基于超像素和支持向量机的阴道细菌自动检测

宋有义 雷柏英 何 亮 曾忠铭 周煜翔 倪 东 陈思平 汪天富#*

1(深圳大学医学院生物医学工程系，广东省生物医学信息检测与超声成像重点实验室，广东 深圳 518060)2(深圳市第六人民医院，深圳大学附属南山医院，广东 深圳 518052)

基于超像素和支持向量机的阴道细菌自动检测

宋有义1雷柏英1何 亮2曾忠铭1周煜翔1倪 东1陈思平1汪天富1#*

1(深圳大学医学院生物医学工程系，广东省生物医学信息检测与超声成像重点实验室，广东 深圳 518060)2(深圳市第六人民医院，深圳大学附属南山医院，广东 深圳 518052)

阴道受到细菌感染引发的阴道炎疾病可能导致异位妊娠、不孕、急慢性盆腔炎等严重疾病，目前形态学人工观察是临床诊断该类疾病的主要方法，但容易引起误诊和漏诊。本研究提出一种基于超像素和支持向量机(SVM )的阴道细菌自动检测方法，对革兰染色的阴道细菌图像，采用简单线性迭代聚类(SLIC)方法计算超像素；对超像素区域计算形状特征、颜色特征和方向梯度直方图(HOG)特征；最后用SVM对超像素区域进行识别。在专业医生的指导下挑选了40幅正常图像和60幅有细菌性阴道病(BV)的图像进行实验，其中10幅正常图像和20幅有细菌性阴道病(BV)的图像用于训练分类器，剩下的70幅用于测试算法。实验结果表明，所提出的自动检测算法获得了89.27%的细菌检出率，具有较大的临床应用价值。

阴道细菌；超像素；支持向量机(SVM)；方向梯度直方图(HOG)特征；自动检测

引言

阴道炎是妇科最常见的疾病之一，由于阴道受到细菌的感染，引发的疾病甚至可能导致异位妊娠、不孕、急慢性盆腔炎等严重疾病[1]。据统计，其中最常见的细菌性阴道病(BV)和外阴阴道念珠菌病(VVC)的患病率分别为22%～50%和17%～39%[2]。所以研究阴道菌群的分布对发现阴道炎疾病的发病机理和对该疾病的治疗具有重要意义。2009年美国NIH启动了人类基因组计划[3](Human Microbiome Project),其中阴道菌群的研究就是该计划的重要部分。

目前临床研究阴道菌群的方法主要是形态学观察,此方法也是临床诊断该类疾病的主要手段[4]。特别是对于BV、VVC等疾病的诊断主要依赖于临床显微镜检查。然而，显微镜人工观察不仅非常耗时、枯燥、劳动强度和工作量大，且完全依赖于医生的主观经验。另外，检测时工作人员的心理适应性和疲劳等都非常容易引起误诊和漏诊。因此，计算机辅助阴道细菌检测和识别技术的研究无疑是非常重要的。但是，据作者所知，目前国内外均没有阴道细菌计算机辅助检测的相关研究报道。

目前所报道的文献中，与本研究的工作比较接近的是Forero等用高斯混合模型识别肺结核杆菌[5]。先抽取G通道，用自适应阈值和边缘检测并结合形态学的方法完成粗分割，然后抽取7个形态学参数、Hu矩和傅里叶描述子作为细菌的特征，采用混合高斯模型对目标形态特征进行建模，最后用贝叶斯分类器完成对细菌的检测。 Chang等用形态学高帽变换结合高斯核模板匹配进行粗分割，然后抽取8个Hu矩、14个形态学特征、80个方向梯度直方图(HOG)特征共102个特征，用交叉(intersection)核SVM完成对肺结核杆菌的检测[6]。在国内，孙涵璇等用形态学高帽变换和固定阈值的方法完成对肺结核杆菌的初步分割，用面积信息滤除一部分伪目标后，提取了10个结合颜色和形态学的特征，最后用反向传播(BP)神经网络完成细菌的自动检测[7]。翟永平等通过颜色空间的转换，用固定阈值对HSV彩色空间的H通道做预分割，对CIE Lab彩色空间的L通道使用基于高斯核的自适应阈值化，然后用Blob分析获取每个连通块的信息，经过色调一致性检验完成对结核杆菌的分割，抽取5个形态学特征和梯度幅值加权均值、梯度幅值方差均量共7个特征，最后用贝叶斯分类器完成对肺结核杆菌的检测[8]。

上述这些方法体现了对杆状细菌检测的技术现状，也在各自的实验数据集上取得了较好的检出率。但是肺结核杆菌的检测相对于阴道细菌的检测，细菌的种类单一，结核杆菌与非结核杆菌之间的形态差别较大，且细菌与背景的对比度相对较高。然而阴道细菌的种类比较多(见图1)，且细菌的形态、颜色差别较大，另外细菌与背景的对比度也比较低，且在一定程度上有细胞背景的干扰(见图2)。所以上述方法对阴道细菌的检测都无法取得较好的结果。

由于阴道细菌的种类多、排列复杂且细菌与背景的对比度较低，阴道细菌的检测难度要远大于前人所做工作的难度。为了能够实现对阴道细菌的自动检测，本研究提出基于超像素和SVM的阴道细菌自动检测方法。为了减少计算量和内存开销，本方法用超像素代替像素；并且针对超像素，设计了具有强大区分能力的特征；用具有较强分类能力的SVM分类器对超像素进行细菌和非细菌的分类，完成最终的细菌自动检测，方法流程图如图3所示。

图1 几种常见的阴道细菌种类(100像素×100像素)。(a)阳性大杆菌;(b)阴性长杆菌;(c)阳性小杆菌;(d)阴性短杆菌;(e)阴性弧形菌;(f)阳性大球菌;(g)阳性小球菌Fig.1 Several common vaginal bacterial (100 pixels ×100 pixels ).(a) Gram positive bacilli; (b) Gram negative bacilli; (c) Gram positive short bacilli; (d) Gram negative short coil; (e) Gram negative arc; (f) Gram positive cocci; (g) Gram positive small cocci

图2 几种常见的阴道细菌图像。(a)正常菌群图像；(b)BV患者图像；(c)中间菌群图像；(d)染色不足图像Fig.2 Several common Gram stain images.(a) Negative of BV; (b) Indicative of BV; (c) Intermediate; (d) Gram staining decoloring

图3 基于超像素和SVM的阴道细菌自动检测方法流程图Fig.3 Flowchart of the proposed algorithm

1 方法

实现阴道细菌的自动检测，首先利用超像素算法把图像分割为超像素区域，然后提取每一个超像素区域的特征，利用设计好的SVM对超像素区域进行分类，从而将图像中阴道细菌的区域提取出来，实现阴道细菌的自动检测。

1.1计算超像素

计算超像素的方法目前已有很多，如均值飘移(mean-shift)[9]、快速飘移(quick shift)[10]、Turbopixels[11]，归一化割(N-cuts)[12]等，而且在许多应用上也取得了成功，如自然风景图像[13]、人体图像、显微图像[14]等。与其它超像素算法相比，简单线性迭代聚类(SLIC)[15]算法具有使用简单、速度快且具有较强的边界捕捉能力。所以，采用SLIC算法产生超像素，该方法利用像素的颜色相似度和图像的平面空间信息对像素进行聚类。具体算法描述如下：

2) 移动聚类中心：为了避免种子点处于图像的边缘位置而对聚类造成干扰，种子点被移动到其3×3区域内梯度值最小的位置。

3) 计算像素点i和j的相似度

(1)

(2)

(3)

式中，li、ai、bi为像素点i在CIE Lab空间中L、a、b通道的数值，x、y为空间坐标值，m为平衡参数。

4) 按最小相似度对图像的像素点进行聚类，不断迭代，直到新种子点和原来的种子点之间的距离足够小时迭代终止。

5) 把面积较小的区域与其距离最近的区域合并，以保证区域的连通性。

为了提高算法的运行速度，对每个种子点聚类时，只在种子点为中心的2S×2S区域内搜索像素点。

1.2超像素区域的特征提取

在对超像素区域进行SVM分类之前，需要对超像素区域提取一些特征作为SVM分类器的输入。目前描述超像素区域的特征有颜色特征、形态学特征、纹理特征、gist特征等[13]。

1)提取颜色特征：因为细菌与非细菌区域在颜色上的差别比较明显，所以抽取了区域在R、G、B通道的最大值、最小值、均值和方差作为超像素区域的特征。另外，由于在同一个细菌区域内，颜色的差别相对较小，又抽取了H、S通道的最大值、最小值、均值和方差作为特征。同时，考虑到超像素区域之间的空间相关性，定义了两个背景区域，区域之外的5个像素圈区域R5和R5之外的5个像素圈区域R10(图4)，同样对这两个区域也抽取了其R、G、B、H、S通道的最大值、最小值、均值和方差，所以共得到了60个颜色特征。

图4 抽取超像素特征时背景像素圈的定义Fig.4 Illustration of the ring neighborhoods for color feature

表1 描述每一个超像素区域所用的特征Tab.1 Summary of the feature used to describe each superpixel

2)提取形态学特征：因为每个超像素区域在形态上也有差别，所以抽取了10个形态学特征，特征的具体细节请参考表1。

3)提取方向梯度直方图特征：得到形态学特征后对区域的长轴做了一个统计，超像素区域的长轴大概为25个像素，所以抽取了以区域的质心为中心30×30的区域,用于计算HOG[16]特征，因为连接区域的大小为6×6，抽取了8个方向，所以共产生了200个HOG特征(5×5×8)。

4)特征归一化：为了防止大数值的特征对小数值的特征造成影响，对于3种不同类型的特征，全部被归一化到[0-1]之间。

1.3SVM分类器设计

支持向量机(SVM)[17]是基于统计学习理论的机器学习算法，由于采用了VC维理论和结构风险最小化原理，对传统机器学习中的过拟合、欠拟合、局部极小等问题都取得了较好的性能，且其出色的泛化能力减少了由手工挑选样本的误差给分类结果带来的影响[18]。

因为合适的核函数能提升SVM分类器的准确率，所以本研究在使用线性核之外，也使用了目前在机器学习和计算机视觉方面应用比较广泛且分类效果比较突出的核函数。

I 交叉(Intersection)核

k(x,y)=min{x,y}

(4)

II 琴声香农(Jensen-Shannon)核

(5)

IIIχ2核

(6)

1.4评价指标

1)分类器性能：对分类器性能的评价，使用的评价指标为

(7)

Tp和Fp为细菌样本得到正确识别、错误识别的个数，Tn和Fn为非细菌样本被识别为非细菌样本、细菌样本的个数。

2)自动检测算法：对细菌自动检测的算法，本研究所采用的指标为

(8)

这里TP定义为细菌区域被正确检出的个数，FP为误检的个数，FN则为漏检的细菌区域的个数。每一个细菌区域，若自动检出的面积与医生手动标注该细菌区域的面积比在60%～130%之内，则把该细菌区域计为正确检出；如果面积比大于130%或把非细菌区域检测为细菌区域，则计为误检；如果面积比小于60%则计为漏检。

2 实验方法

2.1数据来源

数据来自深圳市第六人民医院(深圳大学附属南山医院)，对阴道细菌涂片进行革兰染色处理后，用Olympus BX43显微镜，在物镜放大率为100倍的条件下(油镜，其数值孔径为1.25)获取图像，共收集了100幅1 360像素×1 024像素的RGB彩色图像。100幅图像中，经医生鉴定，60幅图像为患有细菌性阴道病(BV)的样本，其余40幅为正常。100幅图像在医生的帮助下，统计了细菌的个数(本工作主要为细菌检测，并没有对重叠的细菌进行分裂，所以，为了更好的评价所提出的算法，实验统计中，重叠的细菌以区域计数)用于评价所提出的算法。值得注意的是，实验中的数据，每张图像中的细菌个数大约为30～300个。而在临床上，医生读片中，每个视野中细菌的个数一般也是30～300个。

2.2构建训练集

在应用SVM进行分类时，需要从要处理的数据中取出一定数量且具有代表性的样本(见图5)，并对其提取特征构建训练集，利用训练集对SVM进行训练，得到分类模型，再用得到的模型对所需分类的样本进行分类。本研究中从100幅图像中选取了20幅患有BV和10幅正常的图像。计算超像素后，以超像素区域的质心为中心，100像素×100像素的RGB图像和逻辑图像用于计算特征。共手动选取了3 345个细菌、3 382个背景、1 478个白细胞、5 792个细胞核、10 096个细胞质的超像素区域作为训练集。

2.3分类器训练

训练了4个二进制分类器，即细菌和背景、细菌和白细胞、细菌和细胞核、细菌和细胞质。对于测试样本，4个分类器中有2个或以上的分类器判断为细菌，则该样本为细菌，否则计为非细菌区域。对于分类器性能的评估，采用了交叉验证的方法，每一类型的样本被随机分成10份，任意取其中的9份用于训练，剩余的一份用于测试。

图5 训练样本。(a)细菌；(b)背景；(c)白细胞；(d)细胞核；(e)细胞质Fig.5 Train set.(a) Bacterial; (b) Background; (c) White blood cells; (d) Nuclear; (e) Cytoplasm

3 结果

3.1分类器性能评价结果

除了选用线性核SVM交叉核SVM χ2核SVM和琴声香农核SVM外，为了表明SVM更适合本文所提出的特征，实验中使用了反向传播(BP)神经网络。而为了使比较结果更为客观，同样选择了4个二进制的BP神经网络。试验中，BP神经网络有3个隐含层，隐含层节点传递函数为正切S型函数，输出层节点传递函数为线性函数，采用梯度下降动量算法训练网络。

同时也比较了3种不同类型特征的分类效果，数值统计见表2。由表2可以发现，在本研究中，SVM的分类性能要好于BP神经网络。另外，使用不同的核函数，分类性能的差异并不明显，但使用全部特征时，分类性能比只使用任意单一类型的特征有很大提高，说明了所提出的特征能较好地描述超像素区域。

3.2细菌自动检测结果

用剩下的70幅图像对检测结果进行评估。由于使用琴声香农核SVM时分类器的性能最优，所以检测时核函数选择了琴声香农核。表3是检测结果的一个统计，当用全部特征时，本文取得了89.27%的细菌检出率。图6是图2的细菌检测结果图，由图6和表3可发现，在细菌重叠区域、低对比度区域本文的方法均有很高的检出率。另外，对于BV患者和染色不足的图像，本方法仍然获得了很高的检出率。

表3 使用不同特征时检测结果在不同ZSI区间的图像总数与测试图像总数的百分比(%)和ZSI平均值Tab.3 Percentage of images per ZSI interval and ZSI average using different feature subsets

图6 细菌自动检测结果(细菌边界用蓝色标示)。(a)正常菌群图像；(b)BV患者图像；(c)中间菌群图像；(d)染色不足图像Fig.6 The results of automated detection (the boundaries of the bacterium are marked as blue).(a) Negative of BV; (b) Indicative of BV; (c) Intermediate; (d) Gram staining decoloring

3.3与不同方法的比较

为了进一步证明本方法的可行性，将其和目前关于细菌自动检测的方法做了一些对比实验。分别和文献[5-8]等4个方法进行了比较。作为评价指标，具体数值见表4。图7是不同方法的定性比较。

上述4种方法，都使用了颜色空间变换(具体的实验步骤见文献[5-8])。这主要是因为肺结核杆菌的颜色信息在某个通道比较集中，且在该通道细菌与背景有更高的对比度。但是这类方法依赖于数据，对染色技术有较高的要求，这在现实中往往很难得到保证；而阴道细菌由于种类的不同颜色差异比较大，要找到一个合适的颜色空间变换十分困难。表4给出了实验结果，本方法全面优于被比较的方法也证明了颜色空间变换在阴道细菌检测的不可行性。本方法检出率远高于其他的4种方法，且ZSI≥0.90的比例为47.14%，而其他4种方法则都为0。另外，根据图7可发现，本方法对有细胞核干扰的低对比度区域、细菌大面积重叠的区域、颜色相差很大的区域均有较好的检测效果。

表4 使用不同方法时检测结果在不同ZSI区间的图像总数与测试图像总数的百分比(%)和ZSI平均值Tab.4 Percentage of images per ZSI interval and ZSI average using different methods

4 讨论

由于阴道细菌图像存在光照不均、对比度低、细菌种类多且细菌之间在颜色和形态上有较大的差异。另外由于细菌的生长和排列的多样性，有大量的重叠和遮挡的情况存在。这给细菌的自动检测带来了巨大的难度，传统的基于阈值的方法没能取得较好的结果。

图7 不同方法的检测结果比较。(a)原始图像；(b)手工勾画边界；(c)文献[5]方法；(d)文献[6]方法；(e)文献[7]方法；(f)文献[8]方法；(g) 本方法Fig.7 Comparison of detection’s results using different methods.(a) Original images; (b) Ground truth; (c) Reference [5];(d) Reference[6]; (e) Reference [7]; (f) Reference [8]; (g) The proposed method

基于以上困难，本研究结合机器学习，提出了一个自动检测阴道细菌的方法。为了减少计算量和内存开销，用超像素代替像素。并且针对具体的情况，设计了具有强大区分能力的特征，并用具有较强分类能力的SVM分类器进行分类。如实验结果所示，和之前一些细菌检测的方法相比，本研究取得了较大的进步且在数据集上取得了较好的检测结果。然而，有几个问题仍然值得进一步讨论。

1)超像素大小：超像素的面积过大，造成了对细菌边界的捕捉能力下降，特别是对于球菌；面积过小，则产生的超像素区域过多，增加了计算成本，另外造成一定的形状信息丢失。所以，合适的参数对整个算法的性能(包括时间性能和检测性能)起着决定性的作用。本研究对该参数的选择依赖于大量的实验观察，在未来的工作中，将会使用网格搜索。另外，用机器学习的方法，学习一个恰当的参数也是一个可行的方法。

2)特征选择：事实上，特征决定了最终的检测结果。本研究结合前人的工作和具体的应用环境，设计了一个对阴道细菌具有较强区分能力的特征集。但是，特征的质量往往取决于设计者对数据的了解程度和所用数据集能否正确代表真实数据。本研究虽然证明了所提出的特征具有较好的区分能力，但却结合了医生的一部分主观经验。优秀的特征应该是数据自身的内在表达，不应取决于医生的主观意识。在下一步的工作中，将使用深度学习的方法，从数据中学习特征，使特征能充分表达数据的内在属性。

3)分类策略：分类策略的问题仍然需要更深的探索，本研究使用了4个二进制的分类器，对测试样本，只要有2个以上的分类器检测为细菌，就记为细菌样本。另一个是分类器阈值的问题，实验里，分类器的输出高于1就被视为细菌样本。对于分类策略的问题，增强法(boosting)的思想是一个很好的思路。而对于分类器阈值的问题，对SVM的输出进行建模，把距离值转化为概率值是后面工作要解决的主要问题。

4)将重叠细菌成功分裂：要实现对阴道细菌的自动分析，细菌种类的识别必不可少。要完成细菌的种类识别，必须先获取单个细菌的信息。但是，细菌之间大量重叠的情况随处可见(如图2 )。所以，重叠细菌分裂的成功与否决定了细菌种类识别的正确与否。后续工作中，除了对自动检测工作的改进，还将进行重叠细菌的分裂和细菌种类的识别。

5 结论

为了实现细菌性阴道病(BV)的自动诊断，细菌的精确检测是必须解决的首要问题。本算法首先对输入图像计算超像素，根据超像素区域的特征，选用了分类识别率较高的SVM分类器，由于图像背景的复杂性，训练了4个分类器：细菌和背景、细菌和白细胞、细菌和细胞核、细菌和细胞质，从而实现细菌的自动检测。

由于超像素方法能较好地捕捉到细菌边界，所提出的特征能较好地描述超像素区域，再结合分类效果突出的分类器，取得了89.27%的细菌检出率，并且对大面积重叠区域、细菌颜色差别较大的区域、低对比度区域均有较好的检出率，具有较大的临床应用价值。

[1] Forsum U,Holst E,Larsson PG,etal.Bacterial vaginosis-a microbiological and immunological enigma[J].Apmis,2005,113:81-90.

[2] Donders D.Diagnosis and management of bacterial vaginosis and other types of abnormal vaginal bacterial flora:a review [J].Obstetrical & Gynecological Survey,2010,65:462-473.

[3] Turnbaugh PJ,Ley RE,Hamady M,etal.The human microbiome project:exploring the microbial part of ourselves in a changing world [J].Nature,2007,449(7164):804.

[4] Nugent RP,Krohn MA,Hillier S.Reliability of diagnosing bacterial vaginosis is improved by a standardized method of gram stain interpretation [J].Journal of Clinical Microbiology,1991,29:297-301.

[5] Forero M,Cristóbal G,Desco M.Automatic identification of Mycobacterium tuberculosis by Gaussian mixture models [J].Journal of Microscopy,2006,223:120-132.

[6] Chang J,Arbeláez P,Switz N,etal.Automated tuberculosis diagnosis using fluorescence images from a mobile microscope[C] //Nicholas A,eds.15th International Conference on Medical Image Computing and Computer-Assisted Intervention.Berlin:Springer,2012:345-352.

[7] 孙涵璇,谢凤英,姜志国,等.基于 BP 神经网络的结核杆菌目标识别[J].中国体视学与图像分析,2010,1:13-17.

[8] 翟永平,周东翔,刘云辉.基于颜色及梯度统计特征的结核杆标识别[J].国防科技大学学报,2012,34:146-152.

[9] Comaniciu D,Meer P.Mean shift:A robust approach toward feature space analysis[J].IEEE Transactions on Pattern Anal Mach Intell,2002,24:603-619.

[10] Vedaldi A,Soatto S.Quick shift and kernel methods for mode Seeking[C].//Jean P,eds.10th European Conference on Computer Vision.Berlin:Springer,2008:705-718.

[11] Levinshtein A,Stere A,Kutulakos KN,etal.Turbopixels:Fast superpixels using geometric flows[J].IEEE Transactions on Pattern Anal Mach Intell,2009,31:2290-2297.

[12] Shi J,Malik J.Normalized cuts and image segmentation[J].IEEE Transactions on Pattern Anal Mach Intell,2000,22:888-905.

[13] Tighe J,Lazebnik S.Superparsing:scalable nonparametric image parsing with superpixels[C].//Argyors A,Trahanias P,Tziritas G,eds.11th European Conference on Computer Vision.Berlin:Springer,2010:352-365.

[14] Gorelick L,Veksler O,Gaed M,etal.Prostate histopathology:learning tissue component histograms for cancer detection and classification[J].IEEE Transactions on Med Imag,2013,32:1804-1818.

[15] Achanta R,Shaji A,Smith K,etal.SLIC superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Anal Mach Intell,2012,34:2274-2282.

[16] Dalal N,Triggs B.Histograms of oriented gradients for human Detection[C].//Martial H,David K,eds.IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York:IEEE Society,2005:886-893.

[17] Cortes C,Vapnik V.Support-vector networks [J].Machine Learning,1995,20:273-297.

[18] Burges CJ.A tutorial on support vector machines for pattern Recognition[J].Data Mining and Knowledge Discovery,1998,2(2):121-167.

AutomaticDetectionofVaginalBacteriaBasedonSuperpixelandSupportVectorMachine

Song Youyi1Lei Baiying1He Liang2Zeng Zhongming1Zhou Yuxiang1Ni Dong1Chen Siping1Wang Tianfu1#*

1(DepartmentofBiomedicalEngineering，SchoolofMedicine,ShenzhenUniversity,GuangdongKeyLaboratoryforBiomedicalMeasurementsandUltrasoundImaging,Shenzhen518060,Guangdong,China)2(DepartmentofLaboratory,theSixthPeople’sHospitalofShenzhen,theAffiliatedHospitalofNanshan,ShenzhenUniversity,Shenzhen518052,Guangdong,China)

The vaginal disorders or infections caused by bacteria may lead to serious diseases including ectopic pregnancy,infertility,acute or chronic pelvic inflammatory.In clinics,cytology screening is used to prevent vaginal disease; however,misdiagnosis and missed diagnosis occasionally occurred.Here we presented an algorithm for the automatic detection of vaginal bacteria based on the superpixel and support vector machine using images from Gram stain.The algorithm applied simple linear iterative clustering to compute superpixel.We characterized these superpixels areas using features of shape and color and histograms of oriented gradients,and then performed support vector machine classification. Fourty negative of BV and 60 indicative of BV images were chosen,one of 10 negative of BV and 20 indicative of BV images were used for training the classifier,the rest of the images for testing the algorithm.Results suggest that the proposed method reached the average ZSI of 89.27%,showing promising potentials of clinical application.

vaginal bacteria; superpixel; support vector machine (SVM); histograms of oriented gradients(HOG); automated detection

10.3969/j.issn.0258-8021.2015.02.011

2014-06-13，录用日期:2015-01-06

R318.08

A

0258-8021(2015) 02-0204-09

# 中国生物医学工程学会会员(Member,Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)，E-mail:tfwang@szu.edu.cn