JP2022161857A - 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 - Google Patents
深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 Download PDFInfo
- Publication number
- JP2022161857A JP2022161857A JP2022061508A JP2022061508A JP2022161857A JP 2022161857 A JP2022161857 A JP 2022161857A JP 2022061508 A JP2022061508 A JP 2022061508A JP 2022061508 A JP2022061508 A JP 2022061508A JP 2022161857 A JP2022161857 A JP 2022161857A
- Authority
- JP
- Japan
- Prior art keywords
- sinogram
- training
- pixel values
- loss
- computer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002591 computed tomography Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title description 17
- 238000012937 correction Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000000295 complement effect Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 80
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 210000003484 anatomy Anatomy 0.000 claims description 5
- 238000013481 data capture Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 18
- 238000003384 imaging method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- 238000012636 positron electron tomography Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G06T5/77—
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/408—Dual energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Abstract
Description
52 訓練入力
54 入力層
56 ニューロン(ノード)
58A、58B 隠れ層
60 出力層
64 訓練目標
110 CTイメージング・システム
112 X線源
114 コリメータ
116 X線
118 患者(対象物)
120 X線の透過部分
122 検出器アレイ
124 システム制御器
132 回転サブシステム
134 線形配置サブシステム
158、209 不良ピクセルによる線
Claims (20)
- 計算機式断層写真法データのアーティファクトを補正するコンピュータ実装型の方法であって、
少なくとも一つのピクセルについてピクセル値を欠落したサイノグラムを訓練済みサイノグラム補正ネットワークへ入力するステップと、
前記訓練済みサイノグラム補正ネットワークの1又は複数の層を介して前記サイノグラムを処理するステップであって、前記サイノグラムから補完情報を導くステップと、該補完情報に基づいて前記少なくとも一つのピクセルについて前記ピクセル値を推定するステップとを含んでいる、前記サイノグラムを処理するステップと、
前記訓練済みサイノグラム補正ネットワークから、前記推定されたピクセル値を有する補正されたサイノグラムを出力するステップと
を備えた方法。 - 前記補完情報はマルチチャネル・パッチを含んでいる、請求項1に記載のコンピュータ実装型の方法。
- 前記マルチチャネル・パッチは、前記少なくとも一つのピクセルを有する横列のチャネル・ビュー方向に沿った部分に対応する前記サイノグラムからの局所隣接パッチ、前記少なくとも一つのピクセルを有する前記横列に隣接する横列に対応する前記サイノグラムからの隣接横列パッチ、前記少なくとも一つのピクセルに対する共役領域に対応する前記サイノグラムからの共役パッチ、又は他のエネルギ・チャネルから抽出された二重エネルギ若しくは多重エネルギ計算機式断層写真法の補完情報を含んでいる、請求項2に記載のコンピュータ実装型の方法。
- 前記少なくとも一つのピクセルについての前記欠落したピクセル値のため生ずるアーティファクトを減少させた前記補正されたサイノグラムから画像を再構成するステップを含んでいる請求項1に記載のコンピュータ実装型の方法。
- 前記サイノグラムは、X線計算機式断層写真法システムの前記検出器により捕捉された測定としての生投影データである、請求項1に記載のコンピュータ実装型の方法。
- 前記訓練済みサイノグラム補正ネットワークを生成するように、教師あり学習を用いてニューラル・ネットワークを訓練するステップを含んでおり、前記教師あり学習に用いられる訓練用データが、欠落したピクセル値を全く有しないサイノグラムと、欠落したピクセル値を全く有しない前記サイノグラムからシミュレートされた欠落したピクセル値を有する対応するサイノグラムとを含んでいる、請求項1に記載のコンピュータ実装型の方法。
- 訓練損失が、前記訓練用データの少なくともサイノグラム領域から導かれる、請求項6に記載のコンピュータ実装型の方法。
- 前記訓練損失は、前記訓練用データの前記サイノグラム領域及び前記訓練用データから再構成される画像の画像再構成領域の両方から導かれる、請求項7に記載のコンピュータ実装型の方法。
- 前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、前記訓練用データの前記サイノグラム領域及び前記訓練用データから再構成される前記画像の前記画像再構成領域の両方から前記訓練損失を決定した後に補正される、請求項8に記載のコンピュータ実装型の方法。
- 前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、前記訓練用データの前記サイノグラム領域からサイノグラム領域訓練損失を決定した後に補正され、次いで、欠落したピクセル値を有する前記対応するサイノグラムの補正されたサイノグラムが前記画像に再構成され、該画像から画像再構成領域訓練損失を決定して前記画像を改善する、請求項8に記載のコンピュータ実装型の方法。
- 前記訓練用データは、生のもの、変換されたもの、又はこれらの組み合わせであってよい、請求項6に記載のコンピュータ実装型の方法。
- 計算機式断層写真法データにおける欠落値を推定するための訓練済みニューラル・ネットワークを生成するコンピュータ実装型の方法であって、
サイノグラム及び該サイノグラムから導かれる補完情報を含む訓練用データを用意するステップであって、前記サイノグラムは、欠落したピクセル値を全く有しないサイノグラムと、欠落したピクセル値を全く有しない前記サイノグラムからシミュレートされた欠落したピクセル値を有する対応するサイノグラムとを含んでいる、用意するステップと、
前記訓練用データのサイノグラム領域及び前記訓練用データから再構成される画像の画像再構成領域の両方から導かれる結合型訓練損失を利用することに基づいて、少なくとも一つのピクセルについて欠落したピクセル値を有するサイノグラムを補正するように、前記訓練用データを用いてニューラル・ネットワークを訓練するステップと
を備えた方法。 - 前記補完情報は、欠落したピクセル値を有する前記サイノグラムの各々から導かれるマルチチャネル・パッチを含んでいる、請求項12に記載のコンピュータ実装型の方法。
- 欠落したピクセル値を有するそれぞれのサイノグラムについての前記マルチチャネル・パッチは、前記欠落したピクセル値を有する横列のチャネル・ビュー方向に沿った部分に対応する局所隣接パッチ、前記欠落したピクセル値を有する前記横列に隣接する横列に対応する隣接横列パッチ、前記欠落したピクセル値に対する共役領域に対応する共役パッチ、又は他のエネルギ・チャネルから抽出された二重エネルギ又は多重エネルギ計算機式断層写真法の補完情報を含んでいる、請求項13に記載のコンピュータ実装型の方法。
- 前記訓練用データは、生のもの、変換されたもの、又はこれらの組み合わせである、請求項12に記載のコンピュータ実装型の方法。
- 前記少なくとも一つのピクセルについて欠落した前記ピクセル値を有する前記サイノグラムを補正するように前記ニューラル・ネットワークを訓練するステップは、走査対象の解剖学的構造、表示視野、及び前記サイノグラムを再構成画像に再構成するのに用いられる再構成パラメータとは独立に前記ピクセル値を推定するように前記ニューラル・ネットワークを訓練するステップを含んでいる、請求項12に記載のコンピュータ実装型の方法。
- 前記訓練時に、前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、結合型訓練損失を決定した後に補正される、請求項12に記載のコンピュータ実装型の方法。
- 前記訓練時に、前記訓練用データの欠落したピクセル値を有する前記対応するサイノグラムは、前記訓練用データの前記サイノグラム領域からサイノグラム領域訓練損失を決定した後に補正され、次いで、欠落したピクセル値を有する前記対応するサイノグラムの補正されたサイノグラムが前記画像に再構成され、該画像から画像再構成領域訓練損失を決定して前記画像を改善する、請求項12に記載のコンピュータ実装型の方法。
19. 前記訓練ネットワークは以下の損失を用いる。サイノグラム領域では、
(a)コンテンツ損失:L1損失及び/又はL2損失を目標サイノグラムと予測されたサイノグラムとの間で算出する。
(b)知覚的損失:サイノグラム領域と再構成領域との間で算出されるSSIM損失。
(c)変換領域損失:フィルタ処理後の領域/ウェーブレット領域にわたり損失を算出することができる。
(d)敵対的損失を前記訓練に用いることができる。 - プロセッサにより実行可能なルーチンを符号化したメモリと、
該メモリにアクセスして、前記プロセッサにより実行可能なルーチンを実行するように構成されている処理構成要素と
を備えた深層学習によるサイノグラム補正システムであって、前記ルーチンは前記処理構成要素により実行されると、
少なくとも一つのピクセルについてピクセル値を欠落したサイノグラムを訓練済みサイノグラム補正ネットワークへ入力するステップと、
前記訓練済みサイノグラム補正ネットワークの1又は複数の層を介して前記サイノグラムを処理するステップであって、前記サイノグラムから補完情報を導くステップと、該補完情報に基づいて前記少なくとも一つのピクセルについて前記ピクセル値を推定するステップとを含んでおり、前記補完情報はマルチチャネル・パッチを含んでおり、該マルチチャネル・パッチは、前記少なくとも一つのピクセルを有する横列のチャネル・ビュー方向に沿った部分に対応する前記サイノグラムからの局所隣接パッチ、前記少なくとも一つのピクセルを有する前記横列に隣接する横列に対応する前記サイノグラムからの隣接横列パッチ、及び前記少なくとも一つのピクセルに対する共役領域に対応する前記サイノグラムからの共役パッチ、又は他のエネルギ・チャネルから抽出された二重エネルギ若しくは多重エネルギ計算機式断層写真法の補完情報を含んでいる、前記サイノグラムを処理するステップと、
前記訓練済みサイノグラム補正ネットワークから、前記推定されたピクセル値を有する補正されたサイノグラムを出力するステップと
を前記処理構成要素に行なわせる深層学習によるサイノグラム補正システム。 - 前記ルーチンは前記処理構成要素により実行されると、前記訓練済みサイノグラム補正ネットワークを生成するように、教師あり学習を用いてニューラル・ネットワークを訓練するステップであって、前記教師あり学習に用いられる訓練用データが、欠落したピクセル値を全く有しないサイノグラムと、欠落したピクセル値を全く有しない前記サイノグラムからシミュレートされた欠落したピクセル値を有する対応するサイノグラムとを含んでおり、訓練損失が、前記訓練用データのサイノグラム領域のみから導かれるか、又はサイノグラム領域及び前記訓練用データから再構成される画像の画像再構成領域の両方から導かれる、訓練するステップを前記処理構成要素に行なわせる請求項19に記載のシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/225,395 US11823354B2 (en) | 2021-04-08 | 2021-04-08 | System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector |
US17/225,395 | 2021-04-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022161857A true JP2022161857A (ja) | 2022-10-21 |
JP7434402B2 JP7434402B2 (ja) | 2024-02-20 |
Family
ID=81074284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022061508A Active JP7434402B2 (ja) | 2021-04-08 | 2022-04-01 | 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11823354B2 (ja) |
EP (1) | EP4071720A1 (ja) |
JP (1) | JP7434402B2 (ja) |
CN (1) | CN115205406A (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116269450B (zh) * | 2023-03-21 | 2023-12-19 | 苏州海臻医疗器械有限公司 | 一种基于肌电信号的患者肢体康复状态评估系统及方法 |
CN116502701B (zh) * | 2023-06-29 | 2023-10-20 | 合肥锐世数字科技有限公司 | 衰减校正方法和装置、训练方法和装置、成像方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065945A1 (en) * | 2018-08-23 | 2020-02-27 | Siemens Healthcare Gmbh | Defective Pixel Correction Using Adversarial Networks |
JP2021013726A (ja) * | 2019-07-11 | 2021-02-12 | キヤノンメディカルシステムズ株式会社 | 医用装置 |
JP2021034752A (ja) * | 2019-08-14 | 2021-03-01 | キヤノンメディカルシステムズ株式会社 | データ圧縮装置、データ圧縮方法および学習装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7602951B2 (en) | 2005-03-14 | 2009-10-13 | General Electric Company | Method and system for providing defective cell correction in a medical imaging device |
US7920751B2 (en) | 2007-03-16 | 2011-04-05 | General Electric Company | Adaptive gradient weighting technique for detector bad cell correction |
US11039805B2 (en) * | 2017-01-05 | 2021-06-22 | General Electric Company | Deep learning based estimation of data for use in tomographic reconstruction |
US11039806B2 (en) * | 2018-12-20 | 2021-06-22 | Canon Medical Systems Corporation | Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data |
US11176428B2 (en) * | 2019-04-01 | 2021-11-16 | Canon Medical Systems Corporation | Apparatus and method for sinogram restoration in computed tomography (CT) using adaptive filtering with deep learning (DL) |
CN110264421B (zh) | 2019-06-13 | 2022-07-12 | 明峰医疗系统股份有限公司 | 一种ct坏通道校正方法 |
CN110555834B (zh) | 2019-09-03 | 2020-09-22 | 明峰医疗系统股份有限公司 | 基于深度学习网络的ct坏通道实时检测及重建方法 |
CN112529775A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种图像处理的方法和装置 |
-
2021
- 2021-04-08 US US17/225,395 patent/US11823354B2/en active Active
-
2022
- 2022-03-31 EP EP22165792.7A patent/EP4071720A1/en active Pending
- 2022-04-01 JP JP2022061508A patent/JP7434402B2/ja active Active
- 2022-04-06 CN CN202210356903.8A patent/CN115205406A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065945A1 (en) * | 2018-08-23 | 2020-02-27 | Siemens Healthcare Gmbh | Defective Pixel Correction Using Adversarial Networks |
JP2021013726A (ja) * | 2019-07-11 | 2021-02-12 | キヤノンメディカルシステムズ株式会社 | 医用装置 |
JP2021034752A (ja) * | 2019-08-14 | 2021-03-01 | キヤノンメディカルシステムズ株式会社 | データ圧縮装置、データ圧縮方法および学習装置 |
Non-Patent Citations (1)
Title |
---|
LEE, EUNAE, ET AL.: "Using deep learning for pixel-defect corrections in flat-panel radiography imaging", JOURNAL OF MEDICAL IMAGING, vol. Vol.8(2), JPN7023000958, 4 March 2021 (2021-03-04), US, pages 023501 - 1, ISSN: 0005008489 * |
Also Published As
Publication number | Publication date |
---|---|
US11823354B2 (en) | 2023-11-21 |
US20220327664A1 (en) | 2022-10-13 |
JP7434402B2 (ja) | 2024-02-20 |
EP4071720A1 (en) | 2022-10-12 |
CN115205406A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807737B (zh) | 迭代图像重建框架 | |
JP7202302B2 (ja) | 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定 | |
CN111492406B (zh) | 训练机器学习算法的方法、图像处理系统和图像重建方法 | |
US11864939B2 (en) | Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data | |
CN110462689B (zh) | 基于深度学习的断层摄影重建 | |
US11026642B2 (en) | Apparatuses and a method for artifact reduction in medical images using a neural network | |
US20180197317A1 (en) | Deep learning based acceleration for iterative tomographic reconstruction | |
JP7434402B2 (ja) | 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 | |
JP2021013736A (ja) | X線診断システム、画像処理装置及びプログラム | |
JP7475979B2 (ja) | X線システム及び撮像プログラム | |
US10970885B2 (en) | Iterative image reconstruction | |
EP3671646A1 (en) | X-ray computed tomography (ct) system and method | |
CN110264536B (zh) | 一种在平行束超分重建中计算高低分辨率投影关系的方法 | |
WO2024008764A1 (en) | Cone beam artifact reduction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220420 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230308 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230601 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230823 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231211 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20231218 |
|
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: 20240110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7434402 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |