基于Adaboost算法的多特征融合肺部PET-CT圖像的腫瘤分類方法*

何校棟 邢海群 王 瞳 霍 力 李 方 張 輝*

基于Adaboost算法的多特征融合肺部PET-CT圖像的腫瘤分類方法*

何校棟①邢海群②王 瞳②霍 力②李 方②張 輝①*

目的：提出并設(shè)計(jì)使用PET-CT影像定位肺部病灶區(qū)域并輔助判斷病灶點(diǎn)的自動(dòng)化流程，并對(duì)整個(gè)算法流程進(jìn)行評(píng)價(jià)和分析，以提高臨床工作效率。方法：選取北京協(xié)和醫(yī)院核醫(yī)學(xué)科20例肺部腫瘤患者的PET-CT影像，使用圖像尺度變換等圖像處理方法，去除CT圖像中的床位，用等高輪廓線在PET-CT影像中提取樣本區(qū)域，并依據(jù)預(yù)先標(biāo)記的病灶區(qū)域信息對(duì)樣本區(qū)域進(jìn)行類別劃分，提取每個(gè)樣本區(qū)域的圖像特征。應(yīng)用Adaboost算法進(jìn)行訓(xùn)練，建立相應(yīng)的分類模型，利用訓(xùn)練好的分類模型對(duì)測(cè)試集進(jìn)行測(cè)試，對(duì)比弱分類器構(gòu)成的集成分類模型的準(zhǔn)確率，用檢出率、誤檢率、感興趣區(qū)域(ROC)曲線以及病例分類的正確率對(duì)分類結(jié)果進(jìn)行評(píng)估。結(jié)果：對(duì)20例患者的PET-CT圖像預(yù)處理后，共產(chǎn)生125088個(gè)樣本，其中正樣本22720個(gè)，負(fù)樣本為102368個(gè)，用等高輪廓線進(jìn)行區(qū)域劃分，使用Adaboost.M2算法融合多種特征訓(xùn)練出來的強(qiáng)分類器的樣本分類正確率為97%左右，20例肺部腫瘤患者的粗分類結(jié)果全部正確，細(xì)分類結(jié)果正確率為100%。結(jié)論：將等高輪廓線區(qū)域技術(shù)與Adaboost算法相結(jié)合，融合多個(gè)特征構(gòu)建分類器提取并識(shí)別肺部腫瘤區(qū)域的方法能有效改善弱分類器的過擬合現(xiàn)象，有效的提高弱分類器的準(zhǔn)確率，該算法實(shí)現(xiàn)了從PET-CT影像到診斷結(jié)果的自動(dòng)化，為臨床醫(yī)生提供更清晰的診斷結(jié)果，極大提高臨床工作效率。

自動(dòng)化診斷；Adaboost算法；PET-CT；多特征融合分類；等高輪廓線；肺癌

當(dāng)前，肺癌已成為人類癌癥死亡的主要原因之一，我國(guó)肺癌病患的發(fā)病率和病死率也在逐年攀升，其中大約80%的肺部腫瘤患者就診時(shí)已經(jīng)屬于肺癌晚期[1]；而經(jīng)過早期篩查、診斷和及時(shí)治療的肺癌患者5年生存率達(dá)到35%～80%[2]。正電子發(fā)射斷層顯像(positron-emission tomography，PET)，X射線計(jì)算機(jī)斷層成像(computed tomography，CT)，PET-CT影像診斷則是進(jìn)行肺部腫瘤早期篩查的有效工具。

目前，在臨床影像診斷中醫(yī)生大多通過手工圈定患者感興趣區(qū)域(region of interest，ROI)來確定醫(yī)學(xué)圖像中的ROI，由于國(guó)內(nèi)患者眾多、醫(yī)生的工作量和工作壓力大等因素導(dǎo)致診斷的準(zhǔn)確率降低。近年來，人們?cè)絹碓蕉嗟貒L試將計(jì)算機(jī)技術(shù)應(yīng)用到臨床檢查和診斷上來。

1 方法與數(shù)據(jù)

本研究采用數(shù)字圖像處理技術(shù)對(duì)PET-CT影像進(jìn)行一系列自動(dòng)化處理，不需要醫(yī)師或者研究人員手動(dòng)設(shè)定ROI，能有效的減少臨床工作人員的工作量。

1.1 方法流程

算法先用數(shù)字圖像處理技術(shù)處理獲取的PET-CT影像，確定肺部的樣本區(qū)域，然后提取樣本區(qū)域的特征，構(gòu)建數(shù)據(jù)集合，接著劃分?jǐn)?shù)據(jù)集，用劃分出來的訓(xùn)練集訓(xùn)練分類器，再用測(cè)試集測(cè)試訓(xùn)練好的分類器，最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析解讀，算法流程如圖1所示。

圖1 算法流程圖

1.2 臨床數(shù)據(jù)描述

使用從北京協(xié)和醫(yī)院核醫(yī)學(xué)科獲取的20例肺部腫瘤患者的PET-CT影像，核醫(yī)學(xué)科2名經(jīng)驗(yàn)豐富的醫(yī)師已在圖像中標(biāo)記出病灶區(qū)域；患病結(jié)果分別有良性(benign)和惡性(malignancy)，其中良性又細(xì)分為良性腫瘤(benign Tumor)和炎癥(inflammation)兩種情況，而惡性腫瘤又根據(jù)分化程度的不同，細(xì)分為低分化(poor differentiated)、中分化(moderate differentiated)和高分化(well differentiated)三種情況。研究中使用的20例PET-CT圖像粗分類良性腫瘤8例，惡性腫瘤12例，細(xì)分類則良性腫瘤、炎癥、低分化、中分化和高分化各4例。北京協(xié)和醫(yī)院核醫(yī)學(xué)科2名醫(yī)師對(duì)上述20例患者的PET-CT圖像進(jìn)行病灶點(diǎn)的標(biāo)記，標(biāo)記病灶點(diǎn)37個(gè)，病灶所在切片共152層。

1.3 確定樣本區(qū)域

對(duì)每個(gè)病例的CT和PET肺部圖像使用等高輪廓線進(jìn)行區(qū)域劃分，然后對(duì)每個(gè)等高輪廓線劃分出來的區(qū)域進(jìn)行二值圖像孔洞填充，經(jīng)過填充之后的每個(gè)連通的區(qū)域即是一個(gè)樣本。若樣本50%的區(qū)域面積為病灶區(qū)域，則該樣本就標(biāo)記為正樣本(病灶樣本)，病灶區(qū)域面積低于樣本面積的50%，則標(biāo)記該樣本為負(fù)樣本(None-非病灶區(qū)域)。

對(duì)20例患者的PET-CT圖像預(yù)處理后，共產(chǎn)生125088個(gè)樣本，其中正樣本22720個(gè)，負(fù)樣本102368個(gè)，其結(jié)果見表1。

表1 病例樣本數(shù)量(個(gè))

1.4 樣本特征提取

目前X射線胸片、CT掃描能幫助醫(yī)師對(duì)大部分肺癌做出診斷和分期判定，但對(duì)于一些早期病變的判定幫助有限。PET在腫瘤的早期診斷、分期和療效評(píng)估方面有較高的敏感性和特異性，但其空間分辨力較差。PET-CT的出現(xiàn)彌補(bǔ)了這兩方面的缺憾，其融合專用的PET掃描儀和CT掃描儀的技術(shù)，提供了來自兩種顯像方式的獨(dú)特信息[3]。本研究主要對(duì)PET-CT在肺癌診斷中的應(yīng)用進(jìn)行了研究，PET和CT影像信息互相參考，互為印證，可以彌補(bǔ)CT定性困難的缺陷和PET定位不精確，以及由于生理性攝取造成假陽性率的缺陷，極大提高診斷效能[4]。

PET圖像中通常用于診斷肺癌的指標(biāo)為最大標(biāo)準(zhǔn)化攝取值(maximum standard uptake value，SUVmax)，PET影像中的SUVmax與腫瘤大小、病理類型等相關(guān)[5]；病灶最大徑、最小徑及病灶密度均與SUVmax呈明顯正相關(guān)關(guān)系，將各影響因素扣除后，不同組織學(xué)類型及不同分期非小細(xì)胞肺癌的SUVmax特征無明顯差異[7]。也有學(xué)者引入如表觀彌散系數(shù)(apparent diffusion coefficient，ADC)、平均標(biāo)準(zhǔn)攝取值(mean standard uptake value，SUVmean和最小標(biāo)準(zhǔn)攝取值(minimum standard uptake value，SUVmin)[5][1]等指標(biāo)用于診斷癌癥，但目前臨床中仍使用SUVmax作為診斷癌癥的首選指標(biāo)[8]。

參考臨床上的應(yīng)用、PET-CT影像的特點(diǎn)以及其他學(xué)者在PET-CT影像輔助診斷肺癌課題上的研究，實(shí)驗(yàn)提取PET-CT圖像中樣本區(qū)域的13個(gè)特征作為數(shù)據(jù)輸入，每一個(gè)樣本區(qū)域產(chǎn)生一個(gè)13個(gè)特征數(shù)據(jù)表示的向量，作為數(shù)據(jù)集合的輸入；13個(gè)樣本特征以及特征的說明見表2。

表2 樣本特征具體說明

樣本特征中的胸膜距、質(zhì)心距是樣本區(qū)域的位置特征，用于描述樣本區(qū)域的位置，如圖2所示。

圖2 樣本位置特征示意圖

2 分類器原理

研究中的分類器使用Adaboost.M2算法[9]。該算法是Adaboost算法[10]針對(duì)多分類問題的一個(gè)擴(kuò)展算法，使用加權(quán)分類錯(cuò)誤率來衡量分類器的準(zhǔn)確率。分類器的輸入是數(shù)據(jù)樣本的特征向量；分類的結(jié)果有兩種，粗分類則分別是無病灶、惡性腫瘤及良性腫瘤；細(xì)分類則是無病灶、良性腫瘤、炎癥、中分化、低分化以及高分化。

2.1 Adaboost.M2算法訓(xùn)練分類器流程

準(zhǔn)備好訓(xùn)練樣本集合后，Adaboost.M2算法首先初始化樣本權(quán)重，然后經(jīng)過N次迭代，選出N個(gè)弱分類器，每次迭代過程中，需要計(jì)算加權(quán)分類錯(cuò)誤率，樣本的觀測(cè)權(quán)重以及弱分類器的權(quán)重，訓(xùn)練流程如圖3所示。

圖3 Adaboost.M2算法訓(xùn)練分類器流程圖

2.2 Adaboost.M2算法參數(shù)

Adaboost.M2算法訓(xùn)練分類器的流程圖顯示，其中Adaboost.M2算法加權(quán)分類錯(cuò)誤率計(jì)算為公式1[10]：

式中ht(xn,k)是第t步產(chǎn)生的分類器將第n個(gè)樣本分到第k類時(shí)所獲取的可信度，0≤ht(xn,k)≤1，0代表可信度較低，1代表可信度較高；為第t步類別k的觀測(cè)權(quán)重；yn是第n個(gè)樣本的真實(shí)類別。

Adaboost.M2算法在訓(xùn)練分類器時(shí)，主要用到以下幾個(gè)參數(shù)：①迭代次數(shù)N(也是弱分類器的個(gè)數(shù))；②樣本的權(quán)重；③弱分類器。在實(shí)驗(yàn)過程中設(shè)置迭代次數(shù)N為100，若迭代次數(shù)太小則最后訓(xùn)練出的強(qiáng)分類器會(huì)出現(xiàn)過擬合現(xiàn)象；設(shè)置迭代次數(shù)太大，則分類器的正確率不會(huì)隨著迭代次數(shù)的增加而提高，也會(huì)增加分類器的訓(xùn)練時(shí)間。

權(quán)重在Adaboost.M2算法中能使弱分類器誤分類樣本的權(quán)值增大，減小正確分類樣本的權(quán)值。通過此方式，Adaboost算法能重點(diǎn)關(guān)注或聚焦于那些較難分的樣本上。此外，可以通過調(diào)整權(quán)重來影響不同樣本分類錯(cuò)誤帶來的“懲罰”值，本研究將正樣本的權(quán)重調(diào)整為負(fù)樣本權(quán)重的5倍，可以理解為正樣本分為負(fù)樣本，帶來的“懲罰”比較大，而負(fù)樣本分為正樣本，得到的“懲罰”比較小。這樣設(shè)計(jì)權(quán)重，能夠符合臨床的需要，在保證正確率的情況下，盡可能減少被誤分的正樣本的數(shù)量。

在Adaboost.M2算法中主要使用判別式分類器和決策樹分類器進(jìn)行對(duì)比分析。判別式分類器，估計(jì)的是條件概率，直接為條件概率假設(shè)一個(gè)函數(shù)形式，從訓(xùn)練的數(shù)據(jù)集中估計(jì)函數(shù)的參數(shù)，是樣本到條件概率的映射[11]。決策樹分類器CART方法是由Breiman等人在1984年提出的一種決策樹分類方法[12]。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中的總樣本量為125088個(gè)，其中22720個(gè)正樣本(包含病灶區(qū)域的樣本)，102368個(gè)負(fù)樣本(不包含病灶區(qū)域的樣本)。

3.1 劃分?jǐn)?shù)據(jù)集

使用總樣本的80%作為訓(xùn)練集，總樣本的20%作為測(cè)試集。訓(xùn)練集和測(cè)試集的詳細(xì)數(shù)量分布見表3。

表3 訓(xùn)練集和測(cè)試集樣本分類數(shù)量及比例

3.2 訓(xùn)練集和測(cè)試集的檢出率

通過數(shù)據(jù)的對(duì)比顯示，判別式分類器的檢出率在88%左右，而決策樹分類器的檢出率在97%左右，表明弱分類器為決策樹分類器的情況下，準(zhǔn)確率高于判別式分類器，因此在后續(xù)的病例分析中，使用決策樹構(gòu)造的集成分類器對(duì)病例進(jìn)行分類。此外，訓(xùn)練集和測(cè)試集的檢出率非常接近，Adaboost算法基本不存在過擬合(over-fitting)現(xiàn)象；在使用相同的弱分類器的情況下，粗分類的準(zhǔn)確率和細(xì)分類的準(zhǔn)確率相差不大，檢出率相差≤2%，這表明實(shí)驗(yàn)樣本能提供足夠多的信息來進(jìn)行準(zhǔn)確分類。使用Adaboost.M2算法對(duì)分類器進(jìn)行100輪訓(xùn)練和測(cè)試后，分類器的檢出率和誤檢率見表4。

表4 訓(xùn)練集和測(cè)試集檢出誤檢率(%)

3.3 ROC曲線

無論是粗分類還是細(xì)分類，各個(gè)分類ROC曲線下面積(area under the curve，AUC)都比較接近，表明Adaboost算法分類比較均衡，不會(huì)“犧牲”數(shù)量較少的樣本類別，來追求分類準(zhǔn)確率的提升，在圖4的子圖(B)中，細(xì)分類決策樹分類非病灶樣本的ROC曲線下方面積明顯少于其他曲線，表明算法將一定數(shù)量的非病灶點(diǎn)分為了病灶點(diǎn)。Adaboost算法集成分類器的ROC曲線如圖4所示。

圖4 Adaboost算法集成分類器測(cè)試集ROC曲線

3.4 病例分類正確率

使用訓(xùn)練好的分類器，對(duì)每個(gè)病例中的樣本點(diǎn)進(jìn)行分類，然后統(tǒng)計(jì)該病例肺部區(qū)域的病灶面積，病灶面積最大的類別就是該病例的分類結(jié)果，若病例的分類結(jié)果和病例的標(biāo)記結(jié)果相同則該病例分類正確。如圖5所示，(A)為測(cè)試結(jié)果的示意圖，其中六個(gè)樣本的分類結(jié)果均為高分化，但是其病灶區(qū)域面積只計(jì)算一次；(B)為對(duì)應(yīng)切片上預(yù)先標(biāo)記出的病灶區(qū)域，從(A)中右上角的子圖中可以看出，多個(gè)樣本(每一個(gè)輪廓線包圍的區(qū)域產(chǎn)生一個(gè)樣本)覆蓋了同一個(gè)病灶區(qū)域，即使一兩個(gè)樣本分類錯(cuò)誤，對(duì)該區(qū)域的最終分類結(jié)果也不會(huì)有太大的影響。

圖5 切片分類結(jié)果示意圖

Adaboost算法集成的決策樹分類器對(duì)20例肺部腫瘤患者的粗分類結(jié)果全部正確，細(xì)分類結(jié)果正確率為100%。詳細(xì)分類結(jié)果見表5。

表5 弱分類器為決策樹的Adaboost算法對(duì)20例患者的細(xì)分類結(jié)果

4 討論

本研究使用判別式分類器訓(xùn)練出來的集成分類器的正確率為86%左右，可能是因?yàn)檠芯恐惺褂玫臄?shù)據(jù)包含負(fù)樣本(非病灶區(qū)域)較多，R使用等高輪廓線自動(dòng)提取的ROI，其準(zhǔn)確率沒有臨床醫(yī)師手動(dòng)勾畫的ROI精度高[13]。此外，PET和CT圖像配準(zhǔn)的精確度對(duì)算法的分類準(zhǔn)確率也會(huì)有影響。本研究使用Adaboost算法，融合多個(gè)特征構(gòu)建分類器提取并識(shí)別肺部腫瘤區(qū)域的方法能有效改善弱分類器的過擬合現(xiàn)象，并能將多個(gè)特征融合在一起，有效的提高弱分類器的準(zhǔn)確率。實(shí)驗(yàn)過程中，除了訓(xùn)練集成分類器的時(shí)候，需要標(biāo)記好的PET-CT影像，測(cè)試過程中未用到預(yù)先標(biāo)記的數(shù)據(jù)，在測(cè)試病例的過程中，不需要人為的標(biāo)記和干預(yù)，提高了整個(gè)診斷流程的自動(dòng)化程度，動(dòng)態(tài)示蹤模型(Tracer kinetics model)能夠從PET動(dòng)態(tài)圖像中獲取更多的信息，并提供更有價(jià)值的診斷結(jié)果。然而，國(guó)內(nèi)人口基數(shù)大，病患數(shù)量多，PET-CT設(shè)備數(shù)量較少，獲取PET-CT動(dòng)態(tài)圖像的時(shí)間長(zhǎng)等客觀因素都限制了動(dòng)態(tài)掃描在臨床中的應(yīng)用。

5 結(jié)語

本研究實(shí)現(xiàn)了一個(gè)從PET-CT影像到診斷結(jié)果自動(dòng)化的流程，不需要醫(yī)師勾畫ROI，在臨床中能有效減少醫(yī)生的工作量，使用分類的概率來描述患者的分類結(jié)果，為醫(yī)生提供一個(gè)更加清晰可靠的結(jié)果。此外，由于算法的研究尚處于初級(jí)階段，在后續(xù)的研究中可以嘗試尋找更加準(zhǔn)確的特征、優(yōu)化ROI的自動(dòng)提取的流程，減少負(fù)樣本(非腫瘤區(qū)域)的比例來提高算法的分類準(zhǔn)確率。

[1]席雯，穆新林.肺癌篩查方法與早期診斷[J].中國(guó)臨床醫(yī)生雜志，2013，41(9)：7-9.

[2]金河，徐世東.肺癌的診斷方法[J].實(shí)用腫瘤學(xué)雜志，2012，26(3)：285-288.

[3]楊吉?jiǎng)?，馬大慶.PET-CT在肺癌診斷中的應(yīng)用[J].首都醫(yī)科大學(xué)學(xué)報(bào)，2007，28(6)：717-720.

[4]孫海輝，喬智紅，邱書珺，等.PET/CT在肺癌診療中的應(yīng)用價(jià)值[J].武警后勤學(xué)院學(xué)報(bào)(醫(yī)學(xué)版)，2009，18(11)：993-996.

[5]Goo JM，Im JG，Do KH，et al.Pulmonary Tuberculoma Evaluated by Means of FDG PET：Findings in 10 Cases1[J].Radiology，2000，216(1)：117-121.

[6]Turkington TG，Coleman RE.Clinical oncologic positron emission tomography：an introduction[J]. Seminars in Roentgenology，2002，37(2)：102.

[7]李建南，馮洪波，蔡博文，等.非小細(xì)胞肺癌病灶大小及密度與PET/CT標(biāo)準(zhǔn)攝取值相關(guān)性研究[J].大連醫(yī)科大學(xué)學(xué)報(bào)，2012，34(1)：56-59.

[8]關(guān)志偉，姚樹林，田嘉禾，等.PET診斷肺部腫瘤的SUV值與靈敏度分析[J].中國(guó)臨床醫(yī)學(xué)影像雜志，2003，14(3)：169-172.

[9]Ho TK.The random subspace method for constructing decision forests[J].IEEE Trans. Pattern Analysis and Machine Inteligence，1998，20(8)：832-844.

[10]Freund Y，Schapire RE.A decision-theoretic generalization of on-line learning and an application to boosting[C]//European Conference on Computational Learning Theory.Springer Berlin Heidelberg，1995：23-37.

[11]Guo Y，Hastie T，Tibshirani R.Regularized linear discriminant analysis and its application in microarrays[J].Biostatistics，2007，8(1)：86-100. [12]Loh WY，Shih YS.Split Selection Methods for Classification Trees[J].Statist Sinica，1997，7(4)： 815-840.

[13]周飛華，王宏，魏光明，等.胸部疾病FDG PET、PET/CT顯像的假陽性和假陰性陷阱[J].現(xiàn)代生物醫(yī)學(xué)進(jìn)展，2012，12(29)：5792-5797.

[14]Staff TPO.Correction：Correlation of the Apparent Diffusion Coefficient(ADC)with the Standardized Uptake Value(SUV)in Lymph Node Metastases of Non-Small Cell Lung Cancer(NSCLC)Patients Using Hybrid18F-FDG PET/MRI[J].Plos One，2015，10(1)：922-926.

[15]Tong S，Shi P.Tracer Kinetics Guided Dynamic PET Reconstruction[M].Information Processing in Medical Imaging，Springer Berlin Heidelberg，2007：421-433.

[16]鄒建，何校棟，朱文佳，等.一種(11)C-acetate肝臟PET動(dòng)態(tài)成像的逐像素參數(shù)估計(jì)算法[J].中國(guó)醫(yī)學(xué)影像技術(shù)，2016(7)：1124-1129.

A classification method for tumor of PET-CT image of multi feature fusion for lung based on Adaboost algorithm/

HE Xiao-dong, XING Hai-qun, WANG Tong, et al// China Medical Equipment,2017,14(8):5-10.

Objective: To propose and design an automated process for localization of lesion region of lung and for assisted judgment of lesion sites by using PET-CT images, and to evaluate and analyze the whole algorithm flow so as to increase efficiency of clinical work. Methods: PET-CT images of 20 patients with lung tumor were selected and series of image processing methods including transforming of image scale were used to remove the bed of CT images. The contour line of equal altitude was used to extract region of sample in the image of PET-CT, and the region of sample was classified as category depended on pre-marked information of lesion region, and then the future of image in each region of sample was extracted. The Adaboost algorithm was applied to train and establish corresponding classification model. Finally, the classification model that has been trained was used to examine the test set, and the accuracy rate of integrated classification model consisted of weak classifiers was compared. Besides, the detectable rate, false detecting rate, ROC curve of interesting and the correct rate of the classification for cases were used to evaluate the results of classification. Results: There were 125088 samples were produced after the PET-CT images of 20 patients were pre- processed, and the positive samples and negative samples were 22720 and 102368, respectively. The correct rate of classification for sample of strong classifier, that was trained by using equal altitude contour line to classify region and using Adaboost. M2 algorithm to fuse with multi future, was around 97%. The results of rough classification of 20 patients with lung tumor were correct, and the correct rate of results of fine classification was 100%. Conclusion: The new method that combines the region technique of equal altitude contour line with Adaboost algorithm and that fuses multi futures to establish classifier and identify region of lunge tumor can efficiently increase the accurate rate of weak classifier. This method realizes the automation from PET-CT images to diagnosis results and provides clearer diagnosis results for clinicians, and increase the efficiency for clinical work.

Automatic diagnosis; Adaboost algorithm; PET-CT; Multi feature fusion classification; Contour line of equal altitude ; Lung cancer

Department of Biomedical Engineering, School of Medicine Tsinghua University, Beijing 100084, China.

1672-8270(2017)08-0005-06

R734.2

A

10.3969/J.ISSN.1672-8270.2017.08.002

何校棟,男,(1989- ),碩士研究生。清華大學(xué)醫(yī)學(xué)院生物醫(yī)學(xué)工程系，研究方向：醫(yī)學(xué)圖像處理與模式識(shí)別。

2017-05-21

國(guó)家自然科學(xué)基金(81571713)“肝細(xì)胞癌乙酸鹽PET動(dòng)態(tài)顯像的動(dòng)力學(xué)分析與臨床應(yīng)用研究”

①清華大學(xué)醫(yī)學(xué)院生物醫(yī)學(xué)工程系 北京 100084

②中國(guó)醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)院核醫(yī)學(xué)科 北京 100005

*通訊作者：hzhang@tsinghua.edu.cn