JP2023077989A - 放射線画像処理装置、放射線画像処理方法、学習装置、学習データの生成方法、及びプログラム - Google Patents
放射線画像処理装置、放射線画像処理方法、学習装置、学習データの生成方法、及びプログラム Download PDFInfo
- Publication number
- JP2023077989A JP2023077989A JP2021191532A JP2021191532A JP2023077989A JP 2023077989 A JP2023077989 A JP 2023077989A JP 2021191532 A JP2021191532 A JP 2021191532A JP 2021191532 A JP2021191532 A JP 2021191532A JP 2023077989 A JP2023077989 A JP 2023077989A
- Authority
- JP
- Japan
- Prior art keywords
- noise
- image
- learning
- radiographic image
- radiation
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 185
- 230000005855 radiation Effects 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 30
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 10
- 230000002238 attenuated effect Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000002601 radiography Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 description 33
- 238000003384 imaging method Methods 0.000 description 25
- 238000003860 storage Methods 0.000 description 23
- 238000013527 convolutional neural network Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 11
- 238000011946 reduction process Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000002775 capsule Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 229910021417 amorphous silicon Inorganic materials 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005258 radioactive decay Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Description
(放射線撮影システムの構成)
以下、図1A、図1Bを参照して、本開示の第1実施形態に係る放射線撮影システムについて説明する。図1Aは、本実施形態に係る放射線撮影システム1の概略的な構成を示す。なお、以下の説明において、被検査物Oを人体として説明するが、本開示に係る放射線撮影システムによって撮影される被検査物Oは人体に限られず、他の動物や植物、及び非破壊検査の対象物等であってもよい。
次に、図2A、図2Bを参照して、制御部20(放射線画像処理装置)のより具体的な構成について説明する。図2A、図2Bは、本実施形態に係る制御部20の概略的な構成を示す。制御部20には、取得部21、画像処理部22、表示制御部23、駆動制御部24、及び記憶部25が設けられている。
次に、図3A及び図3B、図3Cを参照して、本実施形態に係る学習済モデルを構成する機械学習モデルの例について説明する。本実施形態に係る推論処理部262が用いる機械学習モデルの一例は多層のニューラルネットワークである。
次に、本実施形態に係る学習処理部261(学習部)の処理の流れについて説明する。
σall 2=σq 2+σs 2(式1)
の関係を満たす。また、入力画像の信号をIsigとすると、量子ノイズの標準偏差σqは、信号Isigに比例することから、量子ノイズの係数qを用いて、
σq 2=q2×Isig(式2)
と書ける。また、システムノイズの標準偏差σsは、信号Isigに比例しない一定値であるため、システムノイズの係数sを用いて、
σs 2=s2(式3)
と書ける。
addNoise=A×(sNoise+qNoise)(式4)
と表すことができる。Aは任意の係数で、通常はA=1が好適だが、ノイズ低減効果を変えたい場合は、Aを変化させることでノイズ加算量を調整することも可能である。
Idecay=Iori×α(式5)
σdecay=σori×α(式6)
で表すことができる。
addNoise’=B×(sNoise’+qNoise’)(式9)
で表すことができる。Bは任意の係数で、通常はA=1が好適だが、ノイズ低減効果を変えたい場合は、Bを変化させることでノイズ加算量を調整することも可能である。
次に、図6を参照して、本実施形態に係る推論処理部262の処理の流れについて説明する。図6は、本実施形態に係る推論処理部262の一連の画像処理を示すフローチャートである。
上述した第1実施形態においては、SN比の高い画像として、高線量で撮影した画像の信号量を調整する例や、ファントム画像の例を示したが、別の実施形態として、次のような構成を取ることも可能である。
別の実施形態として、次のような構成を取ることも可能である。
演算処理部266が用いる機械学習モデルについては、CNNの構成として、変分オートエンコーダー(VAE:Variational Auto-Encoder)や、FCN(Fully Convolutional Network)、又はSegNet、DenseNet等、任意の層構成を組み合わせて用いることもできる。また、例えば、カプセルネットワーク(CapsNet:Capsule Network)でもよい。ここで、一般的なニューラルネットワークでは、各ユニット(各ニューロン、あるいは各ノード)はスカラー値を出力するように構成されることによって、例えば、画像における特徴間の空間的な位置関係(相対位置)に関する空間情報が低減されるように構成されている。これにより、例えば、画像の局所的な歪みや平行移動等の影響が低減されるような学習を行うことができる。一方、カプセルネットワークでは、各ユニット(各カプセル)は空間情報をベクトルとして出力するように構成されることよって、例えば、空間情報が保持されるように構成されている。これにより、例えば、画像における特徴間の空間的な位置関係が考慮されたような学習を行うことができる。
また、各種学習済モデルの学習データは、実際の撮影を行う放射線検出器自体を用いて得たデータに限られず、所望の構成に応じて、同型の放射線検出器を用いて得たデータや、同種の放射線検出器を用いて得たデータ等であってもよい。なお、上述の実施形態及び変形例に係る、ノイズ低減処理用の学習済モデルは、例えば、放射線画像の輝度値の大小、明部と暗部の順番や傾き、位置、分布、連続性等を特徴量の一部として抽出して、ノイズ低減された放射線画像の生成に係る推定処理に用いているものと考えられる。
本発明は、上述した様々な実施形態及び変形例の1以上の機能を実現するソフトウェア(プログラム)を、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータがプログラムを読出し実行する処理でも実現可能である。コンピュータは、1つ又は複数のプロセッサー若しくは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータ又は分離した複数のプロセッサー若しくは回路のネットワークを含みうる。
20 制御部(画像処理装置)
22 画像処理部
Claims (26)
- 被検査物の第1の放射線画像を取得する取得手段と、
放射線画像に含まれる信号に関する情報とノイズに関する情報との少なくともいずれか一方の情報に基づいて学習データとして用いる放射線画像を選択して学習を行った学習済モデルに前記取得手段により取得された第1の放射線画像を入力することにより、前記第1の放射線画像に比べてノイズが低減された第2の放射線画像を生成する生成手段と、
を備えることを特徴とする放射線画像処理装置。 - 前記信号に関する情報は、放射線撮影における線量に関する情報、放射線画像に含まれる信号量、前記放射線画像に含まれる信号とノイズの比率の情報の少なくともいずれか1つの情報を含むことを特徴とする請求項1に記載の放射線画像処理装置。
- 前記ノイズに関する情報は、放射線画像に含まれるシステムノイズと放射線を検出する放射線検出器に含まれる蛍光体の変調伝達関数に応じて高周波成分が減衰した量子ノイズとの比率、前記システムノイズのノイズ量、前記量子ノイズのノイズ量の少なくともいずれか1つの情報を含むことを特徴とする請求項1または2に記載の放射線画像処理装置。
- 前記生成手段は、所定の信号量の範囲において推定される前記ノイズに関する情報に基づいて学習データを選択して学習を行った学習済モデルに前記第1の放射線画像を入力することにより、前記第2の放射線画像を生成することを特徴とする請求項1乃至3のいずれか1項に記載の放射線画像処理装置。
- 前記生成手段は、前記信号量の範囲において推定される放射線画像に含まれるシステムノイズと放射線検出器に含まれる蛍光体の変調伝達関数に応じて高周波成分が減衰した量子ノイズとの比率に基づいて学習データを選択して学習を行った学習済モデルに前記第1の放射線画像を入力することにより、前記第2の放射線画像を生成することを特徴とする請求項4に記載の放射線画像処理装置。
- 前記生成手段は、前記システムノイズの比率が閾値より高い場合、前記信号量の範囲において推定されるシグナルノイズ比より高いシグナルノイズ比の放射線画像を前記学習データとして用いて学習を行った学習済モデルに前記第1の放射線画像を入力することにより、前記第2の放射線画像を生成することを特徴とする請求項5に記載の放射線画像処理装置。
- 前記生成手段は、前記システムノイズの比率が閾値より低い場合、前記信号量の範囲において推定されるシグナルノイズ比の放射線画像を前記学習データとして用いて学習を行った学習済モデルに前記第1の放射線画像を入力することにより、前記第2の放射線画像を生成することを特徴とする請求項5または6に記載の放射線画像処理装置。
- 前記生成手段は、前記第1の放射線画像と前記第2の放射線画像を所定の比率でブレンドしたブレンド画像を生成することを特徴とする請求項1乃至7のいずれか1項に記載の放射線画像処理装置。
- 放射線画像に含まれる信号に関する情報とノイズに関する情報との少なくともいずれか一方の情報に基づいて選択される学習データを用いて学習器の学習を行う学習手段を備える学習装置。
- 学習を行う信号量の範囲を決定する決定手段をさらに備え、
前記学習手段は、前記決定された信号量の範囲において推定される前記ノイズに関する情報に基づいて選択される学習データを用いて前記学習器の学習を行うことを特徴とする請求項9に記載の学習装置。 - 前記学習手段は、前記決定された信号量の範囲において推定される放射線画像に含まれるシステムノイズと放射線を検出する放射線検出器に含まれる蛍光体の変調伝達関数に応じて高周波成分が減衰した量子ノイズとの比率に基づいて選択される学習データを用いて学習器の学習を行うことを特徴とする請求項10に記載の学習装置。
- 前記学習データは、放射線画像と該放射線画像に前記システムノイズと前記量子ノイズとを模した人工ノイズを加算した放射線画像を含み、
前記学習手段は、前記システムノイズの比率に基づいて前記放射線画像に加算する前記人工ノイズを調整することを特徴とする請求項11に記載の学習装置。 - 前記学習手段は、前記人工ノイズを加算した放射線画像におけるシステムノイズと量子ノイズの比が、前記信号量の範囲において推定されるシグナルノイズ比より高いシグナルノイズ比の放射線画像における前記システムノイズと前記量子ノイズの比と同等になるように人工ノイズを推定し、前記推定された人工ノイズを放射線画像に加算することを特徴とする請求項12に記載の学習装置。
- 前記学習手段は、前記システムノイズの比率が閾値より高い場合、前記信号量の範囲において推定されるシグナルノイズ比より高いシグナルノイズ比の放射線画像を前記学習データとして用いることを特徴とする請求項11乃至13のいずれか1項に記載の学習装置。
- 前記学習手段は、前記システムノイズの比率が閾値より高い場合、人体を模擬したファントムを複数回撮影して得た複数のファントム画像を平均化することにより得られる平均画像を前記学習データとして用いることを特徴とする請求項14に記載の学習装置。
- 前記学習手段は、前記信号量の範囲において推定されるシグナルノイズ比より高いシグナルノイズ比の放射線画像と、前記システムノイズと前記量子ノイズとを模した人工ノイズを前記放射線画像に加算した放射線画像とを前記学習データとして用いることを特徴とする請求項15に記載の学習装置。
- 前記学習手段は、前記システムノイズの比率が閾値より低い場合、前記信号量の範囲において推定されるシグナルノイズ比の放射線画像を前記学習データとして用いることを特徴とする請求項11乃至16のいずれか1項に記載の学習装置。
- 前記学習手段は、前記信号量の範囲において推定されるシグナルノイズ比の放射線画像と、前記システムノイズと前記量子ノイズとを模した人工ノイズを前記放射線画像に加算した放射線画像とを前記学習データとして用いることを特徴とする請求項17に記載の学習装置。
- 前記システムノイズの比率が閾値より高い場合、放射線画像にノイズ低減処理を施す処理手段をさらに備え、
前記学習手段は、前記ノイズ低減処理された放射線画像と、前記ノイズ低減処理された放射線画像に前記システムノイズと前記量子ノイズとを模した人工ノイズを加算した放射線画像とを前記学習データとして用いることを特徴とする請求項11乃至18のいずれか1項に記載の学習装置。 - 人体を模擬したファントムを複数回撮影して得た複数のファントム画像を平均化することにより得られる平均画像および放射線画像に含まれるシステムノイズと放射線検出器に含まれる蛍光体の変調伝達関数に応じて高周波成分が減衰した量子ノイズとを模した人工ノイズを前記平均画像に加算した画像と、人体を撮影することにより得られる所定の値以上のシグナルノイズ比の臨床画像および前記システムノイズと前記量子ノイズとを模した人工ノイズを前記臨床画像に加算した画像と、を含む学習データを用いて、放射線画像のノイズを低減するための学習器の学習を行う学習手段を備える学習装置。
- 前記学習手段は、前記臨床画像にノイズ低減処理を施したノイズ低減画像および前記システムノイズと前記量子ノイズとを模した人工ノイズを前記ノイズ低減画像に加算した画像と、をさらに含む学習データを用いて学習器の学習を行うことを特徴とする請求項20に記載の学習装置。
- 前記学習手段は、前記学習器を用いたノイズ低減処理の目標とするシグナルノイズ比に合わせて前記平均画像、前記臨床画像、前記ノイズ低減画像のうち少なくとも1つの画像を選択し、選択された画像を用いて前記学習器の学習を行うことを特徴とする請求項21に記載の学習装置。
- 人体を模擬したファントムを複数回撮影して得た複数のファントム画像を平均化することにより得られる平均画像および放射線画像に含まれるシステムノイズと放射線検出器に含まれる蛍光体の変調伝達関数に応じて高周波成分が減衰した量子ノイズとを模した人工ノイズを前記平均画像に加算した画像と、人体を撮影することにより得られる所定の値以上のシグナルノイズ比の放射線画像および前記システムノイズと前記量子ノイズとを模した人工ノイズを前記所定の値以上のシグナルノイズ比を有する放射線画像に加算した放射線画像と、を含む学習データを生成する生成工程を含む学習データの生成方法。
- 前記生成工程は、前記臨床画像にノイズ低減処理を施したノイズ低減画像および前記システムノイズと前記量子ノイズとを模した人工ノイズを前記ノイズ低減画像に加算した画像と、をさらに含む学習データを生成することを特徴とする請求項23に記載の学習データの生成方法。
- 被検査物の第1の放射線画像を取得する取得工程と、
放射線画像に含まれる信号に関する情報とノイズに関する情報との少なくともいずれか一方の情報に基づいて学習データを選択して学習を行った学習済モデルに前記取得手段により取得された第1の放射線画像を入力することにより、前記第1の放射線画像に比べてノイズが低減された第2の放射線画像を生成する生成工程と、
を備えることを特徴とする放射線画像処理方法。 - コンピュータを、請求項1乃至7のいずれか1項に記載の放射線画像処理装置の各手段として機能させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021191532A JP2023077989A (ja) | 2021-11-25 | 2021-11-25 | 放射線画像処理装置、放射線画像処理方法、学習装置、学習データの生成方法、及びプログラム |
US18/058,099 US20230162328A1 (en) | 2021-11-25 | 2022-11-22 | Image processing apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021191532A JP2023077989A (ja) | 2021-11-25 | 2021-11-25 | 放射線画像処理装置、放射線画像処理方法、学習装置、学習データの生成方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023077989A true JP2023077989A (ja) | 2023-06-06 |
Family
ID=86622824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021191532A Pending JP2023077989A (ja) | 2021-11-25 | 2021-11-25 | 放射線画像処理装置、放射線画像処理方法、学習装置、学習データの生成方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023077989A (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002199285A (ja) * | 2000-12-26 | 2002-07-12 | Canon Inc | 画像取得装置及び方法 |
JP2018206382A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
JP2020141908A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社日立製作所 | 医用撮像装置、医用画像処理装置、医用画像処理プログラム、及び、機械学習モデル |
JP2020166814A (ja) * | 2019-03-11 | 2020-10-08 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
US20210110517A1 (en) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Method and device for noise reduction in image recordings |
-
2021
- 2021-11-25 JP JP2021191532A patent/JP2023077989A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002199285A (ja) * | 2000-12-26 | 2002-07-12 | Canon Inc | 画像取得装置及び方法 |
JP2018206382A (ja) * | 2017-06-01 | 2018-12-27 | 株式会社東芝 | 画像処理システム及び医用情報処理システム |
JP2020141908A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社日立製作所 | 医用撮像装置、医用画像処理装置、医用画像処理プログラム、及び、機械学習モデル |
JP2020166814A (ja) * | 2019-03-11 | 2020-10-08 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
US20210110517A1 (en) * | 2019-10-09 | 2021-04-15 | Siemens Healthcare Gmbh | Method and device for noise reduction in image recordings |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7234064B2 (ja) | 反復的画像再構成フレームワーク | |
JP7150837B2 (ja) | 機械学習を使用した画像生成 | |
JP7432356B2 (ja) | 医用装置及びプログラム | |
JP7334048B2 (ja) | X線ctシステム及び方法 | |
EP3716214B1 (en) | Medical image processing apparatus and method for acquiring training images | |
JP2020168352A (ja) | 医用装置及びプログラム | |
US20210110584A1 (en) | Automated correction of metal affected voxel representations of x-ray data using deep learning techniques | |
US20130051516A1 (en) | Noise suppression for low x-ray dose cone-beam image reconstruction | |
JP7451256B2 (ja) | X線システム、画像処理装置及びプログラム | |
EP3195265A2 (en) | Iterative image reconstruction with a sharpness driven regularization parameter | |
JP2021013736A (ja) | X線診断システム、画像処理装置及びプログラム | |
JP2021013725A (ja) | 医用装置 | |
CN113689342A (zh) | 一种图像质量优化的方法及系统 | |
JP7475979B2 (ja) | X線システム及び撮像プログラム | |
EP4071706A1 (en) | Medical data processing method, model generation method, medical data processing apparatus, and computer-readable non-transitory storage medium storing medical data processing program | |
Holbrook et al. | Deep learning based spectral distortion correction and decomposition for photon counting CT using calibration provided by an energy integrated detector | |
US20230206404A1 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
JP2023077989A (ja) | 放射線画像処理装置、放射線画像処理方法、学習装置、学習データの生成方法、及びプログラム | |
EP3764325B1 (en) | System and program for avoiding focal spot blurring | |
JP2023077988A (ja) | 放射線画像処理装置、放射線画像処理方法、画像処理装置、学習装置、学習データの生成方法、及びプログラム | |
US20230162328A1 (en) | Image processing apparatus | |
US20230380788A1 (en) | Information processing method, medical image diagnostic apparatus, and information processing system for processing metal artifact images | |
JP2022039989A (ja) | 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム | |
US11672498B2 (en) | Information processing method, medical image diagnostic apparatus, and information processing system | |
US20230326596A1 (en) | Information processing method, medical image diagnostic apparatus, and information processing system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220915 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230823 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230905 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231031 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20231213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240130 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240328 |