基于改进U-Net网络的肺部CT图像结节分割方法

龙雪 李政林 王智文 呼和乌拉

摘  要：肺结节的精准分割对于肺肿瘤的良恶性诊断具有重要意义。针对肺结节在肺部CT图像中占比较小且形态各异，为肺结节的识别带来障碍等问题，提出一种改进的U-Net肺结节分割算法：加入双注意力模块，强化重要特征;使用残差模块简化网络训练，避免梯度消失;加入空洞空间金字塔池化模块，得到上下文不同尺度的特征;融合Focal loss函数与Dice损失函数，解决样本分布不均衡和难分样本挖掘问题。对Luna16数据集的100例患者的CT图像进行了测试。实验结果表明，该方法的交并比和F1分数分别达到了0.788 8和0.895 9。

与SegNet、U-Net、U-Net++网络和其他改进策略相比，本文方法可以准确地分割出肺结节，具有更好的分割性能。

关键词：肺结节;分割;U-Net;残差;池化

中图分类号：TP391.41;R734.2         DOI：10.16375/j.cnki.cn45-1395/t.2022.01.010

0    引言

癌症是全球主要死亡原因之一，肺癌死亡率在全球癌症死亡率中位居第一。2020年中国约有300万人因癌症而去世，其中约有71万人死于肺癌。通过比较2015—2020年不同癌症类型的新增病例和死亡人数，可以看出肺癌的致死率非常高[1]。肺癌早期在CT上表現为肺结节，若是肺癌晚期，患者的5年生存率只有5%，但是若能较早发现肺结节，并能及时治疗，可以很大程度地提高患者生存率，这使得尽早发现肺结节，减少癌症死亡率成为重要研究前沿[2]。肺结节的大小、形状、轮廓等特征是临床上对肺结节良恶性诊断的重要依据，提高对肺结节分割的准确率，减少由于肺结节位置、形态、大小等差异造成的漏诊率，有助于降低肺癌死亡率。

肺结节的分割方法大体上可以分为传统的肺结节分割方法和深度学习肺结节分割方法。Kubota等[3]采用区域生长和距离图的模式进行结节表面描绘，使结节表面与前景相交的凸包构成最终分割。Liu等[4]提出了一种基于模糊C均值（fuzzy              C-means，FCM）聚类和分类学习相结合的快速自适应肺结节分割方法。Dhara等[5]通过分析结节核心的强度分布，将肺结节分为实心和非实心类别，提出了2种独立有效的肺结节分割方法。Nithila等[6]将基于区域的活动轮廓模型和FCM相结合，设计出一种具备降低错误率和增加相似性度量优势的肺结节分割方法。以上提出的传统肺结节分割方法对人工干预的依赖性较强，易出现过分割、欠分割现象，且随着迭代次数的增加，计算复杂度大大增加，难以满足所有类型结节分割的目的，因此不能满足临床需求。而Ronneberger等[7]提出的U-Net网络，可以从非常少的图像中训练至端到端，对肺结节的分割具有良好的效果。Tong等[8]通过残差网络对U-Net网络进行了改进，提高了网络的训练效果。张倩雯等[9]加入深度残差结构，形成新的网络 ResUNet。钟思华等[10]采用密集连接的方式对      U-Net网络进行了改进。黄鸿等[11]融合了自适应加权聚合策略，在一定程度上解决了肺结节欠分割现象，能够较好地分割肺结节。

基于U-Net的肺结节分割方法在肺结节分割领域取得了一定的成就，许多学者在此基础上进行了改进，但是上文提出的改进方法仍然面临样本数据小、形态各异等限制。为了解决由于肺结节在肺部CT图像中占比较小且形态各异，导致样本分布不均衡和难以分割，以及患者可用于训练模型的数据量少等问题，本文提出一种用于肺部CT图像结节分割的改进的U-Net分割模型。整体实验流程如图1所示。首先对原始格式医学图像进行预处理，得到8位数字灰度图像;使用YOLOV5s检测模型[12]对整组 CT 图像样本进行肺结节目标的预检测，得到标记ROI的CT图像;通过切割算法切割出包含ROI的256×256的切割图像，再输入本文改进后的  U-Net网络;通过混合损失函数实现肺结节的分割，并以真实标签为金标准对测试结果进行评估，从而判断本文算法的性能。

1    网络模型

1.1   改进后的U-Net分割网络结构

本文使用的分割网络结构如图2所示。输入256×256的灰度图像，编码部分包括4组卷积和4次2*2最大池化，与之相对应的解码部分也包括4组卷积和4次2*2的上采样操作。为了在简化网络训练的同时避免梯度消失，将整个网络的基础层由3*3卷积操作换成残差模块（residual block，ResBlock），以此提高U-Net网络的稳定性，加快网络的收敛速度。在编码网络的最后一层，由2个ResBlock和ASPP模块构成，实现多尺度信息学习。为了避免每次卷积操作都会丢失一些图像信息，引入跳跃连接，使解码网络中经过反卷积之后的特征图与编码网络中同层的特征图经过适当裁剪后进行拼接，将网络中的浅层特征与深层抽象特征融合。通过融合双注意力模块，使网络具备更佳的提取肺结节特征的能力。在解码网络的最后一层，接入双注意力模块和残差模块，使用1*1 卷积和Sigmoid激活层来减少特征图数量和计算最终特征图中每个像素的类别，最终通过混合损失函数实现肺结节的分割。

1.2   注意力模块

在对语义分割网络进行改进时，使用最多的改进方式是加入注意力机制。综合考虑U-Net网络存在的问题，本文加入了双注意力机制。由于通道注意力模块关注各通道间的特征信息，空间注意力模块关注通道内的局部位置信息，因此，双注意力机制使用上述2种注意力模块进行融合。双注意力模块如图3所示。

1.2.1    通道注意力模块

本文网络加入通道注意力模块[13]，通过自适应调整各通道间的特征响应值，可以分配不同的权重对通道进行强调或者抑制。通道注意力模块如     图3（a）所示。通道注意力模块工作过程为：当有特征图F输入时，特征图F分别通过最大值池化和平均值池化得到[FCmax]和[FCavg];[FCmax]和[FCavg]分别通过共享感知器后，将共享感知器的输出特征进行逐元素相加;最后经过Sigmoid激活函数，生成最终的通道注意力特征[MC（F）]。通道注意力的权重[MC（F）]计算公式，如式（1）：

[MC（F）=σ（W1（W0（FCavg））+W1（W0（FCmax）））]，   （1）

式中：[F]表示輸入特征图，C表示第C个卷积核，[σ]表示Sigmoid激活函数，[W0]表示共享感知器第一层的权重，[W1]表示共享感知器第二层的权重，[FCmax]表示通道中最大值池化输出特征，[FCavg]表示通道中平均值池化输出特征。

1.2.2    空间注意力模块

加入空间注意力模块有助于丰富局部特征之间的上下文关系，增强局部特征表达能力，空间注意力模块如图3（b）所示。空间注意力模块工作过程为：对于输入特征图[F]，将其分别进行最大值池化和平均值池化，得到最大值池化特征[FSmax]和平均值池化特征[FSavg]，再将二者进行特征融合，然后使用1*1卷积核对该空间描述特征进行卷积操作并通过Sigmoid激活函数，生成最终的空间注意力特征[MS（F）]。空间注意力的权重[MS（F）]计算公式，如式（2）：

[MS（F）=σ（f（[FSmax;FSavg]））]，              （2）

式中：[F]表示输入特征图，S表示特定的空间域，[σ]表示Sigmoid激活函数，f表示卷积核为1*1的卷积操作，[FSmax]表示空间中最大值池化输出特征，[FSavg]表示空间中平均值池化输出特征。

1.3   残差模块

残差模块结构如图4所示。每个残差模块由    2个分支构成：第一个是残差学习分支，包括2个   3*3卷积层，在每个卷积层的后面添加了批量归一化（batch normalization，BN）层和修正线性单元（rectified linear unit，Relu）激活函数，提高U-Net网络的稳定性，加快收敛速度[14];另一个分支是对输入的恒等映射，可以解决网络退化问题。

残差的核心公式为：

[H（X）=F（X）+X] ，                         （3）

[Y=H（X）×Relu] ，                            （4）

式中：[X]表示输入，[F（X）]表示残差映射，[H（X）]表示实际映射，[Y]表示输出，Relu表示修正线性单元激活函数。

1.4   ASPP模块

空洞空间金字塔池化（atrous spatial pyramid pooling，ASPP）是受空间金字塔池化（SPP）的启发，利用空洞卷积来获取不同尺度的特征，减少编码过程中对多余信息的获取，有效提升分割精度。本文采用的ASPP模块包含4种扩展率的空洞卷积，进行5次卷积操作，其结构示意图如图5所示。首先让特征图通过一个1*1卷积，获得在不增加参数规模条件下的多尺度特征映射;分别让特征图通过扩张率为6、12、18的3*3空洞卷积，以此增加感受野，弥补之前深度卷积导致的信息丢失。为了获得全局上下文信息，将原图分辨率降低，送入全局平均池化;将获得的特征映射送进1*1卷积，再进行归一化操作，利用双线性插值将池化后尺寸缩小的特征图上采样，回到原始图像分辨率。接下来将这5路特征图直接在通道维度串联融合。由于此时的通道维度将会变成原来的5倍，所以继续使用一个1*1卷积进行通道降维，获得降维后的特征图，等待进行下一步操作。

1.5   损失函数

在语义分割过程中，常用的损失函数是交叉熵损失函数和Dice相似系数损失函数。Focal loss[15] 是在二分类交叉熵损失函数基础上进行的改进，它通过添加[α]（[α∈0， 1]）来缓解正负样本不平衡，添加[γ]来控制易分类样本和难分类样本的权重。当     [γ]>0时，则减小了易分类样本对损失的贡献，使得模型更加关注于难分类样本，从而解决难易样本严重失衡问题。Focal loss公式如式（5）所示。

[LFL=-1Ni=1N[αyi（1-y′i）γlogy′i+]

[（1-α）（1-yi）（y′i）γlog（1-y′i）]]，         （5）

式中：[yi]表示像素点i的真实样本标签，[y′i]表示网络对像素点 i的预测结果，[N]表示像素点个数，[γ]表示样本权重降低的速率（本文取[α=0.1]，[γ=2]）。

不同于交叉熵损失函数，Dice相似系数损失函数特别适用于样本极度不平衡和微小目标分割，因为它的计算预测结果和真实情况具有相似性，可忽略目标的相对大小，但是一般情况下单独使用会使训练变得不稳定。Dice损失函数定义公式如式（6）   所示：

[LDice=1-i=1ny′iyii=1ny′iyi+?i=1n（1-y′i）yi+βi=1ny（1-yi）]， （6）

式中：[y′i]为网络对像素点i的预测结果，[yi]为像素点i的真实类别（本文取[?=12]，[β=12]）。

综合考虑2种损失函数的优缺点，本文使用Focal loss函数与Dice函数混合的损失函数[16]，即：[L=LFL+LDice]，以此应对样本分布不均衡和难分样本挖掘的问题。公式如式（7）所示：

[L=1-2i=1ny′iyii=1ny′i+i=1nyi-0.11Ni=1N[yi（1-y′i）2logy′i]].  （7）

2    实验结果与分析

实验平台使用Anaconda进行环境搭建，操作系统为Linux，计算机内存大小为36 GB，显存为32 GB的NVIDIA Tesla V100-SXM2，编程语言为Python3.6，肺结节预检测使用Pytorch框架进行训练，肺结节分割使用Keras框架进行训练。

2.1   数据集

本文采用的数据集来源于LIDC-IDRI数据集的子集Luna16数据集。在Luna16的基础上筛选出结节信息较为明显的100例患者的数据，最终形成   1 857张图像数据集，获得图像分辨率为512×512，其中60%用于训练，20%用于测试，20%用于验证。图6为数据集图像示意图，其中，图6（e）—  图6（h）为切割图的4种数据增强图。

2.2   網络训练

本文采用如图1所示的整体实验流程图进行网络训练，其中，肺结节检测网络使用COCO数据集的训练权重来初始化YOLOV5s的网络权重，并采用自定义Mosaic数据增强方式对数据集进行扩增。参数训练采用随机梯度下降（stochastic gradient    descent，SGD）优化算法，Giou Loss作为损失函数，批量大小设置为16，最大迭代次数epoch为300轮，动量因子为0.9，学习率设为0.000 1，权重衰减系数为0.000 5，输入张量为640×640×3，并采用余弦退火学习率衰减策略进行训练学习。由于第一次检测可能会有未检测出的肺结节，因此，将未检测出结节的CT 图像作为训练集的补充，在第一次训练权重的基础上进行二次训练。

肺结节分割网络的输入张量是YOLOV5s网络检测后的区域图像，将其感兴趣区域的长和宽分别拓展50像素，然后将拓展后的图像统一调整成大小为256×256×1的输入图像。为了消除数据特征之间的量纲影响，使用线性函数归一化（min-max scaling）操作，将得到的变换后数据映射到[0，1]的范围，从而实现等比例缩放。由于数据量偏小，将数据集通过弹性形变、随机小角度旋转[17]、随机平移进行扩增，将扩增后的数据集同样以6∶2∶2的比例划分。参数训练采用SGD优化算法，以Focal loss+Dice loss作为损失函数，批量大小设置为4，计划训练300个epoch，动量因子为0.9，初始学习率均为0.000 1，学习率训练策略采用余弦退火衰减策略，周期为20，权重衰减系数为0.000 5。采用早停法控制训练过程，若验证集损失函数loss值在16个epoch内没有下降，则停止训练，防止过拟合。

2.3   评价指标

本文分割网络选取交并比（IOU）、F1分数（F1）作为肺结节分割模型的评价指标，具体公式如下：

[P=NTPNTP+NFP] ，                            （8）

[R=NTPNTP+NFN] ，                           （9）

[IOU=NTPNTP+NFN+NFP] ，                  （10）

[F1=2×P×RP+R]  ，                       （11）

式中：[P]表示精确率，[R]表示召回率，[NTP]表示正确预测为结节区域的像素数量，[NFN]表示错误预测为非结节区域的像素数量，[NFP]表示错误预测为结节区域的像素数量。

2.4   多种肺结节分割网络的分割性能对比

目前主流的图像分割网络结构主要有SegNet[18]、U-Net、U-Net++等。为了验证本文网络的分割性能，将本文提出的分割算法与SegNet、U-Net、U-Net++进行比较。在相同测试集上，对4种训练好的网络进行测试，以检验不同网络的性能。

图7为4种分割网络结果对比图，第1列是输入分割网络的肺结节图像，第2列是医生标注的金标准图，第3列是本文改进的U-Net获得的结果图，第4列是U-Net网络获得的结果图，第5列是SegNet网络获得的结果图，第6列是U-Net++网络获得的结果图。由图可见，SegNet、U-Net和U-Net++出现的过分割现象十分严重，尤其是当肺结节处于靠近肺壁处，边界模糊，以及与血管等组织较近时，过分割现象更为明显。与金标准相对照，本文方法所得到的分割结果的边缘轮廓较为精确，在形状等方面都没有出现较大误差，可以达到预期分割效果。

依据分割结果对比图（图7），利用式（10）和  式（11）可以得到表1，表中数据包括本文改进      U-Net网络在内的4种分割网络在相同数据集的基础上得到的分割性能结果。由表1可见，本文网络的IOU和F1均具有最大值，因而相比于其他3种网络具有最好的分割性能。而SegNet网络的分割性能明显低于其他3种，这是因为SegNet网络不包含跳跃连接方式，使得分割网络在提取特征的时候，仅将从编码部分得到的特征通过上采样操作恢复至与输入图像大小一致，未考虑浅层特征与深层抽象特征之间的联系。以U-Net为基础的网络，则在网络结构中考虑了这一缺陷，加入了跳跃连接，适用于医学图像精细分割领域。为了解各种改进措施对本文网络分割性能的改进程度，本文开展了采取不同loss以及采用不同组合策略的2组对比  实验。

2.5   不同loss在改进U-Net模型上对实验结果的影响

为了研究不同损失函数对本文改进后的U-Net网络分割性能的影响，分别进行了Dice loss、    Focal loss、Dice loss+Focal loss的对比实验，结果如表2所示。由于本文数据集中样本的实际情况为：难易样本严重失衡、正负样本不平衡和含有微小目标样本，在单独使用Dice loss进行网络训练时可以侧重对肺结节区域的挖掘，但由于数据集中的肺结节均较小，所以训练时容易出现训练不稳定的情况。而本文使用的Focal loss来源于Lin等[15]对二分类交叉熵损失函数的改进，主要添加了调节系数[α]和调节样本权重参数[γ]，在单独使用Focal loss训练本文模型时，能使模型学习到分类较差的体素。本文使用的Dice loss+Focal loss的混合损失函数综合了2种损失函数的特点，在网络训练过程中，针对难以学习的样本采取稳定且有针对性的优化，从而缓解样本不平衡和小目标样本的问题。从实验结果上也可以看出，本文使用的混合损失函数获得的评价指标均高于其他2种单独使用的损失函数，说明相对于以上2种单独使用的损失函数，混合损失函数更适用于解决数据集中、样本处于严重失衡、正负样本不平衡和含有微小目标样本的情况，可以获得更好的分割性能。

2.6   不同组合改进策略的分割性能比较

为了研究在不同组合改进策略下的网络分割性能，选取相同数据集进行了4种改进策略的对比实验，分割性能结果如表3所示：①表示在U-Net基础上加入残差模块的结果;②表示在U-Net基础  上加入残差模块和注意力模块的结果;③表示在U-Net基础上加入残差模块和空洞空间金字塔池化模块的结果;④表示在U-Net基础上加入残差模块、注意力模块、空洞空间金字塔池化模块的结果，它是本文最终选择的改进网络。

由表3可以看出，U-Net网络在加入残差模块、注意力模块、ASPP模块后的网络模型的分割性能明显优于未改进的U-Net网络，本文最终选择的改进网络的性能也优于其他3种网络。本文采用残差模块改进U-Net网络，能够提高U-Net网络的稳定性和加快网络的收敛速度;利用融合了通道注意力模块和空间注意力模块的雙注意力模块，可以自适应调整各通道间的特征响应值，分配不同的权重对通道进行强调或者抑制，并且会丰富局部特征之间的上下文关系，增强局部特征表达能力;利用空洞空间金字塔池化模块可以得到不同尺度的特征，减少编码过程中的多余信息获取，以此提高U-Net网络的稳定性和加快网络的收敛速度。

3    结论

本文以人类医学图像分割领域中具有较为出色分割效果的U-Net网络为基础，通过加入双注意力模块、残差模块、ASPP模块进行改进，并在训练中使用Focal loss函数与Dice loss函数相融合的损失函数进行调参，从而实现了对肺结节的准确分割。在实验过程中，为了证明所采用的改进方案的有效性，采取3组对比实验，第1组是将本文网络与现有的SegNet、U-Net、U-Net++网络进行的横向对比实验;第2组是Dice loss、Focal loss、Dice loss+Focal loss在本文改进网络上的对比实验;第3组是在U-Net网络的基础上分别加入ResBlock、ASPP、双注意力模块的多种组合策略的分割性能对比实验。最终得出：相比于其他几种网络与改进策略，本文改进的U-Net网络具有更好的分割效果。但由于数据集中的CT图像本身是三维图片，本文采用二维方法进行处理必定会损失一些上下文信息。为了获得更佳的肺结节分割结果，使之可以更好地应用到肺癌诊疗与治疗或肺部其他临床应用的辅助工作中，下一步研究的工作重点是尝试将二维与三维方式进行结合，以期获得更好的肺结节分割性能。

参考文献

[1]     CAO W，CHEN H D，YU Y W，et al. Changing profiles of cancer burden worldwide and in China：
a secondary analysis of the global cancer statistics 2020[J]. Chinese Medical Journal，2021，134（7）：783-791.

[2]     DHARA A K，MUKHOPADHYAY S，KHANDELWAL N. Computer-aided detection and analysis of pulmonary nodule from CT images：a survey[J]. Iete Technical         Review，2012，29（4）：265-275.

[3]     KUBOTA T，JEREBKO A K，DEWAN M，et al.   Segmentation of pulmonary nodules of various densities with morphological approaches and convexity models[J]. Medical Image Analysis，2011，15（1）：133-154.

[4]     LIU H，ZHANG C M，SU Z Y，et al. Research on a pulmonary nodule segmentation method combining fast self-adaptive FCM and classification[J/OL].Computational and Mathematical Methods in Medicine，2015，2015[2021-08-01].http：//dx.doi.org/10.1155/2015/185726.

[5]     DHARA A K，MUKHOPADHYAY S，GUPTA R D，et al. A segmentation framework of pulmonary nodules in lung CT images[J].Journal of Digital Imaging，2016，29（1）：86-103.

[6]     NITHILA E E，KUMAR S S. Segmentation of lung nodule in CT data using active contour model and fuzzy C-mean clustering[J].Alexandria Engineering Journal，2016，55（3）：2583-2588.

[7]     RONNEBERGER O，FISCHER P，BROX T. U-Net：
convolutional Networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention，2015.

[8]     TONG G F，YONG L，CHEN H，et al. Improved     U-NET Network for pulmonary nodules segmentation[J]. Optik-International Journal for Light and Electron        Optics，2018，174（8）：460-469.

[9]     张倩雯， 陈明， 秦玉芳， 等. 基于3D ResUNet网络的肺结节分割[J]. 中国医学物理学杂志， 2019，36（11）：1356-1361.

[10]   钟思华，郭兴明，郑伊能.改进U-Net网络的肺结节分割方法[J].计算机工程与应用，2020， 56（17）：203-209.

[11]   黄鸿，吕容飞，陶俊利，等. 基于改进U-Net++的CT影像肺结节分割算法[J]. 光子学报，2021，50（2）：
73-83.

[12]   谈世磊，别雄波，卢功林，等.基于YOLOv5网络模型的人员口罩佩戴实时检测[J].激光杂志， 2021，42（2）：147-150.

[13]   WOO S，PARK J，LEE J Y，et al.CBAM：convolutional block attention module[C]//European Conference on Computer Vision，ECCV，2018：3-19.

[14]   朱宗洪，李春贵，李炜，等. 改进Faster R-CNN模型的汽车喷油器阀座瑕疵检测算法[J].广西科技大学学报，2020，31（1）：1-10.

[15]   LIN T Y，GOYAL P，GIRSHICK R，et al. Focal loss for dense object detection[J]. IEEE Transactions on     Pattern Analysis and Machine Intelligence，2018，42（2）：2999-3007.

[16]   ZHU W T，HUANG Y F，ZENG L，et al. AnatomyNet：deep learning for fast and fully automated whole-volume segmentation of head and neck anatomy[J].Medical Physics，2019，46（2）：576-589.

[17]   林川，曹以雋. 基于深度学习的轮廓检测算法：综述[J].广西科技大学学报，2019，30（2）：1-12.

[18]   BADRINARAYANAN V，KENDALL A，CIPOLLA R. SegNet：a deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017， 39（12）：2481-2495.

Segmentation of lung nodules in CT images based on improved U-Net

LONG Xue1， LI Zhenglin*1， WANG Zhiwen1， HU Hewula2

（1.School of Electrical， Electronic and Computer Science， Guangxi University of Science and Technology，

Liuzhou 545616， China; 2.School of Artificial Intelligence， Xidian University， Xi"an 710119， China）

Abstract：
The precise segmentation of lung nodules is important for the diagnosis of benign and malignant lung cancer. An improved U-Net lung nodule segmentation algorithm is proposed to solve the problems of small proportion in lung CT images and their various shapes which has brought   obstacle to the recognition of lung nodules. Firstly， a dual attention module is added to strengthen important features. Secondly， the residual module is used to simplify network training and avoid the disappearance of the gradient. Thirdly， the ASPP module is added to the network to obtain the     features of different scales in the context. Finally， fusion of Focal loss function and Dice loss     function are used to solve the problem of unbalanced sample distribution and difficult-to-separate sample mining. Then， this paper uses CT images of 100 patients in the Luna16 data set to test the proposed algorithm. The results of the test show that the IOU and F1 of this method have reached 0.788 8 and 0.895 9 respectively. Compared with the SegNet， U-Net， U-Net++ network and other    improvement strategies， the network in this paper can accurately segment lung nodules and has    better segmentation performance.

Key words：
lung nodule; segmentation; U-Net; residual; pooling

（責任编辑：黎   娅）

猜你喜欢残差基于傅里叶级数残差修正TDGM（1，1）的车流量预测模型价值工程(2020年13期)2020-05-25基于新型深度神经网络的民机表面缺陷识别计算技术与自动化(2020年1期)2020-04-09智能属性融合算法在教学系统当中的应用电脑知识与技术(2018年24期)2018-11-26协整套利下的股票市场实证分析市场周刊(2018年6期)2018-09-19基于二阶自相关过程残差控制图的改进价值工程(2018年3期)2018-01-23基于MVU降维的捕捉数据自动分割电子技术与软件工程(2017年19期)2017-11-09