CN109754403A - 一种ct图像内的肿瘤自动分割方法及*** - Google Patents
一种ct图像内的肿瘤自动分割方法及*** Download PDFInfo
- Publication number
- CN109754403A CN109754403A CN201811440970.8A CN201811440970A CN109754403A CN 109754403 A CN109754403 A CN 109754403A CN 201811440970 A CN201811440970 A CN 201811440970A CN 109754403 A CN109754403 A CN 109754403A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- image
- enhancing
- constructed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 29
- 230000002708 enhancing effect Effects 0.000 claims abstract description 50
- 238000010606 normalization Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000011946 reduction process Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 13
- 206010019695 Hepatic neoplasm Diseases 0.000 claims description 12
- 208000014018 liver neoplasm Diseases 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 210000004185 liver Anatomy 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 230000009123 feedback regulation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- 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
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种CT图像内的肿瘤自动分割方法及***,属于医学图像处理领域,用于分割CT图像内的肿瘤病灶区域,解决了CT图像的分割精度较低的问题,其包括:对原始图像数据进行数据增强扩充,得到增强扩充数据;对增强扩充数据进行归一化处理,得到归一化数据;将归一化数据入已训练的处理网络,得到分割图像;对分割图像做降噪处理;从而减少不同CT机扫描带来的不同原始图像的差异,提高处理网络处理结果的适用范围及精度。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种CT图像内的肿瘤自动分割方法及***。
背景技术
肝脏肿瘤是威胁人类健康的重大疾病,肝脏肿瘤的早期检测、精准测量对临床诊治与治疗有重要意义。CT(Computed Tomography,中文名称为电子计算机断层扫描)作为一种廉价高效的检测方式,已经逐渐成为临床上肝肿瘤诊断的常规手段。快速精准地从肝脏CT图像中分割出肿瘤病灶区域,不仅对手术计划制订有帮助,而且对术中肿瘤区域部位的精准定位与切除、以及术后放化疗效果的评估具有很大的实用价值。
如何快速精准地从肝脏CT图像中分割出肿瘤病灶区域,是医生及学者们研究的一大课题,目前已有基于深度学习架构的肝脏肿瘤自动分割方法的研究,如卷积神经网络(Convolutional Neural Network,CNN)、全卷积神经网络(Fully ConvolutionalNetwork,FCN)等。
但是,CNN的网络结构较为单一,且全连接层的加入使得网络整体训练参数较为庞大,计算较为复杂,信息量大,网络训练时间较长,分割精度较差。后基于此改进的FCN的整体分割精度依然较低,且基于像素的分类没有考虑像素之间的关系,缺乏空间一致性。此后又在这些经典网络架构基础上提出了一些分割网络架构,但分割精度仍有待提高。
发明内容
本发明的主要目的在于提供一种CT图像内的肿瘤自动分割方法及***,旨在解决现有技术中对CT图像的分割精度较低的技术问题。
为实现上述目的,本发明第一方面提供一种CT图像内的肿瘤自动分割方法,包括:对原始图像数据进行数据增强扩充,得到增强扩充数据;对增强扩充数据进行归一化处理,得到归一化数据;将归一化数据入已训练的处理网络,得到分割图像;对分割图像做降噪处理。
进一步地,所述对原始图像数据进行数据增强扩充包括:基于平移旋转原则对原始图像数据进行增强扩充,或基于随机弹性形变原则对原始图像数据进行增强扩充。
进一步地,所述对增强扩充数据进行归一化处理包括:根据线性归一化原则对增强扩充数据及肝脏肿瘤金标准进行归一化处理,得到线性归一化图像数据;对所述线性归一化图像数据进行数据分布的归一化处理得到归一化数据。
进一步地,所述已训练的处理网络的训练方法包括:构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层,形成收缩路径;根据所述第一卷积层、所述第一修正线性单元层、所述池化层、dropout层及下采样层提取并编码所述降噪数据,生成编码数据;构建第二卷积层、第二修正线性单元层及上采样层,形成膨胀路径;根据所述第二卷积层、所述第二修正线性单元层及上采样层解码并分割样本编码数据,生成解码数据;构建概率输出层,输出所述解码数据。
进一步地,所述构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层包括:依次构建三个第一3*3卷积层,并构建两个第一2*2卷积层,且依次构建的第一3*3卷积层及第一2*2卷积层的特征通道数从64开始,依次增加一倍;在每个第一3*3卷积层后构建一个修正线性单元层;在相邻第一3*3卷积层之间、相邻第一2*2卷积层之间、及相邻的第一3*3卷积层和第一2*2卷积层之间构建池化层;在第一3*3的卷积层之后构建的第一个第一2*2的卷积层后构建第一个dropout层,在构建dropout层后构建第二个第一2*2的卷积层;在第二个第一2*2卷积层后构建第二个dropout层;所述构建第二卷积层、第二修正线性单元层及上采样层包括:在构建第二个dropout层后,依次构建四个第二卷基层,均由上采样层及两个第二3*3卷积层构成,且依次构建的第二卷基层特征通道数以第二个第一2*2卷积层为始,特征通道数依次减少一倍;在每个第二3*3卷积层之前构建上采样层。
进一步地,所述收缩路径及所述膨胀路径之间呈镜像分布,并进行级联。
进一步地,所述已训练的处理网络的训练方法还包括:构建对抗网络,所述构建对抗网络包括:构建第一数据,所述第一数据由分割金标准作为标准参照,并由肝脏肿瘤二值金标准及原始肝脏灰度图像点乘得到;构建第二数据,所述第二数据由所述分割图像与原始肝脏灰度图像点乘得到;构建损失函数,并将第一数据及第二数据输入损失函数,捕捉来自不同层级的像素级的长短空间特征。
本发明第二方面提供一种CT图像内的肿瘤自动分割***,包括:增强扩充模块,用于对原始图像数据进行增强扩充,得到增强扩充数据;归一化处理模块,用于对增强扩充数据进行归一化处理,得到归一化数据;图像分割模块,用于将降噪数据输入已训练的处理网络,得到分割图像;降噪模块,用于对分割图像做降噪处理。
本发明第三方面提供一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现上述中的任意一项所述方法。
本发明第四方面提供一种计算机可读存储介质,一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现上述中的任意一项所述方法。
本发明提供一种CT图像内的肿瘤自动分割方法,有益效果在于:通过对原始图像数据进行增强扩充,在满足变化灰度信息的鲁棒要求的基础及不影响处理网络对真实信息的处理上,能够达到丰富信息量的结果,从而提高分割模型的泛化效果,使分割模型能够适用于更广泛的数据集,提高处理网络的适用范围;由于不同病人得到的原始图像的灰度值差异较大,故通过归一化处理,能够方便分割处理网络对图像数据的处理,从而减少不同CT机扫描带来的不同原始图像的差异,提高处理网络处理结果的适用范围及精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例CT图像内的肿瘤自动分割方法的结构示意框图;
图2为本发明实施例CT图像内的肿瘤自动分割方法中已训练的处理网络的结构示意图;
图3为本发明实施例CT图像内的肿瘤自动分割方法中对抗网络的结构示意图;
图4为本发明实施例电子装置的结构示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为一种CT图像内的肿瘤自动分割方法,包括:S1、对原始图像数据进行数据增强扩充,得到增强扩充数据;S2、对增强扩充数据进行归一化处理,得到归一化数据;S3、将归一化数据入已训练的处理网络,得到分割图像;S4、对分割图像做降噪处理。
对原始图像数据进行数据增强扩充包括:基于平移旋转原则对原始图像数据进行增强扩充,或基于随机弹性形变原则对原始图像数据进行增强扩充。
由于原始图像数据较为单调,只有一个垂直正方向的数据信息,对于已训练的处理网络信息丰富度来说较为欠缺,单调的数据信息导致处理网络学***移、旋转及弹性形变,通过不变性原则处理原始数据后,不仅使原始图像的训练数据灰度信息的鲁棒性,还能达到信息量丰富的目的,又不影响处理网络对真实信息的学***移、旋转及弹性形变的方式对原始图像数据进行增强扩充,得到增强扩充数据。
对增强扩充数据进行归一化处理包括:根据线性归一化原则对增强扩充数据及肝脏肿瘤金标准进行归一化处理,得到线性归一化图像数据;对线性归一化图像数据进行数据分布的归一化处理得到归一化数据。
由于CT设备的不同,对病人进行扫描得到的CT图像的灰度值差异较大,在本实施例中,通过对增强扩充数据及肝脏肿瘤金标准进行归一化处理,从而方便处理网络的训练,减少不同CT设备扫描带来的CT图像的灰度值差异;具体地,使用线性归一化将灰度数据归一化到[0,225]区间,线性归一化公式为:
在线性归一化公式中,Xnorm为归一化数据,X为增强扩充数据,Xmax、Xmin分别为增强扩充数据集中的最大值和最小值;在本实施例中,对输入处理网络前灰度为0/255二值化的肝脏肿瘤数据进行0-1标准化作为肿瘤金标准,数据除以255后以0.5为阈值,高于0.5设定为1,低于0.5设定为0。
在将增强扩充数据进行线性归一化后,进行数据分布的归一化处理,数据分布的归一化处理如下:对输入处理网络前灰度在0-255区间的肝脏数据进行0均值标准化,将增强扩充数据集归一化为均值为0、方差为1的正态分布的数据集,数据分布的归一化公式如下:
在数据分布的归一化公式中,μ和σ分别为原始数据集的均值和标准差。
在处理原始图像数据的过程中存在一定程度上的噪声干扰,而这些噪声的图形特征较为明显,并且在原始图像上占比例较小,因此需要对分割图像做降噪处理,在本实施例中,通过滤波器将干扰噪声去掉,造成的过滤采用专业医学图像处理软件SimpleITK库进行操作,对噪声基于形态学信息的数据统计显示当费特雷(Feret)直径小于7时,此时对应的周长及所占有像素点数量都是噪点范围内影响最小,可以滤过而不影响其他肿瘤的识别,因此以FeretDiameter=7作为阈值,小于该值的部分将被过滤掉,从而实现降噪滤波的目的,使得最终得到的分割图像能够更加准确。
已训练的处理网络的训练方法包括:构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层,形成收缩路径;根据第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层提取并编码样本降噪数据,生成编码数据;构建第二卷积层、第二修正线性单元层及上采样层,形成膨胀路径;根据第二卷积层、第二修正线性单元层及上采样层解码并分割编码数据,生成解码数据;构建概率输出层,输出解码数据。
其中,制作样本降噪数据的方法包括:对样本图像数据进行数据增强扩充,得到样本增强扩充数据;对样本增强扩充数据进行归一化处理,得到样本归一化数据;对样本归一化数据做降噪处理,得到样本降噪数据,且样本图像数据的增强扩充与原始图像数据的增强扩充方法一致,样本增强扩充数据与增强扩充数据的的归一化处理方法一致,样本归一化数据与归一化数据的降噪处理方法一致。
构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层包括:依次构建三个第一3*3卷积层,并构建两个第一2*2卷积层,且依次构建的第一3*3卷积层及第一2*2卷积层的特征通道数从64开始,依次增加一倍;在每个第一3*3卷积层后构建一个修正线性单元层;在相邻第一3*3卷积层之间、相邻第一2*2卷积层之间、及相邻的第一3*3卷积层和第一2*2卷积层之间构建池化层;在第一3*3的卷积层之后构建的第一个第一2*2的卷积层后构建第一个dropout层,在构建dropout层后构建第二个第一2*2的卷积层;在第二个第一2*2卷积层后构建第二个dropout层;构建第二卷积层、第二修正线性单元层及上采样层包括:在构建第二个dropout层后,依次构建四个第二卷基层,均由上采样层及两个第二3*3卷积层构成,且依次构建的第二卷基层特征通道数以第二个第一2*2卷积层为始,特征通道数依次减少一倍;在每个第二3*3卷积层之前构建上采样层。
请参阅图2,具体地,处理网络整体呈U形对称结构,分为编码-解码两个阶段,编码阶段是特征提取部分,由收缩路径完成,主要为U形网络左侧部分,收缩路径与经典卷积神经网络操作基本相同,主要分为5个block,其中三个block由两个连续的3x3的用于特征提取的卷积操作(每个卷积后面接一个RELU)、一个2x2的用于下采样的最大池化操作组成,且以起始图像特征通道数64开始,每进行一次下采样操作后,图像的特征通道数都进行加倍;后两个block则在前面block的基础上引入了dropout层防止网络训练出现过拟合。同时,在收缩路径中,在每个block的卷积特征提取操作部分同时引用残差网络的思路,通过使用一个基于像素叠加的shortcut,将原始信息通过1x1的卷积操作和卷积操作后的信息直接连接,保持二者通道数一致,可以补充增加网络信息传递量,提高网络学习特征的能力。解码部分是特征复原的部分,主要由膨胀路径完成,主要为该U型网络的右侧部分,主要可分为4个block+1个最后的概率输出层(sigmoid),这四个block都由一个上采样层(2x2反卷积操作实现)和两个3x3卷积(每个卷积后面接一个RELU),且每进行一次反卷积上采样时,图像特征通道数减半,最后通过1x1的sigmoid层来对每个像素所属的概率图进行输出。
收缩路径及膨胀路径之间呈镜像分布,并进行级联,能够通过镜像对称结构补充信息缺失部分,进一步对网络信息进行了丰富。
已训练的处理网络的训练方法还包括:构建对抗网络,构建对抗网络包括:构建第一数据,第一数据由分割金标准作为标准参照,并由肝脏肿瘤二值金标准及原始肝脏灰度图像点乘得到;构建第二数据,第二数据由分割图像与原始肝脏灰度图像点乘得到;构建损失函数,并将第一数据及第二数据输入损失函数,捕捉来自不同层级的像素级的长短空间特征。
请参阅图3,具体地,对抗网络架构的输入可严格分为两部分。一部分为分割金标准作为标准参照部分输入,由提供的肝脏肿瘤二值金标准(ground truth)和原始肝脏灰度图像相乘(点乘)得到,记为label_mask;一部分为分割网络预测部分输入,根据分割网络最终的二值预测分割结果图,与原始肝脏灰度图相乘(点乘),记为output_mask。对抗网络的网络结构类似于分割网络的编码部分,该网络以label_mask和output_mask作为输入,设置损失函数为MAE(Mean Absolute Error,平均绝对误差),该损失函数可以很好地捕捉来自不同层级(包括高、中、低层的信息)的像素级的长短空间特征,从而可以实现图像特征信息的多层次比对矫正。对抗网络损失函数通过计算标准掩膜和预测掩膜之间的差距,并结合分割网络的损失函数,共同作为最终分割网络的调节函数,从而实现对抗网络对已生成的分割模型权值的反馈调节更新,达到进一步优化效果。
损失函数的构建使用Dice系数作为评估,其公式为:
其中,s1、s2分别为实际值与预测值,smotth是一个用于增加拟合曲线平滑度的参数,类似于无穷小的一个变量,smotth的引入使函数更加平滑。
对抗网络的损失函数为MAE(Mean Absolute Error,平均绝对误差):
其中L为对抗网络总层数,是来自于输入金标准掩膜第i层网络的特征提取图像,是来自于输入分割预测掩膜第i层网络的特征提取图像。该损失函数可以很好地捕捉来自不同层级(包括高、中、低层的信息)的像素级的长短空间特征,从而可以实现图像特征信息的多层次比对矫正。
整体损失函数为:loss=lmae-ldice。
本申请实施例提供一种CT图像内的肿瘤自动分割***,包括:增强扩充模块,用于对原始图像数据进行增强扩充,得到增强扩充数据;归一化处理模块,用于对增强扩充数据进行归一化处理,得到归一化数据;图像分割模块,用于将降噪数据输入已训练的处理网络,得到分割图像;降噪模块,用于对分割图像做降噪处理。
本申请实施例提供一种电子装置,请参阅图4,该电子装置包括:存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序,处理器602执行该计算机程序时,实现前述附图1至附图4的实施例中描述的增量核密度估计器的生成方法。
进一步的,该电子装置还包括:至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604,通过总线605连接。
其中,输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器601用于存储一组可执行程序代码,处理器602与存储器601耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述图4所示实施例中的存储器601。该计算机可读存储介质上存储有计算机程序,该程序被处理器602执行时实现前述方法实施例中描述的增量核密度估计器的生成方法。
进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法,可以通过其它的方式实现。例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种CT图像内的肿瘤自动分割方法及***的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种CT图像内的肿瘤自动分割方法,其特征在于,包括:
对原始图像数据进行数据增强扩充,得到增强扩充数据;
对增强扩充数据进行归一化处理,得到归一化数据;
将归一化数据入已训练的处理网络,得到分割图像;
对分割图像做降噪处理。
2.根据权利要求1所述的CT图像内的肿瘤自动分割方法,其特征在于,
所述对原始图像数据进行数据增强扩充包括:
基于平移旋转原则对原始图像数据进行增强扩充,或基于随机弹性形变原则对原始图像数据进行增强扩充。
3.根据权利要求1所述的CT图像内的肿瘤自动分割方法,其特征在于,
所述对增强扩充数据进行归一化处理包括:
根据线性归一化原则对增强扩充数据及肝脏肿瘤金标准进行归一化处理,得到线性归一化图像数据;
对所述线性归一化图像数据进行数据分布的归一化处理得到归一化数据。
4.根据权利要求1所述的CT图像内的肿瘤自动分割方法,其特征在于,
所述已训练的处理网络的训练方法包括:
构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层,形成收缩路径;
根据所述第一卷积层、所述第一修正线性单元层、所述池化层、dropout层及下采样层提取并编码样本降噪数据,生成编码数据;
构建第二卷积层、第二修正线性单元层及上采样层,形成膨胀路径;
根据所述第二卷积层、所述第二修正线性单元层及上采样层解码并分割所述编码数据,生成解码数据;
构建概率输出层,输出所述解码数据。
5.根据权利要求4所述的CT图像内的肿瘤自动分割方法,其特征在于,
所述构建第一卷积层、第一修正线性单元层、池化层、dropout层及下采样层包括:
依次构建三个第一3*3卷积层,并构建两个第一2*2卷积层,且依次构建的第一3*3卷积层及第一2*2卷积层的特征通道数从64开始,依次增加一倍;
在每个第一3*3卷积层后构建一个修正线性单元层;
在相邻第一3*3卷积层之间、相邻第一2*2卷积层之间、及相邻的第一3*3卷积层和第一2*2卷积层之间构建池化层;
在第一3*3的卷积层之后构建的第一个第一2*2的卷积层后构建第一个dropout层,在构建dropout层后构建第二个第一2*2的卷积层;
在第二个第一2*2卷积层后构建第二个dropout层;
所述构建第二卷积层、第二修正线性单元层及上采样层包括:
在构建第二个dropout层后,依次构建四个第二卷基层,均由上采样层及两个第二3*3卷积层构成,且依次构建的第二卷基层特征通道数以第二个第一2*2卷积层为始,特征通道数依次减少一倍;
在每个第二3*3卷积层之前构建上采样层。
6.根据权利要求5所述的CT图像内的肿瘤自动分割方法,其特征在于,
所述收缩路径及所述膨胀路径之间呈镜像分布,并进行级联。
7.根据权利要求4所述的CT图像内的肿瘤自动分割方法,其特征在于,
所述已训练的处理网络的训练方法还包括:
构建对抗网络,所述构建对抗网络包括:
构建第一数据,所述第一数据由分割金标准作为标准参照,并由肝脏肿瘤二值金标准及原始肝脏灰度图像点乘得到;
构建第二数据,所述第二数据由所述分割图像与原始肝脏灰度图像点乘得到;
构建损失函数,并将第一数据及第二数据输入损失函数,捕捉来自不同层级的像素级的长短空间特征。
8.一种CT图像内的肿瘤自动分割***,其特征在于,包括:
增强扩充模块,用于对原始图像数据进行增强扩充,得到增强扩充数据;
归一化处理模块,用于对增强扩充数据进行归一化处理,得到归一化数据;
图像分割模块,用于将降噪数据输入已训练的处理网络,得到分割图像;
降噪模块,用于对分割图像做降噪处理。
9.一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至7中的任意一项所述方法。
10.一种计算机可读存储介质,一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至7中的任意一项所述方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440970.8A CN109754403A (zh) | 2018-11-29 | 2018-11-29 | 一种ct图像内的肿瘤自动分割方法及*** |
PCT/CN2019/121594 WO2020108562A1 (zh) | 2018-11-29 | 2019-11-28 | 一种ct图像内的肿瘤自动分割方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440970.8A CN109754403A (zh) | 2018-11-29 | 2018-11-29 | 一种ct图像内的肿瘤自动分割方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109754403A true CN109754403A (zh) | 2019-05-14 |
Family
ID=66402563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811440970.8A Pending CN109754403A (zh) | 2018-11-29 | 2018-11-29 | 一种ct图像内的肿瘤自动分割方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109754403A (zh) |
WO (1) | WO2020108562A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
CN110717060A (zh) * | 2019-09-04 | 2020-01-21 | 平安科技(深圳)有限公司 | 图像mask的过滤方法、装置及存储介质 |
CN110751627A (zh) * | 2019-09-19 | 2020-02-04 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111028242A (zh) * | 2019-11-27 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割***、方法及电子设备 |
WO2020108562A1 (zh) * | 2018-11-29 | 2020-06-04 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及*** |
CN111652886A (zh) * | 2020-05-06 | 2020-09-11 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
CN111739008A (zh) * | 2020-06-23 | 2020-10-02 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及可读存储介质 |
CN111754530A (zh) * | 2020-07-02 | 2020-10-09 | 广东技术师范大学 | 一种***超声图像分割分类方法 |
CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及*** |
CN113111684A (zh) * | 2020-01-10 | 2021-07-13 | 字节跳动有限公司 | 神经网络模型的训练方法、装置和图像处理*** |
WO2021151275A1 (zh) * | 2020-05-20 | 2021-08-05 | 平安科技(深圳)有限公司 | 图像分割方法、装置、设备及存储介质 |
CN113705320A (zh) * | 2021-05-24 | 2021-11-26 | 中国科学院深圳先进技术研究院 | 手术动作识别模型的训练方法、介质和设备 |
CN114066871A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种新冠肺炎病灶区域分割模型训练的方法 |
US11367181B2 (en) | 2018-12-29 | 2022-06-21 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for ossification center detection and bone age assessment |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494266B (zh) * | 2020-10-26 | 2024-05-28 | 中国人民解放军空军军医大学 | 一种层级空洞金字塔卷积的宫颈及周边多器官分割方法 |
CN116898455B (zh) * | 2023-07-06 | 2024-04-16 | 湖北大学 | 一种基于深度学习模型的睡眠脑电信号检测方法及*** |
CN117765532B (zh) * | 2024-02-22 | 2024-05-31 | 中国科学院宁波材料技术与工程研究所 | 基于共聚焦显微图像的角膜朗格汉斯细胞分割方法和装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 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*** |
CN106683104A (zh) * | 2017-01-06 | 2017-05-17 | 西北工业大学 | 基于集成深度卷积神经网络的***磁共振图像分割方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断*** |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN108492286A (zh) * | 2018-03-13 | 2018-09-04 | 成都大学 | 一种基于双通路u型卷积神经网络的医学图像分割方法 |
CN108537793A (zh) * | 2018-04-17 | 2018-09-14 | 电子科技大学 | 一种基于改进的u-net网络的肺结节检测方法 |
CN108596884A (zh) * | 2018-04-15 | 2018-09-28 | 桂林电子科技大学 | 一种胸部ct图像中的食管癌分割方法 |
CN108596915A (zh) * | 2018-04-13 | 2018-09-28 | 深圳市未来媒体技术研究院 | 一种基于无标注数据的医疗图像分割方法 |
CN108629784A (zh) * | 2018-05-08 | 2018-10-09 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的ct图像颅内血管分割方法及*** |
CN108765422A (zh) * | 2018-06-13 | 2018-11-06 | 云南大学 | 一种视网膜图像血管自动分割方法 |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN108806793A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技(深圳)有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
CN108830912A (zh) * | 2018-05-04 | 2018-11-16 | 北京航空航天大学 | 一种深度特征对抗式学习的交互式灰度图像着色方法 |
CN108876793A (zh) * | 2018-04-13 | 2018-11-23 | 北京迈格威科技有限公司 | 语义分割方法、装置和***及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10245000B2 (en) * | 2014-12-12 | 2019-04-02 | General Electric Company | Method and system for defining a volume of interest in a physiological image |
CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
CN108109152A (zh) * | 2018-01-03 | 2018-06-01 | 深圳北航新兴产业技术研究院 | 医学图像分类和分割方法和装置 |
CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
CN109754403A (zh) * | 2018-11-29 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及*** |
-
2018
- 2018-11-29 CN CN201811440970.8A patent/CN109754403A/zh active Pending
-
2019
- 2019-11-28 WO PCT/CN2019/121594 patent/WO2020108562A1/zh active Application Filing
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 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*** |
CN106683104A (zh) * | 2017-01-06 | 2017-05-17 | 西北工业大学 | 基于集成深度卷积神经网络的***磁共振图像分割方法 |
CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断*** |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN108492286A (zh) * | 2018-03-13 | 2018-09-04 | 成都大学 | 一种基于双通路u型卷积神经网络的医学图像分割方法 |
CN108876793A (zh) * | 2018-04-13 | 2018-11-23 | 北京迈格威科技有限公司 | 语义分割方法、装置和***及存储介质 |
CN108596915A (zh) * | 2018-04-13 | 2018-09-28 | 深圳市未来媒体技术研究院 | 一种基于无标注数据的医疗图像分割方法 |
CN108596884A (zh) * | 2018-04-15 | 2018-09-28 | 桂林电子科技大学 | 一种胸部ct图像中的食管癌分割方法 |
CN108537793A (zh) * | 2018-04-17 | 2018-09-14 | 电子科技大学 | 一种基于改进的u-net网络的肺结节检测方法 |
CN108806793A (zh) * | 2018-04-17 | 2018-11-13 | 平安科技(深圳)有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
CN108830912A (zh) * | 2018-05-04 | 2018-11-16 | 北京航空航天大学 | 一种深度特征对抗式学习的交互式灰度图像着色方法 |
CN108629784A (zh) * | 2018-05-08 | 2018-10-09 | 上海嘉奥信息科技发展有限公司 | 一种基于深度学习的ct图像颅内血管分割方法及*** |
CN108776969A (zh) * | 2018-05-24 | 2018-11-09 | 复旦大学 | 基于全卷积网络的乳腺超声图像肿瘤分割方法 |
CN108765422A (zh) * | 2018-06-13 | 2018-11-06 | 云南大学 | 一种视网膜图像血管自动分割方法 |
Non-Patent Citations (4)
Title |
---|
FAUSTO MILLETARI ETC: "V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation", 《2016 FOURTH INTERNATIONAL CONFERENCE ON 3D VISION (3DV)》 * |
MICHAL DROZDZAL 等: "The Importance of Skip Connections in Biomedical Image Segmentation", 《DLMIA 2016, LABELS 2016: DEEP LEARNING AND DATA LABELING FOR MEDICAL APPLICATIONS》 * |
OLAF RONNEBERGER ETC: "U-net: Convolutional networks for biomedical image segmentation", 《LECTURE NOTES IN COMPUTER SCIENCE (INCLUDING SUBSERIES LECTURE NOTES IN ARTIFICIAL INTELLIGENCE AND LECTURE NOTES IN BIOINFORMATICS)》 * |
YUAN XUE ETC: "SegAN: Adversarial Network with Multi-scale L1 Loss for Medical Image Segmentation", 《NEUROINFORMATICS(2018)》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020108562A1 (zh) * | 2018-11-29 | 2020-06-04 | 中国科学院深圳先进技术研究院 | 一种ct图像内的肿瘤自动分割方法及*** |
US11367181B2 (en) | 2018-12-29 | 2022-06-21 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for ossification center detection and bone age assessment |
US11735322B2 (en) | 2018-12-29 | 2023-08-22 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for ossification center detection and bone age assessment |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
CN110717060A (zh) * | 2019-09-04 | 2020-01-21 | 平安科技(深圳)有限公司 | 图像mask的过滤方法、装置及存储介质 |
CN110717060B (zh) * | 2019-09-04 | 2023-08-18 | 平安科技(深圳)有限公司 | 图像mask的过滤方法、装置及存储介质 |
CN110751627A (zh) * | 2019-09-19 | 2020-02-04 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN110751627B (zh) * | 2019-09-19 | 2024-01-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN111028242A (zh) * | 2019-11-27 | 2020-04-17 | 中国科学院深圳先进技术研究院 | 一种肿瘤自动分割***、方法及电子设备 |
CN113111684B (zh) * | 2020-01-10 | 2024-05-21 | 字节跳动有限公司 | 神经网络模型的训练方法、装置和图像处理*** |
CN113111684A (zh) * | 2020-01-10 | 2021-07-13 | 字节跳动有限公司 | 神经网络模型的训练方法、装置和图像处理*** |
CN111652886A (zh) * | 2020-05-06 | 2020-09-11 | 哈尔滨工业大学 | 一种基于改进U-net网络的肝肿瘤分割方法 |
WO2021151275A1 (zh) * | 2020-05-20 | 2021-08-05 | 平安科技(深圳)有限公司 | 图像分割方法、装置、设备及存储介质 |
CN111739008B (zh) * | 2020-06-23 | 2024-04-12 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及可读存储介质 |
CN111739008A (zh) * | 2020-06-23 | 2020-10-02 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及可读存储介质 |
CN111754530B (zh) * | 2020-07-02 | 2023-11-28 | 广东技术师范大学 | 一种***超声图像分割分类方法 |
CN111754530A (zh) * | 2020-07-02 | 2020-10-09 | 广东技术师范大学 | 一种***超声图像分割分类方法 |
CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及*** |
CN113705320A (zh) * | 2021-05-24 | 2021-11-26 | 中国科学院深圳先进技术研究院 | 手术动作识别模型的训练方法、介质和设备 |
CN114066871A (zh) * | 2021-11-19 | 2022-02-18 | 江苏科技大学 | 一种新冠肺炎病灶区域分割模型训练的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020108562A1 (zh) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754403A (zh) | 一种ct图像内的肿瘤自动分割方法及*** | |
Zhou et al. | Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method | |
Altaf et al. | Going deep in medical image analysis: concepts, methods, challenges, and future directions | |
US11308587B2 (en) | Learning method of generative adversarial network with multiple generators for image denoising | |
Liang et al. | MCFNet: Multi-layer concatenation fusion network for medical images fusion | |
CN109166130B (zh) | 一种图像处理方法及图像处理装置 | |
CN110475505A (zh) | 利用全卷积网络的自动分割 | |
DE102018111407A1 (de) | Methode zum maschinellen lernen für automatisches modellieren von mehrwertigen ausgaben | |
CN112949838B (zh) | 基于四分支注意力机制的卷积神经网络及图像分割方法 | |
CN110276741B (zh) | 结节检测及其模型训练的方法和装置以及电子设备 | |
CN110110723B (zh) | 一种图像中目标区域自动提取的方法及装置 | |
CN110415253A (zh) | 一种基于深度神经网络的点交互式医学图像分割方法 | |
Li et al. | DFENet: A dual-branch feature enhanced network integrating transformers and convolutional feature learning for multimodal medical image fusion | |
Singhal et al. | Study of deep learning techniques for medical image analysis: A review | |
CN114897780A (zh) | 一种基于mip序列的肠系膜上动脉血管重建方法 | |
CN112949654A (zh) | 图像检测方法及相关装置、设备 | |
Chen et al. | Generative adversarial U-Net for domain-free medical image augmentation | |
Cheng et al. | DDU-Net: A dual dense U-structure network for medical image segmentation | |
CN114863225A (zh) | 图像处理模型训练方法、生成方法、装置、设备及介质 | |
Yang et al. | Deep learning in medical image super resolution: a review | |
Zhao et al. | MPSHT: multiple progressive sampling hybrid model multi-organ segmentation | |
Poonkodi et al. | 3D-MedTranCSGAN: 3D medical image transformation using CSGAN | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
US20210074034A1 (en) | Methods and apparatus for neural network based image reconstruction | |
Zwettler et al. | Strategies for training deep learning models in medical domains with small reference datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |