时间数据的可视化
阅读：1002发布：2020-08-29
专利汇可以提供时间数据的可视化专利检索，专利查询，专利分析的服务。并且本 发明 涉及对时间数据的分析和 可视化 ，并且在 实施例 中，涉及对与医学图像相关的时间数据的可视化的领域。公开了一种可视化时间数据的方法。所述方法包括提供时间数据的集合；基于所述时间数据的时间特性，检测所述数据中不同区域(40、41)的数目；识别每个区域并为其分配配色方案；以及根据所分配的配色方案可视化每个区域。在实施例中，基于聚类 算法 的使用来检测不同区域的数目。，下面是时间数据的可视化专利的具体信息内容。
1.一种可视化时间数据的方法，所述方法包括：
-提供(70)时间数据的集合；
-基于所述时间数据的时间特性，检测(71)所述数据中的不同区域(40、41)数目；
-识别(72)每个区域并为其分配配色方案；以及
-根据所分配的配色方案可视化(73)每个区域。
2.如权利要求1所述的方法，其中，自动检测所述时间数据中的区域数目。
3.如权利要求1所述的方法，其中，使用聚类算法和模型选择算法来检测所述时间数据中的区域数目。
4.如权利要求3所述的方法，其中，所述时间数据中的不同区域数目通过如下方式进行检测：首先在输入的类值范围内运行聚类算法，由此获得类分配范围，在此之后，对于所述聚类算法的每次运行，统计分析阶段检测实际区域数目，组合每次运行所述聚类算法得到的所述实际区域数目以提供所述时间数据中的不同区域数目。
5.如权利要求4所述的方法，其中，所述统计分析基于对与所述类分配范围内每个类分配相关的强度分布的分析。
6.如权利要求5所述的方法，其中，所述统计分析得到阈值并且根据每个类被分配的强度范围是在所述阈值之下还是在所述阈值之上将所述类标记为背景类(31、36、37、38)或非背景类(32-35)，将每个被标记的类识别为一区域。
7.如权利要求1所述的方法，其中，识别模型时间模式(53)，并且其中，根据相似性准则识别与所述模型时间模式相类似的一个或多个区域(50-52)的时间模式，并且其中，通过根据相似性配色方案对所识别的一个或多个区域进行着色来可视化所述所识别的区域。
8.如权利要求7所述的方法，其中，自动确定或者由用户定义将要与模型时间数据进行比较的所述一个或多个区域的所述时间模式。
9.如权利要求1所述的方法，其中，为每个区域分配特征集，并且其中，根据选择显示所述特征集。
10.如权利要求1所述的方法，其中，所述可视化是2D可视化、3D可视化或者2D和3D可视化的组合。
11.如权利要求1所述的方法，其中，与向被检查系统中注射造影剂结合地提供所述时间数据的集合。
12.如权利要求2所述的方法，其中，使用从如下选择的技术提供体素数据集：磁共振成像(MRI)、计算机断层摄影(CT)、正电子断层摄影(PET)、单光子发射计算机断层摄影(SPECT)、超声扫描、时间X射线成像以及旋转血管造影。
13.一种用于可视化时间数据的可视化系统，所述系统包括：
-输入单元(62)，其用于提供时间数据的集合；
-检测器单元(63)，其用于基于所述时间数据的时间特性，检测所述数据中的不同区域数目；
-分配单元(64)，其用于识别每个区域并为其分配配色方案；以及
-可视化单元(66)，其用于根据所分配的配色方案可视化每个区域。
14.如权利要求13所述的医学检查装置，还包括采集单元(60)，其用于以一个或多个体素数据集的形式采集医学图像数据。
15.一种具有指令集的计算机程序产品，当在计算机上使用时，所述指令集使得所述计算机执行如权利要求1所述的步骤。
时间数据的可视化
技术领域
[0001] 本发明涉及对时间数据的分析和可视化，具体而言涉及与医学图像相关的时间数据的可视化的领域。
背景技术
[0002] 诸如磁共振成像(MRI)的医学成像系统能够生成精确的横断面图像数据，所述图像数据表示与人体或动物体有关的身体属性。对利用代表横断面数据的大量平行2D图像的三维(3D)图像的重建已经在医学领域应用了一段时间。
[0003] 在很多情况下，通过注射造影剂来采集医学图像，以便增强在所采集的图像中的感兴趣特征。常规地，医学图像根据注射前和注射后一段适当时刻拍摄的图像的差分图像进行分析。假设，注射前和注射后拍摄的图像的差分图像将显示出诸如血管和/或肿瘤区域的感兴趣区域。
[0005] 通常，尽管可以获得详细的被研究身体部分的3D图像，但是对于临床用户来说，从这些数据中有效地提取信息依然是个挑战。临床用户通常需要检查解剖结构的很多横断面2D视图和定量分析数据以及将他们进行组合。这导致分析效率低下并且降低了诊断流程的可重复性。
[0006] 此外，伴随着近来成像设备的发展，已经可以获得时间分辨数据，这导致能够对所采集的图像进行更进一步的研究，但这也使得在这种情况下所采集的数据量的更进一步增加。
[0007] 在已经公布的专利申请US 2006/0110018中，公开了一种模式识别方法，所述模式识别方法在使用对比度增强的MR图像的时间数据中自动进行异常组织的检测和区分。同时，在此公开中，理解并阐述了与巨大数据集的可视化有关的问题，该公开为将差分图像归类为良性或恶性的二类问题提供了具体的解决方案。
[0008] 然而，现有技术越来越需要对定量数据进行浓缩和全面的可视化，这一需求从一开始就不是基于已知的输出，具体而言需要更有效的方式来分析和可视化时空数据，以便改善对于通用输入数据在定量分析数据和解剖结构之间的耦合。
发明内容
[0009] 本发明优选地是寻求以单独或任意组合的方式来减轻、缓解或消除一个或多个上述缺点。具体而言，本发明的目的可以被认为是提供一种解决与时间数据可视化有关的现有技术中的上述问题或其他问题的方法。
[0010] 这一目的和若干其他目的在本发明的第一方面是通过提供一种可视化时间数据的方法来实现的，所述方法包括：
[0011] -提供时间数据的集合；
[0012] -基于所述时间数据的时间特性，检测在所述数据中的不同区域数目；
[0013] -识别每个区域并为其分配配色方案；以及
[0014] -根据所分配的配色方案可视化每个区域。
[0015] 本发明涉及对由医学图像导出的解剖结构和相关定量分析数据的可视化的领域。图像数据可以利用医学成像技术获得，包括但不限于磁共振成像(MRI)、计算机断层摄影(CT)、正电子断层摄影(PET)、单光子发射计算机断层摄影(SPECT)、超声扫描以及旋转血管造影。与向被检查系统中注射造影剂结合地提供时间数据的集合。基于所获得的图像，可以导出一个或多个体素数据集。然而，通常，本发明可应用于任意模态的医学成像以及非医学数据。
[0016] 本发明的优点如下(但并不仅限于如下优点)：检测而不是预先假设时间数据中的时间不同区域的数目；该数目的检测基于所述数据的时间特性。因此，仅仅是所述数据的时间特性而不是对要解决结果的假设形成了可视化的基础。根据本发明的方法是非监督的学习方法。此外，再次仅仅基于所述数据的时间特性，而不是基于对要解决结果的假设，通过识别每个所检测的区域并为其分配配色方案，以及根据所分配的配色方案可视化所述区域，用户能够有效地和全面地了解存在多少区域，以及这些区域的位置。对于医学专家来说，从大量的医学数据集中辨认出医学上重要的特征是个很大的挑战。本发明提供实现这个目标的有效方式。
[0017] 本发明提供了一种将时间相似的数据投影到降低的空间，例如从3D+时间空间到2D或3D空间的方法，这可以由医学专家通过2D可视化、3D可视化或2D和3D可视化的组合进行观察。将数据投影到降低的空间改善了诊断流程以及定量分析的质量和可重复性。
[0018] 在实施例中，自动检测时间数据中的区域数目。自动检测该数目是有利的，因为这样提供了高效的系统。在实施例中，使用聚类算法和模型选择算法来检测时间数据中的区域数目。使用聚类算法是有利的，因为聚类算法是鲁棒的通用分类工具。此外，它们不需要监管或预先学习阶段。
[0019] 在有利的实施例中，通过如下方式检测时间数据中的不同区域数目：首先在输入类值范围内运行聚类算法，由此获得类分配范围。随后，对于针对给定的类数目每次运行聚类算法时，统计分析阶段检测实际区域数目。然后，组合并分析所有的实际区域数目，以便提供时间数据中的不同区域数目。所述统计分析可以基于对与在类分配范围内的每个类分配相关的强度分布的分析。所述统计分析可以使用在类分配中设定阈值。对区域数目的独立估计的合并可以使用通过将得到所有评估中大部分支持的数目分配为最终数目的最大算子。因此提供了用于检测区域数目的有效的、明显的和健壮的实施例。
[0020] 在有利的实施例中，识别模型时间模式并将其与一个或多个区域的时间模式进行比较。根据相似性准则识别其时间模式与模型时间模式相类似的区域并对其进行可视化。本发明的实施例的优点是，不依赖于与模型模式的比较来选择区域，因为代替与区域选择同时进行地是，在区域选择之后可以进行更加通用和有效的比较。本领域技术人员知晓并可以得到用于比较模式的各算法。可以根据模式比较算法的选择来设置具体的相似性准则。
[0022] 根据本发明的第二方面，提供了一种用于可视化时间数据的可视化系统，所述系统包括输入单元、检测器单元、分配单元和可视化单元。各个单元用于执行第一方面的功能。可视化系统可以实现为可进行特定编程的通用计算机。
[0023] 根据本发明的第三方面，提供了一种医学检查装置，其还包括用于以一个或多个体素数据集的形式采集医学图像数据的采集单元。所述采集单元可以是医学扫描器。
[0024] 根据本发明的第四方面，提供了一种具有指令集的计算机程序产品，当在计算机上使用时，所述指令集使得计算机执行本发明的第一方面的步骤。
[0026] 下面将参照附图，仅通过举例的方式来描述本发明的实施例，在附图中
[0027] 图1示出了图示说明体素强度的时间变化的屏幕截图1；
[0028] 图2图示说明了三个不同时刻的MR图像；
[0029] 图3图示说明了聚类算法的输出的屏幕截图；
[0030] 图4图示说明了所识别的区域的2D可视化；
[0031] 图5图示说明了识别模型时间模式的各方面；
[0032] 图6示意性地图示说明了可视化系统的各部件；以及
[0033] 图7是示出了可视化时间数据的方法的步骤的流程图。
具体实施方式
[0034] 对于医学诊断、医学研究或其它领域和应用，可以获得医学图像并且参考由注射造影剂产生的对比度模式图像中的几何属性对其进行分析。通常，为了增强感兴趣区域与背景区域之间的对比度，可以使用造影剂。除了几何属性(位置、形状等等)，对比模式也可以具有时间尺度，并且关于积聚的时间推进的信息可能与诊断、以及区别特定病例以及区别病例与健康情况有关。
[0035] 图1图示说明了为了区分不同的模式需要时间信息的情况。该图是屏幕截图1，图示说明了两个体素部位在32个连续时刻的沿垂直轴描绘的强度随着沿水平轴推进的时间的时间变化。如果使用常规的前/后对比方法，并且在时刻27或以后拍摄“注射造影剂后的”图像(如附图标记2所标记的)，那么两个体素值将不能够彼此区分开，尽管他们具有非常不同的时间强度模式。
[0036] 本发明的实施例提供了发现并可视化具有不同时间特性的几何模式的方法。
[0037] 通常，将提供时间数据的集合。所述数据可以是随时间演化的空间图像数据。例如，具有时间尺度的2D图像数据(可以称之为3D数据或2D+时间数据；这相当于常规的电影(movie)数据)或具有时间尺度的3D图像数据(可以称之为4D数据或3D+时间数据；这相当于3D电影数据)。在医学成像中，空间数据将是3D数据。本发明参考鸣禽(songbird)的MRI图像进行解释。所述数据是在32个不同时刻以256×256×256的分辨率采集的3D数据，即因此总的数据尺度是32×256×256×256。采集图像以便追踪和评估鸣禽神经系统的季节演化，鸣禽的神经系统被认为具有依赖于交配期的季节变化。将作为造影剂的锰(Mn)注射到鸟的大脑内以追踪神经系统中的细胞。尽管本发明公开的是鸣禽大脑的MR图像，但是本领域的技术人员应能明白，本发明不限于此类图像。本发明的重要应用包括(但不限于)分析和可视化注射造影剂获得的时间分辨的医学图像。
[0038] 图2图示说明了针对三个不同时刻的MR图像。观察到区域20随时间变得越来越明亮并且逐渐向外扩展。
[0039] 为了时间地分析图像，需要执行若干步骤。在时间分析之前，通常对数据进行预处理。所述预处理可以包括对准。执行数据的对准以便确保相同体素对于所有的图像占据被成像对象的相同面积。此外，对于某些医学图像模态，例如MR而言，强度可能随不同的扫描而发生变化，甚至在同一扫描的不同图像中也会发生变化，因此，图像可以被标准化，例如通过使用强度直方图来标准化。此外，为了去除图像中的失真、噪声或其他效应，可以执行附加的图像处置。此类预处理在现有技术中是已知的。
[0040] 检测时间数据中展示不同时间特性的区域的数目。当时间模式之间有足够的不同或距离时，就认为这些时间模式彼此不同。这种不同或距离可以通过已知的测度方法，例如欧几里得距离或绝对差(L1标准)计算。
[0041] 在实施例中，不同区域的数目按照如下方式进行检测。
[0042] 对于每个体素，构建T维向量。T是执行成像的时刻数目。因此，特征点是T维向量：，其中i＝1...N，N是体素的数目。图1示出了 的两个实例。通过使用这些向量，可以阐明问题以找到在 中不同分组的数目。作为实例，将等于：
[0043] 对不同出现的时间强度模式的数目的检测被认为是模型选择问题。为了识别正确的模型，所述模型是在时间数据中的时间不同区域的数目，使用聚类算法。聚类算法通常用于将数据聚类为共享某些共同特点的组。根据本发明的实施例，可以使用若干种聚类算法，例如K均值、模糊C均值或者期望最大化算法。
[0044] 典型的聚类算法期望给出类的数目，即将要把数据分成的组的数目。在本发明的有利实施例中，该数目是自动提取的，即使半自动的检测也是可能的，特别是在用户希望影响确定过程的时候。
[0045] 为了检测时间数据中区域的数目，在输入类值的范围内运行聚类算法。从而获得类分配的范围。通常，在2到10范围内的每个输入类值，例如3到6，或另外的适当范围运行聚类算法。
[0046] 在聚类中，每个体素被归类为某一类，从而使得每个类包含共享相同时间特性的体素。
[0047] 图3图示说明了聚类算法的输出的屏幕截图30，或者是在应用模型选择阶段使得在每种情况下产生3类之后，对于3个输入类(图3A)、4个输入类(图3B)、5个输入类(图3C)以及6个输入类(图3D)的输入类值的K均值聚类算法的类分配。通过描绘出每个存在的聚类中心的强度值，从而使得可以确实观察到三个分组来可视化输出。
[0048] 找到背景类31、36、37、38，即没有展示出或展示出很少的时间特性的类。找到展示出近似线性增长强度的组32、34，以及强度上首先陡峭增长随后保持在近似恒定的高强度水平的组33、35。根据聚类算法的输出，将每个体素进行归类。在图3A中，三个类是分离的，然而，在图3B到3D中，背景类36-38分别包含两个到四个类。
[0049] 在实施例中，时间不同的类的数目是通过如下分析提取的，所述分析也指的是模型选择阶段。
[0050] 为了给体素分配类，即确定给定体素是否属于一时间变化的类，确定自适应阈值。在实施例中，自适应阈值是根据统计分析确定的，其中，以如下方式计算每个类的强度范围：
[0051] -对于属于类i的每个体素，通过从最小强度值中减去在该位置观察到的最大强度值，以强度范围的形式计算其强度分布；
[0052] -找到类i的强度范围的最大值；
[0053] -对于所有聚类重复以上步骤。
[0054] 因为最大值和最小值都对噪声敏感，所以可以用百分位数来替换最大值和最小th th值，例如分别为第百分之95 位数值和第百分之5 位数值。
[0055] 以上最大值(与类的数目一样多)被用于将阈值计算为：
[0056] Thr1＝(k*所有聚类的最大强度范围)。
[0057] k值通常处于0到1之间。在实施例中，该值可以预先选择和/或按照用户设置进行调整。通常，可以应用0.2到0.5的值。根据本发明描述的实施例，使用k＝0.3的值。
[0058] 这样，执行每个类分配的统计分析。
[0059] 以上假设聚类中的至少一个展示出时间特性，即，数据示出了造影剂在特定区域的积累。
[0060] 为了保证在数据没有任何造影剂积累，即，所有的聚类都是背景聚类时算法依然有效，将阈值与最小值Thr_min进行比较，在实施例中，其分配为数据的中值强度水平的百分比，例如，非背景强度范围可能需要中值强度值的80％。
[0061] 这样，统计分析得到阈值。每个类根据阈值被标记为背景类或非背景类。若某个类包含一个或多个强度变化大于或根据设置可能等于阈值Thr1(以及Thr_min，如果某些设置需要)的体素，则该类被分配并标记为时间变化区域，即非背景类。若某个类不包含强度变化大于Thr1的体素，则该类被分配并标记为时间恒定区域，即背景类。也可以要求该类的特定百分比(例如，30％)具有在阈值之上的强度范围，从而将该区域归类为非背景区域。在另一实施例中，可以仅比较类均值以便将整个类归类为非背景或背景。
[0062] 根据所标记的情况，选择一个背景类和所有非背景类，并且所选择的类的数目被设置为不同区域的数目，或时间数据中展示出不同时间特性的区域的数目。识别每个时间变化区域并为每个区域分配配色方案。配色方案可以是为每个区域分配的不同的单一颜色。然而，配色方案可以更加高级，例如包括叠加模式。
[0063] 图4图示说明了所识别的区域的2D可视化。图像是包括所识别的区域的MRI切片。在该图像中至少观察到四个组，两个背景组以及两个展示出时间变化的区域。两个背景组包括脊椎骨，如图像顶部的亮斑所见，以及并没有示出时间变化的大脑区域，如浅灰色所见。
[0064] 除了背景区域，根据所分配的配色方案可视化所有时间不同的区域。通常，在可视化中使用彩色；然而，图4中的区域以灰度进行可视化。第一区域图示为亮环40，其包裹住灰核结构41。
[0065] 通过图2的任意一张切片与图4之间的比较，从图4中立即清楚地是，观察者可以更有效地获得时间变化区域的时间信息。例如，显然，应当清楚地是，尽管仅几何单一连通区域受到了影响，但是该区域包括两个时间不同的区域。
[0066] 除了可视化时间不同的区域，可以提取特征集并将其分配给所述区域。该特征集可以从图像或从与图像相关的辅助数据或数据分析中提取的。
[0067] 在实施例中，用户可以(可能根据要求)被提供包括诸如属于每个组的体素的数目的这类信息的特征集。
[0068] 特征集可以包括不同组的解剖信息，例如解剖位置，或者在扩展到多于一个不同解剖结构的情况下，每组在每个结构的分布。为了导出解剖信息，可以将图像与被研究的成像对象的分段模型进行比较。通常，特征集可以包含任意类型的相关信息。
[0069] 在实施例中，区域的时间特性可能与模型模式统计相关，例如，通过计算组的时间特性与模型特性间的相关值来进行相关，以便给该区域分配诸如患病可能性的可能性。在现有技术中统计相关性方法是已知的，例如泊松相关系数。
[0070] 在实施例中，例如从时间模式库中，识别模型时间模式。可以将每个区域与模型模式进行比较，或者可以将选定的区域与模型区域进行比较。根据相似性准则识别与模型时间模式相似的每个区域。相似或相异测度是已知所使用的测度中的一个。在一个实施例中，使用欧几里得距离。在另一实施例中，当数据含噪声时，使用差分的绝对值的L1标准显示出更加精确。在此之后，通过根据相似性配色方案为所识别的区域着色来可视化每个区域。可以自动确定或由用户定义将要与模型时间数据进行比较的区域。例如，可以自动将所有所识别的区域与库中的所有模型时间模式进行比较。或者，医学工作者可以选择一个或多个区域应当与之进行比较的模型时间类型组。
[0071] 图5图示说明了与识别模型时间模式以及将模型时间模式与类似于模型时间模式的一个或多个区域的时间模式进行比较的各方面。图5A以来自于图3A和3B中33和35所指示的具有时间特性的体素的组的体素时间模式的形式，图示说明了模型时间模式53的实例。用户可以要求基于图5A的时间模式(或任意其他时间模式)进行比较；或者，可以执行计算机程序以便自动选择将形成比较基础的时间特性。
[0072] 在图5B中，将所有非背景区域的时间特性，即图4中由40和41所指示的区域与图5A的时间特性进行比较。所述比较基于统计相关性。面积越暗，相关性越强。在图5B中，由50所指示的区域具有低的相关性，而由51所指示的区域具有高的相关性。在所给出的情况下期望这样，因为图5A的时间特性与分配给由41和51所指示的区域的体素组有关。在图5C中，仅选择由52所指示的区域进行比较，并且，正如所见到的，再次发现高的相关性，正如所期望的。因此，在图5B和5C中，相似性准则是相关性值，并且根据相关性的增加将相似性配色方案设置为从亮到暗的梯度。通常，也可以设置其他的相似性准则。例如，可以设置具体的相关性值，并且识别相关性值大于或等于该设置的区域，例如通过用单一颜色对此区域进行着色。
[0073] 图6示意性地图示说明了集成到医学检查装置中的、根据本发明的可视化系统的部件。正如在图6中示意性指示出的，医学检查装置通常包括患者所躺靠的床61，或相对于采集单元60定位患者的其他元件。所述采集单元可以是医学成像装置，例如MR扫描器或另外的医学扫描器。所述采集单元以一个或多个时间分辨体素数据集的形式采集时间医学图像数据。所述图像数据被馈送到可视化系统。
[0074] 在输入单元62中接收所述时间图像数据。在检测器单元63中，基于所述时间数据的时间特性，检测在所述数据中不同区域的数目。在分配单元64中，识别所检测到的区域并且为每个区域分配配色方案。所述数据是通过通常以计算机屏幕形式的可视化单元66来可视化。所述可视化系统的元件可以实现为通用或专用计算机的一个或多个数据处理器65。
[0075] 图7是示出了可视化时间数据的方法中的各步骤的流程图。
[0076] 提供70时间数据的集合。基于所述时间数据的时间特性，检测71在所述数据中不同区域的数目。识别72每个区域并为其分配配色方案。最终，根据所分配的配色方案，73可视化每个区域。
[0077] 在实施例中，可以执行如下步骤：
[0078] 70：提供时间数据的集合：
[0079] 700：预处理所述数据。
[0080] 71：通过如下方式检测所述时间数据中的区域的数目：
[0081] 710：在输入类值的范围内，运行聚类算法；
[0082] 711：获得类分配的范围；
[0083] 712：针对每个输入类值，即针对聚类算法的每次运行，根据类分配的统计分析，检测在每个类分配中的实际区域的数目，所述统计分析基于与每个类分配相关的强度分布的分析。根据所述统计分析获得阈值，并且根据为每个类分配的强度范围是在所述阈值之下还是在所述阈值之上，将所述类标记为背景类或非背景类；
[0084] 713：根据实际区域数目的范围，获得时间数据中不同区域的数目。可以使用最大因子，从而使得将得到最大投票数目的数目分配为被评估为不同区域的数目。
[0085] 72：识别72每个区域并为每个区域分配配色方案：
[0086] 720：将每个被标记的类识别为时间不同的区域。
[0087] 721：为每个区域分配配色方案。
[0088] 73：根据所分配的配色方案，可视化每个区域。
[0089] 本发明可以实现为任意合适的形式，包括硬件、软件、固件或它们的任意组合。本发明或本发明的某些特征可以实现为在一个或多个数据处理器和/或数字信号处理器上运行的计算机软件。本发明的实施例的各元件和部件可以以任意合适的方式物理地、功能地和逻辑地实现。事实上，功能可以实现为单个单元、多个单元或作为其他功能单元的部分。正因为这样，本发明可以实现为单个单元，或可以物理地和功能地分布在不同单元和处理器之间。
[0090] 尽管本发明已经根据具体实施例加以说明，但是这并不是意图限制为本文所阐述的具体形式。相反，本发明的范围仅由权利要求书进行限定。在权利要求书中，术语“包括”并不排除存在其他元件或步骤。此外，尽管在不同的权利要求中包括独立的特征，但是它们可能进行有利的组合，并且包含在不同权利要求中并不意味着各特征的组合不能实现和/或不利。另外，单数限定并不排除多个。因此，“一”、“一个”、“第一”、“第二”等并不排除多个。此外，权利要求中的附图标记不应被解释为是对范围的限制。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 正电子发射断层成像系统有源模体定位方法 | 2020-05-15 | 411 |
| 正电子发射断层成像系统飞行时间性能检测方法及装置 | 2020-05-18 | 70 |
| 多层闪烁晶体的正电子发射断层成像探测器 | 2020-05-14 | 785 |
| 核医学诊断装置、正电子发射断层成像装置及检测器单元 | 2020-05-19 | 202 |
| 正电子发射断层成像衰减校正方法和组合的断层成像系统 | 2020-05-12 | 586 |
| 一种正电子发射断层成像中的运动门控方法及系统 | 2020-05-19 | 694 |
| 正电子发射断层成像电子学信号处理系统和方法 | 2020-05-20 | 414 |
| 一种正电子发射断层扫描成像系统及方法 | 2020-05-15 | 692 |
| 正电子发射断层成像系统 | 2020-05-17 | 642 |
| 正电子发射断层成像的探测器模块 | 2020-05-17 | 804 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
正电子发射断层成像热门专利
QQ群二维码
意见反馈
意见反馈