CN106023188A - 一种基于Relief算法的乳腺肿瘤特征选择方法 - Google Patents
一种基于Relief算法的乳腺肿瘤特征选择方法 Download PDFInfo
- Publication number
- CN106023188A CN106023188A CN201610325689.4A CN201610325689A CN106023188A CN 106023188 A CN106023188 A CN 106023188A CN 201610325689 A CN201610325689 A CN 201610325689A CN 106023188 A CN106023188 A CN 106023188A
- Authority
- CN
- China
- Prior art keywords
- feature
- breast tumor
- feature selection
- textural characteristics
- relief
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于Relief算法的乳腺肿瘤特征选择方法,包括两个部分:乳腺肿瘤特征提取模块和Relief特征选择模块,如下:乳腺肿瘤特征提取模块:该模块用于提取乳腺肿瘤特征,从乳腺肿瘤图像中提取可以描述肿瘤特征的数值量,将肿瘤特征分为三大类,为形态特征、纹理特征和小波特征;Relief特征选择模块:该模块用于进行特征选择,以获得良好的特征子集,从而提高分类性能与乳腺肿瘤诊断准确率,对于每一类纹理特征和小波特征,通过Relief特征选择算法进行特征选择,再分别同全部形态特征拼接融合,构成多个特征子空间,将所有得到的特征子集同全部形态特征拼接融合,从而完成整个乳腺肿瘤特征选择过程。
Description
技术领域
本发明涉及数据挖掘技术与生物医学工程技术,具体涉及一种乳腺肿瘤特征选择方法。
背景技术
乳腺癌是女性中最为常见的恶性肿瘤。在世界范围内,其致死率位居女性恶性肿瘤死亡率之首。当前,及早诊断与及时治疗是应对乳腺癌最为有效的措施。医学影像学方法,如X线、核磁共振、超声检测等,是目前最主要的检测和诊断乳腺癌的手段。然而,在乳腺检查中产生的大量影像信息易使医生疲劳,且诊断精度受医师的职业能力、经验能主观因素影响。在此背景下,通过机器学习方法来判定肿瘤是否存在及其良恶性成为一个得到广泛关注的研究热点。
在乳腺肿瘤计算机辅助诊断技术中,肿瘤的诊断与确定需要通过分类技术实现。为获得良好的诊断准确率,需找到可以准确描述乳腺肿瘤的特征量。常用的描述乳腺肿瘤的特征包括形态特征、纹理特征及小波特征等。通常,更多的特征维数可以使分类器建模更加准确与稳定,从而提高分类准确率。但实际上,特征维数较高时,其中可能存在相互依赖或与分类目标不相关的冗余特征,这些特征的存在会使得运算复杂度升高,导致分析特征与训练模型所需的时间加长。同时,构建的分类模型也会更加复杂,导致其泛化能力下降,出现维数灾难。通过对从乳腺肿瘤X线图像提取出的特征进行选择,不相关或冗余的特征可被剔除,从而达到减少特征个数,提高模型精度并减少运行时间的目的。因此,在近年与数据挖掘相关的多项研究中,特征选择均得到了广泛应用。除此之外,特征选择算法本身也已成为一大研究热点。
近年来,科研人员提出多种特征选择方法。根据理论基础的不同,这些方法主要可以被分为基于统计理论的特征抽取方法和序列选择方法两大类。
基于统计理论的特征抽取方法通过统计变换获得原特征空间的一个映射,从而达到降维目的。其经典方法包括主成分分析和线性判别分析。主成分分析的目的是抽取出可以精确表示样本信息的样本映射,使特征抽取完成后信息丢失最小。线性判别分析则对样本进行线性投影,使特征抽取完成后得到的新特征空间得到更高的分类准确率。专利“人脸认证方法和装置”(CN105138972A)对提取出的人脸特征分别运用主成分分析和线性判别分析进行降维,从而在获取更有代表性的特征的同时降低了算法的时间和空间复杂度。然而,基于统计理论的特征抽取方法难以同时顾及特征的代表性与分类准确度,因此应用范围受到一定局限。
序列选择方法则在特征全集中产生出一个特征子集,然后用评价函数对该特征子集进行评价,将评价 结果与停止准则进行比较,若评价结果比停止准则好就停止,否则就继续产生下一组特征子集,重新进行特征选择,最终对选出的特征子集验证其有效性。其经典方法主要包括完全搜索和启发式搜索两类。完全搜索对特征全集中的每个特征均进行搜索,虽可避免陷入局部最优,但运算复杂度极高,在实际应用中效果不够理想。启发式搜索的基础是贪婪算法,虽不能保证得到的特征子集全局最优,但运算复杂度较低,执行效率高,因此得到了广泛应用。其主要算法包括前向选择、后向选择、双向搜索及序列浮动选择等。
发明内容
本发明的目的是基于Relief特征选择算法,提出一种乳腺肿瘤特征选择方法,可以用于提高乳腺肿瘤特征选择的准确率。本发明的技术方案如下:
一种基于Relief算法的乳腺肿瘤特征选择方法,包括两个部分:乳腺肿瘤特征提取模块和Relief特征选择模块,方法如下:
乳腺肿瘤特征提取模块:该模块用于提取乳腺肿瘤特征,从乳腺肿瘤图像中提取可以描述肿瘤特征的数值量,将肿瘤特征分为三大类,为形态特征、纹理特征和小波特征;形态特征从形状、大小方面对乳腺肿瘤直观进行描述,由于形态特征维数较少但对于分类至关重要,不对形态特征进行选择;纹理特征,表征乳腺肿瘤图像的局部性质,是图像中反复出现的局部模式及其排列规则,考虑到不同种类的纹理特征对肿瘤特性的描述不同,且纹理特征具有方向性,所以不同种类、不同方向的乳腺肿瘤纹理特征对分类结果的影响不同,对每一类纹理特征均从多个方向进行提取;小波特征是一种特殊的纹理特征,用于从不同尺度对乳腺肿瘤图像纹理进行分析,提取方式与上述的纹理相同;
Relief特征选择模块:该模块用于进行特征选择,以获得良好的特征子集,从而提高分类性能与乳腺肿瘤诊断准确率,对于每一类纹理特征和小波特征,通过Relief特征选择算法进行特征选择,再分别同全部形态特征拼接融合,构成多个特征子空间,将所有得到的特征子集同全部形态特征拼接融合,从而完成整个乳腺肿瘤特征选择过程。
本发明针对乳腺肿瘤计算机辅助诊断,同时顾及特征的分类能力与物理意义,对各类乳腺肿瘤特征分别应用Relief算法,提取该类特征中性能最好的特征子集并将所有提取出的特征融合后构成新的特征子集,提取出的特征可以全面描述乳腺肿瘤的形状及纹理特性,且维数较低,在获取良好的分类准确率的同时充分降低运算复杂度。
附图说明
图1为特征选择过程的流程图。
图2为本发明的执行步骤流程图。
具体实施方式
本发明提取多个方向的纹理特征和小波特征,随后运用Relief算法进行选择。对于各类特征中选取得到的子集,将其同全部的形态特征进行融合后得到完整的特征子集并用于分类。下面结合附图对本发明作进一步详细的说明。
(1)取得测试和训练数据:本发明测试与训练数据选择数字乳腺X线图像数据库中取得的疑似肿瘤区域共1950个。数据集中正负样本(即有肿瘤与无肿瘤样本)数目不平衡,共有正样本401个,负样本1549个,比例大约为1:4。由于一般情况下肿瘤数据库中的正样本数目要远少于负样本的数目,若数据非线性可分,则这种不平衡现象在分类过程中会导致正样本的判决边界被负样本所侵占,最终导致分类性能受到严重影响。如图2所示,本发明对数据集中的多数样本即负样本进行随机降采样以避免由于数据不平衡所导致的分类性能下降的问题。
(2)对每个肿瘤样本提取圆度、径向长度的平均值,标准差与离心率、灰度熵、灰度均值、标准差、肿块面积、分型维数均值与标准差、光度惯性动力、各向异性、轮廓梯度熵、平滑度、偏度、峰度、灰度逐层变化等形态学特征,共18维;
计算每个样本的灰度共生矩阵,从该矩阵中提取纹理特征。灰度共生矩阵是对图像上保持某距离的两像素分别具有同一灰度值的情况进行统计而得到的,可由灰度共生矩阵提取角二阶矩、对比度、相关性、差分矩、均匀性、和平均值、和方差、和熵、熵、差方差及差熵共11维特征。本发明共选取16个不同的角度与距离进行灰度共生矩阵纹理特征提取,因此共提取出166维特征;
计算每个样本的灰度-梯度共生矩阵,从该矩阵中提取纹理特征。灰度-梯度共生矩阵综合利用图像的灰度和梯度信息,其中元素H(x,y)可定义为在经归一化处理的灰度图像I(i,j)及其归一化梯度图像Grad(i,j)中同时具有灰度值x及梯度值y的像素个数。其中,设置灰度级为16,梯度级为8,梯度算子采用sobel算子。共提取特征15维,分别为小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关系数、灰度熵、梯度熵、混合熵、惯性及逆差矩。
计算并提取每个样本的灰度差分统计纹理特征。灰度反应电磁波能量大小,因此灰度的差分反映了电磁波辐射能量变化的速率。在某一方向的灰度差分统计直方图上,可以提取出对比度、熵、平均值和能量共四维特征。为获得更多方向的统计信息,与灰度共生矩阵纹理特征相同,本发明共选取16个不同的角度与距离进行灰度差分统计纹理特征提取,共计64维;
计算并提取每个样本的灰度行程长度纹理特征。在纹理分析中,在某一方向具有相同灰度值的像素个数成为行程长度。对于每个方向,可以提取出强调短行程的逆差、强调长行程的逆差、灰度不均匀性、行程长度非均匀性及以行程表示的图像分数共5维特征。本发明中,设置灰度级为256,行程数为6,取从0到π的共16个方向分别提取特征,最终共可提取到80维灰度行程长度纹理特征;
计算并提取gabor小波特征。通过将图像与Gabor小波滤波器进行卷积可以得到一系列滤波图像,生成的每一幅图像均可在一定的尺度和方向上描述图像的纹理信息。本发明选取从0到π的8个方向,每个方向分别取0.5,0.25,0.125和0.1共4个频率尺度,依次计算在该尺度和方向下经gabor滤波后得到的图像像素的均值和标准差,共计64维。
(3)对各类纹理特征和gabor小波特征分别执行图1所示的Relief特征选择算法。具体流程如下:
设训练数据集为D,样本抽样次数为m,特征权重的阈值为th。
1.初始化:将所有特征的权重W初始化为0,选中的特征子集T初始化为空集。
2.随机选择一个样本s,计算其与其他样本的欧氏距离。从其同类样本集中找出最近邻的样本,标记为NearHit。从其不同类的样本集中找出最近邻的样本,标记为NearMiss。
3.对该样本的每一维特征i,更新其权值
其中,对于取值为离散值的特征,
对于取值为连续值的特征,
max(i)和min(i)分别为该维特征的最大值和最小值。
4.将迭代m轮的各特征维权值与阈值th进行比较。若权值小于th,则该维特征不进入特征子集T,反之将该维特征加入特征子集T中。
本发明中,权值更新的迭代次数m设为500,阈值th取450。完成特征选择后,将选中的特征子集与形态学特征集合灰度-梯度共生矩阵特征集融合,即构成完整的用于分类的特征集。
(4)将所有的样本按照十折交叉验证划分出训练集与测试集,对所有特征值进行归一化处理后用线性判别分析分类器(Linear Discriminant Analysis,LDA)进行分类实验。
表1给出了直接将未经特征选择的全部特征用于训练和经特征选择后得到的特征集用于训练所得到的分类结果。本发明采用以下几个指标对分类结果进行评价:
此外,为证明本发明拥有较低运算复杂度,训练时间也将作为一个评价指标在下表中进行比较。
表1特征分类性能比较
由表1数据可以看出,本发明在各项指标上均相比特征选择前具有明显优势,因此经本发明方法获得的特征子集具有更好的分类能力,同时降低了运算复杂度。
Claims (1)
1.一种基于Relief算法的乳腺肿瘤特征选择方法,包括两个部分:乳腺肿瘤特征提取模块和Relief特征选择模块,方法如下:
乳腺肿瘤特征提取模块:该模块用于提取乳腺肿瘤特征,从乳腺肿瘤图像中提取用于描述肿瘤特征的数值量,将肿瘤特征分为三大类,为形态特征、纹理特征和小波特征;形态特征从形状、大小方面对乳腺肿瘤直观进行描述,由于形态特征维数较少但对于分类至关重要,不对形态特征进行选择;纹理特征,表征乳腺肿瘤图像的局部性质,是图像中反复出现的局部模式及其排列规则,考虑到不同种类的纹理特征对肿瘤特性的描述不同,且纹理特征具有方向性,所以不同种类、不同方向的乳腺肿瘤纹理特征对分类结果的影响不同,对每一类纹理特征均从多个方向进行提取;小波特征是一种特殊的纹理特征,用于从不同尺度对乳腺肿瘤图像纹理进行分析,提取方式与上述的纹理相同;
Relief特征选择模块:该模块用于进行特征选择,以获得良好的特征子集,从而提高分类性能,对于每一类纹理特征和小波特征,通过Relief特征选择算法进行特征选择,再分别同全部形态特征拼接融合,构成多个特征子空间,将所有得到的特征子集同全部形态特征拼接融合,从而完成整个乳腺肿瘤特征选择过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610325689.4A CN106023188A (zh) | 2016-05-17 | 2016-05-17 | 一种基于Relief算法的乳腺肿瘤特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610325689.4A CN106023188A (zh) | 2016-05-17 | 2016-05-17 | 一种基于Relief算法的乳腺肿瘤特征选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106023188A true CN106023188A (zh) | 2016-10-12 |
Family
ID=57098406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610325689.4A Pending CN106023188A (zh) | 2016-05-17 | 2016-05-17 | 一种基于Relief算法的乳腺肿瘤特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023188A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108464840A (zh) * | 2017-12-26 | 2018-08-31 | 安徽科大讯飞医疗信息技术有限公司 | 一种乳腺肿块自动检测方法及*** |
CN111751266A (zh) * | 2020-07-10 | 2020-10-09 | 西安交通大学 | 基于多尺度灰度共生矩阵的免标记细胞核散射反演方法 |
CN111904417A (zh) * | 2020-07-06 | 2020-11-10 | 天津大学 | 基于支持向量机的超宽带微波早期乳腺癌检测装置 |
CN112085712A (zh) * | 2020-08-25 | 2020-12-15 | 山东科技大学 | 一种乳腺肿块针吸图像的分析处理方法 |
CN116013449A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122356A (zh) * | 2011-03-16 | 2011-07-13 | 中国人民解放军第二军医大学 | 计算机辅助判别胰腺癌超声内镜图像的方法 |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及*** |
-
2016
- 2016-05-17 CN CN201610325689.4A patent/CN106023188A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122356A (zh) * | 2011-03-16 | 2011-07-13 | 中国人民解放军第二军医大学 | 计算机辅助判别胰腺癌超声内镜图像的方法 |
CN104657984A (zh) * | 2015-01-28 | 2015-05-27 | 复旦大学 | 三维超声乳腺全容积图像感兴趣区域的自动提取方法 |
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN105550651A (zh) * | 2015-12-14 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 一种数字病理切片全景图像自动分析方法及*** |
Non-Patent Citations (3)
Title |
---|
MARKO R.S. 等: "Theoretical and Empirical Analysis of ReliefF and RReliefF", 《MACHINE LEARNING》 * |
刘泽奇: "基于BoW模型与稀疏表示的乳腺肿块良恶性分类算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
王颖 等: "一种部分监督的乳腺肿块检测方法", 《中国医学影像技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108464840A (zh) * | 2017-12-26 | 2018-08-31 | 安徽科大讯飞医疗信息技术有限公司 | 一种乳腺肿块自动检测方法及*** |
CN111904417A (zh) * | 2020-07-06 | 2020-11-10 | 天津大学 | 基于支持向量机的超宽带微波早期乳腺癌检测装置 |
CN111904417B (zh) * | 2020-07-06 | 2021-12-03 | 天津大学 | 基于支持向量机的超宽带微波早期乳腺癌检测装置 |
CN111751266A (zh) * | 2020-07-10 | 2020-10-09 | 西安交通大学 | 基于多尺度灰度共生矩阵的免标记细胞核散射反演方法 |
CN112085712A (zh) * | 2020-08-25 | 2020-12-15 | 山东科技大学 | 一种乳腺肿块针吸图像的分析处理方法 |
CN112085712B (zh) * | 2020-08-25 | 2022-04-29 | 山东科技大学 | 一种乳腺肿块针吸图像的分析处理方法 |
CN116013449A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 |
CN116013449B (zh) * | 2023-03-21 | 2023-07-07 | 成都信息工程大学 | 融合临床信息与磁共振图像的心肌病预后辅助预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pathan et al. | Techniques and algorithms for computer aided diagnosis of pigmented skin lesions—A review | |
CN106570505B (zh) | 对组织病理图像进行分析的方法和*** | |
CN104751178B (zh) | 基于形状模板匹配结合分类器的肺结节检测装置及方法 | |
Kong et al. | A generalized Laplacian of Gaussian filter for blob detection and its applications | |
Doyle et al. | Cascaded discrimination of normal, abnormal, and confounder classes in histopathology: Gleason grading of prostate cancer | |
CN109447065A (zh) | 一种乳腺影像识别的方法及装置 | |
Mahapatra et al. | Automatic cardiac RV segmentation using semantic information with graph cuts | |
CN106023188A (zh) | 一种基于Relief算法的乳腺肿瘤特征选择方法 | |
Hossain et al. | Vision transformers, ensemble model, and transfer learning leveraging explainable AI for brain tumor detection and classification | |
Wei et al. | Cervical cancer histology image identification method based on texture and lesion area features | |
CN109009110A (zh) | 基于mri影像的腋窝***转移预测*** | |
Taha et al. | Automatic polyp detection in endoscopy videos: A survey | |
CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
Singh et al. | Topological descriptors of histology images | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN110148129B (zh) | 3d图像的分割学习网络的训练方法、分割方法、分割装置和介质 | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
Hameurlaine et al. | Survey of brain tumor segmentation techniques on magnetic resonance imaging | |
Zhang et al. | Anchor-free YOLOv3 for mass detection in mammogram | |
CN103903015B (zh) | 一种细胞有丝***检测方法 | |
Jamaluddin et al. | Tumor detection and whole slide classification of H&E lymph node images using convolutional neural network | |
CN109671060A (zh) | 基于选择性搜索和cnn的计算机辅助乳腺肿块检测方法 | |
Rahman et al. | BreastMultiNet: A multi-scale feature fusion method using deep neural network to detect breast cancer | |
CN117392093A (zh) | 一种基于全局多尺度残差U-HRNet网络的乳腺超声医学图像分割算法 | |
Majid et al. | Enhanced transfer learning strategies for effective kidney tumor classification with CT imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161012 |