WO2021112715A1 - Method for automatic analysis of medical images of organs of a patient's body - Google Patents
Method for automatic analysis of medical images of organs of a patient's body Download PDFInfo
- Publication number
- WO2021112715A1 WO2021112715A1 PCT/RU2020/000034 RU2020000034W WO2021112715A1 WO 2021112715 A1 WO2021112715 A1 WO 2021112715A1 RU 2020000034 W RU2020000034 W RU 2020000034W WO 2021112715 A1 WO2021112715 A1 WO 2021112715A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- patient
- organs
- body organs
- pathology
- medical image
- 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.)
- Ceased
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- 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
Definitions
- the group of inventions relates to the processing of graphic medical data, in particular to the diagnosis of pathologies of the patient's body organs and can be applied in the medical industry.
- a variety of methods are known in the art for automatic analysis of medical images to facilitate patient diagnosis by the attending physician. This analysis provides the ability to identify and highlight areas in the medical image that require attention from the attending physician, and helps to reduce the risk of medical error in the diagnosis.
- a method of automatic analysis of medical images of the genitourinary system of a patient including obtaining a digital medical image and automatic analysis of a medical image of the genitourinary system, while the automatic analysis includes searching for pathology by means of a convolutional neural network and determining the category of the disease based on the shape, size and color of the pathology [CN110136113 , publication date: 08/16/2019, IPC: G06K 9/62; G06N 3/04; G06N 3/08; G06T 7/00].
- the advantage of the known technical solution is the possibility of its application in the medical industry.
- the disadvantage of the known technical solution is the low speed of automatic analysis of a medical image, due to the use of a convolutional neural network for analysis, which has a significant disadvantage, expressed in limiting the size of the kernel - the verification area, which is moved across the image in order to search for the desired objects (since an increase in its size accompanied by a significant increase in the computational complexity of the problem), which is why when analyzing images of medium and high quality (for example, 640x480 pixels or more), a large number of verification iterations is required.
- a significant disadvantage of the convolutional neural network is the low accuracy of processing three-dimensional models, which significantly affects the accuracy of diagnostics of medical images.
- a method for analyzing a medical image of a patient's respiratory system was chosen, including obtaining point clouds based on a medical image of a patient's respiratory system, parameterizing point clouds and analyzing a medical image of a patient's respiratory system by the attending physician before or during a surgical intervention [WO201 3126659, date publications: 08/29/2013, IPC: ⁇ 61 ⁇ 19/00; A61B 5/113].
- the advantage of the prototype over known technical solutions is the high accuracy of the analysis of the medical image, due to the work not with a single two-dimensional image, but with a three-dimensional cloud of points, which makes it possible to recreate a three-dimensional model of the respiratory system, which allows the attending physician to examine organs and pathology from different angles. determine the diagnosis with higher accuracy and prescribe an effective treatment plan to the patient.
- the disadvantage of the prototype is an increased risk of the attending physician making an inaccurate diagnosis to the patient, which is due to the human factor, namely the subjective analysis of the medical image of the respiratory system by the attending physician (due to the determination of the diagnosis only on the basis of the physician's empirical experience) and the possibility of making an unintentional error in the diagnosis process, which may arise in as a result of increased fatigue, or health problems (for example, headaches, vision problems) of the attending physician, or the presence of distractions in his work, due to which the attending physician can identify the presence of a nonexistent pathology on the segmented point cloud, or, even worse, not identify pathology, if any (since even in the most advanced cases, its size can be approximately 1% of the volume of the respiratory system).
- the attending physician may prescribe an insufficiently effective or incorrect treatment plan, which can lead to a significant deterioration in the patient's health or, given the average severity of diseases of the respiratory system (oncology, tuberculosis, pneumonia, etc.), to the death of the patient.
- the technical problem to be solved by the group of inventions is the need to improve the operational characteristics of the method for automatic analysis of medical images of the patient's body organs.
- the technical result to be achieved by the group of inventions consists in providing the possibility of automatic identification of pathologies of the patient's body organs and automatic determination of the severity of the identified pathology of the patient's body organs during the automatic analysis of medical images of the patient's body organs.
- An additional technical result to be achieved by the group of inventions is to increase the efficiency and reducing the energy consumption of the stage of automatic analysis of medical images of the patient's body organs.
- An additional technical result, to which the group of inventions is directed, is to improve the quality of the automatic analysis of medical images of the patient's body organs.
- An additional technical result, to which the group of inventions is aimed, is to increase the likelihood of detecting non-obvious patterns in the automatic analysis of medical images of the patient's body organs.
- a method for automatically analyzing medical images of a patient's body organs includes obtaining a medical image of a patient's body organs, processing a medical image of a patient's body organs, and analyzing a medical image of a patient's body organs.
- the pathologies of the patient's body organs are automatically identified and the severity of the identified pathology of the patient's body organs is automatically determined by using machine learning algorithms.
- a method for automatically identifying pathology of a patient's body organs during automatic analysis of medical images of a patient's body organs includes obtaining linked points from a point cloud, taking into account the processing data of a patient's medical image, and determining the correspondence of linked points from the cloud to an identifier of the patient's body organ pathology using machine learning algorithms.
- a method for automatically determining the severity of the pathology of the patient's body organs during the automatic analysis of medical images of the patient's body organs includes obtaining linked points from a point cloud, taking into account the data of processing the patient's medical image, and determining the correspondence of the linked points to the parameter of the patient's body organ pathology severity by using machine learning algorithms.
- a medical image is a visualization of a structural and functional image of a patient's organs, obtained by various methods of medical diagnostics, for example, X-ray, magnetic resonance, ultrasound and other known methods.
- the patient's organs mean: the skin, lungs, stomach, intestines and other external formations or internal organs of the patient.
- Medical imaging can be carried out using specialized software and hardware systems, for example, by applying the medical industry standard for creating, storing, transferring and visualizing digital medical images and documents of examined patients, DICOM (Digital Imaging and Communication in Medicine).
- DICOM Digital Imaging and Communication in Medicine
- Medical image processing provides the ability to automatically determine the patient's organs on a medical image and can be carried out automatically using specialized software that splits the image file into separate images and determines the density of areas in the image using the Hounsfield scale or using other similar tools.
- a point cloud is generated, after which an automatic parameterization of points in the cloud can be performed.
- each point is automatically assigned a point density according to the Hounsfield scale, which makes it possible to carry out further automatic analysis of the medical image of the patient's body organs, and also set and save the coordinates of the points.
- Automatic parameterization of points can be carried out by mathematical sampling of points by density using numerical methods for studying random processes, for example, using the Monte Carlo method.
- automatic filtering of the cloud of parameterized points can be carried out.
- Automatic filtering of the cloud of parameterized points can be carried out by fixing only those points whose density on the Hounsfield scale corresponds to the organs of the patient's body, or by removing those points whose density does not correspond to them, and fixing the points remaining after the removal, which increases the efficiency and reduces the energy intensity of the subsequent automatic analysis of medical images of the patient's body organs.
- the pathologies of the patient's body organs are automatically identified and the severity of the identified pathology of the patient's body organs is automatically determined.
- Automatic identification of pathologies of the patient's body organs makes it possible to determine the class of pathology of the patient's body organs.
- Automatic identification of pathologies can be carried out by means of a software and hardware complex containing a machine learning algorithm of a specialized class for processing the structural data of point clouds. To do this, in the resulting point cloud linked points are automatically determined, the distance between which is from 1 to 2 mm.
- all related points are automatically analyzed by the machine learning algorithm, during which the related points are automatically compared with the patterns of pathologies of the patient's soft tissue organs, and the correspondence of the connected points from the point cloud to one of the patient's soft tissue organ pathology identifiers is determined.
- the specified algorithm can be preliminarily trained on the precedents for identifying pathologies of the patient's body organs, which increases the likelihood of detecting non-obvious patterns in the automatic analysis of medical images of the patient's soft tissue organs by the machine learning algorithm.
- an automatic comparison can be carried out with the base of identifiers of pathologies of the patient's body organs of the hardware-software complex to increase the interpretability of the algorithm and demonstrate similar precedents from the base of identifiers of pathologies of the patient's body organs.
- Automatic determination of the severity of the pathology of the organs of the patient's body is carried out using a classifying machine learning algorithm, which is designed to detect the correspondence of the parameters of the associated points to the parameter of the severity of the pathology. For this, the areas of connected points are automatically selected and these areas are automatically compared with the parameters of the severity of the pathology of the organs of the patient's body.
- this algorithm can be preliminarily trained on the precedents for determining the severity of the pathology of the patient's body organs, which additionally increases the likelihood of detecting non-obvious patterns in the automatic analysis of medical images of the patient's soft tissues.
- identifiers and parameters of the severity of pathologies of the patient's soft tissues can be created automatically by manually entering identifiers and severity parameters, or identifiers and severity parameters can be obtained from third-party databases.
- the identifier of the pathology and the parameter of the severity of the pathology mean the number of points, the sequence of changes in the distance between the points, the density of distribution of points and other parameters of the points corresponding to a certain pathology and a certain parameter of the severity of pathology.
- the bases of identifiers and parameters of the severity of pathologies can be located in software and hardware complexes that perform operations using the specified machine learning algorithms.
- the patient's organs can be automatically identified on the medical image, which makes it possible to improve the quality of the automatic analysis of the medical images of the patient's body organs.
- point parameters can be automatically matched with the patient organ identifier database.
- the database of patient organ identifiers can be generated manually by assigning a corresponding identifier to each point cloud or automatically using machine learning algorithms.
- a method for automatically analyzing medical images of a patient's body organs may include the step of automatically processing the results of analyzing medical images of a patient's body organs, which may include converting an image file into the original format, assessing the severity of the detected pathology and the formation of a report on the analysis of medical images.
- an automatic sending of a notification about the detection of a pronounced pathology to the patient's attending physician can be carried out, which additionally expands the functionality of the system.
- the group of inventions can be made from known materials using known means, which indicates its compliance with the criterion of patentability "industrial applicability".
- the group of inventions is characterized by previously unknown essential distinctive features, consisting in the fact that during the automatic analysis of medical images of the patient's body organs, point clouds are automatically generated, the associated points in the point clouds are determined and the associated points are determined, which makes it possible to automatically determine the pathology identifier and parameter the severity of the identified pathology using machine learning algorithms, due to which the achievement of a technical result is ensured, which consists in providing the possibility of automatic identification of pathologies of the patient's body organs and automatic determination of the severity of the identified pathology of the patient's body organs during the automatic analysis of medical images of the patient's soft tissues, thereby improving the operational characteristics method for automatic analysis of medical images of body organs the patient.
- the server using preinstalled software, opened a digital medical image and split it into separate images corresponding to different depths of soft tissues and organs, as a result of which the server obtained a three-dimensional image of the patient's soft tissues and organs.
- the server determined the density of areas according to the Hounsfield scale on individual images and the server at a certain frequency using the "Non-uniform Monte-Carlo sampling" method, generated the points and parameterized the points taking into account the received data, after which the coordinates of the points were saved by the server in internal memory in a Cartesian coordinate system, and the points were assigned a density corresponding to the Hounsfield density of the zones of individual images on which they were plotted.
- the server After assigning densities to the points, the server, using the preinstalled software, filtered the resulting array of points by removing points whose density is equal to or slightly different from the density (according to the Hounsfield scale) of air, and formed a point cloud. After that, based on the parameters of the points, the server performed automatic identification of the organs under investigation.
- the resulting point cloud was processed by the server using an identifying machine learning model of the "PointNet ++" and / or "DGCNN” class (Dynamic Graph Convolutional Neural Network), and in the point cloud the server highlighted connected points, the distance between which was less than or equal to 1.5 mm. Then the associated points were analyzed by a machine learning model that identifies pathologies of the patient's body organs, for the presence of pathology in organs of the patient's body. If the machine learning model identified the pathology of the patient's body organs, the area around the associated points was highlighted and sent for processing by the classifying machine learning model.
- identifying machine learning model of the "PointNet ++” and / or "DGCNN” class Dynamic Graph Convolutional Neural Network
- the classifying machine learning model of the DGCNN class determined the severity parameter of the identified pathology based on the density, number and relative position of points in the selected area.
- the obtained result was saved in the form of a report with the data of the identified pathology and the severity parameter assigned to it, while the server automatically sent a notification to the electronic device of the patient's attending physician about the detection of a pronounced pathology.
- the achievement of the technical result is ensured, which consists in providing the possibility of automatic identification of pathologies of the patient's body organs and automatic determination of the severity of the identified pathology of the patient's body organs during the automatic analysis of medical images of the patient's body organs, thereby improving the operational characteristics of the method for automatic analysis of medical images of the patient's body organs.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
Способ автоматического анализа медицинских изображений органов организма пациента Method for automatic analysis of medical images of the patient's body organs
Группа изобретений относится к обработке графических медицинских данных, в частности к диагностике патологий органов организма пациента и может быть применена в медицинской промышленности. The group of inventions relates to the processing of graphic medical data, in particular to the diagnosis of pathologies of the patient's body organs and can be applied in the medical industry.
Из уровня техники известно множество способов автоматического анализа медицинских изображений, обеспечивающих возможность упрощения постановки диагноза пациенту лечащим врачом. Такой анализ обеспечивает возможность определения и выделения на медицинском изображении областей, требующих внимания со стороны лечащего врача, и способствует снижению риска допущения врачебной ошибки при постановке диагноза. A variety of methods are known in the art for automatic analysis of medical images to facilitate patient diagnosis by the attending physician. This analysis provides the ability to identify and highlight areas in the medical image that require attention from the attending physician, and helps to reduce the risk of medical error in the diagnosis.
Известен способ автоматического анализа изображений, включающий получение цифрового изображения и автоматический анализ цифрового изображения путем фазового преобразования изображения в частотной или пространственной области, определения цветов пикселей и их яркости в конкретных частях цифрового изображения, а также сопутствующего поиска границ объектов и определения локализации, формы и размеров объектов [US10275891, дата публикации: 30.04.2019 г., МПК: G06T 7/13; G06T 7/168]. There is a method of automatic image analysis, including obtaining a digital image and automatic analysis of a digital image by phase transformation of the image in the frequency or spatial domain, determining the colors of pixels and their brightness in specific parts of the digital image, as well as the concomitant search for the boundaries of objects and determining the localization, shape and size objects [US10275891, publication date: 04/30/2019, IPC: G06T 7/13; G06T 7/168].
Недостатком известного технического решения является невозможность его применения в медицинской промышленности. The disadvantage of the known technical solution is the impossibility of its application in the medical industry.
Известен способ автоматического анализа медицинских изображений органов мочеполовой системы пациента, включающий получение цифрового медицинского изображения и автоматический анализ медицинского изображения органов мочеполовой системы, при этом автоматический анализ включает поиск патологии посредством сверточной нейронной сети и определение категории заболевания на основании формы, размеров и цвета патологии [CN110136113, дата публикации: 16.08.2019 г., МПК: G06K 9/62; G06N 3/04; G06N 3/08; G06T 7/00]. Преимуществом известного технического решения является возможность его применения в медицинской промышленности. Однако недостатком известного технического решения является низкая скорость автоматического анализа медицинского изображения, обусловленная применением для анализа сверточной нейронной сети, имеющей существенный минус, выраженный в ограничении размера ядра - проверочной области, передвигаемой по изображению с целью поиска искомых объектов (т.к. увеличение его размеров сопровождается существенным увеличением вычислительной сложности задачи), ввиду чего при анализе изображений среднего и высокого качества (например, 640x480 пикселей и более) требуется большое количество проверочных итераций. Также существенным недостатком сверточной нейронной сети является низкая точность обработки трехмерных моделей, что существенно сказывается на точности диагностики медицинских изображений. There is a method of automatic analysis of medical images of the genitourinary system of a patient, including obtaining a digital medical image and automatic analysis of a medical image of the genitourinary system, while the automatic analysis includes searching for pathology by means of a convolutional neural network and determining the category of the disease based on the shape, size and color of the pathology [CN110136113 , publication date: 08/16/2019, IPC: G06K 9/62; G06N 3/04; G06N 3/08; G06T 7/00]. The advantage of the known technical solution is the possibility of its application in the medical industry. However, the disadvantage of the known technical solution is the low speed of automatic analysis of a medical image, due to the use of a convolutional neural network for analysis, which has a significant disadvantage, expressed in limiting the size of the kernel - the verification area, which is moved across the image in order to search for the desired objects (since an increase in its size accompanied by a significant increase in the computational complexity of the problem), which is why when analyzing images of medium and high quality (for example, 640x480 pixels or more), a large number of verification iterations is required. Also, a significant disadvantage of the convolutional neural network is the low accuracy of processing three-dimensional models, which significantly affects the accuracy of diagnostics of medical images.
В качестве прототипа выбран способ анализа медицинского изображения органов дыхательной системы пациента, включающий получение облаков точек на основании медицинского изображения органов дыхательной системы пациента, параметризацию облаков точек и анализ лечащим врачом медицинского изображения органов дыхательной системы пациента перед или в процессе хирургического вмешательства [WO201 3126659, дата публикации: 29.08.2013 г., МПК: А61В 19/00; А61В 5/113]. As a prototype, a method for analyzing a medical image of a patient's respiratory system was chosen, including obtaining point clouds based on a medical image of a patient's respiratory system, parameterizing point clouds and analyzing a medical image of a patient's respiratory system by the attending physician before or during a surgical intervention [WO201 3126659, date publications: 08/29/2013, IPC: А61В 19/00; A61B 5/113].
Преимуществом прототипа перед известными техническими решениями является высокая точность анализа медицинского изображения, обусловленная работой не с одиночным двухмерным изображением, а с трехмерным облаком точек, ввиду чего обеспечивается возможность воссоздания трехмерной модели органов дыхательной системы, что позволяет лечащему врачу рассмотреть органы и патологию с различных ракурсов, с более высокой точностью определить диагноз и назначить пациенту эффективный план лечения. Однако недостатком прототипа является повышенный риск вынесения лечащим врачом недостоверного диагноза пациенту, что обусловлено человеческим фактором, а именно субъективным анализом медицинского изображения органов дыхательной системы лечащим врачом (ввиду определения диагноза лишь на основании эмпирического опыта врача) и возможностью допущения непредумышленной ошибки в процессе постановки диагноза, которая может возникнуть в результате повышенной утомленности, либо проблем со здоровьем (например, головных болей, проблем со зрением) лечащего врача, либо наличия в его работе отвлекающих факторов, ввиду чего лечащий врач может идентифицировать на сегментированном облаке точек наличие несуществующей патологии, или, что еще хуже, не идентифицировать патологию при ее наличии (поскольку даже в самых запущенных случаях ее размеры могут составлять примерно 1% от объема органов дыхательной системы). Вследствие этого лечащим врачом может быть назначен недостаточно эффективный или неверный план лечения, что может привести к существенному ухудшению состоянию здоровья пациента или, учитывая среднестатистическую тяжесть заболеваний органов дыхательной системы (онкологии, туберкулеза, пневмонии и т.д.), к смерти пациента. The advantage of the prototype over known technical solutions is the high accuracy of the analysis of the medical image, due to the work not with a single two-dimensional image, but with a three-dimensional cloud of points, which makes it possible to recreate a three-dimensional model of the respiratory system, which allows the attending physician to examine organs and pathology from different angles. determine the diagnosis with higher accuracy and prescribe an effective treatment plan to the patient. However, the disadvantage of the prototype is an increased risk of the attending physician making an inaccurate diagnosis to the patient, which is due to the human factor, namely the subjective analysis of the medical image of the respiratory system by the attending physician (due to the determination of the diagnosis only on the basis of the physician's empirical experience) and the possibility of making an unintentional error in the diagnosis process, which may arise in as a result of increased fatigue, or health problems (for example, headaches, vision problems) of the attending physician, or the presence of distractions in his work, due to which the attending physician can identify the presence of a nonexistent pathology on the segmented point cloud, or, even worse, not identify pathology, if any (since even in the most advanced cases, its size can be approximately 1% of the volume of the respiratory system). As a result, the attending physician may prescribe an insufficiently effective or incorrect treatment plan, which can lead to a significant deterioration in the patient's health or, given the average severity of diseases of the respiratory system (oncology, tuberculosis, pneumonia, etc.), to the death of the patient.
Техническая проблема, на решение которой направлена группа изобретений, заключается в необходимости улучшения эксплуатационных характеристик способа автоматического анализа медицинских изображений органов организма пациента. The technical problem to be solved by the group of inventions is the need to improve the operational characteristics of the method for automatic analysis of medical images of the patient's body organs.
Технический результат, на достижение которого направлена группа изобретений, заключается в обеспечении возможности автоматической идентификации патологий органов организма пациента и автоматическом определении выраженности идентифицированной патологии органов организма пациента при автоматическом анализе медицинских изображений органов организма пациента. The technical result to be achieved by the group of inventions consists in providing the possibility of automatic identification of pathologies of the patient's body organs and automatic determination of the severity of the identified pathology of the patient's body organs during the automatic analysis of medical images of the patient's body organs.
Дополнительный технический результат, на достижение которого направлена группа изобретений, заключается в повышении эффективности и снижении энергоемкости этапа автоматического анализа медицинских изображений органов организма пациента. An additional technical result to be achieved by the group of inventions is to increase the efficiency and reducing the energy consumption of the stage of automatic analysis of medical images of the patient's body organs.
Дополнительный технический результат, на достижение которого направлена группа изобретений, заключается в повышении качества автоматического анализа медицинских изображений органов организма пациента. An additional technical result, to which the group of inventions is directed, is to improve the quality of the automatic analysis of medical images of the patient's body organs.
Дополнительный технический результат, на достижение которого направлена группа изобретений, заключается в повышении вероятности выявления неочевидных закономерностей при автоматическом анализе медицинских изображений органов организма пациента. An additional technical result, to which the group of inventions is aimed, is to increase the likelihood of detecting non-obvious patterns in the automatic analysis of medical images of the patient's body organs.
Сущность первого изобретения из группы изобретений заключается в следующем. The essence of the first invention from the group of inventions is as follows.
Способ автоматического анализа медицинских изображений органов организма пациента включает получение медицинского изображения органов организма пациента, обработку медицинского изображения органов организма пациента и анализ медицинского изображения органов организма пациента. В отличие от прототипа при анализе медицинского изображения органов организма пациента производится автоматическая идентификация патологий органов организма пациента и автоматическое определение выраженности идентифицированной патологии органов организма пациента посредством применения алгоритмов машинного обучения. A method for automatically analyzing medical images of a patient's body organs includes obtaining a medical image of a patient's body organs, processing a medical image of a patient's body organs, and analyzing a medical image of a patient's body organs. In contrast to the prototype, when analyzing the medical image of the patient's body organs, the pathologies of the patient's body organs are automatically identified and the severity of the identified pathology of the patient's body organs is automatically determined by using machine learning algorithms.
Сущность второго изобретения из группы изобретений заключается в следующем. The essence of the second invention from the group of inventions is as follows.
Способ автоматической идентификации патологии органов организма пациента при автоматическом анализе медицинских изображений органов организма пациента включает получение связанных точек из облака точек с учетом данных обработки медицинского изображения пациента и определение соответствия связанных точек из облака идентификатору патологии органов организма пациента посредством применения алгоритмов машинного обучения. Сущность третьего изобретения из группы изобретений заключается в следующем. A method for automatically identifying pathology of a patient's body organs during automatic analysis of medical images of a patient's body organs includes obtaining linked points from a point cloud, taking into account the processing data of a patient's medical image, and determining the correspondence of linked points from the cloud to an identifier of the patient's body organ pathology using machine learning algorithms. The essence of the third invention from the group of inventions is as follows.
Способ автоматического определения выраженности патологии органов организма пациента при автоматическом анализе медицинских изображений органов организма пациента включает получение связанных точек из облака точек с учетом данных обработки медицинского изображения пациента и определение соответствия связанных точек параметру выраженности патологии органов организма пациента посредством применения алгоритмов машинного обучения. A method for automatically determining the severity of the pathology of the patient's body organs during the automatic analysis of medical images of the patient's body organs includes obtaining linked points from a point cloud, taking into account the data of processing the patient's medical image, and determining the correspondence of the linked points to the parameter of the patient's body organ pathology severity by using machine learning algorithms.
Медицинское изображение представляет собой визуализацию структурно-функционального образа органов пациента, полученную различными методами медицинской диагностики, например рентгенологическими, магнитно-резонансными, ультразвуковыми и другими известными методами. При этом под органами пациента подразумеваются: кожные покровы, легкие, желудок, кишечник и другие внешние образования или внутренние органы пациента. A medical image is a visualization of a structural and functional image of a patient's organs, obtained by various methods of medical diagnostics, for example, X-ray, magnetic resonance, ultrasound and other known methods. In this case, the patient's organs mean: the skin, lungs, stomach, intestines and other external formations or internal organs of the patient.
Получение медицинского изображения может быть осуществлено с применением специализированного программного обеспечения и аппаратных комплексов, например, посредством применения медицинского отраслевого стандарта создания, хранения, передачи и визуализации цифровых медицинских изображений и документов обследованных пациентов DICOM (Digital Imaging and Communication in Medicine). Medical imaging can be carried out using specialized software and hardware systems, for example, by applying the medical industry standard for creating, storing, transferring and visualizing digital medical images and documents of examined patients, DICOM (Digital Imaging and Communication in Medicine).
Обработка медицинского изображения обеспечивает возможность автоматического определения на медицинском изображении органов пациента и может быть осуществлена автоматически с применением специализированного программного обеспечения, выполняющего разбиение файла с изображением на отдельные изображения и определение плотности областей на изображении по шкале Хаунсфилда или с применением других аналогичных инструментов. В процессе обработки медицинского изображения осуществляется генерация облака точек, после чего может производиться автоматическая параметризация точек в облаке. В процессе автоматической параметризации точек каждой точке автоматически задается плотность точки по шкале Хаунсфилда, что дает возможность осуществления дальнейшего автоматического анализа медицинского изображения органов организма пациента, а также задаются и сохраняются координаты точек. Автоматическая параметризация точек может быть осуществлена посредством математического сэмплирования точек по плотности с применением численных методов изучения случайных процессов, например с применением метода Монте-Карло. При этом после автоматической параметризации точек может быть осуществлена автоматическая фильтрация облака параметризированных точек. Автоматическая фильтрация облака параметризированных точек может быть осуществлена путем фиксирования только тех точек, плотность которых по шкале Хаунсфилда соответствует органам организма пациента, либо путем удаления тех точек, плотность которых им не соответствует, и фиксирования оставшихся после удаления точек, что повышает эффективность и снижает энергоемкость последующего автоматического анализа медицинских изображений органов организма пациента. Medical image processing provides the ability to automatically determine the patient's organs on a medical image and can be carried out automatically using specialized software that splits the image file into separate images and determines the density of areas in the image using the Hounsfield scale or using other similar tools. In the process of processing a medical image, a point cloud is generated, after which an automatic parameterization of points in the cloud can be performed. In the process of automatic parameterization of points, each point is automatically assigned a point density according to the Hounsfield scale, which makes it possible to carry out further automatic analysis of the medical image of the patient's body organs, and also set and save the coordinates of the points. Automatic parameterization of points can be carried out by mathematical sampling of points by density using numerical methods for studying random processes, for example, using the Monte Carlo method. In this case, after automatic parameterization of points, automatic filtering of the cloud of parameterized points can be carried out. Automatic filtering of the cloud of parameterized points can be carried out by fixing only those points whose density on the Hounsfield scale corresponds to the organs of the patient's body, or by removing those points whose density does not correspond to them, and fixing the points remaining after the removal, which increases the efficiency and reduces the energy intensity of the subsequent automatic analysis of medical images of the patient's body organs.
В процессе анализа медицинского изображения органов организма пациента производится автоматическая идентификация патологий органов организма пациента и автоматическое определение выраженности идентифицированной патологии органов организма пациента. In the process of analyzing the medical image of the patient's body organs, the pathologies of the patient's body organs are automatically identified and the severity of the identified pathology of the patient's body organs is automatically determined.
Автоматическая идентификация патологий органов организма пациента обеспечивает возможность определения класса патологии органов организма пациента. Автоматическая идентификация патологий может быть осуществлена посредством программно-аппаратного комплекса, содержащего алгоритм машинного обучения специализированного класса для обработки структурных данных облаков точек. Для этого в полученном облаке точек автоматически определяются связанные точки, расстояние между которыми составляет от 1 до 2 мм. Automatic identification of pathologies of the patient's body organs makes it possible to determine the class of pathology of the patient's body organs. Automatic identification of pathologies can be carried out by means of a software and hardware complex containing a machine learning algorithm of a specialized class for processing the structural data of point clouds. To do this, in the resulting point cloud linked points are automatically determined, the distance between which is from 1 to 2 mm.
После этого все связанные точки автоматически анализируются алгоритмом машинного обучения, в процессе чего связанные точки автоматически сопоставляются с паттернами патологий органов мягких тканей организма пациента, и производится определение соответствия связанных точек из облака точек одному из идентификаторов патологии органов мягких тканей организма пациента. При этом указанный алгоритм предварительно может быть обучен на прецедентах идентификации патологий органов организма пациента, что повышает вероятность выявления неочевидных закономерностей при автоматическом анализе медицинских изображений органов мягких тканей организма пациента алгоритмом машинного обучения. After that, all related points are automatically analyzed by the machine learning algorithm, during which the related points are automatically compared with the patterns of pathologies of the patient's soft tissue organs, and the correspondence of the connected points from the point cloud to one of the patient's soft tissue organ pathology identifiers is determined. In this case, the specified algorithm can be preliminarily trained on the precedents for identifying pathologies of the patient's body organs, which increases the likelihood of detecting non-obvious patterns in the automatic analysis of medical images of the patient's soft tissue organs by the machine learning algorithm.
Дополнительно может быть проведено автоматическое сопоставление с базой идентификаторов патологий органов организма пациента программно- аппаратного комплекса для повышения интерпретируемости алгоритма и демонстрации похожих прецедентов из базы идентификаторов патологий органов организма пациента. Additionally, an automatic comparison can be carried out with the base of identifiers of pathologies of the patient's body organs of the hardware-software complex to increase the interpretability of the algorithm and demonstrate similar precedents from the base of identifiers of pathologies of the patient's body organs.
Автоматическое определение выраженности патологии органов организма пациента осуществляется с применением классифицирующего алгоритма машинного обучения, который выполнен с возможностью выявления соответствия параметров связанных точек параметру выраженности патологии. Для этого производится автоматическое выделение областей связанных точек и автоматическое сопоставление этих областей с параметрами выраженности патологии органов организма пациента. При этом указанный алгоритм может быть предварительно обучен на прецедентах определения параметра выраженности патологии органов организма пациента, что дополнительно повышает вероятность выявления неочевидных закономерностей при автоматическом анализе медицинских изображений мягких тканей организма пациента. Дополнительно может быть произведено автоматическое сопоставление этих областей с параметрами выраженности патологии органов организма из базы параметров выраженности патологии. Базы идентификаторов и параметров выраженности патологий мягких тканей организма пациента могут быть созданы автоматизированно за счет ручного ввода идентификаторов и параметров выраженности, либо идентификаторы и параметры выраженности могут быть получены из сторонних баз данных. При этом под идентификатором патологии и параметром выраженности патологии подразумевается количество точек, последовательность изменения расстояния между точками, плотность распределения точек и другие параметры точек, соответствующие определенной патологии и определенному параметру выраженности патологии. При этом базы идентификаторов и параметров выраженности патологий могут быть расположены в программно-аппаратных комплексах, выполняющих операции с применением указанных алгоритмов машинного обучения. Automatic determination of the severity of the pathology of the organs of the patient's body is carried out using a classifying machine learning algorithm, which is designed to detect the correspondence of the parameters of the associated points to the parameter of the severity of the pathology. For this, the areas of connected points are automatically selected and these areas are automatically compared with the parameters of the severity of the pathology of the organs of the patient's body. In this case, this algorithm can be preliminarily trained on the precedents for determining the severity of the pathology of the patient's body organs, which additionally increases the likelihood of detecting non-obvious patterns in the automatic analysis of medical images of the patient's soft tissues. Additionally, an automatic comparison of these areas can be made with the parameters of the severity of the pathology of the body organs from the base of the parameters of the severity of the pathology. Databases of identifiers and parameters of the severity of pathologies of the patient's soft tissues can be created automatically by manually entering identifiers and severity parameters, or identifiers and severity parameters can be obtained from third-party databases. In this case, the identifier of the pathology and the parameter of the severity of the pathology mean the number of points, the sequence of changes in the distance between the points, the density of distribution of points and other parameters of the points corresponding to a certain pathology and a certain parameter of the severity of pathology. In this case, the bases of identifiers and parameters of the severity of pathologies can be located in software and hardware complexes that perform operations using the specified machine learning algorithms.
Дополнительно на этапе обработки медицинского изображения органов организма пациента может быть осуществлена автоматическая идентификация органов пациента на медицинском изображении, что позволяет повысить качество автоматического анализа медицинских изображений органов организма пациента. Для этого параметры точек могут быть автоматически сопоставлены с базой данных идентификаторов органов пациента. При этом база данных идентификаторов органов пациента может быть сформирована вручную посредством присваивания каждому облаку точек соответствующего идентификатора или автоматически с применением алгоритмов машинного обучения. Additionally, at the stage of processing the medical image of the patient's body organs, the patient's organs can be automatically identified on the medical image, which makes it possible to improve the quality of the automatic analysis of the medical images of the patient's body organs. For this, point parameters can be automatically matched with the patient organ identifier database. In this case, the database of patient organ identifiers can be generated manually by assigning a corresponding identifier to each point cloud or automatically using machine learning algorithms.
Дополнительно способ автоматического анализа медицинских изображений органов организма пациента может включать этап автоматической обработки результатов анализа медицинских изображений органов организма пациента, который может включать преобразование файла с изображением в исходный формат, оценку выраженности обнаруженной патологии и формирование отчета по проведенному анализу медицинских изображений. При этом в случае обнаружения выраженной патологии может осуществляться автоматическая отправка уведомления об обнаружении выраженной патологии лечащему врачу пациента, что дополнительно расширяет функционал системы. In addition, a method for automatically analyzing medical images of a patient's body organs may include the step of automatically processing the results of analyzing medical images of a patient's body organs, which may include converting an image file into the original format, assessing the severity of the detected pathology and the formation of a report on the analysis of medical images. In this case, in case of detection of a pronounced pathology, an automatic sending of a notification about the detection of a pronounced pathology to the patient's attending physician can be carried out, which additionally expands the functionality of the system.
Группа изобретений может быть выполнена из известных материалов с помощью известных средств, что свидетельствует о ее соответствии критерию патентоспособности «промышленная применимость». The group of inventions can be made from known materials using known means, which indicates its compliance with the criterion of patentability "industrial applicability".
Группа изобретений характеризуется ранее неизвестными существенными отличительными признаками, заключающимися в том, что при автоматическом анализе медицинских изображений органов организма пациента осуществляется автоматическая генерация облаков точек, определение связанных точек в облаках точек и определение связанных точек, за счет чего обеспечивается возможность автоматического определения идентификатора патологии и параметра выраженности идентифицированной патологии с применением алгоритмов машинного обучения, благодаря чему обеспечивается достижение технического результата, заключающегося в обеспечении возможности автоматической идентификации патологий органов организма пациента и автоматическом определении выраженности идентифицированной патологии органов организма пациента при автоматическом анализе медицинских изображений мягких тканей организма пациента, тем самым улучшая эксплуатационные характеристики способа автоматического анализа медицинских изображений органов организма пациента. The group of inventions is characterized by previously unknown essential distinctive features, consisting in the fact that during the automatic analysis of medical images of the patient's body organs, point clouds are automatically generated, the associated points in the point clouds are determined and the associated points are determined, which makes it possible to automatically determine the pathology identifier and parameter the severity of the identified pathology using machine learning algorithms, due to which the achievement of a technical result is ensured, which consists in providing the possibility of automatic identification of pathologies of the patient's body organs and automatic determination of the severity of the identified pathology of the patient's body organs during the automatic analysis of medical images of the patient's soft tissues, thereby improving the operational characteristics method for automatic analysis of medical images of body organs the patient.
Группа изобретений обладает ранее неизвестными из уровня техники существенными признаками, что свидетельствует о ее соответствии критерию патентоспособности «новизна» и «изобретательский уровень». The group of inventions possesses essential features previously unknown from the prior art, which testifies to its compliance with the criterion of patentability "novelty" and "inventive step".
Группа изобретений работает следующим образом. The group of inventions works as follows.
Со стационарного компьютера медицинского учреждения посредством сети «Интернет» осуществляли отправку медицинского изображения (КТ, MKT, MPT, УЗИ или др.) результатов обследования мягких тканей, таких, как легкие, желудок или кишечник, в виде файла, имеющего формат DICOM, на сервер автоматического анализа медицинских изображений. Medical images (CT, MKT, MPT, ultrasound or other) of the results of examination of soft tissues, such as lungs, stomach or intestines, in the form of a file in DICOM format to the server for automatic analysis of medical images.
Сервером посредством предустановленного программного обеспечения осуществлялось открытие цифрового медицинского изображения и его разбиение на отдельные изображения, соответствующие различной глубине мягких тканей и органов, в результате чего сервером получалось трехмерное изображение мягких тканей и органов организма пациента. После этого сервером осуществлялось определение плотности областей по шкале Хаунсфилда на отдельных изображениях и сервером с определенной частотой посредством применения метода «Non-uniform Monte-Carlo sampling», осуществлялась генерация точек и производилась параметризация точек с учетом полученных данных, после чего координаты точек сохранялись сервером во внутренней памяти в декартовой системе координат, а точкам присваивалась плотность, соответствующая плотности по Хаунсфилду зон отдельных изображений, на которые они были нанесены. The server, using preinstalled software, opened a digital medical image and split it into separate images corresponding to different depths of soft tissues and organs, as a result of which the server obtained a three-dimensional image of the patient's soft tissues and organs. After that, the server determined the density of areas according to the Hounsfield scale on individual images and the server at a certain frequency using the "Non-uniform Monte-Carlo sampling" method, generated the points and parameterized the points taking into account the received data, after which the coordinates of the points were saved by the server in internal memory in a Cartesian coordinate system, and the points were assigned a density corresponding to the Hounsfield density of the zones of individual images on which they were plotted.
После присваивания точкам плотностей сервер посредством предустановленного программного обеспечения осуществлял фильтрацию полученного массива точек путем удаления точек, плотность которых равна или незначительно отличается от плотности (по шкале Хаунсфилда) воздуха, формировал облако точек. После этого на основании параметров точек сервером производилась автоматическая идентификация исследуемых органов. After assigning densities to the points, the server, using the preinstalled software, filtered the resulting array of points by removing points whose density is equal to or slightly different from the density (according to the Hounsfield scale) of air, and formed a point cloud. After that, based on the parameters of the points, the server performed automatic identification of the organs under investigation.
После этого полученное облако точек обрабатывалось сервером с применением идентифицирующей модели машинного обучения класса «PointNet++» и/или «DGCNN» (Dynamic Graph Convolutional Neural Network), и в облаке точек сервером выделялись связанные точки, расстояние между которыми было менее или равно 1,5 мм. Затем связанные точки анализировались моделью машинного обучения, идентифицирующей патологии органов организма пациента, на предмет наличия патологии во органах организма пациента. В случае идентифицирования моделью машинного обучения патологии органов организма пациента область вокруг связанных точек выделялась и отправлялась для обработки классифицирующей моделью машинного обучения. Классифицирующая модель машинного обучения класса «DGCNN» определяла параметр выраженности идентифицированной патологии на основании плотности, количества и взаимного расположения точек в выделенной области. Полученный результат сохранялся в виде отчета с данными идентифицированной патологии и присвоенным ей параметром выраженности, при этом сервером осуществлялась автоматическая отправка уведомления на электронное устройство лечащего врача пациента об обнаружении выраженной патологии. After that, the resulting point cloud was processed by the server using an identifying machine learning model of the "PointNet ++" and / or "DGCNN" class (Dynamic Graph Convolutional Neural Network), and in the point cloud the server highlighted connected points, the distance between which was less than or equal to 1.5 mm. Then the associated points were analyzed by a machine learning model that identifies pathologies of the patient's body organs, for the presence of pathology in organs of the patient's body. If the machine learning model identified the pathology of the patient's body organs, the area around the associated points was highlighted and sent for processing by the classifying machine learning model. The classifying machine learning model of the DGCNN class determined the severity parameter of the identified pathology based on the density, number and relative position of points in the selected area. The obtained result was saved in the form of a report with the data of the identified pathology and the severity parameter assigned to it, while the server automatically sent a notification to the electronic device of the patient's attending physician about the detection of a pronounced pathology.
Таким образом обеспечивается достижение технического результата, заключающегося в обеспечении возможности автоматической идентификации патологий органов организма пациента и автоматическом определении выраженности идентифицированной патологии органов организма пациента при автоматическом анализе медицинских изображений органов организма пациента, тем самым улучшая эксплуатационные характеристики способа автоматического анализа медицинских изображений органов организма пациента. Thus, the achievement of the technical result is ensured, which consists in providing the possibility of automatic identification of pathologies of the patient's body organs and automatic determination of the severity of the identified pathology of the patient's body organs during the automatic analysis of medical images of the patient's body organs, thereby improving the operational characteristics of the method for automatic analysis of medical images of the patient's body organs.
Claims
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019139024A RU2019139024A (en) | 2019-12-02 | 2019-12-02 | Method for automatic analysis of medical images of the patient's body organs |
| RU2019139024 | 2019-12-02 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| WO2021112715A1 true WO2021112715A1 (en) | 2021-06-10 |
| WO2021112715A8 WO2021112715A8 (en) | 2021-10-07 |
Family
ID=76220980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/RU2020/000034 Ceased WO2021112715A1 (en) | 2019-12-02 | 2020-01-27 | Method for automatic analysis of medical images of organs of a patient's body |
Country Status (2)
| Country | Link |
|---|---|
| RU (1) | RU2019139024A (en) |
| WO (1) | WO2021112715A1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070025606A1 (en) * | 2005-07-27 | 2007-02-01 | Bioimagene, Inc. | Method and system for storing, indexing and searching medical images using anatomical structures of interest |
| US20090028403A1 (en) * | 2006-03-03 | 2009-01-29 | Medic Vision - Brain Technologies Ltd. | System and Method of Automatic Prioritization and Analysis of Medical Images |
| US20130039552A1 (en) * | 2010-01-28 | 2013-02-14 | Moshe Becker | Methods and systems for analyzing, prioritizing, visualizing, and reporting medical images |
-
2019
- 2019-12-02 RU RU2019139024A patent/RU2019139024A/en unknown
-
2020
- 2020-01-27 WO PCT/RU2020/000034 patent/WO2021112715A1/en not_active Ceased
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070025606A1 (en) * | 2005-07-27 | 2007-02-01 | Bioimagene, Inc. | Method and system for storing, indexing and searching medical images using anatomical structures of interest |
| US20090028403A1 (en) * | 2006-03-03 | 2009-01-29 | Medic Vision - Brain Technologies Ltd. | System and Method of Automatic Prioritization and Analysis of Medical Images |
| US20130039552A1 (en) * | 2010-01-28 | 2013-02-14 | Moshe Becker | Methods and systems for analyzing, prioritizing, visualizing, and reporting medical images |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2019139024A (en) | 2021-06-02 |
| WO2021112715A8 (en) | 2021-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110326024B (en) | Methods and apparatus for processing histological images captured by medical imaging devices | |
| Mohammed et al. | Automatic segmentation and automatic seed point selection of nasopharyngeal carcinoma from microscopy images using region growing based approach | |
| WO2022007337A1 (en) | Tumor cell content evaluation method and system, and computer device and storage medium | |
| CN104809480B (en) | A kind of eye fundus image Segmentation Method of Retinal Blood Vessels based on post-class processing and AdaBoost | |
| TW202025137A (en) | Image processing method and apparatus, electronic device, and computer readable storage medium | |
| CN112885453A (en) | Method and system for identifying pathological changes in subsequent medical images | |
| Zhu et al. | Automatic measurement of fetal femur length in ultrasound images: a comparison of random forest regression model and SegNet | |
| CN109493325A (en) | Tumor Heterogeneity analysis system based on CT images | |
| JPWO2020027228A1 (en) | Diagnostic support system and diagnostic support method | |
| CN111161241A (en) | Liver image identification method, electronic equipment and storage medium | |
| CN112686849B (en) | Lung lobe segmentation system based on three-dimensional convolutional neural network | |
| JP2022546344A (en) | Image processing for stroke feature acquisition | |
| CN114332132A (en) | Image segmentation method and device and computer equipment | |
| JPWO2017086433A1 (en) | MEDICAL IMAGE PROCESSING METHOD, DEVICE, SYSTEM, AND PROGRAM | |
| CN111383323B (en) | Ultrasound imaging method and system and ultrasonic image processing method and system | |
| Danilov et al. | Use of semi-synthetic data for catheter segmentation improvement | |
| WO2021112715A1 (en) | Method for automatic analysis of medical images of organs of a patient's body | |
| CN116580033B (en) | Multi-mode medical image registration method based on image block similarity matching | |
| Dandıl et al. | A Mask R-CNN based Approach for Automatic Lung Segmentation in Computed Tomography Scans | |
| RU2771512C2 (en) | Automatic system for processing medical images of organs of the body of a patient and method implemented by the system | |
| Wu et al. | A self-adaptive distance regularized level set evolution method for optical disk segmentation | |
| CN118429367A (en) | Multimodal endangered organ segmentation method and device based on point cloud matrix | |
| US11972584B2 (en) | Tissue specific time gain compensation methods and systems | |
| CN115330949A (en) | Hepatocellular carcinoma invasion edge prediction method and system | |
| Heryan | Reconstruction of the Intrarenal Vascular Tree from μ-CT Scans of Corrosion Cast Specimens |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20897272 Country of ref document: EP Kind code of ref document: A1 |
|
| DPE1 | Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101) | ||
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 24/10/2022) |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 20897272 Country of ref document: EP Kind code of ref document: A1 |