CN113610840B - 图像处理方法、装置、存储介质及电子设备 - Google Patents
图像处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113610840B CN113610840B CN202110991058.7A CN202110991058A CN113610840B CN 113610840 B CN113610840 B CN 113610840B CN 202110991058 A CN202110991058 A CN 202110991058A CN 113610840 B CN113610840 B CN 113610840B
- Authority
- CN
- China
- Prior art keywords
- image
- physiological
- target
- determining
- comparison
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种图像处理方法、装置、存储介质及电子设备。其中方法包括:通过获取目标区域图像,确定目标区域图像对应的生理图像;然后获取生理图像内的目标生理图像;再根据目标区域图像对目标生理图像进行优化,得到优化生理图像;最后识别优化生理图像,以得到目标生理组织对应的识别图像。通过对目标区域图像进行一系列的处理优化,最终得到优化图像更加容易被识别,从而在优化图像内更加准确识别出目标生理组织对应的识别图像,提高了对图像中目标生理组织识别的准确性。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像处理方法、装置、存储介质及电子设备。
背景技术
由于人体生理组织结构的复杂性,医学图像中会包含很多复杂的信息。现有技术中为了快速的对医学图像进行分析,仅仅通过网络进行提取识别,但是识别的精度较低,无法准确的对医学图像进行分析。
发明内容
本申请实施例提供一种图像处理方法、装置、存储介质及电子设备。该图像处理方法能够提高对图像中目标生理组织识别的准确性。
第一方面,本申请实施例提供了一种图像处理方法,包括:
获取目标区域图像,并确定所述目标区域图像对应的生理图像;
获取所述生理图像内的目标生理图像;
根据所述目标区域图像对所述目标生理图像进行优化,得到优化生理图像;
识别所述优化生理图像,以得到目标生理组织对应的识别图像。
第二方面,本申请实施例提供了一种图像处理装置,包括:
第一获取模块,用于获取目标区域图像,并确定所述目标区域图像对应的生理图像;
第二获取模块,用于获取所述生理图像内的目标生理图像;
优化模块,用于根据所述目标区域图像对所述目标生理图像进行优化,得到优化生理图像;
识别模块,用于识别所述优化生理图像,以得到目标生理组织对应的识别图像。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行本申请实施例中提供的图像处理方法中的步骤。
第四方面,本申请实施例提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,执行本申请实施例提供的图像处理方法中的步骤。
本申请实施例中,通过获取目标区域图像,确定目标区域图像对应的生理图像;然后获取生理图像内的目标生理图像;再根据目标区域图像对目标生理图像进行优化,得到优化生理图像;最后识别优化生理图像,以得到目标生理组织对应的识别图像。通过对目标区域图像进行一系列的处理优化,最终得到优化图像更加容易被识别,从而在优化图像内更加准确识别出目标生理组织对应的识别图像,提高了对图像中目标生理组织识别的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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是本申请实施例提供的图像处理方法的第一流程示意图。
图2是本申请实施例提供的图像处理方法的第二流程示意图。
图3是本申请实施例提供的图像处理方法的第三流程示意图。
图4是本申请实施例提供的图像处理装置的第一结构示意图。
图5是本申请实施例提供的图像处理装置的第二结构示意图。
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在相关技术中,由于人体生理组织结构的复杂性,医学图像中会包含很多复杂的信息。如果仅仅通过网络模型对医学图像进行识别,以提取目标生理部位对应的图像,可能出现提取的图像错误的情况。比如,在人体内脏上有生物膜,如果直接通过网络模型对医学图像进行识别,可能导致不能准确的识别出内脏上的生物膜。最终可能导致重大医疗事故。
为了解决上述技术问题,本申请实施例提供了一种图像处理方法、装置、存储介质及电子设备。该图像处理方法能够提高对图像中目标生理组织识别的准确性。以下分别进行详细说明。
110、获取目标区域图像,并确定目标区域图像对应的生理图像。
电子设备可以先获取初始图像,初始图像是医学图像,比如医学图像可以是通过计算机断层扫描(CT,Computed Tomography)、螺旋CT、X光、正电子发射型计算机断层显像(PRT,Positron Emission ComputedTomography)、荧光检查法、超声波、磁共振(MR,Magnetic Resonance)等方式获取的医学图像。其中,该医学图像中可以包含血管、骨骼、器官等生理结构。
在一些实施方式中,在获取到初始图像之后,电子设备可以获取初始图像内的目标区域图像,目标区域图像可以是医生标注选取区域内的图像。比如,医生在获取到医学图像后,可以利用鼠标、电子画笔等方式对医学图像中的目标区域进行圈定选取,在这个圈定区域内的图像,就是目标区域图像。
在一些实施方式中,医生在选取目标区域的过程中,电子设备可以对绘制笔迹的坐标进行识别,从而在初始图像中确定出绘制轨迹,在医生完成目标区域圈定后,电子设备将绘制笔迹所圈定的区域确定为目标区域,并将目标区域对应的图像确定为目标区域图像。
在用于治疗的医学场景中,医生圈画出的目标区域图像,往往是需要检查的病灶部位的图像,通过医生的从医经验判断,能够大概的确定出病灶所在的区域,然后再对目标区域图像进行分析。
在确定目标区域图像之后,电子设备可以确定所述目标区域图像对应的生理图像。
在一些实施方式中,电子设备可以获取目标区域图像对应的图像特征信息,然后根据目标区域图像对应的图像特征信息在目标区域图像内确定出对应的生理图像。其中图像特征信息包括形状信息、对比度信息、梯度信息、CT值信息等。
在一些实施方式中,电子设备可以先确定目标区域图像对应的生理结构,然后根据生理结构和图像特征信息确定目标区域图像内的生理图像。其中,电子设备可以先确定目标区域图像在初始图像中所处的位置,然后根据目标区域图像在初始图像中所处的位置确定出目标区域图像对应的生理结构。例如,在确定好目标区域图像所处的位置之后,比如该位置对应的生理结构是心脏,那么就根据整个心脏的图像和目标区域图像的图像特征信息来确定出目标区域图像内的生理图像。
在一些实施方式中,电子设备可以确定生理结构的轮廓,然后以轮廓为基准扩大轮廓内的生理结构对应的图像,以得到比对图像,最后根据比对图像和图像特征信息确定目标区域图像对应的生理图像。
例如,在确定目标区域图像对应的生理结构为心脏时,电子设备可以先确定出心脏的轮廓,然后以心脏的轮廓为基准,扩大轮廓内心脏对应的图像,从而得到比对图像,比对图像相对于初始的心脏对应的图像,比对图像拥有更大的面积以及更加清楚的图像细节。
然后利用比对图像和目标区域图像的图像特征信息来确定出目标图像对应的生理图像,比如利用形状信息、对比度信息、梯度信息、CT值信息等图像特征信息来和比对图像进行对比,从而确定出目标区域图像与比对图像中保护膜的图像相符合,那么就确定心脏的保护膜图像为目标区域图像对应的生理图像。
在一些实施方式中,电子设备还可以确定比对图像中的各个生理对象对应的子比对图像,然后根据图像特征信息将目标区域图像和各个子比对图像进行对比,以确定目标区域图像对应的生理图像。
例如,在得到心脏对应的比对图像之后,可以将比对图像分割为多个子区域,每个子区域的图像为子比对图像。或者将比对图像分为多层图像,将每一层的图像确定为子比对图像。
然后利用目标区域图像的图像特征信息和每个子比对图像进行对比,从而确定出某一子比对图像和目标区域图像相匹配,则将该子比对图像确定为目标区域图像对应的生理图像。比如,将子比对图像A对应的是左心室血管的图像,子比对图像B为保护膜的图像,如果通过目标区域图像的图像特征信息确定目标区域图像和子比对图像B相匹配,那么确定目标区域图像对应的生理图像为保护膜的图像。
120、获取生理图像内的目标生理图像。
在一些实施方式中,电子设备可以先确定出生理图像对应的生理组织类型,然后根据生理组织类型确定出对应的预设算法模型。最后将生理图像输入至预设算法模型中进行图像提取,以在生理图像内提取出目标生理图像。
例如,生理图像为保护膜的图像,那么该生理图像对应的生理组织类型就是生物膜类型。然后确定出生物膜类型对应的预设算法模型,然后利用将生理图像输入到生物膜类型对应的预设算法模型。预设算法模型会对该生理图像进行提取,也就是对保护膜的图像进行提取,然后得到心包膜图像,那么心包膜图像就是目标生理图像。
在一些实施方式中,预设算法模型可以在一个生理图像中提取出多个目标生理图像,比如生理图像为心脏的保护膜图像,通过预设算法模型对保护膜图像进行提取,可以提取出心包膜图像和心外膜图像,那么心包膜图像和心外膜图像都是目标生理图像。
130、根据目标区域图像对目标生理图像进行优化,得到优化生理图像。
在一些情况下,通过预设算法模型提取出的目标生理图像的边界可能存在缺失、断裂等问题,比如目标生理图像为血管图像,血管图像的边界可能存在缺失的问题,此时需要对目标生理图像的边界进行优化,从而消除目标生理图像出现缺失、断裂的问题。
在一些实施方式中,电子设备可以将手绘区域的边界确定为目标区域图像的边界信息,然后根据边界信息对目标生理图像的边界进行优化,从而得到优化图像。
具体地,电子设备可以先确定目标生理图像中的目标优化区域图像,然后确定目标优化区域图像在边界信息中对应的目标边界及目标边界对应的待连接图像,然后将待连接图像与目标优化区域图像连接,以得到优化生理图像。
例如,电子设备先确定目标生理图像中存在缺失或者断裂的目标优化边界,然后将目标优化边界所处的区域的图像确定为目标优化区域图像,这个目标优化区域图像中存在缺失或者断裂的部分。可以理解的是,该目标优化区域图像的边界就包含目标优化边界。
电子设备可以确定目标优化区域图像中的目标优化边界,然后确定目标优化边界在目标区域图像中对应的目标边界,然后将目标边界所处的区域的图像确定为待连接图像,待连接图像的边界包括目标边界。然后将待连接图像和目标优化图像连接起来,从而对目标生理图像的边界进行优化。
在一实施方式中,由于目标优化区域图像包括目标优化边界,待连接图像包括目标边界,目标优化边界存在缺失断裂或者缺失部分,通过将目标边界和目标优化边界连接起来,从而对目标优化边界中存在缺失断裂或者缺失部分进行弥补,使得目标生理图像的边界不存在缺失或者断裂的部分,从而得到最终的优化生理图像。
在一实施方式中,电子设备还可以先确定出目标生理图像中的存在缺失或者断裂的目标优化边界,然后将目标优化边界所处的区域截取下来,得到截取图像,再从目标区域图像中找到截取图像对应的替换图像,将替换图像连接在目标生理图像中截取图像所在的位置,从而实现对截取图像的替换,实现对目标生理图像的优化,得到不存在缺失或者断裂的部分的优化生理图像。
在一些实施方式中,电子设备还可以先识别出目标生理图像内的生理组织,从而确定出生理组织是否具备完整性,如果在生理组织存在不完整或者缺失的情况下,可以通过目标区域图像来对目标生理图像进行优化,比如通过在目标区域图像内确定缺失的生理组织对应的目标生理组织图像,然后通过目标生理组织图像对目标生意图像中缺失的生理组织进行补全,从而得到更加完整的优化图像。
在一些实施方式中,电子设备还可以对识别出目标生理图像中的病变组织或者疑似病变组织,可以通过目标区域图像来对目标生理图像进行优化。比如将病变组织或者疑似病变组织与目标区域图像中对应的组织图像进行对比,如果通过对比之后确定出目标生理图像中存在一个病变位置,那么将该病变位置附近的位置确定为完整的病变区域,从而确定出目标生理图像中完整的病变组织对应的区域。
140、识别优化生理图像,以得到目标生理组织对应的识别图像。
在一些实施方式中,在得到优化生理图像之后,可以将优化生理图像输入到预设识别模型中,得到识别结果。最后根据识别结果确定出目标生理组织对应的识别图像,目标生理组织包括病灶部位生理组织。
比如,优化生理图像是优化后的心包膜图像,可以将优化后的心包膜图像输入到预设识别模型中,预设识别模型可以主动识别出心包膜上的病灶区域,并将病灶区域对应的识别图像提取出来。
另外,在将优化后的心包膜图像输入到预设识别模型中,该预设识别模型还可以根据医生在优化生理图像上选定的区域,然后对选定的区域的图像提取出来,将其作为目标生理组织对应的生理图像。
在本申请实施例中,通过获取目标区域图像,确定目标区域图像对应的生理图像;然后获取生理图像内的目标生理图像;再根据目标区域图像对目标生理图像进行优化,得到优化生理图像;最后识别优化生理图像,以得到目标生理组织对应的识别图像。通过对目标区域图像进行一系列的处理优化,最终得到优化图像更加容易被识别,从而在优化图像内更加准确识别出目标生理组织对应的识别图像,提高了对图像中目标生理组织识别的准确性。
为了更加详细的说明本申请实施例提供的图像处理方法,请继续参阅图2,图2是本申请实施例提供的图像处理方法的第二流程示意图。该图像处理方法可以包括以下步骤:
201、确定初始图像内的手绘区域,并将手绘区域内的图像确定为目标区域图像。
初始图像为医学图像,医生可以在医学图像中用画笔圈定一个手绘区域,然后将手绘区域内的图像确定为目标区域图像,该目标区域图像包括手绘区域的边界。
202、确定目标区域图像对应的生理结构,确定生理结构的轮廓。
在一些实施方式中,可以先确定出目标区域图像在初始图像中所处的位置,比如该位置是心脏所处的位置,那么目标区域图像对应的生理结构就是心脏,此时电子设备可以获取心脏的轮廓。
203、以轮廓为基准扩大轮廓内的生理结构对应的图像,以得到比对图像。
在一些实施方式中,以生理结构的轮廓为基准,同比例的扩大轮廓内的图像,比如使轮廓内的图像向外膨胀,形成一个膨胀区域图像,该膨胀区域对应的图像可以理解为是轮廓内图像放大后的图像。直至膨胀区域图像能够覆盖住手绘区域,则停止对轮廓内图像的放大。从而得到比对图像,其中膨胀区域图像就是比对图像。
204、确定比对图像中的各个生理对象对应的子比对图像。
在一些实施方式中,比对图像中包含多个生理对象,比如,比对图像为放大后的心脏图像,心脏图像中包含血管、生物膜等不同的生理对象,不同的生理对象对应有一个子比对图像。
又比如,比对图像中包含了多层图像,可以将每一个层图像确定为子比对图像。
205、根据目标区域图像的图像特征信息将目标区域图像和各个子比对图像进行对比,确定目标区域图像对应的生理图像。
目标区域图像的图像特征信息包括形状信息、对比度信息、梯度信息、CT值信息等。
在一些实施方式中,电子设备可以根据形状信息与各个子比对图像的形状进行匹配,以得到与各个子比对图像对应的第一匹配度,然后将第一匹配度最高的子比对图像确定为目标区域图像对应的生理图像。
例如,子比对图像A为血管的图像,可以将手绘目标区域图像的形状和血管图像的形状进行对比,从而得到第一匹配度,如果相对于其他子比对图像的第一匹配度,目标区域图像相对于子比对图像A的第一匹配度最高,那么就确认为目标区域图像对应的生理图像为子比对图像A。
在一些实施方式中,电子设备还可以根据对比度信息在各个子比对图像的对比度进行匹配,以得到与各个子比对图像对应的第二匹配度,将第二匹配度最高的子比对图像确定为目标区域图像对应的生理图像。
例如,电子设备可以先获取目标区域图像的对比度信息,然后再获取每个子比对图像的对比度信息,然后将目标区域图像的对比度信息和每个子比对图像的对比度信息进行匹配,从而得到各个子比对图像对应的第二匹配度,如果子比对图像A对应的第二匹配度相对于其他第二匹配度最高,那么就确定子比对图像A为目标区域图像对应的生理图像。其中,对比度信息包括对比度值,可以通过canny算子等对比度增强算法等来计算对比度值。
在一些实施方式中,电子设备可以确定各个子比对图像的梯度,将各个子比对图像中梯度与目标区域图像的梯度相同的子比对图像确定为目标区域图像对应的生理图像。其中,图像的梯度相当于2个相邻像素之间的差值。
例如,电子设备可以通过Sobel算子、Prewitt算子等图像梯度算法来计算目标区域图像的梯度,然后还可以通过梯度算法计算每个子比对图像的梯度,然后将目标区域图像的梯度和各个子比对图像的梯度进行对比,如果子比对图像A的梯度与目标区域图像的梯度相同,那么将子比对图像A确定为目标区域图像对应的生理图像。
在一些实施方式中,电子设备可以确定各个子比对图像的CT值,然后将各个子比对图像中CT值与目标区域图像的CT值相同的子比对图像确定为目标区域图像对应的生理图像。
例如,在CT扫描仪扫描人体时的时候,获取的初始图像每个区域就会有对应的CT值,电子设备可以先确定出目标区域图像的CT值,然后确定各个子比对图像的CT值,然后将目标区域图像的CT值和各个子比对图像的CT值。如果子比对图像A的CT值和目标区域图像的CT值相同,则将子比对图像A确定为目标区域图像对应的生理图像。
需要说明的是,以上确定出目标区域对应的生理图像的方式只是例举,还可以通过其他方式获取目标区域图像对应的生理图像。
206、获取生理图像内的目标生理图像。
在一些实施方式中,电子设备可以先确定出生理图像对应的生理组织类型,然后根据生理组织类型确定出对应的预设算法模型。最后将生理图像输入至预设算法模型中进行图像提取,以在生理图像内提取出目标生理图像。
例如,生理图像为保护膜的图像,那么该生理图像对应的生理组织类型就是生物膜类型。然后确定出生物膜类型对应的预设算法模型,然后利用将生理图像输入到生物膜类型对应的预设算法模型。预设算法模型会对该生理图像进行提取,也就是对保护膜的图像进行提取,然后得到心包膜图像,那么心包膜图像就是目标生理图像。
需要说明的是,预设算法模型可以是由U-net网络模型、V-net网络模型训练而得到的预设算法模型。在算法模型的训练过程中,针对于不同的人体结构,可以采用不同的训练样本图像,比如针对骨骼,可以采用骨组织图像对算法模型进行训练。针对生物膜,可以采用生物膜图像对算法模型进行训练,从而得到不同人体结构对应的预设算法模型。
207、根据手绘区域的边界确定为目标区域图像的边界信息。
在一些实施方式中,电子设备可以确定手绘区域中手绘笔迹的坐标信息,然后将该坐标系信息确定为目标区域图像的边界信息。
208、根据边界信息对目标生理图像的边界进行优化,得到优化生理图像。
步骤208可以由以下方式执行,具体请参阅图3,图3是本申请实施例提供的图像处理方法的第三流程示意图。
301、确定目标生理图像中的存在缺失或者断裂的目标优化边界。
在一些情况下,目标生理图像中可能存在缺失或者断裂的问题,可以确定目标生理图像中的存在缺失或者断裂的目标优化边界。
302、将目标优化边界所处的区域的图像确定为目标优化区域图像。
电子设备先确定目标生理图像中存在缺失或者断裂的目标优化边界,然后将目标优化边界所处的区域的图像确定为目标优化区域图像,这个目标优化区域图像中存在缺失或者断裂的部分。可以理解的是,该目标优化区域图像的边界就包含目标优化边界。
303、确定目标优化区域图像在边界信息中对应的目标边界及目标边界对应的待连接图像。
在一些实施方式中,电子设备可以确定目标优化区域图像中的目标优化边界,然后确定目标优化边界在目标区域图像中对应的目标边界,然后将目标边界所处的区域的图像确定为待连接图像,待连接图像的边界包括目标边界。
304、将待连接图像与目标优化区域图像连接,以得到优化生理图像。
在一实施方式中,由于目标优化区域图像包括目标优化边界,待连接图像包括目标边界,目标优化边界存在缺失断裂或者缺失部分,通过将待连接图像与目标优化区域图像连接,实现目标边界和目标优化边界连接,从而对目标优化边界中存在缺失断裂或者缺失部分进行弥补,使得目标生理图像的边界不存在缺失或者断裂的部分,从而得到最终的优化生理图像。
请继续参阅图2,209、识别优化生理图像,以得到目标生理组织对应的识别图像。
在一些实施方式中,在得到优化生理图像之后,可以将优化生理图像输入到预设识别模型中,得到识别结果。最后根据识别结果确定出目标生理组织对应的识别图像,目标生理组织包括病灶部位生理组织。
比如,优化生理图像是优化后的心包膜图像,可以将优化后的心包膜图像输入到预设识别模型中,预设识别模型可以主动识别出心包膜上的病灶区域,并将病灶区域对应的识别图像提取出来。
另外,在将优化后的心包膜图像输入到预设识别模型中,该预设识别模型还可以根据医生在优化生理图像上选定的区域,然后对选定的区域的图像提取出来,将其作为目标生理组织对应的生理图像。例如,提取出心包膜的图像,在点击心包膜上的病灶区域,会自动提取病灶的图像。
本申请实施例中,通过确定初始图像内的手绘区域,并将手绘区域内的图像确定为目标区域图像,然后确定目标区域图像对应的生理结构,确定生理结构的轮廓,再以轮廓为基准扩大轮廓内的生理结构对应的图像,以得到比对图像。
然后确定比对图像中的各个生理对象对应的子比对图像,再根据目标区域图像的图像特征信息将目标区域图像和各个子比对图像进行对比,确定目标区域图像对应的生理图像,再获取生理图像内的目标生理图像。最后,根据手绘区域的边界确定为目标区域图像的边界信息,根据边界信息对目标生理图像的边界进行优化,得到优化生理图像,识别优化生理图像,以得到目标生理组织对应的识别图像。
从而实现了根据目标区域图像来获取目标生理组织对应的识别图像,由于目标区域图像是医生选定的区域图像,再结合后续对目标区域图像处理的过程,能够提高最终对目标生理组织进行识别的准确定。
相应地,本申请实施例还提供了一种图像处理装置,该图像处理装置可以用于执行本申请实施例提供的图像处理方法。请参阅图4,图4是本申请实施例提供的图像处理装置的第一结构示意图。图像处理装置400包括:第一获取模块410、第二获取模块420、优化模块430及识别模块440。
第一获取模块410,用于获取目标区域图像,并确定所述目标区域图像对应的生理图像。
第一获取模块410具体用于确定所述初始图像内的手绘区域,并将所述手绘区域内的图像确定为所述目标区域图像。
其中,第一获取模块410包括第一确定子模块411和第二确定子模块412,具体请参阅图5,图5是本申请实施例提供的图像处理装置的第二结构示意图。
第一确定子模块411,用于确定所述目标区域图像对应的图像特征信息。
第二确定子模块412,用于根据所述图像特征信息确定所述生理图像。
第二确定子模块412具体用于确定所述目标区域图像对应的生理结构;根据所述生理结构和所述图像特征信息确定所述生理图像。
第二确定子模块412具体用于确定所述生理结构的轮廓;
以所述轮廓为基准扩大所述轮廓内的生理结构对应的图像,以得到比对图像;
根据所述比对图像和所述图像特征信息确定所述目标区域图像对应的生理图像。
第二确定子模块412具体用于确定所述比对图像中的各个生理对象对应的子比对图像;
根据所述图像特征信息将所述目标区域图像和各个所述子比对图像进行对比,以确定所述目标区域图像对应的生理图像。
在一些实施方式中,所述图像特征信息包括形状信息,第二确定子模块412具体用于根据所述形状信息与各个所述子比对图像的形状进行匹配,以得到与各个所述子比对图像对应的第一匹配度;将所述第一匹配度最高的子比对图像确定为所述目标区域图像对应的生理图像。
在一些实施方式中,所述图像特征信息包括对比度信息,第二确定子模块412具体用于根据所述对比度信息在各个所述子比对图像的对比度进行匹配,以得到与各个所述子比对图像对应的第二匹配度;将所述第二匹配度最高的子比对图像确定为所述目标区域图像对应的生理图像。
在一些实施方式中,所述图像特征信息包括梯度信息,第二确定子模块412具体用于确定各个所述子比对图像的梯度;将各个所述子比对图像中梯度与所述目标区域图像的梯度相同的子比对图像确定为所述目标区域图像对应的生理图像。
在一些实施方式中,所述图像特征信息包括CT值,第二确定子模块412具体用于确定各个所述子比对图像的CT值;将各个所述子比对图像中CT值与所述目标区域图像的CT值相同的子比对图像确定为所述目标区域图像对应的生理图像。
第二获取模块420,用于获取所述生理图像内的目标生理图像。
第二获取模块420,具体用于根据所述生理图像对应的生理组织类型确定对应的预设算法模型;将所述生理图像输入至预设算法模型中进行图像提取,以在所述生理图像内提取出所述目标生理图像。
优化模块430,用于根据所述目标区域图像对所述目标生理图像进行优化,得到优化生理图像。
优化模块430,具体用于将所述手绘区域的边界确定为所述目标区域图像的边界信息;根据所述边界信息对所述目标生理图像的边界进行优化,得到优化生理图像。
识别模块440,用于识别所述优化生理图像,以得到目标生理组织对应的识别图像。
识别模块440,具体用于将所述优化生理图像输入到预设识别模型中,以得到识别结果;根据所述识别结果确定出目标生理组织对应的识别图像,所述目标生理组织包括病灶部位生理组织。
本申请实施例中,通过获取目标区域图像,确定目标区域图像对应的生理图像;然后获取生理图像内的目标生理图像;再根据目标区域图像对目标生理图像进行优化,得到优化生理图像;最后识别优化生理图像,以得到目标生理组织对应的识别图像。通过对目标区域图像进行一系列的处理优化,最终得到优化图像更加容易被识别,从而在优化图像内更加准确识别出目标生理组织对应的识别图像,提高了对图像中目标生理组织识别的准确性。
相应的,本申请实施例还提供一种电子设备,如图6所示,该电子设备500可以包括有一个或一个以上计算机可读存储介质的输入单元501、显示单元502、存储器503、包括有一个或者一个以上处理核心的处理器504、以及电源505等部件。本领域技术人员可以理解,图6中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
输入单元501可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,在一个具体的实施例中,输入单元501可包括触敏表面以及其他输入设备。触敏表面,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器504,并能接收处理器504发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面,输入单元501还可以包括其他输入设备。具体地,其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元502可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元502可包括显示面板,可选的,可以采用液晶显示器(LCD,Liquid CrystalDisplay)、有机发光二极管(OLED,Organic Light-Emitting Diode)等形式来配置显示面板。进一步的,触敏表面可覆盖显示面板,当触敏表面检测到在其上或附近的触摸操作后,传送给处理器504以确定触摸事件的类型,随后处理器504根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图6中,触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面与显示面板集成而实现输入和输出功能。
存储器503可用于存储软件程序以及模块,处理器504通过运行存储在存储器503的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器503可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器503可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器503还可以包括存储器控制器,以提供处理器504和输入单元501对存储器503的访问。
处理器504是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器503内的软件程序和/或模块,以及调用存储在存储器503内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器504可包括一个或多个处理核心;优选的,处理器504可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器504中。
电子设备还包括给各个部件供电的电源505(比如电池),优选的,电源可以通过电源管理***与处理器504逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源505还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,电子设备还可以包括摄像头、蓝牙模块等,在此不再赘述。具体在本实施例中,电子设备中的处理器504会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器503中,并由处理器504来运行存储在存储器503中的应用程序,从而实现各种功能:
获取目标区域图像,并确定所述目标区域图像对应的生理图像;
获取所述生理图像内的目标生理图像;
根据所述目标区域图像对所述目标生理图像进行优化,得到优化生理图像;
识别所述优化生理图像,以得到目标生理组织对应的识别图像。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种图像处理方法中的步骤。例如,该指令可以执行如下步骤:
获取目标区域图像,并确定所述目标区域图像对应的生理图像;
获取所述生理图像内的目标生理图像;
根据所述目标区域图像对所述目标生理图像进行优化,得到优化生理图像;
识别所述优化生理图像,以得到目标生理组织对应的识别图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种图像处理方法中的步骤,因此,可以实现本申请实施例所提供的任一种图像处理方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种图像处理方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (17)
1.一种图像处理方法,其特征在于,包括:
获取目标区域图像,并确定所述目标区域图像对应的生理图像,所述生理图像为生理部位对应的图像;
根据所述生理图像对应的生理组织类型确定对应的预设算法模型;
将所述生理图像输入至预设算法模型中进行图像提取,以在所述生理图像内提取出目标生理图像,所述目标生理图像为所述生理部位中目标生理部位对应的图像;
确定所述目标生理图像中的存在缺失或者断裂的目标优化边界;
将所述目标优化边界所处的区域的图像确定为目标优化区域图像;
确定所述目标优化区域图像在所述边界信息中对应的目标边界及所述目标边界对应的待连接图像;
将所述待连接图像与所述目标优化区域图像连接,以得到优化生理图像;
识别所述优化生理图像,以得到目标生理组织中病灶部位对应的识别图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述确定所述目标区域图像对应的生理图像,包括:
确定所述目标区域图像对应的图像特征信息;
根据所述图像特征信息确定所述生理图像。
3.根据权利要求2所述的图像处理方法,其特征在于,在所述根据所述图像特征信息确定所述生理图像之前,所述方法还包括:
确定所述目标区域图像对应的生理结构;
所述根据所述图像特征信息确定所述生理图像,包括:
根据所述生理结构和所述图像特征信息确定所述生理图像。
4.根据权利要求3所述的图像处理方法,其特征在于,所述根据所述生理结构和所述图像特征信息确定所述生理图像,包括:
确定所述生理结构的轮廓;
以所述轮廓为基准扩大所述轮廓内的生理结构对应的图像,以得到比对图像;
根据所述比对图像和所述图像特征信息确定所述目标区域图像对应的生理图像。
5.根据权利要求4所述的图像处理方法,其特征在于,所述根据所述比对图像和所述图像特征信息确定所述目标区域图像对应的生理图像,包括:
确定所述比对图像中的各个生理对象对应的子比对图像;
根据所述图像特征信息将所述目标区域图像和各个所述子比对图像进行对比,以确定所述目标区域图像对应的生理图像。
6.根据权利要求5所述的图像处理方法,其特征在于,所述图像特征信息包括形状信息,所述根据所述图像特征信息将所述目标区域图像和各个所述子比对图像进行对比,以确定所述目标区域图像对应的生理图像,包括:
根据所述形状信息与各个所述子比对图像的形状进行匹配,以得到与各个所述子比对图像对应的第一匹配度;
将所述第一匹配度最高的子比对图像确定为所述目标区域图像对应的生理图像。
7.根据权利要求5所述的图像处理方法,其特征在于,所述图像特征信息包括对比度信息,所述根据所述图像特征信息将所述目标区域图像和各个所述子比对图像进行对比,以确定所述目标区域图像对应的生理图像,包括:
根据所述对比度信息在各个所述子比对图像的对比度进行匹配,以得到与各个所述子比对图像对应的第二匹配度;
将所述第二匹配度最高的子比对图像确定为所述目标区域图像对应的生理图像。
8.根据权利要求5所述的图像处理方法,其特征在于,所述图像特征信息包括梯度信息,所述根据所述图像特征信息将所述目标区域图像和各个所述子比对图像进行对比,以确定所述目标区域图像对应的生理图像,包括:
确定各个所述子比对图像的梯度;
将各个所述子比对图像中梯度与所述目标区域图像的梯度相同的子比对图像确定为所述目标区域图像对应的生理图像。
9.根据权利要求5所述的图像处理方法,其特征在于,所述图像特征信息包括CT值信息,所述根据所述图像特征信息将所述目标区域图像和各个所述子比对图像进行对比,以确定所述目标区域图像对应的生理图像,包括:
确定各个所述子比对图像的CT值;
将各个所述子比对图像中CT值与所述目标区域图像的CT值相同的子比对图像确定为所述目标区域图像对应的生理图像。
10.根据权利要求1所述的图像处理方法,其特征在于,所述获取目标区域图像,包括:
确定初始图像内的手绘区域,并将所述手绘区域内的图像确定为所述目标区域图像。
11.根据权利要求10所述的图像处理方法,其特征在于,所述根据所述目标区域图像对所述目标生理图像进行优化,得到优化生理图像,包括:
将所述手绘区域的边界确定为所述目标区域图像的边界信息;
根据所述边界信息对所述目标生理图像的边界进行优化,得到优化生理图像。
12.根据权利要求1-11任一项所述的图像处理方法,其特征在于,所述识别所述优化生理图像,以得到目标生理组织对应的识别图像,包括:
将所述优化生理图像输入到预设识别模型中,以得到识别结果;
根据所述识别结果确定出目标生理组织对应的识别图像,所述目标生理组织包括病灶部位生理组织。
13.一种图像处理装置,其特征在于,包括:
第一获取模块,用于获取目标区域图像,并确定所述目标区域图像对应的生理图像,所述生理图像为生理部位对应的图像;
第二获取模块,用于根据所述生理图像对应的生理组织类型确定对应的预设算法模型;
将所述生理图像输入至预设算法模型中进行图像提取,以在所述生理图像内提取出目标生理图像,所述目标生理图像为所述生理部位中目标生理部位对应的图像;
优化模块,用于确定所述目标生理图像中的存在缺失或者断裂的目标优化边界;将所述目标优化边界所处的区域的图像确定为目标优化区域图像;确定所述目标优化区域图像在所述边界信息中对应的目标边界及所述目标边界对应的待连接图像;将所述待连接图像与所述目标优化区域图像连接,以得到优化生理图像;
识别模块,用于识别所述优化生理图像,以得到目标生理组织中病灶部位对应的识别图像。
14.根据权利要求13所述的图像处理装置,其特征在于,所述第一获取模块包括:
第一确定子模块,用于确定所述目标区域图像对应的图像特征信息;
第二确定子模块,用于根据所述图像特征信息确定所述生理图像。
15.根据权利要求13所述的图像处理装置,其特征在于,所述第一获取模块用于:
确定初始图像内的手绘区域,并将所述手绘区域内的图像确定为所述目标区域图像。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行如权利要求1-12任一项所述的图像处理方法中的步骤。
17.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,执行如权利要求1-12任一项所述的图像处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991058.7A CN113610840B (zh) | 2021-08-26 | 2021-08-26 | 图像处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991058.7A CN113610840B (zh) | 2021-08-26 | 2021-08-26 | 图像处理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610840A CN113610840A (zh) | 2021-11-05 |
CN113610840B true CN113610840B (zh) | 2022-05-10 |
Family
ID=78309440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110991058.7A Active CN113610840B (zh) | 2021-08-26 | 2021-08-26 | 图像处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610840B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102443214B1 (ko) * | 2016-01-08 | 2022-09-15 | 삼성전자 주식회사 | 영상처리장치 및 그 제어방법 |
CN110610181A (zh) * | 2019-09-06 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 医学影像识别方法及装置、电子设备及存储介质 |
CN112435263A (zh) * | 2020-10-30 | 2021-03-02 | 苏州瑞派宁科技有限公司 | 医学图像分割方法、装置、设备、***及计算机存储介质 |
CN112508010A (zh) * | 2020-11-30 | 2021-03-16 | 广州金域医学检验中心有限公司 | 数字病理切片目标区域的识别方法、***、设备及介质 |
-
2021
- 2021-08-26 CN CN202110991058.7A patent/CN113610840B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113610840A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10383602B2 (en) | Apparatus and method for visualizing anatomical elements in a medical image | |
Li et al. | Optimal surface segmentation in volumetric images-a graph-theoretic approach | |
US10603134B2 (en) | Touchless advanced image processing and visualization | |
US10362941B2 (en) | Method and apparatus for performing registration of medical images | |
CN107980148B (zh) | 对图像进行融合以考虑运动补偿的***和方法 | |
US10977787B2 (en) | Feedback for multi-modality auto-registration | |
KR20140055152A (ko) | 병변 진단 보조 장치 및 방법 | |
US10748282B2 (en) | Image processing system, apparatus, method and storage medium | |
US10366544B2 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable medium | |
JP2022548237A (ja) | Vats及び低侵襲手術での術中仮想アノテーションのためのインタラクティブ内視鏡検査 | |
US10290099B2 (en) | Image processing device and image processing method | |
US20080285831A1 (en) | Automatically updating a geometric model | |
US10699424B2 (en) | Image processing apparatus, image processing method, and non-transitory computer readable medium with generation of deformed images | |
CN113610840B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN114612461A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN113689355B (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
US20210192717A1 (en) | Systems and methods for identifying atheromatous plaques in medical images | |
CN114463323B (zh) | 一种病灶区域识别方法、装置、电子设备和存储介质 | |
US20240087304A1 (en) | System for medical data analysis | |
EP4356837A1 (en) | Medical image diagnosis system, medical image diagnosis system evaluation method, and program | |
US20240005503A1 (en) | Method for processing medical images | |
CN114092426A (zh) | 一种图像关联方法、装置、电子设备和存储介质 | |
KR20220161990A (ko) | 환축의 x선 영상을 이용하여 환축의 관심 조직의 크기를 수치화하는 방법 및 장치 | |
CN117476185A (zh) | 医学影像展示方法、装置、电子设备和存储介质 | |
CN118333951A (zh) | 一种医学图像中病变边界的确定方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230112 Address after: 518026 Rongchao Economic and Trade Center A308-D9, No. 4028, Jintian Road, Fuzhong Community, Lianhua Street, Futian District, Shenzhen, Guangdong Province Patentee after: Shukun (Shenzhen) Intelligent Network Technology Co.,Ltd. Address before: 100120 rooms 303, 304, 305, 321 and 322, building 3, No. 11, Chuangxin Road, science and Technology Park, Changping District, Beijing Patentee before: Shukun (Beijing) Network Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |