JP7022195B2 - 機械学習装置、方法およびプログラム並びに記録媒体 - Google Patents
機械学習装置、方法およびプログラム並びに記録媒体 Download PDFInfo
- Publication number
- JP7022195B2 JP7022195B2 JP2020503492A JP2020503492A JP7022195B2 JP 7022195 B2 JP7022195 B2 JP 7022195B2 JP 2020503492 A JP2020503492 A JP 2020503492A JP 2020503492 A JP2020503492 A JP 2020503492A JP 7022195 B2 JP7022195 B2 JP 7022195B2
- Authority
- JP
- Japan
- Prior art keywords
- volume data
- probability
- classification
- machine learning
- certainty
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/20084—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
p1(B1)(=ボクセルB1に対する肺実質のソフトラベル)=0.8
p2(B1)(=ボクセルB1に対する気管支のソフトラベル)=0.03
p3(B1)(=ボクセルB1に対する血管のソフトラベル)=0.05
p4(B1)(=ボクセルB1に対する腫瘤のソフトラベル)=0.05
p5(B1)(=ボクセルB1に対するそれ以外のソフトラベル)=0.07
などと算出される。ただし、気管支や血管のように、アキシャル方向に延びる解剖学的構造は、教師モデル13aによる検出は精度が高いとは言えない。これは、α>βであり、第1スライス画像にある気管支や血管の特徴を示す情報が、個々の第2スライス画像では失われている可能性があるからである。
p2(Bk)(=ボクセルBkに対する気管支のソフトラベル)=0.35→1
p3(Bk)(=ボクセルBkに対する血管のソフトラベル)=0.05→0.0
p4(Bk)(=ボクセルBkに対する腫瘤のソフトラベル)=0.0
p5(Bk)(=ボクセルBkに対する腫瘤のソフトラベル)=0.0
あるいは、上述の座標(x1,y1,z1)および(xk,yk,zk)とは異なる座標(xm,ym,zm)のボクセルBmについて、検出部15により「血管」のハードラベル「1」が付与された場合は、ボクセルBmのソフトラベルは以下のように書き換えられる。
p2(Bm)(=ボクセルBmに対する気管支のソフトラベル)=0.1→0.0
p3(Bm)(=ボクセルBmに対する血管のソフトラベル)=0.4→1
p4(Bm)(=ボクセルBmに対する腫瘤のソフトラベル)=0.1→0.0
p5(Bm)(=ボクセルBmに対する腫瘤のソフトラベル)=0.3→0.0
なお検出部15によって「気管支」または「血管」のハードラベルが検出されないボクセルについては、ソフトラベルの書き換えは生じない。
12 機械学習部
13 第1ニューラルネットワーク
13a 教師モデル
14 確率算出部
15 検出部
16 修正確率設定部
17 蒸留部
18 第2ニューラルネットワーク
18a 生徒モデル
Claims (10)
- 第1のニューラルネットワークで構築された、第1ボリュームデータの分類が可能な第1の学習済みモデルによって、前記第1ボリュームデータと異なる第2ボリュームデータの分類の確からしさを示す確率を算出する確率算出部と、
前記第2ボリュームデータの分類の確からしさを示す確率を修正した修正確率を設定する修正確率設定部と、
前記第2ボリュームデータと前記修正確率とに基づいて、前記第1の学習済みモデルと異なる第2の学習済みモデルを得るための機械学習を、前記第1のニューラルネットワークと異なる第2のニューラルネットワークにさせる機械学習部と、
を備え、
前記第1ボリュームデータは2次元データであり、前記第2ボリュームデータは3次元データであり、
前記修正確率設定部は、前記第2ボリュームデータから特定の分類対象の構造物が3次元的にラベリングされた場合には、前記第2ボリュームデータの分類の確からしさを示す確率のうちの、前記特定の分類対象の構造物に対応する分類の確からしさを示す確率を1、他の分類の確からしさを示す確率を0に修正する、
機械学習装置。 - 前記第1ボリュームデータは2次元医用断層画像であり、
前記第2ボリュームデータは前記第1ボリュームデータよりもスライス厚の薄い複数の2次元医用断層画像を含む3次元医用断層画像である請求項1に記載の機械学習装置。 - 前記第1のニューラルネットワークは2次元畳み込みニューラルネットワークであり、前記第2のニューラルネットワークは3次元畳み込みニューラルネットワークである請求項1または2に記載の機械学習装置。
- 第1のニューラルネットワークで構築された、第1ボリュームデータの分類が可能な第1の学習済みモデルによって、前記第1ボリュームデータと異なる第2ボリュームデータの分類の確からしさを示す確率を算出する確率算出部と、
前記第2ボリュームデータの分類の確からしさを示す確率を修正した修正確率を設定する修正確率設定部と、
前記第2ボリュームデータと前記修正確率とに基づいて、前記第1の学習済みモデルと異なる第2の学習済みモデルを得るための機械学習を、前記第1のニューラルネットワークと異なる第2のニューラルネットワークにさせる機械学習部と、
を備え、
前記第1ボリュームデータは3次元データであり、前記第2ボリュームデータは4次元データであり、
前記修正確率設定部は、前記第2ボリュームデータから特定の分類対象の構造物が3次元的にラベリングされた場合には、前記第2ボリュームデータの分類の確からしさを示す確率のうちの、前記特定の分類対象の構造物に対応する分類の確からしさを示す確率を1、他の分類の確からしさを示す確率を0に修正する、
機械学習装置。 - 前記修正確率設定部は、前記確率算出部から算出された前記第2ボリュームデータの分類確率に対し、前記第2ボリュームデータから手動または自動のラベリングにより得られる少なくとも1つの領域抽出の結果に基づき、修正確率を設定する請求項1~4のいずれか1項に記載の機械学習装置。
- 前記修正確率設定部は、領域拡張法により判別された分類に基づいて修正確率を設定する請求項5に記載の機械学習装置。
- 第1のニューラルネットワークで構築された、第1ボリュームデータの分類が可能な第1の学習済みモデルによって、前記第1ボリュームデータと異なる第2ボリュームデータの分類の確からしさを示す確率を算出するステップと、
前記第2ボリュームデータの分類の確からしさを示す確率を修正した修正確率を設定するステップと、
前記第2ボリュームデータと前記修正確率とに基づいて、前記第1の学習済みモデルと異なる第2の学習済みモデルを得るための機械学習を、前記第1のニューラルネットワークと異なる第2のニューラルネットワークにさせるステップと、を含み、
前記第1ボリュームデータは2次元データであり、前記第2ボリュームデータは3次元データであり、
前記修正確率を設定するステップは、前記第2ボリュームデータから特定の分類対象の構造物が3次元的にラベリングされた場合には、前記第2ボリュームデータの分類の確からしさを示す確率のうちの、前記特定の分類対象の構造物に対応する分類の確からしさを示す確率を1、他の分類の確からしさを示す確率を0に修正する、
機械学習方法。 - 第1のニューラルネットワークで構築された、第1ボリュームデータの分類が可能な第1の学習済みモデルによって、前記第1ボリュームデータと異なる第2ボリュームデータの分類の確からしさを示す確率を算出するステップと、
前記第2ボリュームデータの分類の確からしさを示す確率を修正した修正確率を設定するステップと、
前記第2ボリュームデータと前記修正確率とに基づいて、前記第1の学習済みモデルと異なる第2の学習済みモデルを得るための機械学習を、前記第1のニューラルネットワークと異なる第2のニューラルネットワークにさせるステップと、を含み、
前記第1ボリュームデータは3次元データであり、前記第2ボリュームデータは4次元データであり、
前記修正確率を設定するステップは、前記第2ボリュームデータから特定の分類対象の構造物が3次元的にラベリングされた場合には、前記第2ボリュームデータの分類の確からしさを示す確率のうちの、前記特定の分類対象の構造物に対応する分類の確からしさを示す確率を1、他の分類の確からしさを示す確率を0に修正する、
機械学習方法。 - 請求項7又は8に記載の機械学習方法をコンピュータに実行させるための機械学習プログラム。
- 非一時的かつコンピュータ読取可能な記録媒体であって、前記記録媒体に格納された指令がコンピュータによって読み取られた場合に請求項9に記載の機械学習プログラムをコンピュータに実行させる記録媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018035354 | 2018-02-28 | ||
JP2018035354 | 2018-02-28 | ||
PCT/JP2019/007049 WO2019167883A1 (ja) | 2018-02-28 | 2019-02-25 | 機械学習装置および方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019167883A1 JPWO2019167883A1 (ja) | 2021-02-25 |
JP7022195B2 true JP7022195B2 (ja) | 2022-02-17 |
Family
ID=67806314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020503492A Active JP7022195B2 (ja) | 2018-02-28 | 2019-02-25 | 機械学習装置、方法およびプログラム並びに記録媒体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200380313A1 (ja) |
JP (1) | JP7022195B2 (ja) |
WO (1) | WO2019167883A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830288A (zh) * | 2018-04-25 | 2018-11-16 | 北京市商汤科技开发有限公司 | 图像处理方法、神经网络的训练方法、装置、设备及介质 |
US11037030B1 (en) * | 2018-10-29 | 2021-06-15 | Hrl Laboratories, Llc | System and method for direct learning from raw tomographic data |
CN112825143A (zh) * | 2019-11-20 | 2021-05-21 | 北京眼神智能科技有限公司 | 深度卷积神经网络压缩方法、装置、存储介质及设备 |
KR20210087680A (ko) | 2020-01-03 | 2021-07-13 | 네이버 주식회사 | 입력 영상에 포함된 객체의 3차원 포즈를 추정하기 위한 데이터를 생성하는 방법 및 장치와 3차원 포즈 추정을 위한 추론 모델 |
US11386298B2 (en) * | 2020-01-09 | 2022-07-12 | International Business Machines Corporation | Uncertainty guided semi-supervised neural network training for image classification |
CN111784595B (zh) * | 2020-06-10 | 2023-08-29 | 北京科技大学 | 一种基于历史记录的动态标签平滑加权损失方法及装置 |
JP7475105B2 (ja) | 2020-06-22 | 2024-04-26 | パナソニックオートモーティブシステムズ株式会社 | 学習装置、学習方法及びプログラム |
JP7483528B2 (ja) | 2020-06-29 | 2024-05-15 | キヤノン株式会社 | 画像処理装置、画像処理方法、プログラム |
CN113239985B (zh) * | 2021-04-25 | 2022-12-13 | 北京航空航天大学 | 一种面向分布式小规模医疗数据集的分类检测方法 |
CN112949786B (zh) * | 2021-05-17 | 2021-08-06 | 腾讯科技(深圳)有限公司 | 数据分类识别方法、装置、设备及可读存储介质 |
WO2023276750A1 (ja) * | 2021-06-29 | 2023-01-05 | 富士フイルム株式会社 | 学習方法、画像処理方法、学習装置、画像処理装置、学習プログラム、及び画像処理プログラム |
CN113822389B (zh) * | 2021-11-24 | 2022-02-22 | 紫东信息科技(苏州)有限公司 | 一种基于内窥镜图片的消化道疾病分类*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9311570B2 (en) * | 2013-12-06 | 2016-04-12 | Kabushiki Kaisha Toshiba | Method of, and apparatus for, segmentation of structures in medical images |
US9629598B2 (en) * | 2014-02-27 | 2017-04-25 | Impac Medical Systems, Inc. | System and method for auto-contouring in adaptive radiotherapy |
US9947102B2 (en) * | 2016-08-26 | 2018-04-17 | Elekta, Inc. | Image segmentation using neural network method |
US9934364B1 (en) * | 2017-02-28 | 2018-04-03 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
EP3392832A1 (en) * | 2017-04-21 | 2018-10-24 | General Electric Company | Automated organ risk segmentation machine learning methods and systems |
CN107492099B (zh) * | 2017-08-28 | 2021-08-20 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析***以及存储介质 |
CN107730503B (zh) * | 2017-09-12 | 2020-05-26 | 北京航空航天大学 | 三维特征嵌入的图像对象部件级语义分割方法与装置 |
EP3462373A1 (en) * | 2017-10-02 | 2019-04-03 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
-
2019
- 2019-02-25 WO PCT/JP2019/007049 patent/WO2019167883A1/ja active Application Filing
- 2019-02-25 JP JP2020503492A patent/JP7022195B2/ja active Active
-
2020
- 2020-08-18 US US16/996,871 patent/US20200380313A1/en active Pending
Non-Patent Citations (3)
Title |
---|
HINTON Geoffrey et al.,"Distilling theKnowledge in a Neural Network",[online]、 NIPS 2014 Deep Learning Workshop,2015年03月09日,pp. 1-9,インターネット<URL: https://arxiv.org/abs/1503.02531> |
LIU Siqi et al.,"3D Anisotropic Hybrid Network: Transferring Convolutional Feature from 2D Images to 3D Anisotropic Volumes",[online]、 Computer Vision and Pattern Recognition,2017年11月23日,pp. 1-17,インターネット<URL: https://arxiv.org/abs/1711.08580> |
周 向栄 等,「深層学習に基づくCT画像からの複数の解剖学的構造の同時自動認識と抽出」,MEDICAL IMAGING TECHNOLOGY,2017年09月30日,pp. 187-193 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2019167883A1 (ja) | 2021-02-25 |
WO2019167883A1 (ja) | 2019-09-06 |
US20200380313A1 (en) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7022195B2 (ja) | 機械学習装置、方法およびプログラム並びに記録媒体 | |
Yun et al. | Improvement of fully automated airway segmentation on volumetric computed tomographic images using a 2.5 dimensional convolutional neural net | |
Frid-Adar et al. | Improving the segmentation of anatomical structures in chest radiographs using u-net with an imagenet pre-trained encoder | |
CN111325739B (zh) | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 | |
CN110889852B (zh) | 基于残差-注意力深度神经网络的肝脏分割方法 | |
JP6570145B2 (ja) | 画像を処理する方法、プログラム、代替的な投影を構築する方法および装置 | |
CN107203989A (zh) | 基于全卷积神经网络的端对端胸部ct图像分割方法 | |
Sert et al. | Ensemble of convolutional neural networks for classification of breast microcalcification from mammograms | |
JP2018175226A (ja) | 医用画像分類装置、方法およびプログラム | |
CN110264449B (zh) | 基于人工智能的医学放射影像胸部摄片的质量控制方法 | |
US11615508B2 (en) | Systems and methods for consistent presentation of medical images using deep neural networks | |
JPWO2019176806A1 (ja) | 機械学習装置および方法 | |
CN113327225B (zh) | 用于提供气道信息的方法 | |
Groza et al. | Pneumothorax segmentation with effective conditioned post-processing in chest X-ray | |
KR20230056300A (ko) | 잔여학습기반 멀티 스케일 병렬 컨볼루션을 이용한 간 종양 검출 영상 처리 시스템 및 그 방법 | |
Bhuvaneswari et al. | Contrast enhancement of retinal images using green plan masking and whale optimization algorithm | |
Wen et al. | A novel lesion segmentation algorithm based on U-Net network for Tuberculosis CT image | |
Wu et al. | Pneumothorax segmentation in routine computed tomography based on deep neural networks | |
Van Rikxoort et al. | Automatic segmentation of the pulmonary lobes from fissures, airways, and lung borders: evaluation of robustness against missing data | |
Engin et al. | Agan: An anatomy corrector conditional generative adversarial network | |
EP3896649A1 (en) | Medical image synthesis of abnormality patterns associated with covid-19 | |
CN114387257A (zh) | 肺部影像中肺叶区域的分割方法、***、装置和介质 | |
Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
CN116934757B (zh) | 一种用于肺结节假阳性删减的方法、设备及存储介质 | |
Xu et al. | Accurate and efficient separation of left and right lungs from 3D CT scans: a generic hysteresis approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200915 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200915 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211025 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211222 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220111 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220204 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7022195 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |