柯?tīng)柾?厲力華* 劉 偉 徐偉棟 張 娟 張凌男 ZHENG Bin ,2

1(杭州電子科技大學(xué)生命信息與儀器工程學(xué)院, 杭州 310018)2(Department of Radiology in University of Pittsburgh, PA 15213, USA)3( 浙江省腫瘤醫(yī)院放射科, 杭州 310022)

基于視覺(jué)感知信息的乳腺鉬靶腫塊檢測(cè)分析與自動(dòng)提取

柯?tīng)柾?厲力華1*劉 偉1徐偉棟1張 娟3張凌男3ZHENG Bin1,2

1(杭州電子科技大學(xué)生命信息與儀器工程學(xué)院, 杭州 310018)2(Department of Radiology in University of Pittsburgh, PA 15213, USA)3( 浙江省腫瘤醫(yī)院放射科, 杭州 310022)

醫(yī)生的視覺(jué)感知信息與影像診斷聯(lián)系緊密，如何有效利用該信息以提高醫(yī)學(xué)影像輔助診斷中的決策準(zhǔn)確性，是一個(gè)具有前沿性和實(shí)際臨床價(jià)值的研究課題。針對(duì)醫(yī)生臨床診斷時(shí)其視覺(jué)感知行為的分析和利用，探討醫(yī)生讀片時(shí)單純的視覺(jué)注視信息在多大程度上反映腫塊位置(可檢測(cè)性)，以及如何利用視覺(jué)注視信息提取病灶。首先，用眼動(dòng)儀采集醫(yī)生讀片時(shí)的注視點(diǎn)序列，每個(gè)注視點(diǎn)包括該點(diǎn)在鉬靶影像中的相對(duì)位置、注視點(diǎn)停留時(shí)間和瞳孔直徑等3個(gè)視覺(jué)特征，然后基于這些特征對(duì)注視點(diǎn)序列進(jìn)行聚類(lèi)分析，根據(jù)關(guān)注度評(píng)價(jià)找出醫(yī)生瀏覽影像時(shí)的若干“關(guān)注點(diǎn)”位置，并對(duì)比分析其與腫塊位置的關(guān)系，以評(píng)價(jià)“命中率”；以關(guān)注點(diǎn)為引導(dǎo)，利用區(qū)域生長(zhǎng)和水平集方法對(duì)腫塊病灶進(jìn)行提取。利用DDSM數(shù)據(jù)庫(kù)和浙江省腫瘤醫(yī)院數(shù)據(jù)庫(kù)的75張鉬靶影像進(jìn)行初步實(shí)驗(yàn)。將關(guān)注點(diǎn)數(shù)限制在4個(gè)以?xún)?nèi)時(shí)，腫塊病灶命中率為58.49%，同時(shí)所有命中腫塊中被完整提取的占70.97%。結(jié)果表明，醫(yī)生視覺(jué)注意信息對(duì)腫塊位置的反應(yīng)有一定作用，有助于理解感知反饋提高診斷精度的內(nèi)在機(jī)理。

視覺(jué)感知；圖像分割；眼動(dòng)儀；聚類(lèi)分析

引言

乳腺癌是危害婦女身體健康的最常見(jiàn)的惡性腫瘤之一[1]。我國(guó)乳腺癌發(fā)病率目前正以每年3%～4%的增長(zhǎng)率急劇上升。2011年10月北京市腫瘤防治研究所發(fā)布的《1995～2010北京市惡性腫瘤發(fā)病報(bào)告》顯示，北京市戶(hù)籍人口中乳腺癌為女性惡性腫瘤之首[2]。國(guó)內(nèi)外研究表明早期診斷和治療能夠有效提高乳腺癌病人的存活率[3-4]。鉬靶X線(xiàn)攝影檢查是目前臨床上乳腺癌檢測(cè)的最主要手段[5]，計(jì)算機(jī)輔助診斷技術(shù)可以對(duì)乳腺鉬靶X線(xiàn)攝影進(jìn)行初步檢測(cè)，將圖像中的疑似病灶區(qū)報(bào)告給醫(yī)生來(lái)進(jìn)行決策[6]。

臨床上，對(duì)鉬靶X線(xiàn)攝影的腫塊檢測(cè)是一個(gè)醫(yī)生感知和決策的過(guò)程，分為3種情況：一是注視到腫塊病灶，并識(shí)別為腫塊；二是注視到腫塊病灶但誤判為正常組織，或正常組織誤判為腫塊病灶，其原因包括主客觀因素，其結(jié)果表現(xiàn)為假陰性和假陽(yáng)性；三是沒(méi)有注視到腫塊病灶，以致漏診。醫(yī)生根據(jù)自身經(jīng)驗(yàn)來(lái)判定圖像中病灶的性質(zhì)，其主要表現(xiàn)為兩點(diǎn)：不同醫(yī)生對(duì)同一影像的診斷感知過(guò)程存在差異，對(duì)同一個(gè)疑似病灶區(qū)域的解釋也存在差異。因此，不同醫(yī)生間的經(jīng)驗(yàn)差異是腫塊診斷結(jié)果不同的重要原因。

國(guó)際醫(yī)學(xué)影像界的研究表明：醫(yī)生的視覺(jué)感知行為和醫(yī)學(xué)影像(如乳腺鉬靶)的診斷過(guò)程之間有著緊密的內(nèi)在聯(lián)系[7-8]。Kundel等的實(shí)驗(yàn)表明，診斷經(jīng)驗(yàn)不同的醫(yī)生其注視同一幅圖像時(shí)的眼動(dòng)軌跡差異較大，這說(shuō)明診斷過(guò)程中醫(yī)生視覺(jué)感知行為的主觀性不同[9]。另外，通過(guò)眼動(dòng)跟蹤設(shè)備記錄醫(yī)生注視行為而得到的眼動(dòng)軌跡數(shù)據(jù)對(duì)診斷具有重要價(jià)值。如Krupinski研究了醫(yī)生在讀片時(shí)的視覺(jué)感知行為，發(fā)現(xiàn)“感知反饋(perceptual feedback)”方法，即對(duì)醫(yī)生讀片時(shí)注視點(diǎn)停留時(shí)間較長(zhǎng)(> 1 s)的部位進(jìn)行顯著標(biāo)記供醫(yī)生二次讀片，可以提高約16%的診斷精度[10]。感知反饋還可以降低識(shí)別錯(cuò)誤和決策錯(cuò)誤。

基于上述思路，在腫塊檢測(cè)分析中引入視覺(jué)感知信息，既有科學(xué)意義又有重要的實(shí)際臨床價(jià)值。就科學(xué)意義而言，通過(guò)把主觀視覺(jué)感知信息引入乳腺癌輔助診斷，實(shí)質(zhì)是將更豐富的“原始”生物信息引入輔助診斷；就實(shí)際臨床價(jià)值而言，國(guó)外研究已經(jīng)證明“感知反饋”方法的潛在價(jià)值，而本研究正是試圖探索“感知反饋”方法能提高診斷精度的內(nèi)在機(jī)理，期望將其引入計(jì)算機(jī)輔助診斷(computer-aided diagnosis，CAD)，以提高輔助診斷水平。

鉬靶CAD的腫塊檢測(cè)主要包含兩部分：查找疑似病灶和基于腫塊分類(lèi)的假陽(yáng)性排除。目前，國(guó)內(nèi)外研究提出的疑似病灶查找方法主要是基于鉬靶圖像分割或者濾波實(shí)現(xiàn)的。例如：Hu等提出利用自適應(yīng)的全局閾值和局部閾值相結(jié)合的方法分割原始鉬靶的多分辨率圖像[11]；徐等提出基于海島沖刷模型的腫塊檢測(cè)方法，通過(guò)自適應(yīng)神經(jīng)模糊推理系統(tǒng)進(jìn)行參數(shù)調(diào)節(jié)以達(dá)到腫塊分離的最佳效果[12]；Marcin Bator提出通過(guò)進(jìn)化算法優(yōu)化后的模型，檢測(cè)疑似病灶[13]。鑒于目前國(guó)內(nèi)外將視覺(jué)感知信息應(yīng)用于腫塊檢測(cè)分析的研究較少，本研究探索性地將視覺(jué)感知信息引入腫塊檢測(cè)分析中，并使用基于密度的 (density-based spatial clustering of applications with noise，DBSCAN)聚類(lèi)算法分析感知信息，以查找定位鉬靶X線(xiàn)攝影中的疑似腫塊病灶。與傳統(tǒng)乳腺鉬靶腫塊檢測(cè)分析方法不同，本方法利用主觀視覺(jué)感知信息分析，實(shí)現(xiàn)疑似病灶定位，能夠揭示醫(yī)生單純的視覺(jué)注意信息對(duì)腫塊位置的定位程度。

基于以上所述，開(kāi)展基于視覺(jué)感知信息分析的乳腺鉬靶腫塊檢測(cè)分析與自動(dòng)提取的研究。研究方法包括3個(gè)步驟：首先用眼動(dòng)儀采集醫(yī)生診斷影像時(shí)的視覺(jué)注視點(diǎn)序列，每個(gè)注視點(diǎn)都包含其在鉬靶全圖中的相對(duì)坐標(biāo)位置、停留時(shí)間和瞳孔直徑等視覺(jué)特征；基于以上3個(gè)視覺(jué)特征和DBSCAN算法，對(duì)視覺(jué)注視點(diǎn)序列進(jìn)行聚類(lèi)分析，找出醫(yī)生診斷影像時(shí)的關(guān)注點(diǎn)位置，并且比較分析關(guān)注點(diǎn)與真實(shí)腫塊的位置關(guān)系，以評(píng)價(jià)“單純的視覺(jué)注意信息對(duì)腫塊位置的反映程度”；以關(guān)注點(diǎn)為種子點(diǎn)，采用區(qū)域生長(zhǎng)方法初步提取疑似病灶區(qū)，稱(chēng)之為“粗分割”，之后采用所提出的基于水平集的多尺度乳腺腫塊病灶分割方法[15]對(duì)提取的疑似病灶區(qū)進(jìn)行“細(xì)分割”，以得到最終的提取結(jié)果。

1 方法

基于視覺(jué)感知信息分析來(lái)驗(yàn)證醫(yī)生診斷過(guò)程中其自身感知行為對(duì)腫塊檢測(cè)的作用，提出一種基于視覺(jué)感知信息的腫塊自動(dòng)提取方法來(lái)實(shí)現(xiàn)感知反饋，方法框架如圖1所示。通過(guò)采集醫(yī)生視覺(jué)感知信息,并對(duì)其進(jìn)行聚類(lèi)分析，得到醫(yī)生關(guān)注點(diǎn)，然后以關(guān)注點(diǎn)為種子點(diǎn)，利用圖像分割技術(shù)提取疑似腫塊。為了更清晰地演示所提出的研究思路，圖2顯示了與方法框架對(duì)應(yīng)的示例。

圖1 方法框架Fig.1 The framework of the proposed approach

1.1眼動(dòng)視覺(jué)注意信息采集和預(yù)處理

實(shí)驗(yàn)邀請(qǐng)具有20多年臨床影像診斷經(jīng)驗(yàn)的醫(yī)生作為眼動(dòng)數(shù)據(jù)采集的被試，使用ASL-H6頭戴式單目眼動(dòng)跟蹤系統(tǒng)[16],記錄醫(yī)生在瀏覽鉬靶影像時(shí)的各項(xiàng)眼動(dòng)信息。已有研究表明，注視點(diǎn)位置、注視點(diǎn)停留時(shí)間和瞳孔直徑這3項(xiàng)眼動(dòng)注視點(diǎn)屬性能反映被試在瀏覽圖像時(shí)對(duì)不同局部區(qū)域的感興趣程度。筆者讀取每個(gè)鉬靶影像對(duì)應(yīng)的所有注視點(diǎn)的該屬性數(shù)據(jù)，并將其作為后續(xù)分析的眼動(dòng)數(shù)據(jù)。

1.2眼動(dòng)視覺(jué)注意信息分析

采用聚類(lèi)方法分析眼動(dòng)數(shù)據(jù)，提出一種關(guān)注度評(píng)價(jià)指標(biāo)來(lái)捕捉關(guān)注點(diǎn)，并在實(shí)驗(yàn)結(jié)果中對(duì)“基于眼動(dòng)數(shù)據(jù)進(jìn)行腫瘤檢測(cè)”的敏感性和特異性進(jìn)行分析。

1.2.1基于DBSCAN算法的聚類(lèi)分析

1.2.1.1DBSCAN聚類(lèi)算法

通過(guò)大量的前期試驗(yàn)，比較了不同聚類(lèi)算法在眼動(dòng)數(shù)據(jù)分析上的應(yīng)用，發(fā)現(xiàn)DBSCAN算法能更好地分析醫(yī)生瀏覽影像時(shí)的眼動(dòng)數(shù)據(jù)。DBSCAN是一種基于密度的聚類(lèi)算法，能將具有一定密度的區(qū)域劃分為簇，可以在含有“噪聲”的空間數(shù)據(jù)集中自動(dòng)確定簇的數(shù)量，并發(fā)現(xiàn)任意形狀的簇。DBSCAN聚類(lèi)算法涉及以下6個(gè)概念[17]：

1)ε鄰域：以任意注視點(diǎn)p為中心、ε為半徑的圓形區(qū)域就是注視點(diǎn)p的ε鄰域。

2)核心點(diǎn)：給定鄰域半徑ε，ε鄰域中包含最少注視點(diǎn)數(shù)目MinPts，若注視點(diǎn)p的ε鄰域Nε(p)包含的注視點(diǎn)數(shù)|Nε(p)|≥MinPts，則稱(chēng)p為核心點(diǎn)。

3)直接密度可達(dá)：給定ε、MinPts，若兩個(gè)注視點(diǎn)同時(shí)滿(mǎn)足以下兩個(gè)條件：p∈Nε(q)，|Nε(q)|≥MinPts,則稱(chēng)注視點(diǎn)p是從注視點(diǎn)q出發(fā)直接密度可達(dá)的。

4)密度可達(dá)：給定注視點(diǎn)序列D，當(dāng)存在一個(gè)注視點(diǎn)子序列p1，p2，…，pn(p1=q，pn=p，對(duì)pi∈D，pi+1是從pi關(guān)于ε和MinPts直接密度可達(dá)的，則稱(chēng)注視點(diǎn)p從注視點(diǎn)q關(guān)于ε和MinPts密度可達(dá)。

5)密度相連：如果注視點(diǎn)序列D中存在一個(gè)注視點(diǎn)z，使得注視點(diǎn)p和q是從z關(guān)于ε和MinPts密度可達(dá)的，那么注視點(diǎn)p和q關(guān)于ε和MinPts密度相連。

6)簇和噪聲：由任意一個(gè)核心點(diǎn)開(kāi)始，從該點(diǎn)密度可達(dá)的所有注視點(diǎn)構(gòu)成的注視點(diǎn)集稱(chēng)為“簇”，不在任何簇中的注視點(diǎn)被認(rèn)為是“噪聲點(diǎn)”。

所謂DBSCAN算法，實(shí)質(zhì)就是通過(guò)迭代，查找密度可達(dá)的注視點(diǎn)集組成的所有簇。其中，在鄰域半徑ε和ε鄰域中注視點(diǎn)個(gè)數(shù)最小值MinPts的選擇很重要，它決定聚類(lèi)效果的好壞[18]，有助于實(shí)現(xiàn)上述參數(shù)的自適應(yīng)選擇。

1.2.1.2自適應(yīng)DBSCAN聚類(lèi)分析

設(shè)某一鉬靶全圖對(duì)應(yīng)的醫(yī)生注視點(diǎn)序列為n1,n2,…，nN，分別提取每個(gè)注視點(diǎn)的視覺(jué)特征參數(shù)值，包括其在鉬靶全圖中的坐標(biāo)位置(x，y)、停留時(shí)間t和瞳孔直徑d，得到4個(gè)特征序列(x1，x2,…，xN)，(y1，y2,...，yN)，(t1,t2,…，tN)，(d1,d2,…，dN)，將4個(gè)特征序列各自歸一化后，構(gòu)建成與注視點(diǎn)對(duì)應(yīng)的視覺(jué)特征點(diǎn)(集)為(xi,yi,ti,pi)，i=1,2,…,N。

基于該特征向量計(jì)算距離的分布矩陣為

(1)

式中，N為視覺(jué)特征點(diǎn)數(shù)目，它等于序列中注視點(diǎn)的數(shù)目；k表示第i個(gè)視覺(jué)特征點(diǎn)到第j個(gè)視覺(jué)特征點(diǎn)的歐式距離，DN×N是N行N列的實(shí)對(duì)稱(chēng)矩陣。

1)鄰域半徑ε的計(jì)算

①首先，基于DN×N計(jì)算視覺(jué)特征點(diǎn)集(xi,yi,ti,pi)，i=1,2,…,N的k-最近鄰距離集合。

距離視覺(jué)特征點(diǎn)p最近的第k點(diǎn)到特征點(diǎn)p的距離，被稱(chēng)為p的k-最近鄰距離；在視覺(jué)特征點(diǎn)集中所有成員的k-最近鄰距離的集合，被稱(chēng)為該視覺(jué)特征點(diǎn)集的k-最近鄰距離集合。k-最近鄰距離集合的具體具體計(jì)算方法如下：

對(duì)DN×N每列排序并轉(zhuǎn)置得到矩陣D0,N×N=sort(DN×N)′，其中D0,N×N的每一列向量代表視覺(jué)特征點(diǎn)集中所有成員到最近的第k-1(k是列下標(biāo)，k=1,2,…,N)成員的距離集合。第一列全為零，即每個(gè)對(duì)象到自身的距離。去除D0,N×N第一列，并對(duì)列向量排序得到D1,N×(N-1)有，

D1，N×(N-1)=sort(D0，N×N(1:end;2:end))

(2)

式中，D1，N×(N-1)的第k(k=1,2,…,N-1)列代表所有視覺(jué)特征點(diǎn)的k-最近鄰距離集合Distk。

舉個(gè)例子，某一個(gè)鉬靶全圖對(duì)應(yīng)的注視點(diǎn)序列數(shù)N=33，計(jì)算視覺(jué)特征點(diǎn)集所有成員的最近鄰距離集合的矩陣為D1，33×32，其1-最近鄰距離集合為D1，33×32的第一列Dist1，如圖3(a)所示。

②其次，根據(jù)DBSCAN算法，對(duì)MinPts分別取1～N，依次分別計(jì)算對(duì)應(yīng)且合適的領(lǐng)域半徑。

由于D1,N×(N-1)矩陣的每列向量代表視覺(jué)特征點(diǎn)集的k-最近鄰距離集合，因此根據(jù)DBSCAN算法實(shí)質(zhì)，給定MinPts=k時(shí)選擇合適的鄰域半徑ε，就是從D1,N×(N-1)的第k列選取一個(gè)合適的值。

依舊以圖3(a)為例，具體方法如下：根據(jù)文獻(xiàn)[18]，D1,33×32的每個(gè)列元素排序后繪制于坐標(biāo)系中，形狀基本與圖3(a)一致，而自適應(yīng)的計(jì)算合適的鄰域半徑ε只能通過(guò)尋找圖3(a)中曲線(xiàn)的拐點(diǎn)縱坐標(biāo)值來(lái)獲得。又因?yàn)橹苯佑脭?shù)學(xué)方法無(wú)法計(jì)算曲線(xiàn)的拐點(diǎn)縱坐標(biāo)值，因此筆者選擇擬合方法來(lái)近似獲取該值。通過(guò)統(tǒng)計(jì)圖3(a)中Dist1在各個(gè)取值段上所包含的樣本點(diǎn)數(shù)(即核心點(diǎn)數(shù))，繪制圖3(a)Dist1概率分布圖。通過(guò)核擬合(Kernelsmoothingdensityestimate)得到的峰值點(diǎn)(即圖3(a)中曲線(xiàn)的拐點(diǎn)的近似)所對(duì)應(yīng)橫坐標(biāo)值(即圖3(a)的縱坐標(biāo)值)近似作為ε1，如圖3(b)所示。再依次從D1，33×32中取第2～32列計(jì)算得到ε2,ε3,…,ε32，那么最終得到32對(duì)數(shù)據(jù)，如表1所示。

表1 32組MinPts和鄰域半徑ε值

2)對(duì)象個(gè)數(shù)MinPts的計(jì)算

由于εk，k=(1,2,…，N)是通過(guò)擬合估計(jì)所得，會(huì)因此造成偏差。但根據(jù)文獻(xiàn)[18]，其中有一對(duì)鄰域半徑和MinPts值是合適用于聚類(lèi)的。通過(guò)計(jì)算當(dāng)MinPts=k，ε=εk時(shí)的噪聲注視點(diǎn)數(shù)(記為noisek)，以確定合適的DBSCAN聚類(lèi)參數(shù)。

仍然以N=33為例，具體計(jì)算如下：根據(jù)文獻(xiàn)[18]方法，繪制圖3(c)，縱坐標(biāo)為MinPts=k，ε=εk時(shí)的噪聲點(diǎn)數(shù)noisek(k=1,…，32，橫坐標(biāo)為噪聲點(diǎn)數(shù)noisek的最大值和最小值之間的等差數(shù)列(含32個(gè)整數(shù))。繪制噪聲點(diǎn)曲線(xiàn)和45°斜線(xiàn)(如圖3(c))，求得兩線(xiàn)交點(diǎn)的縱坐標(biāo)值i就是MinPts的最佳值，最終得到DBSCAN聚類(lèi)參數(shù)MinPts=i，ε=ει。

1.2.2“關(guān)注點(diǎn)”捕捉

圖3 自適應(yīng)DBSCAN算法參數(shù)選取。(a)排序后的Dist1；(b)Dist1概率分布和曲線(xiàn)擬合；(c)兩線(xiàn)相交得MinPts值Fig.3 The parameters selection of the adaptive DBSCAN algorithm. (a) Sorted Dist1; (b) Probability distribution of Dist1 and then curve fitting; (c) Achieving MinPts at the point of intersection

采用筆提出的“剪枝”算法[19]，對(duì)自適應(yīng)DBSCAN聚類(lèi)算法分析后得到的眼動(dòng)注視點(diǎn)序列進(jìn)行進(jìn)一步分析，取類(lèi)內(nèi)各注視點(diǎn)處的停留時(shí)間總和作為“代表注視點(diǎn)”的停留時(shí)間，取該類(lèi)中心坐標(biāo)位置作為其坐標(biāo)位置，取類(lèi)內(nèi)所有注視點(diǎn)中的瞳孔直徑最大值作為其瞳孔直徑。這樣取值的意義在于讓注視點(diǎn)密集區(qū)域更容易在競(jìng)爭(zhēng)中被選為關(guān)注點(diǎn)，這主要基于本實(shí)驗(yàn)的假設(shè)前提，即診斷過(guò)程中醫(yī)生會(huì)比較關(guān)注感興趣的區(qū)域。之后，筆者提出一個(gè)綜合指標(biāo)來(lái)選取醫(yī)生“關(guān)注點(diǎn)”位置。文獻(xiàn)[19]分析了停留時(shí)間和瞳孔直徑對(duì)關(guān)注度評(píng)價(jià)的作用，對(duì)確定兩者對(duì)關(guān)注度評(píng)價(jià)的作用程度仍然是個(gè)難題。因此，筆者將注視點(diǎn)序列中停留時(shí)間和瞳孔直徑各自歸一化后取同一注視點(diǎn)的停留時(shí)間與瞳孔直徑的和作為綜合指標(biāo)，指標(biāo)值越大，對(duì)應(yīng)注視點(diǎn)所在區(qū)域受關(guān)注度越高。通過(guò)統(tǒng)計(jì)每張乳腺鉬靶全圖上的病灶個(gè)數(shù)，得出選取指標(biāo)值最大的4個(gè)注視點(diǎn)作為關(guān)注點(diǎn)較為合適，合并相鄰的關(guān)注點(diǎn)。

1.3基于視覺(jué)注意信息的疑似病灶提取

在醫(yī)生眼動(dòng)信息分析之后，筆者采用經(jīng)典的區(qū)域生長(zhǎng)分割算法，得到腫塊病灶的“粗輪廓”。按照本文1.2節(jié)所述方法選取關(guān)注點(diǎn)，生長(zhǎng)過(guò)程采用基于迭代的自動(dòng)灰度閾值算法。本方法為自動(dòng)灰度閾值算法設(shè)定一個(gè)以關(guān)注點(diǎn)為中心800像素 × 800像素的區(qū)域，具體如下：

1)該算法將灰度平均值作為初始閾值T0，根據(jù)T0將像素點(diǎn)分成兩組：第一組像素點(diǎn)灰度大于T0，第二組像素點(diǎn)灰度小于或等于T0。

2)兩組像素點(diǎn)各自求灰度平均值，得到A1和A2，求A1和A2的平均值T1，然后計(jì)算T0與T1差值的絕對(duì)值。

3)如果絕對(duì)值大于1，則T0=T1，重復(fù)1)、2)；否則，T0就是該關(guān)注點(diǎn)的生長(zhǎng)閾值。

實(shí)驗(yàn)中關(guān)注點(diǎn)的生長(zhǎng)面積限制為160 000個(gè)像素，這是多次實(shí)驗(yàn)得出的經(jīng)驗(yàn)值，比較適合提取整個(gè)腫塊病灶。關(guān)注點(diǎn)區(qū)域生長(zhǎng)完成后，采用形態(tài)學(xué)閉運(yùn)算和區(qū)域填充的方法，進(jìn)一步處理得到的“粗輪廓”。

1.4基于水平集的多尺度腫塊病灶分割

腫塊病灶的“粗分割”主要用于提取含腫塊的矩形區(qū)域，其分割結(jié)果與真實(shí)病灶輪廓相比精度較低。為了提取較為精確的腫塊病灶輪廓，采用筆作者提出的一種基于水平集的多尺度乳腺病灶分割方法[11]，對(duì)“粗輪廓”進(jìn)行“細(xì)分割”，具體處理方法如下：

1)以本文1.3節(jié)中得到的“粗輪廓”作為“細(xì)分割”的初始輪廓，計(jì)算輪廓左右兩端和上下兩端距離，分別記為D1、D2。

2)以粗輪廓為中心，從全圖中截取(2D1)×(2D2)像素的矩形圖像。

3)以矩形病灶圖像中心為圓心和(D1+D2)/20為半徑確定一個(gè)初始圓，作為文獻(xiàn)[8]中方法的初始輪廓進(jìn)行“細(xì)分割”。初始圓半徑應(yīng)該足夠小，要使初始圓盡量在真實(shí)腫塊區(qū)域內(nèi)。

綜合考慮算法效率和“細(xì)分割”精度，將粗尺度圖像分割迭代次數(shù)設(shè)置為600次，細(xì)尺度圖像分割迭代次數(shù)為100次。另外，由于醫(yī)生診斷讀片時(shí)很大一部分注視點(diǎn)落在腫塊邊緣上，而種子點(diǎn)生長(zhǎng)對(duì)初始種子點(diǎn)的位置敏感性較大，所以“粗分割”得到的腫塊輪廓很可能只包括真實(shí)腫塊的一部分區(qū)域，因此需要將疑似病灶區(qū)截取范圍擴(kuò)大到(2D1)×(2D2)。

1.5實(shí)驗(yàn)數(shù)據(jù)、實(shí)驗(yàn)被試和實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)數(shù)據(jù)庫(kù)使用南佛羅里達(dá)大學(xué)的DDSM(Digital Database for Screening Mammography)公用數(shù)據(jù)庫(kù)浙江省腫瘤醫(yī)院的數(shù)據(jù)，共76個(gè)鉬靶影像，其中46個(gè)包含腫塊病灶，30個(gè)未包含腫塊病灶，圖像尺寸平均值為2 500 × 4 500像素點(diǎn)。

實(shí)驗(yàn)參加者為浙江省腫瘤醫(yī)院放射科的副主任醫(yī)生，具有20多年的臨床影像診斷經(jīng)驗(yàn)。被試在實(shí)驗(yàn)前未瀏覽過(guò)實(shí)驗(yàn)圖像庫(kù)中的任何圖像，實(shí)驗(yàn)時(shí)的圖像隨機(jī)呈現(xiàn)。圖像顯示設(shè)備為21吋的WIDE醫(yī)用液晶顯示器，分辨率為2 048像素×2 560像素。實(shí)驗(yàn)中的圖像顯示在屏幕中央，被試瀏覽圖像結(jié)束后，閉眼表示一次眼動(dòng)數(shù)據(jù)記錄結(jié)束。圖4為被試佩戴ASL-H6眼動(dòng)儀頭盔瀏覽鉬靶影像時(shí)的情形，其身后放置一個(gè)電磁式頭部運(yùn)動(dòng)補(bǔ)償裝置，使被試在瀏覽圖像時(shí)可以在一定范圍內(nèi)自由活動(dòng)頭部。

圖4 實(shí)驗(yàn)場(chǎng)景Fig.4 The scene of experiment

1.6評(píng)價(jià)方法

將關(guān)注點(diǎn)與醫(yī)生手動(dòng)標(biāo)注的腫塊病灶區(qū)域進(jìn)行位置比較分析，將關(guān)注點(diǎn)落在腫塊病灶標(biāo)注區(qū)域內(nèi)稱(chēng)為關(guān)注點(diǎn)“命中”腫塊病灶。分別計(jì)算“命中腫塊的關(guān)注點(diǎn)數(shù)占關(guān)注點(diǎn)總數(shù)的比例”和“未命中腫塊的非關(guān)注點(diǎn)數(shù)占非關(guān)注點(diǎn)總數(shù)的比例”。設(shè)NUM1為命中腫塊的關(guān)注點(diǎn)數(shù)目，NUM關(guān)注點(diǎn)總數(shù)為關(guān)注點(diǎn)總數(shù)，NUM2為未命中腫塊的非關(guān)注點(diǎn)數(shù)，NUM非注視點(diǎn)總數(shù)為非關(guān)注點(diǎn)總數(shù)，那么有如下公式定義：

命中腫塊的關(guān)注點(diǎn)數(shù)占關(guān)注點(diǎn)總數(shù)的比例=

(3)

未命中腫塊的非關(guān)注點(diǎn)數(shù)占非關(guān)注點(diǎn)

(4)

統(tǒng)計(jì)結(jié)果顯示，“命中腫塊的關(guān)注點(diǎn)數(shù)占關(guān)注點(diǎn)總數(shù)的比例”和“未命中腫塊的非關(guān)注點(diǎn)數(shù)占非關(guān)注點(diǎn)總數(shù)的比例”分別為41.3%和81.9%。

為了定量評(píng)價(jià)視覺(jué)感知信息對(duì)鉬靶腫塊病灶定位的作用，采用命中率(shooting average, SA)和假陽(yáng)性率(false positive rate, FPR)進(jìn)行客觀評(píng)價(jià)。設(shè)FA為鉬靶全圖中被關(guān)注點(diǎn)命中的真實(shí)腫塊個(gè)數(shù)，F(xiàn)B為鉬靶全圖中真實(shí)腫塊總數(shù)，F(xiàn)C為鉬靶全圖中被關(guān)注點(diǎn)定位的疑似腫塊病灶總數(shù)，那么有如下定義：

(5)

(6)

可以看出：SA的值越大，敏感性越高；FPR的值越小，對(duì)鉬靶腫塊病灶的定位效果越好。

為了進(jìn)一步提取被定位的疑似腫塊病灶，引入腫塊病灶分割方法提取腫塊病灶。首先，基于區(qū)域生長(zhǎng)從乳腺鉬靶全圖中提取腫塊病灶的“粗輪廓”，得到包含腫塊病灶的感興趣區(qū)域。粗輪廓基本決定最終腫塊病灶分割所能達(dá)到的精度水平，分為完整包含、半包含和不包含腫塊病灶3種情況。

基于目前已有腫塊分割方法用視覺(jué)感知信息分析定位疑似腫塊代替醫(yī)生手動(dòng)標(biāo)記方法，肯定會(huì)降低最終的腫塊分割精度。為了初步估計(jì)分割精度降低幅度，將算法分割得到的結(jié)果與該領(lǐng)域?qū)＜沂謩?dòng)分割的結(jié)果進(jìn)行像素級(jí)別的比較。采用重疊率(overlap rate, OR)和誤分率(misclassification rate, MR)兩個(gè)指標(biāo)來(lái)對(duì)腫塊分割結(jié)果進(jìn)行客觀評(píng)價(jià)。設(shè)SA為分割輪廓，SB為專(zhuān)業(yè)醫(yī)生勾勒的標(biāo)準(zhǔn)輪廓，于是有如下定義：

(7)

(8)

可以看出，OR的值越大，MR的值越小，則表示分割結(jié)果越好。當(dāng)OR=1，MR=0時(shí)，表明算法分割結(jié)果與手工分割結(jié)果一致?；谑?7)和式(8)，挑選出包括或部分包括腫塊病灶區(qū)域的生長(zhǎng)結(jié)果，計(jì)算平均重疊率和平均誤分率。平均重疊率和平均誤分率定義如下：

平均重疊率=重疊率總和/區(qū)域個(gè)數(shù)

(9)

平均誤分率=誤分率總和/區(qū)域個(gè)數(shù)

(10)

2 結(jié)果

對(duì)以上76個(gè)鉬靶影像進(jìn)行實(shí)驗(yàn)，并對(duì)“基于視覺(jué)感知信息進(jìn)行腫塊檢測(cè)”的敏感性和特異性進(jìn)行分析，還對(duì)基于視覺(jué)感知信息提取腫塊病灶的準(zhǔn)確度進(jìn)行評(píng)價(jià)。

2.1腫塊檢測(cè)結(jié)果

本方法基于視覺(jué)感知信息中的主要參數(shù)——瞳孔直徑和停留時(shí)間，提出一個(gè)綜合指標(biāo)。先對(duì)視覺(jué)注視點(diǎn)序列進(jìn)行DBSCAN聚類(lèi)分析，再基于綜合指標(biāo)進(jìn)行“關(guān)注度”評(píng)價(jià)，找出醫(yī)生的“關(guān)注點(diǎn)”，如圖5所示。注意關(guān)注點(diǎn)少于4的例圖是緊鄰關(guān)注點(diǎn)合并的結(jié)果：將聚類(lèi)剪枝后的視覺(jué)注視點(diǎn)分為關(guān)注點(diǎn)和非關(guān)注點(diǎn)，如圖5(a)中的上下兩張圖，下一張圖中的兩點(diǎn)是本方法找到的關(guān)注點(diǎn)，聚類(lèi)剪枝后的注視點(diǎn)序列中除了這兩點(diǎn)被歸類(lèi)為關(guān)注點(diǎn)外，其余的視覺(jué)注視點(diǎn)都被歸為非關(guān)注點(diǎn)。

圖5 基于DBSCAN聚類(lèi)分析的關(guān)注點(diǎn)定位實(shí)驗(yàn)的部分結(jié)果(上行為注視點(diǎn)分布，下行為關(guān)注點(diǎn)分布)。(a)和(b)來(lái)自DDSM；(c)來(lái)自浙江省腫瘤醫(yī)院Fig.5 The part result of locating concerns based on DBSCAN(The upper line is distribution of fixation points and the bottom line is the distribution of concerns). Mammograms (a) and (b) are from DDSM and (c) is from Zhejiang Cancer Hospital

對(duì)含腫塊的46例乳腺鉬靶全圖中53個(gè)腫塊病灶的命中率進(jìn)行統(tǒng)計(jì)，被準(zhǔn)確命中的腫塊病灶為31個(gè)，命中率為58.49%。另外，46例全圖中產(chǎn)生關(guān)注點(diǎn)的總數(shù)為134個(gè)，其中覆蓋假陽(yáng)性病灶的關(guān)注點(diǎn)為103個(gè)，假陽(yáng)性率為76.87%。

2.2腫塊提取結(jié)果

包含完整腫塊的感興趣區(qū)域?yàn)?2個(gè)，半包含腫塊為7個(gè)，不包含腫塊為24個(gè)。大部分被定位的腫塊病灶是被完整提取的，即在31個(gè)被定位的腫塊病灶中，被完整提取的有22個(gè)，部分包含提取的有7例，完全不被包含提取的有2例，腫塊完整提取的占70.97%。

對(duì)被種子命中且完全提取鉬靶腫塊病灶的22個(gè)感興趣區(qū)域進(jìn)行精分割，并對(duì)分割結(jié)果進(jìn)行客觀評(píng)價(jià)和統(tǒng)計(jì)分析，顯示平均重疊率為55.96%、平均誤分率為76.51%。在腫塊病灶分割例子中，最大重疊率為97.50%，其對(duì)應(yīng)的誤分率為123.16%；最小誤分率為30.20%，其對(duì)應(yīng)的重疊率為79.70%。

3 討論

將每個(gè)鉬靶全圖中的關(guān)注點(diǎn)位置與對(duì)應(yīng)的注視點(diǎn)分布進(jìn)行對(duì)比分析和統(tǒng)計(jì)，結(jié)果顯示鉬靶全圖中視覺(jué)注視點(diǎn)密集區(qū)幾乎總會(huì)產(chǎn)生“關(guān)注點(diǎn)”(如圖5所示)，這說(shuō)明診斷醫(yī)生讀圖時(shí)會(huì)在感興趣區(qū)域給予較高的關(guān)注度。同時(shí)，因?yàn)楸碚鞲信d趣程度的不只是注視點(diǎn)密集程度這一特征，所以關(guān)注度評(píng)價(jià)指標(biāo)綜合了其他能表征感興趣程度的眼動(dòng)數(shù)據(jù)——瞳孔直徑和停留時(shí)間，盡可能使關(guān)注點(diǎn)位置準(zhǔn)確覆蓋在醫(yī)生最關(guān)注的區(qū)域。

在實(shí)驗(yàn)結(jié)果中“命中腫塊的關(guān)注點(diǎn)數(shù)占關(guān)注點(diǎn)總數(shù)的比例”和“未命中腫塊的非關(guān)注點(diǎn)數(shù)占非關(guān)注點(diǎn)總數(shù)的比例”并不高，原因主要有兩方面：一是通過(guò)設(shè)定關(guān)注點(diǎn)最大數(shù)4，本方法將“剪枝”后的注視點(diǎn)序列成員分為關(guān)注點(diǎn)與非關(guān)注點(diǎn)，而鉬靶影像基本只包含1個(gè)真實(shí)腫塊，使得很大一部分關(guān)注點(diǎn)覆蓋了假陽(yáng)性病灶區(qū)域；二是在診斷過(guò)程中，醫(yī)生未對(duì)部分隱蔽腫塊產(chǎn)生明顯的視覺(jué)感知活動(dòng)，因而很難從視覺(jué)注意特征角度識(shí)別這些隱蔽的腫塊。

實(shí)驗(yàn)結(jié)果中假陽(yáng)性率較高，其原因在于本方法只用于腫塊檢測(cè)中的疑似腫塊查找，而沒(méi)有涉及假陽(yáng)性的識(shí)別與排除。正是這個(gè)實(shí)驗(yàn)結(jié)果，證明臨床診斷中假陽(yáng)性病灶會(huì)獲得醫(yī)生關(guān)注的概率較大，表明為醫(yī)生提供感知反饋的必要性。

在診斷過(guò)程中，醫(yī)生時(shí)常注視腫塊邊界的病灶特征，導(dǎo)致關(guān)注點(diǎn)很可能落在腫塊邊緣(見(jiàn)圖5(b))；又由于區(qū)域生長(zhǎng)對(duì)初始點(diǎn)位置條件較為苛刻，因此“粗分割”提供的初始輪廓線(xiàn)未能達(dá)到醫(yī)生手動(dòng)標(biāo)注的準(zhǔn)確度。但從CAD系統(tǒng)發(fā)展的角度講，本方法直接基于眼動(dòng)數(shù)據(jù)和區(qū)域生長(zhǎng)提取感興趣區(qū)域，利用 “原始的”視覺(jué)感知信息來(lái)完成腫塊病灶區(qū)域的標(biāo)注，這正是筆者提出的乳腺癌腫塊檢測(cè)分析方法的不同之處。如果腫塊檢測(cè)結(jié)果經(jīng)過(guò)醫(yī)生感知信息的肯定，那么計(jì)算機(jī)可以對(duì)檢測(cè)結(jié)果做進(jìn)一步分析。如圖6、7所示，“細(xì)分割”的腫塊輪廓精度較高，有可能用于良惡性診斷和病灶檢索分析。

圖6 基于“命中”腫塊中心區(qū)的關(guān)注點(diǎn)的細(xì)分割實(shí)驗(yàn)結(jié)果。(a)對(duì)應(yīng)圖5(a)；(b)對(duì)應(yīng)圖5(b)；(c)對(duì)應(yīng)圖5(c)Fig.6 The final result of mass segmentation with shooting concerns. (a) Corresponding to Fig. 5(a); (b) Corresponding to Fig. 5(b); (c) Corresponding to Fig.5(c)

從腫塊病灶定位角度分析，關(guān)注點(diǎn)位置分為腫塊中心區(qū)、腫塊輪廓附近和遠(yuǎn)離腫塊區(qū)，是對(duì)醫(yī)生視覺(jué)注意位置信息的客觀反映，只是以本方法為基礎(chǔ)，后兩種關(guān)注點(diǎn)位置通常會(huì)降低腫塊提取精度，如圖7所示。由此得知，針對(duì)不同位置的關(guān)注點(diǎn)，應(yīng)該從不同角度、不同方法對(duì)其進(jìn)行利用。目前，本方法只適用于腫塊中心區(qū)域上的關(guān)注點(diǎn)，而如何有效利用腫塊病灶邊緣上的關(guān)注點(diǎn)是筆者之后需要研究的內(nèi)容之一。

圖7 基于未“命中”腫塊中心區(qū)的關(guān)注點(diǎn)的細(xì)分割實(shí)驗(yàn)結(jié)果。(a)對(duì)應(yīng)圖5(a)；(b)對(duì)應(yīng)圖5(b)；(c)對(duì)應(yīng)圖5(c)Fig.7 The final result of mass segmentation with missing concerns. (a) Corresponding to Fig.5(a); (b) Corresponding to Fig.5(b); (c) Corresponding to Fig.5(c)

4 結(jié)論

醫(yī)生讀片過(guò)程視覺(jué)感知信息對(duì)腫塊檢測(cè)分析是有一定幫助的，基于視覺(jué)感知信息的腫塊檢測(cè)分析方法能定位一半以上的真實(shí)腫塊。對(duì)于被定位的腫塊，通過(guò)乳腺癌腫塊分割方法，可以提取大多數(shù)腫塊。筆者所開(kāi)展的研究是“視覺(jué)感知信息在輔助診斷中的應(yīng)用”課題中的一項(xiàng)探索性的工作，所使用的視覺(jué)感知信息采集設(shè)備為頭戴式眼動(dòng)跟蹤系統(tǒng)。為了適應(yīng)臨床應(yīng)用需要，今后本研究可以擴(kuò)展采用更方便的非接觸式設(shè)備來(lái)跟蹤記錄眼動(dòng)視覺(jué)信息。另外，筆者目前只對(duì)一個(gè)醫(yī)生做了眼動(dòng)數(shù)據(jù)采集實(shí)驗(yàn)，由此分析得到的“命中率”只能初步說(shuō)明單純視覺(jué)注視信息對(duì)腫塊定位的程度。下一步的工作將包括如下幾個(gè)方面：一是讓不同醫(yī)生對(duì)同一套鉬靶影像進(jìn)行診斷，對(duì)比分析醫(yī)生對(duì)不同特征腫塊的感知能力；二是探索更合適的腫塊提取方法，以提高腫塊的提取精度；三是定量分析“感知反饋”對(duì)提高診斷精度的效果。

[1] A Jemal, R Siegel, E Ward,etal. Cancer statistics, 2008 [J]. Ca-a Cancer Journal for Clinicians, 2008,58(2): 71-96.

[2] 報(bào)告稱(chēng)癌癥成北京人主要死因，乳腺癌及肺癌居首 [EB/OL]. http://news.sohu.com/20111011/n321857525.shtml, 2011-10-11/2012-07-01.

[3] 謝凱濤. 乳腺癌和乳腺病 [M]. 北京：北京醫(yī)科大學(xué)中國(guó)協(xié)和醫(yī)科大學(xué)聯(lián)合出版社, 1995.

[4] 劉佩芳. 乳腺影像診斷必讀 [M]. 北京：人民軍醫(yī)出版社, 2007.

[5] Al Sharkawy M, Sharkas M, Ragab D. Breast cancer detection using support vector machine technique applied on extracted electromagnetic waves [J]. Applied Computational Electromagnetics Society Journal, 2012,27(4): 292-301.

[6] Xu Xiangmin, Zhou Fengle, Xiao Yue. The study of mammary disease CAD system [C] // 2007 IEEE/ICME International Conference on Complex Medical Engineering. Beijing:IEEE,2007: 676-679.

[7] Mello-Thoms C, Dunn SM, Nodine CF,etal. The perception of breast cancers-a spatial frequency analysis of what differentiates missed from reported cancers [J]. IEEE Transactions on Medical Imaging, 2003,22(10): 1297-1306.

[8] Kundel HL, Nodine CF, Krupinski EA,etal. Using gaze-tracking data and mixture distribution analysis to support a holistic model for the detection of cancers on mammograms [J]. Academic Radiology, 2008,7(15): 881-886.

[9] Kundel HL, Nodine CF, Conant EF,etal. Holistic component of image perception in mammogram interpretation: gaze-tracking study [J]. Radiology, 2007,242(2): 396-402.

[10] Krupinski EA. The importance of perception research in medical imaging [J]. Radiation Medicine, 2000,18(6): 329-334.

[11] Hu Kai, Gao Xieping, Li Fei. Detection of suspicious lesions by adaptive thresholding based on multiresolution analysis in mammograms [J]. IEEE Transactions on Instrumention and Measurement, 2011,60(2): 462-472.

[12] 徐偉棟, 劉偉, 厲力華, 等. 一種基于海島沖刷模型的乳腺鉬靶腫塊檢測(cè)新算法 [J]. 中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào), 2011,30(4): 567-575.

[13] Marcin Bator MN. Detection of cancerous masses in mammograms by template matching: Optimization of template brightness distribution by means of evolutionary algorithm [J]. Journal of Digital Imaging, 2012,25(1): 162-172.

[14] Robert MN, Lorenzo LP. Fundamental limitations in developing computer-aided detection for mammography [J]. Nuclear Instruments and Methods in Physics Research, 2011,648(Supp 1): S251-S254.

[15] 虞紅偉, 厲力華, 徐偉棟, 等. 一種基于水平集的多尺度乳腺腫塊分割方法 [J]. 儀器儀表學(xué)報(bào), 2010, 31(6): 1418-1423.

[16] Applied Science Laboratories [EB/OL]. http://asleyetracking.com, 2011-03-01/2012-07-01.

[17] Ester M, Kriegel H P, Sander J,etal. A density-based algorithm for discovering clusters in large spatial data sets with noise [C]// International Conference on Knowledge Discovery and Data Mining. Oregon:KDD, 1996: 226-231.

[18] 夏魯寧, 荊繼武. SA-DBSCAN：一種自適應(yīng)基于密度聚類(lèi)算法 [J]. 中國(guó)科學(xué)院研究生院學(xué)報(bào), 2009, 26(4): 530-538.

[19] 李雙, 劉偉, 徐偉棟, 等. 基于眼動(dòng)感知信息的彩色圖像感興趣區(qū)域提取算法 [J]. 光電工程, 2011,38(4): 115-123.

ApplyingVisualPerceptionInformationforDetectionAnalysisandAutomaticExtractionofBreastMassinMammograms

KE Er-Ting1LI Li-Hua1*LIU Wei1XU Wei-Dong1ZHANG Juan3ZHANG Ling-Nan3ZHENG Bin1, 2

1(CollegeofLifeInformationScienceandInstrumentEngineering,HangzhouDianziUniversity,Hangzhou310018,China)2(DepartmentofRadiology,UniversityofPittsburgh,Pittsburgh,PA15213,USA)3(ZhejiangCancerHospital,Hangzhou310022,China)

Clinical diagnosis according to medical images is a process of radiologists’ visual perception and decision-making. The radiologists’ visual perception information is intimately associated with diagnosis. How to effectively use visual perception information to improve the decision-making accuracy in computer-aided diagnosis is a research subject which is full of scientific significance and clinical value. This paper conducted researches on the analysis and the use of visual perception behavior during diagnosis to explore two issues:one is how well the single perceptual information during diagnosis can reflect masses position; the other is how to use the perceptual information for extracting masses. In the paper, the research method includes two steps. Firstly, radiologists’ fixation point sequence, in which every point includes fixation point location in mammogram, duration time and pupil diameters, was recorded by an eye-tracker during reading and then clustered to achieve some radiologists’ concerns according to the three visual features. Shooting average was calculated by analyzing the positional relationship between concerns and masses in the same mammogram. Secondly, regarding concerns as seeds, the SBRG (seeds-based region growing) approach and the multi-scale mass segmentation approach were applied to buckle breast masses from mammograms. The result of applying the proposed method to 75 mammograms from both DDSM and Zhejiang Cancer Hospital showed that it could achieve shooting average of 58.49% when the limitation of concerns number was 4, and the full-extraction rate for the shot masses was 70.97%. It is revealed that the perceptual information is helpful to reflect masses position as well as to understand the inner mechanism of perceptual feedback.

CAD; visual perception; image segmentation; eye-tracker; clustering analysis

10.3969/j.issn.0258-8021. 2014. 01.005

2013-02-22， 錄用日期：2013-11-15

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃資助(2013CB329502)；國(guó)家自然科學(xué)基金(61001215、61271063)

TP391.4；TP751.1

A

0258-8021(2014) 01-0028-09

*通信作者。E-mail: lilh@hdu.edu.cn