文摘

青光眼是一个主要威胁,它影响视神经导致永久失明。青光眼的主要原因是高压的眼睛,家族史,不规则的睡眠习惯,等等。这些原因导致青光眼,和这样的疾病会导致严重损害的影响内部视觉神经系统和受影响的人将会在几个月内永久失明。这种疾病的主要问题是无法治愈的;然而,感情阶段可以降低,相同级别的效果能保持长时间的,不过这可能只是在早期阶段的识别。这青光眼导致结构性影响眼球和估计的原因是复杂的常规诊断。在医学术语,杯盘比(CDR)是青光眼患者突然减少,导致有害的伤害一个人的眼睛严重的方式。识别青光眼的一般方法是将光学相干断层扫描(OCT)测试,它捕捉眼球的发现部分(背后),它是一个有效的方法来可视化与视神经的可见性的不同部分的眼睛显示清楚。10月图像主要是用来识别青光眼等疾病与适当的和健壮的精度水平。在这项工作中,介绍了新方法来识别青光眼在早期阶段,称为深度优化机器学习策略(DOMLS),它适应新的优化逻辑称为改良k - means优化逻辑(MkMOL)提供最好的结果的准确性,该方法保证了准确性水平超过96.2%的至少0.002%的错误率。 This paper focuses on the identification of early stage of Glaucoma and provides an efficient solution to people in case of effect by such disease using OCT images. The exact position pointed out is handled by using Region of Interest- (ROI-) based optical region selection, in which it is easy to point the optical cup (OC) and optical disc (OD). The proposed algorithm of DOMLS proves the accuracy levels in estimation of Glaucoma and the practical proofs are shown in the Result and Discussions section in a clear manner.

1。介绍

青光眼是冷静的杀手的视野;这是由于眼内引起眼压。青光眼降低视力的一般原因,慢慢地它会导致永久性视力丧失,它被认为是世界上第二位眼睛视力丧失的角度和失明1]。世界卫生组织报告的分析,患有这种疾病的人数在2022年将达到近8000万人。总的来说,眼睛的光学神经向大脑传递视觉信号和内部还有数以百万计的其他神经区域和伤害效果可能会促使光盘的主要缺陷,也称为Optical-Nervous-Head,最后它会引起视觉的不幸。青光眼在起始时间没有副作用和视觉疾病所造成的不幸是不可逆转的,早期识别其次是治疗限制迹象是至关重要的。为了10月注意眼球结构使用,是通过各种方法计算购买图片,检眼镜是直接利用光学神经系统的评估,和间接的评估是通过显微镜的功能(2]。青光眼可以根据各种评估,确定具体形态以及nonmorphologic特性测量。测量光盘,光杯,neuroretinal边缘地区通过Inferior-Superior-Nasal-Temporal(不是)规则启用决心通过形态学组件提取过程。视网膜神经纤维层(RNFL),视神经盘旁萎缩(PPA)和血管破产nonmorphological特性估计(3]。电脑10月阴影图像的产生过程的发现青光眼是财务精明与其他方法相比之下;即光学情报和海德堡视网膜断层扫描(HRT),所以,10月提出的分析,利用图像识别光盘和杯子对青光眼的测量。调查的视网膜图像,光圆的位置是一个新兴的部分(4- - - - - -6]。

1.1。青光眼的类型和规格

青光眼可以分为四个不同的类型:开角青光眼,闭角型青光眼,继发性青光眼,童年青光眼。所有这些类型都是有害的,导致严重损害人类眼睛对系统的原因和导致永久失明的阶段。以下总结详细说明了各个阶段的可视化与适当的规范。

1.1.1。开角青光眼

眼科疾病类型的一般形式是开角青光眼;它是一种常见的类型发生眼球的角膜区域,虹膜的国家保持开放。这将引起严重的内部压力突然眼睛和眼睛的压力,它会导致视神经损伤。这个场景让眼睛nonvisualized模式以缓慢的方式,所以逐渐发生之前可能会失去视力甚至被注意的一个问题。图1展示了模块化的开角青光眼,水平的效果是增加缓慢,导致严重影响内部区域没有任何有害的症状(7,8]。


图1
开角青光眼。
1.1.2。闭角型青光眼

青光眼的第二种形式是角的形式,也叫闭角型青光眼。这种情况发生在角膜膨胀。图2展示了模块化的闭角型青光眼,流体内部区域的水平的眼睛锁和后期效果严重有害(9]。


图2
闭角型青光眼。

基于视图的图,闭角型青光眼的可视化是清楚地看到,因此,眼睛液体不能通过眼睛和紧迫的因素增加。几人紧张的渗漏点,把它们在扩大闭角型青光眼的危险。闭角型青光眼发作时可能发生的或稳定和急性尖角青光眼是一个健康危机10]。

1.1.3。继发性青光眼

在典型应变青光眼,视神经成为伤害尽管一个人的眼内压是普通的,并没有人知道这背后的特定目的。它可能有一个微妙的视神经或它可能更少的血液提供给人的视觉神经。这种限制血液可以带来的动脉粥样硬化:脂肪点供应路线的发展或不同的条件,使虚弱血液流动。青光眼的这种情况被称为继发性青光眼。图3展示了模块化的继发性青光眼。


图3
继发性青光眼。
1.1.4。儿童青光眼

是可行的婴儿和孩子在早期青光眼和很好可能发生从出生或被创建在最初没有多少长时间的生活。光学神经系统损害可能带来的垃圾堵塞或基础疾病眼睛区域。图4显示了模块视图儿童青光眼。


图4
儿童青光眼。
1.2。数据总结

该建议的方法采用实时修改青光眼疾病数据集与多个OCT图像模式的存在与协会的几类和相应的标签绑定到类(11,12]。每一个类标签显示不同类型的青光眼疾病组合和青光眼约束分类可以很容易地确定适当的预测原则。图5显示10月青光眼病图像的不同观点与适当的标签从“OCT-Glaucoma疾病积累了数据集。“在这个数据集,青光眼疾病正确分割图像没有主导背景环境和各自图像的清晰度是比较好的与适当比例的256×256像素的范围。青光眼疾病数据集的分割过程是系统的脚本和相关的数据集,它提供了足够好的自然和该方法将一个新的优化特征提取阶段总结的逻辑实现估算用色范围,图像的亮度和饱和度的关键点青光眼病的形象。处理的手段之一也允许我们毫不费力地解决颜色铸造,这被证明是非常坚固的一部分数据集的子集,因此消除另一个可能的倾向(13,14]。这种安排的测试是为了理解如果机器学习程序真的学习眼科疾病的想法或如果它只是学习的数据集的内在倾向。图5显示青光眼疾病不同数据集的不同再现图像视图为一组任意选择的疾病类型。


图5
不同类型的青光眼图像可用数据集。

本文的其余部分组织如下:相关研究部分2;部分3详细说明了该系统方法与适当的算法流程和部分4说明了论文的结果和讨论部分,和部分5给出了结论和未来提出论文的范围。这些都将在进一步详细解释部分总结。

王等人提出了一个与青光眼相关分析基础上联合视网膜分割和分类过程。在这篇论文15],作者说明识别青光眼的早期提供了很多福利,以明确的方式拯救人类的视觉。该系统遵循提出与光学相干断层扫描(OCT)图像流,它是一个著名的数字图像格式确定视网膜疾病。这项工作的主要目标是分析眼科医生,它提供了最好的治疗青光眼疾病的一种有效方式,但逻辑诊断提供一种有效的治疗是很重要的。因此,本文提出了一种新的模式,称为Bidecision战略逻辑;它的目的是对深度学习的原则。本文筛选过程的图像是通过分析杯盘比和由此产生的测定提供了一个良好的精度比识别疾病的结果。最后,分类原则以视网膜神经纤维层厚度矢量信息和产量的可能性青光眼。在分类过程中,精心计划模块提出了实现分析青光眼的临床过程。这个策略是通过1004年收集的数据集比例OCT-B扫描分析从234年激烈的事情,在公共数据集的110 B扫描患者从10 diabetes-macular肿胀。本文的主要优势确定新的决定算法的应用被称为Bidecision战略逻辑,和青光眼疾病预测的准确性水平很高。

Fathima和Subhija提出一篇有关青光眼识别对眼底和光学相干断层扫描图像。本文作者说明,青光眼是主要原因,导致一个小时间内摧毁一个人的视野,这种效应会导致严重损坏的内部的眼睛。青光眼导致永久失明条件人民和世界各地的大多数人患有眼眼内压(IOP)。这种眼压的影响导致严重破坏的光学对大脑的神经系统相连接。这项工作的主要目标是设计一个新框架的认识和预测青光眼疾病对数字图像处理方案。作者指定几个方法可用在过去辨认青光眼疾病;然而,认同这样的实现的主要问题是耗费时间除了不规则的间隔迭代。为了避免这些问题,一个新的策略与强大的分类规范介绍了对支持向量分类器逻辑与多个类规范。这工作是应用于一个公共数据集和相应的数据集包含青光眼图片来自眼科诊所,没有青光眼,怀疑为青光眼。这个提议策略给出了精度90%,眼底照片为92%,10月视网膜图像的识别证明青光眼阶段是通过对比的后遗症视网膜眼底图像和10月的照片。 The major advantage identified from this paper is the application of K-Means Optimization Logic to optimize the digital glaucoma images with high contrast to estimate the affected regions easily with respect to the proposed classification logic [16]。基于图像的变化识别是通过使用古典形态过程识别(17]。

等人提出了一个论文青光眼相关识别使用机器学习原理对10月和眼底图像分析。在这篇论文中,作者表明青光眼是一种严重的原因和它需要确认10月初始阶段通过扫描过程。机器学习技术的应用给建议的方法和提高临时凑成约束识别这类疾病的一个好方式。在这种方法中,大约208个图像样本被认为是青光眼和149年的图像被认为是正常的眼睛。数字图像处理策略应用于这种方法处理这些图像和高度专注于开角青光眼的类型。这种方法利用卷积神经网络(CNN)的优势,提供高的效率结果。10倍交叉验证技术接受者操作特征曲线下面积的卷积神经网络0.940的阴影眼底图片,为视网膜神经纤维层厚度0.942,0.944黄斑神经节细胞复杂的厚度,0.949板视网膜神经纤维层偏差地图,0.952,黄斑神经节细胞复杂偏差地图。随机森林的逻辑整合五个单独的卷积神经网络模型提高了10倍交叉验证auc至0.963。机器学习框架描述精度比率,它能准确区分固体和青光眼依赖他们将照片从10月信息和阴影眼底照片,和框架应协助改善青光眼示范精度预测(18]。本文的主要优势确定卷积神经网络概念的应用程序来处理10月和眼底图像精度高值和精度水平达到适当的逻辑比率(19]。

3所示。提出系统的方法

本文提出的方法设计基于机器学习的双重战略原则等深度优化机器学习策略(DOMLS)和修改后的k - means优化逻辑(MkMOL)。称为DOMLS介绍了一种新的算法,集成了所有的数字图像处理约束在一起来提供一个有效的解决方案来识别青光眼疾病在视网膜区域和降低时间复杂度比一个好方式。拟议中的逻辑有助于识别青光眼疾病在早期阶段,并相应地提供适当的预测对机器学习策略。摘要associates许多技术在一起产生一个有效的机器学习和优化策略称为DOMLS MkMOL。基于以下数字图像处理关联识别青光眼疾病如下:图像采集和ROI选择、光盘分割过程中,色调,饱和度、亮度(HSV)飞机增强和优化逻辑协会和分类。下面详细说明所有这些细节。

3.1。图像采集和ROI的选择

输入图像采集过程始于10月从图像库图像的选择和选择感兴趣的区域(ROI)的过程取决于准确性的因素。ROI选择过程允许用户选择相应的输入过程进一步的特定区域。ROI的一般形成矩形格式的选择是,它很容易获得只有选定的部分和功能处理逻辑只适用于提取部分对提高结果的精度水平。算法1说明了图像采集和ROI选择的逻辑清晰地通过适当的伪代码规范。

输入:10月图像进行处理。
输出:返回ROI分割部分。
步骤1:清除所有缓存图像和积累的输入图像各自的系统。
步骤2:定义变量来获取图像夹杂物与特定的格式。
步骤3:使用函数读取图像称为“imread”得到输入图像到第2步创建的对象。
步骤4:作物所选择的OCT图像通过图像裁剪功能称为“imcrop”。
步骤5:向用户显示图像的裁剪部分从噪声自由选择各自的ROI区域形象。
伪代码:
清楚all_cache;
[F_name, p_name] = UI_get_file [{” 。jpg; 。png; 。“}”tif Image_File_Formats”);
Def I = imread (p_name F_name);
I = imresize(我,(256 256));
= imcrop(我);img_show(出);
步骤6:分析了红、绿、蓝(RGB) ROI的颜色部分选择和图像处理。
伪代码:
Red_plane = (:: 1);Green_plane = [:: 2];Blue_plane = [:: 3];
步骤7:情节所选部分的用户视图识别和验证。
伪代码:
次要情节(1);image_show[出];image_head(“投资回报率”);
次要情节(2);image_show [Red_plane];image_head (“Red_Palne”);
次要情节(3);image_show [Green_plane];image_head (“Green_Plane”);
次要情节(4);image_show [Blue_plane];image_head (“Blue_Plane”);
ROI_img =图像(Red_plane, Green_plane, Blue_plane);
步骤8:返回选中的ROI图像进行进一步的处理。
伪代码:
返回ROI_img;
算法1
图像采集和ROI的选择
3.2。光盘分割过程

分段的光盘是一个重要的和基本的进步在套管的参考光学诊断神经系统关联,例如,青光眼。通过这种方式,一个坚实的光盘分割过程是至关重要的光学神经系统程序筛选的违规行为。原则的承诺,本文引入一种新颖的光盘部门过程依赖于积分顺序过程限制了光盘镜像。防止静脉干涉顺序循环,防止神经干扰连续旋转,绘画技术。也是一个重要的承诺是包括决定在眼科医生的品种区分光盘限制和诊断青光眼。绝大多数的过去的总结和调查准备,只依赖于一个评估,可以认为是片面的眼科医生。而且,适当的圆盘分割结果会导致更高的准确率并提供迭代低水平的结果。算法2说明了光盘的逻辑分割过程清晰地通过适当的伪代码规范。

输入:ROI提取图像的算法1。
输出:返回图像分割与特征有关。
步骤1:创建一个对象名为“即时通讯”,读了ROI提取图像。
伪代码:
我= Red_plane;
步骤2:创建2独特的对象命名的氯和cl3”和积累的绿色和蓝色飞机值。
伪代码:
cl = imclose (im, (9));
cl2 = imclose (Green_plane (9));
cl3 = imclose (Blue_plane (9));
步骤3:积累的系数三个平面为各自的数组变量。
伪代码:
公司(::1)= cl;公司(::2)=氯;公司(::3)= cl3;
步骤4:估计图像锐化对创建系数。
伪代码:
C2shap =有限公司;C2shap (:: 2) = 200;
ImShar = imsharpen (C2shap);
步骤5:基于第4步分段锐化图像。
伪代码:
定义Img_Segment;
Img_Segment =段(公司{1 1 1})[ImShar];
步骤6:将光盘分割图像HSV平面增强阶段。
伪代码:
返回Img_Segment;
算法2
光盘分割过程
3.3。色相、饱和度、明度(HSV)飞机增强

在红、绿和蓝色阴影模型提到的色调处理人工视觉框架,HSV颜色模型相比,人类的颜色相似的印象。摘要RGB向量的投影在RGB颜色空间发现,它从彩色数据隔离nonchromatic。投影是操纵等于色相和饱和度的HSV空间阴影RGB颜色部分。它把人类的psychovisual思想分离的HSV颜色空间分成生理visual-based RGB空间的想法。的知觉,而不是总体评估,可以想见,单独的颜色取决于人类识别之间的直接数学RGB颜色空间。这将打开更多的机会在众多领域的彩色图像处理,特别是Glaucoma-based领域的图像处理方案。算法3说明了HSV模型的平面图像增强功能详细施工过程与适当的伪代码规范。

输入:从算法提取图像特征3。
输出:增强图像HSV特性。
步骤1:创建四个单个对象称为hsv, h, s和v,它获得的hsv值从RGB图像转换功能。
伪代码:
hsv = rgb2hsv (ImShar);
h = hsv (:: 1);s = hsv (:: 2);v = hsv (:: 3);
步骤2:显示所有通道的值到用户透视图。
伪代码:
图();次要情节(1);img_show (hsv);
次要情节(1);
img_show (v);
步骤3:旋卷的图像特征对“adapthisteq()均衡器。
伪代码:
v = adapthisteq (v);
步骤4:创建一个对象称为“Disc_Image”存储的串联值HSV比例。
步骤5:加强图像的比例,显示给用户。
伪代码:
cEnhance = 0(大小(h, 1),大小(h, 2), 3);
cEnhance (:,: 1) = h;cEnhance (:: 2) = s;cEnhance (:,:, 3) = v;
img_show [{hsv Disc_Image cEnhance}];
步骤6:为优化增强平面图像。
伪代码:
返回Disc_Image;
算法3
HSV平面增强
3.4。优化逻辑协会和分类

DOMLS适应新方法的提出方法的优化器称为改良k - means优化逻辑(MkMOL),优化器执行基于集群的青光眼的图像优化。本文基于集群的方法是利用的必要性,因为获得更高的精度范围误差率较小。最好的优化结果将聚集在每个级别的集群每组青光眼的注意事项和矢量点图像视为一个全球均值和相应的过程。一般的k - means聚类逻辑是增强在这机器学习过程和提高精度通过添加一些新的隆起和塑造性质。算法4说明了提出的逻辑流程优化过程和场景表明双重优化流对HSV构造图像,以便增强形式的k - means逻辑是操纵在这种方法。HSV的结构化形式图像重建是基于集群地区最好的结果和当地的优化特性的过程将提高预测结果的质量。这些区域将由使用分段划分原则。这些分段青光眼分类模型识别图像特性,过程匹配优化地区基于训练集,并产生精确的分类总结DOMLS对建议的方法。

输入:获得HSV飞机从算法增强图像的特性3。
输出:分类结果精度比。
步骤1:创建一个对象叫cform存储RGB颜色实验室库函数。
步骤2:应用图像增强比创建对象cform在步骤1和存储到名为lab_hsv的新对象。
步骤3:启动双卷积过程优化lab_hsv的层。
步骤4:确定行和列的数量呈现到双重复杂的关于lab_hsv cform对象。
伪代码:
cform = make_c_form (“srgb2lab”);
lab_hsv = apply_cform (c_Enhance cform);
ab =双(lab_hsv (:,: 2: 3));
n_rows =大小(ab, 1);
n_cols =大小(ab, 2);
步骤5:重塑生成的行和列矩阵并将其存储到对象称为ab。
伪代码:
ab =重塑(ab, n_rows n_cols 2];
步骤6:定义一个名为ncolors并分配常数的变量值。
伪代码:
ncolors = 2;
步骤7:创建一个集群索引颜色范围,行和列索引比,欧几里得的规范和相关的复制。
伪代码:
[cluster_index, cluster_size] = enhancekm (kmeans [nColors ab,“距离”“sqEuclidean”,“复制”,3)};
步骤8:重塑图像索引的基础上,创建集群索引值(步骤7)基于定义的矩阵。
步骤9:分配各自的标签生成的像素对RGB颜色索引方案。
第十步:由此产生的图像显示给用户。
伪代码:
pixel_labels =重塑[cluster_index、n_rows n_cols);
Pixel_labels =∼[Pixel_labels > 1);
img_show [Pixel_labels];
步骤11:Rasie分类原则交叉检查完成图像到数据集的特性检查给定的图像被认为是青光眼与否以及准确性枚举通过法律生成的分类处理。
伪代码:
检查输入数据集(pixel_labels = = (k));
segmented_images {k} =颜色;
12月Acc_enum = str2num ({segmented_images {k}});
步骤12:显示分类图像分类和提高警惕显示测试图像是青光眼或不适当的精度水平。
伪代码:
img_show (segmented_images {k});
返回Acc_enum;
算法4
优化和分类

4所示。结果和讨论

在这个描述中,提出方法的实证分析深度优化机器学习策略(DOMLS)详细地讨论与实践证明。本节证明了分析青光眼眼球的分效率对改进的优化策略。10月工作启动的选择对图像分割数据集训练阶段,双卷积算法。所4,提出了MkMOL优化和分类标签标记。一旦这个过程完成,测试过程启动,输入测试图像将被处理根据同样的规范遵循训练阶段。在这个测试阶段,单一的图像需要处理和产生的输出是根据训练集的图像及其分类标签。整个过程估计显然证明了性能比和测量青光眼部分完全从给定的输入并产生相应的结果正确的时间表估计。提出了优化方法的精度和性能措施MkMOL估计的总体时间过程与青光眼疾病识别效率实时临床环境。整个编程和分析是由使用专门的数字图像处理工具,称为MATLAB和由此产生的单位以罚款的方式正确累积。表1说明了经典算法比较和精度估计对神经纤维层(NFL),神经节细胞层(GCL)、内网状层(IPL),内部核层(INL),外网状层(OPL)视神经层(筒)和视网膜色素上皮(RPE)。

表1
公共数据集比较视图retina-layer系数。该方法的观点是大胆的。

以下数据和估计证明结果的准确性提出了方法以及详细的性能水平。此外,建议的方法的结果,DOMLS证明结果精度水平的96.2%。图6说明了输入图像采集和感兴趣的区域选择的过程。

(一)
(一)
(b)
(b)
图6
(一)输入图像和(b)的选择。

图7显示了提取ROI的视图部分从输入图像和视神经盘视图在comparson更清晰的图6。提出的优化模型改进的k - means优化逻辑清楚地说明了基于HSV平面增强模型视图如图7(一),它显示了选择的ROI图像的一部分,以及提取红、绿、蓝色的飞机。的船只从图中删除7(一)和实际生产图7 (b)以可视化的方式。

(一)
(一)
(b)
(b)
图7
(a)通过适当的HSV平面分段ROI部分增强视图和(b)血管增强合成类固醇和HSV平面视图删除。

图8说明了该方法的磨图像视图模型与颜色增强的尖锐部分青光眼形象的一部分。图像均衡器逻辑应用于k - means和临时凑成优化逻辑的经典模型精度的提高达到最好的结果的结果和产生的结构如下所示。

(一)
(一)
(b)
(b)
图8
(一)尖锐的形象。(b)增强图像均衡化和颜色。

图9说明了HSV颜色转换图像视图模型的方法,它可视化的色相、饱和度、明度(HSV)平面磨边的增强部分青光眼的形象。下面的图片显示了真正的部分的输入图像增强和照明部分的图像和颜色增强部分以明确的方式输入图像。


图9
基于HSV模型图像增强。

图10说明了基于集群的图像视图模型的方法,在可视化对象提出了集群和模型创建的图像,和对象表示显然是如下所示。


图10
集群与青光眼图像对象视图。

图11说明了不同比例的平面图像视图包括矢量变换,在可视化的绿色平面视图中,增强平面视图和提出的逆变换视图的方法。指定的转换逻辑灵感来自经典配方基本转换算法。


图11
集群与青光眼图像对象视图。

图12说明了该方法的杯盘分割区域和由此产生的警告框提升检测警报以及提出优化和机器学习模型的精度指标。


图12
杯区域分割结果的准确性预测。

图13说明了该方法精度水平的图形的角度估计对一些古典文学的比较视网膜功能。这些图形估计获得来自不同过去的研究总结,总结的观点显然提到中指定的表,表中1。


图13
分析公共数据集retina-layer系数对过去的研究总结。

5。结论和未来的范围

在这篇文章中,一个先进的机器学习算法称为深度优化的基于机器学习的策略(DOMLS)青光眼疾病检测策略实现,结果取得了成功;和所有生成的场景进行了分析与实验证明。拟议的系统仿真是使用机器学习策略实现MATLAB工具和最高的准确性达到96.2%左右的范围,以及由此产生的截面图;图12给出了证明。显然分割部分提取影响区域的区域感兴趣的选择过程和结果图;数据6和7说明与实际的证据。色彩饱和度结果也完美,以及由此产生的图;数据8和11说明与实际结果证明场景。本文利用新的优化逻辑的优点,实现模型的算法构造新和提及给出明确的算法4。特征提取和分类过程在该方法有很好的精度的结果。的建议的方法对MkMOL DOMLS证明青光眼疾病检测的效率问题以明确的方式,以及由此产生的节清楚地说明了分割和分类的过程的过程。显然对所有提出的结果说明了算法的效率和更有效的和细处理精度水平的96.2%

在未来,可以扩展或修改通过添加深度学习原则培训阶段对各种数据集的识别预测任何类别的青光眼疾病在一个有效的方式,包括一些更多的时间相关特性,新提出的优化方案称为改良k - means优化逻辑来实现良好的精度水平的98%左右。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

信息披露

这个手稿已经公布的预印本研究广场(https://www.researchsquare.com/article/rs-559074/v1)。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。