文摘
计算机断层扫描(CT)是一种常见的肝脏形态诊断、治疗和后续过程。提供精确的肝脏使用CT图像分割是这些任务的一个至关重要的一步。在本文中,我们提出一个堆叠2-U-Nets模型与三种不同类型的跳过连接。该连接工作恢复高层的损失特性的卷积路径首先U-Net由于池和低级的损失特性第一U-Net upsampling路径中。跳过连接连接的所有特性生成本级从以前的输入路径的卷积层在两个路径第二U-Net紧密连接的方式。我们实现两个版本的模型与不同数量的过滤器每一层的每个U-Net最大化之间的骰子相似性预测肝区和地面真理。拟议的模型训练与3 dircadb公共数据集被释放的条子和3 d肝脏和肿瘤分割挑战MICCAI 2007 - 2008期间的挑战。实验结果表明,该模型比原U-Net 2-U-Nets变异,并与先进的mU-Net、直流U-Net和级联UNET。
1。介绍
肝脏是人体最大的实质性器官。它维护重要的解毒和新陈代谢等生命活动。计算机断层扫描(CT)是一种常见的方式来检测肝脏和肝损伤。肝脏分割是重要的治疗计划的制定和跟踪治疗效果的评价。手动分割容易出错且耗时,肝脏自动分割方法都已经被广泛地研究过了(1- - - - - -3]。
肝脏分割仍然是一个挑战性的任务,由于器官的形状和大小的变化和类似的强度值在邻近的器官和组织,如心脏、胃、肾脏和腹壁。另一方面,肝脏在代谢过程有至关重要的作用;因此,必须执行一个快速、准确诊断任何疾病。此外,由于不同的医学影像技术的提高,重点是放在非侵入性诊断方法的应用,在执行一个痛苦,侵入性检查(如活检)。不同的肝脏疾病,肝癌是2018年全球第五大常见癌症,据世界卫生组织和其他(4- - - - - -7]。因此,需要不断的努力开发高效、自动分割方法,它可能支持诊断过程和促进治疗决策。
肝脏分割任务介绍了挑战许多会议,例如,MICCAI 2007年MICCAI 2008和2017位ISBI。在这些挑战,3 dircadb1并分割数据集介绍了培训和评估的方法。现有的肝脏自动分割方法分为两类:基于像素或图像分割和学习分割。阈值、区域生长、边缘检测和图像切(8- - - - - -10)的一些常用的图像分割方法,它直接段图像灰度级,质地,和梯度。他们中的大多数鲁棒性较低,容易或细分下,和对初始种子选择敏感;因此,需要一个复杂的预处理。因此,近年来,这些方法很少用于肝脏分割,但通常作为其他方法的后处理。
上优于分割方法包括统计模型,传统的机器学习方法,深度学习的方法。监督学习方法pixel-wise二进制分类通常执行比基于图像分割的方法,例如,统计模型(11),主动形状模型(ASM),主动外观模型(AAM) [9[],水平基于集合的方法12),和atlas-based分割13]。然而,传统的机器学习方法,如支持向量机(SVM) [14),和演算法15),依靠手工提取图像特征,这不是有效的,并受制于人类的偏见。相比之下,深学习方法提取图像特征自动基于大型训练数据集不引入人类偏见。
卷积神经网络已成为最先进的在许多领域尤其是对医学图像分析。U-Net 2015年推出电子显微镜的神经元结构的分割堆栈。它使用二进制crossentropy作为像素明智的分类、损失函数和计算能量函数由pixel-wise soft-max的最终功能映射结合crossentropy损失函数(16]。2-bridged U-Net提出了前列腺分割(17]。cnn和深度学习方法被广泛用于肝脏分割,需要大量的训练样本和preannotated面具地面实况。
分割过程通常受到物体的边缘。虽然在传统U-Net跳过连接有效处理边缘信息在某种程度上,与U-Net[仍有改进的余地18]。首先,U-Net架构重复低分辨率信息的功能。后池(即。,downsampling), low-resolution information of features passes on to the convolution layer in the next stage. However, this low-resolution information of features is transferred by the skip connection of the U-Net as well. Duplication of low resolution information may then cause smoothing of the object boundary information in the network, which is more critical in the case of fuzzy object boundaries [19]。U-Net架构的另一个缺点是,它可能不够估计高度特性高分辨率输入对象的边缘信息。U-Net使用跳过连接传输高分辨率信息;然而,高分辨率边缘信息不经过任何卷积层在跳过转移的连接。因此,更高层次的特征图学网络不包含足够的信息的高分辨率输入对象的边缘。因此,在传统U-Net高级特性提取比例从低分辨率的信息17,20.]。
介绍了许多新模型基于U-Net克服缺点的原始U-Net [16]。堆叠U-Net [21],V-Net [22,桥接2 u-net [23)U-Net的变体的例子。张、徐(24)添加了一个分离路径提取全局特征和局部特征分别通过减少的数量卷积渠道收缩和扩张的路径。这导致了一个更快的训练过程和改进的效率卷积核特征提取(24]。同时邻网络少数量的参数加速训练过程,它有一个有限的准确性(25]。U-Net也一直与其他传统集成注册和分割等技术条件随机场(CRF)部分肝脏肿瘤样本的数量有限(26,27]。基督et al。28)提出了一种级联CNN在2 d与3 d密集的CRF后处理步骤,实现更高的分割精度同时保持低计算成本和内存消耗。Albishri et al。29日)级联2 U-Net,一个用于肝脏和一个用于肿瘤分割,与预处理Hounsfield单位(胡)和对比度自适应直方图均衡化有限(CLAHE)。刘等人。30.]提出CR-U-Net,级联U-Net结合残留的映射,和级联的二级网络比第一级更深更详细的图像特征提取和采用形态学算法作为一个中间处理过程的步骤来提高分割精度。陆et al。31日)结合3 d CNN和削减图表(GC)对肝脏分割算法。王等人。32)改变了Dicom图像格式Hounsfield单位,然后使用一个窗口的具体胡锦涛对肝脏与cnn前培训。他们取代了卷积层每一层致密的连接块,每个密集块包含5 U-Nets 2水平。周et al。33]U-Nets不同深度结合成一个整体结构,不同U-Nets共享相同的编码器但有单独的解码器,鼓励知识共享。然而,这样的架构仍然会受到来自两方面的缺点。首先,解码器是断开的,和更深入的U-Nets不提供监督信号解码器的浅U-Nets合奏。其次,跳过连接的通用设计用于U-Net带来不必要的限制,要求网络结合译码器功能地图只有拼编码器的特征图谱。而引人注目的自然设计,没有保证拼特征图谱特征融合的最佳匹配。
最近,剩余映射与图像分割架构结合使用,这是一个有效的方法来防止过度拟合,同时提高准确性。Milletari et al。22)将剩余的学习与U-Net构建V-Net 3 d图像分割。Bi et al。34)提出了一种级联深残余网络(ResNet)方法部分肝脏和肝损伤。作为预处理,它将图像转换为胡锦涛和应用数据扩充策略包括随机缩放、作物、翻转和3 d CRF和多尺度融合用于后处理。网络是pretrained首先ImageNet数据集的参数调整和进一步调整与肝脏数据集。另一方面,徐et al。35胡作为预处理和后处理CRF 2 d和3 d CRF。ResU-Net剩余连接添加到每个跳过连接的基本U-Net结构。刘等人。36)注意块和残余的块添加到解码器U-Net路径自适应骰子损失函数。它帮助增加床位数数据集骰子损失系数从0.8365到0.9692的残余和关注。搜索引擎优化等。20.)包括剩余路径和设计object-dependent upsampling U-Net结构。网络避免了重复的低分辨率信息,估计更高级别的特征图谱,更好的代表高分辨率边缘信息输入更大的对象,甚至学会提取更高水平全球小对象的输入特性。3 dircadb数据集上的测试精度 ,标记一个相对比其他先进的性能优越。
以前可以分类回顾了模型三大类基于U-Nets和U-Nets之间的连接的类型。第一类包含模型基于一个U-Net,例如,mUNet [20.]介绍跳过前decovolutional块连接;(24)提出了一个额外的路径全球特征提取;剩余U-Net [35]添加剩余两个连续的每一层之间的连接;紧密连接U-Net [32)取代了conv层每一层的收缩与洞穴块路径;(36]关注模块添加到每个级别的扩张路径。第二个类别包含2级联U-Nets使用的模型,例如,(28,29日)由两个分离U-Net一个用于肝脏和一个用于肿瘤分割,而[34)增加了CRF作为后处理技术。第三类包含模型,实现2堆U-Nets,例如,(21]介绍了2堆U-Nets N减少损失函数;CRUNet [30.]介绍了2 U-Nets不同深度和形态技术作为两者之间的中间过程;和[23)提出一个跳过连接2 U-Nets之间的桥梁。
相比之下,我们建议2堆U-Net模型。模型并不需要大量的计算,因为它包含较小的层数与密度U-Net [32,33和剩余的连接数少而35]。该模型引入了三种跳过这两个之间的联系U-Net除了正常跳过每个U-Net连接,而桥U-Net [23]之间的一个桥梁连接使用2 U-Nets和[21,30.)只包含原始U-Net跳过连接。
2。材料和方法
2.1。数据
3 dircadb1(三维图像重建算法比较的数据库)是由Hopitaux大学医疗法国作为一个公共数据集对医学图像分割的研究人员。3 d ct扫描的数据集是由20肝肿瘤患者在75%的情况下。为每一个病人,有数量的CT扫描除了手工注释面具几个利益结构,如肝、左肾、右肾,肝肿瘤由临床专家。所有的CT扫描和面具是DICOM格式的像素大小( )。CT扫描的总数是2823人。我们采用了两种扩增技术(37增加样本的数量。应用水平和垂直翻转后除了旋转15°,样品的总数增加到112920的图像。13%的图片是用于测试,其余样品进行验证培训分为75%和25%。从病人的角度来看,图像分为14个病人进行训练,4例患者的数据进行验证,2患者的数据进行测试(病人没有。5,没有。20)。
2.2。该模型
该模型扩展了2 d U-Net[的主要特征16)连接输出的每一层收缩路径输入层在同一水平的扩张通过限制高水平的损失特性的影响在卷积和池的过程。模型由两个堆叠U-Net总4路径,B1和B2的收缩和扩张路径第一U-Net B3和B4的组件是第二个U-Net如图1。每个U-Net由4水平在每个路径除了一层连接的收缩和扩张的路径。过滤器的数量在缔约之路开始于64年,是为下一个水平增加了200%,直到达到1024年在5级过滤。至于扩张途径,过滤器的数量下降了50%的水平上升,达到最初的64过滤器在最高的水平。输入图像大小 像素,后下降了50%感染路径上的每个水平由于maxpooling过程达到最低图像大小 5级,然后开始增加50%,每个级别的upsampling扩张的道路。输出特征图谱有同等大小的每一层都U-Net路径如图2。
每个路径由一系列层构建块在每个级别。块B1遵循典型的卷积网络的体系结构。它由两个卷积层与过滤器的大小 (填充物的旋转),每个紧随其后的是一个指数ReLU (ELU)或修正线性单元(ReLU)水平4和5, 马克斯池操作2步将采样和结尾辍学层率为50%。每一块后,功能通道的数量将翻倍。maxpooling和辍学层被排除在四级的块。块的扩张路径(B2)由一个upsampling地图紧随其后的特性 卷积(upconvolution)一半的数量特征通道,连接与相应的功能从缔约路径图,和两个 曲线玲珑,每个ELU或ReLU紧随其后,退学率为45%。B3的块是类似于B1除了前开始连接特性的地图从相应的扩张路径与特征图谱B2从之前的水平在B3缔约路径,然后跟着类似的层块在B1(即。,Conv Conv maxpooling,辍学)。B4的积木B2结构一样,除了它连接前4特征图谱应用的顺序(Conv Conv,辍学)。第一特征映射来自前面B4 upsampled水平将连接特征图谱同级从B1、B2和B3。在最后一层,一个 卷积是用来映射每个64 -组件的特征向量 图像掩模如图3。
2.3。跳过连接
2桥接U-Nets前列腺分割模型(17]介绍了桥梁添加输出特性从每个级别的感染路径首先U-Net扩张路径的输入第二个同级U-Net(蓝线)。我们的修改模型引入了两个新的桥接连接。扩张路径的一个桥梁连接输出的第一个U-Net (B2)缔约的输入路径的第二U-Net布朗(行)。第二个桥连接的输出B2 B4的输入(红线)。最终的模型提出了研究复合模型包含所有类型的桥接连接。小说架构使用了所有以前生成的所有路径的特征图两个U-Nets和连接他们的输入最后一个扩张的道路。我们假设通过连接所有先前生成的特征图,该模型可以减少双方的损失高级和低级特性(见图3)。
2.4。功能连接
有两种类型的操作将通过桥和跳过连接的特性。加法操作符应用pixel-wise求和操作并生成一层的输入层。串联运算符栈的所有特征图谱一起沿着地图功能维度与深度等于输入层的数量。我们与所有跳过连接和桥连接串联使用自连接操作增加了特征空间结合高级和低级特性。因此,随后的卷积操作能够学习新特性依赖于高层和低层特征(见图4)。
相比之下,我们创建了另一个版本的模型开始32过滤器应用于第一层然后在接下来的水平增加了200%,达到512年过滤器应用在内心的最深处。
2.5。客观和损失函数
事实上,U-net,端到端网络分割,每个像素的分类。大部分的深度学习网络使用叉作为损失函数为pixel-wise分类能够把图像划分为不同的区域。然而,我们使用的数据集的样本仅供肝区,和正负样本的比例是1:15,一个极其不均匀分布。如果crossentropy函数是用于我们的训练过程,其结果将是偏向于负样本。
鉴于上述情况,我们实现了骰子损失,损失函数基于骰子相似系数(DSC)。骰子相似系数是一个统计指标,测量两组数据之间的相似性。它已成为一个广泛应用指标在图像算法的验证 在哪里和两组像素地面真理(面具)和预测肝,分别。 设置元素的数量 。 代表了十字路口。的损失函数之间的区别是地面真理和预测的面具
2.6。培训和测试
测试样本占13%(14560张照片)的总样本3 dircadb1,而剩余的样本分为训练和验证比例75%(74680)和25% (14560)。所有模型训练了10时代学习速率15用亚当优化器(38]。所有的培训和测试图像缩放 来 由于计算资源的限制。训练参数如表所示1。
在测试阶段,每个模型评估了两组数据。首先,模型进行了测试使用原始的测试数据没有应用任何扩增技术(正常数据)。其次,增强后的模型进行评估使用数据包括所有垂直和水平翻转图像除了所有15°一步旋转图像(增广数据)。结果如表所示2和3,分别。
2.7。硬件和软件
培训和测试,我们使用英特尔®™核心i7 - 6700 CPU @ 3.40 GHz×8, 16 GB的RAM和GPU GeForce 1080 GTX公司/作为PCIe / SSE2 8 GB RAM。我们的模型是使用python实现2.7.3,Keras 2.1.1, Ubuntu 0.8 Theano 14.04.05 TensorFlow 1.2.1。
3所示。结果与讨论
我们参考模型的过滤器在内心的最深处。例如,(化合物- 512)代表复合模型与过滤器从32,结束于512年在内心的最深处,而(compound1024)代表了复合模型与过滤器始于64年,结束于1024年在内心的最深处。比较我们的结果与原U-Net [16)和2-Bridged U-Net [17),我们进行了两组实验基于U-Net滤波器结构的基础。第一组使用基地U-Net(32 -➔512)而第二组与(64➔1024)基地U-Net使用。
医学图像分割算法的评价指标包括但不限于交集在联盟(借据)或Jaccard指数,骰子相似系数(DSC或骰子),精度和召回。我们用骰子来评估和比较我们的方法与其他相关工作,因为它是最常见的度量肝脏分割方法[10,19,20.,24,28- - - - - -30.,32- - - - - -36]。
结果在表2凸显了重要发现。模型u -网- 1024记录精度高于u -网- 512。模型基于修改的连接和复合连接记录的准确性高于原来的连接结构32 - 512和64 - 1024。模型化合物- 512和化合物- 1024最好的准确性在原始记录和修改连接两个滤波器结构32 - 512和64 - 1024年,除了修改后的模型与64 - 1024年记录精度高的模型与64 - 1024年与增广数据过滤器在测试。使用过滤器结构记录64 - 1024年在过滤精度高32 - 512除了化合物结构连接。最好的总体精度测试,没有增广数据记录使用32 - 512复合模型过滤器结构如图5。
结果是符合的主要假设通过添加高水平收缩U-Net路径的特征图谱的特征图谱相同级别的扩张路径将减少损失引起的功能,可能由于卷积和池操作。修改模型和复合模型添加额外的桥接连接从第一第二U-Net U-Net最终扩张路径和原始模型表现出更好的性能。虽然最初2-bridged U-Net 32 - 512使用过滤器结构,结果表明,64 - 1024年使用滤波器结构记录精度高,因为训练参数的数量高于模型的参数与过滤器32 - 512对原始和修改模型只有一个跳过连接用于传输特性从第一个第二个U-Net U-Net地图。复合模型表明,使用两个跳过连接传输特性映射到第二U-Net双打在第二个U-Net特征空间的大小,提高模型的性能,并降低了需要增加过滤器的数量64 - 1024(图5)。另一方面,当特征空间的大小在第二个U-Net翻倍是由于复合连接,可学的参数的数量也会翻倍的第二U-Net deconvolutional层。它有更重要的影响的滤波器结构64 - 1024比32 - 512。即复合模型与64 - 1024年的滤波器结构更可能overfit比复合模型的滤波器结构32 - 512。这就能解释为什么复合模型与32 - 512最好的过滤器结构测试性能的骰子比复合模型系数的滤波器结构64 - 1024。
样本结果图6说明,使用64 - 1024过滤器与所有模型减少了分割因为高级和低级特征的数量在缔约路径增加了200%,使学习更多的全球特性模型。在修改的和复合的情况下,添加额外的跳过连接,连接所有以前生成的功能最终扩张路径减少假阳性和细分的文物。尽管一些图像分割使用修改后的模型有更好的准确性与64 - 1024过滤器(h列),复合模型一般记录最好的精度两个过滤器的结构。
列b显示了肝脏分割的结果使用的原始结构U-Net 32 - 512过滤器。结果患肝脏边界附近的文物,因为损失在全球功能downsampling卷积层后传播到下一个更深的层次。类似的损失发生的由于融合的功能的扩张路径表明,跳过连接在原始U-Net不足以克服损失的特性。分割使用的原始结构2架桥U-Net增强的图像的精度肝脏大小相对较小的地方行1和2在列c。另一方面,输出的图像中肝脏大小大遭受oversegmentation是因为跳过连接在第一个U-Net扩张路径(B2)连接在第二个U-Net缔约路径,同时的特征图(B1)直接转移(B4)只图1(原桥)。列d说明了提高产量和减少oversegmented文物,因为跳过修改桥模型的连接传输的低级功能(B2)直接连接到第二U-Net扩张路径(B4)。列(e)中的复合桥结果显示性能的显著增强与小型和大型肝脏大小所有图片,因为所有输出特征图的连接所有前面的路径最终扩张路径的第二个U-Net高级和低级特征的损失中恢复过来。累计剩余连接增加了特征空间,允许模型学习更多的功能,连接所有以前生成的高级和低级特征图前面的路径。列(f, g, h,和我)显示的结果模型使用滤波器结构64 - 1024。一般来说,64 - 1024模型的整体精度高于模型与滤波器结构32 - 515因为过滤器的数量,和特征图谱生成增加了100%。在极少数情况下,患有undersegmentation复合模型在一些图像体积小肝行1和2在列(我)因为功能的数量从之前的路径转移到最终的路径是大型和可能包含冗余特性增加了图像的假阴性与较小的肝脏大小。
结果在表3将我们的模型与最先进的方法使用相同的数据集3 dircadb肝脏分割。在本文中,我们使用14个病人的数据训练和4患者的数据进行验证,80:20比和2患者的数据进行测试。在[20.),它使用15个患者的数据进行训练和测试验证和5例;然而,它没有指定哪个病人数据用于测试。在[28),15个病人的数据与2倍crossvalidation用于培训和测试。相比之下,(32)并没有提及任何细节的数据分割方法训练、验证和测试。我们使用的平均值的骰子测试图像的准确性没有计算性病或公差的结果的呈现方式(24,28]。
基督et al。28)提出了一种级联CNN对肝脏和病变与预处理的图像分割,将其转换为胡的价值观和后处理在2 d与3 d密集的条件随机场(CRF)的方法。虽然他们的记录结果超过了U-Net性能为94.30%,以94.42%复合模型优于他们的结果。王等人。32DICOM图像Hounsfield单位转换,然后使用一个窗口的具体胡锦涛对肝脏。取代Conv层每一层致密连接块的数量显著增加层,最后网络类似于5密集的街区;每个块包含5 U-Nets 2水平。他们的模型非常复杂和非常大的层数计算昂贵的连接。目前还不清楚如果表示结果是基于测试3 dircadb数据集或床位数为模型进行了测试在两个数据集。很明显,我们的复合模型优于所有规定的基准测试模型(32]。提出了复合模型的性能相当的密集连接U-Net(直流U-Net)。搜索引擎优化等。20.)包括剩余路径和设计object-dependent upsampling U-Net结构。低分辨率信息的网络试图避免重复通过添加块或残留层虽然它只使用一个U-Net跳过连接。
的原始建筑U-Net模式16)是对比较目的本文重新实现,因为这是在28,32]。请注意,王et al。32)预处理技术应用于Dicom图像转换成Hounsfield单位(胡)来防止信息丢失时,整幅图像的像素值扩展到范围0 - 255。具体来说,原始CT片是有窗的Hounsfield单位范围的-100年到400年胡锦涛忽视器官和组织,不感兴趣的。基督et al。28另外)遵循了同样的预处理技术和应用直方图均衡化增加对比度增强后的图像使用翻译来增加样本的数量,旋转,添加高斯噪声。相反,我们没有使用任何预处理技术,但直接转换Dicom图像的像素值在0 - 255范围。此外,当[28)使用15年的20病人的数据训练、验证和测试2倍crossvalidation,我们使用了14个病人的数据训练,4例患者的数据进行验证,2患者的数据进行测试。我们的测试数据可能不包含在15个病人的数据用于(28]。另一方面,王et al。32)没有提到用于数据分割的方法。因此,它解释了差异的结果实现U-Net和中给出的结果24,28]。
我们的训练和测试数据被新 这是原始图像的大小的50%。虽然[20.使用原始图像的大小 ,(28]和[32没有提到如果他们使用原始数据大小或新。尽管缩放图像尺寸小一点的可能会导致一些功能的损失,我们建议的模型优于其他模型的骰子系数(见表3)。我们还计划与原始图像大小 在未来可能更准确的肝脏分割。
我们的方法不适用任何预处理技术,但直接归一化图像DICOM图像的像素强度范围0 - 255。因此对肝脏产生不同的像素强度映射区域因为3 dircadb1数据库包含DICOM图像各种胡锦涛范围。有效像素强度的变化对肝脏区域作为一个图像增强技术。注意,图像增强技术,如添加噪声图像强度值,已被证明是非常有用的基于深度学习模型。我们已经将我们的结果与方法,应用图像校准或窗口过程基于Hounsfield单位(28,32]。我们的结果是类似或更好的骰子系数。我们计划添加预处理步骤,包括窗口过程在我们未来的工作比较其有效性的模型不适用窗口过程。
尽管3 d cnn可以处理体积信息,他们有一些缺点。由于增加了维度,3 d cnn需要较高的计算成本。除此之外,大量的参数可能导致过度拟合的风险更高,特别是当遇到小的数据集。此外,3 d的GPU要求cnn还贵,这阻碍了他们的进一步临床应用。我们的模型是基于2 d U-Net架构实现,每个CT片被视为独立于其他片输入图像。该模型具有更轻的计算成本,但更高的推理速度。在我们未来的工作中,可以考虑相邻切片之间的信息。
4所示。结论
在本文中,我们提出了一个新颖的分割方法,实验结果表明,叠加两个U-Nets和添加三个桥接连接从第一U-Net第二U-Net可以显著提高肝脏分割的准确性。累计的方法连接上一层的特征图谱与前面生成的所有功能在同一级别的所有先前的路径2堆U-Nets显著降低全球特性和低水平的损失特性在池和upsampling和比最近的方法。模型结果强劲与噪音,因为它没有使用任何预处理或后处理。我们的模型使用增强技术来克服医疗数据的短缺与手工注释的面具,它显示出了极大的提高与增强性能测试数据。
数据可用性
数据集3 dircadb1肝脏CT扫描和相关的面具为每个肝脏是公开的(37DICOM格式的)。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者感谢科学,技术和创新,马来西亚、经费申请这项工作通过eScienceFund资助计划项目06-02-10-SF0317。IYL要感谢马来西亚高等教育部门支持下的研究通过基础研究资助计划项目》/ 1/2014 / ICT07 / UNIM / 02/1。