光深模型肺结节检测CT扫描图像的移动设备

文摘

认知计算和大数据分析的出现彻底改变卫生保健领域,更具体地说在检测癌症。肺癌是全世界范围内导致死亡的主要原因之一。肺的肺结节可以癌变后的发展。早期发现的肺结节可导致早期治疗和死亡的显著减少。在本文中,我们提出了一个端到端的卷积神经网络(CNN)——根据肺结节自动检测和分类系统。拟议的CNN架构只有四卷积层,因此,光在自然界中。每个卷积层由两个连续卷积块,连接器卷积块,每一块非线性激活函数后,和一块池。实验利用肺图像数据库进行财团(LIDC)数据库。从1279年LIDC的数据库,选择样本图像的569人非癌变,278是良性的,其余的都是恶性的。该系统实现了97.9%的准确率。 Compared to other famous CNN architecture, the proposed architecture has much lesser flops and parameters and is thereby suitable for real-time medical image analysis.

1。介绍

由于复杂的机器学习算法的发展,移动计算、无线通信(1,2),最后认知计算(3,4),近年来医疗行业正蓬勃发展。传统的医疗行业正逐渐转向智能医疗行业(5]。智能医疗使病人有健康问题诊断坐在家中,处方和建议在线,通信,从而节省时间和预约(6]。背后的主要驱动力之一智能医疗行业的崛起的发明深刻学习算法在机器学习领域7]。深度学习带来了机器学习的范式转变。在过去的十年,是在许多应用程序中使用的信号和图像处理,包括医学信号或图像(8- - - - - -10]。

肺癌已成为全球主要的死亡原因之一。在最近的一次统计2019由美国癌症协会,它是发现,超过142人死于肺癌和支气管癌和超过228人被诊断为肺和支气管癌(11]。致命的癌症死亡的数量可以大大减少早期诊断。

癌症的早期检测可以检测出在两个方面:由放射科医生手动或自动计算机辅助诊断(CAD)系统。CAD系统不是一个独立的系统;它只能帮助放射科医生或医生采取一个正确的决定。最后的决定取决于放射科医生或医生12]。放射科医生需要仔细观察的肺结节的密度,因为在早期阶段,这个密度可能像其他肺部分的密度(13]。CAD系统试图使肺结节的边界检测结节的一些特点。这些特性都是手动功能或deep-learned特性。手动功能包括信息结构、密度和形态。美联储特性的分类器检测或结节的分类。

CAD系统帮助放射科医生提高阅读的计算机断层扫描(CT)扫描;然而,大量的结节仍未被发现的需要积极率低。这禁止使用CAD系统在现实14,15]。有不同形状、大小和类型的结节,甚至有些不同的质感和密度。这些巨大的差异有时不是由CAD系统如果诊断算法还不够成熟。

最近,由于深度学习的成功在许多应用程序中,CAD系统也利用深度学习(16]。端到端深度学习带来了成功在许多医学图像处理应用程序17]。CT扫描图像的肺结节检测系统还使用了几位深度学习架构在最近几天18- - - - - -20.]。这些系统表现的系统使用手工特性(21]。

随着新的医疗转向智能医疗,使用无线通信和移动计算一直在增加在一个智能医疗框架。直到今天,3 g / 4 g / 5 g通信是成功应用22- - - - - -24]。在[22提出了),一块安全连锁酒店忠诚度奖励计划。自动捕获检测系统使用一个移动框架提出了在23]。基于深度学习在5 g的网络资源算法(24]。现在,范式转向超出5 g / 6 g提供低延迟、高传输速率和容纳许多传感器(25]。在许多应用程序(智能系统越来越受欢迎26,27]。智能医疗的重要方面之一是认知计算的一个组成部分。认知计算可以促进健康监测、药品处方,和精神状态识别(28]。人类的情感可以告诉很多关于病人的状态。因此,正确认识到情感可以帮助了解病人的情况。

在一个智能医疗,病人的情况可以分析由多个医生从不同的物理位置。肺CT扫描图像可以上传到计算机系统可以由几个访问注册医生。该系统可以生成一个输出正确分割的结节,如果有的话,并提供一个决定是否属于正常的图片,良性或恶性。

在本文中,我们提出了一个基于卷积神经网络(CNN)——肺结节检测和分类系统。分类输出两个三个类:正常,低水平恶性,高度恶性的。提出系统的性能与相关的一些最先进的系统。

本文结构如下:部分2简要介绍一些之前的相关工作。部分3描述了该系统的检测和分类肺结节。部分4实验结果和讨论。部分5总结了纸。

2。相关工作

使用的大多数作品肺图像数据库财团(LIDC-IDRI)数据库(29日]。在不同作品中,各种数据的数据库使用了基于样本选择标准。在本节中,我们主要关注使用的作品LIDC的数据库;然而,其他一些重要的作品也提到过。

首先,我们提到的作品使用手工特性来检测肺结节。吴等人提出了一个结节分类系统使用文本和辐射特性(30.]。他们使用应用灰度共生矩阵建立13个文本功能和12辐射特性以及bp神经网络。总共有2217 CT片,和一个接受者操作特征(ROC)曲线下面积为0.91。

形状和texture-based特性与遗传算法和支持向量机(SVM)提出了检测结节(31日]。样本在特征提取之前,增强质量阈值和一个地区growing-based分割。与140年97.5%的准确率得到LIDC的样本数据库。

奥罗斯科肺结节等人开发了一个分类系统使用应用灰度共生矩阵建立19特性提取不同频带的小波变换和支持向量机分类器(32]。82%的准确性得到使用LIDC数据库的一个子集。应用灰度共生矩阵建立汉等人使用3 d功能和结节的SVM分类和ROC曲线下的面积的92.7%33]。系统发育多样性指数和遗传算法小结提出了分类系统(34]。总共有1403 LIDC的图像数据库中使用的实验,和92.5%的准确率是通过系统。

第二,我们提到了作用于肺肺结节检测使用深度学习和分类。主要是,我们从2018年开始专注于论文。提出了一个4-channel CNN-based系统(35]。在此系统中,扫描图像增强Frangi过滤器,和学习是基于多组标准。LIDC的图像被使用,敏感性为80.1%。

一个架构的系统发育多样性指数与CNN使用CT扫描(18]。1404 LIDC的图像数据库中使用了实验,取得了92.6%的准确性。图片由1011年394个恶性和良性结节。融合的分类使用演算法使用反向传播神经网络(36]。三种不同类型的特征是利用。应用灰度共生矩阵建立一组特性特性,第二组的特性是傅里叶的形状特性,第三组特性得到从CNN的架构。这三集的特性是由三种神经网络学习和融合。1972年样本图像(1323年648名恶性和良性)LIDC的数据库被用于实验,和96.7%的准确性。

谢等人提出了一个结节检测系统使用更快的提出CNN [37]。二维卷积操作被用来减少假阳性。该系统使用150414张图片已经达到了86.4%的准确率。一个端到端的肺结节自动检测系统开发(38]。该系统有三个主要阶段。系统有91.4%的准确率和假阳性每扫描一个使用888 CT扫描。

从上面的回顾,我们发现在肺结节检测已经取得了重大进展在过去的七十八年。仍然存在的挑战。不均的挑战包括检测和分类控制结节在大小、形状和密度。因此,需要一个完全自动化的系统,可以克服这些挑战。

3所示。提出了系统

等主要CNN架构AlexNet VGG净,和谷歌ResNet设计对自然图像进行分类,约1000类。这些架构被训练在数以百万计的图像,从而被设计成很深的模型。医疗在很多结构化数据不可用,或数据的大小是有限的。所以,在这些架构这种有限的数据可能会导致过度拟合。同时,医疗数据的可视化不得使用这些很深的模型是有意义的。

3.1。CNN架构

在本文中,我们开发了一个CNN架构,是光(不深),适合医学图像处理。总体架构如图1。有四个卷积层,其次是全球平均池(GAP),两个完全连接(FC)层,并将softmax输出层,它有三个输出神经元对应三个类(正常、良性和恶性)。每个卷积层有两个连续的 与修正线性卷积模块单元(ReLUs),连接器 卷积与ReLU块,和最大池块。在第一层,卷积过滤器在每一块的数量是16,第二层32,第三层48岁,最后,最后一层64。过滤器的步幅是1。连接器的输出卷积块与第二个CNN块的输出总结之前,马克斯池。马克斯的步幅池是2;该决议是减少4倍。在每个卷积块之前,应用零填充保持大小。小批量标准化应用于每一层加快培训。池的差距作为目的,但它是更有效的比池(39]。

CNN的输入图像的大小 。CNN的层数是4的受体窗口覆盖整个图像。我们还测试了三层;然而,四层表现得更好。输入图像的每个像素归一化平均(平均减法)和标准差(除以标准差)像素的整个数据库。

minibatch大小是4样品,成本函数是直言叉。在每次minibatch之前,样品被打乱,以确保完成学习的随机化;这也有助于克服过度拟合。初始权重被发现通过应用正常化(40]。亚当优化器是用于优化权重,和参数 ,和学习速率 。拟议的CNN架构是一个修改版本的架构提出了41]。这两个结构之间的主要区别是层数;在我们的建议的体系结构中,我们有一个较小的层数,使模型光模型。

3.2。数据库

3.2.1之上。数据库的选择

实验中使用的数据库是一个公开的数据库,名为LIDC-IDRI数据库(29日]。有1018的1010例CT扫描7个机构。CT扫描的切片厚度变化从0.6毫米到5.0毫米平均值为2.0毫米。四个专家放射科医生的注释两套独立阅读的扫描。在第一组数据,每一个可疑病变是独立分类nonnodule、结节大小小于3毫米,和结节大小大于或等于3毫米。阅读,第二组的3 d为结节分割是大于或等于3毫米。

3.2.2。样本的选择

样本在实验中选择以下方式。首先,所有的扫描厚度超过3.0毫米被移除。样品与结节大小小于3毫米也被删除。这些结节的大小大于或等于3毫米,是由三个或四个放射科医生同意保留。恶性肿瘤的结节被分为不同的阶段,排名从恶性肿瘤恶性肿瘤5级1级。级别1和2被表示为良性,水平4和5被表示为恶性肿瘤。样品与恶性肿瘤3级并不认为明确区分良性和恶性肿瘤。总的来说,有1279个样本选择的实验,其中569 nonnodules,良性的,278和432恶性的。图2CT图像的显示了一个示例,其中肺结节是由一个红色圆圈标记。右边的图,有地面真理(GTs)和相应的细分为结节感兴趣的区域(NROI)四个放射科医生。从图中,我们看到,放射科医生的分割不同的样本。

结节候选区域开采LIDC一片一片的。候选人结节的像素保留其原始值使用口罩和大小 通过填充零中描述(41]。最终,所有的样品大小 。

3.2.3。数据增加

样品的数量是不够的CNN的适当的培训,以及样品的数量每个类都是不平衡的。因此,我们需要增加样本的数量增加和平衡的数字数据。我们应用的增加只训练数据。只用于增加旋转和转换操作。样本和随机旋转角度(10°至60°)和翻译(2,2)的范围内。

4所示。实验结果和讨论

所做的实验的10倍交叉验证的方法。如前所述,我们删除了3级样品做出明确区分良性和恶性样本。事实上,在两组实验中,我们还包括三级样本。因此,我们有三组:组1的样品3级,2组样本的三级纳入良性的类别,并设置3有3级的样本包含在恶性类别。设置1共有1279个样本的569是正常的,是良性的,278和432是恶性的。2组共1508个样本,其中507为良性,432例为恶性。3有1508个样本的278年是良性的,661例为恶性。图3说明了使用三套系统的准确性。第一组有94.65%的准确性,第二组有89.21%,并设置3 73.4%。从这些结果,我们得出这样的结论:样品3级更良性与恶性。在随后的实验中,我们只使用1。

图4显示系统的混淆矩阵使用组1。从矩阵,我们发现常规的课堂通常不与良性或恶性混淆。一些良性和恶性样本之间的混淆。恶性样本最混淆。

我们还发现混淆矩阵系统的召回和精度值。平均召回是98.07%,平均精度为98.06岁。图5显示系统的ROC曲线。曲线下的面积是0.987,这被认为是非常好的。图6说明了学习曲线的准确性和系统的损失。从图中,我们发现后损失的准确性和稳定一些迭代。图7显示了一些恶性样本并被错误地归类为良性的样本。误分类样本没有任何特定的标准;然而,褪色的边界和大小可能导致这样的错误分类。我们需要更多的调查这件事。

表1提供了一个测量系统之间的性能。该系统与最近的一些相关系统深度学习使用。所有LIDC相比系统使用相同的数据库;然而,样品的数量。系统提取的结果从相应的论文。从表中,我们发现该系统有最高的精度。衣柜精度与系统是在36]。该系统利用三个流和融合手工特性与CNN使用一个演算法神经网络的特性。因此,系统在36严重的运算量。

该建议的体系结构有275 MFLOPS和大约200 K参数。另一方面,AlexNet约1.5 6000万GFLOPS参数,和GoogLeNet约有700万GFLOPS和参数。因此,我们建议的体系结构很轻相比,这些著名的架构。本文中的所有实验进行了使用四核机12 GB RAM和Nvidia GeForce 1050 GTX GPU。

5。结论

使用移动计算、认知计算、机器学习、医疗数据分析极大地影响我们的生活。为此,肺结节检测和分类系统提出了使用光CNN模型。系统评估使用LIDC的数据库样本。系统达到97.9%的准确率,三级是排除恶性肿瘤样本的实验。平均查全率和查准率值在98%以上。与其他先进的系统相比,该系统的性能高。在未来的研究中,我们的目标是可视化结节边界。我们也想融合的特性从CNN的不同层架构来提高精度。另一个方向是使用主动学习来提高性能(42]。

数据可用性

不适用。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由科研院长以来,塔伊夫大学KSA(研究项目编号1-440-6146)。

引用

1. 张y、m . s .侯赛因,a . Ghoneim和m . Guizani”COCME:内容型的缓存为无线通信移动边缘,”IEEE无线通信,26卷,不。3,26-31,2019页。视图:出版商的网站|谷歌学术搜索
2. y . j . Wang苗,p .周,m·s·侯赛因和s·m·m·拉赫曼“软件定义网络路由在无线网络多次反射,”网络和计算机应用》杂志上卷,85年,第83 - 76页,2017年。视图:出版商的网站|谷歌学术搜索
3. 林k、c·李,d, a . Ghoneim m·s·侯赛因和美国阿明,“Artificial-intelligence-based认知通信在异构无线网络中,数据分析”IEEE无线通信,26卷,不。3、83 - 89年,2019页。视图:出版商的网站|谷歌学术搜索
4. x y,妈,j . Zhang m·s·侯赛因·g·默罕默德,和美国Amin”边缘的情报认知物联网:提高灵敏度和交互性,”IEEE网络,33卷,不。3,58 - 64、2019页。视图:出版商的网站|谷歌学术搜索
5. g·穆罕默德,m . f . Alhamid m . Alsulaiman b·古普塔,“边缘与云计算语音障碍的评估和治疗,”IEEE通讯杂志卷,56号4,60 - 65、2018页。视图:出版商的网站|谷歌学术搜索
6. m . s .侯赛因·g·默罕默德,“Emotion-aware连接医疗大数据对5克,”IEEE物联网,5卷,不。4、2399 - 2406年,2018页。视图:出版商的网站|谷歌学术搜索
7. g·穆罕默德,m . f . Alhamid x长,“计算和处理边缘:聪明的病理检测连接医疗、”IEEE网络,33卷,不。6,44-49,2019页。视图:出版商的网站|谷歌学术搜索
8. Yassine,辛格,m·s·侯赛因·g·默罕默德,“物联网大数据分析的雾和云计算、智能家居”未来一代计算机系统卷,91年,第573 - 563页,2019年。视图:出版商的网站|谷歌学术搜索
9. m·马苏德•m . s .侯赛因,a . Alamri”e-health数据互操作性和多媒体内容管理系统”IEEE在生物医学信息技术,16卷,不。6,1015 - 1023年,2012页。视图:出版商的网站|谷歌学术搜索
10. z阿里、g·默罕默德和m . f . Alhamid”自动健康监测系统对患有语音智能城市的并发症,”IEEE访问,5卷,不。1,第3908 - 3900页,2017。视图:出版商的网站|谷歌学术搜索
11. r·l·西格尔,k·d·米勒和a . Jemal癌症统计数据,2019年,“CA:临床医生的癌症杂志》上,卷69,不。1,7-34,2018页。视图:出版商的网站|谷歌学术搜索
12. c·雅各布斯e·m·范·Rikxoort t Twellmann et al .,“胸subsolid肺结节的自动检测计算机断层扫描图像,”医学图像分析,18卷,不。2、374 - 384年,2014页。视图:出版商的网站|谷歌学术搜索
13. g . Xiuhua s t w .欢,l·中国”预测模型基于纹理特征的恶性肺结节的CT图像,”CT成像和分析的理论和应用,第76 - 63页。IntechOpen Noriyasu丑行。视图:出版商的网站|谷歌学术搜索
14. b . van Ginneken s . g . Armato三世,b . de箍et al .,”比较,结合算法的计算机辅助检测肺结节计算机断层扫描:ANODE09研究中,“医学图像分析,14卷,不。6,707 - 722年,2010页。视图:出版商的网站|谷歌学术搜索
15. m . Firmino a·h·莫莱斯r . m . Mendoca m . r . Dantas本人交出密码,h·r·间和r·瓦伦汀“肺癌计算机辅助检测系统在计算机断层扫描:回顾和未来前景,”生物医学工程在线,13卷,不。1,p。41岁,2014。视图:出版商的网站|谷歌学术搜索
16. m . s .侯赛因·g·默罕默德,“基于云计算的协作为医疗、媒体服务框架”国际期刊的分布式传感器网络,10卷,不。第三条ID 858712, 2014。视图:出版商的网站|谷歌学术搜索
17. 美国美国阿明,m . Alsulaiman g·穆罕默德,m . a . Mekhtiche和m、侯赛因,“深度学习的脑电图运动图像分类基于多层cnn特征融合,“未来一代计算机系统卷,101年,第554 - 542页,2019年。视图:出版商的网站|谷歌学术搜索
18. a·o·德·卡瓦略球场,a·c·席尔瓦a . c . de Paiva r . a . Nunes和m . Gattass”分类模式的仁慈和恶性肿瘤CT使用架构系统发育多样性指数和卷积神经网络,”模式识别卷,81年,第212 - 200页,2018年。视图:出版商的网站|谷歌学术搜索
19. n Tajbakhsh和k铃木“比较两类端到端机器学习模型在肺结节检测和分类:Mtanns与cnn,“模式识别卷,63年,第486 - 476页,2017年。视图:出版商的网站|谷歌学术搜索
20. x元(l .谢,m . Abouelenien“正规化整体框架的深度学习癌症检测从多层次、不平衡的训练数据,”模式识别卷,77年,第172 - 160页,2018年。视图:出版商的网站|谷歌学术搜索
21. y, y秋t .泰国k·摩尔,h . Liu和郑,“一个两步卷积神经网络计算机辅助检测方案自动分段脂肪组织体积CT图像描绘,“计算机在生物医学方法和项目卷,144年,第104 - 97页,2017年。视图:出版商的网站|谷歌学术搜索
22. m·a·拉赫曼·m·m·拉希德·m·s·侯赛因e . Hassanain m . f . Alhamid和m . Guizani”区块链和IoT-based认知优势智能城市框架分享经济服务,“IEEE访问7卷,第18621 - 18611页,2019年。视图:出版商的网站|谷歌学术搜索
23. g·默罕默德·m·马苏德•s阿明,r . Alrobaea和m . f . Alhamid”自动癫痫检测在移动多媒体框架,“IEEE访问》第六卷,第45383 - 45372页,2018年。视图:出版商的网站|谷歌学术搜索
24. m . s .侯赛因·g·默罕默德,“deep-tree-model-based无线电资源分配5 g网络,”IEEE无线通信,27卷,不。1,第67 - 62页,2020。视图:出版商的网站|谷歌学术搜索
25. y, y钱,d . Wu m . s .侯赛因,a . Ghoneim m·陈,“Emotion-aware多媒体系统安全,”IEEE多媒体,21卷,不。3、617 - 624年,2019页。视图:出版商的网站|谷歌学术搜索
26. a . Alelaiwi a . Alghamdi m . Shorfuzzaman m·拉瓦希德荷m·s·侯赛因·g·默罕默德,“强化工程教育使用智能类环境,”电脑在人类行为,卷。51岁的B部分,852 - 856年,2015页。视图:出版商的网站|谷歌学术搜索
27. m·s·侯赛因,阿明,m . Alsulaiman g·默罕默德,“深度学习申请检测癫痫发作和脑映射可视化,”ACM交易多媒体计算、通信和应用程序,15卷,不。1 s, 1卷,2019页。视图:出版商的网站|谷歌学术搜索
28. y, j .杨·m·陈,m·s·侯赛因和m . f . Alhamid“Emotion-aware视频通过转移学习体验质量评估,”IEEE多媒体,26卷,不。1,31-40,2019页。视图:出版商的网站|谷歌学术搜索
29. s . g . Armato三世,g . McLennan l . Bidaut et al .,“肺图像数据库财团(LIDC)和图像数据库资源计划(IDRI):一个完整的参考数据库肺结节的CT扫描,”医学物理学,38卷,不。2、915 - 931年,2011页。视图:出版商的网站|谷歌学术搜索
30. t·h . Wu太阳,j . Wang et al .,“放射和灰度共生矩阵纹理特征用来区分孤立肺结节计算机断层扫描,”数码影像杂志,26卷,不。4、797 - 802年,2013页。视图:出版商的网站|谷歌学术搜索
31. a·o·德·卡瓦略球场,w . b . de桑帕约a·c·席尔瓦a . c . de Paiva r . a . Nunes和m . Gattass“孤立肺结节的自动检测使用质量阈值聚类、遗传算法和多样性指数”人工智能在医学上,60卷,不。3、165 - 177年,2014页。视图:出版商的网站|谷歌学术搜索
32. h·m·奥罗斯科o . o . v . Villegas诉g·c·桑切斯·h·德耶稣奥乔亚Dominguez和m . de耶稣Nandayapa居多,“自动化系统基于小波的肺结节的分类特征描述符和支持向量机,”生物医学工程在线,14卷,不。1,p。9日,2015。视图:出版商的网站|谷歌学术搜索
33. g·f·汉,h . Wang Zhang et al .,“纹理特征分析对肺结节计算机辅助诊断,”数码影像杂志,28卷,不。1,第115 - 99页,2015。视图:出版商的网站|谷歌学术搜索
34. a·o·德·卡瓦略球场,a·c·席尔瓦a·卡多佐de Paiva r . a . Nunes和m . Gattass“计算机辅助诊断肺结节的ct通过使用系统发育多样性、遗传算法和支持向量机,”数码影像杂志,30卷,不。6,812 - 822年,2017页。视图:出版商的网站|谷歌学术搜索
35. 江h, h .妈,w .钱et al .,“肺结节的自动检测系统基于多组patch-based深学习网络,”IEEE生物医学和卫生信息学杂志》上,22卷,不。4、1227 - 1237年,2018页。视图:出版商的网站|谷歌学术搜索
36. y谢,j . Zhang夏y、m·富勒姆和y张“融合纹理、形状和深度model-learned信息在决策层面对胸部CT肺结节的自动分类,“信息融合,42卷,第110 - 102页,2018年。视图:出版商的网站|谷歌学术搜索
37. h·谢·d·杨:太阳,和张y, z . Chen”自动肺结节检测ct图像,采用深卷积神经网络”模式识别卷,85年,第119 - 109页,2019年。视图:出版商的网站|谷歌学术搜索
38. x黄,w .太阳,T.-L。曾,c·李,w .钱,“快,完全自动化的检测和分割胸肺结节的CT扫描使用深卷积神经网络,”计算机医学影像和图形卷。74年,技能,2019页。视图:出版商的网站|谷歌学术搜索
39. 答:a . Amory g·穆罕默德,h . Mathkour“深卷积树网络”未来一代计算机系统卷,101年,第168 - 152页,2019年。视图:出版商的网站|谷歌学术搜索
40. k . x张,他任美国,j .太阳”深入深入整流器:超越人类imagenet分类、性能”2015年IEEE计算机视觉国际会议(ICCV)圣地亚哥,页1026 - 1034年,2015年。视图:出版商的网站|谷歌学术搜索
41. t·a·兰伯特、a . Stumpf和p . Gancarski”实证研究注释器协议,地面真值估计,和算法评估,”IEEE图像处理,25卷,不。6,2557 - 2572年,2016页。视图:出版商的网站|谷歌学术搜索
42. g·默罕默德和m . f . Alhamid”用户情感识别更多的社会网络数据使用主动学习,”多媒体工具和应用程序,卷76,不。8,10881 - 10892年,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Mehedi马苏德•et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。