胸主動(dòng)脈CT圖像中夾層的診斷分析

陳 菁，林春深

(福州大學(xué)石油化工學(xué)院，福建 福州 350116)

胸主動(dòng)脈CT圖像中夾層的診斷分析

陳 菁，林春深

(福州大學(xué)石油化工學(xué)院，福建 福州 350116)

醫(yī)療影像數(shù)據(jù)是醫(yī)生進(jìn)行臨床診斷、跟蹤病情發(fā)展、制定手術(shù)計(jì)劃的重要客觀依據(jù). 為了使影像數(shù)據(jù)的利用更加準(zhǔn)確和高效，將紋理統(tǒng)計(jì)分析方法應(yīng)用至胸主動(dòng)脈CT圖像的紋理特征分析中，以像素對(duì)間的方向參數(shù)和距離參數(shù)構(gòu)造灰度共生矩陣，并從該矩陣中提取出有意義的統(tǒng)計(jì)量來(lái)表征紋理. 實(shí)驗(yàn)證明，使用該共生矩陣提取出的特征能夠區(qū)分正常主動(dòng)脈和夾層主動(dòng)脈，為進(jìn)一步建立醫(yī)學(xué)圖像輔助診斷系統(tǒng)提供基礎(chǔ).

CT圖像； 胸主動(dòng)脈夾層； 灰度共生矩陣； 紋理特征; 診斷技術(shù)

0 引言

隨著醫(yī)學(xué)圖像設(shè)備在醫(yī)院中廣泛應(yīng)用， 對(duì)數(shù)字圖像數(shù)據(jù)處理技術(shù)進(jìn)行定量分析，獲得基于圖像分析的臨床輔助診斷技術(shù)，具有重要的理論意義與臨床應(yīng)用價(jià)值[1]. 計(jì)算機(jī)斷層掃描(computedtomography，CT)檢查因其對(duì)比分辨率低和圖像后處理能力豐富的優(yōu)勢(shì)，逐漸成為檢查主動(dòng)脈疾病的普遍和有效的方法. 根據(jù)CT成像原理，像素點(diǎn)上的灰度值取決于對(duì)應(yīng)軟組織吸收射線的程度. 當(dāng)組織中一些部位發(fā)生病變，其對(duì)射線的吸收能力將會(huì)相應(yīng)變化[2]. 這樣，從CT圖像中獲取的特征參數(shù)的微小變化就能反映出胸主動(dòng)脈的病理學(xué)改變. 因此，CT成像目前已成為醫(yī)學(xué)圖像處理輔助診斷的重要依據(jù)[3].

CT圖像中的紋理特征是對(duì)胸主動(dòng)脈疾病進(jìn)行輔助診斷的重要指標(biāo)，特征提取的多少及選用特征的敏感性會(huì)直接影響到后續(xù)分類工作的進(jìn)行以及疾病診斷的結(jié)果. 目前，胸主動(dòng)脈CT圖像在圖像處理方面的應(yīng)用多是血管的輪廓提取與分割、血管的三維可視化和形態(tài)學(xué)測(cè)量等方向的研究. 雖然CT檢查在定性診斷中，對(duì)主動(dòng)脈夾層的靈敏度和特異度都很高[4]，但很多情況下要憑借醫(yī)生的經(jīng)驗(yàn)來(lái)正確識(shí)別夾層，而正確的圖像處理方法可以提高識(shí)別的準(zhǔn)確性. 目前，使用紋理特征對(duì)胸主動(dòng)脈夾層(aorticdissection，AD)CT圖像的診斷的研究報(bào)道還比較少. 為進(jìn)一步完善該領(lǐng)域的研究，將灰度共生矩陣(gray-levelco-occurrencematrix，GLCM)方法應(yīng)用到對(duì)胸主動(dòng)脈CT圖像紋理的分析中，在MATLAB環(huán)境下，編制計(jì)算灰度共生矩陣及其特征參數(shù)的算法程序，對(duì)胸主動(dòng)脈CT圖像進(jìn)行特征提取，并通過(guò)仿真實(shí)驗(yàn)確定最優(yōu)參數(shù).

1 紋理及其特征

紋理是物體表面共有的內(nèi)在特性，它在圖像中普遍存在卻又難以描述. 紋理特征是不依賴圖像的顏色或亮度而反映出其同質(zhì)現(xiàn)象的一種視覺(jué)特征[5-6]. 進(jìn)行特征提取是為了將天然的或人工的紋理在空間結(jié)構(gòu)上的差異轉(zhuǎn)化為特征灰度值大小的差異. 胸主動(dòng)脈是一類實(shí)質(zhì)性的器官，不論是正常主動(dòng)脈，還是發(fā)生了病變的主動(dòng)脈，CT圖像的紋理都能夠反應(yīng)其內(nèi)部組織結(jié)構(gòu)及其分布，因此研究紋理的變化情況就可以反映出胸主動(dòng)脈內(nèi)部組織是否改變.

提取紋理特征，首先要獲得足夠的能夠度量紋理特征的指標(biāo)，然后經(jīng)過(guò)分析或變換篩選出有效特征用于描述或分類紋理[7]. 如何在繁多的紋理分析方法中選擇適用于胸主動(dòng)脈CT圖像的紋理特征分析法，并確定代表性好的紋理特征參量是要解決的重點(diǎn)問(wèn)題. 此外，如何平衡海量數(shù)據(jù)處理、高速運(yùn)算和科學(xué)統(tǒng)計(jì)三者之間的關(guān)系是該領(lǐng)域研究的難點(diǎn)和熱點(diǎn).

一般將紋理分析方法分為統(tǒng)計(jì)方法和結(jié)構(gòu)方法兩大類. 醫(yī)學(xué)圖像的紋理特征沒(méi)有簡(jiǎn)單的周期重復(fù)和規(guī)則不變的局部模式，而是以隨機(jī)紋理的形式出現(xiàn)，統(tǒng)計(jì)學(xué)上的意義明顯. 大量研究表明，對(duì)醫(yī)學(xué)圖像進(jìn)行紋理分析時(shí)采用統(tǒng)計(jì)分析方法將比結(jié)構(gòu)分析方法更加合理[8]. 由Haralick提出的灰度共生矩陣是應(yīng)用較廣的紋理特征分析方法.

2 紋理特征的提取方法-共生矩陣法

2.1 灰度共生矩陣原理

圖像的灰度可以認(rèn)為是三維空間中的一個(gè)曲面. 使用灰度直方圖能夠表現(xiàn)這個(gè)三維空間中單個(gè)像素灰度值的分布規(guī)律，而不同像素之間的灰度值空間的相關(guān)規(guī)律則無(wú)法反映.

Haralick在1973年開(kāi)創(chuàng)性地提出了灰度共生矩陣(GLCM)的概念，這是一種由圖像灰度級(jí)之間的聯(lián)合概率密度p(i,j;d,θ)構(gòu)成的矩陣.GLCM從統(tǒng)計(jì)學(xué)角度體現(xiàn)了任意兩個(gè)像素在三維空間中灰度的空間相關(guān)性. 其定義為在圖像域Lx×Ly內(nèi)，兩個(gè)距離為d、方向?yàn)棣鹊南袼卦趫D像中出現(xiàn)的概率p(i,j;d,θ)[5].

例如距離為d，水平方向p(i,j;d, 0°)和垂直方向p(i,j;d, 90°)的計(jì)算公式為：

(1)

(2)

同理，距離為d，對(duì)角方向的灰度共生矩陣p(i,j;d, 45°)和p(i,j;d, 135°)的計(jì)算公式為：

(3)

(4)

式中:i,j=0, 1, 2, …,L-1；L為圖像的灰度級(jí)數(shù)；Lx，Ly分別為圖像的行列數(shù);x=0, 1, 2, …,Lx-1；y=0, 1, 2, …,Ly-1. 另外，通過(guò)

可獲得歸一化共生矩陣，R為歸一化常數(shù).

2.2 共生矩陣法紋理特征分析算法

圖1 共生矩陣法提取圖像紋理特征算法流程圖 Fig.1 Algorithm flow chart of co-occurrence matrix to extract image texture features

胸主動(dòng)脈CT圖像特征提取是一種基于共生矩陣法的統(tǒng)計(jì)學(xué)任務(wù). 其基本原理如圖1所示.

2.3 基于灰度共生矩陣的紋理特征

特征選取是圖像紋理分析結(jié)果的精確度和可靠度的重要決定因素之一. 按照經(jīng)驗(yàn)，選取的特征越少，算法計(jì)算速度越快，實(shí)現(xiàn)越簡(jiǎn)單，但分類的精度不高； 而特征過(guò)多，可能拖慢計(jì)算速度，并且算法實(shí)現(xiàn)復(fù)雜，分類效果不盡如人意. 對(duì)于屬于不同類型的對(duì)象，它們的紋理特征值應(yīng)當(dāng)具有明顯的差異，而相同類型對(duì)象的特征值應(yīng)比較相近且彼此不相關(guān)[9].Ulaby等[10]的研究發(fā)現(xiàn)： 在Haralick提出的14個(gè)GLCM紋理特征中，僅有能量、對(duì)比度、逆差矩、相關(guān)性這4個(gè)特征是不相關(guān)的，而且這些特征不僅便于計(jì)算還能給出較高的分類精度； 文獻(xiàn)[11]分析了6個(gè)紋理特征，認(rèn)為對(duì)比度和熵最能反映紋理的代表性； 文獻(xiàn)[12]通過(guò)計(jì)算，獲得3個(gè)不相關(guān)且分辨率最優(yōu)的紋理特征： 對(duì)比度、熵和相關(guān)性. 因此，實(shí)驗(yàn)嘗試選取4個(gè)有代表性的紋理特征，用以分析胸主動(dòng)脈CT圖像，分別是能量、對(duì)比度、相關(guān)性和熵：

能量(角二階矩)ASM： 反映圖像灰度分布的均勻性，粗紋理的能量較大，細(xì)紋理的能量較小. 即

對(duì)比度(慣性矩)CON： 反映圖像的清晰度，表示紋理溝紋深淺的程度，紋理的溝紋越深，其對(duì)比度就越大，相應(yīng)的圖像的視覺(jué)清晰效果就越好. 即

相關(guān)COR： 衡量鄰域灰度的線性依賴性，用來(lái)度量空間灰度共生矩陣元素在行方向或列方向上灰度值的相似程度. 即

式中：μx,μy和σx,σy分別表示p(i,j;d,θ)的均值和方差.

熵ENT： 反映圖像所具有的信息量和紋理的復(fù)雜程度，如果圖像沒(méi)有任何紋理，則熵值接近零. 即

2.4 選取圖像紋理特征構(gòu)造參數(shù)

灰度共生矩陣算法中有4個(gè)變量可能對(duì)計(jì)算復(fù)雜程度產(chǎn)生較大影響，包括： 移動(dòng)窗口大小、圖像灰度級(jí)、生成步長(zhǎng)和生成方向. 因此，算法用于胸主動(dòng)脈CT圖像紋理分析時(shí)，應(yīng)先確認(rèn)適合的共生矩陣構(gòu)造參數(shù)(見(jiàn)圖2).

2.4.1 移動(dòng)窗口大小的選取

灰度共生矩陣的紋理分析方法需要選擇一定大小的移動(dòng)窗口. 窗口包含行列像素的圖像局部. 從大小為512×512的原始醫(yī)學(xué)CT圖(見(jiàn)圖3(a))中可以看到，圖像中除了胸主動(dòng)脈外，還包含較多的背景區(qū)域. 鑒于此，應(yīng)首先確定感興趣區(qū)域(regionofinterest，ROI)，原則是把盡量多的主動(dòng)脈包含進(jìn)去，同時(shí)盡量少涵蓋非感興趣區(qū)域，最終確定出ROI區(qū)域(見(jiàn)圖3(b))，大小固定為60×60像素. 由于ROI圖尺寸較小，故確定移動(dòng)窗口大小為1×1，對(duì)每一個(gè)像素單獨(dú)分析.

圖2 共生矩陣法構(gòu)造參數(shù)示意圖Fig.2 Formation parameter of co-occurrence matrix

圖3 要處理的醫(yī)學(xué)圖像Fig.3 Medical images to be processed

2.4.2 灰度級(jí)L的選取

灰度級(jí)L與圖像清晰度成正比.L越大，越能真實(shí)反映樣本本身，但會(huì)導(dǎo)致GLCM維數(shù)變大，很大程度上增加了運(yùn)算量. 當(dāng)紋理樣本的灰度分布集中于狹窄的范圍內(nèi)，直接壓縮灰度級(jí)，將導(dǎo)致灰度級(jí)分布范圍更窄，對(duì)分析結(jié)果不利. 所以在壓縮灰度級(jí)之前，應(yīng)先對(duì)圖像做直方圖均衡化處理. 通過(guò)壓縮灰度級(jí)，以平衡算法運(yùn)算時(shí)間和紋理分析質(zhì)量的關(guān)系，是提取紋理特征的必要前提.

考慮將灰度級(jí)為256級(jí)的原始CT圖像量化為16級(jí). 大量實(shí)驗(yàn)表明，量化后的圖像雖有失真，但不會(huì)對(duì)紋理特征分析結(jié)果造成決定性的影響.

2.4.3 生成步長(zhǎng)d的選取

生成步長(zhǎng)d代表GLCM中被采樣的兩個(gè)像素點(diǎn)間的距離. 如果d小于紋理基元的幅度，生成步長(zhǎng)兩端灰度相近的可能性就大，此時(shí)GLCM中大的數(shù)值元素集中分布在矩陣對(duì)角線附近，無(wú)法反映真實(shí)的紋理特征. 如果能夠做到d的大小與紋理基元的幅度相適應(yīng)，此時(shí)GLCM中大數(shù)值元素的分布將較為均勻. 選取d=1、2、5作為生成步長(zhǎng)，分別計(jì)算不同步長(zhǎng)下的紋理特征值，比較不同步長(zhǎng)對(duì)特征值的影響程度，以此確定最佳生成步長(zhǎng).

2.4.4 生成方向θ的選取

生成方向θ是GLCM的重要參數(shù)之一，不同生成方向算出的GLCM的特征參數(shù)值不盡相同，有些特征值的計(jì)算原理和生成方向密不可分，不論舍棄任何方向都可能丟失大量紋理信息. 根據(jù)前人經(jīng)驗(yàn)，實(shí)驗(yàn)采取分別計(jì)算4個(gè)方向(一般取值0°、45°、90°、135°)的方式，確定GLCM的紋理特征值，以各方向特征值的均值作為紋理向量中的各分量[13].

3 實(shí)驗(yàn)與結(jié)論

選取不同患者的胸主動(dòng)脈CT圖片. 其中，主動(dòng)脈夾層(AD)部位10幅(圖4(a))，正常(Normal)部位主動(dòng)脈10幅(圖4(b)). 實(shí)驗(yàn)通過(guò)MATLAB來(lái)實(shí)現(xiàn)對(duì)輸入圖像的紋理分析，計(jì)算圖像紋理特征值, 并繪制不同的紋理特征構(gòu)造參數(shù)下，樣本的紋理特征值曲線圖.

圖4 實(shí)驗(yàn)對(duì)象ROI圖Fig.4 ROI of experimental subject

3.1 最優(yōu)生成步長(zhǎng)的確定

考慮同一圖像，當(dāng)方向θ確定時(shí)，像素間距d對(duì)GLCM的特征值可能存在影響. 實(shí)驗(yàn)以45°方向角為例，觀察不同生成步長(zhǎng)d=1、2、5對(duì)特征值的影響. 實(shí)驗(yàn)數(shù)據(jù)列于表1，紋理特征值比較見(jiàn)圖5.

表1 胸主動(dòng)脈CT圖GLCM特征值(方向角為45°)

圖5 紋理特征值比較圖(θ=45°)Fig.5 Texture feature value comparison chart (θ=45°)

由表1和圖5可以明顯看出生成步長(zhǎng)d對(duì)GLCM的特征值影響不大，3幅圖中折線趨勢(shì)基本相同，特征值數(shù)值大小差異不大，因此取精確度最高的步長(zhǎng)d=1作為GLCM計(jì)算中的生成步長(zhǎng)，即中心像素同與之直接相鄰的像素做運(yùn)算和比較.

3.2 正常胸主動(dòng)脈與夾層胸主動(dòng)脈的分類

確定最佳構(gòu)造參數(shù)之后，分析各生成方向上的特征值的特異性，以確認(rèn)實(shí)驗(yàn)所選取的特征值能夠準(zhǔn)確區(qū)分胸主動(dòng)脈CT圖中的正常主動(dòng)脈與夾層主動(dòng)脈, 特征值對(duì)照見(jiàn)表2. 不同生成方向的紋理特征值比較見(jiàn)圖6.

表2 胸主動(dòng)脈CT圖GLCM特征值(步長(zhǎng)為1)

從圖6可以看出，夾層部位的相關(guān)性(COR)均小于正常部位，這說(shuō)明正常部位主動(dòng)脈對(duì)鄰域的線性依賴大，行或列方向上的一致性高，夾層部位由于存在間隔故不具備這一特點(diǎn)； 夾層部位的熵值(ENT)均 大于正常部位，這說(shuō)明有夾層的主動(dòng)脈紋理更為復(fù)雜； 夾層部位的能量(ASM)均小于正常部位，這說(shuō)明正常主動(dòng)脈的紋理更均勻更規(guī)則； 夾層部位的對(duì)比度(CON)大于正常部位，這是由于夾層部位的灰度級(jí)差大于正常部位，深淺對(duì)比更加明顯.

圖6 不同生成方向時(shí)紋理特征值比較圖Fig.6 Texture feature value comparison chart

為了使得到的紋理特征與方向無(wú)關(guān)，將獲得的4個(gè)方向(0°、45°、90°、135°)的特征值取平均，以抑制方向分量，求出的值見(jiàn)表3.

圖7為胸主動(dòng)脈CT圖紋理特征值. 從圖7可知，夾層的對(duì)比度大于正常主動(dòng)脈的對(duì)比度，而對(duì)于能量、熵值與相關(guān)性兩者的差異不明顯. 這表明夾層部位的紋理溝紋較正常部位的深, 與夾層的形態(tài)符合，能夠作為區(qū)分正常主動(dòng)脈與夾層主動(dòng)脈之依據(jù).

表3 胸主動(dòng)脈CT圖GLCM特征值

3.3 實(shí)驗(yàn)結(jié)論

1) 作為實(shí)驗(yàn)對(duì)象的CT圖血管部分圖像像素不大，故以最小的窗口1×1作為移動(dòng)窗口大小.

2) 平衡圖像清晰度與計(jì)算時(shí)間長(zhǎng)度的關(guān)系，將圖像壓縮至16級(jí)灰度級(jí).

3) 分析單一方向角上的各項(xiàng)紋理特征值，決定采用d=1的生成步長(zhǎng)，即中心像素同與之直接相鄰的像素做運(yùn)算和比較.

4) 關(guān)于生成方向，先獲得水平、豎直和對(duì)角線四個(gè)方向上的紋理特征值大小，再求均值這種普遍性研究方法是可行的.

5) 正常主動(dòng)脈和夾層主動(dòng)脈在能量、對(duì)比度、相關(guān)性和熵四類紋理特征上具有差異性，能夠作為區(qū)分正常主動(dòng)脈與夾層主動(dòng)脈之依據(jù).

4 結(jié)語(yǔ)

當(dāng)有胸主動(dòng)脈病變發(fā)生時(shí)，主動(dòng)脈微結(jié)構(gòu)發(fā)生變化，使正常主動(dòng)脈與主動(dòng)脈夾層CT圖像之間的紋理特征出現(xiàn)了較大的差別. 根據(jù)灰度共生矩陣特征向量，分析胸主動(dòng)脈CT圖紋理特征. 基于MATLAB的簡(jiǎn)便實(shí)現(xiàn)代碼， 通過(guò)在醫(yī)學(xué)CT圖像上的實(shí)驗(yàn)，表明所使用的算法是有效的，提取的紋理特征對(duì)圖像內(nèi)容有較好的區(qū)分性，為臨床上主動(dòng)脈夾層的輔助診斷提供了量化依據(jù)，也為后期圖像識(shí)別、圖像數(shù)據(jù)挖掘和圖像分類等提供了很好的特征數(shù)據(jù).

基于灰度共生矩陣的紋理特征提取是分析圖像紋理的有利工具，但是算法中部分參數(shù)如圖像灰度級(jí)L、距離d、提取哪些特征值有效，是否是最佳選擇還需更嚴(yán)謹(jǐn)?shù)淖C實(shí). 另外，還需通過(guò)大量實(shí)驗(yàn)，研究算法是否適合所有形態(tài)的胸主動(dòng)脈夾層的圖像，即算法的普適性仍是一個(gè)需要深入探索的領(lǐng)域.

[1]WONGKK,SUNZ,TUJ,etal.Medicalimagediagnosticsbasedoncomputer-aidedflowanalysisusingmagneticresonanceimages[J].ComputerizedMedicalImagingandGraphice，2012，36(7): 527-541.

[2]VETAM,PLUIMJ,VANDP,etal.Breastcancerhistopathologyimageanalysis:areview[J].IEEETransactionson，BiomedicalEngineering， 2014，61(5): 1 400-1 411.

[3]TAKASEK,OTAH,RIKIMARUH,etal.Diagnosisofaorticdiseasesusingmultidetectorcomputedtomogramphy[J].RadiationMedicine，2006，24(5): 405-414.

[4]JACOBSC,RIKXOORTEMV，TWELLMANNT,etal.Automaticdetectionofsubsolidpulmonarynodulesinthoraciccomputedtomographyimages[J].MedImageAnal，2014，18(2): 374-384.

[5]HARALICKRM,SHANMUGAMK.Computerclassificationofreservoirsandstones[J].IEEETransactionson，GeosciencesElectronics， 1973，11(4): 171-177.

[6]KAYAY，KAYCIL.Applicationofartificialneuralnetworkforautomaticdetectionofbutterflyspeciesusingcolorandtexturefeatures[J].TheVisualComputer，2014，30(1): 71-79.

[7]RAHEJAJL，KUMARS，CHAUDHARYA.FabricdefectdetectionbasedonGLCMandGaborfilter:acomparison[J].Optik-InternationalJournalforLightandElectronOptics，2013，124(23): 6 469-6 474.

[8]CASTELLANOG,BONILHAL,LILM,etal.Textureanalysisofmedicalimages[J].ClinicalRadiology，2014，59(12): 1 061-1 069.

[9]HOUX，ZHANGT，XIONGG,etal.Imageresemblingdetectionbasedontextureclassification[J].MultimediaToolsandApplications，2014，72(2): 1 681-1 708.

[10]ULABYFT,KOUYATEF,BRISCOB,etal.TexturalinfornationinSARimages[J].IEEETransactionsonGeoscienceandRemoteSensing，1986，24(2): 235-245.

[11]BHARATIMH，LIUJJ，MACGREGORJF.Imagetextureanalysis:methodsandcomparisons[J].ChemometricsandIntelligentLaboratorySystems，2004，72(1): 57-71.

[12]JAINS，MISHRAS.ANNapproachbasedonbackpropagationnetworkandprobabilisticneuralnetworktoclassifybraincancer[J].InternationalJournalofInnovativeTechnologyandExploringEngineering，2013，3(3): 101-105.

[13]BARALDIA,PARMIGGIANIF.AninvestigationofthetexturalcharacteristicsassociatedwithGLCMstatisticalparameters[J].IEEETransactionsonGeosciencesandRemoteSensing，1995，33(2): 293-304.

(責(zé)任編輯： 洪江星)

Diagnostic analysis of thoracic aortic dissection CT image

CHENJing，LINChunshen

(SchoolofChemicalEngineering，F(xiàn)uzhouUniversity，F(xiàn)uzhou，F(xiàn)ujian350116，China)

Themassivepatientimagedataisanimportantobjectivebasisinclinicaldiagnosis,planning,trackingandoperationresearchfordoctors.Inordertousetheimagedatamoreefficientandcorrect，thisarticleextractsthethoracicaortaCTimagetexturefeaturebystatisticalanalysis.Thesymbioticmatrixisconstructedbydirectionanddistanceparameterbetweenpixels.Thenmatrixextractsfromtheenergy,entropy,contrast,correlationandothermeaningfulstatisticstorepresentthetexturecharacteristics.Experimentsprovedthatthefeatureextractedbytheco-occurrencematrixcandistinguishnormalaortaandinterlayeraorta,toprovidethepremiseconditionforfurtherestablishmedicalimageaideddiagnosissystem.

CTimage;thoracicaorticdissection;gray-levelco-occurrencematrix;texturalfeature;diagnostictechnique

10.7631/issn.1000-2243.2017.01.0091

1000-2243(2017)01-0091-07

2014-10-26

林春深(1976- )，講師，主要從事過(guò)程裝備與控制方面的研究，183978819@qq.com

國(guó)家質(zhì)檢總局科技計(jì)劃資助項(xiàng)目(2010QK032)

TP391.1

A