文摘

多模态医学图像可用于观察组织结构显然在临床实践中。集成多通道信息,多通道登记是显著的。entropy-based登记一个结构描述符集适用于替换原来的多通道图像和计算相似表达相关的图片。登记的准确性和收敛速率取决于这个集合。我们提出一个新的方法,对数模糊熵函数,计算描述符集。很明显,该方法可以增加日志的上界值(r)记录(r)+∆(r),这样更有代表性的结构描述符集组成。实验结果表明,我们的方法具有更快的收敛速度和更广泛的量化范围的多模态医学图像注册。

1。介绍

多模态医学图像在临床实践观察组织结构显然很重要,例如MRI / T1, MRI / T2和MRI / PD图片。集成多通道信息,多通道注册是很重要的,在实际应用1,2]。

很难找到相关的多模态医学图像的信息,因为不同的加权属性。为了解决这个问题,许多研究工作试图找到潜在的基于强度值的关系。于是,互信息(MI) [3)已被广泛应用于多模态医学图像配准。2004年,Russakoff等人使用MI在医学图像配准4),虽然敏感实现决策以及小的收敛速度。2010年,Loeckx等人使用条件互信息作为一种新的相似度量在非刚性图像配准5]。然而,它有一个明显的缺点及时消费。有另一种方法来降低算法复杂度,模拟一个形态。这个需要一个描述符设置为继承结构或丰富的原始形态与其他形态的性格表达。例如,2008年,葡萄酒等。6)注册超声和CT仿真的超声图像。2013年,徐et al。7)注册CT图像与模拟超声波超声波图像图像,这有许多客观限制,精度取决于手册地标。我们感兴趣的一个通用结构表示,所以这些具体方法不适用。似乎普遍适应性和计算复杂度不相容的。然而,在2012年,什么和布8)提出了基于中间型人工形态描述符集。它既有一般适应性和低复杂性,这是本文方法完善。同年,海因里希等人计算的第三种类型思想形态的描述符集(9]。描述符适用于不同modality-group登记。然而,受到旋转变异强烈的旋转,将无法恢复。描述符需要能力形式表达的解剖特征。2015年,Oktay et al。10)提出了一个结构表示,训练有素的结构化决策森林,即概率地图边缘(PEM)。这种方法缺乏一定的泛化能力,这就需要人工干预调整参数和重复训练步骤。2016年,Simonovsky et al。11]应用深卷积神经网络(CNN)算法与连续的多通道图像配准和优化框架。经过训练的网络可以输出卷积描述符设置地址二进制分类之间的对齐和偏差,尽管它会导致一个巨大的迭代计算成本。2017年,曹et al。12)克服CT-MRI盆腔图像配准的问题,建立一个双向图像合成。合成方法的缺点是在其他图像模式的可行性,这限制了它们的临床应用。2018年,罗等人描述符向量计算基于一本小说variogram-based异常筛选方法(13]。然而,它关注的空间位置关系,忽略潜在的丰富。最近,在2019年,Bashiri et al。14]表示描述符集在高维空间中,通过拉普拉斯算eigenmap研究潜在的结构图像。非线性降维从流形空间会导致失去原来的潜在信息。自注册不同形式的医学图像更受到实质性的强度变化的影响,我们喜欢的方法是基于像素强度分布。

1.1。动机和主要贡献

在临床应用中,不同的形式有不同的重点。在这种情况下,一个普遍适应性的方法有意义多通道登记。另一种方法是将两种不同的形式转移到第三种类型人工模式与承载原始潜在信息。什么和布计算第三种类型形态由熵(8]。一个结构描述符集用于替换原来的多通道图像。它具有普遍性和较低的计算复杂度。然而,我们发现上述方法(熵函数)是只用于量化的不确定性范围有限的补丁。

我们提出一个对数模糊熵函数量化范围较宽,这就增加了上界值从日志(r)记录(r)+∆(r)。实验结果表明,我们的方法具有更快的收敛速度和更广泛的量化范围在多模态医学图像配准。

2。结构描述符集

描述符集是一个媒介来表达大量信息等原始图像的边缘,角落里,质地,和梯度。在本文中,每个描述符是由强度分布计算的,这是由当地的补丁。此外,我们发现描述符包含结构和丰富信息,丰富信息存在的形式量化的不确定性,然后结构描述符集包含这些描述符。这样的结构描述符集可以帮助许多图像处理任务。一个精确的结构描述符集可以表达的结构和强度分布信息,减少冗余数据,提高收敛速度的极值算法的价值。除了上面的三个优点,我们也同时将多通道图像转换为第三类形态。最后,在同样的方式,我们获得相似的值通过计算两个相应的结构描述符集的L1范数。

2.1。熵的图像

什么和布曾提出了一个结构表示基于熵的图像(8]。图像分为很多补丁,每个补丁都有其结构描述符。结构描述符应用于形成一个全新的形象,称为结构表示。在新的图像,每个像素都可以计算如下: 在哪里H熵的计算,我是图片,广场附近,需要吗x位置为中心l边长,结构描述符的值吗 。这种方法量化和熵的不确定性价值补丁。但量化范围只是从0到日志(r),需要优化。

2.2。介意描述符集

海因里希等人提出了思维方法(形态独立社区描述符多通道登记)(9]。局部自相似性的特点,用来描述结构信息。在这个描述符集,每个像素值计算如下: 在哪里r是附近的街区,D社区之间的相关性,n是归一化常数。每个职位x一个向量的图像将被替换的大小|R|当头脑操作执行。

3所示。测量功能的方法

本文的方法是基于强度分布。本质是要找到一个函数来计算描述符。每个描述符包含原始图像的局部信息,如强度丰富的当地社区。丰富信息存在的形式量化的不确定性价值附近。一些测量功能可以量化的不确定性。Buzug等人采用了严格凸函数,而不是香农熵(15]。随后,Pluim等人提出的F信息测量而计算互信息熵值的MI (16]。实验表明,这些F信息的登记结果测量(严格凹函数)可以模仿互信息,其中一些有较高的精度。这些研究证明,有些测量功能具有良好的性能量化的不确定性,熵函数等章节3.1和3.2章严格凹函数。

3.1。熵(M1)

香农熵的一个可能值随机变量“a”“a”定义如下:

当我们计算强度的变化,发生在相同的位置,图像梯度总是用于图像处理(17]。但是,这取决于相似值和不适合描述结构的细节。一个更一般的概念是量化内容或不确定性,类似地,开往无损压缩,如上所述,香农定理。熵函数最早源于热力学领域。它可以测量变量的不确定性信息。当有两个图像之间的十字路口,可以计算两幅图像的相关性 。上述理论来源于互信息MI算法(4]。

香农指出,不确定性的度量函数之前应该满足以下三个条件:(1)连续性条件:f( )应该是一个连续的函数( )。(2)单调性:在等概率f( )= 。 应的增加功能吗r。(3)可加性条件:当一个随机变量的值是获得从多个试验而不是一个试验,随机变量的不确定性在每个实验中应添加剂。

条件1和2意味着功能必须能够量化的不确定性信息。条件3是用于多个信息源。例如,我们测量每个事件的发生概率X如下:( )。每个事件的概率集合Y如下:( )。我们统计的熵联合信息来源X,Y =的熵信息来源的总和X和Y。 。

本文的目的就是要找到一个函数可以计算一个补丁的不确定性(即。,satisfy conditions 1 and 2). So, it is not necessary to count the joint uncertainty between any patches.

熵并不是唯一一个函数,它可以描述信息的不确定性。Wierman下研究了信息熵的不确定性度量粗糙集(18]。Duntsch和Gediga研究了基于知识粒度测量问题[19]。作为上海附近颗粒等人提出了几种不确定性措施,在社区系统良好的性能(20.]。黄和温家宝发现严格凹函数也可以计算的不确定性信息,讨论了熵和严格凹函数之间的关系(21]。魏等人讨论了基于模糊熵的不确定性度量系统(22]。在本文中,我们引入了其他三个严格凹函数未来实验(见3.2)。

3.2。严格凹函数

如果函数f(x)中定义的时间间隔我,有两个点x1,x2:对于任何λ∈(0,1)

根据严格凹函数的定义和性质,我们提出三个功能:(1) (2) (3)

f1 (x),f2 (x)严格凹函数的模糊熵。f3 (x)只是一个严格凹函数,而不是一个模糊熵函数。f1由德等人,叫对数函数提出了模糊熵函数(23]。f2朋友NR等人提出的函数,指数模糊熵函数(24]。四个函数的图像如图所示1。

3.3。从熵函数严格凹函数

定理1(见[25])。强度值 。根据熵函数的定义,它的范围 。对某些 ,如果 ,最低 。对所有 ,如果 ,然后最大 。

定理1说明了熵函数可以区分概率分布的分散。例如,一个单色图像包含最少的信息。及其强度概率分布在某一时刻,这证明(即集。、图像)包含最小的不确定性信息。因此,熵的最小是0。我们假设有256灰色的水平(r= 256)的形象。除此之外,在任何灰度像素的数量相等,和灰色图像满足均匀分布的概率分布。在这个时候,一组(即。,the image) contains the largest information uncertainty, and the maximum of entropy is 。

定理2(见[15])。如果f(x)是一个可微的严格凹函数f(x)广义次可加性。当 ,不平等是建立如下: 的变量x在函数f(x在医学图像配准)代表的概率,所以 ;公式(6)表明,具有最大的价值在哪里和最小值 , 。所以,可以表达的概率分布的测量。定理3时获得两个以上金额严格凹函数广义的总和r条款。

定理3。如果函数f(x)严格的广义次可加性, 表示灰度值的概率(我)图像中, 。然后测量的不确定性可以得到的最大价值 和最小值 。

定理2和定理3说明严格凹函数能辨别的概率分布。当概率分布的直方图更接近均匀分布,严格凹函数的测量值是最大的;如果分布集中在单个点,严格凹函数的测量是最小的。

3.4。利用对数的模糊熵函数

这个新功能提高性能通过扩展的量化范围补丁。通过数学推导,什么和布熵用来量化一个补丁,上界(8]。然而,对数模糊熵函数具有较好的对称性,它可以增加的上限来 ,在哪里 是各种学位的补丁;l是补丁的边长;n是图像的位深度;是单调递增函数的r。在大多数情况下,的大小和是根据性能的要求。无论在这情况下,对数模糊熵函数具有良好的性能在量化的不确定性。5.2和5.3的实验表明,模糊熵函数对数带来更快的收敛速度比多通道登记、熵和收敛速度会增加r增加。

对数模糊熵函数可以带来一个更有代表性的结构描述符集。首先,我们需要假设当概率在对数模糊熵函数,即 。这种情况意味着我们计算的补丁是一个单色的补丁,所以我们分配 。医学图像是由两个字节存储每个像素的位深度n(n≤16),所以不同程度的补丁 。当概率密度 ,补丁的不确定性价值可达上界。我们做个比较熵函数(M1),对数模糊熵函数(M2),指数模糊熵函数(M3),和严格凹函数(M4)表1。

我们比较两个函数趋于无穷时的速度:

曲线图表显示在图2。没有多少区别这两个函数曲线时r小于256。但在医学图像,r是超过256人。的不同程度上变得更大(例如, )增加;然而,不同的价值将在1所示公式(收敛8)。更大的上界带来更广泛的量化范围,例如,256年的灰度图像,M2量化范围比M1可以增加18%。因此,我们可以计算对数下更有代表性的结构描述符集模糊熵函数(M2)。

从理论上讲,对数模糊熵函数可以计算更具代表性的结构描述符集,因为更大的量化上界。但是,上界函数和早收敛在2.705和0.496。这意味着在融合之前,和可以量化图像的不确定性,但当吗r方法收敛值,上限不能增加r增加。

4所示。实验过程

图3显示了实验的过程,我们使用L1范数来计算年代。相似方程可以抽象如下:

最相似的图像一个和B发现通过使用空间的转换T和“疯狂”相似使用L1范数来衡量。我们的目标是找到结构描述符集 , 来代替一个和B。相似方程转化为

4.1。计算描述符集

一个补丁是由像素x作为一个中心,l边长。把图4作为一个例子,补丁Y81像素和边长度l= 9。我们统计直方图强度和强度的概率值代入四个严格凹函数。

米₁熵函数,米₂基于模糊熵函数对数,米₃基于模糊指数熵函数,米₄是基于正常的严格凹函数。我们更换(1与上面的四个函数和get ()12)。

它可用来计算的不确定性的价值Y由公式(12)。这个过程从原始到描述符集如图5。

据一想到什么,布8),一个图像分解成几个补丁,和相应的描述符的值计算了每个补丁熵函数。在本文中,我们想改进的量化范围描述符值的对数模糊熵函数和验证之间的关系量化范围和收敛的速度。对数模糊熵函数和其他严格凹函数已经3.2 - -3.4章中讨论。

4.2。加权和补丁

如果两个补丁有相同的强度值直方图,但结构是不同的,它会导致相同的描述符的值,如在图6。区分这种情况下,我们报价高斯权重和加权(图修改7从原始作者的文章()8]。有一个空间权重函数 。将重量分配给每个补丁的位置,柱状图更新变化

高斯加权公式是 。修改后的高斯权重没有对称与前者相比。在实验中,这两个权重提高计算机的性能描述符的值。它能反映当地的每个点的特异性,与此同时,保持原始图像的结构信息。结果如图8。

5。结果与讨论

5.1。实验结果的结构描述符集

我们使用的所有描述符的值更换x的位置。结构描述符设置如图9:

在图9,三种不同的模式变成了第三种类型人工形态,在这种形态下,我们发现他们保留原始图像的结构信息。结构描述符集计算四种测量功能。第一行是由于在MRI / T1形态;第二行是由于在MRI / T2形态;第三行MRI / PD形态下的结果。每一列的集合结构描述符计算下相应的测量功能。这些结构描述符集计算的补丁 ,在哪里l是7。

在图10,我们改变边长l的补丁l= 3、7、11、15、19日计算结构描述符集的变化。结果表明,图像变得模糊l增加,高斯模糊也有类似的效果。从结构上看,越小l,越充分的细节。然而,据统计,越小l是,重复的值将获得更多的因为重复的概率分布将得到更多。越大l是,更准确的值会因为重复的概率分布的现象会大大减少。我们检查像素值在图10T1-M1 (l= 3),有很多重复的值。另一方面,考虑局部噪声的影响,这一大片有很强的抑制能力的影响。

5.2。反旋转实验改变块的大小( )

在图11,我们验证补丁的大小和收敛速度之间的关系。我们选择从3补丁的大小3 - 1919日和上限变化补丁的大小变化。在这个实验中,我们使用熵函数(M1)和模糊熵函数对数(M2)同时进行。冲和坚实的曲线表明,收敛的速度极值随补丁大小增加。为每一个颜色(即。,我nthe same patch size), the solid curve is faster than the dashed curve. In this experiment, we keep one image fixed, and the other one rotates along the centre from -25 to 25 degrees. At each angle, the similarity of the two images is measured by M1 and M2. We obtain these data sets from DICOM Library (https://www.dicomlibrary.com)。在这个数据集,有两种不同的磁共振成像模式。图像大小是512512年,由13个有效存储深度。有47层在每一个形态,所以每个曲线平均结果47层的两种不同的形式。

当 ,根据表1M1和M2的上界 ,其中每个上界与补丁大小单调递增关系。这个实验证明了M2函数更快收敛速度比M1的小补丁。它能满足减少代码运行时间的要求与小的补丁。

5.3。反旋转压缩实验的有效位深度( )

在图12时,我们验证M2的性能函数强度位深度n减少从13至7。这一次,我们选择块大小为6565年,因为它可以包含丰富的品种。在这样一个大补丁大小,上限会改变随着位深度的变化。根据图2两个函数的上界的差异将会增加不同程度增加。这意味着,M2函数的结果比M1啤酒位深度函数的结果。有两种不同的磁共振成像模式。每个通道都有47层图像,每一层都存储在512年512年,两个字节,13(即有效位。位深度n13)。所以,我们做一个实验减少一些深度n从13到7。他们是平等的压缩强度降低到1/64,1/32,1/16,1/8,1/4、1/2的原始图像。

我们认为一对颜色一组实验中,它包含一个虚曲线(M1函数)和一个坚实的曲线(M2)函数。不同的颜色表示不同的位深。例如,红色对原始图像,蓝色的一对使用12个有效位;绿色对使用11个有效位;青色一对使用10有效位;红色对使用9位有效;黄色的一对是使用8位有效位,和黑色对有效使用7位表达形象。每个曲线的平均结果47夫妇,和每一对情侣图像包含两种不同的形式。我们计算相似度时旋转一个形态图像中心的其他形态图像从−30度到30度。

图12显示,位深度减少(从13到 ),收敛到极值的速度会降低。无论什么是位深度,M2函数可以带来更快的收敛速度比M1函数量化的不确定性。有一些差异在最低部分比较图12与图11。最低增加的位深度减少,导致M2的标准差大于M1曲线曲线,特别是当位深度大。红色和黑色两曲线证明M2函数可以量化的价值更大范围的不确定性,从而带来一个更有代表性的结构描述符集。这个结构描述符集快速收敛的关键。

5.4。Modality-Group相似实验刚性变形

这个实验的目的是验证算法的灵敏度。片间距减少,很难区分相邻切片,从而导致许多多模式相似度算法的偏差。来验证我们的方法的验证,我们执行modality-group相似实验4种不同的方法:(1)该方法在8)利用熵函数(M1)图像,(2)使用拉普拉斯算子方法在流形学习方法(14),(3)多通道与互信息登记(MI) [4),(4)传统方法与平均绝对差异(疯狂)。上述实验结果说明了在桌子上2- - - - - -4。

最后,我们评估的性能之间的关系这四个函数条件下的长度l= 15,Parzen-window估计,和修改权重。这个数据集http://www.bic.mni.mcgill.ca/brainweb/。它包括三种形式:T1, T2,和PD。大脑图像我们选择先生BrainWeb包含3%的噪音和20%的强度不均匀性。有177图片,三种模式,我们搜索一个图像的形式,然后遍历所有剩余的图像形态。我们通过小组实验进行比较,以反映M1的优越性,M2, M3, M4。所有的数据集都提供标准的一致性。每个数据集是注册在每个函数的177倍。实验过程如图13。

蓝色的点从左向右移动,每个操作我们计算177x值(即相似值)。找到最小值来判断,如果极值位置( )是对应于给定的原始图像位置( )与否。每个数据集的地面真理可以在下载数据集。它可以是我们的参考标准状态与我们的实验结果比较。我们将比较的结果分为3个层次在容许的误差。如果位置距离满足 ,它被称为正确的偏转;如果 ,它被称为左偏转;如果 ,它被称为零偏差(最佳匹配)在图14。这意味着,极值位置应该相同或接近另一个模态的位置。PD形态没有。3层作为一个例子,我们找到最相似的图像与PD T1模态的模态。如果结果不属于任何一个。2、3、4层,我们认为这些结果在合理的误差范围。如果2−3 =−1,它使一层向上级;3−3 = 0,它不改变任何层;最后3−2 = 1,它将对下一层。如果 ,这意味着注册失败。所以,结果如表所示2- - - - - -4。(r;我离开;D-deflection;时;p概率;z0。例如,LDN缩写“左偏转数字”和= RDN + LDN + ZDN)。我们做实验的每个方法的177倍。

根据表中的结果2- - - - - -4ZDP有更严格的限制和可能性。平方米,ZDP部分可以达到92.66%,而M1只能达到84.16%。MI,它有一个轻微的偏转的趋势,这使得LDN RDN达到15和12个,分别。多方面的学习,它有一个类似的结果与MI LDN RDN。疯了,这是最糟糕的方法modality-group实验。ZNP和概率和疯子只有达到2.26%和24.86%,分别。

M2方法相比,可以看出,该方法有更少的RDN和LDN数量,这意味着有更强的能力来区分邻片。结果证明,疯狂的方法不适合计算原始的多通道图像的L2范数对,特别是在M1-M2组。

5.5。Modality-Group相似实验非刚性的变形

Brainweb数据库,我们在每一对变形一个图像变形d_g视为地面真理。然后,我们估计变形d_c通过注册不同形态的变形图像,另一个图像。我们计算的平均欧几里得差异变形计算的残余误差登记。

在表5可变形的登记,M2的配置方法是:2525块,16箱,修改Gaussion权重,当地的正常化,Parzen-window估计和对数模糊熵核心功能。可以看出,M2最低3组登记错误。M1(熵)的结果图像相媲美,而疯狂的不执行。

为了测试我们的方法在非刚性形变的影响,我们使用腹部MRI-T1和MRI-T2的形象。图像的大小是384384年,一个像素存储为12位。结果如图15。在每个方法中,我们使用一个共同的切片(T1形态)作为固定的形象,和其他相应的片变形到200年手动扭曲操作,比如TPS或仿射。在这些许多固定的变形,我们使用5方法(M1, M2, MI、歧管凌和疯狂)找到最相似的变形图像。他们最相似的结果显示在图的注册(T2)行15。我们可以看到,M2在挡板的图像融合方法具有更好的性能。

5.6。翻译实验

翻译在接下来的实验中,我们比较了性能的M2与M1(对数模糊熵函数)(熵函数),MI(互信息),和疯狂的(L1范数)。转化的实验结果图中可以看到四个方法16。

两个图片是翻译的x和y轴在−40、40度,相似度值计算了四种方法为每一个学位。M1平方米,疯了,结果更接近于0,我们获得了更强的两幅图像之间的相关性。MI,结果更接近于1,我们获得了更强的两幅图像之间的相关性。可以看出从M1 M2的曲线的平滑度和MI比生气的稳定性。MI显示一个顶点时的翻译区别是间隔(−20、20)和系统相对比较敏感。但在[40−−20]∪(20、40),该方法MI不在我们的期望,因为两幅图像之间的相似性不能区分清楚。

5.7。运行时间

最后,我们测试100次实验的平均时间在正常注册。我们选择Parzen-windows估计,修改权重,在实验和11×11块大小。运行时间表如表所示6:

我们使用MatlabR2016 (b)在一个正常的配置环境中运行代码(这个过程是描述符设置为L1范数注册)。从表6,我们可以看到M1-M4的时间短于疯了,这证明了使用结构描述符集计算L1范数相似比直接使用原始图像更有效率。此外,M2函数运行时间最短的。

6。讨论

我们提出了对数模糊熵函数有一定的贡献“多模式转换成第三形态。“在这个过程中,量化补丁的能力尤其重要。在图2,我们可以看到,我们的函数的上界大于原来的功能,特别是在大强度水平,如医学图像,它可以给我们带来一系列量化。在刚性和非刚性的登记实验中,该方法具有良好的性能和一个出色的灵敏度测量相似。关于3 d,这是不可避免的,会增加计算成本随着维度的增加从2 d到3 d;然而,这不是我们的方法担心,因为这不是一个复杂的工作估计PDF(概率密度函数)的3 d补丁。然而,在本文中,我们的方法来表达丰富的2 d补丁1 d数字量化的不确定性。从这一观点,我们的方法将失去位置信息,所以我们把它修改在4.2章Gaussion权重。如果我们应用该方法在三维情况下,量化过程将从3 d 1 d暴跌。除此之外,没有合适的三维重可以抵消位置信息。因此,这种方法没有3 d多通道图像配准的鲁棒性。

7所示。结论

本文主要关注使用结构描述符集(第三类人工形态)执行的L1范数多通道登记。我们建议对数模糊熵函数在计算结构描述符集。通过数学推导和实验结果,这比熵函数更适合在多通道登记。我们也尝试了其他两个严格凹函数,如M3, M4,但是他们的表现更糟,因为他们的上界曲线。

当我们量化一个补丁的价值由其强度分布、对数模糊熵函数的优点如下:(1)在数学上,它可以把一个大的量化范围。(2)实验,它可以带来更快的收敛速度曲线相似。

根据实验在5.4到5.6章,我们提出的方法是一种有效的评估方法多模态医学图像的相似性。它有以下优点:(1)低计算复杂度,从核心功能到L2范数的过程。(2)普遍的适应性,可以工作在任何形态。(3)精度高,具有较强的分辨能力相似的片。

这个算法有着明显的影响,当医学图像存储的高效深度。因为量化范围的上界是单调,各种程度的功能r增加。避免重复值具有相同的强度分布不同的补丁,补丁的大小将尽可能大。然而,补丁的大小不仅影响相似度值的收敛率也运行时间;一个大补丁可以增加运行时间。理想情况下,我们想要的和是平等的。但在实践中,块的大小取决于许多因素,比如原始图像大小、有效位深度,噪音,运行时间的要求。无论大小,对数模糊熵函数是一个很好的选择在“多通道转移到第三种类型形态“医学图像配准。

数据可用性

数据链路可用:大脑网络(http://www.bic.mni.mcgill.ca/brainweb/)DICOM库(https://www.dicomlibrary.com)。

的利益冲突

没有利益冲突有关的出版。

确认

这项工作是由吉林省科技发展计划,中国(号。20170204031 gx 20180201037科幻,20190201196 jc和20190302112 gx),中国国家重点研发项目批准号下2017 yfc0108303,吉林省科技发展计划,中国(2018号c039-1)。