WO2022140990A1 - 医学图像轮廓勾画方法、装置及系统 - Google Patents
医学图像轮廓勾画方法、装置及系统 Download PDFInfo
- Publication number
- WO2022140990A1 WO2022140990A1 PCT/CN2020/140393 CN2020140393W WO2022140990A1 WO 2022140990 A1 WO2022140990 A1 WO 2022140990A1 CN 2020140393 W CN2020140393 W CN 2020140393W WO 2022140990 A1 WO2022140990 A1 WO 2022140990A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- medical image
- delineation
- target
- delineated
- target device
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004891 communication Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 206010028980 Neoplasm Diseases 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001959 radiotherapy Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Abstract
医学图像轮廓勾画方法、装置及系统：获取第一目标设备（11）的待勾画的医学图像；将待勾画医学图像输入目标勾画模型；利用所述目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画并得到勾画结果；向第二目标设备（12）推送所述勾画结果，所述第二目标设备（12）与所述第一目标设备（11）为同一设备或者不同设备。通过目标勾画模型对患者的医学图像进行自动轮廓勾画，最后向第二目标设备（12）推送勾画结果，相比于相关技术中需要人工勾画提高了医学图像轮廓勾画的准确性，提高了勾画效率。
Description
本申请涉及人工智能医学影像技术领域，尤其是涉及一种医学图像轮廓勾画方法、装置及系统。
在肿瘤的治疗过程中，靶区的准确勾画，治疗计划的精确设计以及精确的照射，三个环节缺一不可。其中靶区的准确勾画是前提条件，一旦靶区勾画出了问题，后面的两个环节都会相应出问题，会导致患者继发的远处转移率增加，总生存率下降，严重影响患者的生活质量。因此，保证靶区勾画的准确性是非常重要的。
近年来，纵观医疗机构，越来越多的医疗设备实现自动化操作，但是，在医学图像轮廓勾画，例如靶区勾画过程中，相关技术中对医学图像轮廓勾画以及治疗计划制定是在一台设备上完成的，并且需要借助人工进行勾画，勾画效率较低。
发明内容
有鉴于此，本发明实施例所解决的技术问题之一在于提供一种医学图像轮廓勾画方法、装置、系统及存储介质，用以克服上述缺陷。
第一方面，本申请实施例提供一种医学图像轮廓勾画方法，包括：获取第一目标设备的待勾画的医学图像；将所述待勾画的医学图像输入目标勾画模型；利用所述目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画，得到勾画结果；向第二目标设备推送所述勾画结果，所述第二目标设备与所述第一目标设备为同一设备或者不同设备。
第二方面，本申请实施例提供一种医学图像轮廓勾画方法，包括：自动获取至少一个待勾画的医学图像；将所述至少一个待勾画的医学图像输入目标勾画模型，所述目标勾画模型为训练好的深度神经网络模型；利用所述目标勾画模型对所述至少一个待勾画的医学图像进行自动轮廓勾画，得到至少一个勾画结果；自动推送所述至少一个勾画结果。
第三方面，本申请实施例提供一种医学图像轮廓勾画方法，包括：从不同 设备获取的待勾画的医学图像；将所述待勾画的医学图像输入目标勾画模型；利用所述目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画，得到勾画结果；向所述不同设备推送所述勾画结果。
第四方面，本申请实施例提供一种医学图像轮廓勾画装置，包括：处理器；以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现本申请中任一项实施例所述的方法。
第五方面，本申请实施例提供一种医学图像轮廓勾画系统，所述系统包括：第四方面所述的医学图像轮廓勾画装置，以及第一目标设备和第二目标设备，所述第二目标设备与所述第一目标设备为同一设备或者不同设备。
第六方面，本申请实施例提供一种存储介质，存储介质存储有计算机可执行指令，计算机可执行指令在被执行时实现本申请任一实施例中所描述的方法。
本申请提供的医学图像轮廓勾画方法、装置、系统及存储介质：获取第一目标设备的待勾画的医学图像；将待勾画医学图像输入目标勾画模型；利用所述目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画并得到勾画结果；向第二目标设备推送所述勾画结果，所述第二目标设备与所述第一目标设备为同一设备或者不同设备。本申请通过目标勾画模型对患者的医学图像进行自动轮廓勾画，最后第二向目标设备推送勾画结果，相比于相关技术中需要人工勾画提高了医学图像轮廓勾画的准确性，也提高了勾画效率。
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比值绘制的。附图中：
图1为本申请实施例提供的一种医学图像轮廓勾画系统示意图；
图2为本申请实施例提供的一种医学图像轮廓勾画方法的流程图；
图3为本申请实施例提供的勾画进度显示示意图；
图4为本申请实施例提供的一种电子设备的结构图示意图。
图5为本申请实施例提供的一种医学图像轮廓勾画系统示意图；
图6为本申请实施例提供的另一种医学图像轮廓勾画系统示意图。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
为了便于理解，本方案首先对医学图像轮廓勾画方法所应用于的医学图像轮廓勾画系统进行简单介绍。
参考图1给出的一种医学图像轮廓勾画系统示意图，该系统包括医学图像轮廓勾画装置10，其用于勾画医学图像并得到勾画结果；第一目标设备11和第二目标设备12，其中，第一目标设备11可以用于存储未勾画的医学图像，第二目标设备12可以用于接收医学图像轮廓勾画装置10发送的勾画结果。需要说明的是，第一目标设备与第二目标设备可以为同一设备也可以为不同设备，图1示出的是第一目标设备与第二目标设备为不同设备的情况。
下面对应用于上述医学图像轮廓勾画系统的医学图像轮廓勾画方法进行介绍，本申请实施例提供一种医学图像轮廓勾画方法，如图2所示，该医学图像轮廓勾画方法包括以下步骤：
步骤101、获取第一目标设备的待勾画的医学图像。
在本实施例中，医学图像轮廓勾画装置获取第一目标设备的待勾画的医学图像，这里，待勾画的医学图像可以是预先拍摄的一个或一组患部图像，例如CT图像(Computed Tomography，电子计算机断层扫描)，或者是MRI图像(Magnetic Resonance Imaging，磁共振成像)，再或者是超声图像，还可以是通过其它形式获得的医学图像，本实施例不做限制。
在本实施例中，所述第一目标设备为多个设备中的一个，第一目标设备可以是某一个医院的多个设备中的一个，也可以是不同医院的多个设备中的一个，本实施例不做限制。示例性地，第一目标设备可以是布局在医院本地的服务器，例如治疗计划系统(Treatment Planning System，TPS)服务器、肿瘤信息管理系统(Oncology Information System，OIS)服务器、影像服务器等，也可以是用户端，例如：计算机、移动终端(如手机、笔记本电脑)等。
对于上述医学图像轮廓勾画装置获取第一目标设备的待勾画的医学图像的实施方式，包括：
在第一实施方式中，上述医学图像轮廓勾画装置通过接收第一目标设备推送的待勾画的医学图像来获取第一目标设备的待勾画的医学图像。
在第二实施方式中，上述医学图像轮廓勾画装置自动从第一目标设备获取待勾画的医学图像。
以第一目标设备是TPS服务器为例，医学图像轮廓勾画装置可以接收医院 的TPS服务器推送的待勾画的医学图像(即TPS服务器主动向医学图像轮廓勾画装置推送待勾画的医学图像)，也可以主动自动从TPS服务器获取待勾画的医学图像。
下面将对上述两种获取第一目标设备的待勾画的医学图像的实施方式进行详细说明。
对于第一实施方式，医学图像轮廓勾画装置在接收第一目标设备推送的待勾画的医学图像之前，先建立与第一目标设备之间的通信连接，再接收所述第一目标设备发送的待勾画的医学图像。示例性的，医学图像轮廓勾画装置可以通过DICOM通信协议，根据第一目标设备的IP和端口号与第一目标设备建立通信连接，再接收第一目标设备发送的待勾画的医学图像。
对于第二实施方式，医学图像轮廓勾画装置自动从第一目标设备获取待勾画的医学图像之前，先查询第一目标设备中未勾画的医学图像，再获取未勾画的医学图像，并将获取的未勾画的医学图像作为待勾画的医学图像。在查询第一目标设备中的未勾画的医学图像之前，医学图像轮廓勾画装置需要预先建立与第一目标设备之间的通信连接。与第一实施方式类似，可以通过DICOM通信协议，根据第一目标设备的IP和端口号建立与第一目标设备的通信连接，再自动从第一目标设备中查找并获取待勾画的医学图像。
第二实施方式中，医学图像轮廓勾画装置在查询第一目标设备中是否存在未勾画的医学图像时，可以查询所述第一目标设备中的每个医学图像是否有其对应的勾画文件，若第一目标设备中的医学图像中的第一医学图像不存在对应的勾画文件，则表明该第一医学图像为未勾画的医学图像，医学图像轮廓勾画装置需要获取该第一医学图像，并对其进行勾画。若第一目标设备中的医学图像中的第一医学图像存在对应的勾画文件，则表明该第一医学图像为已勾画的医学图像，医学图像轮廓勾画装置不需要获取该第一医学图像。
这里需要说明的是，此处的“第一医学图像”中的“第一”仅是用于区别医学图像，表示第一目标设备存储的医学图像中一个或多个医学图像，而不表示医学图像的数量或者顺序。
这里需要说明的是，上述至少一个待勾画的医学图像可以是来自不同医院的患者的医学图像，也可以是同一家医院的不同患者的医学图像。
在利用目标勾画模型对待勾画的医学图像进行自动轮廓勾画，得到勾画结果之后，医学图像轮廓勾画装置还可以自动获取下一个待勾画的医学图像，并 对下一个待勾画的医学图像进行自动轮廓勾画。这里，下一个待勾画的医学图像可以为是第一目标设备的待勾画的医学图像，也可以是不同于第一目标设备的其他设备的待勾画的医学图像。
在获取第一目标设备的待勾画的医学图像之前，医学图像轮廓勾画装置还可以根据目标用户输入的顺序调整信息，将待勾画的医学图像的顺序进行调整。
示例性地，目标用户为医院甲的医生甲，医生甲使用的用户端与医学图像轮廓勾画装置之间可以进行数据通信，医生甲使用的用户端上可以显示医生甲名下患者信息，根据实际需求，医生甲可以通过用户端显示界面上显示的控件例如上移或者下移或者置顶按钮，对患者的顺序进行调整；用户端获取医生甲触发这些按钮的顺序调整信息并发送给医学图像轮廓勾画装置，医学图像轮廓勾画装置接收到顺序调整信息(例如上移、下移或者置顶信息)后，将相应患者的待勾画的医学图像的顺序进行调整。
这里需要说明的是，对于普通用户医院甲的医生甲，其权限是调整其名下患者的待勾画的医学图像而不能对其他医生的患者对应的待勾画的医学图像进行调整，这样，医生甲的用户终端显示界面上仅显示其患者信息，只能调整其名下患者的待勾画的医学图像。
举例而言，假设10个待勾画的医学图像对应的标识为“0-1-2-3-4-5-6-7-8-9”，其中，标识为2、5、7的医学图像来自医院甲的医生甲的患者1、患者2和患者3，剩余的图像来自其他医生，若医生甲输入的顺序调整信息为将患者3置顶，即患者顺序调整为：患者3、患者1、患者2，相应的，顺序变为“0-1-7-3-4-2-6-5-8-9”。
当然，可以根据需要，对目标用户的权限进行设置，例如目标用户为医院甲的管理员，可以对医院甲的所有医生的患者的顺序进行调整，这里不做具体限定。
步骤102、将待勾画的医学图像输入目标勾画模型。
这里，目标勾画模型可以是预先训练的神经网络模型。简单来说，该神经网络模型是利用尽量多的医学图像样本以及与之对应的准确的勾画结果，基于深度神经网络算法进行优化训练得到的。
在一实施例中，医学图像轮廓勾画装置内置一个目标勾画模型，在获取到第一目标设备的待勾画的医学图像之后，医学图像轮廓勾画装置将待勾画的医学图像输入目标勾画模型进行自动轮廓勾画。
在另一实施例中，医学图像轮廓勾画装置内置包括多个(即至少两个)勾画模型，在将待勾画的医学图像输入目标勾画模型之前，就需要从多个勾画模型中确定出目标勾画模型，更为详细的，医学图像轮廓勾画装置基于待勾画的医学图像中的待勾画对象，在多个勾画模型中确定待勾画对象对应的目标勾画模型。
这里，上述多个勾画模型可以根据待勾画对象的本身来生成，不同的勾画模型可以勾画不同的对象。
在一示例性，待勾画对象包括肿瘤、身体器官或者组织等中的一个或多个。如果待勾画的医学图像中的待勾画对象包括肿瘤，则其对应的目标勾画模型包括针对肿瘤的勾画模型，如果待勾画的医学图像中的待勾画对象包括身体器官，例如心脏，则其对应的目标勾画模型包括针对心脏的勾画模型，如果待勾画的医学图像中的待勾画对象同时包括靶区和身体器官，例如心脏，则其对应的目标勾画模型包括针对靶区的勾画模型和针对心脏的勾画模型。
在另一示例性，待勾画对象包括头部、头颈部、胸部、腹部、腿部等中的一个或多个。如果待勾画的医学图像中的待勾画对象包括头部，则其对应的目标勾画模型包括针对头部的勾画模型，如果待勾画的医学图像中的待勾画对象包括头颈部，则其对应的目标勾画模型包括针对头颈部的勾画模型，如果待勾画的医学图像中的待勾画对象同时包括头颈部和胸部，则其对应的目标勾画模型包括针对头颈部的勾画模型和针对胸部的勾画模型。
步骤103、利用目标勾画模型对上述待勾画的医学图像进行自动轮廓勾画，得到勾画结果。
在将待勾画的医学图像输入目标勾画模型之后，医学图像轮廓勾画装置利用目标勾画模型对上述待勾画的医学图像进行自动轮廓勾画，得到勾画结果。
进一步的，医学图像轮廓勾画装置可以通过以下步骤对上述待勾画的医学图像进行自动轮廓勾画，得到勾画结果：
利用目标勾画模型，在待勾画的医学图像中对待勾画对象的轮廓进行自动勾画，得到勾画结果。
这里需要说明的是，勾画结果中包括至少一个勾画对象的轮廓，示例性地，若待勾画对象包括肿瘤和肺部，则目标勾画模型可以是针对肿瘤和肺部的勾画模型，利用这些模型对待勾画的医学图像中的肿瘤和肺部轮廓进行自动勾画，得到勾画结果，该勾画结果中包括肿瘤和肺部的轮廓；若待勾画对象包括胸部， 则目标勾画模型可以是针对胸部的勾画模型，利用这些模型对待勾画的医学图像中胸部进行自动勾画，得到勾画结果，该勾画结果中包括胸内所有器官、组织的轮廓，还可以包括肿瘤的轮廓。
为了提高勾画的速度，医学图像轮廓勾画装置还可以利用目标勾画模型同时对多个待勾画的医学图像并行进行自动轮廓勾画，得到多个勾画结果。例如，可以对待勾画对象为头部的多张待勾画的医学图像和待勾画对象为胸部的多张待勾画的医学图像并行进行勾画；当然，也可以将待勾画的医学图像分为多组，每组目标勾画模型分别对各自组相应的医学图像进行勾画。
在本实施例中，医学图像轮廓勾画装置可以对获取的多个待勾画的医学图像并行勾画，也可以按照一定的顺序依次进行勾画，本实施例不做限制。例如，若待勾画的医学图像为ABCDE这样的5个不同患者的腹部图像，医学图像轮廓勾画装置可以利用勾画腹部的目标勾画模型对这5个待勾画的医学图像同时进行自动勾画。
进一步，对于多个用户中的一目标用户，例如医生甲，可以通过其使用的用户端与医学图像轮廓勾画装置建立通信连接，查看其对应的所有患者的医学图像的勾画情况。
更为详尽的，目标用户可以通过用户端输入登录信息，医学图像轮廓勾画装置获取目标用户的登录信息，判断该目标用户的登录信息是否正确。登录信息包括密码或者人脸图像，又或者是虹膜图像。
当确认该目标用户的登录信息正确时，向目标用户的用户端发送目标用户对应的医学图像的勾画进度信息，该勾画进度信息包括一下信息中的至少一种：(1)已勾画的医学图像列表，未勾画的医学图像列表，勾画失败的医学图像列表；(2)目标用户对应的医学图像的勾画进度；(3)正在勾画的医学图像的勾画进度。如此，目标用户的用户端的界面上就可以显示该勾画进度信息，目标用户就可以通过该勾画进度信息获知其所有患者的医学图像的勾画情况。
当确认该目标用户的登录信息不正确时，向目标用户的用户端发送登录失败的提示信息，目标用户的用户端显示该登录失败的提示信息。这里，用户端的界面可以是显示的网页界面、程序界面等。
需要说明的是，对于勾画失败的患者，医学图像轮廓勾画装置还可以进一步分析其勾画失败的原因并发送给目标用户的用户端，该目标用户修改后，重新将医学图像发送给医学图像轮廓勾画装置进行勾画。
可选地，医学图像轮廓勾画装置每间隔预设时长向目标用户的用户端发送一次勾画进度信息。例如，可以每30秒发送一次勾画进度信息，这样可以每30秒刷新一次显示的勾画进度信息。
这里需要说明的是，医学图像轮廓勾画装置获取的勾画进度信息可以是目标用户通过用户端主动发送的，也可以是目标用户登录用户端后，用户端自动发送的。
上述医学图像的勾画进度信息可以通过圆饼或者进度条的方式显示，如图3所示，图3左图示出一种以圆饼方式显示正在勾画的医学图像的勾画进度的示意图，右图示出一种以进度条方式显示正在勾画的医学图像的勾画进度的示意图。
示例性的，假设目标用户医生甲对应8位患者的医学图像，若勾画进度信息为已勾画的医学图像列表，未勾画的医学图像列表，勾画失败的医学图像列表，则在目标用户医生甲使用的用户终端显示已勾画的医学图像列表，未勾画的医学图像列表，勾画失败的医学图像列表；若勾画进度信息为目标用户医生甲对应的医学图像的勾画进度，如图2所示，其中，“已完成”表示已勾画了6位患者的医学图像(占75％)，“未完成”表示未勾画或者勾画失败的2位患者的医学图像(25％)，勾画失败为0(未显示)；若勾画进度信息为为正在勾画的医学图像(假设当前正在勾画第2为患者)的勾画进度，则图3中“已完成”表示当前正在勾画医学图像已勾画了75％，还剩25％未勾画(即未完成)。
对于目标用户，还可以基于其使用的用户端与医学图像轮廓勾画装置之间的通信连接，查看目标患者的勾画结果。这里，更为详尽的，目标用户可以通过用户端发送请求信息，请求查看目标患者的勾画结果，医学图像轮廓勾画装置获取目标用户的请求信息，根据该请求信息获取目标用户对应的目标患者的勾画结果并发送目标患者的勾画结果给目标用户的用户端，目标用户的用户端接收并显示该目标患者的勾画结果。
步骤104、向第二目标设备推送勾画结果，所述第二目标设备与所述第一目标设备为同一设备或者不同设备。
在本实施例中，医学图像轮廓勾画装置利用目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画，得到勾画结果之后，向第二目标设备推送勾画结果。
这里，第二目标设备与第一目标设备可以为同一设备或者不同设备，第二 目标设备可以是布局在医院本地的服务器，例如TPS服务器、OIS服务器、影像服务器等，也可以是用户端，例如：计算机、移动终端(如手机、笔记本电脑)等。
当第二目标设备与第一目标设备为同一设备时，示例性地，第一目标设备与第二目标设备为同一医院的同一服务器，例如TPS服务器。医学图像轮廓勾画装置从医院本地的TPS服务器获取待勾画的医学图像并进行自动轮廓勾画后，将勾画结果反馈回该医院的TPS服务器。
当第二目标设备与第一目标设备为不同设备时，在一示例中，第一目标设备与第二目标设备可以为同一医院的不同服务器，例如第一目标设备可以是医院甲存储待勾画的医学图像的影像服务器，第二目标设备可以是医院甲的TPS服务器，以用于对自动勾画的勾画结果进行确认并根据勾画结果制定患者的治疗计划，在另一示例中，第一目标设备与第二目标设备可以为不同医院的服务器，例如第一目标设备可以是医院甲存储待勾画的医学图像的服务器，第二目标设备可以是医院乙的服务器，第二目标设可以用于对自动勾画的勾画结果进行确认并根据勾画结果制定治疗计划，这样，可以实现医疗资源共享，减小医疗资源分布不均衡。
医学图像轮廓勾画装置可以根据DICOM协议对勾画结果进行封装，并向第二目标设备发送封装后的勾画结果，使得勾画结果的推送更加安全可靠。
进一步的，用户可以对自动勾画的勾画结果进行手动调整。
通过目标勾画模型对患者的医学图像进行自动轮廓勾画，最后向第二目标设备推送勾画结果，相比于相关技术中需要人工勾画提高了医学图像轮廓勾画的准确性，也提高了勾画效率。
在一可选的实施例中，医学图像轮廓勾画装置可以自动获取至少一个待勾画的医学图像，再将该至少一个待勾画的医学图像输入目标勾画模型，这里的目标勾画模型为训练好的深度神经网络模型；然后利用目标勾画模型对该至少一个待勾画的医学图像进行自动轮廓勾画，得到至少一个勾画结果；最后自动推送该至少一个勾画结果。上述可选的实施例就可以实现获取、勾画、推送医学图像的全流程自动化，不需要人工参与，大大提高了勾画效率。
医学图像轮廓勾画装置不会主动向目标用户的用户端发送勾画结果，当用户希望查看勾画结果时，目标用户的用户端向医学图像轮廓勾画装置发送请求信息，医学图像轮廓勾画装置接收目标用户的请求信息，该请求信息用于请求 查看目标患者的勾画结果；并根据该请求信息，从至少一个勾画结果中获取目标患者的勾画结果；再向目标用户的用户端发送所述目标患者的勾画结果。如此，整个勾画流程中，只有用户需要请求查看勾画结果时，才将勾画结果反馈给用户的用户端进行查看，查看的过程不会对勾画进行本身产生任何影响。
在另一可选的实施例中，医学图像轮廓勾画装置可以从不同设备获取的待勾画的医学图像，然后将待勾画的医学图像输入目标勾画模型，再利用目标勾画模型对待勾画的医学图像进行自动轮廓勾画，得到勾画结果；最后向不同设备推送所述勾画结果。这里的待勾画的医学图像来自不同的设备，在医学图像轮廓勾画装置完成自动勾画之后，再将勾画结果推送回不同的设备，实现了资源的共享。
基于上述实施例所描述的医学图像轮廓勾画方法，本申请实施例提供了一种医学图像轮廓勾画装置，如图4所示，包括：处理器(processor)402；以及被配置成存储计算机可执行指令的存储器(memory)404，计算机可执行指令在被执行时使处理器402实现本申请任一实施例中所描述的方法。
可选地，该医学图像轮廓勾画装置还可以包括总线406及通信接口(Communications Interface)408，处理器402、通信接口408、以及存储器404通过通信总线406完成相互间的通信。
通信接口408，用于与其它设备进行通信。
处理器402可以是中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器404，可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
基于上述实施例所描述的医学图像轮廓勾画方法，本申请实施例提供一种存储介质，存储介质存储有计算机可执行指令，计算机可执行指令在被执行时实现本申请任一实施例中所描述的方法。
在一个可选的实施方式中，医学图像轮廓勾画装置可以是本地服务器。在本实施例中，目标勾画模型可以是卷积神经网络模型，其内置于医学图像轮廓勾画装置中，当其被设置于本地服务器时，本地服务器通过医学图像轮廓勾画 装置中的卷积神经网络模型勾画医学图像后，得到的勾画结果可以被临时存储在本地服务器中，若存储的勾画结果较多时，可以转存至云服务器。例如，可以基于云服务器与本地服务器之间建立的通信连接，将本地服务器中的勾画结果传输到医院的云服务器进行存储。
在另一个可选的实施方式中，医学图像轮廓勾画装置可以是云服务器。即目标勾画模型可以设置于云服务器中，云服务器通过卷积神经网络模型(目标勾画模型)勾画医学图像后，得到的勾画结果可以存储在云服务器中，当医生或者医院内部其他管理人员想要查看勾画结果时，可以基于云服务器与医生的用户端之间建立的通信连接，将云服务器中的勾画结果，按照用户医生的ID号传输到对应医院的医生的用户端中，以供医生对勾画结果进行读写或使用。可选地，在云服务器通过卷积神经网络模型勾画医学图像并得到勾画结果后，云服务器还可以将勾画结果自动推送至医院的本地服务器中，以实现对勾画结果进行备份，这样不仅能够提高对应医院的医护人员查看勾画结果的效率，避免了不同医院的多个医护人员从云服务器查看勾画结果时速度较慢的问题，还能确保在云服务器出现故障时，及时从本地服务器中获取勾画结果，以免耽误了治疗计划的制作。
下面对医学图像轮廓勾画系统进行详细介绍，本申请实施例提供了一种医学图像轮廓勾画系统。此处，列举两种示例对该系统进行说明：
可选地，如图5所示，图5为本实施例提供的医学图像轮廓勾画系统的示意图。在第一个示例中，医学图像轮廓勾画系统包括：医学图像轮廓勾画装置30，以及第一目标设备31和第二目标设备32。第一目标设备31，用于存储未勾画的医学图像，以及选择至少一个未勾画的医学图像向所述医学图像轮廓勾画装置发送；第二目标设备32，用于接收所述医学图像轮廓勾画装置发送的所述勾画结果。
在本实施例中，医学图像轮廓勾画装置30为云服务器，第一目标设备31中存储有医院的未勾画的医学图像，其可以是同一医院的，也可以是不同医院的，图5中示出的是第一目标设备31属于不同医院的情况。第一目标设备31可以主动向医学图像轮廓勾画装置30发送未勾画的医学图像，医学图像轮廓勾画装置30接收到未勾画的医学图像后，将其作为待勾画的医学图像，通过目标勾画模型对这些待勾画的医学图像进行自动勾画，得到勾画结果。然后医学图像轮廓勾画装置30可以将得到的勾画结果向第二目标设备32发送，当然，医 学图像轮廓勾画装置30也可以将得到的勾画结果向第一目标设备31发送，本实施例不做限制。
可选地，在第二个示例中，如图6所示，图6为本实施例提供的另一种医学图像轮廓勾画系统的示意图，在本实施例中，医学图像轮廓勾画系统包括：医学图像轮廓勾画装置30’，以及第一目标设备31’，其中，第一目标设备31’，用于存储未勾画的医学图像，以及接收医学图像轮廓勾画装置30’发送的勾画结果。
在本实施例中，医学图像轮廓勾画装置30’以甲医院的本地服务器1作为示例，第一目标设备31’也可以是甲医院的其他本地服务器，可以理解，第一目标设备31’可以为多个，图中仅画出一个本地服务器2作为示例。医学图像轮廓勾画装置30’(甲医院本地服务器1)可以主动从第一目标设备31’(甲医院本地服务器2)中获取未勾画的医学图像，也可以是第一目标设备31’主动向医学图像轮廓勾画装置30’发送未勾画的医学图像，本实施例不做限制。医学图像轮廓勾画装置30’将得到的未勾画的医学图像作为待勾画的医学图像，通过目标勾画模型对待勾画的医学图像进行自动勾画，得到勾画结果。然后医学图像轮廓勾画装置30’可以将得到的勾画结果向第一目标设备31’发送。
需要说明的是，第一目标设备31’可以与同医院的多个用户端33’通信，医生可以在任一个用户端33’上登录自己的ID号，然后通过用户端33’从第一目标设备31’中获取该ID号对应的患者的医学图像的勾画结果进行查看使用。或者，医生还可以在自己的用户端，例如手机上登录自己的账号，从第一目标设备31’获取自己名下的患者的医学图像的勾画结果进行查看使用。
可选地，上述两个示例的系统，还可以分别包括用户端(在第一个示例对应的图5中以放疗设备为例，在第二个示例对应的图6中以电脑为例)，图5中的用户端33可以用于从医学图像轮廓勾画装置30、第一目标设备31或者第二目标设备32中获取勾画结果；图6中的用户端33’可以用于从医学图像轮廓勾画装置30’或者第一目标设备31’中获取勾画结果。医生可以根据获取到的勾画结果后，为患者做治疗计划。需要说明的是，每个第一目标设备31可以与至少一台对应医院的用户端(图中以放疗设备进行示例)相互通信，可以理解，图5中的2台放疗设备仅为示例。
基于上述实施例所描述的医学图像轮廓勾画方法，本申请实施例提供一种存储介质，存储介质存储有计算机可执行指令，计算机可执行指令在被执行时 实现本申请任一实施例中所描述的方法。
至此，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
上述实施例阐明的方法，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程 序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内 所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (21)
- 一种医学图像轮廓勾画方法，其特征在于，所述方法包括：获取第一目标设备的待勾画的医学图像；将所述待勾画的医学图像输入目标勾画模型；利用所述目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画，得到勾画结果；向第二目标设备推送所述勾画结果，所述第二目标设备与所述第一目标设备为同一设备或者不同设备。
- 根据权利要求1所述的方法，其特征在于，所述获取第一目标设备的待勾画的医学图像，包括：自动从第一目标设备获取待勾画的医学图像。
- 根据权利要求2所述的方法，其特征在于，所述自动从第一目标设备获取待勾画的医学图像，包括：查询所述第一目标设备中未勾画的医学图像；获取所述未勾画的医学图像，将所述未勾画的医学图像作为待勾画的医学图像。
- 根据权利要求3所述的方法，其特征在于，所述查询所述第一目标设备中的未勾画的医学图像之前，所述方法还包括：通过DICOM通信协议，建立与所述第一目标设备之间的通信连接。
- 根据权利要求3所述的方法，其特征在于，所述查询所述第一目标设备中的未勾画的医学图像，包括：查询所述第一目标设备中的医学图像，若所述医学图像中的第一医学图像不存在对应的勾画文件，则所述第一医学图像为未勾画的医学图像。
- 根据权利要求5所述的方法，其特征在于，所述勾画文件为Rt struct文件。
- 根据权利要求1所述的方法，其特征在于，所述获取第一目标设备的待勾画的医学图像，包括：接收第一目标设备推送的待勾画的医学图像。
- 根据权利要求7所述的方法，其特征在于，所述接收第一目标设备推送的待勾画的医学图像，包括：建立与所述第一目标设备的通信连接；接收所述第一目标设备发送的待勾画的医学图像。
- 根据权利要求1所述的方法，其特征在于，所述将所述待勾画的医学图像输入目标勾画模型之前，还包括：基于所述待勾画的医学图像中的待勾画对象，在至少一个勾画模型中确定所述待勾画对象对应的目标勾画模型。
- 根据权利要求1所述的方法，其特征在于，所述待勾画的医学图像为多个医学图像；相应的，所述利用所述目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画，得到勾画结果，包括：利用所述目标勾画模型对多个待勾画的医学图像并行进行自动轮廓勾画，得到多个勾画结果。
- 根据权利要求1所述的方法，其特征在于，所述目标勾画模型为训练好的深度神经网络模型。
- 根据权利要求1所述的方法，其特征在于，所述向所述第二目标设备推送所述勾画结果，包括：根据DICOM协议对所述勾画结果进行封装，向第二目标设备自动推送封装后的勾画结果。
- 根据权利要求1所述的方法，其特征在于，所述方法还包括：获取目标用户的请求信息，所述请求信息用于请求查看目标患者的勾画结果；根据所述请求信息，获取所述目标用户对应的目标患者的勾画结果；向所述目标用户的用户端发送所述目标患者的勾画结果。
- 根据权利要求1所述的方法，其特征在于，所述方法还包括：向所述目标用户的用户端发送所述目标用户对应的医学图像的勾画进度信息，所述勾画进度信息包括一下信息中的至少一个：已勾画的医学图像列表，未勾画的医学图像列表，勾画失败的医学图像列表；所述目标用户对应的医学图像的勾画进度；正在勾画的医学图像的勾画进度。
- 一种医学图像轮廓勾画方法，其特征在于，所述方法包括：自动获取至少一个待勾画的医学图像；将所述至少一个待勾画的医学图像输入目标勾画模型，所述目标勾画模型 为训练好的深度神经网络模型；利用所述目标勾画模型对所述至少一个待勾画的医学图像进行自动轮廓勾画，得到至少一个勾画结果；自动推送所述至少一个勾画结果。
- [根据细则91更正 20.01.2021]
根据权利要求15所述的方法，其特征在于，所述方法还包括：接收目标用户的请求信息，所述请求信息用于请求查看目标患者的勾画结果；根据所述请求信息，从所述至少一个勾画结果中获取所述目标患者的勾画结果；向所述目标用户的用户端发送所述目标患者的勾画结果。 - 一种医学图像轮廓勾画方法，其特征在于，所述方法包括：从不同设备获取的待勾画的医学图像；将所述待勾画的医学图像输入目标勾画模型；利用所述目标勾画模型对所述待勾画的医学图像进行自动轮廓勾画，得到勾画结果；向所述不同设备推送所述勾画结果。
- [根据细则91更正 20.01.2021]
一种医学图像轮廓勾画装置，其特征在于，包括：处理器；以及被配置成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1-17中任一项所述的方法。 - [根据细则91更正 20.01.2021]
根据权利要求18所述的装置，其特征在于，所述医学图像轮廓勾画装置为本地服务器或者云服务器。 - 一种医学图像轮廓勾画系统，其特征在于，所述系统包括：权利要求17所述的医学图像轮廓勾画装置，以及第一目标设备和第二目标设备，所述第二目标设备与所述第一目标设备为同一设备或者不同设备。
- [根据细则91更正 20.01.2021]
根据权利要求20所述的系统，其特征在于，所述系统还包括用户端。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/140393 WO2022140990A1 (zh) | 2020-12-28 | 2020-12-28 | 医学图像轮廓勾画方法、装置及系统 |
| CN202080108244.5A CN116724357A (zh) | 2020-12-28 | 2020-12-28 | 医学图像轮廓勾画方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/140393 WO2022140990A1 (zh) | 2020-12-28 | 2020-12-28 | 医学图像轮廓勾画方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022140990A1 true WO2022140990A1 (zh) | 2022-07-07 |
Family
ID=82259841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2020/140393 WO2022140990A1 (zh) | 2020-12-28 | 2020-12-28 | 医学图像轮廓勾画方法、装置及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116724357A (zh) |
| WO (1) | WO2022140990A1 (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109562278A (zh) * | 2016-08-11 | 2019-04-02 | 皇家飞利浦有限公司 | 被配置为用于基于图像的放射治疗规划的医学产品 |
| CN109637652A (zh) * | 2018-11-21 | 2019-04-16 | 北京全域医疗技术有限公司 | 一种基于云端的远程协作勾靶方法及系统 |
| US20190251694A1 (en) * | 2018-02-14 | 2019-08-15 | Elekta, Inc. | Atlas-based segmentation using deep-learning |
| CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
| CN111599445A (zh) * | 2020-05-14 | 2020-08-28 | 安徽慧软科技有限公司 | 用于自动勾画的ct影像全自动化处理系统 |
-
2020
- 2020-12-28 WO PCT/CN2020/140393 patent/WO2022140990A1/zh active Application Filing
- 2020-12-28 CN CN202080108244.5A patent/CN116724357A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109562278A (zh) * | 2016-08-11 | 2019-04-02 | 皇家飞利浦有限公司 | 被配置为用于基于图像的放射治疗规划的医学产品 |
| US20190251694A1 (en) * | 2018-02-14 | 2019-08-15 | Elekta, Inc. | Atlas-based segmentation using deep-learning |
| CN110827961A (zh) * | 2018-08-10 | 2020-02-21 | 北京连心医疗科技有限公司 | 一种自适应放疗结构自动勾画方法、设备和存储介质 |
| CN109637652A (zh) * | 2018-11-21 | 2019-04-16 | 北京全域医疗技术有限公司 | 一种基于云端的远程协作勾靶方法及系统 |
| CN111599445A (zh) * | 2020-05-14 | 2020-08-28 | 安徽慧软科技有限公司 | 用于自动勾画的ct影像全自动化处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116724357A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rhee et al. | Automatic detection of contouring errors using convolutional neural networks | |
| US11612436B2 (en) | Systems, methods, and devices for developing patient-specific medical treatments, operations, and procedures | |
| CN108367161B (zh) | 放疗系统、数据处理方法及存储介质 | |
| CN109464757A (zh) | 一种确定目标对象位置的方法、系统、装置及存储介质 | |
| WO2023078309A1 (zh) | 目标特征点提取方法、装置、计算机设备和存储介质 | |
| WO2022126903A1 (zh) | 图像异常区域检测方法、装置、电子设备及存储介质 | |
| WO2020001408A1 (zh) | 放疗计划规划方法、放疗计划系统及放射治疗系统 | |
| Salguero et al. | Estimation of three‐dimensional intrinsic dosimetric uncertainties resulting from using deformable image registration for dose mapping | |
| US20230100772A1 (en) | Training a knowledge graph alignment model based on predicted alignment probabilities and alignment difficulty degrees of entity pairs | |
| WO2021143019A1 (zh) | 基于人工智能的图像搜索方法、装置、设备及介质 | |
| CN112336996A (zh) | 基于深度神经网络的放疗靶区自动勾画系统 | |
| Lorenzen et al. | A national study on the inter-observer variability in the delineation of organs at risk in the brain | |
| WO2022140990A1 (zh) | 医学图像轮廓勾画方法、装置及系统 | |
| CN114913191A (zh) | Pet图像分析方法、装置、计算机设备和存储介质 | |
| CN110465004A (zh) | 一种云放射治疗计划系统及放射治疗计划的生成方法 | |
| US11058891B2 (en) | Systems and methods for cloud-based radiation therapy treatment planning | |
| TW202202211A (zh) | 擴增實境共用錨定系統及方法 | |
| CN114283927A (zh) | 输入函数获取方法、装置、系统、计算机设备和存储介质 | |
| US20230230670A1 (en) | Comparing healthcare provider contours using automated tool | |
| CN112397194A (zh) | 用于生成患者病情归因解释模型的方法、装置和电子设备 | |
| EP4343708A1 (en) | Method and apparatus for training machine learning models, computer device, and storage medium | |
| WO2022141368A1 (zh) | 医学轮廓数据的全局法向量一致性调整方法和装置 | |
| CN114870261B (zh) | 一种基于经纬度概念的头皮靶点定位方法、系统及装置 | |
| CN114332223A (zh) | 掩膜生成方法、图像配准方法、计算机设备及存储介质 | |
| US20220414525A1 (en) | Machine learning approach for solving beam angle optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20967340 Country of ref document: EP Kind code of ref document: A1 |
|
| WWE | Wipo information: entry into national phase |
Ref document number: 202080108244.5 Country of ref document: CN |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20967340 Country of ref document: EP Kind code of ref document: A1 |