文献速递胸部技术与安全CT

使用深度残差神经网络对COVID-19患者进行超低剂量胸部CT成像

Ultra-low-dose chest CT imaging of COVID-19 patients using a deep residual neural network.
PubMed 文献 · Eur Radiol · 2020-09-03

本研究利用深度残差神经网络将超低剂量胸部CT预测为全剂量图像,训练、测试、外部验证分别使用800、170、171对图像。CTDIvol降低达89%,预测图像总体主观评分4.42±0.8,低于参考全剂量CT的4.72±0.57但高于超低剂量CT的2.78±0.9。作者认为该算法能以可接受质量预测标准全剂量CT图像用于COVID-19阳性患者的临床诊断,同时大幅降低辐射剂量。

要点

  • 超低剂量CT可丢失磨玻璃影等关键病灶信息,可能影响临床诊断。
  • 深度学习从超低剂量预测全剂量CT可使CTDIvol降低达89%。
  • 部分离群患者中算法未能恢复正确病灶结构/密度。

核心结论

  • 深度学习算法能够以可接受质量预测标准全剂量CT图像,用于COVID-19阳性患者的临床诊断,同时实现大幅辐射剂量降低。
  • 超低剂量CT图像在诊断上存在缺陷,但生成的全剂量图像适合本任务。
  • 深度学习算法在部分离群患者中未能恢复正确的病灶结构/密度,需要进一步研究与发展以解决这些局限。

研究设计与样本

  • 回顾性研究,经参与中心伦理委员会批准,免除书面知情同意。
  • 纳入9个医学中心的1141例容积胸部CT检查,其中312例来自PCR阳性COVID-19患者,COVID-19患者来自3个中心,使用Emotion 16(Siemens Healthcare)、NeuViz Dual(Neusoft Medical Systems)和Optima CT580(GE Healthcare)等扫描仪型号。
  • 各中心使用相同协议采集,均采用滤波反投影(FBP)算法重建。
  • 训练、测试、外部验证分别使用800对(112例COVID-19)、170对(100例COVID-19)、171对(100例COVID-19)超低剂量与全剂量CT图像作为输入/输出。
  • 采用深度残差神经网络(ResNet)进行图像到图像转换,网络含20个卷积层、9个残差块,所有卷积使用3×3×1核,在TensorFlow(1.12.1版)中实现。

关键影像表现/征象

  • 超低剂量组中磨玻璃影偏移为正常表现,实变转变为磨玻璃影。
  • 预测组中部分离群病例磨玻璃影偏移为实变,与超低剂量图像局部诱导的偏置噪声模式、病灶异质性及深度学习平滑效应有关。
  • 由于磨玻璃影的细纹理和相对低密度,条纹状噪声模式导致病灶多呈正偏置和更粗糙纹理,合成标准剂量CT图像中磨玻璃影被误判为铺路石征的可能性增加。
  • 所用最小可学习核为3×3,会轻度平滑合成图像结构,局部正噪声偏置与结构平滑共同导致部分磨玻璃影误判为铺路石征。

诊断标准与关键数值

  • 主观评分1–5分:5分为优、4分为好、3分为可接受、2分为差、1分为不可解读,分别用于整体图像质量及病灶类型评估。
  • 病灶类型包括磨玻璃影、铺路石征、实变、结节状浸润、支气管血管束增厚和胸腔积液。
  • 测试集预测全剂量图像较超低剂量图像RMSE从0.16±0.05降至0.09±0.02;外部验证集从0.16±0.06降至0.08±0.02(归一化HU单位)。
  • 外部验证集预测全剂量图像的SSIM从0.89±0.07升至0.97±0.01,PSNR从29.40±4.94升至33.60±2.70。
  • 放射科医生整体评分:参考全剂量CT为4.72±0.57,超低剂量CT为2.78±0.9,深度学习预测CT为4.42±0.8(满分5分)。

临床应用与阅片要点

  • 超低剂量协议模拟参数的参考CTDIvol约为0.72 mGy(范围0.66–1.02 mGy),全剂量协议CTDIvol为4.16–10.5 mGy,平均6.5 mGy。
  • 按所采用方法,不同扫描仪型号的入射通量确定在3.5–4×10³范围。
  • 预测图像中实变获评优(5分)的病例超过90%,而全剂量图像中约60%。
  • 预测图像中铺路石征、结节状浸润和胸腔积液获评优(5分)的比例分别为100%、超过70%和超过40%。
  • 作者指出,预测CT图像中COVID-19病灶纹理可能被错误改变,从而影响诊断/评分。

局限性

  • 超低剂量CT虽然对COVID-19检测和诊断可能与全剂量CT同等有效,但存在若干局限,尤其是光子所致噪声水平增加(原文此处截断)。
  • 深度学习算法在部分被视作离群值的患者中未能恢复正确的病灶结构/密度,需要进一步研究与发展以解决这些局限。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2020 Sep 3;31(3):1420–31. doi: 10.1007/s00330-020-07225-6

引言

2019年12月,在中国武汉出现了一种新型冠状病毒,即严重急性呼吸综合征冠状病毒2(SARS-CoV-2),被世界卫生组织(WHO)认定为全球公共卫生关注问题[1]。SARS-CoV-2疾病2019或COVID-19是一种影响上呼吸道和下呼吸道的传染病,可诱发轻至重度呼吸综合征,包括肺炎[2]。实时逆转录聚合酶链反应(RT-PCR)被认为是COVID-19诊断的标准方法,但存在诸多局限性,包括准备时间以及不同临床样本中的假阳性和假阴性率[3]。相反,早期研究证实计算机断层扫描(CT)是COVID-19诊断的可行方法[4]。直到最近,已有大量临床研究探讨了CT表现用于COVID-19患者早期发现和管理的可行性。然而,在识别与COVID-19相关的CT特征方面仍存在相当大的知识空白[4, 5]。

由于CT检查是普通公众因诊断性医学影像程序受到辐射暴露的主要原因,因此开发低剂量CT成像方案非常必要。最近一项研究表明,接受标准剂量CT检查的患者DNA双链断裂和染色体畸变增加,而接受低剂量CT扫描的患者未检测到对人类DNA的影响[6]。尽管已报道了大量用于降低CT剂量的硬件和软件技术进步,包括高灵敏度探测器、新型自动曝光控制(AEC)系统、自适应X射线管电压和新型图像重建算法,但CT仍不是一种低剂量成像方式[7]。因此,该方式的辐射暴露水平仍然值得关注[8]。学术和企业环境中设计的针对特定任务的低剂量成像方案已在临床环境中采用[9]。Zhou等[10]提出了一种低剂量CT方案,能够在不牺牲信噪比(SNR)和对比噪声比(CNR)的情况下显著降低剂量长度乘积(DLP)和有效剂量(ED)。然而,从传统全剂量CT成像方案转换为低剂量CT成像方案并非易事,原因是担心噪声水平升高和遗漏解剖结构而导致假阳性率增加。

多个专业学会、科学家和临床医生提出了适用于COVID-19的适当低剂量CT方案[11–14]。然而,由于上述相同原因,这些方案并未在临床中心广泛部署。临床医生和放射科医生往往倾向于使用采用全剂量CT成像的既定方案,并且常常缺乏时间或不愿意开发或采用新方案,尤其是在紧急情况下,例如COVID-19暴发期间。

除了传统去噪方法[15, 16]之外,已有多种深度学习算法被提出用于医学图像分析[17–19]、PET[20]和SPECT[21]去噪以及CT图像去噪和图像质量增强[10, 22–25]。Yang等[22]应用带有Wasserstein距离和感知损失的生成对抗网络(GAN)对低剂量CT图像进行去噪。在另一项研究中,Kim等[23]使用基于任务的图像质量评估针对各种信号和剂量水平,研究了不同损失函数对基于卷积神经网络(CNN)的图像去噪性能的影响。Shin等[24]比较了使用基于深度学习的去噪算法获得的低剂量CT图像与使用滤波反投影(FBP)和高级模型迭代重建(ADMIRE)重建的低剂量CT图像的图像质量。他们报道,与低剂量CT图像的FBP和ADMIRE重建相比,深度学习技术实现了更好的噪声特性。在本研究中,我们旨在将深度学习算法应用于超低剂量COVID-19 CT图像,以生成高质量图像,从而获得与全剂量CT图像相当的诊断准确性。

材料与方法

数据采集

本回顾性研究经参与中心的伦理委员会批准。经批准豁免书面知情同意。我们纳入了来自9个医学中心的1141例胸部容积CT检查,其中312例容积CT图像来自PCR阳性COVID-19患者。COVID-19患者来自三个中心及多种扫描仪型号,包括Emotion 16(Siemens Healthcare)、NeuViz Dual(Neusoft Medical Systems)和Optima CT580(GE Healthcare)。所有CT图像在各中心均使用相同方案采集,并使用滤波反投影(FBP)算法重建(表1)。

表1 全剂量和低剂量胸部CT协议的采集参数 查看原表 ↗

超低剂量CT模拟

基于Beer-Lambert定律(I = I0 exp(− ∫ μ(e, x)dx)),超低剂量扫描的入射通量水平(I0)可通过充分缩放相应全剂量扫描的入射通量水平来计算。根据CT透射数据的物理学原理(式1),我们通过在正弦图域中向全剂量投影添加统计独立的泊松噪声分布和高斯噪声分布,从全剂量投影模拟了超低剂量CT投影数据。其中Î为探测器通道中记录的测量噪声信号,I0为穿过患者的平均光子数,根据与管电流(mAs)的线性关系确定。me和分别为电子噪声的均值和方差。整个过程如下:根据全剂量图像中的管电压将Hounsfield单位(HU)转换为线性衰减系数( ),

使用Radon变换在全剂量图像上从衰减图(μtissue)生成投影数据(psd),设置如下:平行束几何结构和一次旋转中1080个投影角度,

将投影数据转换为透射数据,即Tsd=exp( − psd),

通过将超低剂量扫描入射通量乘以全剂量透射数据生成超低剂量透射数据,即 ,

通过向透射数据添加泊松噪声和高斯噪声模拟超低剂量扫描中的噪声,即 ,

在正弦图域中计算超低剂量投影数据,即 ,

使用FBP算法重建超低剂量图像,

使用步骤1中的公式将重建的衰减图转换为HU。

在上述模拟超低剂量扫描的步骤中,需要确定三个参数,即超低剂量扫描入射通量( )、电子噪声的均值(me)和方差( )。在现代CT扫描仪中,这些参数可在常规校准程序中确定。然而,这对于多中心临床数据库并不实用。因此,这些参数是根据模拟超低剂量CT图像与作为参考的真实超低剂量CT图像集的拟合噪声水平来设定的。参考超低剂量CT图像是在针对COVID-19诊断的任务特异性超低剂量方案下,于MX 16排CT扫描仪(Philips Healthcare)上采集的,CT剂量指数(CTDIvol)降低至约0.72 mGy。该方案的采集参数如下:管电压90 kVp,管电流范围20–45 mA,旋转时间0.5 s,螺距因子0.75,采用FBP图像重建程序。为量化模拟超低剂量CT图像的噪声水平,基于Christianson等人[26]提出的方法生成噪声指数。当模拟超低剂量图像中软组织和肺部的噪声水平幅度与参考图像相比处于10%区间内时,确定入射通量水平( )。在电子系统中,me通常校准为零,而电子噪声的方差则基于Zeng等人[27]针对Definition Edge CT扫描仪(Siemens Healthcare)提出的方法进行初始化。随后,进行了一项观察者研究,以评估模拟超低剂量图像相对于全剂量图像的质量。三名物理学家参与了此项研究,对由低光子扫描和高斯噪声引起的统计误差所致的明显泊松噪声和条纹伪影进行视觉评分。我们根据所使用的扫描仪型号和成像方案将数据集分为多组。因此,从每组中随机选择三组图像集用于评估过程。在软组织(肝脏上部)和肺部区域绘制两个ROI(5 × 5 cm2),不包含相邻解剖结构。计算各ROI的平均标准差(STD)。更新模拟参数,使在软组织和肺部绘制的两个ROI中获得相同的STD,同时保持模拟超低剂量图像与全剂量图像之间的视觉相似性。

深度学习算法

网络架构

我们应用深度残差神经网络(ResNet)进行图像到图像的转换,试图从超低剂量CT图像预测全剂量图像[28]。本研究将Wenqi等[28]提出的用于图像分类的残差模型修改后用于回归应用。图1展示了本研究采用的ResNet架构。该网络结合了20个卷积层,其中包括两个七层卷积层和一个六层卷积层,分别用于低、中、高级特征提取。为有效提取特征,ResNet架构在七个中间层和六个最后层采用了膨胀因子为2和4的膨胀卷积。在此组合中,每两个卷积层连接到一个残差连接,其中带泄漏整流线性单元(LReLU)作为激活函数。在TensorFlow(版本1.12.1)中实现的ResNet被用于将超低剂量胸部CT图像转换为全剂量图像。

在本工作中,所有卷积均采用3×3×1卷积核。ResNet网络具有残差连接,通过将模块的输入和输出相结合来绕过参数化层,从而实现平滑的信息传播,从而提高训练速度/质量。ResNet架构受益于9个残差模块,这些模块已被证明能有效改善特征提取过程。本工作避免了大量可训练参数。ResNet架构的更多细节见图1。

图1 深度残差神经网络(ResNet)的架构及相关层细节。红色层,膨胀率为1的层;黄色层,膨胀率为2的层;棕色层,膨胀率为4的层。Conv,卷积核;LReLu,带泄漏整流线性单元;SoftMax,Softmax函数;Residual,残差连接 查看原图 ↗

实现细节

本研究分别使用800对(112对COVID-19)、170对(100对COVID-19)和171对(100对COVID-19)超低剂量与全剂量CT研究作为输入/输出,分别作为训练集、测试集和外部验证集,以实现全剂量预测技术。采用二维空间窗口等于512×512体素的ResNet模型(CT图像经裁剪以消除检查床和背景空气)。为训练网络,采用Adam优化器和L2范数损失函数。使用2080TI GPU、Intel(R) Xeon 2.30-GHz 7i CPU和64-GB RAM训练网络进行全剂量预测约需50小时。经过十个 epoch 后,训练损失达到平台期。

定量评估

我们在170个测试集和171个外部验证集上对该框架进行了定性和定量评估。为此,将超低剂量图像和预测图像与参考全剂量图像进行比较。采用体素级均方根误差(RMSE)评估CT图像质量。此外,使用结构相似性指数(SSIM)和峰值信噪比(PSNR)作为预测CT图像质量的定量指标。

临床评估

所有患者胸部CT图像被分为三组,即全剂量、超低剂量和经肺窗预测。由一名具有10年经验的放射科医师对CT图像进行盲法定性评估。放射科医师的临床评估基于定性评估,包括评估病灶密度、形状、位置和边缘,以及分析病灶类型。对于定性评估,每幅图像按以下标准赋予1至5分的评分:优秀,5分;良好,4分;合格,3分;差,2分;不可判读,1分。该评分方案分别用于图像质量的总体评估,即边缘、形状和密度,以及病灶类型的评估。病灶类型包括磨玻璃影(GGO)、碎石路征(CP)、实变(CS)、结节状浸润(NI)、支气管血管束增厚(BVT)和胸腔积液(PE)。为根据病灶位置进行分类,将病灶归属于肺内以下解剖区域中的任一区域:左肺、右肺、上区、下区、中区、上段、后段以及中央和外周区域。

结果

基于超低剂量方案确定模拟参数的CTDIvol平均值为约0.72 mGy(范围0.66–1.02 mGy)(表1)。相比之下,全剂量方案的该指标范围为4.16至10.5 mGy,平均为6.5 mGy。根据所采用的方法,不同扫描仪模型的入射通量确定在3.5–4 × 103范围内。

预测全剂量和超低剂量CT图像在测试集和外部验证集中的定量指标,包括RMSE、PSNR和SSIM,以箱线图形式绘制于图2,并汇总于表2。在测试集和外部验证集中,由超低剂量CT图像预测的全剂量图像,以归一化HU为单位的RMSE分别从0.16 ± 0.05降至0.09 ± 0.02,以及从0.16 ± 0.06降至0.08 ± 0.02。在外部验证集中,预测全剂量图像的SIMM和PSNR分别从0.89 ± 0.07增至0.97 ± 0.01,以及从29.40 ± 4.94增至33.60 ± 2.70。

与图像质量评估相关的总体结果见图3a,其中可观察到超低剂量扫描的图像质量变异较大,而预测全剂量图像大多评分为良好或优秀。总体评分显示,全剂量图像获得最高分(4.72 ± 0.57),而超低剂量图像评分最低(2.78 ± 0.9)。图3b显示了各病灶类型在不同图像序列中的出现频率。可以看出,GGO在所有图像中出现频率最高,而混合型(全部)在所有图像中的出现频率相同。特征本质的变化如下:在超低剂量组中,GGO转变为正常特征,而实变转变为GGO。

病灶可检测性评分结果见图4。在全程剂量图像中,CS获得优秀评分(评分=5)的病例约占60%,而在预测全程剂量CT图像中超过90%。CP、NI和PE在预测图像中获得优秀评分(100%),分别超过40%、70%和40%的病例。不同病灶由人工观察者给出的整体图像质量评分总结于表3。表4呈现了不同图像对CT表现不同方面(包括病灶状态、边缘、形状和密度)的视觉评分。

图5及补充图1和2展示了全程剂量、超低剂量和预测全程剂量CT图像的代表性示例。预测CT图像改善了图像质量,从而使大多数病灶易于分类。图6及补充图3和4展示了一个图像质量改善但部分相关解剖细节缺失的异常值示例。因此,网络未能恢复图像的完整细节,GGO病灶转变为CS。在预测组的异常值中,GGO转变为实变。

图2 测试集和外部验证集中预测图像和超低剂量CT图像的峰值信噪比(PSNR)、结构相似性指数(SSIM)和均方根误差(RMSE)的均值和标准差 查看原图 ↗
表2 测试集和外部验证集中预测图像和超低剂量CT图像的峰值信噪比(PSNR)、结构相似性指数(SSIM)和均方根误差(RMSE)的均值和标准差,以及预测图像与超低剂量图像之间的统计学差异 查看原表 ↗
图3 a 不同图像的图像质量评分。b 不同图像中的病灶类型频率。磨玻璃影(GGO)、铺路石征(CP)、实变(CS)、结节状浸润(NI)、支气管血管束增厚(BVT)和胸腔积液(PE)。评分(优秀,5;良好,4;合格,3;较差,2;不可判读,1) 查看原图 ↗
图4 不同图像的图像质量评分。磨玻璃影(GGO)、铺路石征(CP)、实变(CS)、结节状浸润(NI)、支气管血管束增厚(BVT)和胸腔积液(PE)。评分(优秀:5,良好:4,合格:3,较差:2,不可判读:1) 查看原图 ↗
表3 人工观察者为不同病灶分配的图像质量评分。GGO,磨玻璃影;CS,实变;CP,铺路石征;NI,结节状浸润;BVT,支气管血管束增厚;PE,胸腔积液(PE)。评分(优秀,5;良好,4;合格,3;较差,2;不可判读,1) 查看原表 ↗
表4 通过不同图像的视觉评分进行的图像质量评估,记录CT表现的不同方面。评分(优秀,5;良好,4;合格,3;较差,2;不可判读,1) 查看原表 ↗
图5 代表性全程剂量图像及相应的超低剂量和预测全程剂量图像 查看原图 ↗
图6 异常值报告:一例患者的CT图像,深度学习算法改善了图像质量,但在预测图像中将斑片状病灶转变为实变。红色箭头标示已识别病灶的变化 查看原图 ↗

讨论

尽管围绕低水平电离辐射的潜在危害效应和线性无阈值理论存在争议和激烈辩论[29],对辐射暴露的担忧仍然存在[30]。由于CT成像广泛用于多种疾病的临床诊断、预后评估、治疗反应评估和随访,它是现代医疗保健中患者辐射剂量的一个增量来源[7, 31]。就当前COVID-19危机而言,胸部CT成像是目前最快的诊断方法。然而,它仍然是一种高剂量成像模式,因此,开发一种能够保持最佳图像质量的超低剂量方案在公共卫生管理中具有临床相关性。因此,作为对此次疫情以及随后大规模人群CT成像需求的回应,提出了一种超低剂量成像方法,以尽量减少人群的辐射暴露。这是通过引入一种深度学习方法实现的,该方法通过从超低剂量CT图像生成高质量的全剂量图像来用于COVID-19患者诊断。研究表明,尽管模拟的超低剂量CT图像在诊断上存在不足,但生成的全剂量图像适合当前任务。所提出的基于深度学习算法的超低剂量方法成功地将CTDIvol降低了高达89%,反映出与诊断性CT检查相关的辐射剂量大幅降低。

多项研究评估了低剂量CT在COVID-19管理中的作用[11–14]。Agostini等[12]从信噪比和对比噪声比以及Likert量表方面评估了低剂量、长螺距双源胸部CT方案对COVID-19患者的可行性和诊断可靠性。他们报告称,其低剂量CT方案实现了显著的剂量降低、更少的运动伪影以及最佳的信噪比和对比噪声比。然而,该方案仅适用于第三代双源CT扫描仪,因此不适用于较旧的CT成像系统。Dangis等[14]检验了低剂量亚毫希沃特胸部CT诊断COVID-19的准确性和可重复性。他们证明,低剂量CT对COVID-19诊断具有极好的敏感性、特异性、阳性预测值、阴性预测值和准确性,平均有效剂量为0.56 ± 0.25 mSv。在本研究中,模拟的超低剂量CT图像代表了与相应全剂量CT图像相比CTDIvol显著降低(高达89%)的方案结果,这是比较患者有效剂量和电离辐射风险的良好指标[32]。鉴于当前辐射防护建议[33],这是一项值得称赞的努力,特别是对于敏感人群(如儿科患者和孕妇)的诊断和随访。

本研究结果表明,通过使用CNN,我们可以生成剂量显著更低且图像质量可接受的图像。尽管预测图像的图像质量与全剂量CT图像并不完全相同,但大多数COVID-19特征,包括结节状浸润、实变和碎石路征特征,获得了高分,几乎与全剂量CT图像相似。

我们还证明,在预测的CT图像中,COVID-19病灶的纹理可能被错误地改变,从而影响诊断/评分。我们观察到,在超低剂量组中,磨玻璃影(GGO)被转变为正常特征,而实变被转变为GGO。在低剂量组中,GGO向正常特征的转变可能是由于GGO的平均HU值接近正常。此外,由于GGO和实变病灶的HU值差异位于正常邻域内,它们可能被描绘和诊断为相似特征。同样,在预测组中,由于超低剂量图像中局部诱导的偏差噪声模式、病灶的异质性以及深度学习在某些离群病例中的平滑效应,GGO被转变为实变。低剂量模拟会导致总体零偏差(零均值噪声信号),噪声方差升高,取决于 underlying signals/textures 和模拟低剂量扫描的水平。由于GGO病灶的精细纹理以及相对较低的密度(低CT值),条纹状噪声模式导致这些病灶中主要为正偏差和更粗糙的纹理。因此,在生成的合成标准剂量CT图像中,GGO被误判为CP的可能性增加。此外,本研究中使用的广泛使用的最小可学习核为3×3,这会稍微平滑生成的合成图像的结构。局部正噪声诱导的偏差以及生成的CT图像中结构的平滑性导致一些GGO病灶被误识别为CP。

尽管超低剂量CT在COVID-19检测和诊断方面与全剂量CT同样有效,但它存在一些局限性,特别是光子剥夺导致的噪声水平增加。本研究的一个局限性是,在临床评估过程中,超低剂量图像由于存在高噪声而容易被放射科医生识别。这可能导致了他们的潜意识偏差,从而对这些图像给出较低的评分。我们报告了离群值主要来源于模拟超低剂量CT图像的低质量(高噪声水平和/或噪声诱导的伪影),这是由模拟肥胖患者中的光子饥饿引起的。当前方法在COVID-19成像中的应用需要对由于患者间/患者内变异和噪声变异性引起的离群值进行彻底调查。

结论

COVID-19患者的超低剂量CT成像会导致病灶类型关键信息的丢失。然而,本工作中呈现的结果表明,ResNet是生成用于COVID-19诊断的超低剂量CT图像的最佳算法。尽管如此,深度学习解决方案未能为一些患者恢复正确的病灶结构/密度,因此,需要进一步的研究和开发来解决这些局限性。

电子补充材料

ESM 1(DOCX 3701 kb)

引用

  1. Shiri I, Akhavanallaf A, Sanaat A, et al. Ultra-low-dose chest CT imaging of COVID-19 patients using a deep residual neural network. Eur Radiol. 2020. PMID: 32879987. doi:10.1007/s00330-020-07225-6
  2. 全文:PMC7467843(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7467843/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。