基于特征融合和判别式学习的胎盘成熟度自动分级

李婉君 汪天富 倪 东 陈思平 雷柏英* 姚 远

1(深圳大学医学部生物医学工程学院，广东省生物医学信息检测和超声成像重点实验室，广东 深圳 518060)2(深圳妇幼保健院超声科，南方医科大学附属医院，广东 深圳 518060)

基于特征融合和判别式学习的胎盘成熟度自动分级

李婉君1汪天富1倪 东1陈思平1雷柏英1*姚 远2*

1(深圳大学医学部生物医学工程学院，广东省生物医学信息检测和超声成像重点实验室，广东 深圳 518060)2(深圳妇幼保健院超声科，南方医科大学附属医院，广东 深圳 518060)

胎盘成熟度分级错误可能会导致小于胎龄儿、死产、死胎等的发生。目前，胎盘成熟度分级主要依赖于临床医生的经验和观察，主观性很强，分级准确性易受医生工作强度、工作时长和工作经验的影响。提出一种基于特征融合和判别式学习的胎盘成熟度自动分级算法。首先，对共544例的B型超声图像和彩色能量多普勒(CDE)胎盘图像，采用提取关键点、对关键点提取特征、进行融合并加以判别式特征编码的方法，形成码书，经过归一化，最后用支持向量机(SVM)进行分类，得到胎盘成熟度分级结果。在测试阶段，将胎盘成熟度测试结果与临床医生的分级结果进行对比，得到如下结果：准确率92.7%，敏感性91.1%，特异性97.6%，平均精度97.3%。结果表明，该方法对胎盘成熟度自动分级具有较高的指导意义。

胎盘成熟度评估；特征融合；多层Fisher向量；彩色多普勒能量成像

引言

胎盘是连接胎儿和母体子宫的重要器官，其功能是间接影响胎儿生长发育的重要指数，也间接反映胎儿宫内生长条件。胎盘功能检测能够及时发现胎盘异常，有效避免小于胎龄儿(small for gestational age, SGA)、宫内生长受限(intrauterine growth restriction, IUGR)、死产、死胎及妊娠并发症等的发生。胎盘成熟度作为胎盘的重要功能之一[1-2]，提高其分级的客观性和准确性十分必要。在通常情况下，主流的测量方法是需要超声医师和放射医师凭借知识和经验，对胎盘成熟度进行分级。现有的胎盘成熟度分级算法主要基于B型超声图像。1979年，Grannum等提出基于灰度图像的胎盘成熟度分级标准，把胎盘分为4级[3]。医生通过超声仪获得B型超声图像，然后观察分析胎盘钙化及血窦情况进行成熟度分级。可见，胎盘成熟度的评估主要依赖于医生的主观判断，受劳动强度、劳动时长和临床经验等主观因素影响较大。一旦出现分级结果的错误，会造成胎盘相关疾病的漏诊和误诊。此外，繁琐的手工工作会导致疲劳，从而产生分级结果的差异、错误和误差。因此，较传统方法而言，采用更为客观的自动分级方法就显得尤为必要。

为了提高传统方法的准确性，Linares等提出用纹理特征、Laws掩模和相邻灰度等级差异矩阵特征对胎盘成熟度进行分级[4]。这种方法使用k近邻分类和留一法验证，分类准确率为60.71%。该方法由于所用特征单一，分类结果差，所以不能用于临床实践。Liu等提出提取胎盘B型超声图像的灰度均值、方差、扭曲度和峰度4个特征，用二叉树多类支持向量机(support vector machine, SVM)实现分类[5]。这种方法由于仅有灰度统计特征，缺少纹理特征，所得结果并不可靠。Mao等提出用多特征参数，即灰度统计特征、高通低通二维滤波、Daubechies小波变换，结合前向搜索法进行训练，并用自适应 BP 网络进行分类[6]。该方法对样本量大的胎盘分级实验来说，网络训练难度大，最优阈值的选取对结果影响很大。这些方法主要是利用传统的纹理特征或灰度统计特征，通过配合模式识别或神经网络来实现，但是都忽略了尺度和旋转不变特征，所以还未应用于临床。Lei等提出用Fisher向量和局部亮度顺序信息提升分级结果[7]。Li等提出用密集采样算子(如DAISY)，并使用局部特征聚合描述符(vector of locally aggregated descriptors, VLAD)编码，以解决胎盘成熟度分级问题[8]。相比传统的协仿射变换检测(如Harris、Hessian及多尺度Harris)，这种密集采样配合特征编码的方法能明显提升分级结果。此后，Lei等提出将多层Fisher向量编码用于胎盘成熟度评估[9]。然而，以上所述方法虽然提升了分级结果的准确性，但样本只有B型超声图像，且所用特征较单一，有较大的局限性。

为了克服B型超声图像在胎盘成熟度评估方面的局限性，合理地利用胎盘的血流和血管信息是行之有效的方法。在胎盘成熟的过程中，胎盘发育成为高度血管化的器官，多分支血管和无分支血管都起着非常关键的作用[10-11]。多普勒成像通过多普勒技术，获取人体血流的运动速度在组织平面上的分布，并以灰阶或彩阶的形式形成运动速度分布。胎盘多普勒图像[12]，既可以了解其结构学信息，又可以同时了解其血流信息。相比传统的彩色多普勒血流成像技术，彩色多普勒能量(color doppler energy, CDE)技术在小血流和角度影响方面占明显优势，主要观察感兴趣区域内的血管走行、结构 (血管树和血管网) 形态、管径是否规则及血流丰富程度等，进而观察血流频谱的形态，测定血流有关参数。由于其能探测到低速血流，在妊娠14周后可见胎盘内大量血管，包括许多第2级和第3级的绒毛血管。图1是各级胎盘的CDE图像和B型超声图像。但是，在前述的研究中，CDE的信息总是受到忽略。为此，本研究首次提出将CDE图像的信息纳入胎盘成熟度检查之中，以期提升胎盘成熟度分级的准确率。

图1 各级胎盘图像(上为CDE图像，下为B型超声图像)。(a)0级；(b)I级; (c)II级;(d)III级Fig.1 Placenta samples of all stages. They are CDE images, B-mode ultrasound images from top to down. (a) Stage 0; (b) Stage I; (c) Stage II; (d) Stage III

此外，特征提取之后，特征编码的方法能够获取高阶信息，提升分级结果。由于超声图像中有很多冗余的和无法判别的信息，所以要用判别式特征编码[13]来提升分级结果。常见的编码方法有视觉词袋(bag of visual words, BoVW)[14]、局部特征聚合描述符(vector of locally aggregated descriptors, VLAD)[15]，以及Fisher向量(Fisher vector, FV)[16-17]。尽管Fisher向量具有高阶统计特性，但是仍然不足以弥补超声图像分辨率差的不足。为解决这一问题，本研究用视觉特征描述子提取感兴趣点的有用特征，并将原始图像分为小的子块，利用多层Fisher向量(multi-layer Fisher vector, MFV)，获取更多的空间信息，提升分级结果的准确性。

综上所述，本研究旨在以B型超声图像和CDE图像为样本，提出一种基于特征融合和判别式学习的胎盘成熟度自动分级算法，以提高分级的准确性。这对胎盘产前和预后的诊断都有很重要的意义。

图2 胎盘成熟度自动分级系统Fig.2 System overview of the automatic placental maturity staging method

1 方法

1.1 自动分级系统概述

将CDE图像和B型超声图像输入胎盘成熟度自动分级系统，其训练和测试阶段的流程见图2。

由于训练阶段和测试阶段流程颇为相似，所以仅就训练过程进行说明。

1)为了对胎盘成熟度评估，首先要选取胎盘附着于子宫前壁或子宫底部部位者的超声图像作为处理样本。由于附着于该部位的胎盘有羊水衬托，易观察清楚；而附着于其他部位的胎盘被胎儿遮挡，无法清楚观察胎盘的内部结构，所以不在样本范围内。

2)对原始图像进行预处理，包括降噪和感兴趣区域(region of interest, ROI)的提取，如图3所示。ROI提取是将图像中的无关部分裁剪除去。

图3 胎盘成熟度分级的输入图像。(a)原始B型超声图像；(b)预处理后的B型超声图像；(c)原始CDE图像；(d)预处理后的CDE图像Fig.3 Input US images for placental evaluation. (a) Original B-mode US gray-scale image;(b)Pre-processed B-mode US grayscale image; (c) Original CDE image;(d) Pre-processed CDE image

3)预处理之后检测感兴趣点，用不同方法检测，如图4所示。利用尺度不变特征变换(scale-invariant feature transform, SIFT)、patch和二者融合提取特征。

图4 不同方法提取关键点。(a)高斯差分(Difference of Gassian, DoG)；(b)Harris Laplace；(c) Hessian；(d) Hessian Laplace；(e) Multiscale Harris；(f) Multiscale HessianFig.4 Interest points with different detectors. The detector of the interest point respectively are (a)DoG; (b)Harris Laplace; (c) Hessian; (d) Hessian Laplace; (e) Multiscale Harris; (f) Multiscale Hessian.

4)用k均值算法聚类得到码书，再用特征编码(如FV、VLAD、BoVW)提升准确率。采用FV提取一阶和二阶信息，以提升胎盘成熟度分级的准确性。

5)聚类之后，用直方图的视觉特征表示输入图像，得到视觉词袋。

6)用SVM对胎盘成熟度等级做分类决策。

1.2 多层Fisher向量

与很多从现有特征中提取信息量最丰富特征的特征选择方法[18]不同，特征编码不仅能够识别潜在的特征，还能够基于判别式学习将高阶统计特性和概率权重特征提取出来[16]。每一个特征都对分类任务有作用，高阶统计分量的作用不可忽视。将高阶统计信息纳入特征编码，可以取得更好的分类效果，也使得特征选择的方法更加完善[19]。常见的编码方法，如BoVW，只是用一阶矩(或聚类方法)表示简单的特征计数，得到的是一阶统计量；而VLAD，能保留均值和残差信息。不同于BoVW和VLAD，FV有更高阶统计信息，而且其高阶特性使得与简单的线性分类器结合，可以获得很好的分类效果。正如文献[20]中提出的，FV可以对图像局部特征进行编码，使之适用于学习。FV源自改进的Fisher核框架，不仅能实现图像最佳表示，还能为视觉词袋提供特征描述子的软分配。所以，FV成为表示低阶特征描述子的最佳编码方法之一。

(1)

(2)

考虑两种情况，N被看做常量，或是取决于特定X，有

(3)

因此，Xa和XbFV的点积是样本间的FK，其中有效分解是GMM模型。

基于以上描述，Xa和Xb的FK可表示为

(4)

由于它将高维空间的原始描述符适用于线性分类，所以对改进的金字塔描述子会非常有效。Fisher核的方程表示为

(5)

k(l)(x(l),y(l))=

(Lλ(l)λ(l)logpλ(l)(x(l)))T(Lλ(l)λ(l)logpλ(l)(y(l)))

(6)

式中，λ(l)是GMM模型在l分辨率下的参数。

假设定长向量的维数取决于图形表示中参数的数量。每个D维SIFT描述符xp首先分配给混合分量k，特征和GMM中心的一阶和二阶导数为

(7)

(8)

由分值函数的梯度所得的混合权重参数可以编码0阶统计量。一阶统计量从梯度w.r.t.高斯均值中派生，二阶统计量是由高斯变量计算。通过将向量集中，得到包含有高阶统计量的FV，有

(9)

因此，高阶统计信息，如模型的似然衍生物得到编码。以这种方式，各图像是通过统计逐点用FV表示出来。

值得注意的是，图像的局部空间信息在识别超声图像的底层结构中也很重要。通过如图5所示的方法，即将图像分为2×2子块，形成MFV，分别提取特征，进行拼接，表示图像。这种方法可以从子块中更好地提取单一的信息，从而提升分类效果。

图5 多层Fisher向量(FV)原理。将原始图像分割成子块，分别提取特征，并拼接起来表示图像Fig.5 Pipeline of the proposed multi-layout FV (MFV) algorithm. Original US image is partitioned into sub-divisions. Features are extracted by the visual descriptor from each division, and then concatenated to form the image representation.

1.3 算法验证实验设置

为了尽可能准确地评估胎盘成熟度，进行以下实验。从深圳妇幼保健院的商用超声扫描仪(西门子医用解决方案(美国)，Acuson S2000)获取原始图像。胎盘样本共有544例，包含B型超声图像和CDE图像。其中，0级胎盘有200例B型超声图像和11例CDE图像，I级胎盘有147例B型超声图像和7例CDE图像，II级胎盘有105例B型超声图像和22例CDE图像，III级胎盘有44例B型超声图像和8例CDE图像。采用10次交叉验证的方法，在每次验证中，10%的数据用于测试验证，90%的数据用于训练。在每次验证中，每组的训练样本和测试样本的分布与原始样本的分布近似。所采的胎盘孕周介于18～40周。胎盘图像是由临床经验超过5年的超声科医生所采，均为前壁胎盘图像。系统通过Matlab和C++混合变成技术实现，采用RAM为128GB、单CPU的双四核多线程服务器。量化指标包括准确率(ACC)、敏感性(SEN)、特异性(SPEC)、平均精度(mAP)、接受者操作特征曲线(RoC)，以及曲线下的面积(AUC)。计算方法与文献[8]中的相同。AUC是由SVM分类器所得的分数与标签计算得出。

2 结果

2.1 胎盘分级结果

表1所示的mAP、SEN、SPEC和ACC是基于不同编码方法和描述子的结果。可见，包含统计信息的VLAD和FV编码可以获得比广泛使用的BoVW更好的mAP、SEN、SPEC和ACC结果。从表1中可以看出，提取融合特征(SIFT和patch特征融合)，并采用多层Fisher向量编码的方法所获得的分级结果明显优于其他的方法。采用特征融合和多层FV，所得最好的mAP、SEN、SPEC和ACC的结果为97.3%、91.1%、97.6%和92.7%；同时，也证明所提出的特征融合方法与FV结合使用在胎盘成熟度分级方面的有效性。

2.2 对比实验结果

从实验结果可以看出，特征融合和判别式编码能够提升胎盘成熟度分级结果(见图6)。为了证实CDE图像在胎盘成熟度分级实验中的有效性，进行了只用B型超声图像作为输入的实验，结果如图7所示。仅B型超声图像作输入，胎盘成熟度的分级结果明显低于CDE图像和B型超声图像共同输入的结果。这是因为B型超声图像中钙化信息丰富，但是缺少血流信息，在胎盘成熟度的分级方面仍有局限性。不过，本研究所提出的用特征融合和判别式学习的方法，以及多层Fisher向量编码仍然有效，明显提升了分级结果。

表1 胎盘成熟度分级结果Tab.1 Placenta maturity evaluation results

图6 若不同特征编码方法下特征融合和特征编码后的胎盘分级结果。(a) AUC、SEN和SPEC结果；(b)RoC曲线Fig.6 Placental evaluation result with feature fusion and encodingwith different encoding methods. (a)The AUC, SEN, SPEC； (b) The RoC curve

图7 不同特征编码方法下仅B型超声图像作输入的实验结果。(a) AUC、SEN和SPEC的结果；(b)RoC曲线Fig.7 Placenta maturity evaluation with gray images onlywith different encoding methods.(a)The AUC, SEN, SPEC； (b) The RoC curve

为了进一步评估本研究所提出方法的分类效果，在用CDE图像作为辅助工具来评估胎盘成熟度的有效性验证中，输入了一个查询图像，并评估它与其他所有输入图像的相似性。图8显示了不同成熟度级别的查询图像所得到的结果。每一组中，第一幅图像为查询图像，其余评估其相似程度，按照相似度高低排列的图像。可以直观地看出，输入的CDE查询图像与其他同级图像有相当高的视觉相似性。使用所提出的方法，对收集的B型超声和CDE图像数据进行胎盘成熟度评价相当有效。然而，一些查询图像无法查询到与其最相似的CDE图像，其主要原因是目前所拥有的CDE数据十分有限。通常情况下，孕周28周以下为0级胎盘，32～34周为I级胎盘，34～36周为II级胎盘，36～分娩为III级胎盘。所以，孕周范围小的II级和III级胎盘数量相对有限，一旦有更多CDE的图像，结果可能会更准确直观。

图8 查询图像和与其相似的前8幅图像结果。(a)～(d)的4组图像分别为0级、I级、II级、III级胎盘CDE图像。在每组图中，第一幅图为输入图像，剩余图像从左往右，从上往下依次为按所得相似度高低排列的胎盘图像。Fig.8 Query and top eight retrieved medical images. And(a)，(b)，(c)，(d)represent stage 0, stage I, stage II, stage III,respectively.The first image is the query image, whereas the rest are the retrieved placental image based on the similarity scores (ranked from left to right, top to bottom).

3 讨论

由于胎盘超声图像噪声大、胎盘形状不规则、钙化点不确定等，采用传统的基于单一特征的胎盘成熟度自动等级方法没能取得较好的结果。本算法基于此，利用SIFT和patch融合特征，得到更为丰富的图像信息，并通过判别式特征编码，更好地利用有利于分类的特征，从而提升胎盘成熟度分级的准确性。

在提取关键点的过程中，高斯差分的方法可检测到更多的关键点。其他关键点检测方法得到的关键点数量较少，并且在胎盘图像较为均匀的部分未获得足够的有用特征，在后期降维处理中信息损失更为严重，导致分类结果不能令人满意。在特征提取的过程中，传统的单一特征所能够表达的信息有限，而融合特征可更完整地表达图像，取得了不错的结果。

在特征点检测和特征提取之后，本研究采用特征编码的方式，提升分级结果的准确性。FV编码能够提升特征的判别性，使得类与类之间更具区分性。本研究所采用的MFV，能够更好地获得局部特征，最终得到很好的准确率。

与之前的一些方法相比，本研究在实验设置、分级准确率和对结果的评估上，都有较大的进步。但是，仍有几个问题需要进一步完善：

1) 对图像质量的依赖性。本研究所用数据的来源均为深圳市妇幼保健院的西门子Acuson S2000，该机器能够得到比很多医院现有超声仪器分辨率更高的图像。然而，并未将其他超声仪器所得胎盘图像用于训练和测试，并未对该方法的鲁棒性加以提升。

2) 对超声医师采集图像水平的依赖性。很多经验不足的医生所采图像会由于角度和手法的原因，有很大的噪声。本研究所用图像均由经验超过5年的超声医生采集，对医生的经验还是有一定的依赖性。

3) 特征提取的局限性。本研究利用特征融合，从图像中获取更多的信息，虽然取得了较好的结果，但两种特征还是存在一定的局限性。后续的工作中，将尝试使用深度学习的方法，充分提取利于分类的特征。

4 结论

在本文中，提出了用B型超声图像和CDE图像共同作为输入，评估胎盘成熟度。提出用对FV编码加以特征融合的方法来整合空间信息以及高阶统计信息，提升胎盘成熟度分级结果的准确率。大量的实验结果表明，所提出的方法是十分有效的。通过特征融合和判别式学习的胎盘成熟度自动分级算法，能够为临床医生提供诊断帮助。

[1] 张兰珍，谭丽君，李大慈.胎盘成熟度分级与胎盘功能的相关性探讨 [J]. 中山医科大学学报, 2001, 22(5): 386-389.

[2] 李秋萍，陈汝芳，谢咏. 超声检查胎盘成熟度预测胎盘功能的临床价值[J].中国现代医学杂志, 2001, 11(5): 78-79.

[3] Grannum PA, Berkowitz RL, Hobbins JC. The ultrasonic changes in the maturing placenta and their relation to fetal pulmonic maturity[J]. American Journal of Obstetrics & Gynecology, 1979, 133(8): 915-922.

[4] Linares PA, McCullagh PJ, Black ND, et al. Feature selection for the characterization of ultrasonic images of the placenta using texture classification[C] //2004 IEEE International Symposium on Biomedical Imaging: Nano to Macro. Arlington: IEEE, 2004: 1147-1150.

[5] Liu Z, Zheng H, Lin S. Application of multi-classification support vector machine in the B-placenta image classification[C]// 2009 International Conference on Computational Intelligence and Software Engineering. Wuhan: IEEE, 2009: 1-4.

[6] Mao J, Yang X, Tian X, et al. The Study of automatic classification for ultrasound placenta images based on adaptive multiple neural networks[J]. Journal of Image and Graphics, 2006, 11(7): 965-970.

[7] Lei B, Li X, Yao Y, et al. Automatic grading of placental maturity based on LIOP and fisher vector[C]// 2014 36th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Chicago: IEEE, 2014: 4671-4674.

[8] Li X, Yao Y, Ni D, et al. Automatic staging of placental maturity based on dense descriptor[J]. Biomedical Materials and Engineering, 2014, 24(6): 2821-2829.

[9] Lei B, Yao Y, Chen S, et al. Discriminative learning for automatic staging of placental maturity via multi-layer Fisher vector[J]. Scientific Reports, 2015, 5(12818)：1-11.

[10] Burton GJ, Charnock-Jones DS, Jauniaux E. Regulation of vascular growth and function in the human placenta[J]. Reproduction, 2009, 138(6): 895-902.

[11] Guiot C, Gaglioti P, Oberto M, et al. Is three-dimensional power Doppler ultrasound useful in the assessment of placental perfusion in normal and growth-restricted pregnancies?[J]. Ultrasound in Obstetrics & Gynecology, 2008, 31(2): 171-176.

[12] Bude RO, Rubin JM. Power Doppler sonography[J]. Radiology, 1996, 200(1): 21-23.

[13] Lei B, Tan EL, Chen S, et al. Saliency-driven image classification method based on histogram mining and image score[J]. Pattern Recognition, 2015, 48(8): 2567-2580.

[14] Lazebnik S, Schmid C, Ponce J. Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories[C]//2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York: IEEE, 2006: 2169-2178.

[15] Jégou H, Perronnin F, Douze M, et al. Aggregating local image descriptors into compact codes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(9): 1704-1716.

[16] Sánchez J, Perronnin F, Mensink T, et al. Image classification with the fisher vector: Theory and practice[J]. International Journal of Computer Vision, 2013, 105(3): 222-245.

[17] Lei B, Tan EL, Chen S, et al. Automatic recognition of fetal facial standard plane in ultrasound image via Fisher vector[J]. PLoS ONE, 2015, 10(5): e0121838.

[18] Shen H, Tao D, Ma D. Multiview locally linear embedding for effective medical image retrieval[J]. PLoS ONE, 2013, 8(12): e82409.

[19] Chu C, Hsu AL, Chou KH, et al. Does feature selection improve classification accuracy? Impact of sample size and feature selection on classification using anatomical magnetic resonance images[J]. Neuroimage, 2012, 60(1): 59-70.

[20] Perronnin F, Sánchez J, Mensink T. Lecture notes in computer science: improving the fisher kernel for large-scale image classification [M]//Computer Vision-ECCV 2010. Beilin: Springer Berlin Heidelberg, 2010: 143-156.

Placental Maturity Evaluation via Feature Fusion and Discriminative Learning

Li Wanjun1Wang Tianfu1Ni Dong1Chen Siping Lei Baiying1*YaoYuan2*

1(DepartmentofBiomedicalEngineering,SchoolofMedicine,ShenzhenUniversity,National-RegionalKeyTechnologyEngineeringLaboratoryforMedicalUltrasound,GuangdongKeyLaboratoryforBiomedicalMeasurementsandUltrasoundImaging,Shenzhen518060,Guangdong,China)2(DepartmentofUltrasound,AffiliatedShenzhenMaternalandChildHealthcare,HospitalofNanfangMedicalUniversity,Shenzhen518060,Guangdong,China)

The error of placental maturity classification may lead to the occurrence of small gestational age (SGA), stillbirth, dead fetus, etc. Currently, placental maturity evaluation mainly depends on the clinician′s experience and observation. In this paper, we proposed a novel method to evaluate the placental maturity automatically by feature fusion and discriminative learning. Specifically, we extracted both the gray-scale intensity and blood flow information by the visual feature detector and descriptor from a total of 544 B-mode gray-scale ultrasound (US) images and color doppler energy (CDE) images. After fusing information, we applied the feature encoding method to improve the staging performance using discriminative learning technique. Comparing the test results with the result of the clinicians, we obtained a result with the accuracy of 92.7%, the sensitivity of 91.1%, a specificity of 97.6%, and a mean average precision of 97.3%. The experimental results showed that the proposed method achieved promising performance for placental maturity automatic classification.

placental maturity evaluation; feature fusion; multi-layout Fisher vector; color Doppler energy imaging

10.3969/j.issn.0258-8021. 2016. 04.004

2015-12-18， 录用日期:2016-06-12

深圳市重点基础研究项目(JCYJ2014041415513200，JCYJ20140509172609164)；广东省科技创新重点项目(2014KXM052)

R318

A

0258-8021(2016) 04-0411-08

*通信作者(Corresponding author)， E-mail: leiby@szu.edu.cn; yaoyuan90@126.com