにより行われた解析およびセグメンテーションの結果を結合、および場合によっては表示するための手段も含むことを特徴とする、請求項12に記載のシステム。
- N個の異なるCNNの各CNNiが、N個の異なるCNNの各々についての特定の再構築平面に従って、3D画像のボリュームを形成する全てのボクセルを解析し、前のネットワークCNNi−1が存在する場合は、それにより提供された結果を用いるように、前記N個の異なるCNNがシリアルアーキテクチャで構成されることを特徴とする、請求項12または13に記載のシステム。
- N個の異なるCNNが、場合によっては単一のアルゴリズムフレームワーク内において、並列アーキテクチャで構成され、前記N個の異なるCNNの結果が、最終ステージで結合されることを特徴とする、請求項12または13に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862615529P | 2018-01-10 | 2018-01-10 | |
US62/615,529 | 2018-01-10 | ||
PCT/EP2019/050542 WO2019137997A1 (en) | 2018-01-10 | 2019-01-10 | Automatic segmentation process of a 3d medical image by several neural networks through structured convolution according to the geometry of the 3d medical image |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021511577A true JP2021511577A (ja) | 2021-05-06 |
JPWO2019137997A5 JPWO2019137997A5 (ja) | 2022-01-17 |
JP7398377B2 JP7398377B2 (ja) | 2023-12-14 |
Family
ID=65019502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020538900A Active JP7398377B2 (ja) | 2018-01-10 | 2019-01-10 | 3d医用画像のジオメトリに従った、構造化された畳み込みを通したいくつかのニューラルネットワークによる3d医用画像の自動セグメンテーションプロセス |
Country Status (8)
Country | Link |
---|---|
US (1) | US11551362B2 (ja) |
EP (1) | EP3738099A1 (ja) |
JP (1) | JP7398377B2 (ja) |
KR (1) | KR20200119250A (ja) |
CN (1) | CN111868781A (ja) |
BR (1) | BR112020014144A2 (ja) |
CA (1) | CA3087740A1 (ja) |
WO (1) | WO2019137997A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021120815A (ja) * | 2020-01-30 | 2021-08-19 | 富士通株式会社 | 推定処理プログラム、推定処理方法、及び情報処理装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112020014201A2 (pt) * | 2018-01-10 | 2020-12-01 | Institut de Recherche sur les Cancers de l'Appareil Digestif - IRCAD | sistema e método de segmentação automática de uma imagem médica 3d por uma ou várias redes neurais através de convolução estruturada de acordo com a geometria anatômica da imagem médica 3d |
CN110852325B (zh) * | 2019-10-31 | 2023-03-31 | 上海商汤智能科技有限公司 | 图像的分割方法及装置、电子设备和存储介质 |
WO2021209542A1 (en) | 2020-04-17 | 2021-10-21 | Visible Patient | Automatic determination method of at least one parameter indicative of the degree or level of functionality of a lung |
JP2024077825A (ja) | 2022-11-29 | 2024-06-10 | 富士通株式会社 | 病変検出方法および病変検出プログラム |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2232164A1 (en) * | 1995-09-19 | 1997-03-27 | Morphometrix Technologies Inc. | A neural network assisted multi-spectral segmentation system |
EP1996959A4 (en) * | 2006-03-03 | 2012-02-29 | Medic Vision Brain Technologies Ltd | SYSTEM AND METHOD FOR PRIORITIZE PRIORITIZATION AND AUTOMATIC ANALYSIS OF MEDICAL IMAGES |
WO2007105107A2 (en) * | 2006-03-14 | 2007-09-20 | Agency For Science, Technology And Research | Methods, apparatus and computer-readable media for image segmentation |
US8706188B2 (en) * | 2008-06-04 | 2014-04-22 | The Board Of Trustees Of The Leland Stanford Junior University | Automatic segmentation of articular cartilage from MRI |
US9589374B1 (en) * | 2016-08-01 | 2017-03-07 | 12 Sigma Technologies | Computer-aided diagnosis system for medical images using deep convolutional neural networks |
US9965863B2 (en) | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
US9947102B2 (en) | 2016-08-26 | 2018-04-17 | Elekta, Inc. | Image segmentation using neural network method |
US10387740B2 (en) | 2016-10-10 | 2019-08-20 | Gyrfalcon Technology Inc. | Object detection and recognition apparatus based on CNN based integrated circuits |
CN106373168A (zh) * | 2016-11-24 | 2017-02-01 | 北京三体高创科技有限公司 | 一种基于医疗图像的分割与三维重建方法、3d打印系统 |
US10360494B2 (en) * | 2016-11-30 | 2019-07-23 | Altumview Systems Inc. | Convolutional neural network (CNN) system based on resolution-limited small-scale CNN modules |
US10580131B2 (en) | 2017-02-23 | 2020-03-03 | Zebra Medical Vision Ltd. | Convolutional neural network for segmentation of medical anatomical images |
US9968257B1 (en) * | 2017-07-06 | 2018-05-15 | Halsa Labs, LLC | Volumetric quantification of cardiovascular structures from medical imaging |
US10769788B2 (en) | 2017-09-12 | 2020-09-08 | Nantomics, Llc | Few-shot learning based image recognition of whole slide image at tissue level |
US10546389B2 (en) | 2018-04-06 | 2020-01-28 | Elekta Ab (Publ) | Devices and methods for identifying an object in an image |
US10430949B1 (en) | 2018-04-24 | 2019-10-01 | Shenzhen Keya Medical Technology Corporation | Automatic method and system for vessel refine segmentation in biomedical images using tree structure based deep learning model |
EP3567548B1 (en) | 2018-05-09 | 2020-06-24 | Siemens Healthcare GmbH | Medical image segmentation |
US20200037962A1 (en) | 2018-08-01 | 2020-02-06 | General Electric Company | Plane selection using localizer images |
-
2019
- 2019-01-10 EP EP19700464.1A patent/EP3738099A1/en active Pending
- 2019-01-10 CA CA3087740A patent/CA3087740A1/en active Pending
- 2019-01-10 WO PCT/EP2019/050542 patent/WO2019137997A1/en active Search and Examination
- 2019-01-10 KR KR1020207023061A patent/KR20200119250A/ko unknown
- 2019-01-10 JP JP2020538900A patent/JP7398377B2/ja active Active
- 2019-01-10 CN CN201980013054.2A patent/CN111868781A/zh active Pending
- 2019-01-10 US US16/960,709 patent/US11551362B2/en active Active
- 2019-01-10 BR BR112020014144-5A patent/BR112020014144A2/pt active Search and Examination
Non-Patent Citations (3)
Title |
---|
ALIASGHAR MORTAZI ET AL.: ""Multi-Planar Deep Segmentation Networks for Cardiac Substructures from MRI and CT"", ARXIV.ORG[ONLINE], JPN7023000656, 3 August 2017 (2017-08-03), pages 1 - 8, ISSN: 0005124149 * |
SEYED SADEGH MOHSENI SALEHI ET AL.: ""Auto-Context Convolutional Neural Network (Auto-Net) for Brain Extraction in Magnetic Resonance Im", IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 36, no. 11, JPN6023005987, November 2017 (2017-11-01), pages 2319 - 2330, ISSN: 0005124151 * |
日朝祐太他: "畳み込みニューラルネットワークを用いたCT画像からの股関節および大腿部の筋骨格領域自動抽出", 電子情報通信学会技術研究報告, vol. 第117巻 第281号, JPN6023005986, 30 October 2017 (2017-10-30), JP, pages 3 - 4, ISSN: 0005124150 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021120815A (ja) * | 2020-01-30 | 2021-08-19 | 富士通株式会社 | 推定処理プログラム、推定処理方法、及び情報処理装置 |
JP7316611B2 (ja) | 2020-01-30 | 2023-07-28 | 富士通株式会社 | 推定処理プログラム、推定処理方法、及び情報処理装置 |
Also Published As
Publication number | Publication date |
---|---|
KR20200119250A (ko) | 2020-10-19 |
WO2019137997A1 (en) | 2019-07-18 |
EP3738099A1 (en) | 2020-11-18 |
CA3087740A1 (en) | 2019-07-18 |
BR112020014144A2 (pt) | 2020-12-08 |
JP7398377B2 (ja) | 2023-12-14 |
CN111868781A (zh) | 2020-10-30 |
US20200334826A1 (en) | 2020-10-22 |
RU2020126037A (ru) | 2022-02-10 |
US11551362B2 (en) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021511577A (ja) | 3d医用画像のジオメトリに従った、構造化された畳み込みを通したいくつかのニューラルネットワークによる3d医用画像の自動セグメンテーションプロセス | |
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
Folmsbee et al. | Active deep learning: Improved training efficiency of convolutional neural networks for tissue classification in oral cavity cancer | |
US7529396B2 (en) | Method, computer program product, and apparatus for designating region of interest | |
US7860331B2 (en) | Purpose-driven enhancement filtering of anatomical data | |
Zanjani et al. | Mask-MCNet: Tooth instance segmentation in 3D point clouds of intra-oral scans | |
Meirovitch et al. | A multi-pass approach to large-scale connectomics | |
US11229377B2 (en) | System and method for next-generation MRI spine evaluation | |
Yao et al. | Texture synthesis based thyroid nodule detection from medical ultrasound images: interpreting and suppressing the adversarial effect of in-place manual annotation | |
Huang et al. | Combining anatomical constraints and deep learning for 3-D CBCT dental image multi-label segmentation | |
Li et al. | A deep learning approach with temporal consistency for automatic myocardial segmentation of quantitative myocardial contrast echocardiography | |
JP7240403B2 (ja) | 3d医用画像の解剖学的ジオメトリに従った、構造化された畳み込みを通した1つまたはいくつかのニューラルネットワークによる3d医用画像の自動セグメンテーションプロセス | |
Wu et al. | Transformer-based 3D U-Net for pulmonary vessel segmentation and artery-vein separation from CT images | |
CN115661141B (zh) | 基于cbct图像牙齿和牙槽骨分割方法及系统 | |
Gao et al. | Deep learning-based framework for segmentation of multiclass rib fractures in CT utilizing a multi-angle projection network | |
RU2803978C2 (ru) | Процесс автоматической сегментации трехмерного медицинского изображения с помощью нескольких нейронных сетей посредством структурированной свертки в соответствии с геометрией трехмерного медицинского изображения | |
EP3794550B1 (en) | Comparison of a region of interest along a time series of images | |
Suji et al. | A survey and taxonomy of 2.5 D approaches for lung segmentation and nodule detection in CT images | |
JPWO2019137997A5 (ja) | ||
Zhang et al. | Renal surface reconstruction and segmentation for image-guided surgical navigation of laparoscopic partial nephrectomy | |
Tschirren et al. | Airway tree segmentation using adaptive regions of interest | |
Ravi et al. | Pathological medical image segmentation: A quick review based on parametric techniques | |
Hsu et al. | DeepOPG: Improving Orthopantomogram Finding Summarization with Weak Supervision | |
Zhang et al. | Xsede-enabled high-throughput lesion activity assessment | |
RU2783364C1 (ru) | Устройство создания многомерных виртуальных изображений органов дыхания человека и способ создания объёмных изображений с применением устройства |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A529 | Written submission of copy of amendment under article 34 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A529 Effective date: 20200904 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220106 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220106 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230221 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230426 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230808 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231020 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231107 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231204 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7398377 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |