一種基于毗鄰圖像特征點(diǎn)集的dsa腦血管圖像自動分割方法
【專利摘要】本發(fā)明公開了一種基于毗鄰圖像特征點(diǎn)集的DSA腦血管圖像自動分割方法，包括1：導(dǎo)入若干對連續(xù)的DSA腦血管圖像作為源圖像數(shù)據(jù)；2：對每一對DSA腦血管圖像均進(jìn)行分區(qū)；3：對分區(qū)后的DSA腦血管設(shè)置圖像閾值；4：基于sift算法提取特征點(diǎn)；5：對每一對提取特征點(diǎn)的DSA腦血管圖像中的蒙片圖像與活片圖像均基于數(shù)字減影技術(shù)得到相應(yīng)活片圖像的特征點(diǎn)差值圖像；6：提取所有所述特征點(diǎn)差值圖像的圖像特征點(diǎn)集，利用相鄰圖像關(guān)系對圖像特征點(diǎn)集進(jìn)行精確提?。?：對提取的圖像特征點(diǎn)集進(jìn)行區(qū)域生長，得到相應(yīng)的腦血管圖像。本發(fā)明采用圖像分割技術(shù)，利用毗鄰圖像，將鄰域間的像素信息進(jìn)行綜合，提高了特征點(diǎn)信息提取的準(zhǔn)確性，有效減小了噪聲。
【專利說明】一種基于毗鄰圖像特征點(diǎn)集的DSA腦血管圖像自動分割方 法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，具體地說是涉及一種基于毗鄰圖像特征點(diǎn)集的 DSA腦血管圖像自動分割方法。

【背景技術(shù)】
[0002] 在利用DSA機(jī)進(jìn)行腦血管畸形和腦血管瘤的診斷與手術(shù)時(shí)，通常會遇到DSA圖像 中偽影劇烈的困難，從而嚴(yán)重影響了腦血管診斷與治療的可靠性。為了便于診斷病灶，得到 患者腦血管中的三維信息。其中通常需要減影操作，采集兩個(gè)腦血管圖像序列，即蒙片序列 圖像和活片圖像序列；兩者對應(yīng)相減，理想情況下應(yīng)該得到只含有血管的減影圖像。但由于 各種因素造成的誤匹配經(jīng)常使得所獲取的造影圖片的診斷大打折扣。在這樣的條件下，就 需要一種快速有效配準(zhǔn)算法來消除偽影的影響，從而得到高質(zhì)量的腦血管減影圖像，提高 腦血管疾病診斷和治療的可靠性。
[0003] 目前出現(xiàn)的關(guān)于腦血管自動分割方法大部分是基于配準(zhǔn)的方法，而醫(yī)學(xué)圖像配準(zhǔn) 過程的運(yùn)算量非常大，即使采用剛性變換，對于大規(guī)模高分辨率斷層，圖像數(shù)據(jù)集包含的龐 大數(shù)據(jù)量，也無法滿足臨床上實(shí)時(shí)處理的要求，因而必須采取優(yōu)化措施；同時(shí)對于減影技術(shù) 的運(yùn)動偽影的消除，目前尚沒有能夠大范圍應(yīng)用到臨床醫(yī)學(xué)中的方法。
[0004] 具體的，現(xiàn)有的常用腦血管自動分割方法：
[0005] 1 :人工進(jìn)行配準(zhǔn)，操作人員手動進(jìn)行配準(zhǔn)，其存在效率低下，圖像數(shù)據(jù)集包含的數(shù) 據(jù)量十分龐大，無法滿足臨床上實(shí)時(shí)處理的要求等問題；
[0006] 2 :模塊匹配自動配準(zhǔn)技術(shù)，其中有框架的配準(zhǔn)方法基于外部基準(zhǔn)點(diǎn)特征，能夠獲 得較高的精度，可作為評估無框架配準(zhǔn)算法的標(biāo)準(zhǔn)，但其植入式的特點(diǎn)會給患者帶來很大 的痛苦，同時(shí)也不易對歷史圖像作回溯式的研宄。
[0007] 3 :采用基于規(guī)則網(wǎng)格模型的算法自動生成序列控制點(diǎn)，根據(jù)控制點(diǎn)空間排布的特 點(diǎn)，優(yōu)化搜索相關(guān)點(diǎn)的過程，同時(shí)限制控制點(diǎn)在二維空間的搜索范圍，然后采用基于逆拉伸 空間變換的像素映射填充算法來生成變形后的蒙片目標(biāo)圖像，實(shí)現(xiàn)減影，但是其存在算法 的魯棒性、計(jì)算速度和正確性不夠健全等缺陷。


【發(fā)明內(nèi)容】

[0008] 鑒于已有技術(shù)存在的缺陷，本發(fā)明的目的是要提供一種基于毗鄰圖像特征點(diǎn)集的 DSA腦血管圖像自動分割方法，該方法具有采用圖像分割技術(shù)，利用毗鄰圖像，將鄰域間的 像素信息進(jìn)行綜合，提高了特征點(diǎn)信息提取的準(zhǔn)確性，有效減小了噪聲。
[0009] 為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案：
[0010] -種基于毗鄰圖像特征點(diǎn)集的DSA腦血管圖像自動分割方法，其特征在于：
[0011] 包括
[0012] 步驟1 :導(dǎo)入若干對連續(xù)的DSA腦血管圖像作為源圖像數(shù)據(jù)；
[0013] 步驟2 :對每一對DSA腦血管圖像均進(jìn)行分區(qū)，使得每一對DSA腦血管圖像中的蒙 片圖像與活片圖像均分為上下兩個(gè)區(qū)域；
[0014] 步驟3 :對步驟2中分區(qū)后的DSA腦血管設(shè)置圖像閾值：對DSA腦血管圖像的蒙片 圖像與活片圖像中的上區(qū)域與下區(qū)域分別設(shè)置不同圖像閾值；
[0015] 步驟4 :基于sift算法提取特征點(diǎn)：對步驟3中設(shè)置圖像閾值后的每一對DSA腦 血管圖像中的蒙片圖像與活片圖像均基于sift算法，按照步驟3中所設(shè)置的上下區(qū)域不同 閾值提取特征點(diǎn)，得到對應(yīng)的圖像特征點(diǎn)集；
[0016] 步驟5 :對步驟4中每一對提取特征點(diǎn)的DSA腦血管圖像中的蒙片圖像與活片圖 像均基于數(shù)字減影技術(shù)得到相應(yīng)活片圖像的特征點(diǎn)差值圖像；
[0017] 步驟6 :提取步驟5中所有所述特征點(diǎn)差值圖像的圖像特征點(diǎn)集，利用相鄰圖像關(guān) 系對圖像特征點(diǎn)集進(jìn)行精確提??；
[0018] 步驟7 :對步驟6中提取的圖像特征點(diǎn)集進(jìn)行區(qū)域生長，得到相應(yīng)的腦血管圖像。
[0019] 進(jìn)一步的，所述的基于數(shù)字減影技術(shù)得到相應(yīng)活片圖像的特征點(diǎn)差值圖像是指 ①、提取蒙片圖像的圖像特征點(diǎn)集VI、活片圖像的圖像特征點(diǎn)集V2后；②、遍歷蒙片圖像的 圖像特征點(diǎn)集Vl中的各個(gè)特征點(diǎn)，并在活片圖像上找到相應(yīng)特征點(diǎn)對應(yīng)的位置坐標(biāo)；③、 以所述位置坐標(biāo)為圓心作圓后，遍歷活片圖像的圖像特征點(diǎn)集V2,將處于所述圓的圓內(nèi)且 包含圓上特征點(diǎn)去除，僅保留處于所述圓的圓外的特征點(diǎn)；④、將保留的所述特征點(diǎn)映射到 活片圖像對應(yīng)位置上，得到特征點(diǎn)集差值圖像。
[0020] 進(jìn)一步的所述利用相鄰圖像關(guān)系對圖像特征點(diǎn)集進(jìn)行精確提取是指：①、提取所 有映射到活片圖像上的差值特征點(diǎn)集；②、依次將相鄰三幅活片圖像做以下步驟：i、所述 相鄰三幅活片圖像的差值特征點(diǎn)集分別設(shè)定為T1、T2、T3 ;ii、遍歷Tl中的各個(gè)特征點(diǎn)；iii、 在T2中找到與ii中所述特征點(diǎn)對應(yīng)的位置坐標(biāo)，并以其為圓心作圓，保留所述圓圓內(nèi)的特 征點(diǎn)，得到Tl、T2共同特征點(diǎn)集T4 ;iv、對T2、T3重復(fù)ii、iii步驟得到T2、T3共同特征點(diǎn)集 T5后，對共同特征點(diǎn)集T4、T5求并集，得到綜合特征點(diǎn)集T6。
[0021] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：
[0022] 1.本發(fā)明不同于以往大多基于配準(zhǔn)方法的研宄，采用圖像分割技術(shù)，利用分區(qū)選 取不同的閾值的做法，使血管特征點(diǎn)的提取更加精確。
[0023] 2.本發(fā)明利用毗鄰圖像，將鄰域間的像素信息進(jìn)行綜合，提高了特征點(diǎn)信息提取 的準(zhǔn)確性，減小了噪聲。
[0024] 3.本發(fā)明為自動分割，操作簡單，不同操作人員得到的分割結(jié)果基本相同。
[0025] 4.本發(fā)明編程容易實(shí)現(xiàn)，算法復(fù)雜度較低。

【專利附圖】

【附圖說明】
[0026] 圖1為本發(fā)明-基于毗鄰圖像特征點(diǎn)集的DSA腦血管圖像自動分割方法步驟流程 示意圖；
[0027] 圖2為本發(fā)明-蒙片圖像提取特征點(diǎn)示意圖；
[0028] 圖3為本發(fā)明-活片圖像提取特征點(diǎn)示意圖；
[0029] 圖4為本發(fā)明-分區(qū)選取閾值后的提取特征點(diǎn)示意圖；
[0030] 圖5為本發(fā)明-特征點(diǎn)差值圖像示意圖；
[0031]圖6為本發(fā)明-根據(jù)毗鄰圖像特征點(diǎn)集差值圖像提取特征點(diǎn)示意圖；
[0032]圖7為本發(fā)明-步驟6中所述相鄰三幅圖像中的第n-1幅圖像特征點(diǎn)集差值圖像 示意圖；
[0033] 圖8為本發(fā)明-步驟6中所述相鄰三幅圖像中的第η幅圖像特征點(diǎn)集差值圖像示 意圖；
[0034] 圖9為本發(fā)明-步驟6中所述相鄰三幅圖像中的第η+1幅圖像特征點(diǎn)集差值圖像 示意圖；
[0035] 圖10為本發(fā)明-本地方窗與DSA圖像上的移動方向示意圖；
[0036] 圖11為本發(fā)明-步驟7中的區(qū)域成長示意圖；
[0037] 圖12為本發(fā)明-區(qū)域成長完成后的完整腦血管圖像示意圖。

【具體實(shí)施方式】
[0038] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖，對本發(fā)明進(jìn) 行進(jìn)一步詳細(xì)說明。
[0039] 如圖1-圖11所示，一種基于毗鄰圖像特征點(diǎn)集的DSA腦血管圖像自動分割方法， 其特征在于：
[0040] 如圖1所示，包括
[0041] 步驟1 :導(dǎo)入若干對連續(xù)的DSA腦血管圖像作為源圖像數(shù)據(jù)。
[0042] 步驟2 :對每一對DSA腦血管圖像均進(jìn)行分區(qū)，使得每一對DSA腦血管圖像中的蒙 片圖像與活片圖像均分為上下兩個(gè)區(qū)域。
[0043] 進(jìn)一步的，所述分區(qū)是指將全部DSA腦血管圖像（蒙片圖像與活片圖像）均按照 自上至下從所述圖像的三分之一處水平分割成上下兩個(gè)區(qū)域；之所以選取三分之一處是基 于實(shí)驗(yàn)觀察發(fā)現(xiàn)腦血管蒙片活片圖像在三分之一以上的腦血管較細(xì)且分布比較密集；下面 三分之二，血管較大且分布較稀疏的特點(diǎn)。
[0044] 步驟3 :對步驟2中分區(qū)后的DSA腦血管設(shè)置圖像閾值：對DSA腦血管圖像的蒙片 圖像與活片圖像中的上區(qū)域與下區(qū)域分別設(shè)置不同圖像閾值，并使得全部的上區(qū)域以及下 區(qū)域統(tǒng)一采用相同的閾值尺度。即所述蒙片圖像與活片圖像中的上區(qū)域與下區(qū)域的圖像閾 值應(yīng)當(dāng)盡可能選取相差較大的兩個(gè)閾值，本例中所有蒙片圖像與活片圖像中的上區(qū)域的閾 值使用100,所有蒙片圖像與活片圖像中的下區(qū)域的閾值使用8。
[0045] 步驟4 :利用上述閾值策略，基于sift算法按照步驟3中所設(shè)置的上下區(qū)域不同 閾值提取特征點(diǎn)，得到特征點(diǎn)分布更為均勻的腦血管圖像：對步驟3中設(shè)置圖像閾值后的 每一對DSA腦血管圖像中的蒙片圖像與活片圖像均基于sift算法提取特征點(diǎn)，得到對應(yīng)的 圖像特征點(diǎn)集。
[0046] 在圖像處理中，特征點(diǎn)可以稱興趣點(diǎn)或者角點(diǎn)，三者經(jīng)常相互使用，即圖像的極值 點(diǎn)，線段的終點(diǎn)，曲線曲率最大的點(diǎn)或者水平或者豎直方向上屬性最大的點(diǎn)等等，這些特征 點(diǎn)是圖像很重要的特征，對圖像圖形的理解和分析有很重要的作用；因此本方法首先利用 常用的sift算法（包括尺度空間的生成；檢測尺度空間極值點(diǎn)；精確定位極值點(diǎn)；為每個(gè) 關(guān)鍵點(diǎn)指定方向參數(shù)；關(guān)鍵點(diǎn)描述子的生成等，為領(lǐng)域內(nèi)常用算法，這里不再贅述）對每一 對DSA腦血管圖像中的蒙片圖像與活片圖像進(jìn)行特征點(diǎn)提取，得到對應(yīng)的圖像特征點(diǎn)集， 即對應(yīng)每一對的蒙片圖像的圖像特征點(diǎn)集VI、活片圖像的圖像特征點(diǎn)集V2。
[0047] 步驟5:對步驟4中每一對提取特征點(diǎn)的DSA腦血管圖像中的蒙片圖像與活片圖 像均基于數(shù)字減影技術(shù)得到相應(yīng)活片圖像的特征點(diǎn)差值圖像。
[0048] 所述的基于數(shù)字減影技術(shù)得到相應(yīng)活片圖像的特征點(diǎn)差值圖像是指①、提取蒙片 圖像的圖像特征點(diǎn)集VI、活片圖像的圖像特征點(diǎn)集V2后；②、遍歷蒙片圖像的圖像特征點(diǎn) 集Vl中的各個(gè)特征點(diǎn)，并在活片圖像上找到相應(yīng)特征點(diǎn)對應(yīng)的位置坐標(biāo)；③、以所述位置 坐標(biāo)為圓心作圓后，遍歷活片圖像的圖像特征點(diǎn)集V2,將處于所述圓的圓內(nèi)且包含圓上特 征點(diǎn)去除，僅保留處于所述圓的圓外的特征點(diǎn)；④、將保留的特征點(diǎn)映射到活片圖像對應(yīng)位 置上，得到特征點(diǎn)集差值圖像。
[0049] 如，提取蒙片圖像的圖像特征點(diǎn)集VI、活片圖像的圖像特征點(diǎn)集V2后；遍歷蒙片 圖像的圖像特征點(diǎn)集Vl中的各個(gè)特征點(diǎn)，以特征點(diǎn)Pl為例，并在活片圖像上找到特征點(diǎn)Pl 對應(yīng)的位置坐標(biāo)；以特征點(diǎn)Pl對應(yīng)的位置坐標(biāo)為圓心并選取合適半徑rl作圓，其中半徑 的選取則是通過不斷的選取值實(shí)驗(yàn)，觀察最后的圖像中的特征點(diǎn)，若噪聲特征點(diǎn)提取較少， 想要的血管上的特征點(diǎn)大部分都提取到即選擇最好的情況下的值作為半徑，選擇無具體規(guī) 貝1J，以達(dá)到較好效果即可；遍歷活片圖像的圖像特征點(diǎn)集V2,將V2中處于所述圓的圓內(nèi)且 包含圓上特征點(diǎn)去除，僅保留處于圓外的特征點(diǎn)；將保留的特征點(diǎn)映射到活片圖像對應(yīng)位 置上，得到特征點(diǎn)集差值圖像，上述過程可參看如圖2-圖6。
[0050] 步驟6 :提取步驟5中所有所述特征點(diǎn)差值圖像的圖像特征點(diǎn)集，利用相鄰圖像關(guān) 系對圖像特征點(diǎn)集進(jìn)行精確提?。?br> [0051] 所述利用相鄰圖像關(guān)系對圖像特征點(diǎn)集進(jìn)行精確提取是指：①、提取所有映射到 活片圖像上的差值特征點(diǎn)集；②、依次分別將相鄰三幅活片圖像做以下步驟：i、所述相鄰 三幅活片圖像的差值特征點(diǎn)集分別設(shè)定為Tl、T2、T3 ;ii、遍歷Tl中的各個(gè)特征點(diǎn)；iii、在 T2中找到與ii中所述特征點(diǎn)對應(yīng)的位置坐標(biāo)，并以其為圓心作圓，保留所述圓圓內(nèi)的特征 點(diǎn)，得到Tl、T2共同特征點(diǎn)集T4 ;iv、對T2、T3重復(fù)ii、iii步驟即遍歷T2中的各個(gè)特征點(diǎn)， 在T3中找到與ii中所述特征點(diǎn)對應(yīng)的位置坐標(biāo)，并以其為圓心作圓，保留所述圓圓內(nèi)的特 征點(diǎn)，得到T2、T3共同特征點(diǎn)集T5 5后，對共同特征點(diǎn)集T4、T5求并集，得到綜合特征點(diǎn)集 Τ6〇
[0052] 如，提取所有映射到活片圖像上的差值特征點(diǎn)集，依次分別將相鄰三幅圖像做以 下步驟，以第η-1、η、η+1幅為例，如圖7-圖9所示，它們的特征點(diǎn)集分別為Tl、Τ2、Τ3 ;遍 歷Tl中的特征點(diǎn)，以特征點(diǎn)nl為例，選取合適半徑r2,作圓，半徑選取原則與步驟5中的半 徑選取原則一樣；若T2中作圓后圓的內(nèi)部有特征點(diǎn)則保留，否則除去；得到Tl、T2共同特 征點(diǎn)集T4 ;同樣的將T2、T3做上述步驟，得到T2、T3共同特征點(diǎn)集T5 ;將兩個(gè)共同特征點(diǎn) 集T4、T5求交得到綜合特征點(diǎn)集T6。
[0053] 步驟7 :對步驟6中提取的綜合圖像特征點(diǎn)集進(jìn)行區(qū)域生長，得到相應(yīng)的腦血管圖 像，如圖12所示。
[0054] 如圖11所示，區(qū)域生長為血管的詳細(xì)過程包括三個(gè)步驟：
[0055] 第1步：初始化所有特征點(diǎn)作為種子像素集。標(biāo)記所有這些種子像素點(diǎn)為"種子 像素未生長"的狀態(tài)，標(biāo)記圖像中的其他像素是"普通像素未生長"的狀態(tài)。
[0056] 第2步：搜索種子像素集中"種子像素未生長"狀態(tài)的種子像素，標(biāo)記狀態(tài)為"種子 像素已生長"，轉(zhuǎn)到步驟3。如果沒有一個(gè)種子像素為"種子像素未生長"的狀態(tài)時(shí)，整個(gè)遍 歷處理結(jié)束。
[0057] 第3步：遍歷種子像素的八鄰域，如果它的灰度值比它的區(qū)域閾值g小，并且它的 狀態(tài)為"普通像素未生長"，把它加入種子像素集，并標(biāo)記狀態(tài)為"種子像素未生長"，否則， 標(biāo)記狀態(tài)為"普通像素已生長"，然后遍歷下一個(gè)像素，當(dāng)八鄰域遍歷結(jié)束，轉(zhuǎn)到第2步。
[0058] 為了得到所述區(qū)域閾值d，對每個(gè)所述種子像素都需要執(zhí)行如下三個(gè)步驟：
[0059] 步驟1 :建立本地方形窗口寬度為w
[0060] 步驟2:計(jì)算閾值如下

【權(quán)利要求】
1. 一種基于毗鄰圖像特征點(diǎn)集的DSA腦血管圖像自動分割方法，其特征在于： 包括 步驟1 :導(dǎo)入若干對連續(xù)的DSA腦血管圖像作為源圖像數(shù)據(jù)； 步驟2 :對每一對DSA腦血管圖像均進(jìn)行分區(qū)，使得每一對DSA腦血管圖像中的蒙片圖 像與活片圖像均分為上下兩個(gè)區(qū)域； 步驟3 :對步驟2中分區(qū)后的DSA腦血管設(shè)置圖像閾值：對DSA腦血管圖像的蒙片圖像 與活片圖像中的上區(qū)域與下區(qū)域分別設(shè)置不同圖像閾值； 步驟4 :基于sift算法提取特征點(diǎn)：對步驟3中設(shè)置圖像閾值后的每一對DSA腦血管 圖像中的蒙片圖像與活片圖像均基于sift算法，按照步驟3中所設(shè)置的上下區(qū)域不同閾值 提取特征點(diǎn)，得到對應(yīng)的圖像特征點(diǎn)集； 步驟5 :對步驟4中每一對提取特征點(diǎn)的DSA腦血管圖像中的蒙片圖像與活片圖像均 基于數(shù)字減影技術(shù)得到相應(yīng)活片圖像的特征點(diǎn)差值圖像； 步驟6 :提取步驟5中所有所述特征點(diǎn)差值圖像的圖像特征點(diǎn)集，利用相鄰圖像關(guān)系對 圖像特征點(diǎn)集進(jìn)行精確提?。? 步驟7 :對步驟6中提取的圖像特征點(diǎn)集進(jìn)行區(qū)域生長，得到相應(yīng)的腦血管圖像。
2. 根據(jù)權(quán)利要求1所述的DSA腦血管圖像自動分割方法，其特征在于： 所述的基于數(shù)字減影技術(shù)得到相應(yīng)活片圖像的特征點(diǎn)差值圖像是指①、提取蒙片圖像 的圖像特征點(diǎn)集VI、活片圖像的圖像特征點(diǎn)集V2后；②、遍歷蒙片圖像的圖像特征點(diǎn)集VI 中的各個(gè)特征點(diǎn)，并在活片圖像上找到相應(yīng)特征點(diǎn)對應(yīng)的位置坐標(biāo)；③、以所述位置坐標(biāo)為 圓心作圓后，遍歷活片圖像的圖像特征點(diǎn)集V2,將處于所述圓的圓內(nèi)且包含圓上特征點(diǎn)去 除，僅保留處于所述圓的圓外的特征點(diǎn)；④、將保留的特征點(diǎn)映射到活片圖像對應(yīng)位置上， 得到特征點(diǎn)集差值圖像。
3. 根據(jù)權(quán)利要求1所述的DSA腦血管圖像自動分割方法，其特征在于：所述利用相鄰 圖像關(guān)系對圖像特征點(diǎn)集進(jìn)行精確提取是指：①、提取所有映射到活片圖像上的差值特征 點(diǎn)集；②、依次將相鄰三幅活片圖像做以下步驟：i、所述相鄰三幅活片圖像的差值特征點(diǎn) 集分別設(shè)定為Tl、T2、T3 ; ii、遍歷T1中的各個(gè)特征點(diǎn)；iii、在T2中找到與ii中所述特征點(diǎn) 對應(yīng)的位置坐標(biāo)，并以其為圓心作圓，保留所述圓圓內(nèi)的特征點(diǎn)，得到Tl、T2共同特征點(diǎn)集 T4 ;iv、對T2、T3重復(fù)ii、iii步驟得到T2、T3共同特征點(diǎn)集T5后，對共同特征點(diǎn)集T4、T5求 并集，得到綜合特征點(diǎn)集T6。
【文檔編號】G06T7/00GK104504708SQ201410830718
【公開日】2015年4月8日 申請日期:2014年12月26日 優(yōu)先權(quán)日:2014年12月26日
【發(fā)明者】劉斌, 郝玲玲, 陳倩茹, 井曉彤, 朱琛, 江乾峰 申請人:大連理工大學(xué)