• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于無(wú)監(jiān)督學(xué)習(xí)的三維肺部CT圖像配準(zhǔn)方法研究

    2022-12-01 02:37:48張紅運(yùn)楊志永張國(guó)彬
    關(guān)鍵詞:監(jiān)督實(shí)驗(yàn)方法

    姜?杉,張紅運(yùn),楊志永,張國(guó)彬

    基于無(wú)監(jiān)督學(xué)習(xí)的三維肺部CT圖像配準(zhǔn)方法研究

    姜?杉,張紅運(yùn),楊志永,張國(guó)彬

    (天津大學(xué)機(jī)械工程學(xué)院,天津 300350)

    三維肺部電子計(jì)算機(jī)斷層掃描(computed tomography,CT)圖像非剛性配準(zhǔn)是醫(yī)學(xué)圖像配準(zhǔn)領(lǐng)域中最重要的任務(wù)之一.但是,肺部組織受呼吸運(yùn)動(dòng)影響而產(chǎn)生的非線性形變與大尺度位移給三維肺部CT圖像的非剛性配準(zhǔn)帶來(lái)巨大挑戰(zhàn).針對(duì)這一難題,設(shè)計(jì)開(kāi)發(fā)了一種基于無(wú)監(jiān)督學(xué)習(xí)端到端的配準(zhǔn)方法.通過(guò)改進(jìn)現(xiàn)有U-Net神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),在跳接之間引入Inception模塊,充分融合多尺度深層特征生成高精度的稠密位移向量場(chǎng).為保證位移向量場(chǎng)光滑,在損失函數(shù)中加入雅可比正則化項(xiàng),以達(dá)到訓(xùn)練中顯式懲罰位移向量場(chǎng)中奇點(diǎn)的目的.另外,為緩解現(xiàn)有公開(kāi)數(shù)據(jù)資源有限導(dǎo)致的過(guò)擬合問(wèn)題,提出了一種基于三維薄板樣條(3D-thin plate spline,3D-TPS)變換的數(shù)據(jù)增強(qiáng)方法實(shí)現(xiàn)對(duì)訓(xùn)練數(shù)據(jù)的擴(kuò)充,將具有60套三維肺部CT圖像的訓(xùn)練數(shù)據(jù)集EMPIRE10擴(kuò)充為6060套以滿足卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的需要.設(shè)計(jì)驗(yàn)證實(shí)驗(yàn),通過(guò)與基于學(xué)習(xí)的Voxelmorph方法和兩個(gè)包含傳統(tǒng)方法配準(zhǔn)工具包ANTs和Elastix進(jìn)行比較.實(shí)驗(yàn)結(jié)果表明:在公開(kāi)可用的DIR-Lab 4DCT數(shù)據(jù)集上,所提出的方法在目標(biāo)配準(zhǔn)誤差(target registration error,TRE)上達(dá)到次優(yōu)的2.09mm,平均Dice得分達(dá)到最優(yōu)的0.987,同時(shí)所生成的扭曲圖像中幾乎不存在折疊體素.

    非剛性配準(zhǔn);卷積神經(jīng)網(wǎng)絡(luò);無(wú)監(jiān)督學(xué)習(xí);數(shù)據(jù)增強(qiáng);雅可比正則化

    三維肺部CT圖像已廣泛應(yīng)用于圖像引導(dǎo)下的放射治療[1].肺作為典型的運(yùn)動(dòng)器官,在面向肺癌的放射治療之前,為估計(jì)所需的精確劑量必須追蹤肺呼吸運(yùn)動(dòng)[2].術(shù)中需要將不同呼吸狀態(tài)的三維肺部CT圖像與參考狀態(tài)的三維肺部CT圖像進(jìn)行對(duì)齊,跟蹤每個(gè)體素的劑量.三維肺部CT圖像非剛性配準(zhǔn)是準(zhǔn)確跟蹤肺部運(yùn)動(dòng)的一種可行方法.

    非剛性配準(zhǔn)是指在一對(duì)待配準(zhǔn)圖像間建立非線性稠密映射關(guān)系.現(xiàn)有的傳統(tǒng)算法大多通過(guò)幾何方法解決每個(gè)圖像對(duì)的非剛性配準(zhǔn)優(yōu)化問(wèn)題,如SyN (standard symmetric normalization)[3]和Diffeomorphic Demons[4].傳統(tǒng)方法計(jì)算開(kāi)銷很大,每當(dāng)配準(zhǔn)一對(duì)新圖像時(shí),需重新迭代運(yùn)算.近年來(lái),越來(lái)越多的學(xué)者傾向于利用基于學(xué)習(xí)方法完成配準(zhǔn)任務(wù).訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型可以在幾秒鐘內(nèi)完成一對(duì)三維醫(yī)學(xué)圖像的配準(zhǔn),且其精度足以媲美較成熟的傳統(tǒng)方法.深度學(xué)習(xí)下的圖像配準(zhǔn)大致可分為兩類:基于監(jiān)督學(xué)習(xí)的配準(zhǔn)方法和基于無(wú)監(jiān)督學(xué)習(xí)的配準(zhǔn)方法.

    基于監(jiān)督學(xué)習(xí)的配準(zhǔn)方法在訓(xùn)練網(wǎng)絡(luò)時(shí),需要提供與訓(xùn)練樣本相對(duì)應(yīng)的標(biāo)簽(ground truth,GT).Fan等[5]使用傳統(tǒng)方法對(duì)圖像進(jìn)行配準(zhǔn),將獲取到位移向量場(chǎng)作為GT,然而此方法獲得的GT與真實(shí)GT有所偏差.Hu等[6]提出用分割的解剖結(jié)構(gòu)掩膜作為GT來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò).在該方法中,卷積神經(jīng)網(wǎng)絡(luò)以固定和運(yùn)動(dòng)圖像對(duì)作為輸入,通過(guò)對(duì)解剖結(jié)構(gòu)掩膜進(jìn)行對(duì)齊達(dá)到配準(zhǔn)圖像的目的.Miao等[7]將原始圖像作為浮動(dòng)圖像,將被模擬位移向量場(chǎng)扭曲的原始圖像作為固定圖像,將模擬位移向量場(chǎng)作為GT.盡管監(jiān)督學(xué)習(xí)在圖像配準(zhǔn)領(lǐng)域有很大的潛力,但是通過(guò)傳統(tǒng)的配準(zhǔn)工具獲取GT過(guò)程較為繁瑣.

    基于無(wú)監(jiān)督學(xué)習(xí)的配準(zhǔn)無(wú)需額外手工生成的GT,在訓(xùn)練過(guò)程中利用固定圖像和扭曲圖像之前的差異來(lái)指導(dǎo)網(wǎng)絡(luò)參數(shù)的優(yōu)化.VoxelMorph為一種典型的基于無(wú)監(jiān)督學(xué)習(xí)的三維醫(yī)學(xué)圖像端到端配準(zhǔn)方法,將配準(zhǔn)中發(fā)生的扭曲變換定義為參數(shù)函數(shù),并對(duì)其參數(shù)進(jìn)行了優(yōu)化[8].Zhao等[9]采用級(jí)聯(lián)配準(zhǔn)子網(wǎng)絡(luò)預(yù)測(cè)位移向量場(chǎng),取得了較好的效果.上述方法在腦、肝圖像上取得了良好的效果,而神經(jīng)網(wǎng)絡(luò)在肺部CT圖像配準(zhǔn)中應(yīng)用較少.相比較于腦、肝圖像,不同時(shí)刻采集到的肺部圖像往往會(huì)由于人體的呼吸運(yùn)動(dòng)產(chǎn)生大范圍復(fù)雜非線性形變和位移,這將導(dǎo)致配準(zhǔn)肺部圖像較為困難.

    本文提出一種基于無(wú)監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)方法用于三維肺部CT圖像非剛性配準(zhǔn).在現(xiàn)有U-Net神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行改進(jìn),將Inception模塊引入至跳接之間以提升網(wǎng)絡(luò)的特征檢測(cè)能力,充分融合多尺度深層特征生成高精度的稠密位移向量場(chǎng).為了抑制不可逆變形,對(duì)稠密位移向量場(chǎng)中的具有負(fù)雅可比行列式值的變換進(jìn)行懲罰.實(shí)驗(yàn)表明,在變形后的圖像中幾乎沒(méi)有折疊體素.訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型,可實(shí)現(xiàn)端到端的三維肺部CT圖像非剛性配準(zhǔn),同時(shí)具有較強(qiáng)的泛化能力.

    1?方?法

    圖1 基于無(wú)監(jiān)督學(xué)習(xí)的三維肺部CT圖像配準(zhǔn)流程

    Fig.1 Flow chart of 3D lung CT image registration based on unsupervised learning

    1.1?卷積網(wǎng)絡(luò)結(jié)構(gòu)

    如圖2所示,使用的卷積網(wǎng)絡(luò)是基于U-Net的改進(jìn).通常情況下,為生成高精度的稠密位移向量場(chǎng),可在U-Net上堆疊卷積層加深網(wǎng)絡(luò)來(lái)實(shí)現(xiàn).但是隨著網(wǎng)絡(luò)深度的增加,可能會(huì)出現(xiàn)梯度消失現(xiàn)象,進(jìn)而導(dǎo)致模型過(guò)擬合.另外,不同個(gè)體的肺部CT圖像中信息位置存在較大差異,因此選取合適尺寸的卷積核變得十分困難.針對(duì)上述問(wèn)題,本文不再通過(guò)盲目加深U-Net來(lái)優(yōu)化網(wǎng)絡(luò)性能,而是通過(guò)引入Inception模塊加寬網(wǎng)絡(luò),在保證U-Net網(wǎng)絡(luò)一定深度的基礎(chǔ)上,通過(guò)Inception模塊所特有的多尺度卷積操作,促進(jìn)網(wǎng)絡(luò)捕捉并學(xué)習(xí)更加豐富的多尺度特征.配合U-Net中跳躍連接所融合的上、下文信息,以達(dá)到生成高精度稠密位移向量場(chǎng)的目的.

    圖2?3D卷積網(wǎng)絡(luò)模型結(jié)構(gòu)

    1.2?損失函數(shù)

    損失函數(shù)整體可以表示為

    2?實(shí)?驗(yàn)

    2.1?數(shù)據(jù)集

    本文使用3個(gè)包含同一病人不同時(shí)刻的三維肺部圖像數(shù)據(jù)集:EMPIRE10[12]、DIR-Lab 4DCT[13]和POPI[14].DIR-Lab 4DCT數(shù)據(jù)集包含10個(gè)四維肺部CT圖像,每個(gè)四維肺部CT圖像中包含一個(gè)完整呼吸周期中的10個(gè)呼吸相位.選擇具有最大相對(duì)變形的兩個(gè)階段數(shù)據(jù):呼氣末時(shí)刻和吸氣末時(shí)刻,兩階段分別標(biāo)注有300個(gè)地標(biāo)點(diǎn).EMPIRE10數(shù)據(jù)集由30對(duì)三維肺部CT組成.POPI數(shù)據(jù)集由6個(gè)四維肺部CT圖像組成,使用最大相對(duì)變形的兩個(gè)階段:呼氣末時(shí)刻和吸氣末時(shí)刻,兩階段分別標(biāo)注有100個(gè)地標(biāo)點(diǎn).

    2.2?數(shù)據(jù)增強(qiáng)

    3D-TPS插值函數(shù)的參數(shù)能夠通過(guò)求解下面線性方程組得出.

    (9)

    圖3?3D-TPS生成圖像示例

    2.3?評(píng)價(jià)指標(biāo)

    由于CT圖像中肺實(shí)質(zhì)區(qū)域往往會(huì)占據(jù)大量的體素,因此使用地標(biāo)點(diǎn)間的TRE來(lái)評(píng)估肺內(nèi)部的配準(zhǔn)質(zhì)量.

    Dice雖然不能很好地評(píng)價(jià)肺實(shí)質(zhì)區(qū)域的配準(zhǔn)質(zhì)量,但可用于評(píng)估肺邊界的對(duì)齊程度.Dice分?jǐn)?shù)表達(dá)式為

    此外,圖像折疊在解剖學(xué)上是不合理的.第1.2節(jié)中提到的折疊體素的數(shù)量也作為算法的評(píng)價(jià)指標(biāo)之一.

    2.4?對(duì)比實(shí)驗(yàn)

    首先,將所提出的算法與ANTs[15]配準(zhǔn)工具包中提供的SyN算法進(jìn)行了比較.實(shí)驗(yàn)表明,使用SyN默認(rèn)參數(shù)對(duì)肺部CT圖像進(jìn)行配準(zhǔn),達(dá)不到最佳配準(zhǔn)性能.通過(guò)在多個(gè)數(shù)據(jù)上開(kāi)展大量實(shí)驗(yàn),可得到更優(yōu)參數(shù)設(shè)置:SyN步長(zhǎng)為0.25,高斯參數(shù)為(3,0),在4種尺度下,每一種最多進(jìn)行219次迭代.同時(shí),將本文算法與基于Elastix[16]工具包中提供的B樣條(B-Spline)配準(zhǔn)方法進(jìn)行了比較.使用歸一化交叉相關(guān)作為相似性度量,進(jìn)行了5個(gè)分辨率的1000次迭代.另外,還與基于學(xué)習(xí)的VoxelMorph算法進(jìn)行了比較.VoxelMorph提出了兩種以U-Net為網(wǎng)絡(luò)框架的Vm1和Vm2網(wǎng)絡(luò)結(jié)構(gòu),本文分別在Vm1和Vm2上進(jìn)行了對(duì)比實(shí)驗(yàn).最初的VoxelMorph算法被應(yīng)用于腦組織配準(zhǔn),為保證公平對(duì)比,在EMPIRE10數(shù)據(jù)集上重新對(duì)VoxelMorph進(jìn)行了訓(xùn)練.最后,為驗(yàn)證Inception模塊的有效性,筆者將本文方法與未添加Inception模塊的U-Net進(jìn)行了對(duì)比實(shí)驗(yàn).

    2.5?實(shí)現(xiàn)細(xì)節(jié)

    3?實(shí)驗(yàn)結(jié)果

    通過(guò)使用測(cè)試數(shù)據(jù)集中包含的3000對(duì)地標(biāo)點(diǎn)計(jì)算TRE.TRE結(jié)果如表1所示,括號(hào)中為標(biāo)準(zhǔn)偏差.本文提出的方法取得的平均配準(zhǔn)誤差為2.09mm,標(biāo)準(zhǔn)偏差為1.55mm,取得了次優(yōu)結(jié)果.

    表1?不同算法在DIR-Lab4DCT數(shù)據(jù)集上的TRE

    Tab.1?TRE of different algorithms on the DIR-Lab 4DCT dataset

    注:括號(hào)內(nèi)為標(biāo)準(zhǔn)偏差,無(wú)量綱.

    如圖5所示,通過(guò)計(jì)算測(cè)試數(shù)據(jù)集上固定圖像掩膜與扭曲圖像掩膜間的平均Dice得分,相比于VoxelMorph、SyN和B-Spline,本文所提出的方法可實(shí)現(xiàn)最優(yōu)的配準(zhǔn)性能(平均Dice=0.987).

    能夠進(jìn)行主觀性評(píng)價(jià)的實(shí)驗(yàn)結(jié)果如圖6所示.稠密位移向量場(chǎng)以RGB圖像表示,3個(gè)通道對(duì)應(yīng)位移場(chǎng)的3個(gè)維度,越亮位置表示該位置發(fā)生的變形越大.圖中也給出被稠密位移向量場(chǎng)扭曲的形變網(wǎng)格圖像.值得注意的是,本文提出的方法與VoxelMorph使用的采樣方法相同,與ANTs和Elastix的采樣方式不同.

    在稠密位移向量場(chǎng)的雅可比行列式圖像中,比0大的位置映射為藍(lán)色,而小于等于0的位置映射為紅色,即紅色標(biāo)記了出現(xiàn)奇點(diǎn)的位置.在雅可比圖像行列式圖像中,本文方法并未顯現(xiàn)出折疊體素.在RGB圖像中和網(wǎng)格圖像中,能夠看出本文方法獲得了更加豐富的變形.

    表2總結(jié)了所有的配準(zhǔn)實(shí)驗(yàn)結(jié)果,并給出了所有方法在GPU和CPU上的運(yùn)行時(shí)間對(duì)比.到目前為止,還沒(méi)有針對(duì)ANTs和Elastix的GPU實(shí)現(xiàn).結(jié)果表明,本文所提方法的配準(zhǔn)速度相比傳統(tǒng)方法(SyN和BSpline)有著指數(shù)級(jí)提升,與VoxelMorph相近.值得注意的是,本文方法在獲得高配準(zhǔn)精度的同時(shí)幾乎不產(chǎn)生折疊體素.另外,表2中的差異和是絕對(duì)差異圖像中所有體素值的總和,配準(zhǔn)效果越好則差異和越?。畬?shí)驗(yàn)結(jié)果表明本文方法在差異圖像的定量評(píng)價(jià)上取得了最優(yōu).

    表2?各算法在DIR-Lab4DCT數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

    Tab.2?Experimental results of different algorithms on the DIR-Lab 4DCT dataset

    注:括號(hào)內(nèi)為各變量的標(biāo)準(zhǔn)偏差,無(wú)量綱.

    4?討?論

    本文提出了一種基于無(wú)監(jiān)督的三維肺部CT圖像配準(zhǔn)方法.利用浮動(dòng)圖像和固定圖像對(duì)之間的NCC來(lái)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)參數(shù),而不需要額外GT.在損失函數(shù)中引入雅可比正則項(xiàng),有效地減少了扭曲圖像的折疊體素?cái)?shù)量.采用基于3D-TPS變換的數(shù)據(jù)增強(qiáng)方法人工生成大規(guī)模訓(xùn)練數(shù)據(jù),滿足了卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練需求.實(shí)驗(yàn)結(jié)果表明,該方法取得TRE值為2.09mm,平均Dice得分為0.987,且扭曲圖像中僅包含極少量的折疊體素.測(cè)試集上的實(shí)驗(yàn)結(jié)果也表明該方法在三維肺部CT圖像配準(zhǔn)中具有良好的魯棒性.

    5?結(jié)?語(yǔ)

    本文提出了一種基于無(wú)監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)三維肺部CT圖像的非剛性配準(zhǔn).基于3D-TPS變換的數(shù)據(jù)增強(qiáng)能夠解決數(shù)據(jù)資源有限導(dǎo)致的過(guò)擬合問(wèn)題.在跳接之間引入Inception模塊,充分融合多尺度深層特征生成高精度的位移向量場(chǎng),以獲得更佳配準(zhǔn)效果.實(shí)驗(yàn)結(jié)果表明,相較于傳統(tǒng)方法,本文算法可實(shí)現(xiàn)可靠的配準(zhǔn)性能,且配準(zhǔn)效率得到了指數(shù)級(jí)提升.

    [1]Kaus M R,Brock K K,Pekar V,et al. Assessment of a model-based deformable image registration approach for radiation therapy planning[J]. International Journal of Radiation Oncology Biology Physics,2007,68(2):572-580.

    [2]Yu Z H,Lin S H,Balter P,et al. A comparison of tumor motion characteristics between early stage and locally advanced stage lung cancers[J]. Radiotherapy & Oncology,2012,104(1):33-38.

    [3]Avants B B,Epstein C L,Grossman M,et al. Symmetric diffeomorphic image registration with cross-correlation:Evaluating automated labeling of elderly and neurodegenerative brain[J]. Medical Image Analysis,2008,12(1):26-41.

    [4]Thirion J P. Image matching as diffusion process:An analogy with Maxwell’s demons[J]. Medical Image Analysis,1998,2(3):243-260.

    [5]Fan J,Cao X,Yap P T,et al. BIRNet:Brain image registration using dual-supervised fully convolutional networks[J]. Medical Image Analysis,2018,54(1):193-206.

    [6]Hu Yipeng ,Marc M,Eli G,et al. Label-driven weakly-supervised learning for multimodal deformable image registration[EB/OL]. https://arxiv.org/abs/1711. 01666v2,2017-11-05.

    [7]Miao S,Wang Z J,Liao R. A CNN regression approach for real-time 2D/3D registration[J]. IEEE Transactions on Medical Imaging,2016,35(5):1352-1363.

    [8]Balakrishnan G,Zhao A,Sabuncu M R,et al. VoxelMorph:A learning framework for deformable medical image registration[J]. IEEE Transactions on Medical Imaging,2019,38(8):1788-1800.

    [9]Zhao S,Dong Y,Chang E,et al. Recursive cascaded networks for unsupervised medical image registration[C]// IEEE/CVF International Conference on Computer Vision. Seoul,Korea,2019:10599-10609.

    [10] Max J,Karen S,Andrew Z,et al. Spatial transformer networks[EB/OL]. https://arxiv.org/abs/1506.02025,2016-02-04.

    [11] Balakrishnan G,Zhao A,Sabuncu M R,et al. An unsupervised learning model for deformable medical image registration[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City,USA,2018:9252-9260.

    [12] Murphy K,van Ginneken B,Reinhardt J M,et al. Evaluation of registration methods on thoracic CT:The EMPIRE10 challenge[J]. IEEE Transactions on Medical Imaging,2011,30(11):1901-1920.

    [13] Castillo E,Castillo R,Martinez J,et al. Four-dimensional deformable image registration using trajectory modeling[J]. Physics in Medicine and Biology,2010,55(1):305-327.

    [14] Vandemeulebroucke J,Rit S,Kybic J,et al. Spatiotemporal motion estimation for respiratory-correlated imaging of the lungs:Spatiotemporal motion estimation for 4D CT[J]. Medical Physics,2010,38(1):166-178.

    [15] Avants B B,Tustison N J,Song G,et al. A reproducible evaluation of ANTs similarity metric performance in brain image registration[J]. NeuroImage,2011,54(3):2033-2044.

    [16] Klein S,Staring M,Murphy K,et al. Elastix:A toolbox for intensity-based medical image registration[J]. IEEE Transactions on Medical Imaging,2010,29(1):196-205.

    Research on a 3D Lung Computed Tomography Image Registration Method Based on Unsupervised Learning

    Jiang Shan,Zhang Hongyun,Yang Zhiyong,Zhang Guobin

    (School of Mechanical Engineering,Tianjin University,Tianjin 300350,China)

    Deformable registration of 3D lung CT images is crucial in medical image registration. However,nonlinear deformation and large-scale displacement of lung tissues caused by respiratory motion pose great challenges in the deformable registration of 3D lung CT images. Thus,we present a fast end-to-end registration method based on unsupervised learning. We optimized the classic U-Net model and added Inception modules between skip connections. The Inception module aims to capture and merge information at different spatial scales for generating a high-precision dense displacement vector field. To ensure a smooth displacement vector field,we introduced the Jacobian regularization term into the loss function to directly penalize the singularity of the displacement field during training. The existing publicly available datasets cannot implement model training. To address over-fitting caused by limited data resources and to expand the training data,we proposed a data augmentation method based on a 3D thin plate spline transform. Moreover,6060 CT scans will be generated based on the EMPIRE10 dataset,which contains 60 original CT scans to meet the requirement of convolution neural network training. Regarding the DIR-Lab 4DCT dataset,we achieved a target registration error of 2.09mm,an optimal Dice score of 0.987,and almost no folding voxels in comparison with the experimental results obtained using the deep learning method Voxelmorph and registration packages,such as advanced normalization tools (ANTs) and Elastix.

    deformable registration;convolution neural network;unsupervised learning;data augmentation;Jacobian regularization

    TP242

    A

    0493-2137(2022)03-0247-08

    10.11784/tdxbz202010040

    2020-10-21;

    2020-12-10.

    姜?杉(1973—??),女,博士,教授.

    姜?杉,shanjmri@tju.edu.cn.

    國(guó)家自然科學(xué)基金資助項(xiàng)目(51775368,81871457,51811530310);天津市科技資助項(xiàng)目(18YFZCSY01300);天津市津南區(qū)科技計(jì)劃資助項(xiàng)目(20200110).

    Supported by the National Natural Science Foundation of China(No.51775368,No.81871457,No.51811530310),Tianjin Science and Tech-nology Project(No.18YFZCSY01300),Tianjin Jinnan District Science and Technology Planning Project(No. 20200110).

    (責(zé)任編輯:王曉燕)

    猜你喜歡
    監(jiān)督實(shí)驗(yàn)方法
    記一次有趣的實(shí)驗(yàn)
    突出“四個(gè)注重” 預(yù)算監(jiān)督顯實(shí)效
    做個(gè)怪怪長(zhǎng)實(shí)驗(yàn)
    監(jiān)督見(jiàn)成效 舊貌換新顏
    夯實(shí)監(jiān)督之基
    可能是方法不對(duì)
    NO與NO2相互轉(zhuǎn)化實(shí)驗(yàn)的改進(jìn)
    實(shí)踐十號(hào)上的19項(xiàng)實(shí)驗(yàn)
    太空探索(2016年5期)2016-07-12 15:17:55
    用對(duì)方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    丰满乱子伦码专区| 亚洲在久久综合| 成年美女黄网站色视频大全免费 | 极品少妇高潮喷水抽搐| 人人妻人人澡人人爽人人夜夜| 大香蕉久久成人网| 伦理电影免费视频| 韩国高清视频一区二区三区| 人妻一区二区av| 亚洲精品亚洲一区二区| 激情五月婷婷亚洲| 99热全是精品| 999精品在线视频| 欧美成人精品欧美一级黄| 日韩强制内射视频| 成人18禁高潮啪啪吃奶动态图 | 少妇熟女欧美另类| 一个人免费看片子| 亚洲国产精品999| 九九在线视频观看精品| 人人妻人人澡人人爽人人夜夜| 男的添女的下面高潮视频| 亚洲av国产av综合av卡| 欧美亚洲 丝袜 人妻 在线| 久久久久久久久大av| 男女边吃奶边做爰视频| 91精品伊人久久大香线蕉| 午夜福利影视在线免费观看| 久久精品久久久久久久性| 在线观看一区二区三区激情| 久久久精品免费免费高清| 看免费成人av毛片| 交换朋友夫妻互换小说| 一区在线观看完整版| 国产伦精品一区二区三区视频9| 又粗又硬又长又爽又黄的视频| 国产片内射在线| 一级二级三级毛片免费看| 午夜福利视频精品| 青春草国产在线视频| 久久人人爽人人片av| 丝袜脚勾引网站| 婷婷成人精品国产| 日韩精品免费视频一区二区三区 | 国产欧美日韩一区二区三区在线 | 欧美精品一区二区免费开放| 亚洲天堂av无毛| 亚洲综合色惰| 国产日韩一区二区三区精品不卡 | 久久久久精品性色| 女的被弄到高潮叫床怎么办| 久久精品国产鲁丝片午夜精品| 麻豆乱淫一区二区| 一个人免费看片子| 亚洲中文av在线| 国产精品 国内视频| 日韩中字成人| 日韩大片免费观看网站| 丰满迷人的少妇在线观看| 免费观看性生交大片5| 亚洲精品久久午夜乱码| xxxhd国产人妻xxx| 亚洲精品av麻豆狂野| 免费观看无遮挡的男女| 少妇猛男粗大的猛烈进出视频| 好男人视频免费观看在线| videossex国产| 一级毛片我不卡| 九色亚洲精品在线播放| 啦啦啦啦在线视频资源| 国产精品久久久久久精品古装| 久久久久久久大尺度免费视频| 高清在线视频一区二区三区| 欧美日韩一区二区视频在线观看视频在线| 色哟哟·www| 亚洲欧美一区二区三区国产| 99re6热这里在线精品视频| 午夜av观看不卡| 色视频在线一区二区三区| 亚洲成人一二三区av| 久久鲁丝午夜福利片| 五月伊人婷婷丁香| 在线观看免费高清a一片| 蜜桃久久精品国产亚洲av| 久久精品人人爽人人爽视色| 成人国产av品久久久| 国产精品.久久久| 亚洲欧洲国产日韩| 国产精品熟女久久久久浪| 成人综合一区亚洲| 国产精品偷伦视频观看了| 人人澡人人妻人| 飞空精品影院首页| .国产精品久久| 久久久久久久久大av| 99久国产av精品国产电影| 中文字幕久久专区| 国产精品成人在线| 精品卡一卡二卡四卡免费| 老女人水多毛片| 免费观看av网站的网址| 成人影院久久| 秋霞在线观看毛片| 欧美人与善性xxx| 婷婷色综合大香蕉| 春色校园在线视频观看| 日韩在线高清观看一区二区三区| 五月伊人婷婷丁香| 国内精品宾馆在线| 国产午夜精品一二区理论片| 国产极品粉嫩免费观看在线 | 精品人妻熟女毛片av久久网站| 观看av在线不卡| 久久韩国三级中文字幕| 一级毛片aaaaaa免费看小| 男女边摸边吃奶| 欧美性感艳星| 新久久久久国产一级毛片| 国产免费福利视频在线观看| 天堂8中文在线网| 久久久久久人妻| 国产有黄有色有爽视频| 搡老乐熟女国产| 亚洲国产欧美日韩在线播放| 在线天堂最新版资源| 欧美精品国产亚洲| 国产精品蜜桃在线观看| 寂寞人妻少妇视频99o| 97在线视频观看| 超碰97精品在线观看| 国产白丝娇喘喷水9色精品| 中国三级夫妇交换| 国产69精品久久久久777片| 亚洲精品美女久久av网站| 一区二区av电影网| 亚洲精品日本国产第一区| 国产精品不卡视频一区二区| 精品一区二区免费观看| 51国产日韩欧美| 99国产精品免费福利视频| 亚洲av成人精品一二三区| 99久国产av精品国产电影| 少妇的逼水好多| 如日韩欧美国产精品一区二区三区 | 一本久久精品| 人妻一区二区av| 日本wwww免费看| 老司机亚洲免费影院| 久久久欧美国产精品| 一区在线观看完整版| 午夜老司机福利剧场| 日韩电影二区| 亚洲欧美成人综合另类久久久| 久久国内精品自在自线图片| 热99久久久久精品小说推荐| 国产成人免费观看mmmm| 久久久精品区二区三区| 久久久久久久久久人人人人人人| 91久久精品国产一区二区三区| 香蕉精品网在线| 精品国产露脸久久av麻豆| 国产精品欧美亚洲77777| 中文字幕最新亚洲高清| 久久精品国产亚洲av天美| 欧美xxⅹ黑人| 免费观看无遮挡的男女| 少妇被粗大的猛进出69影院 | 97超视频在线观看视频| 国产日韩欧美视频二区| 国产av码专区亚洲av| 国产亚洲午夜精品一区二区久久| 99热这里只有是精品在线观看| 成人亚洲精品一区在线观看| 久久ye,这里只有精品| 久久久久久人妻| 永久免费av网站大全| 18禁在线播放成人免费| 成人综合一区亚洲| 精品国产一区二区久久| 国产老妇伦熟女老妇高清| 国产成人一区二区在线| 一级片'在线观看视频| 丰满饥渴人妻一区二区三| 老司机影院毛片| 国产精品三级大全| 日日啪夜夜爽| 男的添女的下面高潮视频| 久久精品久久精品一区二区三区| 美女中出高潮动态图| 国产 一区精品| av电影中文网址| 91精品一卡2卡3卡4卡| 视频区图区小说| 人妻少妇偷人精品九色| 国产高清不卡午夜福利| 视频中文字幕在线观看| 久久这里有精品视频免费| 26uuu在线亚洲综合色| 亚洲国产精品成人久久小说| 国产成人精品在线电影| 青青草视频在线视频观看| 在线观看人妻少妇| 久久精品久久久久久噜噜老黄| 国产精品久久久久久精品电影小说| 精品人妻熟女毛片av久久网站| av又黄又爽大尺度在线免费看| 韩国高清视频一区二区三区| 人成视频在线观看免费观看| 好男人视频免费观看在线| 国产又色又爽无遮挡免| 久久久久视频综合| 乱人伦中国视频| 亚洲精品自拍成人| 成人无遮挡网站| 赤兔流量卡办理| 亚洲av成人精品一二三区| 少妇 在线观看| 免费av不卡在线播放| 97在线视频观看| 亚洲国产精品国产精品| 国产熟女午夜一区二区三区 | 国产精品一国产av| 亚洲欧美一区二区三区国产| 国产白丝娇喘喷水9色精品| 久久久国产一区二区| 少妇 在线观看| 国产成人aa在线观看| 亚洲情色 制服丝袜| 国产精品久久久久久精品电影小说| 久热这里只有精品99| 亚洲av二区三区四区| 免费播放大片免费观看视频在线观看| 日韩成人av中文字幕在线观看| 另类精品久久| 欧美+日韩+精品| 午夜av观看不卡| 国产黄片视频在线免费观看| 999精品在线视频| 国产欧美亚洲国产| 日韩中字成人| 少妇猛男粗大的猛烈进出视频| 久久久久久人妻| 久久国产精品大桥未久av| 亚洲av.av天堂| 99久国产av精品国产电影| 日韩精品免费视频一区二区三区 | 在线观看www视频免费| 国产av码专区亚洲av| 人人澡人人妻人| 大又大粗又爽又黄少妇毛片口| 国产国语露脸激情在线看| 97精品久久久久久久久久精品| 成人亚洲欧美一区二区av| 青春草亚洲视频在线观看| 丝袜喷水一区| 亚洲怡红院男人天堂| 国产乱来视频区| 日本免费在线观看一区| 18禁在线无遮挡免费观看视频| 日韩成人伦理影院| 国产视频首页在线观看| 日韩电影二区| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲美女搞黄在线观看| 精品久久久久久久久亚洲| 少妇人妻精品综合一区二区| 91久久精品电影网| 欧美 亚洲 国产 日韩一| 亚洲中文av在线| 一级二级三级毛片免费看| 黄色欧美视频在线观看| 一本—道久久a久久精品蜜桃钙片| 久久久久久久大尺度免费视频| 我的老师免费观看完整版| 日韩av免费高清视频| 日韩免费高清中文字幕av| 久久久久视频综合| 人妻少妇偷人精品九色| 国产成人一区二区在线| av福利片在线| 久久国产亚洲av麻豆专区| 国产高清三级在线| 一区二区三区精品91| 能在线免费看毛片的网站| 精品久久久噜噜| 亚洲精品,欧美精品| 大片免费播放器 马上看| 久久久久久久亚洲中文字幕| 亚洲av欧美aⅴ国产| 免费久久久久久久精品成人欧美视频 | 一级片'在线观看视频| 日日啪夜夜爽| 少妇人妻久久综合中文| 九九爱精品视频在线观看| 91aial.com中文字幕在线观看| 亚洲国产精品成人久久小说| 国产免费一级a男人的天堂| 亚洲国产最新在线播放| 国产男女超爽视频在线观看| 亚洲成人手机| 免费av不卡在线播放| 亚洲精品久久午夜乱码| 免费看光身美女| 亚洲欧洲精品一区二区精品久久久 | 国产精品久久久久久久电影| 丰满少妇做爰视频| 夫妻性生交免费视频一级片| av在线播放精品| 亚洲性久久影院| 亚洲欧洲精品一区二区精品久久久 | 狂野欧美激情性xxxx在线观看| 中文字幕久久专区| 一边亲一边摸免费视频| 黄色欧美视频在线观看| 欧美精品国产亚洲| 免费人成在线观看视频色| 18禁裸乳无遮挡动漫免费视频| 亚洲图色成人| 搡女人真爽免费视频火全软件| 亚洲国产欧美日韩在线播放| 日本与韩国留学比较| 九色亚洲精品在线播放| 亚洲精品亚洲一区二区| 韩国av在线不卡| 老司机影院毛片| 91久久精品国产一区二区成人| 麻豆成人av视频| av一本久久久久| 日韩精品免费视频一区二区三区 | 免费大片18禁| 久久精品国产亚洲av涩爱| 国产亚洲最大av| 久久精品熟女亚洲av麻豆精品| 亚洲精品色激情综合| av黄色大香蕉| 亚洲av.av天堂| 久久精品国产鲁丝片午夜精品| 国产国语露脸激情在线看| 18禁动态无遮挡网站| 成人黄色视频免费在线看| 久久人人爽人人片av| 日韩av不卡免费在线播放| 丝袜脚勾引网站| 人妻夜夜爽99麻豆av| 婷婷色综合www| 精品国产露脸久久av麻豆| 王馨瑶露胸无遮挡在线观看| 九九在线视频观看精品| 大香蕉97超碰在线| 亚洲精品aⅴ在线观看| 国产精品熟女久久久久浪| 久久人妻熟女aⅴ| 中文字幕精品免费在线观看视频 | 色吧在线观看| 亚洲第一av免费看| 色哟哟·www| 亚洲精品久久成人aⅴ小说 | 国产一区有黄有色的免费视频| 一级毛片 在线播放| 久久久久久久久久久丰满| 搡女人真爽免费视频火全软件| 免费黄网站久久成人精品| 欧美bdsm另类| 精品亚洲乱码少妇综合久久| 精品一区二区免费观看| 免费黄频网站在线观看国产| 日韩三级伦理在线观看| 在线观看免费视频网站a站| 日本猛色少妇xxxxx猛交久久| 青春草视频在线免费观看| 久久久国产一区二区| 精品视频人人做人人爽| 丰满乱子伦码专区| 人妻一区二区av| 人人妻人人添人人爽欧美一区卜| av有码第一页| 性色avwww在线观看| 在线天堂最新版资源| 一本大道久久a久久精品| 肉色欧美久久久久久久蜜桃| 亚洲国产精品成人久久小说| 午夜日本视频在线| 熟女人妻精品中文字幕| 免费高清在线观看日韩| 一级毛片电影观看| 成年av动漫网址| 免费人妻精品一区二区三区视频| 亚洲精品第二区| 亚洲精品久久久久久婷婷小说| 韩国av在线不卡| 日本与韩国留学比较| 蜜桃国产av成人99| 少妇人妻 视频| 高清在线视频一区二区三区| 大码成人一级视频| 两个人免费观看高清视频| 伦理电影免费视频| 不卡视频在线观看欧美| 亚洲婷婷狠狠爱综合网| 亚洲欧美精品自产自拍| 久久久久国产精品人妻一区二区| 中文欧美无线码| 嘟嘟电影网在线观看| 美女主播在线视频| 亚洲不卡免费看| 国产成人免费观看mmmm| 久久精品熟女亚洲av麻豆精品| 97在线视频观看| 尾随美女入室| 91精品国产国语对白视频| 亚洲成人av在线免费| 欧美 亚洲 国产 日韩一| 永久免费av网站大全| 51国产日韩欧美| 蜜臀久久99精品久久宅男| 国产精品久久久久久精品古装| 精品国产乱码久久久久久小说| 99久久人妻综合| 久久久久久伊人网av| 少妇精品久久久久久久| 精品久久国产蜜桃| 久久久久久久久久成人| 精品卡一卡二卡四卡免费| 肉色欧美久久久久久久蜜桃| 九色亚洲精品在线播放| 亚洲天堂av无毛| 丝瓜视频免费看黄片| 美女国产视频在线观看| 久久精品熟女亚洲av麻豆精品| 国产亚洲最大av| 99re6热这里在线精品视频| 91精品国产国语对白视频| 九九在线视频观看精品| 精品人妻熟女av久视频| 欧美日韩视频精品一区| 老熟女久久久| 2018国产大陆天天弄谢| 日韩成人伦理影院| 热re99久久国产66热| 全区人妻精品视频| 久久精品夜色国产| 观看av在线不卡| 精品亚洲乱码少妇综合久久| 九色成人免费人妻av| 亚洲精品一二三| 久久99热这里只频精品6学生| 国产精品一区二区在线观看99| 亚洲综合精品二区| 亚洲精品自拍成人| 纯流量卡能插随身wifi吗| 国产成人91sexporn| 国产免费又黄又爽又色| 18禁在线播放成人免费| 免费高清在线观看日韩| a 毛片基地| 蜜臀久久99精品久久宅男| 纯流量卡能插随身wifi吗| 99久久中文字幕三级久久日本| 一级毛片aaaaaa免费看小| 亚洲情色 制服丝袜| 久久久国产精品麻豆| 国产亚洲精品久久久com| 日韩av在线免费看完整版不卡| 亚洲av综合色区一区| 精品久久久久久电影网| 日韩一区二区视频免费看| 色视频在线一区二区三区| 久久国产精品大桥未久av| av女优亚洲男人天堂| 国产精品国产三级专区第一集| 中文字幕亚洲精品专区| 大码成人一级视频| 亚洲欧美成人精品一区二区| 菩萨蛮人人尽说江南好唐韦庄| 精品久久蜜臀av无| 免费黄色在线免费观看| 国产免费一级a男人的天堂| 成年人午夜在线观看视频| 满18在线观看网站| 下体分泌物呈黄色| 国产精品 国内视频| 王馨瑶露胸无遮挡在线观看| 成年人免费黄色播放视频| 色视频在线一区二区三区| 青春草视频在线免费观看| 亚洲精品乱久久久久久| 亚洲不卡免费看| 国产一区二区三区av在线| 少妇 在线观看| 天天躁夜夜躁狠狠久久av| 少妇人妻精品综合一区二区| 日本与韩国留学比较| 少妇熟女欧美另类| 日韩一本色道免费dvd| 简卡轻食公司| 高清黄色对白视频在线免费看| 亚洲色图综合在线观看| 尾随美女入室| 黑人欧美特级aaaaaa片| av视频免费观看在线观看| 久久精品国产自在天天线| 美女视频免费永久观看网站| 国产午夜精品久久久久久一区二区三区| 秋霞在线观看毛片| 天天躁夜夜躁狠狠久久av| 老司机影院成人| 国产女主播在线喷水免费视频网站| 高清欧美精品videossex| 一级毛片黄色毛片免费观看视频| 美女内射精品一级片tv| 人妻制服诱惑在线中文字幕| 视频中文字幕在线观看| 国产伦理片在线播放av一区| 亚洲欧洲精品一区二区精品久久久 | 少妇的逼好多水| 一级毛片aaaaaa免费看小| 日韩大片免费观看网站| 久久精品国产鲁丝片午夜精品| 26uuu在线亚洲综合色| 高清毛片免费看| 爱豆传媒免费全集在线观看| 日韩精品免费视频一区二区三区 | 草草在线视频免费看| 亚洲精品国产av蜜桃| 菩萨蛮人人尽说江南好唐韦庄| 久久久久久久久久久丰满| 国产精品一国产av| 超碰97精品在线观看| 国产 一区精品| 国产深夜福利视频在线观看| 丰满乱子伦码专区| 久久久久久久久久人人人人人人| 亚洲欧美日韩另类电影网站| 国产成人91sexporn| 97超碰精品成人国产| 国产免费一区二区三区四区乱码| 亚洲精品日韩在线中文字幕| 黑人巨大精品欧美一区二区蜜桃 | 人妻系列 视频| 国产一区二区在线观看av| 国产精品国产av在线观看| 18禁在线无遮挡免费观看视频| 亚洲精品亚洲一区二区| 十八禁高潮呻吟视频| 中国国产av一级| 一级毛片黄色毛片免费观看视频| 欧美3d第一页| 精品午夜福利在线看| 看免费成人av毛片| 熟女人妻精品中文字幕| 精品久久久久久电影网| 熟女av电影| 99久久精品国产国产毛片| 午夜日本视频在线| videos熟女内射| 黑人欧美特级aaaaaa片| 国产成人精品久久久久久| 特大巨黑吊av在线直播| 多毛熟女@视频| 亚洲成人av在线免费| 久久久精品区二区三区| 在线观看三级黄色| 亚洲中文av在线| 亚洲精品第二区| 十分钟在线观看高清视频www| 国产成人一区二区在线| 五月天丁香电影| 精品国产乱码久久久久久小说| 午夜视频国产福利| 插阴视频在线观看视频| 男人操女人黄网站| h视频一区二区三区| 王馨瑶露胸无遮挡在线观看| 国产精品成人在线| 精品一区二区三卡| 精品少妇内射三级| 蜜臀久久99精品久久宅男| 亚洲国产毛片av蜜桃av| xxxhd国产人妻xxx| 精品人妻偷拍中文字幕| 99久久人妻综合| 黑人欧美特级aaaaaa片| 国产成人精品无人区| 久久久久久久国产电影| 成人影院久久| 亚洲欧美一区二区三区黑人 | 国产无遮挡羞羞视频在线观看| 午夜激情久久久久久久| 国产成人精品在线电影| 性色av一级| 777米奇影视久久| 色94色欧美一区二区| 日本黄色片子视频| 欧美精品国产亚洲| 久久女婷五月综合色啪小说| 在线观看www视频免费| 亚洲内射少妇av| 99精国产麻豆久久婷婷| 香蕉精品网在线| 伦理电影免费视频| 亚洲第一区二区三区不卡| 18禁观看日本| 18禁在线播放成人免费| 永久免费av网站大全| 97在线人人人人妻| 亚洲精品久久午夜乱码| 亚洲激情五月婷婷啪啪| 亚洲欧美色中文字幕在线| 午夜福利视频精品| 国产午夜精品久久久久久一区二区三区| 成年女人在线观看亚洲视频| 一级毛片我不卡| av福利片在线| 中国美白少妇内射xxxbb| 国产精品久久久久久精品电影小说|