張 巖,李鳳蓮,張雪英,王夙喆,章洪濤
(太原理工大學(xué) 信息與計(jì)算機(jī)學(xué)院, 太原 030024)
腦卒中又名腦中風(fēng),是一種由各種誘發(fā)因素引起的腦動(dòng)脈狹窄、閉塞或破裂而造成的急性腦血液循環(huán)障礙,分為缺血性腦卒中和出血性腦卒中[1]。在中國(guó),腦卒中已成為繼心臟病及癌癥后的第三大死亡原因,每年因腦卒中而死亡的人數(shù)占全國(guó)死亡總?cè)藬?shù)的22.45%[2]。腦卒中具有發(fā)病急、致死率和致殘率較高的特點(diǎn),利用計(jì)算機(jī)輔助診斷技術(shù)對(duì)病變大小、位置進(jìn)行檢測(cè)對(duì)于患者的早期診斷具有十分重要的意義,而且大大降低了醫(yī)生對(duì)病灶手工標(biāo)注的工作量。磁共振成像(magnetic resonance imaging,MRI)由于具有高靈敏性、高可視化的特點(diǎn),成為患者影像篩查的主要工具[3]。
近年來,隨著計(jì)算機(jī)技術(shù)的發(fā)展,以卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)為代表的深度學(xué)習(xí)方法因其強(qiáng)大的特征提取能力而受到廣泛研究,為醫(yī)學(xué)圖像處理方法帶來了新的突破。Long等[4]提出的全卷積網(wǎng)絡(luò)(fully convolutional network,FCN)通過在特征提取過程中使用下采樣操作,在生成分割結(jié)果時(shí)進(jìn)行插值上采樣,實(shí)現(xiàn)了不改變圖像大小的前提下對(duì)分割網(wǎng)絡(luò)的端到端(end to end)訓(xùn)練。但是該方法會(huì)造成一定程度上的圖像細(xì)節(jié)丟失。考慮到醫(yī)療圖像具有豐富的空間信息(如復(fù)雜的紋理結(jié)構(gòu)),而網(wǎng)絡(luò)下采樣過程容易丟失空間信息,基于編碼-解碼(encoder-decoder)的網(wǎng)絡(luò)結(jié)構(gòu)開始嶄露頭角。Ronneberger等[5]提出了UNet結(jié)構(gòu),它通過跳躍連接在對(duì)稱的編碼器和解碼器之間建立不同尺度的特征融合通道,使網(wǎng)絡(luò)可以更好地利用圖像的全局和局部特征[6]。然而很多醫(yī)學(xué)圖像數(shù)據(jù)實(shí)際為3D的容積數(shù)據(jù),因此?i?ek 等[7]通過將二維卷積層替換為三維卷積層構(gòu)建了3D-UNet,實(shí)現(xiàn)了3D數(shù)據(jù)的端到端處理。由于3D卷積計(jì)算量較大,而2D卷積容易忽略層間信息,目前,將2D與3D卷積相結(jié)合的網(wǎng)絡(luò)也受到了廣泛關(guān)注。Zhou等[8]提出了一種在編碼端結(jié)合2D和3D卷積的D-UNet結(jié)構(gòu),從而實(shí)現(xiàn)一種效率更高的分割結(jié)果。有的研究如楊振等[9]使用級(jí)聯(lián)網(wǎng)絡(luò),將分割任務(wù)分解為感興趣區(qū)域提取、精分割2個(gè)步驟。隨著對(duì)神經(jīng)網(wǎng)絡(luò)的深入研究,注意力機(jī)制逐漸得到了廣泛應(yīng)用,并在一定程度上代替了級(jí)聯(lián)網(wǎng)絡(luò)。其核心是通過計(jì)算注意力圖實(shí)現(xiàn)特征的重加權(quán),以達(dá)到強(qiáng)化有效特征、抑制無效特征的目的。根據(jù)應(yīng)用位置的不同,可以分為空間注意力與通道注意力。Fu等[10]將這2種注意力模塊并聯(lián),提出了一種更有效的雙通道注意力模塊,用于自然圖像的場(chǎng)景分割。Schlemper等[11]將注意力機(jī)制和UNet網(wǎng)絡(luò)結(jié)合,提出了attention-UNet,實(shí)現(xiàn)了胰腺CT影像的病灶分割。由于卷積操作的感受野有限,Chen等[12]將基于自注意力機(jī)制的transformer模型和UNet網(wǎng)絡(luò)結(jié)合,提出TransUNet,更好地建立了遠(yuǎn)距離依賴關(guān)系。Reza等[13]則在TransUNet的基礎(chǔ)上提出了上下文注意力機(jī)制, 對(duì)局部的特征表示進(jìn)行重校。
然而目前的分割算法還達(dá)不到符合醫(yī)療應(yīng)用的要求[14]。主要存在以下問題:
1) 腦卒中MRI影像中,病灶區(qū)域和正常組織之間的邊界模糊,且病灶形態(tài)多樣化,造成類間差異小,類內(nèi)差異大。
2) 隨著網(wǎng)絡(luò)深度增加,網(wǎng)絡(luò)參數(shù)量增大,對(duì)計(jì)算資源要求高,同時(shí)也需要更多的數(shù)據(jù)去訓(xùn)練,否則容易導(dǎo)致過擬合,使得模型泛化能力差。
為解決病灶區(qū)域和正常組織之間的邊界模糊、病灶區(qū)域小、分割難度大的問題,在UNet的基礎(chǔ)上構(gòu)建了一種優(yōu)化的編解碼網(wǎng)絡(luò)模型,提出了雙注意力卷積融合編碼模塊(dual-attention convolution fusion encoding,DCFE)和殘差-注意力門混合解碼模塊(residual and attention gate decoding,RAGD)。
基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割通常有二維和三維2種網(wǎng)絡(luò)結(jié)構(gòu)。二維結(jié)構(gòu)是通過將三維的圖像切片后,獨(dú)立送入網(wǎng)絡(luò)進(jìn)行逐片預(yù)測(cè)的。然而由于病灶區(qū)域是三維的,這種方法忽略了切片之間病灶信息的連續(xù)性,無法有效利用三維MRI影像數(shù)據(jù)的層間信息。而三維卷積神經(jīng)網(wǎng)絡(luò)可以通過三維的卷積和池化等一系列操作直接提取圖像特征,但卻隨之引入了數(shù)倍的參數(shù)量。若數(shù)據(jù)量不足以訓(xùn)練其參數(shù),極易產(chǎn)生過擬合。為提取更加豐富的上下文信息,在編碼端的收縮路徑上融合了二維和三維的卷積、池化、批正則化等一系列操作,分別提取MRI圖像的每一張切片特征以及切片之間的特征,從而在獲得更加豐富的層間信息的同時(shí)不引入過多參數(shù)量。引入并行的注意力機(jī)制來從位置和通道2個(gè)維度建立全局相關(guān)性,彌補(bǔ)卷積操作感受野有限的弊端,使得卷積融合后的特征表示能力進(jìn)一步增強(qiáng)。此外,為了對(duì)目標(biāo)特征進(jìn)行強(qiáng)化,抑制不相關(guān)特征,提高小病灶的分割精細(xì)度,結(jié)合殘差連接和注意力門的思想提出了RAGD模塊,在隱式地抑制不相關(guān)區(qū)域的同時(shí),有效地改善了解碼端的梯度流動(dòng),緩解了梯度彌散和網(wǎng)絡(luò)退化的問題,使網(wǎng)絡(luò)更易于訓(xùn)練。為提高網(wǎng)絡(luò)性能及加快模型收斂,加入了批處理歸一化層(batch normalization,BN)。
圖1 編解碼網(wǎng)絡(luò)結(jié)構(gòu)
1.1 DCFE模塊
引入D-UNet的思想,在編碼端融合二維和三維網(wǎng)絡(luò)結(jié)構(gòu),在不引入大量參數(shù)的前提下有效提取三維特征。圖1中,基于雙注意力的卷積融合編碼模塊(黃色模塊)實(shí)現(xiàn)二維和三維特征的融合,其內(nèi)部細(xì)節(jié)如圖2所示。
圖2 DCFE模塊
(1)
式中:fs表示一系列通道壓縮轉(zhuǎn)換操作。
在語義分割任務(wù)中,分割目標(biāo)區(qū)域由于尺度、亮度、形狀等不同,常常導(dǎo)致類內(nèi)差異大,分割精度不高。又由于卷積操作的感受野有限,不能充分提取全局的上下文信息。為解決這一問題,可以引入注意力機(jī)制來捕捉遠(yuǎn)距離依賴關(guān)系,從而提高網(wǎng)絡(luò)的特征表示能力。D-UNet中使用的是S-E block[15]。該模塊通過壓縮-擴(kuò)展操作,建立不同通道間的關(guān)系,得到通道注意力系數(shù),從而對(duì)特征的不同通道進(jìn)行加權(quán),有效增強(qiáng)了通道維度的特征表示能力。然而,不足之處是沒有考慮不同像素間的空間位置關(guān)系,而對(duì)于小病灶的精細(xì)分割來說,像素的位置間聯(lián)系也十分重要,因?yàn)椴≡畹呐R近像素位置也更有可能是病灶。為此,引入dual attention network思想,構(gòu)建基于雙注意力的卷積融合編碼模塊,從通道和位置2個(gè)維度建立全局依賴關(guān)系,提高分割精度。圖2中PAM(position attention module)和CAM(channel attention module)分別代表位置注意力模塊和通道注意力模塊。
(2)
式中:Fdatt表示雙通道注意力模塊。
1.1.1PAM模塊
位置特征通過捕獲像素間的上下文信息來得到,在醫(yī)學(xué)圖像分割中具有重要作用。直觀上理解,病灶的鄰近像素點(diǎn)更有可能是病灶,因此傳統(tǒng)的特征提取網(wǎng)絡(luò)常常由于忽略位置信息而導(dǎo)致錯(cuò)誤分割。為在局部特征上建立像素間豐富的位置關(guān)系,引入如圖3所示的PAM模塊。
圖3 PAM模塊
(3)
(4)
式中:λP表示對(duì)PAM模塊的重視程度,設(shè)置為1。
1.1.2CAM模塊
高層次語義特征的每一個(gè)通道都可以看成特定分割結(jié)果的響應(yīng)。這些響應(yīng)之間相互關(guān)聯(lián),為此,引入通道注意力機(jī)制來建立不同通道特征之間的依賴關(guān)系,提高特定語義的特征表示,如圖4所示。
圖4 CAM模塊
(5)
(6)
式中:λC代表通道注意力機(jī)制在注意力模塊中的權(quán)重,設(shè)置為1。
1.2 RAGD模塊
在編解碼網(wǎng)絡(luò)擴(kuò)展路徑中設(shè)計(jì)融入了RAGD模塊。He等[16]提出的殘差連接,在不引入?yún)?shù)量的前提下有效緩解了深層網(wǎng)絡(luò)的梯度消失和梯度爆炸的問題,使得網(wǎng)絡(luò)性能增強(qiáng)且更易于訓(xùn)練。
注意力門通過增強(qiáng)與目標(biāo)相關(guān)的特征區(qū)域,抑制不相關(guān)區(qū)域來提高模型的預(yù)測(cè)能力。它替代了文獻(xiàn)[17]提出的先定位感興趣區(qū)域,再精分割的級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu),大大減少了不必要的重復(fù)訓(xùn)練,在不引入過多參數(shù)的同時(shí)有效提升了模型性能。同時(shí),其結(jié)構(gòu)可以方便地同各種卷積神經(jīng)網(wǎng)絡(luò)結(jié)合在一起。基于上述貢獻(xiàn),將2種方法進(jìn)行結(jié)合,提出RAGD模塊,并用于網(wǎng)絡(luò)的擴(kuò)展路徑中。該模塊結(jié)構(gòu)如圖5所示。
圖5 RAGD模塊
圖5中,xl為注意力門的輸入特征,gl為高層次特征所定義的門控信號(hào)。這2個(gè)輸入特征相加后,分別經(jīng)ReLU函數(shù)、線性映射、sigmoid函數(shù)生成注意力系數(shù)α[18]:
(7)
(8)
注意力門輸出的特征圖zl=αl?xl, ?表示矩陣相乘運(yùn)算。在RAGD模塊中,將注意力特征圖zl與深層次特征gl的上采樣輸出結(jié)果進(jìn)行通道拼接,所得特征r作為殘差模塊的輸入,F(r)表示一系列的卷積操作,則最終輸出為:y=ReLU(F(r)+r)。y將作為下一級(jí)RAGD模塊的深層次特征輸入gl+1。
2.1 實(shí)驗(yàn)環(huán)境
實(shí)驗(yàn)所用數(shù)據(jù)集為開源數(shù)據(jù)集anatomical tracings of lesions after stroke (ATLAS),其中包含240個(gè)缺血性腦卒中患者T1加權(quán)的MRI病例數(shù)據(jù),全部由專業(yè)醫(yī)生進(jìn)行病灶標(biāo)簽的手工標(biāo)注[19]。每個(gè)病例包含189張分辨率為233×197的MRI圖像切片。隨機(jī)挑選192個(gè)病例作為訓(xùn)練集,24個(gè)病例作為驗(yàn)證集,剩余24個(gè)病例作為測(cè)試集。所有數(shù)據(jù)集均采用相同的數(shù)據(jù)增強(qiáng)方法,包括歸一化、縮放和水平翻轉(zhuǎn)。每個(gè)算法取5次隨機(jī)實(shí)驗(yàn)的平均值。使用Dice系數(shù)、recall(召回率)和precision(準(zhǔn)確率)來評(píng)價(jià)模型的表現(xiàn)。并選取了UNet、3D-UNet、attention-UNet、D-UNet等方法進(jìn)行對(duì)比。
實(shí)驗(yàn)使用Python3.7、Tensorflow-GPU2.4框架,顯卡為RTX3080(10 GB)。為提高網(wǎng)絡(luò)性能及加快模型收斂,加入了批處理歸一化層。為防止過擬合,加入了DropOut層。為解決腦卒中病灶與正常組織區(qū)域大小的不平衡問題,使用Dice loss損失函數(shù),訓(xùn)練時(shí)設(shè)置Batch_size為16,學(xué)習(xí)率為0.001,并使用Adam優(yōu)化器進(jìn)行參數(shù)優(yōu)化。
2.2 數(shù)據(jù)集預(yù)處理
數(shù)據(jù)預(yù)處理包含歸一化、數(shù)據(jù)增強(qiáng)以及生成hierarchical data format(HDF5)格式3部分。歸一化通過一系列變換將待處理的原始圖像轉(zhuǎn)換成相應(yīng)的標(biāo)準(zhǔn)形式,使其對(duì)平移、旋轉(zhuǎn)、縮放等仿射變換具有不變特性。數(shù)據(jù)增強(qiáng)可以豐富訓(xùn)練數(shù)據(jù)的分布、提高模型的泛化性能和魯棒性、防止過擬合。由于在訓(xùn)練過程中,通常會(huì)使用大量的圖片,而將這些圖片放入一個(gè)文件中再處理的效率會(huì)高于對(duì)每張圖片分別處理。HDF5文件可以實(shí)現(xiàn)這一目的。ATLAS數(shù)據(jù)集中圖片分辨率為233×197,為方便訓(xùn)練,將其大小重塑為192×192,并將4張切片堆疊在一起作為網(wǎng)絡(luò)編碼端輸入。訓(xùn)練集、驗(yàn)證集和測(cè)試集按照8∶1∶1的比例分別保存為HDF5文件。
2.3 評(píng)價(jià)指標(biāo)
使用準(zhǔn)確率(precision)、召回率(recall)和Dice系數(shù)(Dice similarity coefficient,DSC)這3個(gè)國(guó)際通用的語義分割評(píng)價(jià)指標(biāo)來衡量算法的表現(xiàn)。表達(dá)式如式(9)—(11)所示:
(9)
(10)
(11)
式中:TP代表真陽性,TN代表真陰性,FP代表假陽性,FN代表假陰性。由公式可以看出,Dice系數(shù)是召回率和準(zhǔn)確率的綜合反映,而召回率相較于準(zhǔn)確率更多關(guān)注了假陰性樣本。由于在腦卒中病灶預(yù)測(cè)中陽性漏檢的后果是更嚴(yán)重的,因此召回率比準(zhǔn)確率更加重要。
2.4 實(shí)驗(yàn)結(jié)果
2.4.1DCFE模塊的消融實(shí)驗(yàn)
為驗(yàn)證DCFE模塊的有效性,與不使用二維和三維卷積融合的基礎(chǔ)編解碼UNet網(wǎng)絡(luò)結(jié)構(gòu)以及使用卷積融合加S-E block的D-UNet進(jìn)行比較。為進(jìn)一步探究編碼端DCFE模塊的最佳位置,在圖1所示的位置2、位置3處分別嵌入DCFE模塊進(jìn)行維度融合,相應(yīng)的三維卷積最大池化層數(shù)分別為2層和3層。
由圖6分析可知,使用二維和三維卷積融合的D-UNet在各項(xiàng)指標(biāo)上優(yōu)于UNet網(wǎng)絡(luò)。而在編碼端位置2處使用改進(jìn)的DCFE模塊的網(wǎng)絡(luò)結(jié)構(gòu)則進(jìn)一步相較于D-UNet在DSC及recall上分別提高了7.2%和3.5%,pecision下降了2.8%。由于DSC反應(yīng)了分割的綜合性能,而recall在腦卒中分割中比precision更重要,因此提出的DCFE模塊在整體指標(biāo)上更優(yōu),且三維卷積最大池化層數(shù)為2時(shí)最佳。這是因?yàn)橐肓瞬⒙?lián)結(jié)構(gòu)的雙注意力機(jī)制,從位置和通道2個(gè)維度捕獲全局特征,增強(qiáng)了編碼端特征的表示能力。此外可以看出,隨著三維卷積最大池化層數(shù)增加,參數(shù)量上升明顯,但性能卻隨之下降,原因是網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)過擬合。因此將DCFE模塊應(yīng)用到位置3并未達(dá)到預(yù)期效果,后文的實(shí)驗(yàn)均在DCFE塊位于位置2的情況下開展。值得注意的是,位置1并未添加DCFE模塊進(jìn)行實(shí)驗(yàn),而是直接使用S-E block對(duì)卷積融合后的特征進(jìn)行通道增強(qiáng)。原因是位置1處圖片分辨率較大,而雙通道注意力機(jī)制中的位置注意力模塊在建立位置間的全局相關(guān)性時(shí)對(duì)顯存資源需求較大,因此未進(jìn)行實(shí)驗(yàn),理論上來說,在顯存資源支持的前提下,于位置1處應(yīng)用DCFE模塊也會(huì)在一定程度上提升模型性能。
圖6 DCFE模塊不同位置嵌入實(shí)驗(yàn)性能對(duì)比
2.4.2RAGD模塊的有效性實(shí)驗(yàn)
圖7展示了RAGD模塊在測(cè)試集上的表現(xiàn)。以D-UNet在測(cè)試集上的表現(xiàn)為基準(zhǔn),可以發(fā)現(xiàn)在解碼端融合RAGD模塊后,DSC和recall均有明顯提升,而以precision下降5.0%為代價(jià),整體性能提升明顯。
圖7 解碼端殘差連接和全局殘差連接實(shí)驗(yàn)性能對(duì)比
分析可知,跳躍連接處的注意力門增強(qiáng)了目標(biāo)相關(guān)區(qū)域的特征,而殘差連接改善了解碼部分的梯度流動(dòng),緩解了梯度彌散和網(wǎng)絡(luò)退化問題,使深層的網(wǎng)絡(luò)更容易訓(xùn)練。經(jīng)實(shí)驗(yàn)驗(yàn)證,使用全局的殘差連接比只在解碼端使用殘差連接DSC提高了3.5%,為此,可將殘差連接擴(kuò)展至全局以獲得更高的DSC指標(biāo)。此外,RAGD模塊的加入與單獨(dú)使用attention gate的AG-DUNet相比,DSC提升了3.1%,也證明了所提出RAGD模塊的有效性。
3.4.3本文方法與其他方法的結(jié)果分析
將上述2種模塊分別融合到UNet網(wǎng)絡(luò)中,并與UNet、3D-UNet、D-UNet等網(wǎng)絡(luò)在ATLAS數(shù)據(jù)集上進(jìn)行對(duì)比,其中2D-UNet、3D-UNet、D-UNet的性能引用自文獻(xiàn)[8]。圖8展示了本文方法與不同方法的對(duì)比結(jié)果,圖9討論了部分方法的參數(shù)量對(duì)比。由圖可知,本文方法在DSC、recall和precision指標(biāo)上分別達(dá)到0.62、0.69和0.57,優(yōu)于對(duì)比方法的同時(shí)參數(shù)量不足3D-UNet的一半。
圖8 ATLAS數(shù)據(jù)集上不同方法分割結(jié)果對(duì)比
圖9 各方法參數(shù)量對(duì)比
此外,基于ATLAS數(shù)據(jù)集,回海生等[6]提出一種基于主輔路徑的注意力補(bǔ)償網(wǎng)絡(luò)結(jié)構(gòu)PAPAC-Net。Yang等[20]提出一種基于上下文推理及跨層融合的 CLCI-Net方法。Qi等[21]提出一種基于可分離卷積和特征相似性模塊的X-Net方法。也與這3種方法進(jìn)行了對(duì)比。考慮到對(duì)數(shù)據(jù)的前期處理,訓(xùn)練集、驗(yàn)證集、測(cè)試集的劃分以及損失函數(shù)的不同,盡管所提出方法達(dá)到了更高的DSC值,只能說明該方法達(dá)到了同樣研究中的較高水平。
圖10為不同方法的分割結(jié)果圖。第一列為腦卒中ATLAS數(shù)據(jù)集的原始MRI圖像切片,第二列為醫(yī)師標(biāo)注圖像。第三列至第七列分別為2D-UNet、D-UNet、attention-UNet、本文方法以及UNet結(jié)合RAGD的方法。由圖可見,病灶區(qū)域在切片中占比很小,存在著嚴(yán)重的不平衡現(xiàn)象,且形狀不規(guī)則。對(duì)于同一病灶,不同方法常常存在欠分割或過分割的情況。對(duì)比可知,本文方法在分割的細(xì)膩度上優(yōu)于對(duì)比方法。DSC值可以達(dá)到0.62,并且具有最高的召回率,臨床實(shí)際中陽性漏檢的可能性更低。
圖10 各方法分割結(jié)果圖
針對(duì)當(dāng)前腦卒中MRI影像中病灶區(qū)域和正常組織之間邊界模糊、病灶區(qū)域小、分割難度大的問題,提出一種優(yōu)化的編解碼網(wǎng)絡(luò)結(jié)構(gòu)。在編碼端,結(jié)合二維、三維卷積融合以及雙注意力機(jī)制,提出DCFE模塊,分別建立空間和通道2個(gè)維度的全局依賴性。在解碼端提出殘差-注意力模塊,改進(jìn)UNet網(wǎng)絡(luò)跳躍連接處高層次特征和低層次特征的融合效率,強(qiáng)化對(duì)目標(biāo)特征的關(guān)注。實(shí)驗(yàn)結(jié)果表明,所提出的編解碼網(wǎng)絡(luò)模型比已有模型有更好的性能,且對(duì)比同一數(shù)據(jù)集的其他方法如PAPAC-Net,X-Net等,DSC值明顯提高。未來的研究將針對(duì)數(shù)據(jù)的非平衡特點(diǎn),采用深度學(xué)習(xí)的方法進(jìn)行少數(shù)類樣本生成,降低數(shù)據(jù)的不平衡性。
猜你喜歡殘差注意力卷積基于雙向GRU與殘差擬合的車輛跟馳建模網(wǎng)絡(luò)安全與數(shù)據(jù)管理(2022年3期)2022-05-23讓注意力“飛”回來小雪花·成長(zhǎng)指南(2022年1期)2022-04-09基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)北京航空航天大學(xué)學(xué)報(bào)(2021年9期)2021-11-02基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法北京航空航天大學(xué)學(xué)報(bào)(2020年10期)2020-11-14基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建自動(dòng)化學(xué)報(bào)(2019年6期)2019-07-23從濾波器理解卷積電子制作(2019年11期)2019-07-04基于傅里葉域卷積表示的目標(biāo)跟蹤算法北京航空航天大學(xué)學(xué)報(bào)(2018年1期)2018-04-20“揚(yáng)眼”APP:讓注意力“變現(xiàn)”傳媒評(píng)論(2017年3期)2017-06-13A Beautiful Way Of Looking At Things第二課堂(課外活動(dòng)版)(2016年2期)2016-10-21平穩(wěn)自相關(guān)過程的殘差累積和控制圖河南科技(2015年8期)2015-03-11