【機器學習對于ACI損傷中的應用研究6500字（論文）】

機器學習對于ACI損傷中的應用研究目錄TOC\o"1-2"\h\u4134引言 1123991、機器學習對于運動損傷的作用 146132、ACI損傷概述 2134082.1ACI解剖及運動機制 332412.2ACI損傷機制 4183582.3前交叉韌帶斷裂的分型 512863、機器學習在ACI運動損傷中的應用 649013.1損傷風險因素識別 687783.2運動損傷預測 7259233.3ACI損傷后管理 8133894、結(jié)語 9956參考文獻 9摘要：前交叉韌帶損傷為膝關節(jié)損傷中常見的發(fā)病機制，MRI為其主要診斷手段。機器學習是目前肌肉骨骼圖像研究中的一項熱門技術(shù)，它能夠高效準確地處理與分析影像學圖像以協(xié)助醫(yī)師臨床工作。本文從MRI機器學習應用于前交叉韌帶運動損傷研究現(xiàn)狀和面臨的挑戰(zhàn)入手進行概述，旨在為從事相關研究工作的學者們提供一些借鑒。關鍵詞：機器學習；磁共振成像；前交叉韌帶；損傷；進展；綜述引言前交叉韌帶（anteriorcruciateligament,ACL）是連接股骨和脛骨的一條重要的膝關節(jié)穩(wěn)定韌帶，提供了移動過程中的穩(wěn)定性，ACL運動損傷以膝關節(jié)最多見，ACL運動損傷使外傷后膝關節(jié)骨關節(jié)炎及全膝置換術(shù)風險升高。所以，對ACL運動損傷進行及時準確的評估對于臨床診斷及后續(xù)治療具有重要的作用。磁共振成像技術(shù)（magneticresonanceimaging，MRI）具有軟組織分辨力好等優(yōu)點、無電離輻射和多參數(shù)成像，已成為膝關節(jié)ACL運動損傷評估的優(yōu)選檢查技術(shù)。近年來隨著醫(yī)療設備與影像技術(shù)之進步，病人的檢查量每年都在增加，越來越多的影像成了放射科醫(yī)生在工作時遇到的一大難題。機器學習已經(jīng)被廣泛地應用于醫(yī)學領域。機器學習通過表征學習的方法，能夠快速，精確地對圖像進行識別，根據(jù)磁共振成像圖像，國內(nèi)外學者還開展了ACL運動損傷機器學習探索。1、機器學習對于運動損傷的作用運動損傷在國際運動科學領域和運動醫(yī)學領域中一直都是研究熱點。運動醫(yī)學界從1994年起陸續(xù)提出“建立了線性多因素作用下的運動損傷原因模型”、“動態(tài)多因素運動損傷原因模型”等模型。盡管可以有效地確定損傷風險因素，在理論層面上對運動損傷提供了重要的解釋資料，但是在實際應用中無法有效的預測運動損傷的預防。其原因之一，在于以往的研究，學者多采用小樣本量數(shù)據(jù)推斷復雜損傷因果關系，利用有限數(shù)據(jù)，模擬了復雜情況下運動損傷的發(fā)生機理。另一方面是因為傳統(tǒng)的多變量統(tǒng)計方法不能很好地捕捉到運動損傷過程中的動態(tài)、涌動性與多元性。在傳感技術(shù)蓬勃發(fā)展的今天，為運動科學的研究打下基礎。在當前大數(shù)據(jù)的大環(huán)境語境下，怎樣高效的使用信息等，來自巨量數(shù)據(jù)的隱蔽，高效、可懂的學問，這對于有效地防止運動損傷是至關重要的。機器學習（MachineLearning,ML）是數(shù)據(jù)科學中的一個重要環(huán)節(jié)，所用研究范式迥異于傳統(tǒng)的科學研究范式，機器學習的重點是數(shù)據(jù)，通過算法，計算機具有了自我學習的功能，由此使得計算機在數(shù)據(jù)處理方面的表現(xiàn)也越來越好，以及學習和挖掘所述數(shù)據(jù)，獲得數(shù)據(jù)潛在的規(guī)律和現(xiàn)象。機器學習是相對傳統(tǒng)統(tǒng)計學而言的，最大優(yōu)點是對于高維度而言、對大樣本量的數(shù)據(jù)進行處理和預測，機器學習靈活多樣的功能形式，可以適應各種數(shù)據(jù)結(jié)構(gòu)，較好的預測損傷樣本。由于運動損傷的研究，其結(jié)果參數(shù)的確定往往為人們所熟知，因此，有監(jiān)督學習方法更適用于運動損傷的研究。當前，機器學習技術(shù)用于運動損傷的研究，主要是針對運動損傷，如隨機森林算法、神經(jīng)網(wǎng)絡算法、SVM算法、決策樹算法等。利用解釋性研究中的運動損傷危險因子資料，經(jīng)過預處理后，將其劃分為訓練集和試驗集，利用機器學習算法對訓練集的數(shù)據(jù)進行學習，并對其進行迭代優(yōu)化，以獲得最佳模型，再將其用于損傷預測與辨識。2、ACI損傷概述前交叉韌帶損傷（ACL）是膝關節(jié)運動創(chuàng)傷中較嚴重的一種。由于韌帶解剖位置較深，同時，作用也是非常重要的，故未能早期發(fā)現(xiàn)，并及時給予適當處理，將給運動訓練及日常生活帶來極大傷害。前交叉韌帶起止點在脛骨上髁間前區(qū)非關節(jié)面，與外側(cè)半月板前角相互交織，前交叉韌帶末端則在股骨外髁內(nèi)側(cè)后，即股骨干縱軸后。前內(nèi)束與后外束構(gòu)成前交叉韌的一部分，韌帶纖維螺旋鋪展。膝關節(jié)伸屈時，纖維束的交叉扭轉(zhuǎn)，以調(diào)整膝關節(jié)運動是否穩(wěn)定。膝關節(jié)彎曲40°-50°時，韌帶支持的力最弱，但是，膝關節(jié)處于過伸或過屈狀態(tài)，韌帶支持的力比較大。前交叉韌帶主要有以下幾個作用：阻止脛骨由股骨前移、預防膝過內(nèi)翻、預防過度屈伸。2.1ACI解剖及運動機制目前已有不少醫(yī)學專家學者在ACL解剖結(jié)構(gòu)方面做過詳細的科學研究，并提出一些新理論。傳統(tǒng)觀點認為ACL中AM束膝蓋彎曲時會處于緊張狀態(tài)，以及PL束膝蓋伸展過程中的張力。經(jīng)解剖學研究，發(fā)現(xiàn)，前內(nèi)束（AM）主要是控制膝關節(jié)前后方向的運動，后外束（PL）主要控制膝關節(jié)轉(zhuǎn)動。圖1ACL的AM和PL束的解剖結(jié)構(gòu)外側(cè)髁間嵴，住院醫(yī)師嵴及外側(cè)分叉嵴，是ACL股骨止點兩個關鍵骨性標志。膝關節(jié)屈曲90度的時候，醫(yī)生嵴沿著髁間切跡側(cè)壁伸展，ACL在醫(yī)生嵴下，且不在髁間切跡上方。髁間窩雙側(cè)分岔嵴垂直平分住院嵴，并在其下方，其前后是AM束和PL束的股骨插入點（圖1-2）。膝關節(jié)在直線位置的情況下，ACL股骨的插入部位將較高。因此，ACL股骨止點位置，一般誤認為位于高于髁間窩的位置，手術(shù)時膝關節(jié)經(jīng)常處于90度彎曲狀態(tài)此時，ACL股骨的插入點略低于髁間窩。膝關節(jié)彎曲90度時，前內(nèi)束（AM）及后外束（PL）以股骨止點為中心的橫向排列方式，后束外束（PL）在前面，前內(nèi)束（AM）位于后部。圖2髁間窩兩側(cè)的嵴和髁間窩外側(cè)的分叉嵴ACL脛骨止點范圍大于股骨止點，脛骨止點面積約為股骨止點面積120%。ACL踝關節(jié)的插入點為橢圓形，平均總寬度11mm，總長度17mm。踝關節(jié)置入位置的個體差異較小，骨管的位置及直徑可以按平均值來選取，還可以基于ACL殘端準確定位。2.2ACI損傷機制ACL有相當強的韌性。有報道ACL破壞的極限荷載均值在1500-2160N之間，正常功能活動不遇到這種負載，僅在所施力大于韌帶最大拉伸強度時發(fā)生破壞，故，ACL破裂和嚴重創(chuàng)傷相關，運動活動導致的ACL運動損傷最多見。關節(jié)內(nèi)外翻受損?；@球，足球，柔道等運動訓練或競賽中的選手，由于競爭十分激烈，當它躍出水面時，膝受致命打擊或單足邊緣落地時重心傾斜，引起膝關節(jié)的內(nèi)翻或者外翻。暴力行為導致了前交叉韌帶的局部或全部破裂。其中以外翻位破壞較為多見，部分病人常伴有內(nèi)側(cè)副韌帶和半月板撕裂。膝關節(jié)過伸損傷等。傳統(tǒng)武術(shù)或球賽，膝關節(jié)伸直，對方足球運動員碰到或踢傷小腿。當玩家踢足球不準確的時候，這就是“踢腳”，小腿受力與股四頭肌回縮力呈“連枷”狀作用使ACL破裂。關節(jié)內(nèi)外翻受損。在籃球或柔道項目上，膝關節(jié)在屈曲的姿勢下，如果小腿忽然被暴力擠壓，可引起前交叉韌帶單純破裂。膝關節(jié)前交叉韌帶斷裂部位有3處，也就是上止點韌帶的斷裂、中段韌帶破裂、下部為韌帶斷裂點。其中，下起點韌帶破裂、中段韌帶斷裂多見。前交叉韌帶于斷裂后第1周開始退化，3~6個月以后多數(shù)在骨關節(jié)液腐蝕及自身缺血過程中緩慢分解消失。2.3前交叉韌帶斷裂的分型臨床醫(yī)學將膝關節(jié)前交叉韌帶的損傷劃分為3個等級。I級：扭轉(zhuǎn)的定義是少數(shù)肌腱的化學纖維撕裂，局部壓痛但無關節(jié)不穩(wěn)。II級：扭轉(zhuǎn)導致大量肌腱化學纖維的斷裂，膝關節(jié)功能何骨的關節(jié)反射丟失較嚴重，關節(jié)呈現(xiàn)輕，中度失穩(wěn)。III級：扭轉(zhuǎn)指肌腱全部斷裂，造成髁顯著失穩(wěn)。三級扭轉(zhuǎn)以骨關節(jié)明顯失穩(wěn)扭轉(zhuǎn)為主，一些研究根據(jù)應力試驗不穩(wěn)定程度進行了進一步的劃分。1+不穩(wěn)定指關節(jié)面分離程度在5mm以下；2以上的不穩(wěn)定性為關節(jié)面分離5~10mm；3+不穩(wěn)定表現(xiàn)為關節(jié)面分離10mm以上。臨床醫(yī)學特點前交叉韌帶損傷較后交叉韌帶損傷的病例為多，前交叉韌帶的損傷常合并有膝關節(jié)內(nèi)側(cè)副韌帶的生成、關節(jié)囊及其他損傷。前交叉韌帶斷裂一般為膝關節(jié)外展過大，或外旋劇烈所致。膝關節(jié)的過伸或過屈均可引起ACL運動損傷。前交叉韌帶損傷一般可導致膝關節(jié)前向失穩(wěn)，若發(fā)生膝關節(jié)二級穩(wěn)定結(jié)構(gòu)（半月板損傷，外側(cè)副韌帶，內(nèi)側(cè)副韌帶損傷）損傷，常引起復雜前內(nèi)旋轉(zhuǎn)失穩(wěn)，或前外轉(zhuǎn)動不穩(wěn)等。前內(nèi)或前外側(cè)轉(zhuǎn)動不穩(wěn)，可只由于內(nèi)側(cè)關節(jié)囊內(nèi)或其兩側(cè)關節(jié)囊內(nèi)三分之一肌腱所致，單純內(nèi)側(cè)半月板摘除時，甚至會發(fā)生前內(nèi)側(cè)旋轉(zhuǎn)不穩(wěn)的情況。雙側(cè)關節(jié)囊肌腱三分之一損傷后，膝關節(jié)Jerk檢測結(jié)果為陽性。由此可知ACL運動損傷可致膝關節(jié)旋轉(zhuǎn)不穩(wěn)，因此，有觀點認為，前內(nèi)側(cè)旋轉(zhuǎn)不穩(wěn)必伴隨ACL運動損傷及膝內(nèi)側(cè)結(jié)構(gòu)的破壞。前內(nèi)側(cè)旋轉(zhuǎn)不穩(wěn)可以出現(xiàn)單純性損傷，雙側(cè)關節(jié)囊腱中三分之一，也可以為單純性損傷。同時對ACL運動損傷進行檢測，如膝關節(jié)前內(nèi)或雙側(cè)轉(zhuǎn)動不穩(wěn)等，要一次性解決。前交叉韌帶多處受損，它由內(nèi)側(cè)副韌帶及半月板組成。（1）具體表現(xiàn)在病人外傷后膝關節(jié)主動發(fā)出撕裂的聲音，然后膝關節(jié)乏力，關節(jié)疼痛劇烈、腫脹較快，骨關節(jié)知覺損傷。舊傷患者可有股四頭肌的萎縮、腿軟或者不涼快，還有健身、運動功能降低等。（2）主次表現(xiàn)與某些肌腱損傷伴半月板損傷是相當?shù)?，連半月板也發(fā)生了“桶柄樣的撕裂”，交鎖于脛股關節(jié)的正中，引起膝關節(jié)交鎖癥狀。（3）其他韌帶損傷的誤診分析與鑒別診斷：膝關節(jié)交叉韌帶損傷與其他膝關節(jié)損傷鑒別的一個重要環(huán)節(jié)就是膝關節(jié)抽屜柜試驗。3、機器學習在ACI運動損傷中的應用3.1損傷風險因素識別韌帶損傷是運動損傷中最常見的癥狀之一，膝關節(jié)前交叉韌帶損傷（anteriorcruciateligaments,ACL）臨床上最為多見，踝關節(jié)韌帶損傷次之。因關節(jié)解剖結(jié)構(gòu)復雜，認識不清，常造成韌帶損傷而被忽略。因此，發(fā)展DL對韌帶損傷進行鑒別與診斷，有利于醫(yī)生對韌帶病變進行迅速而準確的評價，降低漏診或者誤診。Bien等利用MRNet對ACL運動損傷進行識別和內(nèi)部驗證，同時利用?tajduhar等公開數(shù)據(jù)集進行外部驗證。內(nèi)部驗證集中判別正常與異常ACL的AUC值為0.94，識別ACL撕裂的AUC值為0.97，外部驗證集中直接使用MRNet識別ACL撕裂的AUC值為0.82，再次訓練模型后，AUC值上升到0.91。本研究顯示MRNet可用于ACL運動損傷與撕裂的識別，但是當將此模型應用于其他數(shù)據(jù)集上時，需重新訓練此模型。Chang等人將冠狀位圖像鉤ROI之后，對比了三種ACL撕裂識別方法，即直接利用ResNet對原始圖像進行識別、用U-Net剪裁后用ResNet進行識別，并在前一方法驟的基礎上，同時剪裁不含ACL的照片供學習用，3種方法準確度分別達到0.68、0.72和0.77。同時該研究比較了輸入單幅、三幅和五幅裁剪圖像時模型的效果，相應準確度分別為0.77、0.87、0.92，提示可能隨著輸入信息的增加模型性能會逐步提高。Namiri等人在本研究中對比了3D卷積神經(jīng)網(wǎng)絡（convolutionalneuralnetworks,CNN）與2D-CNN對ACL運動損傷檢測的區(qū)別，兩者對ACL運動損傷的識別精度分別是0.89與0.92、Kappa系數(shù)是0.83。3D-CNN中卷積層讓學3D特征比2D-CNN中結(jié)構(gòu)復雜，但是也更易產(chǎn)生過擬合現(xiàn)象，本研究中因為3D-CNN和ImgNet不相容而造成其表現(xiàn)不及2D-CNN。Liu等為自動識別ACL撕裂設計了一套系統(tǒng)，利用LeNet-5對含有ACL結(jié)構(gòu)圖像進行甄別后，采用YOLO對ACL局部圖像進行切割，最后使用DenseNet診斷ACL撕裂，該方法對ACL撕裂識別的敏感度和特異度均為0.96,AUC為0.98。Zhang等通過3D-DenseNet區(qū)分正常和異常ACL，結(jié)果發(fā)現(xiàn)3D-DenseNet診斷效果好于VGG16和ResNet。3.2運動損傷預測前交叉韌帶（anteriorcruciateligament,ACL）損傷是膝關節(jié)常見的運動損傷。ACL作為保持膝關節(jié)穩(wěn)定最主要的結(jié)構(gòu)之一，損傷后將嚴重影響病人運動水平和加快關節(jié)退變速度，嚴重者可能引起OA的發(fā)生。膝關節(jié)MRI為臨床診斷ACL撕裂主要手段，這一過程需放射科醫(yī)師逐張分析MRI圖像，極其費時。為了提高醫(yī)師診斷效率，學術(shù)界開始了將機器學習應用于ACL撕裂診斷中的探究。2018年Bien等人首創(chuàng)機器學習模型診斷膝關節(jié)疾病，所研究和設計的MRNet把膝關節(jié)MRI檢查結(jié)果分成3類：ACL撕裂、本研究采用矢狀位T2加權(quán)，冠狀位T1加權(quán)，軸狀位PD加權(quán)圖像，對半月板損傷及一般異常（非ACL撕裂及半月板損傷等異常情況）進行了研究，并對其進行了分析，對于ACL撕裂診斷任務，內(nèi)部驗證集AUC達到0.965,，基于此外部驗證集檢驗AUC達到0.824,，再訓練上升到0.911。值得關注的是內(nèi)部驗證集上MRNet對于ACL撕裂檢測獲得高度特異性，說明將此模型應用于臨床工作能夠有效地排除ACL撕裂發(fā)生的可能性。Awan等用3081幅MRI圖像，采用以ResNet-14為基礎的CNN模型，檢測了ACL正常，局部撕裂和完全破裂3種狀態(tài)，所采用的MRI序列是矢狀位PD加權(quán)脂肪抑制序列表明，該模型不經(jīng)任何數(shù)據(jù)處理對ACL運動損傷檢測的平均精度為0.810、AUC為0.863，經(jīng)類平衡和數(shù)據(jù)增強進行數(shù)據(jù)處理后，模型準確率可以提升至0.920,AUC提升至0.980。盡管目前臨床MRI診斷ACL撕裂顯示較好，但與關節(jié)鏡動態(tài)檢查比較尚有差距。Germann等用關節(jié)鏡檢查為金標準建立DCNN模型利用脂肪抑制序列與快速自旋回波序列冠狀位與矢狀位影像進行ACL撕裂檢測，在內(nèi)部測試集中，模型的AUC、靈敏度和特異性分別達到97%、99%和94%。另外，為了檢驗該模型的可推廣性，研究人員在50余個不同組織的外部試驗集上進行了試驗，結(jié)果表明該模型總體診斷性能有所下降，筆者猜測，這可能是因為模型構(gòu)建與訓練過程中，需要用到內(nèi)部數(shù)據(jù)集。Liu等開發(fā)了一個全自動ACL撕裂檢測系統(tǒng)，該系統(tǒng)由三個獨立的CNN組成：首先使用SliceDetectionCNN（LeNet）篩選出包含ACL層面的MRI圖像，然后LigamentIsolationCNN（YOLO）使用矩形框裁剪出包含ACL的髁間窩區(qū)域，最后ClassificationCNN（DenseNet）確定是否存在ACL撕裂，本系統(tǒng)對ACL撕裂的檢測達到了可媲美放射科醫(yī)生診斷的性能。本研究采用較少的數(shù)據(jù)集（陽性樣本與陰性樣本各175份）就得到了這一結(jié)果，筆者把這歸功于MRI數(shù)據(jù)預處理：通過精確裁剪MRI圖像使得模型更關注ACL。同時筆者比較了DenseNet、VGG16、AlexNet模型分類性能，結(jié)果表明DenseNet對ACL撕裂的檢測性能最好?；跈C器學習ACL撕裂檢測方法概述見表1。表1用于檢測ACL撕裂的機器學習方法作者時間方法網(wǎng)絡架構(gòu)MRI序列數(shù)據(jù)樣本AUcBicn等2018CNNAlxNct矢狀位、冠狀位、輔狀位PDT2訓練集:1130

驗證集:120

測試集:1200.965Awan等2021CNNResNel-14矢狀位PD-FS訓練集:2487

測試集:9500.919Gcmam等2020DCNNDenseNet冠狀位和矢狀位PD訓練集:4802

驗證集:500

測試集:5000.898Liu等2019CNNsDenseNet矢狀似PD-FST2訓練集:200

驗證集:50

測試集:1000.983.3ACI損傷后管理ACL的損傷一般需手術(shù)干預，比如恢復還是重建，為了降低慢性不穩(wěn)定及后續(xù)OA發(fā)生風險。ACL重建術(shù)為處理ACL斷裂提供了金標準，尤其對于年輕的運動員。ACL重建術(shù)手術(shù)指征有：（1）膝磁共振成像顯示ACL大部分破裂或完全破裂；（2）并發(fā)撕脫性骨折；（3）伴多發(fā)韌帶損傷，伴關節(jié)活動異常。當前，在微創(chuàng)手術(shù)蓬勃發(fā)展的今天，絕大多數(shù)ACL重建術(shù)都是通過關節(jié)鏡完成的，逐步替代了傳統(tǒng)開放手術(shù)。關節(jié)鏡術(shù)的特點是創(chuàng)傷很小、手術(shù)時定位精確，并發(fā)癥少，恢復迅速的優(yōu)點，并可同時直觀地顯示全膝關節(jié)的多種初帶，半月板，軟骨等、滑膜組織和其他狀態(tài)。臨床上以自體肌腱為移植物的ACL重建術(shù)最為普遍。自體移植物高度穩(wěn)定和相容性加快了愈合速度。對多數(shù)運動員而言，ACL的重建以膝關節(jié)功能恢復為目的，防治進一步的損害和OA，當然，也要優(yōu)化長期生活品質(zhì)，最終的目的就是回歸球場。最近的研究顯示，早期ACL重建策略可以降低ACL運動損傷術(shù)后內(nèi)側(cè)半月板損傷發(fā)生率PI有幾項研究報道，由于治療延遲，半月板及/或軟骨損傷增多。早期ACL重建為高水平體力活動運動員康復護理標準。當ACL運動損傷或者重建時，對于功能障礙，仍然有必要做大量康復訓練。4、結(jié)語盡管機器學習在ACL運動損傷方面的研究還處在起步階段，但是，在人工智能快速發(fā)展和精準醫(yī)學理念日益深化的今天，更多的型號將繼續(xù)研制，機器學習技術(shù)同樣會有很大的發(fā)展，并且使得對有關醫(yī)療數(shù)據(jù)進行分析變得更為準確。盡管在短期內(nèi)，人工智能與機器學習有望無法替代放射科醫(yī)生的工作，但是這些技術(shù)能夠大大簡化工作流程，提升放射科醫(yī)生工作效率，降低診斷出錯幾率，有效地提高了病人滿意度。在可以預見的將來，機器學習會有更廣闊的臨床應用前景，將是放射科醫(yī)生們的左膀右臂。參考文獻[1]ZantopT,PetersenW,SekiyaJK,etal.Anteriorcruciateligamentanatomyandfunctionrelatingtoanatomicalreconstruction[J].KneeSurgSportsTraumatolArthrosc,2006,14(10):982-992.DOI:10.1007/s00167-006-0076-z.[2]SpindlerKP,WrightRW.Anteriorcruciateligamenttear[J].NEnglJMed,2008,359(20):2135-2142.DOI:10.1056/nejmcp0804745.[3]GersingAS,SchwaigerBJ,NevittMC,etal.Anteriorcruciateligamentabnormalitiesareassociatedwithacceleratedprogressionofkneejointdegenerationinkneeswithandwithoutstructuralkneejointabnormalities:96-monthdatafromtheOsteoarthritisInitiative[J].OsteoarthritisCartilage,2021,29(7):995-1005.DOI:10.1016/j.joca.2021.03.011.[4]LohmanderLS,OstenbergA,EnglundM,etal.Highprevalenceofkneeosteoarthritis,pain,andfunctionallimitationsinfemalesoccerplayerstwelveyearsafteranteriorcruciateligamentinjury[J].ArthritisRheum,2004,50(10):3145-3152.DOI:10.1002/art.20589.[5]YasakaK,AkaiH,KunimatsuA,etal.Deeplearningwithconvolutionalneuralnetworkinradiology[J].JpnJRadiol,2018,36(4):257-272.DOI:10.1007/s11604-018-0726-3.[6]FarabetC,CouprieC,NajmanL,etal.Learninghierarchicalfeaturesforscenelabeling[J].IEEETransPatternAnalMachIntell,2013,35(8):1915-1929.DOI:10.1109/TPAMI.2012.231.[7]LiK,