基于深度學(xué)習(xí)和 CT 影像的 新型冠狀病毒肺炎病灶分割

文:毛麗 1,2 李秀麗 12021年第一期

胸部 CT 圖像中新型冠狀病毒肺炎(COVID-19) 病灶的準(zhǔn)確分割可以為診斷提供助力。新型冠狀病毒肺炎在 CT 影像上的表現(xiàn)包括磨玻璃影、實(shí)變、胸腔積液病灶等,這些征象的紋理、大小和位置變化較大。該研究提出的深度神經(jīng)網(wǎng)絡(luò) RCB-UNet ++,可以用于新型冠狀病毒肺炎在 CT 影像上的分割問(wèn)題。該網(wǎng)絡(luò)在 UNet ++網(wǎng)絡(luò)的基礎(chǔ)上,增加了殘差模塊和卷積塊注意力模塊。此架構(gòu)能有效地提取底層的紋理信息和高層的語(yǔ)義信息,并基于注意力機(jī)制優(yōu)化模型效果。該研究所提出的 RCB-UNet ++模型經(jīng)過(guò)在 45 例樣本上的訓(xùn)練后,在 50 例測(cè)試集上的 Dice 系數(shù)達(dá)到了 0.715,且敏感性和特異性分別達(dá)到了 0.754 和 0.952,超過(guò)基于同樣數(shù)據(jù)劃分的其他已發(fā)表的深度學(xué)習(xí)模型。這表明所提出的算法有效地提高了分割效果,具有從 CT 圖像中全自動(dòng)分割新型冠狀病毒肺炎病灶的潛力。


1引言

2019 年 12 月以來(lái),新型冠狀病毒 (COVID-19) 在全球

范圍內(nèi)廣泛而快速地傳播。根據(jù)美國(guó)約翰斯·霍普金斯大學(xué)系統(tǒng)科學(xué)與工程研究中心發(fā)布的數(shù)據(jù),截至 2020 年 9 月 18 日,

全球已有 30 065 728 例確診病例。該疾病傳染性強(qiáng),嚴(yán)重時(shí)可引起嚴(yán)重的急性呼吸困難或多器官功能衰竭。世界衛(wèi)生組織于 2020 年 1 月 30 日宣布 COVID-19 疫情為 “國(guó)際關(guān)注的突發(fā)公共衛(wèi)生事件”。

研究表明,計(jì)算機(jī)斷層掃描(CT) 作為一種非侵入性的影像學(xué)檢查方法,對(duì)檢測(cè) COVID-19 感染患者的肺部病變具有重要價(jià)值。CT 在診斷COVID-19 方面的敏感性遠(yuǎn)高于反轉(zhuǎn)錄聚合酶鏈反應(yīng)(RT-PCR)。因此,CT 可以作為早期發(fā)現(xiàn)和診斷COVID-19 的有效工具。此外,通過(guò)對(duì)炎癥病灶進(jìn)行定量分析可以得到 COVID-19 相關(guān)的診斷結(jié)果。然而,人工勾畫炎癥病灶是一項(xiàng)十分繁重的工作,且高度依賴于專家的臨床經(jīng)驗(yàn)。因此, 構(gòu)造肺炎病灶的分割模型,可以提高勾畫的效率、準(zhǔn)確性和可重復(fù)性,為進(jìn)一步定量分析奠定良好的基礎(chǔ)。

目前,深度學(xué)習(xí)已被初步應(yīng)用于 COVID-19 的分割和診斷


任務(wù)。然而,由于 COVID-19 的病灶紋理、大小和位置變化較大, 且與正常組織間差異較小,因此為分割模型的構(gòu)造帶來(lái)了較大的挑戰(zhàn)。此外,數(shù)據(jù)的收集和標(biāo)注也十分困難。盡管,Inf-Net 提出了新的網(wǎng)絡(luò)結(jié)構(gòu)和 Loss 形式,并通過(guò)挖掘更多病灶邊界的信息,提高了模型的分割能力。但是,該方法較為復(fù)雜,需要提前計(jì)算分割區(qū)域的邊界,無(wú)法進(jìn)行端到端的分析。Zhang 等構(gòu)造的 COVID-19 病灶分割模型,可以用于分割 6 種類型的肺部結(jié)構(gòu),包括肺部區(qū)域、磨玻璃病灶、肺實(shí)變病灶、肺纖維化、間質(zhì)增厚和胸腔積液。但是,該方法需要大量的訓(xùn)練數(shù)據(jù)。

本研究在 UNet ++網(wǎng)絡(luò)模型的基礎(chǔ)上,融合了殘差模塊和卷積塊注意力模塊, 提出 RCB-UNet ++模型。RCB- UNet ++可以利用較少的數(shù)據(jù)進(jìn)行訓(xùn)練,以實(shí)現(xiàn)端到端的COVID-19 炎癥病灶區(qū)域分割。


2材料和方法

2.1數(shù)據(jù)

本文基于公開的 COVID-19 CT 分割數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。該數(shù)據(jù)集由意大利醫(yī)療和介入放射協(xié)會(huì)收集,并由一位放射科醫(yī)生逐像素勾畫,其中勾畫病灶包括磨玻璃、肺實(shí)變和胸腔積液。因?yàn)閳D像是由不同的設(shè)備和采集協(xié)議所得,所以數(shù)據(jù)集在分辨率和圖像質(zhì)量上呈現(xiàn)多樣化。該數(shù)據(jù)集共 100 例數(shù)據(jù), 來(lái)自超過(guò) 40 個(gè)確診為 COVID-19 的病例。其中 45 例數(shù)據(jù)用于模型訓(xùn)練,5 例用于模型驗(yàn)證,50 例用于測(cè)試,劃分方式和Inf-Net 模型的構(gòu)造過(guò)程一致。此外,將所有磨玻璃、肺實(shí)變和胸腔積液病灶合并為炎癥病變區(qū)域,作為模型的分割目標(biāo)。

2.2方法

2.2.1RCB-UNet ++網(wǎng)絡(luò)構(gòu)造

UNet ++優(yōu)化了 U-Net 的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),提高了對(duì)不同層次特征的捕獲能力。為進(jìn)一步提高模型的參數(shù)利用效率和表達(dá)能力,本文使用 Residual Block 替代原始的 VGG 結(jié)構(gòu)。對(duì)于醫(yī)學(xué)圖像而言,不同器官本身的相對(duì)位置可以提供更多的先驗(yàn)信息。例如,肺炎病灶一定是在肺部區(qū)域,而不會(huì)在隔膜上發(fā)生。因此,引入注意力機(jī)制,可以有效地提高模型的表現(xiàn)。在模型的下采樣過(guò)程中,每一個(gè)殘差模塊都連接卷積塊注意力模塊(CBAM),確保提取有效的空間信息和特征通道。此外, 基于深度監(jiān)督的方式,能進(jìn)一步提高梯度的傳播能力。RCB- UNet ++模型的總體網(wǎng)絡(luò)結(jié)構(gòu)如圖 1(a) 所示。

2.2.2殘差模塊

殘差模塊被設(shè)計(jì)用于處理卷積神經(jīng)網(wǎng)絡(luò)較深時(shí)出現(xiàn)的梯度消失問(wèn)題,具體如圖 1(b) 所示。殘差模塊通過(guò)躍層鏈接(Shortcut Connection),把模塊的輸入連接到后面的層,使得后面的層可以直接學(xué)習(xí)殘差。這種結(jié)構(gòu)優(yōu)化了模型的學(xué)習(xí)目標(biāo),降低了學(xué)習(xí)難度,使得在模型較深時(shí)也可以保持較好的擬合果。

微信截圖_20210507153127.png

2.2.3卷積塊注意力模塊

對(duì)于網(wǎng)絡(luò)結(jié)構(gòu)中間的特征圖,注意力機(jī)制可以應(yīng)用在空間和通道兩個(gè)維度,分別推斷出注意力權(quán)重,然后將注意力權(quán)重和原特征圖相乘,得到新的特征圖。卷積塊注意力模塊可以對(duì)模型特征圖的空間和通道的重要性進(jìn)行自適應(yīng)調(diào)整。由于卷積塊注意力模塊是一個(gè)輕量級(jí)的模塊,它可以嵌入到任何卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中。卷積塊注意力模塊的示意圖如圖 1(c) 所示。該模塊由通道注意力模塊和空間注意力模塊組成。通道注意力模塊為特征圖的每一個(gè)通道分配一個(gè)權(quán)重。其中,特征圖的每一個(gè)通道可以看作一個(gè)特征提取器,通過(guò)對(duì)通道增加注意力機(jī)制, 可以使模型更注重有效的特征,大大提高了網(wǎng)絡(luò)的表達(dá)能力??臻g注意力模塊考慮特征圖的哪一個(gè)區(qū)域應(yīng)該有更高的響應(yīng), 將空間注意力模塊的輸出和特征圖進(jìn)行像素級(jí)別的點(diǎn)乘,即可得到加權(quán)后的特征圖。具體如公式 (1) ~ (2) 所示:

1.png

其中,MC 為通道維度上的注意力圖像提取操作;MS 為空間維度上的注意力圖像提取操作;   為像素級(jí)別的點(diǎn)乘; 為輸入的特征;為經(jīng)過(guò)通道維度的權(quán)重調(diào)整后得到的特征;為經(jīng)過(guò)空間維度的權(quán)重調(diào)整后得到的特征。

2.2.4損失函數(shù)

二分類交叉熵?fù)p失函數(shù)是分割模型常用的損失函數(shù),等效于最小化相對(duì)熵的差異,具體如公式 (3) 所示:

2.png

其中,Lbce 為二分類交叉熵?fù)p失函數(shù);N 為像素點(diǎn)的個(gè)數(shù);  為某個(gè)像素的真實(shí)類別; 為像素被預(yù)測(cè)為陽(yáng)性( 屬于肺炎病灶 ) 的概率。Dice 損失函數(shù)直接優(yōu)化模型的目標(biāo),使預(yù)測(cè)和真實(shí)分割之間的 Dice 系數(shù)最大化,具體如公式 (4) 所示:

7.png

其中,Ldice 為 Dice 損失函數(shù);X 為模型的預(yù)測(cè)結(jié)果張量; Y 為真實(shí)的分割結(jié)果張量; 由 X 和 Y 逐像素相乘計(jì)算獲得; 和 分別為預(yù)測(cè)結(jié)果和真實(shí)分割的張量的模。

微信截圖_20210507162539.png

相比于交叉熵?fù)p失,Dice 損失更加直接,往往可以取得更好的結(jié)果。而且,Dice 損失可以更好地處理類別不均衡的問(wèn)題, 即預(yù)測(cè)前景像素個(gè)數(shù)和背景像素個(gè)數(shù)差異較大的問(wèn)題。但是, 其梯度的形式不如二分類交叉熵?fù)p失函數(shù)良好。對(duì)于 Dice 損失而言,在極端場(chǎng)景下,梯度會(huì)變得非常大,導(dǎo)致模型的訓(xùn)練更加不穩(wěn)定。因此,本實(shí)驗(yàn)綜合二分類交叉熵?fù)p失和 Dice 損失, 具體如公式 (5) 所示:

微信截圖_20210507162651.png

為了提高模型隱藏層學(xué)習(xí)的直接性和透明度,本模型采用深度監(jiān)督的方式訓(xùn)練網(wǎng)絡(luò)。首先,對(duì)每個(gè)隱藏層引入伴隨目標(biāo)函數(shù),即對(duì)節(jié)點(diǎn) X 0,1、X 0,2、X 0,3、X 0,4 均添加輸出層 (1×1 卷積層 )。然后對(duì)于每一個(gè)輸出層,基于如公式 (5) 所述的損失函數(shù)進(jìn)行優(yōu)化。

2.2.5模型訓(xùn)練

由于訓(xùn)練數(shù)據(jù)較少,因此,進(jìn)行數(shù)據(jù)增強(qiáng)可以提高網(wǎng)絡(luò)的魯棒性,降低過(guò)擬合。本實(shí)驗(yàn)所用數(shù)據(jù)增強(qiáng)方法包括隨機(jī)擴(kuò)大和縮小、隨機(jī)裁剪、隨機(jī)亮度和對(duì)比度調(diào)整。本實(shí)驗(yàn)首先將圖像統(tǒng)一為 128×128 的像素大小,然后按 0.8 ~ 1.2 的隨機(jī)比例縮放,再隨機(jī)裁剪為 128×128 的像素大小,并以 0.3 的概率進(jìn)行隨機(jī)亮度和對(duì)比度調(diào)整。

本模型基于 Adam 算法來(lái)優(yōu)化模型參數(shù)。實(shí)驗(yàn)共訓(xùn)練 500個(gè)輪次,設(shè)置 Adam 優(yōu)化算法的初始學(xué)習(xí)率為 0.001。最后, 在整個(gè)訓(xùn)練過(guò)程中,選擇驗(yàn)證集上交并比(IOU) 最大的模型作為輸出模型。此外,為了提高模型的泛化性能,設(shè)置權(quán)重衰減(Weight Decay) 系數(shù)為 0.001。

2.2.6模型評(píng)估

為評(píng)估模型的表現(xiàn),本實(shí)驗(yàn)使用了和文獻(xiàn)相同的方式,并基于該工作公開的評(píng)估代碼評(píng)估模型在測(cè)試集上的結(jié)果。即基于不同閾值來(lái)計(jì)算相關(guān)指標(biāo),然后求取均值,作為最終的評(píng)估結(jié)果。評(píng)估指標(biāo)包括常用的參數(shù),如 Dice 相似系數(shù)、敏感性、特異性和準(zhǔn)確性。另外,本文模型引入了目標(biāo)檢測(cè)領(lǐng)域的相關(guān)評(píng)估方法,包括結(jié)構(gòu)度量 (Structure Measure)、配準(zhǔn)增強(qiáng)度量 (Enhanced-Alignment Measure) 和平均絕對(duì)誤差 (Mean Absolute Error)。

結(jié)構(gòu)度量 Sa 用于評(píng)估模型預(yù)測(cè)結(jié)果和真實(shí)分割之間的相似性,這種度量方式更加符合人類認(rèn)知,具體如公式 (6) 所示:

6.png

其中,          為平衡系數(shù),本實(shí)驗(yàn)設(shè)置    為 0.5,和原始文獻(xiàn)相同;So 為對(duì)象感知相似性;Sr 為區(qū)域感知相似性。Sp 為輸出的預(yù)測(cè)結(jié)果;G 為真實(shí)的分割。

配準(zhǔn)增強(qiáng)度量可以度量?jī)蓚€(gè)二值矩陣的相似性,該方法可以同時(shí)度量局部特征和整體特征,具體如公式 (7) 所示:

7.png

其中,w 和 h 為圖像的寬和高;(x, y) 為圖像中的像素坐標(biāo); 為增強(qiáng)配準(zhǔn)矩陣。首先,通過(guò) 0 ~ 1 的 256 個(gè)等分的閾值分別計(jì)算;然后,把所有的均值作為最終的度量指標(biāo)。該指標(biāo)不是僅考慮某一個(gè)閾值下模型的表現(xiàn),而是綜合所有閾值結(jié)果,因此對(duì)閾值具有魯棒性。

平均絕對(duì)誤差(MAE) 度量模型的預(yù)測(cè)結(jié)果和真實(shí)分割之間的誤差,具體如公式 (8) 所示:

8.png

3結(jié)果

模型在 500 個(gè)訓(xùn)練輪次上的損失函數(shù)值變化和 IOU 變化如圖 2 所示。隨著模型的訓(xùn)練過(guò)程,訓(xùn)練集的 Loss 不斷下降、IOU 不斷上升。在驗(yàn)證集上沒有出現(xiàn)明顯的過(guò)擬合現(xiàn)象,說(shuō)明數(shù)據(jù)增強(qiáng)策略有效提高了模型的泛化能力。最終,選擇了在驗(yàn)證集上 IOU 最高的模型,即第 475 個(gè)訓(xùn)練輪次的模型。該模型在訓(xùn)練集、驗(yàn)證集和測(cè)試集上以 0.5 位閾值二值化后的分割結(jié)果的 IOU 達(dá)到了 0.75、0.73 和 0.66。

模型的分割結(jié)果如圖 3 所示。對(duì)模型的輸出結(jié)果以 0.5 為閾值進(jìn)行二值化,可以得到最終預(yù)測(cè)的分割結(jié)果。在該閾值下, 模型的 Dice 系數(shù)達(dá)到了 0.734±0.129。

對(duì)于 0 ~ 1 的 256 個(gè)等間隔的閾值,本模型在測(cè)試集上的Dice 系數(shù)達(dá)到了 0.715,超過(guò)了僅用 COVID-19 CT 分割數(shù)據(jù)集訓(xùn)練的 Inf-Net 模型。此外,基于同樣的數(shù)據(jù)集和同樣的測(cè)量方法,本模型優(yōu)于其他傳統(tǒng)分割模型。同時(shí),模型的敏感性、特異性、 和 MAE 均有更好的表現(xiàn),尤其是敏感性,相比之前的模型有較大的提升。盡管Sa 略低于 Inf-Net,但優(yōu)于其他分割模型 ( 表 1)。

微信截圖_20210507162839.png

微信截圖_20210507162848.png

4討論與分析

基于 CT 圖像的 COVID-19 的病灶分割在臨床診斷和治療的過(guò)程中具有非常重要的應(yīng)用價(jià)值。通過(guò)計(jì)算機(jī)輔助診斷技術(shù)實(shí)現(xiàn)新 COVID-19 病灶分割,可以減輕醫(yī)生勾畫病灶邊界的工作,提高工作效率,同時(shí)提高了勾畫的一致性和可重復(fù)性。COVID-19 病灶的分割結(jié)果,可助力于臨床診斷、定量分析和影像組學(xué)分析,具有較高的臨床應(yīng)用價(jià)值。

本模型基于 Unet ++網(wǎng)絡(luò),增加了注意力機(jī)制模塊,對(duì)空間重要性和通道重要性進(jìn)行分析。同時(shí),在殘差模塊引入了躍層連接,提高了模型的表達(dá)能力和梯度的傳播。此外,本實(shí)驗(yàn)是基于深度監(jiān)督的方式來(lái)訓(xùn)練模型。最終,模型對(duì) CT 圖像上 COVID-19 病灶的分割表現(xiàn)有所提高。

Inf-Net 提出了新的網(wǎng)絡(luò)結(jié)構(gòu)和 Loss 形式,通過(guò)挖掘更多病灶的邊界信息,提高模型的分割能力。相比于 Inf-Net,本模型的敏感性、特異性、   和 MAE 均有更好的表現(xiàn)。尤其是敏感性從 0.692 提高到了 0.754。基于 Inf-Net 的網(wǎng)絡(luò)架構(gòu)和 1600 張無(wú)標(biāo)注圖像,可以訓(xùn)練半監(jiān)督模型 (Semi-Inf-Net)。而本實(shí)驗(yàn)沒有進(jìn)行半監(jiān)督模型的構(gòu)造,可以預(yù)見的是,引入半監(jiān)督的訓(xùn)練策略后,本模型結(jié)構(gòu)的表現(xiàn)會(huì)有進(jìn)一步的提升。

Zhang 等構(gòu)造的 COVID-19 分割模型是基于 4965 張逐像素人工標(biāo)注的 CT 圖像進(jìn)行訓(xùn)練的,最終達(dá)到了 0.59 的Dice 系數(shù)。盡管該模型可用于分割更多種類的病灶,但模型訓(xùn)練集遠(yuǎn)大于本文所提出的模型。對(duì)于較小的數(shù)據(jù)集上的訓(xùn)練,本模型提供了一種行之有效的方式。相比于基于UNet ++模型和其他傳統(tǒng)分割模型,本文所提出模型的性能有較大提升。

值得一提的是,本研究所用的數(shù)據(jù)集為公開數(shù)據(jù)集,僅由一位放射科醫(yī)生進(jìn)行標(biāo)注。因此,在應(yīng)用到臨床任務(wù)之前,仍需要多位醫(yī)生進(jìn)行嚴(yán)謹(jǐn)?shù)臉?biāo)注和審核,并基于多中心對(duì)泛化性能進(jìn)行廣泛的驗(yàn)證。


5結(jié)論

本文所提出的模型通過(guò)引入殘差模塊和卷積塊注意力模塊

改進(jìn)了 Unet ++,是一種基于深度監(jiān)督方式的訓(xùn)練模型。在COVID-19 病灶紋理、大小和位置變化較大且與正常組織間差異較小的條件下,本方法通過(guò)對(duì)訓(xùn)練數(shù)據(jù)和人體解剖信息的充分利用,提高了模型對(duì) COVID-19 肺炎病灶的分割效果。

該模型可用于CT 圖像上的COVID-19 病灶分割,從而減少醫(yī)生勾畫肺炎病灶的時(shí)間,提高勾畫效率和勾畫的一致性、客觀性。達(dá)到輸入一組胸部 CT 圖像,即可輸出一組分割 CT 圖像的效果,實(shí)現(xiàn)了全自動(dòng)分割 COVID-19 病灶區(qū)域的目的。

5.3.3 討論與分析

從優(yōu)化并行文件系統(tǒng)性能的框架上來(lái)看,相比于文獻(xiàn),本文所提出的基于機(jī)器學(xué)習(xí)的動(dòng)態(tài)分區(qū)并行文件系統(tǒng)優(yōu)化架構(gòu)可以自動(dòng)地選取出合適的參數(shù)配置,從而達(dá)到對(duì)系統(tǒng)性能的優(yōu)化,而文獻(xiàn)則需要通過(guò)實(shí)驗(yàn)嘗試才能判斷一個(gè)參數(shù)配置是否能夠優(yōu)化并行文件系統(tǒng)的性能。基于機(jī)器學(xué)習(xí)的優(yōu)化框架通過(guò)其所學(xué)習(xí)到的信息來(lái)對(duì)參數(shù)配置進(jìn)行判斷,使得本方法更加靈活。

而從動(dòng)態(tài)地對(duì)并行文件系統(tǒng)性能進(jìn)行優(yōu)化的角度來(lái)看,本文所提出的算法可以預(yù)先學(xué)習(xí)在不同系統(tǒng) I/O 模式下的系統(tǒng)分區(qū)配置優(yōu)化情況,從而使得動(dòng)態(tài)地根據(jù)系統(tǒng)的實(shí)時(shí) I/O 模式進(jìn)行動(dòng)態(tài)分區(qū)配置調(diào)整變得可行。而文獻(xiàn)所提出的方法則無(wú)法對(duì)系統(tǒng)性能進(jìn)行動(dòng)態(tài)的優(yōu)化。

在優(yōu)化所使用的算法上,本文采用了邏輯回歸模型。隨著深度神經(jīng)網(wǎng)絡(luò)的迅猛發(fā)展,在對(duì)并行文件系統(tǒng)進(jìn)行優(yōu)化的同時(shí)也可以考慮使用深度學(xué)習(xí)算法,如文獻(xiàn) [14] 中所使用到的深度強(qiáng)化學(xué)習(xí)算法,以學(xué)習(xí)更加靈活、魯棒的優(yōu)化模型。


6總結(jié)與展望

本文基于應(yīng)用系統(tǒng)的訪問(wèn)模式及分區(qū)尺寸對(duì)并行文件系統(tǒng)訪問(wèn)性能有顯著影響這一特點(diǎn),利用機(jī)器學(xué)習(xí)的技術(shù)對(duì)特定應(yīng)用系統(tǒng)的 I/O 訪問(wèn)模式進(jìn)行分析歸納,挖掘主要性能影響因素和主要性能指標(biāo)之間的關(guān)系、規(guī)律并生成基于機(jī)器學(xué)習(xí)的優(yōu)化模型,進(jìn)而利用生成的機(jī)器學(xué)習(xí)模型來(lái)指導(dǎo)并行文件系統(tǒng)的參數(shù)優(yōu)化工作,以達(dá)到優(yōu)化并行文件系統(tǒng)整體訪問(wèn)性能的目的。

本文提出采用機(jī)器學(xué)習(xí)方法來(lái)進(jìn)行并行文件系統(tǒng)的性能優(yōu)化,但具體實(shí)現(xiàn)時(shí),僅以分區(qū)尺寸這一主要的性能因素進(jìn)行;評(píng)價(jià)性能也只選用兩個(gè)最常用的性能評(píng)價(jià)指標(biāo) IOPS 和吞吐量,因此未來(lái)可以進(jìn)一步地探索其他的性能影響因素和性能評(píng)價(jià)指標(biāo)。



聲明:本文版權(quán)為中國(guó)傳動(dòng)網(wǎng)所有,歡迎轉(zhuǎn)載但請(qǐng)務(wù)必注明來(lái)源、作者。

中傳動(dòng)網(wǎng)版權(quán)與免責(zé)聲明:

凡本網(wǎng)注明[來(lái)源:中國(guó)傳動(dòng)網(wǎng)]的所有文字、圖片、音視和視頻文件,版權(quán)均為中國(guó)傳動(dòng)網(wǎng)(m.u63ivq3.com)獨(dú)家所有。如需轉(zhuǎn)載請(qǐng)與0755-82949061聯(lián)系。任何媒體、網(wǎng)站或個(gè)人轉(zhuǎn)載使用時(shí)須注明來(lái)源“中國(guó)傳動(dòng)網(wǎng)”,違反者本網(wǎng)將追究其法律責(zé)任。

本網(wǎng)轉(zhuǎn)載并注明其他來(lái)源的稿件,均來(lái)自互聯(lián)網(wǎng)或業(yè)內(nèi)投稿人士,版權(quán)屬于原版權(quán)人。轉(zhuǎn)載請(qǐng)保留稿件來(lái)源及作者,禁止擅自篡改,違者自負(fù)版權(quán)法律責(zé)任。

如涉及作品內(nèi)容、版權(quán)等問(wèn)題,請(qǐng)?jiān)谧髌钒l(fā)表之日起一周內(nèi)與本網(wǎng)聯(lián)系,否則視為放棄相關(guān)權(quán)利。

伺服與運(yùn)動(dòng)控制

關(guān)注伺服與運(yùn)動(dòng)控制公眾號(hào)獲取更多資訊

直驅(qū)與傳動(dòng)

關(guān)注直驅(qū)與傳動(dòng)公眾號(hào)獲取更多資訊

中國(guó)傳動(dòng)網(wǎng)

關(guān)注中國(guó)傳動(dòng)網(wǎng)公眾號(hào)獲取更多資訊

2021年第一期

2021年第一期

圖片閱讀

掃碼關(guān)注小程序

時(shí)刻關(guān)注行業(yè)動(dòng)態(tài)

雜志訂閱

填寫郵件地址,訂閱更多資訊:

撥打電話咨詢:13751143319 余女士
郵箱:chuandong@chuandong.cn

熱搜詞
  • 運(yùn)動(dòng)控制
  • 伺服系統(tǒng)
  • 機(jī)器視覺
  • 機(jī)械傳動(dòng)
  • 編碼器
  • 直驅(qū)系統(tǒng)
  • 工業(yè)電源
  • 電力電子
  • 工業(yè)互聯(lián)
  • 高壓變頻器
  • 中低壓變頻器
  • 傳感器
  • 人機(jī)界面
  • PLC
  • 電氣聯(lián)接
  • 工業(yè)機(jī)器人
  • 低壓電器
  • 機(jī)柜
回頂部
點(diǎn)贊 0
取消 0
往期雜志
  • 2024年第1期

    2024年第1期

    伺服與運(yùn)動(dòng)控制

    2024年第1期

  • 2023年第4期

    2023年第4期

    伺服與運(yùn)動(dòng)控制

    2023年第4期

  • 2023年第3期

    2023年第3期

    伺服與運(yùn)動(dòng)控制

    2023年第3期

  • 2023年第2期

    2023年第2期

    伺服與運(yùn)動(dòng)控制

    2023年第2期

  • 2023年第1期

    2023年第1期

    伺服與運(yùn)動(dòng)控制

    2023年第1期