CN113920211B - 一种基于深度学习的快速磁敏感加权成像方法 - Google Patents
一种基于深度学习的快速磁敏感加权成像方法 Download PDFInfo
- Publication number
- CN113920211B CN113920211B CN202111089751.1A CN202111089751A CN113920211B CN 113920211 B CN113920211 B CN 113920211B CN 202111089751 A CN202111089751 A CN 202111089751A CN 113920211 B CN113920211 B CN 113920211B
- Authority
- CN
- China
- Prior art keywords
- gre
- undersampled
- data
- training
- subset
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Surgery (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于深度学习的快速磁敏感加权成像方法。包括以下步骤:构建欠采样GRE数据训练集,设计欠采样GRE数据重建模型,设计基于自监督学习的训练方法,欠采样GRE数据重建模型训练,使用训练得到的重建模型获得重建GRE图像,使用重建GRE图像获得SWI图像。本发明采用复值神经网络构建重建模型,可以更准确地表示GRE数据的幅度和相位信息,并采用基于自监督学习的训练方法,不需要全采样数据作为标签。
Description
技术领域
本发明涉及磁共振成像(Magnetic Resonance Imaging,MRI)、深度学习、欠采样重建等技术领域,具体涉及一种基于深度学习的快速磁敏感加权成像方法,适用于加快磁敏感加权成像、定量磁敏感成像等基于T2*梯度回波序列的成像速度,并提高成像质量。
背景技术
磁敏感加权成像(Susceptibility-Weighted Imaging,SWI)是一种利用组织间的磁化率差异来增强图像对比度的磁共振成像技术。与T2*加权梯度回波(Gradient-Recalled Echo,GRE)成像相比,SWI利用相位图像进一步增强了不同磁化率组织间的对比度,可用于评估多种病理改变,包括血管畸形、肿瘤的出血或钙化、血管病变以及与铁沉积相关的神经退行性疾病(Conklin J,et al.AJNR Am J Neuroradiol,2019,40(12):2073-2080.)。由于SWI需要较长的回波时间来建立相位对比,这样会导致较长的重复时间,最终导致扫描时间过长,而过长的扫描时间很容易导致运动伪影和病人不适。因此,发展快速成像技术对提高SWI的图像质量和临床适用性具有重要意义。
并行成像和压缩感知是目前用于加速SWI的最常用方法。并行成像技术利用相控阵线圈的空间敏感度来编码空间信息,减少成像过程中的相位编码步数,从而缩短扫描时间(Deshmane A,et al.J MagnReson Imaging,2012,36(1):55-72.)。压缩感知是近年来提出的一种新的信号采集理论,它利用信号的稀疏性,在远低于奈奎斯特采样率的条件下采集不相干的信号,然后通过非线性重建算法准确地重建出原始信号(Lustig M,et al.MagnReson Med,2007,58:1182-1195.)。虽然这两种方法已经在SWI中取得成功应用,但是仍然有很多挑战限制了其广泛应用。例如,并行成像的加速倍数受到线圈数量的限制,而且会增加重建噪声,而压缩感知需要较长的重建时间和复杂的超参数选择等(Yang G,et al.IEEETrans Med Imaging,2018,37(6):1310-1321.)。
最近,深度学习尤其是卷积神经网络在欠采样MRI重建领域得到成功应用。尽管MR数据本质上是复值的,但大多数重建网络将MR数据的实部和虚部视为两个独立通道,在空间域中采用实值卷积运算。这种方式不能充分利用复数丰富的表示能力,并且不能有效保存MRI数据的相位信息(Cole E,et al.Magn Reson Med,2021,86(2):1093-1109.)。然而,相位信息对于SWI的对比机制非常重要。另外,基于深度学习的重建方法需要大量、高质量的全采样图像作为标签进行监督训练(Yaman B,et al.Magn Reson Med,2020,84:3172-3191.)。由于SWI的扫描时间很长,很难获得全采样数据用于监督训练。
基于以上分析,本发明构造了一种基于深度学习的快速SWI方法,该方法采用复值神经网络构建重建模型,并使用基于自监督学习的训练框架进行训练。与并行成像和压缩感知方法相比,本方法可以实现更高的加速倍数(≥5倍),并且具有更好的重建质量和重建速度。
发明内容
本发明针对现有快速SWI方法中存在的上述技术问题,提出一种基于深度学习的快速磁敏感加权成像方法。
本发明的上述目的通过以下技术方案实现:
一种基于深度学习的快速磁敏感加权成像方法,包括以下步骤
步骤1、构建欠采样GRE数据的训练集;
步骤2、构建欠采样GRE数据的重建模型,重建模型为复值神经网络;
步骤3、设计基于自监督学习的训练方法;
步骤4、欠采样GRE数据重建模型训练,获得最优模型参数;
步骤5、利用训练得到的重建模型对欠采样GRE数据进行重建,获得重建GRE图像;
步骤6、根据重建GRE图像重建SWI图像。
如上所述的步骤1包括以下步骤:
步骤1.1,使用蒙特卡洛方法生成欠采样矩阵Ω;
步骤1.2,在磁共振成像仪上,使用三维GRE序列收集欠采样矩阵Ω的欠采样GRE数据,将第i个欠采样GRE数据表示为将第i个欠采样GRE数据/>的编码运算符表示为/>将/>的共轭转置表示为/>
步骤1.3,收集的欠采样GRE数据的总数为N,将步骤1.2收集的第i个欠采样GRE数据作为训练集中第i个样本。
如上所述的步骤2中的重建模型包括复值卷积层、复值激活函数、复值批归一化层和数据一致性层。
如上所述的步骤3包括以下步骤:
将欠采样矩阵Ω分为两个不相交的子集,分别为第一子集Θ和第二子集Λ,Ω=Θ∪Λ,第一子集Θ中的k空间数据用于重建模型训练中的数据一致性操作DC,第二子集Λ中的k空间数据用于定义损失函数L(θ),对于第i个欠采样GRE数据将第一子集Θ中的k空间数据表示为/>将第二子集Λ中的k空间数据表示为/>损失函数L(θ)表示为:
其中|| ||2表示L2范数,表示第二子集Λ对应的编码运算符,/>表示第一子集Θ对应的编码运算符,θ为模型参数。
如上所述的步骤4包括以下步骤:
利用反向传播和梯度下降法训练GRE数据的重建模型,寻找使损失函数L(θ)最小的最优模型参数
如上所述的步骤6包括以下步骤:
根据重建GRE图像的幅度和相位信息,使用SWI重建方法,对重建GRE图像的相位解缠、高通滤波产生相位掩模,然后将幅度图像和相位掩模相乘数次,获得SWI图像。
本发明与现有技术相比,具有以下优点:
本发明将复值神经网络和自监督学习训练方法相结合,用于实现快速磁敏感加权成像。其中使用复值神经网络构建重建模型,不仅能够精确表示复值MR数据的幅度和相位信息,还能够减少模型的参数数量,提高训练效率和泛化性能;采用自监督学习训练方法,不需要全采样数据作为标签,有效解决深度学习训练没有标签的问题。在模型训练完成后,模型重建质量好且重建速度快。
附图说明
图1为欠采样GRE数据的重建模型的结构示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
一种基于深度学习的快速SWI方法,包括以下步骤:
步骤1,构建欠采样GRE数据训练集。具体包括:
步骤1.1,设计欠采样矩阵。将采样率设置为0.1,使用蒙特卡洛方法生成欠采样矩阵。将欠采样矩阵表示为Ω。
步骤1.2,在磁共振成像仪上,使用三维GRE序列收集欠采样矩阵Ω的欠采样GRE数据,其中欠采样GRE数据为k空间域数据。三维GRE序列的采样参数包括:视野为240×240mm2,矩阵大小为256×256,层厚为2mm,重复时间为30ms,回波时间为23ms,翻转角为12度,带宽为62.5kHz。将第i个欠采样GRE数据表示为将第i个欠采样GRE数据/>的编码运算符表示为/>将/>的共轭转置表示为/>
步骤1.3,一共收集了117个欠采样GRE数据,N为采集的欠采样GRE数据总数,本实施例中,N=117,将步骤1.2收集的第i个欠采样GRE数据作为训练集中第i个样本。
步骤2,设计欠采样GRE数据的重建模型。本实施例采用复值神经网络U-Net作为欠采样GRE数据的重建模型。重建模型包括复值卷积层、复值激活函数、复值批归一化层和数据一致性层,本实施例使用复值卷积层、复值激活函数、复值批归一化层BN等复值操作代替传统神经网络U-Net中的卷积层、激活函数和批归一化层,构建复值神经网络U-Net。重建模型将第i个欠采样GRE数据和对应的编码运算符/>作为输入,通过复值神经网络U-Net的一系列操作,最终获得重建的GRE图像xi。欠采样GRE数据的重建模型可以在计算机应用软件Python 3.7环境中,利用深度学习工具箱TensorFlow搭建。则重建的GRE图像xi可以表示为:
其中,θ为模型参数;
步骤3,设计基于自监督学习的训练方法。为了实现自监督训练,将欠采样矩阵Ω分为两个不相交的子集,分别为第一子集Θ和第二子集Λ:
Ω=Θ∪Λ 公式(2)
第一子集Θ中的k空间数据用于重建模型训练中的数据一致性操作DC,第二子集Λ中的k空间数据用于定义损失函数L(θ)。对于第i个欠采样GRE数据将第一子集Θ中的k空间数据表示为/>将第二子集Λ中的k空间数据表示为/>则损失函数L(θ)可以表示为:
其中|| ||2表示L2范数,表示第二子集Λ对应的编码运算符,/>表示第一子集Θ对应的编码运算符。在自监督训练中,重建模型仅使用/>保证数据一致性,使用/>定义重建误差。
步骤4,欠采样GRE数据重建模型训练。利用反向传播和梯度下降法训练GRE数据的重建模型,寻找使损失函数L(θ)最小的最优模型参数即满足:
本实施例采用Adam算法进行模型训练。将Adam算法的学习率设为0.0002,一阶动量设置为0.9,二阶动量设置为0.999。
步骤5,重建模型网络推断。利用训练得到的重建模型对欠采样GRE数据进行重建。仅需要输入欠采样GRE数据/>经过模型正向传播,即可得到重建GRE图像xi:
步骤6,重建SWI图像。在自监督训练完成以后,可以获得重建GRE图像的幅度和相位信息。之后,使用标准的SWI重建方法,对重建GRE图像的相位解缠、高通滤波产生相位掩模,然后将幅度图像和相位掩模相乘数次,获得SWI图像。
本文所描述的具体实施方法仅仅是对本发明的举例说明。本发明中GRE重建模型网络结构不局限于U-net,还可以是残差网络等卷积神经网络。本发明中模型的训练方法也不局限于Adam,也包括随机梯度下降法、RMSProp等深度学习中常用的梯度优化算法。本发明所属技术领域的技术人员可以对所描述的具体实施方式做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种基于深度学习的快速磁敏感加权成像方法,其特征在于,包括以下步骤
步骤1、构建欠采样GRE数据的训练集;
步骤2、构建欠采样GRE数据的重建模型,重建模型为复值神经网络;
步骤3、设计基于自监督学习的训练方法;
步骤4、欠采样GRE数据重建模型训练,获得最优模型参数
步骤5、利用训练得到的重建模型对欠采样GRE数据进行重建,获得重建GRE图像;
步骤6、根据重建GRE图像重建SWI图像,
所述的步骤1包括以下步骤:
步骤1.1,使用蒙特卡洛方法生成欠采样矩阵Ω;
步骤1.2,在磁共振成像仪上,使用三维GRE序列收集欠采样矩阵Ω的欠采样GRE数据,将第i个欠采样GRE数据表示为将第i个欠采样GRE数据/>的编码运算符表示为/>将/>的共轭转置表示为/>
步骤1.3,收集的欠采样GRE数据的总数为N,将步骤1.2收集的第i个欠采样GRE数据作为训练集中第i个样本,
所述的步骤3包括以下步骤:
将欠采样矩阵Ω分为两个不相交的子集,分别为第一子集Θ和第二子集Λ,Ω=Θ∪Λ,第一子集Θ中的k空间数据用于重建模型训练中的数据一致性操作DC,第二子集Λ中的k空间数据用于定义损失函数L(θ),对于第i个欠采样GRE数据将第一子集Θ中的k空间数据表示为/>将第二子集Λ中的k空间数据表示为/>损失函数L(θ)表示为:
其中||||2表示L2范数,表示第二子集Λ对应的编码运算符,/>表示第一子集Θ对应的编码运算符,θ为模型参数,
所述的步骤4包括以下步骤:
利用反向传播和梯度下降法训练GRE数据的重建模型,寻找使损失函数L(θ)最小的最优模型参数
2.根据权利要求1所述的一种基于深度学习的快速磁敏感加权成像方法,其特征在于,所述的步骤2中的重建模型包括复值卷积层、复值激活函数、复值批归一化层和数据一致性层。
3.根据权利要求2所述的一种基于深度学习的快速磁敏感加权成像方法,其特征在于,所述的步骤6包括以下步骤:
根据重建GRE图像的幅度和相位信息,使用SWI重建方法,对重建GRE图像的相位解缠、高通滤波产生相位掩模,然后将幅度图像和相位掩模相乘数次,获得SWI图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089751.1A CN113920211B (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的快速磁敏感加权成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111089751.1A CN113920211B (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的快速磁敏感加权成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920211A CN113920211A (zh) | 2022-01-11 |
CN113920211B true CN113920211B (zh) | 2023-08-04 |
Family
ID=79235089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111089751.1A Active CN113920211B (zh) | 2021-09-16 | 2021-09-16 | 一种基于深度学习的快速磁敏感加权成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920211B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240032B (zh) * | 2022-07-20 | 2023-06-23 | 中国人民解放军总医院第一医学中心 | 基于深度学习的3t磁共振图像生成7t磁共振图像的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103403567A (zh) * | 2011-03-01 | 2013-11-20 | 皇家飞利浦有限公司 | 涉及图像比约束重建的加速mr温度测定绘图 |
CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
CN109507622A (zh) * | 2018-11-16 | 2019-03-22 | 上海联影医疗科技有限公司 | 磁共振成像方法及*** |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
CN112263225A (zh) * | 2020-10-26 | 2021-01-26 | 中国人民解放军总医院第一医学中心 | 一种基于脑血流的侧支血管及组织功能评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031786B (zh) * | 2019-05-14 | 2022-01-11 | 上海联影医疗科技股份有限公司 | 磁共振图像重建方法、磁共振成像方法、设备及介质 |
-
2021
- 2021-09-16 CN CN202111089751.1A patent/CN113920211B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103403567A (zh) * | 2011-03-01 | 2013-11-20 | 皇家飞利浦有限公司 | 涉及图像比约束重建的加速mr温度测定绘图 |
CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
CN109507622A (zh) * | 2018-11-16 | 2019-03-22 | 上海联影医疗科技有限公司 | 磁共振成像方法及*** |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
CN112263225A (zh) * | 2020-10-26 | 2021-01-26 | 中国人民解放军总医院第一医学中心 | 一种基于脑血流的侧支血管及组织功能评估方法 |
Non-Patent Citations (1)
Title |
---|
郑海荣 ; 吴垠 ; 贺强 ; 李烨 ; 邹超 ; 王海峰 ; 谢强 ; 余兴恩 ; 王海宁 ; 李国斌 ; 梁栋 ; 刘新 ; .基于高场磁共振的快速高分辨成像.生命科学仪器.2018,(第Z1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113920211A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335339B (zh) | 一种基于深度学习和凸集投影的磁共振重建方法 | |
US10712416B1 (en) | Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network | |
Cole et al. | Unsupervised MRI reconstruction with generative adversarial networks | |
CN113077527B (zh) | 一种基于欠采样的快速磁共振图像重建方法 | |
Ramzi et al. | NC-PDNet: A density-compensated unrolled network for 2D and 3D non-Cartesian MRI reconstruction | |
US20060184000A1 (en) | Fast generalized autocalibrating partially parallel acquisition image reconstruction algorithm for magnetic resonance imaging | |
Cole et al. | Analysis of deep complex-valued convolutional neural networks for MRI reconstruction | |
CN103477238A (zh) | 采用来自先验采集的约束的压缩感测mr图像重建 | |
Zhou et al. | Parallel imaging and convolutional neural network combined fast MR image reconstruction: Applications in low‐latency accelerated real‐time imaging | |
WO2011087847A2 (en) | Accelerated mri with nonlineear spatial encoding gradients | |
US11467240B2 (en) | Methods, systems, and computer readable media for accelerating diffusion magnetic resonance imaging (MRI) acquisition via slice-interleaved diffusion encoding | |
Yurt et al. | Semi-supervised learning of mutually accelerated MRI synthesis without fully-sampled ground truths | |
CN114119791A (zh) | 一种基于交叉域迭代网络的mri欠采样图像重建方法 | |
CN113971706A (zh) | 一种快速磁共振智能成像方法 | |
Wang et al. | DSMENet: Detail and structure mutually enhancing network for under-sampled MRI reconstruction | |
CN113920211B (zh) | 一种基于深度学习的快速磁敏感加权成像方法 | |
Wang et al. | High fidelity direct-contrast synthesis from magnetic resonance fingerprinting in diagnostic imaging | |
Lv et al. | Parallel imaging with a combination of sensitivity encoding and generative adversarial networks | |
CN111784792A (zh) | 基于双域卷积神经网络的快速磁共振重建***及其训练方法与应用 | |
Guan et al. | Magnetic resonance imaging reconstruction using a deep energy‐based model | |
US12045917B2 (en) | Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images | |
Luo et al. | Generative image priors for MRI reconstruction trained from magnitude-only images | |
Sun et al. | Joint cross-attention network with deep modality prior for fast MRI reconstruction | |
Li et al. | Deep residual network for highly accelerated fMRI reconstruction using variable density spiral trajectory | |
Dar et al. | Learning deep mri reconstruction models from scratch in low-data regimes |
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 |