基于半监督的3D肝脏CT自动分割方法研究.pdf

肝癌是常见癌症之一,有着较高的死亡率,精准分割肝癌区域是辅助诊断治疗的重要前提。然而肝脏 CT 图像需要专业的医师进行标注,有标签数据较少,获取途径单一。针对分割腹部肝脏 CT 图像需要大量高质量标签并且较难获取的问题,提出了一种采用协同训练的半监督学习分割方法。首先,将有标签数据输入3D U-Net 和3D Res U-Net 进行有监督训练,保存训练得到的两个分割模型,在两个分割模型中分别对无标签数据进行预测;然后,挑选预测的结果,再加入全连接条件随机场处理挑选出的伪标签,细化伪标签的边缘信息,提升伪标签的精确度;最后,加入到训练集中,重复上述步骤直到分割结果的 Dice 相似系数停止提升时结束训练。实验在 LiTS2017 Challenge 肝脏数据集上进行测试,结果表明,在有标签数据集占总数据集的30%时,该方法的 Dice 值达到90.22%,几乎与全监督3D Res U-Net 分割结果持平,说明该半监督学习方法是有效的。关键词:协同训练;肝脏分割;半监督学习;全连接条件随机场;U-Net中图分类号:TP391.41摇 摇 摇 摇 摇 摇 文献标识码:A摇 摇 摇 摇 摇 摇 文章编号:1673-629X(2023)09-0149-06doi:10.3969/j.issn.1673-629X.2023.09.022Automated Segmentation of 3D Liver CT ImagesUsing Semi-supervisionXIE Hong-biao1,LIU Zhi-qin1,WANG Qing-feng1,HUANG Jun1,CHEN Bo1,ZHOU Ying2(1.School of Computer Science and Technology,Southwest University of Science and Technology,Mianyang 621010,China;2.Mianyang Central Hospital,Mianyang 621010,China)Abstract:Liver cancer is one of the common cancers with a high mortality rate.Accurate segmentation of liver cancer regions is animportant prerequisite for auxiliary diagnosis and treatment.However,liver CT images need to be labeled by professional physicians,andthere are few labeled data and a single way to obtain them.In order to solve the problem that segmentation of abdominal liver CT imagesrequires a large number of high-quality labels and is difficult to obtain,a semi-supervised automatic segmentation method based on coop鄄erative training is proposed.Firstly,the labeled data is input into 3D U-Net and 3D Res U-Net for supervised training,and the two seg鄄mentation models obtained by training are saved.The unlabeled data are predicted respectively in the two segmentation models.Then thepredicted results are selected,and the pseudo-labels selected by the fully connected conditional random field processing are added torefine the edge information of the pseudo-labels.It can improve the accuracy of the pseudo-label,and finally add it to the training set.Repeat the above steps until the Dice similarity coefficient of the segmentation results stops improving to end the training.The experimentwas tested on the LiTS2017 Challenge.The results showed when the labeled data sets account for 30%of the total set,the Dice of theproposed method reaches 90.22%,which is almost equal to the fully supervised 3D Res U-Net segmentation result,indicating that thesemi-supervised method is effective.Key words:cooperative training;liver segmentation;semi-supervised learning;dense conditional random filed;U-Net0摇 引摇 言肝脏是人体内最大的器官,在人体众多部位有着无可比拟的地位,承担着存储、解毒和合成三个方面的功能。由于人们高压力工作、作息不规律等原因,致使肝脏过度使用,因此肝脏疾病的发病率极高,并且具有多种类、多发性等特点,而这些肝脏疾病均具有较高几第 33 卷摇 第 9 期2023 年 9 月摇 摇 摇 摇 摇 摇 摇 摇 摇 摇计 算 机 技 术 与 发 展COMPUTER TECHNOLOGY AND DEVELOPMENT摇 摇 摇 摇 摇 摇 摇 摇 摇 摇Vol.33摇 No.9Sep.摇 2023率诱发肝癌,也叫做肝脏恶性肿瘤1。肝癌在全球癌症中有着极高死亡率,每年约有 84 万多新病例和 78万多死亡病例2。人类的生命健康正被肝癌等疾病摧残着。在临床治疗中,自动肝脏肿瘤分割3-5在 CT(computed tomography)图像中有着重要的研究价值,不但可以减少医务人员在分析病情中所耗费的时间,有些还能模仿临床手术操作,提高治疗成功率。但自动肝脏肿瘤分割的准确性在较大程度上依赖标签数据的质量和数量6-7,获取这些肝脏区域标注既需要医学专家进行细致的手动勾画,专家个人的主观因素也会影响到标注精度,会影响后续治疗时间,降低效率8。并且 CT 图像是三维图像,一些分割方法9-10只利用了二维图像,由于 2D 网络结构本身的不足,导致 CT 图像的三维信息没有得到很好的利用,对 2D 网络结构的各种改动也仅限于提高单张切片分割的准确率,让肝脏肿瘤的整体分割性能的提升受到限制。对于以上问题,该文提出了一种基于半监督协同训练的 3D CT 肝脏自动分割方法。主要有以下几个方面的贡献:(1)为了更好地利用医学分割图像中少量的肝脏数据,提出了半监督协同训练方法。(2)提出使用 3D U-Net 和 3D Res U-Net 方法可以更好地利用 CT 图像的三维信息。(3)用 全 连 接 条 件 随 机 场(Dense ConditionalRandom Filed,Dense CRF)把预测得到的伪标签通过边缘细化,提升伪标签的精确度。1摇 相关研究深度学习11的发展推进了图像分割性能的大幅提升,通过对标注数据进行学习,能够自动提取大量的特征值,从而提升肝脏分割的准确性。因为肝脏 CT图像边界不清晰,准确分割出肝脏又需要较多高分辨率信息;同时,人体器官的位置相对固定,分割有一定的规律,语义简单清晰,所以对目标器官的识别还需要低分辨率信息。Ronneberger 等人12在 2015 年首次提出将 U-Net 应用到医学图像分割中。U-Net 在编码器和解码器之间加入跳跃连接,可以将低分辨率信息和高分辨率信息很好地结合起来,能够更好地分割肝脏和肝肿瘤。跳跃连接虽然结合了低分辨率信息和高分辨率信息,但没有筛选一些无用的低分辨率信息,使得低分辨率信息过多而导致图像边界模糊。为了解决这个问题,Seo 等人13改进了网络框架,提出了 mU-Net,他们引入了一个剩余路径,加到 U-Net 的跳跃连接部分,其中包含激活操作和反卷积操作,有效地加强了全局特征的提取能力和高分辨率的边缘特征。Fan等人14提出了一种多尺度嵌套 U-Net,优化了跳跃连接区域,解决了跳跃连接传递过多低分辨率信息的问题。由于医学 CT 图像为 3D 图像,使用 2D 网络无法有效利用 CT 图像的三维信息。Milletari 等人15在2016 年提出 3D 网络 V-Net,该方法解决了 2D 网络无法利用 CT 图像的三维信息的问题。紧接着,Jeong 等人16提出一种深度三维注意力 U-Net(3D attentionU-Net)有效学习了各个形状的肝脏。Jin 等人17提出用于肝肿瘤分割的 RA-UNet,在网络中加入注意力剩余机制,可以较好地获取并利用上下文信息。以上肝脏自动分割的研究方法都需要大量的肝脏标注数据进行全监督学习训练,但获取这些肝脏区域标注需要医学专家进行细致的手动勾画,费时费力。因此有研究者提出了一种半监督学习,以减少对人工标注的依赖。在 2013 年 Lee 等人18提出“伪标签冶一词,通过网络自训练利用少量标签数据训练大量无标注样本,分割结果较好。Yang 等人19提出了一个基于图嵌入的半监督学习网络框架,可以共同预测伪标签和图形中的邻域上下文信息。但上述方法生成的伪标签部分效果欠佳,容易使网络错误学习。在这个问题上,Zhou 等人20提出从矢状面、冠状面和轴向平面等多个平面挖掘共识信息,采用多平面融合生成更可靠的伪标签,减少了伪标签中出现的误差,有助于训练更好的分割网络。Liu 等人21提出使用全连接条件随机场处理伪标签,提升伪标签精度,其改进了网络的并行空间和激励模块,能更好地保留图像边缘信息。2摇 方摇 法该文充分利用少量带有肝脏分割标记的 CT 图像来预测大量无标记的肝脏 CT 图像,提出一种基于协同训练22的肝脏 CT 图像自动分割方法,包括全监督训练、伪标签挑选和伪标签优化三个阶段。(1)将有标签数据输入3D U-Net 和3D Res U-Net 进行全监督训练,然后把得到的两个分割模型分别对无标签图像进行预测,得到多个伪标签;(2)利用两种分割网络之间的差异性,将得到的伪标签用 Dice 值进行挑选,挑选出 Dice 值较高的伪标签进行下一步处理;(3)把挑选后的伪标签用全连接条件随机场进行细化处理,提高伪标签的准确性。处理后的伪标签加入到训练集继续训练,直到第二步 Dice 值不再增大后停止训练。所提方法可以减少分割模型对肝脏区域手动勾画标注数据的依赖,同时还可以提升 CT 肝脏器官的分割结果精度。半监督分割网络框架如图 1 所示。具体方法如下所述。2.1摇 基于 3D U-Net 和 3D Res U-Net 的全监督训练实验先把有标签数据分别输入到 3D U-Net 和051摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 计算机技术与发展摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 33 卷3D Res U-Net 进行全监督训练,训练网络中损失函数均采用 DiceLoss,如公式(1):图 1摇 网络协同训练示意图摇 摇DiceLoss=1-2X 疑 YX+Y摇(1)2.2摇 挑选伪标签将无标签数据分别输入基于 3D U-Net 和 3D ResU-Net 训练出的两个分割模型中进行预测,预测结果作为伪标签集。在半监督学习方法中,难点是如何选择可靠的伪标签加入到训练集中以扩大训练集,该文选用常用的评估指标 Dice(Dice similarity coefficient)值的大小来判断,如公式(2)所示。Dice 值超过 0.85的伪标签在下一步进行标签优化。Dice=2P1疑 P2P1+P2摇(2)式中,P1和 P2分别代表 3D U-Net 与 3D Res U-Net网络对同一 CT 图像的分割结果。2.3摇 基于全连接条件随机场的伪标签优化在网络训练中,若有通过3D U-Net 与3D Res U-Net 协同网络预测产生精度不高的伪标签,未作处理便加入训练集中进行训练,会导致迭代训练过程中网络学习出错,致使错误累积。Dense CRF 可以优化伪标签中粗糙和边缘不确定的标记,修补零星的区域,使其趋近于金标签。Dense CRF 的能量函数23如下:E(Z)=移O子e(ki)+移O,p子f(ki,kj)(3)式中,子e(ki)为一元势能,用于衡量像素点的类别概率,子e(ki)=-logP(fi),fi为经过分割网络后像素 i 得到的预测结果,P(fi)为 f 的概率;子f(ki,kj)为像素 i和像素 j 上的预测结果 ki,kj之间的二元势能,解释各个像素点之间的关系,表达式如下:子f(ki,kj)=滋(ki,kj)誗棕1exp(-mi-m2j2滓2琢-ni-n2j2滓2茁)+棕2exp(-mi-m2j2滓2酌)(4)式中,棕1,棕2为线性组合权重;滋 为标签兼容性函数,滋(ki,kj)为标签兼容项24,它约束了像素间传导的条件,当 ki屹kj时,滋(ki,kj)=1,否则为0;像素之间的邻近程度和相似度由系数 滓琢和 滓茁控制;滓酌=1,其将较小的独立区域去除;mi,mj分别为像素 i 和像素 j 的位置关系,ni,nj分别为像素 i 和像素 j 的强度值。二元势能函数会多于注意到具有相似位置 m、相似强度 n但具有不同标记的 k 像素。能量 E(Z)越小,预测的类别标签 m 就越准确。在实验中,预测的伪标签用 Dense CRF 进行优化,可以提高伪标签的准确度,使其更趋近金标签。2.4摇 具体训练方案实验将数据分为两部分,设 X 为 CT 图像,Y 为其对应的标签图像。第一部分设置有标签数据集 FL=XL,YL,第二部分是无标签数据集 FU=XU。通过训练 3D U-Net 与 3D Res U-Net 分割模型,预测无标签数据得到伪标签 YU,加入 FU中得到 FU=XU,YU。整个实验流程见算法 1。Algorithm1:半监督训练算法I.Network trainingInput:输入有标签数据集 FL=XL,YLOutput:Model MU,MR/MU为3D U-Net 网络模型,MR为3D Res U-Net 网络模型1:Training 3D U-Net,3D Res U-Net2:Save model MU,MRII.Semi-supervised trainingInput:输入无标签数据集 FU=XUOutput:Model MU,MR1:Load model MU,MR2:for i=1,2,N do/i 表示样本集编号3:摇 Make inference摇MU(XU)寅 Y1U,MR(XU)寅 Y2U4:Compare沂 YU5:摇 Optimize YUwith Dense CRF6:end for7:until converged8:return Model MU,MR3摇 实验结果与分析3.1摇 数据及预处理实验数据来自公开数据集 2017 MICC AI LiTS 肝脏肿瘤分割挑战赛(https:/competitions.codalab.org/competitions/17094),其中包括 0 130 号共 131 例的腹部 CT 图像及其金标签。将数据中的肝脏和肝肿瘤的标签融合为一个,肝脏 CT 图像大小为 512伊512伊 L(其中 L 为 CT 数据中的切片数量)。将肝脏 CT 图像的灰度值标准化到-100,100。151摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 谢宏彪等:基于半监督的 3D 肝脏 CT 自动分割方法研究3.2摇 参数设置网络学习率设置为 1e-4;设置 epoch=200;设置batch size=1 或 2。实验使用的服务器配置如下:IntelE5-2620 v22.10 GHz CPU 和 NVIDIA RTX 3090 显卡,主 要 的 软 件 环 境 Python3.7、CUDA11.1、Keras2郾 2郾 5 等。3.3摇 评估指标Dice 系数和 Iou(Intersection over union)是医学分割任务中常见的评估指标,它们都是用来衡量网络分割结果与金标准 mask 之间的相似性,表达式如下:Dice=2P 疑 GP+G摇(5)Iou=P 疑 GP 胰 G摇(6)式中,P 为预测所得到的结果区域,G 为金标签,即医师所标注的真实区域。特异性(specificity)和灵敏度(sensitivity)两个指标经常用来描述分类器的性能,前者指识别出的负例占所有负例的比例,后者指识别出的所有正例占所有正例的比例,表达式如下:Spec=TNTN+FP摇(7)Sens=TPTP+FN摇(8)式中,TP 是真阳性,分类器预测结果为正样本,实际也为正样本,即正样本被正确识别的数量;TN 是真阴性,分类器预测结果为负样本,实际为负样本,即负样本被正确识别的数量;FP 是假阳性,分类器预测结果为正样本,实际为负样本,即误报的负样本数量;FN 是假阴性,分类器预测结果为负样本,实际为正样本,即漏报的正样本数量。3.4摇 分割结果实验在 2017 MICCAI LiTS 肝脏肿瘤数据集随机选取 100 例 CT 图像作为训练集,剩余 31 例作为测试集。在这 100 例数据中将其分为 30、50、70 例有标签数据,剩下数据依次分为 70、50、30 的无标签数据。将这几种实验设置下获得的模型分别对测试集进行分割预测,将其结果与 3D U-Net、3D KiU-Net25、3DSegNet26和 3D ResU-Net 使用 100 例灰度图像及其真值标注的全监督分割结果进行对比。表 1 展示了四种网络的全监督分割结果与文中方法在不同有标签占比下的比较结果。文中方法在有标签占 30%时便可达到 3D ResU-Net 全监督分割的效果。在表 2 中可以看出,随着有标签数据的减少,四种分割网络的半监督分割结果明显比全监督的时候有所降低。当有标签数据的占比达到 70%时,文中方法比全监督 3D ResU-Net 的 Dice 值高出 1.32%,比全监督3D U-Net 的 Dice 值高出 3.67%。为能更直观地展示文中方法的分割结果,在 MP=70%的时候选取部分结果的分割图像,如图 2 所示。在图 3 展示了分割结果的三维可视化。表 1摇 不同标签数量占比下的分割性能比较方法MNMP/%DiceIouSensSpec全监督 3D U-Net10001000.886 10.823 60.872 30.993 5全监督 3D KiU-Net10001000.883 80.822 10.883 60.997 0全监督 3D SegNet10001000.843 80.741 30.855 60.997 5全监督 3D ResU-Net10001000.909 60.858 80.981 90.997 9文中方法3070300.902 20.853 10.982 30.995 2摇 摇 摇 摇 摇 摇(注:M 为有标签的图像数量,N 为无标签的图像数量,MP 为有标签占比)表 2摇 不同标签数量占比下的半监督分割性能比较方法MNMP/%DiceIouSensSpec半监督3DU-Net3070300.853 70.804 50.862 80.993 35050500.877 10.815 40.923 40.997 47030700.890 50.838 70.915 20.991 5半监督3D KiU-Net3070300.841 60.792 50.835 70.992 15050500.887 00.826 70.938 70.995 47030700.894 20.842 50.926 40.992 7半监督3DSegNet3070300.839 40.779 20.832 40.994 55050500.857 90.795 80.882 10.992 87030700.862 80.817 60.831 50.994 9251摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 计算机技术与发展摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 33 卷续表 2方法MNMP/%DiceIouSensSpec半监督3D ResU-Net3070300.883 50.823 60.872 20.992 45050500.888 00.819 40.938 50.996 47030700.905 30.852 10.983 50.995 3文中方法3070300.902 20.853 10.982 30.995 25050500.918 70.864 20.986 20.997 17030700.922 80.873 40.987 30.996 6图 2摇 分割对比网络效果图图 3摇 3D 可视化分割图摇 摇4摇 结束语提出的基于半监督的 3D 肝脏 CT 图像自动分割方法,有效利用了 CT 图像的三维信息,解决了医学图像需要大量有标签数据并且获取困难的问题,为医生诊断治疗节约时间。实验结果表明,该方法的肝脏分割精度相比 3D U-Net 等网络都有明显的提升。在未来工作中,要进一步提高半监督学习中加入伪标签的模型的分割性能,达到用少量标签就可实现大量预测且达到高精度的效果。该研究还会将提出的半监督分割方法应用到其他医学图像数据集中,以提高该方法的普适性。参考文献:1摇 陈明杰.基于深度学习的肝脏肿瘤 CT 图像分割方法研究D.哈尔滨:哈尔滨工程大学,2019.2摇BRAY F,FERLAY J,SOERJOMATARAM I,et al.Globalcancer statistics 2018:GLOBOCAN estimates of incidenceand mortality worldwide for 36 cancers in 185 countriesJ.CA:A Cancer Journal for Clinicians,2018,68:394-424.3摇 徐宝泉,凌彤辉.基于级联 Vnet-S 网络的 CT 影像单一器官自动分割算法J.计算机应用,2019,39(8):2420-2425.4摇 覶I覶EK 魻,ABDULKADIR A,LIENKAMP S,et al.3D U-Net:learning dense volumetric segmentation from sparse an鄄351摇 第 9 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 谢宏彪等:基于半监督的 3D 肝脏 CT 自动分割方法研究notation C/International conference on medical imagecomputing and computer-assisted intervention.Athens:Springer,2016:424-432.5摇XU W,LIU H,WANG X,et al.Liver segmentation in CTbased on ResUNet with 3D probabilistic and geometric postprocessC/2019 IEEE 4th international conference on sig鄄nal and image processing(ICSIP).Wuxi:IEEE,2019:685-689.6摇 ANTONELLI M,REINKE A,BAKAS S,et al.The medicalsegmentation decathlonJ.arXiv:2106.05735,2021.7摇 CAMPELLO V M,GKONTRA P,IZQUIERDO C,et al.Multi-centre,multi-vendor and multi-disease cardiac seg鄄mentation:the M&Ms challengeJ.IEEE Transactions onMedical Imaging,2021,40(12):3543-3554.8摇NIE D,GAO Y,WANG L,et al.ASDNet:attention basedsemi-supervised deep networks for medical image segmenta鄄tionJ/Medical image computing and computer assistedintervention-MICCAI 2018.Granada:Springer,2018:370-378.9摇 李摇阳,赵于前,廖摇苗,等.基于水平集和形状描述符的腹部 CT 序列肝脏自动分割J.自动化学报,2021,47(2):327-337.10 刘云鹏,刘光品,王仁芳,等.深度学习结合影像组学的肝脏肿瘤 CT 分割J.中国图象图形学报,2020,25(10):2128-2141.11 LITJENS G,KOOI T,BEJNORDI B E,et al.A survey ondeep learning in medical image analysisJ.Medical ImageAnalysis,2017,42:60-88.12 RONNEBERGER O,FISCHER P,BROX T.U-net:convolu鄄tional networks for biomedical image segmentationC/In鄄ternational conference on medical image computing and com鄄puter-assisted intervention.s.l.:Springer,2015:234-241.13 SEO H,HUANG C,BASSENNE M,et al.Modified U-Net(mU-Net)with incorporation of object-dependent high lev鄄el features for improved liver and liver-tumor segmentationin CT imagesJ.IEEE Transactions on Medical Imaging,2019,39(5):1316-1325.14 FAN T,WANG G,WANG X,et al.MSN-Net:a multi-scalecontext nested U-Net for liver segmentationJ.Signal,Im鄄age and Video Processing,2021,15(6):1089-1097.15 MILLETARI F,NAVAB N,AHMADI S A.V-net:fullyconvolutional neural networks for volumetric medical imagesegmentationC/2016 fourth international conference on3D vision(3DV).Stanford:IEEE,2016:565-571.16 JEONG J G,KIM Y J,KIM K G,et al.Deep 3D attention U-Net based whole liver segmentation for anatomical volume a鄄nalysis in abdominal CT imagesC/Proc.SPIE 11792,in鄄ternational forum on medical imaging in Asia 2021.Taipei,China:s.n.,2021:13-18.17 JIN Q,MENG Z,SUN C,et al.RA-UNet:a hybrid deep at鄄tention-aware network to extract liver and tumor in CT scansJ.Frontiers in Bioengineering and Biotechnology,2020,8(3):1471-1486.18 LEE D H.Pseudo-label:the simple and efficient semi-super鄄vised learning method for deep neural networksC/Inter鄄national conference on machine learning.Atlanta:ICML,2013:896.19 YANG Z,COHEN W,SALAKHUDINOV R.Revisiting semi-supervised learning with graph embeddingsC/Interna鄄tional conference on machine learning.New York:ICML,2016:40-48.20 ZHOU Y,WANG Y,TANG P,et al.Semi-supervised 3Dabdominal multi-organ segmentation via deep multi-planarco-trainingC/2019 IEEE winter conference on applica鄄tions of computer vision(WACV).Waikoloa:IEEE,2019:121-140.21 刘清清,周志勇,范国华,等.基于 3D scSE-UNet 的肝脏CT 图像半监督学习分割方法J.浙江大学学报:工学版,2021,55(11):2033-2044.22 HONG Y,ZHU W.Spatial co-training for semi-supervisedimage classificationJ.Pattern Recognition Letters,2015,63:59-65.23 BAI W,OKTAY O,SINCLAIR M,et al.Semi-supervisedlearning for network-based cardiac MR image segmentationC/International conference on medical image computingand computer assisted intervention.Quebec:Springer,2017:253-260.24 KRAHENBUHL P,KOLTUN V.Efficient inference in fullyconnected CRFs with Gaussian edge potentials J.Ad鄄vances in Neural Information Processing Systems,2011,24:109-117.25 VALANARASU J M J,SINDAGI V A,HACIHALILOGLUI,et al.Kiu-net:overcomplete convolutional architectures forbiomedical image and volumetric segmentation J.IEEETransactions on Medical Imaging,2021,41(4):965-976.26 BADRINARAYANAN V,KENDALL A,CIPOLLA R.Seg鄄net:a deep convolutional encoder-decoder architecture forimage segmentationJ.IEEE Transactions on Pattern Anal鄄ysis and Machine Intelligence,2017,39(12):2481-2495.451摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 计算机技术与发展摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 33 卷