JP7089071B2 - 単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け - Google Patents
単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け Download PDFInfo
- Publication number
- JP7089071B2 JP7089071B2 JP2020569857A JP2020569857A JP7089071B2 JP 7089071 B2 JP7089071 B2 JP 7089071B2 JP 2020569857 A JP2020569857 A JP 2020569857A JP 2020569857 A JP2020569857 A JP 2020569857A JP 7089071 B2 JP7089071 B2 JP 7089071B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- convolutional neural
- sample
- serum
- segmentation
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/49—Blood
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/02—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor using a plurality of sample containers moved by a conveyor system past one or more treatment or analysis stations
- G01N35/04—Details of the conveyor system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/02—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor using a plurality of sample containers moved by a conveyor system past one or more treatment or analysis stations
- G01N35/04—Details of the conveyor system
- G01N2035/0401—Sample carriers, cuvettes or reaction vessels
- G01N2035/0406—Individual bottles or tubes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/02—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor using a plurality of sample containers moved by a conveyor system past one or more treatment or analysis stations
- G01N35/04—Details of the conveyor system
- G01N2035/0474—Details of actuating means for conveyors or pipettes
- G01N2035/0491—Position sensing, encoding; closed-loop control
- G01N2035/0493—Locating samples; identifying different tube sizes
-
- 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]
Description
本出願は、参照によりその全体が本明細書に組み込まれる、2018年6月15日に出願された米国特許仮出願第62/685,344号の優先権を主張する。
Claims (20)
- 検体容器を特徴付ける方法であって:
複数の視点から、検体の血清または血漿部分を含む検体容器の複数の画像を取り込むことと;
複数の画像からの画像データをセグメンテーション畳み込みニューラルネットワークに入力すること、および画像データをセグメンテーション畳み込みニューラルネットワークで処理して複数のラベルマップを同時に出力することと;
複数のラベルマップを分類畳み込みニューラルネットワークに入力すること、および複数のラベルマップを分類畳み込みニューラルネットワークで処理することと;
分類畳み込みニューラルネットワークから血清または血漿部分の分類を、溶血、黄疸、脂肪血、または正常のうちの1つまたはそれ以上であるとして出力することとを含む、前記方法。 - セグメンテーション畳み込みニューラルネットワークをまず、分類畳み込みニューラルネットワークなしで訓練することをさらに含む、請求項1に記載の方法。
- セグメンテーション畳み込みニューラルネットワークと分類畳み込みニューラルネットワークとをエンドツーエンドで訓練することをさらに含む、請求項1に記載の方法。
- 各視点からのそれぞれの取り込み画像を、視点の数に対応する追加のチャネルと共に一緒にして単一の画像になるように積み重ねることをさらに含む、請求項1に記載の方法。
- 複数の画像からの画像データは、複数の露光による統合画素またはパッチデータを含む、請求項1に記載の方法。
- 同時に出力される複数のラベルマップの数が複数の視点の数に対応する、請求項1に記載の方法。
- セグメンテーション畳み込みニューラルネットワークは、畳み込みおよびプーリングを
含む少なくとも2つの層を含むアーキテクチャを含む、請求項1に記載の方法。 - 分類畳み込みニューラルネットワークは、畳み込み層およびSoftMax層の少なくとも一方を含むアーキテクチャを含む、請求項1に記載の方法。
- 分類畳み込みニューラルネットワークは複数の畳み込み層を含む、請求項1に記載の方法。
- 血清または血漿部分の分類は、溶血、黄疸、および脂肪血のそれぞれについてのNクラスの出力選択肢を含む、請求項1に記載の方法。
- 分類畳み込みニューラルネットワークはさらに、セグメンテーションデータのN’クラスの選択肢を出力する、請求項1に記載の方法。
- 分類畳み込みニューラルネットワークはさらに、キャップタイプの選択肢を出力する、請求項1に記載の方法。
- 検体容器は、1つの視点の少なくとも一部を遮る1つまたはそれ以上のラベルを含む、請求項1に記載の方法。
- 品質検査モジュールであって:
複数の視点から、検体の血清または血漿部分を含む検体容器の複数の画像を取り込むように構成された複数の画像取り込みデバイスと;
複数の画像取り込みデバイスに連結されたコンピュータとを含み、該コンピュータは:
複数の画像からの画像データをセグメンテーション畳み込みニューラルネットワークに入力し、画像データをセグメンテーション畳み込みニューラルネットワークで処理して複数のラベルマップを同時に出力するように、
複数のラベルマップを分類畳み込みニューラルネットワークに入力し、複数のラベルマップを分類畳み込みニューラルネットワークで処理するように;かつ
分類畳み込みニューラルネットワークから血清または血漿部分の分類を、溶血、黄疸、脂肪血、または正常のうちの1つまたはそれ以上であるとして出力するように構成され動作する、前記品質検査モジュール。 - コンピュータはさらに、セグメンテーション畳み込みニューラルネットワークをまず分類畳み込みニューラルネットワークなしで訓練するように構成され動作する、請求項14に記載の品質検査モジュール。
- コンピュータはさらに、各視点からのそれぞれの取り込み画像を、視点の数に対応する追加のチャネルと共に一緒にして単一の画像に積み重ねるように構成され動作する、請求項14に記載の品質検査モジュール。
- 検体試験装置であって:
軌道と;
該軌道上で可動であり、検体の血清または血漿部分を含む検体容器を含むように構成されたキャリアと;
軌道のまわりに配置され、複数の視点から、検体容器および検体の血清または血漿部分の複数の画像を取り込むように構成された複数の画像取り込みデバイスと;
複数の画像取り込みデバイスに連結されたコンピュータとを含み、該コンピュータは:
複数の画像からの画像データをセグメンテーション畳み込みニューラルネットワークに入力し、画像データをセグメンテーション畳み込みニューラルネットワークで処理して複
数のラベルマップを同時に出力するように、
複数のラベルマップを分類畳み込みニューラルネットワークに入力し、複数のラベルマップを分類畳み込みニューラルネットワークで処理するように;かつ
分類畳み込みニューラルネットワークから血清または血漿部分の分類を、溶血、黄疸、脂肪血、または正常のうちの1つまたはそれ以上であるとして出力するように構成され動作する、前記検体試験装置。 - コンピュータはさらに、セグメンテーション畳み込みニューラルネットワークをまず分類畳み込みニューラルネットワークなしで訓練するように構成され動作する、請求項17に記載の検体試験装置。
- コンピュータはさらに、各視点からのそれぞれの取り込み画像を、視点の数に対応する追加のチャネルと共に一緒にして単一の画像に積み重ねるように構成され動作する、請求項17に記載の検体試験装置。
- コンピュータはさらに、セグメンテーションデータのN’クラスの選択肢、またはキャップタイプの選択肢を出力するように構成され動作する、請求項17に記載の検体試験装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862685344P | 2018-06-15 | 2018-06-15 | |
US62/685,344 | 2018-06-15 | ||
PCT/US2019/036351 WO2019241134A1 (en) | 2018-06-15 | 2019-06-10 | Specimen container characterization using a single deep neural network in an end-to-end training fashion |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021527219A JP2021527219A (ja) | 2021-10-11 |
JP7089071B2 true JP7089071B2 (ja) | 2022-06-21 |
Family
ID=68843531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020569857A Active JP7089071B2 (ja) | 2018-06-15 | 2019-06-10 | 単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け |
Country Status (5)
Country | Link |
---|---|
US (1) | US11763461B2 (ja) |
EP (1) | EP3807650A4 (ja) |
JP (1) | JP7089071B2 (ja) |
CN (1) | CN112639482A (ja) |
WO (1) | WO2019241134A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657593B2 (en) * | 2017-07-28 | 2023-05-23 | Siemens Healthcare Diagnostics Inc. | Deep learning volume quantifying methods and apparatus |
WO2020061369A1 (en) | 2018-09-20 | 2020-03-26 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for hiln determination with a deep adaptation network for both serum and plasma samples |
CN113592842A (zh) * | 2021-08-09 | 2021-11-02 | 南方医科大学南方医院 | 一种基于深度学习的样本血清质量识别方法及识别设备 |
EP4216170A1 (en) | 2022-01-19 | 2023-07-26 | Stratec SE | Instrument parameter determination based on sample tube identification |
LU102902B1 (en) * | 2022-01-19 | 2023-07-19 | Stratec Se | Instrument parameter determination based on sample tube identification |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106645A1 (en) | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
US20170364771A1 (en) | 2016-06-17 | 2017-12-21 | Pedro Henrique Oliveira Pinheiro | Generating Object Proposals Using Deep-Learning Models |
WO2018022280A1 (en) | 2016-07-25 | 2018-02-01 | Siemens Healthcare Diagnostics Inc. | Systems, methods and apparatus for identifying a specimen container cap |
WO2018039380A1 (en) | 2016-08-26 | 2018-03-01 | Elekta, Inc. | Systems and methods for image segmentation using convolutional neural network |
WO2018089938A1 (en) | 2016-11-14 | 2018-05-17 | Siemens Healthcare Diagnostics Inc. | Methods, apparatus, and quality check modules for detecting hemolysis, icterus, lipemia, or normality of a specimen |
WO2018105062A1 (ja) | 2016-12-07 | 2018-06-14 | オリンパス株式会社 | 画像処理装置及び画像処理方法 |
JP2021510201A (ja) | 2018-01-10 | 2021-04-15 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド | 訓練が低減されたニューラルネットワークを使用したバイオ流体検体の特徴付けのための方法および装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2010282784C1 (en) | 2009-08-13 | 2014-03-13 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for ascertaining interferents and physical dimensions in liquid samples and containers to be analyzed by a clinical analyzer |
CN108139320B (zh) | 2015-02-17 | 2023-12-22 | 西门子医疗保健诊断公司 | 用于对试样中的干扰物进行分类的基于模型的方法和装置 |
CN105825509A (zh) | 2016-03-17 | 2016-08-03 | 电子科技大学 | 基于3d卷积神经网络的脑血管分割方法 |
CN106372390B (zh) | 2016-08-25 | 2019-04-02 | 汤一平 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
CN106408562B (zh) | 2016-09-22 | 2019-04-09 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
JP7055818B2 (ja) | 2017-04-13 | 2022-04-18 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッド | 畳み込みニューラルネットワークを用いたhiln評価方法及び装置 |
EP3610269A4 (en) * | 2017-04-13 | 2020-04-22 | Siemens Healthcare Diagnostics Inc. | METHODS AND APPARATUS FOR DETERMINING THE NUMBER OF MARKERS DURING A SAMPLE CHARACTERIZATION |
EP3596697B1 (en) * | 2017-06-28 | 2021-03-17 | Deepmind Technologies Limited | Generalizable medical image analysis using segmentation and classification neural networks |
CN108596166B (zh) | 2018-04-13 | 2021-10-26 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
US11927736B2 (en) * | 2018-06-15 | 2024-03-12 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for fine-grained HIL index determination with advanced semantic segmentation and adversarial training |
WO2020061369A1 (en) * | 2018-09-20 | 2020-03-26 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for hiln determination with a deep adaptation network for both serum and plasma samples |
-
2019
- 2019-06-10 JP JP2020569857A patent/JP7089071B2/ja active Active
- 2019-06-10 WO PCT/US2019/036351 patent/WO2019241134A1/en unknown
- 2019-06-10 US US17/251,756 patent/US11763461B2/en active Active
- 2019-06-10 CN CN201980039811.3A patent/CN112639482A/zh active Pending
- 2019-06-10 EP EP19819602.4A patent/EP3807650A4/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017106645A1 (en) | 2015-12-18 | 2017-06-22 | The Regents Of The University Of California | Interpretation and quantification of emergency features on head computed tomography |
JP2019500110A (ja) | 2015-12-18 | 2019-01-10 | ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア | 頭部コンピュータ断層撮影における緊急性の特徴の解釈及び定量化 |
US20170364771A1 (en) | 2016-06-17 | 2017-12-21 | Pedro Henrique Oliveira Pinheiro | Generating Object Proposals Using Deep-Learning Models |
WO2018022280A1 (en) | 2016-07-25 | 2018-02-01 | Siemens Healthcare Diagnostics Inc. | Systems, methods and apparatus for identifying a specimen container cap |
JP2019531463A (ja) | 2016-07-25 | 2019-10-31 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッドSiemens Healthcare Diagnostics Inc. | 試料容器キャップを識別するためのシステム、方法及び装置 |
WO2018039380A1 (en) | 2016-08-26 | 2018-03-01 | Elekta, Inc. | Systems and methods for image segmentation using convolutional neural network |
JP2019531783A (ja) | 2016-08-26 | 2019-11-07 | エレクタ、インク.Elekta, Inc. | 畳み込みニューラルネットワークを用いた画像セグメンテーションのためのシステムおよび方法 |
WO2018089938A1 (en) | 2016-11-14 | 2018-05-17 | Siemens Healthcare Diagnostics Inc. | Methods, apparatus, and quality check modules for detecting hemolysis, icterus, lipemia, or normality of a specimen |
JP2019537011A (ja) | 2016-11-14 | 2019-12-19 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレーテッドSiemens Healthcare Diagnostics Inc. | 試料の溶血、黄疸、脂肪血症、又は正常性を検出する方法、装置及び品質チェックモジュール |
WO2018105062A1 (ja) | 2016-12-07 | 2018-06-14 | オリンパス株式会社 | 画像処理装置及び画像処理方法 |
JP2021510201A (ja) | 2018-01-10 | 2021-04-15 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド | 訓練が低減されたニューラルネットワークを使用したバイオ流体検体の特徴付けのための方法および装置 |
Non-Patent Citations (7)
Title |
---|
Shaoqing Ren,Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,Computer Vision and Computer Recognition,2016年01月06日,arXiv:1506.01497,https://arxiv.org/pdf/1506.01497 |
Y. Lecun,Gradient-based learning applied to document recognition,Proceedings of the IEEE,1998年11月,Volume: 86 Issue: 11,https://ieeexplore.ieee.org/document/726791 |
中山英樹,深層畳み込みニューラルネットによる画像特徴抽出と転移学習,電子情報通信学会技術研究報告,2015年07月09日,Vol.115 No.146(SP2015 36-49),Page.55-59 |
畳み込みニューラルネットワーク,https://ml4a.github.io/ml4a/jp/convnets/ |
畳み込みニューラルネットワークの基礎を理解する,2021年06月07日,https://leadinge.co.jp/rd/2021/06/07/863/ |
畳み込みネットワークの「基礎の基礎」を理解する ~ディープラーニング入門|第2回,2018年07月25日,https://www.imagazine.co.jp/%E7%95%B3%E3%81%BF%E8%BE%BC%E3%81%BF%E3%83%8D%E3%83%83%E3%83%88%E3%83%AF%E3%83%BC%E3%82%AF%E3%81%AE%E3%80%8C%E5%9F%BA%E7%A4%8E%E3%81%AE%E5%9F%BA%E7%A4%8E%E3%80%8D%E3%82%92%E7%90%86%E8%A7%A3%E3%81%99/ |
麻生 英樹,多層ニューラルネットワークによる深屑表現の学習,人工知能学会誌,2013年07月,28巻 4号,Page.649-659,https://www.jstage.jst.go.jp/article/jjsai/28/4/28_649/_pdf/-char/ja |
Also Published As
Publication number | Publication date |
---|---|
US11763461B2 (en) | 2023-09-19 |
EP3807650A1 (en) | 2021-04-21 |
CN112639482A (zh) | 2021-04-09 |
JP2021527219A (ja) | 2021-10-11 |
US20210164965A1 (en) | 2021-06-03 |
EP3807650A4 (en) | 2021-11-17 |
WO2019241134A1 (en) | 2019-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7055818B2 (ja) | 畳み込みニューラルネットワークを用いたhiln評価方法及び装置 | |
JP6879366B2 (ja) | 試料の溶血、黄疸、脂肪血症、又は正常性を検出する方法、装置及び品質チェックモジュール | |
JP7089071B2 (ja) | 単一ディープニューラルネットワークをエンドツーエンド訓練法で使用する検体容器特徴付け | |
JP7216069B2 (ja) | ディープラーニングボリューム定量化方法および装置 | |
JP7324757B2 (ja) | 訓練が低減されたニューラルネットワークを使用したバイオ流体検体の特徴付けのための方法および装置 | |
JP7089072B2 (ja) | 進歩したセマンティックセグメンテーションおよび敵対的訓練による、きめ細かなhil指標決定のための方法および装置 | |
JP7386236B2 (ja) | 血清および血漿試料の両方に関してディープアダプテーションネットワークを用いてhilnを決定するための方法および装置 | |
JP7203206B2 (ja) | 標本分類のための仮説および検証ネットワークおよび方法 | |
JP7177917B2 (ja) | 視覚化分析装置および視覚的学習方法 | |
JP7373659B2 (ja) | 自動診断分析システムにおいて検体の特性評価中に患者情報を保護するための方法および装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210212 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220125 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220420 |
|
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: 20220531 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220609 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7089071 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |