基于联合预测滤波生成网络的X胸片肋骨影像的抑制方法

基于联合预测滤波生成网络的x胸片肋骨影像的抑制方法
技术领域
1.本发明属于图像处理技术领域，涉及一种基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法。


背景技术：

2.x线胸片在职工体检、中小型医院中是一种普遍使用的肺部疾的病筛查手段。然而，普通x线胸片中重叠覆盖的肋骨结构会影响医生的阅片，也会增加计算机辅助分析的难度。当x光线透过人体不同组织时，被吸收的程度不同，所以到达荧屏或胶片上的x线量有差异，这样，在荧屏或x线片上就形成明暗或黑白对比不同的影像。胸片中的肋骨密度大，造成x线穿透收到阻碍，肋骨等人体解剖组织结构和其他人体软组织结构会在图像中重叠，并遮挡部分人体软组织。如果病灶位置恰好落在在这些重叠区域，将导致病灶图像在x射线胸片中被肋骨遮挡，严重影响肺部疾病的检测结果。对x线胸片中的肋骨影像进行抑制，很大程度上可以减小肋骨重叠的结构遮挡对医生阅片的负面影响。


技术实现要素：

3.本发明的目的是提供一种基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，采用该方法对x线胸片肋骨影像进行处理，可以减小肋骨重叠的结构遮挡对阅读x线胸片的负面影响。
4.本发明所采用的技术方案是，基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，具体包括如下步骤：
5.步骤1，对数据集中的训练集和测试集图像进行预处理；
6.步骤2，构建基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型；
7.步骤3，采用步骤1预处理好的训练集数据对步骤2构建的模型进行训练，得到训练后的基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型；
8.步骤4，将步骤1预处理后的测试集图像放入步骤3训练好的模型中，最终得到骨抑制后的软组织图像。
9.本发明的特点还在于：
10.步骤1的预处理过程为：对数据集中的图像进行旋转、平移操作，实现数据增强。
11.步骤2中，基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型，包括由骨抑制生成器模块generator、骨抑制核预测滤波模块kpn以及骨抑制判别器模块discriminator；
12.骨抑制核预测滤波模块kpn根据输入图像自适应地预测基于滤波重建的肋骨区域像素内核，并将预测结果馈送到骨抑制生成器模块generator，以实现过滤与生成骨抑制结果智能结合，从而达到生成更加逼真的x胸片肋骨抑制图像，最终判别器对生成的骨抑制图像进行真假判别。
13.基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型对x胸片肋骨影像
抑制的过程为：
14.步骤a)，将数据集中的图像x作为生成器的输入，编码器encoder依次提取多个不同尺度的图像特征fi如下公式(1)所示；骨抑制核预测滤波模块中对fi进行特征级别的过滤核k
l
如下公式(2)所示：
15.fi＝encoder(x)
ꢀꢀ
(1)；
16.k
l
＝conv(ε
l
(
…
ε
i+1
([ei，fi]))
ꢀꢀ
(2)；
[0017]
步骤b)，将进行特征级过滤后的特征fa通过融合注意力机制的内外两部分注意力模块融合校正，内部校正采用了sknet注意力机制原理，完成对通道维度的特征矫正如公式(3)所示；在sknet外加入一块空间注意力块gate用来计算空间系数g，如公式(4)所示；将输入特征通过扩张卷积r＝1的卷积接着通过sigmoid操作计算特征fa空间变化门限值g，将该值与fb以及输入特征fa通过公式加权和得到最终聚合后的特征f如下公式(5)所示：
[0018]
fb＝sknet(fa)
ꢀꢀ
(3)；
[0019]
g＝gate(fa)
ꢀꢀ
(4)；
[0020]
f＝fa*g+fb*(1-g)
ꢀꢀ
(5)；
[0021]
步骤c)，根据步骤b)得到的聚合后特征f，经过生成对抗网络的解码器decoder后，与来自骨抑制核预测滤波模块的图像级预测核k0，如公式(6)所示，进行图像级别过滤，进一步增强肋骨细节信息，最终输出通过网络自适应学习的肋骨注意力图r，如公式(7)所示；将从生成器得到的肋骨注意力图r以及残差肋骨注意力图1-r与输入x胸片input融合得到骨抑制的软组织图像sooutput，公式如(8)所示，
[0022]
k0＝ε
l
(
…
ε
i+1
([ei，fi]))
ꢀꢀ
(6)；
[0023][0024]
so＝r+x(1-r)
ꢀꢀꢀ
(8)。
[0025]
步骤3的具体过程为：利用对抗损失函数、重建损失函数、注意力损失函数和特征匹配损失对步骤2所得到网络模型进行约束，然后反向转播进行参数更新，得到训练好的基于注意力的生成对抗网络的x胸片肋骨影像抑制网络模型。
[0026]
步骤3中，对抗损失函数采用如下公式(9)表示：其中，d和g分别表示鉴别器和生成器，g是标准x胸片的函数，生成虚拟的骨抑制图像供判别器区分，e表示误差；p
data
表示数据分布、x～p
data(x)
和s～p
data(s)
表示分别从胸部x射线和肋骨抑制图像上的数据分布中选择s和x：
[0027][0028]
重建损失函数l
rec
(g)采用如下公式(10)表示：其中，s表示的是骨抑制图像的地面真实值，x是输入的常规x胸片，利用l1 loss||.||1来计算像素间的差距，生成器g将学习骨抑制图像和常规x胸片之间的映射：
[0029][0030]
注意力损失函数lr采用如下公式(11)表示：其中，w、h和c分别是注意力图r的宽、
高和通道数：
[0031][0032]
特征匹配损失函数采用如下公式(12)表示：其中di表示判别器对输入图像第i层得到的特征图信息的函数：
[0033][0034]
总损失函数l为：
[0035][0036]
其中，λ1、λ2、λ3和λ4是控制每部分损失项的相对重要性的超参数。
[0037]
本发明的有益效果是,本发明提出了一种基于联合预测滤波的生成网络的x胸片肋骨影像抑制算法，本发明针对以往肋骨影像抑制方法提取特征信息收到限制，处理特征信息数量缺乏导致抑制效果不佳的问题，通过引入的深度预测滤波技术，在生成网络中，分别使其在生成网络的编码器后进行特征级别的过滤，从解码器后进行图像级别的过滤，进而增强信息间的上下文相关性，同时增加更多的细节信息，最终进一步增强网络性能，实现更鲁棒的信息提取。同时我们添加了特征匹配损失函数进一步来对生成网络得到的骨抑制图像从特征级别进行约束，进一步加快推动网络向x胸片肋骨抑制的目标收敛的速度与精细程度。
附图说明
[0038]
图1为本发明基于联合预测滤波的生成网络的x胸片肋骨影像抑制方法的流程示意图；
[0039]
图2为本发明基于联合预测滤波的生成网络的x胸片肋骨影像抑制方法的整体结构示意图；
[0040]
图3为本发明基于联合预测滤波的生成网络的x胸片肋骨影像抑制方法的融合注意力模块；
[0041]
图4为基于联合预测滤波的生成网络的x胸片肋骨影像抑制方法骨抑制图像融合生成过程图；
[0042]
图5为本发明基于联合预测滤波的生成网络的x胸片肋骨影像抑制方法的结果对比图。
具体实施方式
[0043]
下面结合附图和具体实施方式对本发明进行详细说明。
[0044]
本发明基于联合预测滤波的生成网络的x胸片肋骨影像抑制方法，如图1所示，具体包括如下步骤：
[0045]
步骤1，对数据集中的训练集和测试集图像进行预处理；具体为：
[0046]
通过旋转、平移等操作对数据进行增强，本发明使用的是日本放射技术学会的数据集(jsrt)，数据增强处理后共有配对数据集4080张，每张分辨率为1024*1024，位深为8的
png文件。使用其中已划分好的训练数据集进行训练，测试集进行测试。
[0047]
步骤2，图2为基于联合预测滤波的生成网络的x胸片肋骨影像抑制方法的整体结构示意图。模型由骨抑制生成器模块、骨抑制核预测滤波模块(kpn模块)以及骨抑制判别器模块组成。骨抑制核预测模块根据输入图像自适应地预测基于滤波重建的肋骨区域像素内核，并将其馈送到骨抑制生成器模块，以实现过滤与生成骨抑制结果智能结合，从而达到生成更加逼真的x胸片肋骨抑制图像。最终判别器对生成的骨抑制图像进行真假判别。
[0048]
具体步骤如下：
[0049]
步骤2.1，将数据集中的图像x同时作为骨抑制生成器部分以及骨抑制核预测滤波模块的输入。生成器的编码器通过卷积操作依次提取多个不同尺度的图像特征fi(i表示第i层特征)，(如公式(1))，其尺寸依次为输入图像的1/2、1/4、1/8和1/16。预测滤波过滤采用深度cnn自适应预测，使得预测核对每张图像具有高匹配性，通过预测滤波融合生成网络去除胸片中的肋骨影像，是提高骨抑制图像质量的有效方法。核预测滤波模块在生成器中总共进行了两次过滤操作，分别为：在生成器的编码器阶段进行特征级别的过滤和在生成器的解码器阶段进行图像级别的过滤。第一次进行特征级过滤的预测核为k
l
，如公式(2)所示。
[0050]fi
＝encoder(x)
ꢀꢀꢀꢀ
(1)；
[0051]kl
＝conv(ε
l
(
…
ε
i+1
([ei，fi]))
ꢀꢀꢀꢀ
(2)；
[0052]
其中，和ei(ei＝εi(
…
ε1(x)))分别为生成网络的第i层特征和核预测滤波网络的第i层。
[0053]
步骤2.2，对进行特征级别过滤后的特征fa通过融合注意力模块进行通道空间矫正。融合注意力模块如图3所示，其中，内部校正采用了sknet注意力机制原理，完成对通道维度的特征矫正如公式(3)所示。为保持像素细节信息校正后特征全局结构分布的一致性，本发明在sknet外加入一块空间注意力块用来计算空间系数g，如公式(4)所示。结合空间与通道变化的特征聚合在保证特征注意力图总体结构布局的情况下，加速网络生成目标图像的收敛速度，堆栈式的融合注意力块在很大程度上丰富了生成器的网络深度，允许生成器尽可能多的捕获肋骨区信息，形成更加完整的肋骨注意力图。
[0054]
具体来说，将特征fa分别通过kernel size为3x3，扩张卷积依次为r＝1，2，4，8的卷积操作，不同的扩张卷积使得子核聚焦于不同的感受野，以充分考虑到图像特征的整体与细节信息。以元素相加的方式融合不同尺度的特征信息，接着通过全局平均池化(gap)获得每一个通道上的全局信息，两次全连接操作(fc)完成对通道维度的信息交互，softmax归一化得到不同尺度对应的权重值，分别乘以对应的待矫正特征进行特征校正，然后将校正后特征信息以元素相加方式融合得到最终融合特征c5，至此完成内部的通道校正。为保持像素细节信息校正后特征全局结构分布的一致性，本发明在sknet外加入一块空间注意力块用来计算空间系数g，将输入特征通过扩张卷积r＝1的卷积接着通过sigmoid操作计算特征fa空间变化门限值g，将该值与fb以及输入特征fa通过公式加权和得到最终聚合后的特征f如下公式(5)所示：
[0055]
fb＝sknet(fa)
ꢀꢀꢀꢀ
(3)；
[0056]
g＝gate(fa)
ꢀꢀꢀꢀ
(4)；
[0057]
f＝fa*g+fb*(1-g)
ꢀꢀꢀꢀ
(5)；
[0058]
步骤2.3，根据步骤2.2得到的聚合后特征f，经过生成对抗网络的解码器后，与来自骨抑制核预测滤波模块的图像级预测核k0(如公式(6))进行图像级别过滤，进一步增强肋骨细节信息。最终输出通过网络自适应学习的肋骨注意力图。公式如(7)所示，将从生成器得到的肋骨注意力图(rib attention r)以及残差肋骨注意力图(residual rib attention 1-r)与输入x胸片(input)融合得到骨抑制的软组织图像so(output)，公式如(8)所示，图像融合可视化过程如图4所示。
[0059]
k0＝ε
l
(
…
ε
i+1
([ei，fi]))
ꢀꢀꢀꢀ
(6)；
[0060][0061]
so＝r+x(1-r)
ꢀꢀꢀꢀ
(8)。
[0062]
步骤3，采用步骤1预处理好的训练集数据对模型进行训练：利用对抗损失函数、重建损失函数、特征匹配损失和注意力损失函数对步骤2所得到网络模型进行约束，然后反向转播进行参数更新，通过200轮的训练，这里的1轮指的是把预处理好的图像全部训练一遍，最后得到训练好的基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型。用到的损失函数具体如下所示：
[0063]
对抗损失函数：d和g分别表示鉴别器和生成器，g是标准x胸片的函数，生成虚拟的骨抑制图像供判别器区分。e表示误差；p
data
表示数据分布；和x～p
data(x)
和s～p
data(s)
表示分别从胸部x射线和肋骨抑制图像上的数据分布中选择s和x。使用对抗鉴别器d来区分生成图像是否是真实的软组织图像：
[0064][0065]
重建损失函数：其中s表示的是骨抑制图像的地面真实值，x是输入的常规x胸片，利用l1 loss||.||1来计算像素间的差距，生成器g将学习骨抑制图像和常规x胸片之间的映射：
[0066][0067]
注意力损失函数：网络自动学习到的掩码很容易饱和到1，就会使得生成器不能得到理想的效果。为了防止这种情况的产生，对掩码r进行了全变差正则化进行约束。w、h和c分别是注意力图r的宽、高和通道数。为了生成目标软组织图像so：
[0068][0069]
特征匹配损失函数：在判别器比较阶段，生成网络得到的骨抑制图像中的每一层特征图都需要与标签软组织图像的特征图信息进行比对，从整体结构到详细信息均进行进一步约束，从而进一步约束网络生成与标签相差无几的骨抑制图像，公式如下：
[0070][0071]
其中，di表示判别器对输入图像第i层得到的特征图信息的函数。
[0072]
因此本发明的总损失为：
[0073][0074]
其中，λ1、λ2、λ3和λ4是控制每部分损失项的相对重要性的超参数。
[0075]
步骤4，将步骤1处理的测试集图像放入步骤3训练好的模型，最终得到骨抑制后的软组织图像。
[0076]
实施例1
[0077]
基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，具体包括如下步骤：
[0078]
步骤1，对数据集中的训练集和测试集图像进行预处理；
[0079]
步骤2，构建基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型；
[0080]
步骤3，采用步骤1预处理好的训练集数据对步骤2构建的模型进行训练，得到训练后的基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型；
[0081]
步骤4，将步骤1预处理后的测试集图像放入步骤3训练好的模型中，最终得到骨抑制后的软组织图像。
[0082]
实施例2
[0083]
在实施例1的基础上，步骤2中，基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型，包括由骨抑制生成器模块generator、骨抑制核预测滤波模块kpn以及骨抑制判别器模块discriminator；骨抑制核预测滤波模块kpn根据输入图像自适应地预测基于滤波重建的肋骨区域像素内核，并将预测结果馈送到骨抑制生成器模块generator，以实现过滤与生成骨抑制结果的结合，从而生成x胸片肋骨抑制图像，最终判别器对生成的骨抑制图像进行真假判别。
[0084]
实施例3
[0085]
在实施例2的基础上，基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型对x胸片肋骨影像抑制的过程为：
[0086]
步骤a)，将数据集中的图像x作为生成器的输入，编码器encoder依次提取多个不同尺度的图像特征fi如下公式(1)所示；骨抑制核预测滤波模块中对fi进行特征级别的过滤核k
l
如下公式(2)所示：
[0087]fi
＝encoder(x)
ꢀꢀꢀꢀ
(1)；
[0088]kl
＝conv(ε
l
(
…
ε
i+1
([ei，fi]))
ꢀꢀꢀꢀ
(2)；
[0089]
步骤b)，将进行特征级过滤后的特征fa通过融合注意力机制的内外两部分注意力模块融合校正，内部校正采用了sknet注意力机制原理，完成对通道维度的特征矫正如公式(3)所示；在sknet外加入一块空间注意力块gate用来计算空间系数g，如公式(4)所示；将输入特征通过扩张卷积r＝1的卷积接着通过sigmoid操作计算特征fa空间变化门限值g，将该值与fb以及输入特征fa通过公式加权和得到最终聚合后的特征f如下公式(5)所示：
[0090]
fb＝sknet(fa)
ꢀꢀꢀꢀ
(3)；
[0091]
g＝gate(fa)
ꢀꢀꢀꢀ
(4)；
[0092]
f＝fa*g+fb*(1-g)
ꢀꢀꢀꢀ
(5)；
[0093]
步骤c)，根据步骤b)得到的聚合后特征f，经过生成对抗网络的解码器decoder后，与来自骨抑制核预测滤波模块的图像级预测核k0，如公式(6)所示，进行图像级别过滤，进一步增强肋骨细节信息，最终输出通过网络自适应学习的肋骨注意力图r，如公式(7)所示；
将从生成器得到的肋骨注意力图r以及残差肋骨注意力图1-r与输入x胸片input融合得到骨抑制的软组织图像sooutput，公式如(8)所示，
[0094]
k0＝ε
l
(
…
ε
i+1
([ei，fi]))
ꢀꢀꢀꢀ
(6)；
[0095][0096]
so＝r+x(1-r)
ꢀꢀꢀꢀ
(8)。
[0097]
将本发明方法与现有基准方法进行对比，对比结果如图5所示。图5第i列是输入图像，图5第ii列至第v列是现有基准方法所得到的骨抑制图像，图5的第vi列是本方法得到的骨抑制图像，第vii列是标签骨抑制图像。从图5的对比结果来看，本发明在完成骨抑制任务的基础上不仅能保证图像的清晰度，也能完整的还原细节纹理信息。表1是本方法与对比方法的定量结果，可以看出本方法在评价指标上均表现最好。
[0098]
表1
[0099]
groupmethodpsnr
↑
ssim
↑
rmse
↓
suzuki et al.mtann32.4510.9550.023gusarev et al.aelike model32.5900.9630.015rajaraman et al.res-bs33.0670.9490.015rajaraman et al.debonet33.8650.9810.013ours本发明方法42.6610.9900.006

技术特征：
1.基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，其特征在于：具体包括如下步骤：步骤1，对数据集中的训练集和测试集图像进行预处理；步骤2，构建基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型；步骤3，采用步骤1预处理好的训练集数据对步骤2构建的模型进行训练，得到训练后的基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型；步骤4，将步骤1预处理后的测试集图像放入步骤3训练好的模型中，最终得到骨抑制后的软组织图像。2.根据权利要求1所述的基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，其特征在于：所述步骤1的预处理过程为：对数据集中的图像进行旋转、平移操作，实现数据增强。3.根据权利要求1所述的基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，其特征在于：所述步骤2中，基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型，包括由骨抑制生成器模块generator、骨抑制核预测滤波模块kpn以及骨抑制判别器模块discriminator；骨抑制核预测滤波模块kpn根据输入图像自适应地预测基于滤波重建的肋骨区域像素内核，并将预测结果馈送到骨抑制生成器模块generator，以实现过滤与生成骨抑制结果的结合，从而生成x胸片肋骨抑制图像，最终判别器对生成的骨抑制图像进行真假判别。4.根据权利要求3所述的基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，其特征在于：所述基于联合预测滤波的生成网络的x胸片肋骨影像抑制网络模型对x胸片肋骨影像抑制的过程为：步骤a)，将数据集中的图像x作为生成器的输入，编码器encoder依次提取多个不同尺度的图像特征f
i
如下公式(1)所示；骨抑制核预测滤波模块中对f
i
进行特征级别的过滤核k
l
如下公式(2)所示：f
i
＝encoder(x)
ꢀꢀ
(1)；k
l
＝conv(ε
l
(
…
ε
i+1
([e
i
,f
i
]))
ꢀꢀ
(2)；步骤b)，将进行特征级过滤后的特征f
a
通过融合注意力机制的内外两部分注意力模块融合校正，内部校正采用了sknet注意力机制原理，完成对通道维度的特征矫正如公式(3)所示；在sknet外加入一块空间注意力块gate用来计算空间系数g，如公式(4)所示；将输入特征通过扩张卷积r＝1的卷积接着通过sigmoid操作计算特征f
a
空间变化门限值g，将该值与f
b
以及输入特征f
a
通过公式加权和得到最终聚合后的特征f如下公式(5)所示：f
b
＝sknet(f
a
)
ꢀꢀꢀ
(3)；g＝gate(f
a
)
ꢀꢀ
(4)；f＝f
a
*g+f
b
*(1-g)
ꢀꢀ
(5)；步骤c)，根据步骤b)得到的聚合后特征f，经过生成对抗网络的解码器decoder后，与来自骨抑制核预测滤波模块的图像级预测核k0，如公式(6)所示，进行图像级别过滤，进一步增强肋骨细节信息，最终输出通过网络自适应学习的肋骨注意力图r，如公式(7)所示；将从生成器得到的肋骨注意力图r以及残差肋骨注意力图1-r与输入x胸片input融合得到骨抑制的软组织图像s
o
output，公式如(8)所示，
j0＝ε
l
(
…
ε
i+1
([e
i
,f
i
]))
ꢀꢀꢀ
(6)；s
o
＝r+x(1-r)
ꢀꢀꢀ
(8)。5.根据权利要求1所述的基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，其特征在于：所述步骤3的具体过程为：利用对抗损失函数、重建损失函数、注意力损失函数和特征匹配损失对步骤2所得到网络模型进行约束，然后反向转播进行参数更新，得到训练好的基于注意力的生成对抗网络的x胸片肋骨影像抑制网络模型。6.根据权利要求5所述的基于联合预测滤波的生成网络的x胸片肋骨影像的抑制方法，其特征在于：所述步骤3中，对抗损失函数采用如下公式(9)表示：其中，d和g分别表示鉴别器和生成器，g是标准x胸片的函数，生成虚拟的骨抑制图像供判别器区分，e表示误差；p
data
表示数据分布、x～p
data
(x)和s～p
data
(s)表示分别从胸部x射线和肋骨抑制图像上的数据分布中选择s和x：重建损失函数l
rec
(g)采用如下公式(10)表示：其中，s表示的是骨抑制图像的地面真实值，x是输入的常规x胸片，利用l1 loss||.||1来计算像素间的差距，生成器g将学习骨抑制图像和常规x胸片之间的映射：注意力损失函数l
r
采用如下公式(11)表示：其中，w、h和c分别是注意力图r的宽、高和通道数：特征匹配损失函数采用如下公式(12)表示：其中d
i
表示判别器对输入图像第i层得到的特征图信息的函数：总损失函数l为：其中，λ1、λ2、λ3和λ4是控制每部分损失项的相对重要性的超参数。

技术总结
本发明公开了一种基于联合预测滤波的生成网络的X胸片肋骨影像的抑制方法，具体包括如下步骤：步骤1，对数据集中的训练集和测试集图像进行预处理；步骤2，构建基于联合预测滤波的生成网络的X胸片肋骨影像抑制网络模型；步骤3，采用步骤1预处理好的训练集数据对步骤2构建的模型进行训练，得到训练后的基于联合预测滤波的生成网络的X胸片肋骨影像抑制网络模型；步骤4，将步骤1预处理后的测试集图像放入步骤3训练好的模型中，最终得到骨抑制后的软组织图像。采用该方法对X线胸片肋骨影像进行处理，可以减小肋骨重叠的结构遮挡对阅读X线胸片的负面影响。胸片的负面影响。胸片的负面影响。


技术研发人员：石争浩 李婉琴 尤珍臻 冯亚宁 葛飞航
受保护的技术使用者：西安理工大学
技术研发日：2023.05.10
技术公布日：2023/8/21