基于光學(xué)相干斷層成像含支架的冠脈血管三維重建

,

(上海師范大學(xué) 信息與機電工程學(xué)院,上海 200234)

基于光學(xué)相干斷層成像含支架的冠脈血管三維重建

倉定舉, 王笑梅*,鄭亞州

(上海師范大學(xué) 信息與機電工程學(xué)院,上海200234)

光學(xué)相干斷層成像(OCT)以其具有高分辨率,實時成像等特征,已經(jīng)成為冠狀動脈疾病檢測的一個新方法.對含支架的OCT冠脈血管圖像進行三維重建研究,以期直觀地顯示三維空間結(jié)構(gòu)圖.通過比較選擇合適的降噪算法對圖像預(yù)處理,根據(jù)OCT圖像的特性,利用改進的最大類間方差算法(Otsu)對冠脈血管進行分割,并利用一個新的自動算法對冠脈支架進行檢測.由于圖像存在大量可視支架,在對極坐標(biāo)圖像序列預(yù)處理之后,用全局的強度輪廓檢測候選的像素,去除偽影,確定支架上下邊界和位置,并合并相鄰的候選像素為一個支架點,成功標(biāo)記出檢測到的支架點,可有效地排除偽影造成的干擾,提升聚類算法的精確度.在此基礎(chǔ)上,利用Amira軟件實現(xiàn)了對冠脈血管和支架進行三維重建和融合.

光學(xué)相干斷層成像; 冠脈支架; 預(yù)處理; 支架檢測; 血管分割; 三維重建

0 引 言

多年來,血管內(nèi)超聲、雙源CT和多層螺旋CT等是治療心冠狀動脈等心血管疾病常見的臨床診斷方法.但近年來,由于冠狀動脈造影和CT檢查存在著一些并發(fā)癥,一些病患不愿接受這種治療方法.而血管內(nèi)的超聲(IVUS)已經(jīng)被用于自動的血管三維重建[1]和支架的檢測[2],但是它受限于空間分解率和低信噪比,使檢測工作非常困難.而光學(xué)相干斷層成像(OCT)作為一個相對較新的光學(xué)信號獲取技術(shù),提供了體內(nèi)血管(包括冠狀動脈)的高分解率圖像[3](大約是IVUS的10倍).這種血管內(nèi)的感知技術(shù)可以準確地區(qū)分血管壁最表面層、支架,還有圍繞著它們的血管組織[4].憑借獲取血管高分解橫截面圖像的能力,OCT可以成為診斷帶有支架的冠狀動脈病人的一個基準工具,并且可引導(dǎo)最優(yōu)的抗血小板療法來提前阻止晚期支架血管堵塞的產(chǎn)生.OCT與IVUS相似,當(dāng)轉(zhuǎn)換器在旋轉(zhuǎn)并且導(dǎo)管處于一個高的、即時的反饋速度時,導(dǎo)管通過向血管壁發(fā)射紅外線而不是超聲來獲取冠狀動脈的橫截面圖像,該過程以輻射的方式進行.這種技術(shù)提供了很多有價值的內(nèi)容,包括關(guān)于合適的支架部署,活體[5]內(nèi)不同支架類型的行為,不同支架類型(例如藥物洗脫支架)對血管壁治愈的影響等信息.大量研究數(shù)據(jù)已經(jīng)闡述了一個在活體內(nèi)貼壁不良的支架的評估,支撐內(nèi)膜覆蓋的評估和血小板組成與維度的評估的高敏感性.這種信息用來評估不同的支架類型在活體內(nèi)的表現(xiàn),以此來測試新藥物對于不同支架覆蓋的影響.

OCT的高分辨率可以提供清晰的冠脈血管斷層圖像序列,支架的很多細節(jié)可以通過圖像觀察到,然而手動標(biāo)記支架是一個耗時耗力而且效率較低的過程,如果能夠提出一個自動的識別支架算法來輔助檢測冠脈血管的支架,會給醫(yī)生帶來極大的便利,并能有效地減小主觀的誤判.

Ughi等[6]提出了一種血管內(nèi)OCT全自動三維可視化方案.該方法準確、快速,適合冠狀動脈介入治療的在線應(yīng)用,但是會造成3D圖像分辨率的下降,形成運動偽影[7].

最近的研究已經(jīng)借助分析血管內(nèi)的OCT圖像序列提出了幾個方法來檢測血管壁和支架.一個通用的方法是基于閾值檢測,如果偽影存在,血管壁的一個區(qū)域會被隱藏,這會導(dǎo)致血管壁被不準確地分割[8].

作者對含支架的OCT冠脈血管圖像進行三維重建研究,以期直觀地顯示三維空間結(jié)構(gòu)圖.通過比較,選擇合適的降噪算法對圖像進行預(yù)處理,根據(jù)OCT圖像的特性,利用改進的Otsu算法對冠脈血管進行分割,并提出一個新的自動算法進行支架提取.實驗表明,該算法利用Amira軟件實現(xiàn)了對冠脈血管和支架進行三維重建和融合.

1 實驗圖片

1.1OCT圖像

OCT圖像是在一個20.0 mm/s的反饋速度期間獲得的.通過OCT對植入支架的冠狀動脈血管進行掃描,得到一個包含271幀的圖像序列的OCT圖像.每一幅圖像尺寸為504 pixels×968 pixels.每一幅圖像顯示一片包含支架的血管壁信息.

由于受圖像導(dǎo)管位置,心臟移動,多余回聲和注入后殘留血液的影響,各幀圖像情況均不同,質(zhì)量也顯著不同.圖像包含的所有的原始信息和一些細節(jié)可能會在從極坐標(biāo)轉(zhuǎn)換為直角坐標(biāo)的過程中丟失.本實驗中,支架檢測采用的是在極坐標(biāo)系統(tǒng)中的原始圖像數(shù)據(jù).

1.2OCT圖像對比分析

圖1即為同一圖像的橫截面圖像和極坐標(biāo)圖像的對比.圖1中可以識別血管壁、導(dǎo)管、偽影、導(dǎo)引鋼絲和支架.其中支架和血管壁是實驗感興趣的區(qū)域,而偽影可能會干擾到支架檢測的部分.

2 實驗的研究方法

2.1研究流程

冠脈支架的檢測及其三維重建的流程如圖2所示.首先,對271幀圖像進行預(yù)處理,然后進行冠脈支架的檢測和血管壁的分割,最后利用Amira對檢測和分割結(jié)果圖像序列進行三維可視化.

圖1 橫截面圖像(a)和極坐標(biāo)圖像對應(yīng)圖(b)

圖2 冠脈支架的檢測及其三維重建的流程

2.2預(yù)處理

由于生物組織的高散射性,掃描和檢測中的非線性等因素,通過OCT系統(tǒng)獲得的生物醫(yī)學(xué)圖像存在各種噪聲,使圖像模糊、失真,從而影響圖像質(zhì)量.對各種噪聲的成因和常用的降噪算法進行分析比較,通過實驗對比,選取合適的降噪算法對OCT圖像進行處理.

實驗主要是以去噪前后圖像噪聲的相對強度和相關(guān)程度為指標(biāo)來衡量去噪算法優(yōu)劣.實驗采用圖像信噪比[9](SNR),圖像均方誤差[10](MSE)、峰值信噪比[11](PSNR)幾個參數(shù)作為評價指標(biāo)[12].

表1 圖像降噪后的客觀數(shù)據(jù)

由表1數(shù)據(jù)可以看出,中值濾波的SNR最低,而自適應(yīng)濾波的SNR最高,信噪比越高,對圖像降噪效果越好;線性平滑濾波的PSNR最低,而自適應(yīng)濾波的PSNR最高,PSNR越大表示圖像的失真越少,圖像質(zhì)量越好;線性平滑濾波的MSE最高,而自適應(yīng)濾波的MSE最低,MSE作為PSNR的分母,大于1時,越小越好.

根據(jù)客觀量化分析,最終選擇自適應(yīng)濾波方法對圖像進行降噪處理.對圖像進行去噪處理前后的圖片(第242幀)如圖3所示.

圖3 灰度化和去噪前后對比圖

2.3冠狀動脈支架的檢測

正如前面所說,為了避免在極坐標(biāo)轉(zhuǎn)換為直角坐標(biāo)的過程中,丟失圖像的細節(jié)和深度信息.實驗運用的方法直接基于極坐標(biāo)進行.支架檢測每步的結(jié)果圖如圖4所示.

圖4 支架檢測每步的結(jié)果圖.a.一行圖片的強度輪廓圖;b.手動標(biāo)記明顯的含支架的行;c.候選像素標(biāo)記圖(紅色為候選像素點);d.導(dǎo)引鋼絲移除后的結(jié)果;e.Canny邊緣檢測的結(jié)果;f.候選像素點聚集合并后的結(jié)果

2.3.1 候選像素檢測

因為在OCT圖像中,支架反射了大部分光,同時血管壁分散和減弱了光,如圖4a所示,紅色部分為每行強度值最大點.同時一個金屬的支架通?？梢酝ㄟ^如下性質(zhì)判定:一個亮點跟隨一個追蹤的陰影部分.圖4b中A,B,C即為手動標(biāo)記處的候選支架.Bruining等提出了一種基于K近鄰的支架檢測方法,把每行轉(zhuǎn)換為一個特征向量[8].

根據(jù)從支架到陰影的距離是相似的這一特點,本實驗用強度輪廓的斜率這一特征值來檢測支架.斜率反應(yīng)了局部的強度變化.支架像素與組織像素相比,斜率通常更大.候選的像素標(biāo)記結(jié)果的例子如圖4c所示.

從圖4c中可以看到閾值分割的效果很明顯,候選支架像素少了很多.但是,一個支架可能占有好幾行,所以檢測到的相鄰候選支架點可能屬于一個支架.下一步需要對其進行聚集合并.參考很多前人的實驗,有個共同的問題是,實驗結(jié)果受偽影影響很大,會導(dǎo)致誤判.所以在聚集之前,先進行偽影的移除.

2.3.2 偽影移除

眾所周知,導(dǎo)引鋼絲的偽影也會像支架一樣,反射大部分能量,表現(xiàn)出跟支架相似的特性.所以實驗中,很可能會將其誤判為一個候選的支架.然而偽影也有自己的特性:1)和支架相比,距離導(dǎo)引鋼絲更近;2) 強度值更大,計算出的斜率更大,同時整個反饋過程中是連續(xù)的.根據(jù)這兩個特征值,可以設(shè)計一個聯(lián)合的偽影過濾器.聯(lián)合的特征值由偽影的距離閾值和斜率閾值共同決定.

圖4d展示了導(dǎo)引鋼絲移除后的支架檢測結(jié)果.如果沒有導(dǎo)引線被使用,過濾器不會移除任何候選的支架.對比圖4c,發(fā)現(xiàn)圖片中偽影已經(jīng)基本移除干凈.

2.3.3 Canny算子支架邊緣檢測

下一步理論上是應(yīng)該聚集合并候選像素,然而由于支架的寬度和兩個鄰近支架的間隙可能會顯著不同.所以直接聚集候選像素特別困難.為了解決這個問題,必須要知道每個像素的寬度和位置.因為追蹤的陰影和圖像的導(dǎo)管對齊,在極坐標(biāo)圖像中,幾乎是水平的,它們的寬度和位置接近于相應(yīng)的支架的寬度和位置.一個陰影的最頂層和最底層的邊界定義了支架的聚集區(qū)域.為了使邊緣和寬度更加明顯,采用Canny算子邊緣檢測.

圖4e可以明顯的看到通過支架的上下邊緣寬度及位置.

2.3.4 聚集候選像素點

在聚集的開始處,把5個像素的距離作為聚集的閾值,不斷地進行聚集合并處理.對于每個被檢測的底端邊界,選擇其上方的第一個聚集,移除所有其他的聚集.同一個聚集的候選像素的平均位置決定了相應(yīng)支架的位置.對比圖4d,圖4f中大部分的候選支架點都被很好地聚集合并了,紅色的點就是實驗最終檢測到的支架的位置.

2.4冠狀動脈血管壁的分割

圖5 基于邊緣檢測方法的幾種算子對OCT血管壁分割的效果

因為要準確得到血管壁信息,所以必須對所獲得的OCT圖像集實施圖像分割操作.對血管壁進行的分割方法有很多,利用幾種算子檢測的結(jié)果如圖5所示.

采用的圖像是背景為黑色的圖像序列,血管壁信息與背景色區(qū)分度十分明顯,因此,采用日本學(xué)者OTSU于1979年提出的一種對圖像進行二值化處理的高效算法——最大類間方差算法(Otsu)對圖像進行分割.Otsu算法是一個基于閾值的算法,又稱大律法,可以不用先將圖像預(yù)處理為直方圖而直接計算閾值.它對前景與背景區(qū)分度明顯的圖像有很好的分割效果.具體算法如下:設(shè)利用某一閥值將圖像分為前景和背景兩幅圖像,當(dāng)這兩幅圖像類內(nèi)方差最小和類間方差最大的時候,取得的閥值定義為最佳閥值,然后利用這個最佳閥值對圖像進行二值化處理.

為了加強圖像的邊界,采用改進的Otsu算法對血管壁進行分割,即首先獲得圖像對比度拉伸范圍,然后調(diào)節(jié)灰度圖像的亮度或彩色圖像的顏色矩陣,以此提高圖像的對比度,使血管壁更加清晰地呈現(xiàn)出來,然后再用傳統(tǒng)的Otsu算法進行分割.

利用改進的Otsu算法分割圖像的部分結(jié)果如圖6所示.其中4a,c分別為37幀與242幀的原始圖像,4b,d為分割后的圖像.可以發(fā)現(xiàn)分割后,血管壁的邊界更加清晰可見.而且沒有明顯出現(xiàn)前面幾種算子中的斷點、離散等情況,也沒有出現(xiàn)銳化圖像的對比度下降,圖像變灰暗的情況.整體效果基本滿足實驗要求.

將分割結(jié)果轉(zhuǎn)化為直角坐標(biāo)圖像如圖7所示.

圖6 Otsu分割結(jié)果對比

圖7 分割結(jié)果轉(zhuǎn)化為直角坐標(biāo)圖像

由圖7結(jié)果可已看出,利用Otsu算法選取最佳閥值可以理想地分割出OCT圖像的血管壁信息.由于OCT系統(tǒng)成像的非均勻性掃描以及支架等結(jié)構(gòu)的約束,分割圖像中局部呈現(xiàn)不連續(xù)性分布,但是這并不影響人眼的最終識別.

271幀處理結(jié)果如圖8所示.

圖8 批處理271幀圖像結(jié)果

2.5三維重建及結(jié)果分析

借助于Amira軟件完成植入支架的冠狀動脈OCT圖像的三維重建過程.

批處理血管壁分割后的OCT圖像結(jié)果序列如圖9所示.

圖9 OCT血管壁的空間結(jié)構(gòu)圖

經(jīng)過Amira模塊處理過的OCT血管壁總體三維重建結(jié)果如圖10所示.

圖10 OCT血管壁的總體三維重建結(jié)果圖

全屏顯示,冠脈血管壁重建的各個角度視圖如圖11所示,圖11a,b,c分別為從正面、側(cè)面和俯視圖,而d是對應(yīng)于a的空間結(jié)構(gòu)圖和三維重建圖的結(jié)合.

圖11 OCT血管的多個角度的三維重建結(jié)果圖

對支架作同樣的處理,支架信息的重建結(jié)果如圖12所示.

圖12 支架的三維重建實驗界面

利用Amira模塊處理過后的結(jié)果如圖13所示,13a和b分別為支架的正視圖和俯視圖,而13c和d是相應(yīng)的融合圖.

圖13 利用Amira模塊處理過后的結(jié)果圖

3 算法分析及對比

對含支架的冠脈血管進行三維重建之前,對血管壁的分割和支架的檢測是三維重建效果優(yōu)劣的重要基礎(chǔ).

縱觀近幾年的研究現(xiàn)狀,國外對冠狀動脈支架檢測及三維重建的研究取得了一定的成果,然而算法各有優(yōu)缺,并沒有取得十分理想的支架檢測及三維重建結(jié)果,國內(nèi)對此研究較少.下面就國內(nèi)外的研究現(xiàn)狀進行一些對比和總結(jié).

1) 胡增陽[13]提出一套血管支架的檢測算法對支架進行了定位,很好地實現(xiàn)了冠脈血管支架的提取,但是一方面不能去除OCT圖像的噪聲和偽影,另一方面可能錯誤的把某些支架點濾除.

作者提出的算法在冠脈支架檢測的第二步就專門的設(shè)計了一個過濾器,有效地去除了偽影.第三步通過對支架的上下邊緣檢測,更有效地確定支架的位置.

同時,在圖像從極坐標(biāo)轉(zhuǎn)化為直角坐標(biāo)的過程中,作者提出的一套新的自動的算法,直接基于極坐標(biāo)標(biāo)記出檢測到的支架點的位置,然后在三維重建時再轉(zhuǎn)化為直角坐標(biāo),這樣就很好地防止了原始信息和細節(jié)的丟失.

2) 國外研究中,關(guān)于血管壁屬性的知識在心血管疾病的管理中可能會是有價值的[13].

Bruining等[13]實現(xiàn)了對支架進行檢測.在某些情況下,由于圖像失真和噪聲,支架檢測算法是不能夠檢測支架的,必須通過手動審查糾正這一橫截面的圖像,增加了大量的人為工作.同時由于其聚類算法的局限性,會出現(xiàn)不少誤判,作者提出的算法根據(jù)支架的特性采用一個基于斜率的閾值方法來作為支架檢測的標(biāo)準(特征值),有效地避免了聚類算法的局限性.

3) 最近的研究已經(jīng)借助分析血管內(nèi)的OCT圖像序列提出了幾個方法來檢測血管壁和支架[14-16].然而,這些算法僅僅在沒有導(dǎo)引鋼絲偽影的OCT圖像中能有效地工作.如果存在偽影,血管壁的一個區(qū)域會被隱藏,這會導(dǎo)致血管壁的分割不準確.

由檢測和重建的結(jié)果分析可知,作者提出的自動支架檢測的算法有效地實現(xiàn)了對植入支架的冠狀動脈OCT圖像序列的位置自動檢測和三維重建.

4 結(jié)論與展望

實驗主要以含支架的冠狀動脈OCT圖像為研究對象,以探究冠脈血管中支架的位置及其三維重建為目的,基于支架檢測和血管壁分割的結(jié)果,利用Amira軟件對其進行三維重建,對植入支架的冠狀動脈OCT圖像序列的三維重建研究做了初步的探索,并取得一定的效果.與二維圖像相比,三維圖像更立體地展示了深度和空間的信息,更加符合觀察者對事物本來面貌的感知.

因此,對二維圖像進行三維重建,更好地顯示了圖像數(shù)據(jù)和診斷信息,為醫(yī)生提供了逼真的診療工具,是現(xiàn)代醫(yī)學(xué)發(fā)展的必然需求.同時未來的發(fā)展可以嘗試從其他方面入手,進行血管壁分割和支架的提取,例如流體力學(xué)方向仍然是一個比較新的領(lǐng)域.可以在三維建模的基礎(chǔ)上,加之以血流動力學(xué)的知識,以真實OCT血管圖為載體,做流體力學(xué)的模擬仿真,評估在不同應(yīng)力下血管的動態(tài)變化.

[1] 楊宇.基于快速推進法的血管內(nèi)超聲圖像序列的三維分割 [J].北京生物醫(yī)學(xué)工程,2011,30(6):582-587.

Yang Y.Three dimensional segmentation of intravascular ultrasound image sequences based on fast marching method [J].Beijing Biomedical Engineering,2011,30(6):582-587.

[2] 孫正.應(yīng)用血管內(nèi)超聲與X射線造影圖像融合的血管三維重建 [J].工程圖學(xué)學(xué)報,2010,31(1):116-223.

Sun Z.Using intravascular ultrasound and X-ray angiogram image fusion of 3D reconstruction of vessels [J].Engineering Drawing Science Journal,2010,31(1):116-223.

[3] Bruining N,Sihan K,Ligthart J,et al.Automated Three-Dimensional Detection of Intracoronary Stent Struts in Optical Coherence Tomography Images [J].Journal of the American College of Cardiology,2011,58(20):221-224.

[4] Pinto T L,Waksman R.Clinical applications of optical coherence tomography [J].Interv Cardiol,2006,19(6):566-73.

[5] Feyter P J D,Nieman K.New coronary imaging techniques:what to expect? [J].Heart,2002,87(3):195-197.

[6] Ramasamy R,Mata D A,Jain L,et al.Microscopic visualization of intravasal spermatozoa is positively associated with patency after bilateral microsurgical vasovasostomy [J].Andrology,2015,3(3):532-535.

[7] Hassan A K M,Bergheanu S C,Theo S,et al.Late stent malapposition risk is higher after drug-eluting stent compared with bare-metal stent implantation and associates with late stent thrombosis[J].European Heart Journal,2010,31(10):1172-1180.

[8] Tung K P,Shi W Z,De Silva R,et al.Automatical vessel wall detection in intravascular coronary OCT [C].Biomedical Imaging:From Nano to Macro,2011 IEEE International Symposium on,2011.

[9] Robson P M,Grant A K,Madhuranthakam A J,et al.Comprehensive quantification of signal-to-noise ratio and g-factor for image-based and k-space-based parallel imaging reconstructions [J].Magnetic Resonance in Medicine,2008,60(4):895-907.

[10] Hore A,Ziou D.Image Quality Metrics:PSNR vs.SSIM [C].International Conference on Pattern Recognition,Istanbul:IEEE,2010.

[11] 佟雨兵,張其善,祁云平.基于PSNR與SSIM聯(lián)合的圖像質(zhì)量評價模型 [J].中國圖象圖形學(xué)報,2006,11(12):1758-1763.

Tong Y B,Zhang Q S,Qi Y P.An image quality evaluation model based on the combination of PSNR and [J].Chinese Journal of image and graphics,2006,11(12):1758-1763.

[12] 唐海波,高應(yīng)俊,何永健,等.光學(xué)相干層析圖像的散斑去躁和邊緣特征提取 [J].量子電子學(xué)報,2010,27(2):129-133.

Tang H B,Gao Y J,He Y J,et al.Speckle denoising and edge feature extraction in optical coherence tomography [J].Journal of Quantum Electronics,2010,27(2):129-133.

[13] 胡增陽,王笑梅.基于OCT圖像的冠狀動脈血管支架自動檢測 [J].計算機與數(shù)字工程,2015(8):1493-1496.

Hu Z Y,Wang X M.Automatic detection of coronary artery stent based on OCT image [J].Computer and Digital Engineering,2015 (8):1493-1496.

[14] Bruining N,Sihan K,Ligthart J,et al.Automated three-dimensional detection of intracoronary stent struts in optical coherence tomography images [J].Journal of the American College of Cardiology,2011,58(20):221-224.

[15] Gurmeric S,Isguder G G,Carlier S,et al.A new 3-d automated computational method to evalu-ate in-stent neointimal hyperplasia ininvivointravascu-lar optical coherence tomography pullbacks [J].Medical Image Computing and Computer Assisted Intervention,2009,5762:776-785.

[16] Kauffmann C,Motreff P,Sarry L.Invivosuper-vised analysis of stent reendothelialization from optical coherence tomography [J].IEEE Transactions on Medical Imaging,2010,29(3):807-818.

(責(zé)任編輯：包震宇)

DreconstructionofcoronaryarterycontainingstentstrutbasedonOCTimages

Cang Dingju,WangXiaomei*,ZhengYazhou

(The College of Information,Mechanical and Electrical Engineering,Shanghai Normal University,Shanghai200234,China)

Optical coherence tomography (OCT) has become a new method for detecting coronary artery disease,which is widely used for its high resolution.In this article,we study algorisms for3D images reconstructing from2D cross-sectional coronary images.The images are firstly denoised by self-adapted median filter algorithm.According to the characteristics of OCT images,an improved Otsu algorithm is used to segment the coronary vessels.A new full automatic algorithm is then applied for stent detection.All2D OCT images are converted into polar coordination.Based on the visible stent features shown in the OCT images,with global intensity histogram and intensity contours,we can identify candidate pixels and remove the artifacts to locate the stent on the lower boundary.By merging adjacent candidate pixels to a point on the stent,we can then accurately delineate the stent position.This process does not require a priori knowledge of stent status and the contours of blood vessels.It is immune from interferences induced by artifacts and avoids the accuracy problem of clustering algorithm.The final results show that the proposed method is able to conduct3D reconstruction and fusion effectively.

OCT; coronary artery strut; pre-processing; strut detection; vessel segmentation;3D reconstruction

2016-02-05

倉定舉(1990-),男,碩士研究生,主要從事醫(yī)學(xué)圖像處理方面的研究.E-mail:1213193181@qq.com

導(dǎo)師簡介: 王笑梅(1970-),女,博士,副教授,主要從事圖像處理,生物信息學(xué)等方面的研究.E-mail:xiaomei@shnu.edu.cn

TP391.41

:A

:1000-5137(2017)04-0547-09

*