JoVE Logo
发表
联系我们

登录

需要订阅 JoVE 才能查看此. 登录或开始免费试用。

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 参考文献
  • 转载和许可

摘要

该协议描述了将7种不同的自动分割工具应用于结构 t1 加权 mri 扫描的过程, 以描述可用于量化灰质体积的灰质区域。

摘要

在神经成像研究中, 最近的一些研究讨论了研究之间在体积发现方面的差异所产生的影响, 这些差异被认为是由于使用不同的分割工具来产生大脑体积。在这里, 介绍了可用于分割大脑中灰质的七个自动化工具的处理管道。该协议为研究人员提供了一个初步步骤, 他们的目标是从 t1 加权 mri 扫描中找到产生灰质体积的最准确方法。手稿中还包括进行详细视觉质量控制的步骤。此协议涵盖了一系列潜在的细分工具, 并鼓励用户在选择应用于完整队列的工具之前, 在其数据的子集中比较这些工具的性能。此外, 该协议还可以进一步推广到其他大脑区域的分割。

引言

神经成像广泛应用于临床和研究环境。目前有一个动作, 以提高研究的重现性, 量化磁共振成像 (mri) 扫描的大脑体积;因此, 调查人员必须分享使用可用 mri 工具将 mri 扫描分割为区域卷的经验, 以改进方法1的标准化和优化。该协议提供了一个分步指南, 使用七种不同的工具来分割皮质灰质 (cgm; 灰质, 排除皮质下区域) 从 t1 加权 mri 扫描。这些工具以前用于分割方法2的方法比较, 该方法显示了亨廷顿病队列中工具之间的可变性能。由于这些工具的性能被认为因不同数据集而异, 因此研究人员在选择仅应用于其数据集的工具之前, 必须先测试一些工具。

灰质 (gm) 体积经常被用作测量大脑形态的指标。体积测量通常是可靠的, 能够区分健康的对照组和临床组3。大脑区域的不同组织类型的体积通常是使用自动软件工具来计算这些组织类型的。因此, 要建立高质量的转基因区域划分 (分段), 准确划定白质 (wm) 和脑脊液 (csf) 对于实现全球机制区域的准确性至关重要。有许多自动化工具可用于执行 gm 细分, 每个工具都需要不同的处理步骤, 并产生不同的输出。一些研究将这些工具应用于不同的数据集, 将它们与其他数据集进行比较, 一些研究优化了特定工具1、4、5、6、7、8 , 9,10,11。先前的研究表明, 体积工具之间的差异可能会导致文献中的不一致, 在研究大脑体积时, 这些差异已被认为是导致错误结论被得出的驱动因素神经状况1。

最近, 对包括健康控制参与者和亨廷顿病参与者在内的队列中的不同分割工具进行了比较。亨廷顿病是一种遗传性神经退行性疾病, 成年后典型发病。皮质下逐渐萎缩和 cgm 是该疾病的一个突出和研究良好的神经病理特征。结果显示了应用于队列的7个分割工具的可变性能, 这支持了先前的工作, 这些工作证明了根据用于计算 mri 扫描大脑体积的软件, 发现的可变性。该协议提供了关于 johnson 等人之间使用的处理的信息.(2017年)2 , 鼓励仔细选择最适合用于神经成像的工具的方法。本手册涵盖了转基因体积的分割, 但不包括病变的分割, 例如在多发性硬化症中看到的病变。

研究方案

注意: 确保所有图像均采用 nifti 格式。这里不包括转换为 nifti。

1.通过spm 8 进行细分: 统一细分

注: 此过程是通过在 matlab 中运行的 spm8 gui 执行的。spm8 指南提供了更多详细信息, 可在 http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf 上找到。

  1. 确保在软件路径中安装并设置了 spm8。
  2. spm 分段是使用 gui 执行的。要打开 spm, 请打开命令窗口并在命令行中键入 "spm"。
  3. 按 "pet & vbm" 打开结构 mri 工具箱。
  4. 按 "批处理" 打开批处理编辑器。这样就可以一次在多个扫描上执行分段。
  5. 选择 "spm"空间的段 '。
  6. 点击 "数据"选择 "文件"。选择 t1 加权扫描作为输入。
    注: 必须解压缩 nifti 文件, 扩展名为 ". nii"。
  7. 点击 "输出文件""灰色物质" 并确保选择 "原生空间", 对白质也这样做。如果不需要 csf 分割, 请将其保留为 "无"。
  8. 如果扫描已被偏置更正, 请将 "偏置" 选项更改为 "不保存已更正"。对于 "清理任何分区" 选项, 测试这三个不同的选项, 并使用可视化质量控制 (qc, 第8节) 来确定哪些最适合数据。
  9. 将其他设置保留为默认设置。然后, 单击绿色标志运行分段。
    注: 每个参与者大约需要 5分钟, 命令行将显示 "运行段"。完成后, 命令窗口将显示 "完成"。
  10. 如第8节所述, 在 gm (C1*.nii 文件) 上执行可视化 qc。

2. 通过 spm 8 进行细分: 新的细分

注: 此过程通过 spm8 gui 执行。spm8 指南提供了更多详细信息, 可在 http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf 上找到。确保在软件路径中安装并设置了 spm8。打开 spm 软件, 通常通过在命令行中键入 "spm" 来执行。这将打开一个图形用户界面 (gui) 窗口, 其中包含一系列可供选择的选项来执行分析。

  1. 按 "pet & vbm"。
  2. 按 "批处理" 打开批处理编辑器。
  3. 选择 "spm"工具类"批处理" 窗口中的 "新段"。选择 t1 图像文件 (扩展名为 ". nii")。
  4. 将 "本地组织类型" 设置为 "本地空间"。根据需要, 关闭不同的组织类 (如 csf)-如果不是必需的), 将其设置为 "无"。将 "扭曲的组织" 设置为 "无"。
    注: 所有其他选项都可以保留为默认设置。
  5. 单击绿色标志以运行分段。
    注: 命令行将显示 "运行新段"。一旦它完成运行 matlab 命令行将说, ' 完成新的段 '。
  6. 如第8节所述, 在 gm (C1*.nii 文件) 上执行可视化 qc。

3. 通过 spm 12 分段: 分段

注: 此过程是通过spm12 gui 执行的。spm12 指南提供了更多细节, 可在以下网址查阅: http://www.fil.ion.ucl.ac.uk/spm/doc/manual.pdf。

  1. 通过在命令窗口中键入 "spm" 来打开 spm 软件。这将打开一个图形用户界面 (gui) 窗口, 其中包含一系列可供选择的选项来执行分析。
  2. 按 "pet & vbm"。按 "批处理" 打开批处理编辑器。
  3. 点击 "spm"空间的段 '。然后, 点击 "数据"卷 '。
  4. 将 "本地组织类型" 设置为 "本地空间"。通过将不需要的组织类 (如 csf) 设置为 "无", 关闭这些组织类。将 "扭曲的组织" 设置为 "无"。
    注: 所有其他选项都可以保留为默认设置。
  5. 单击绿色标志以运行分段。
    注: 命令窗口将显示: "正在运行段"。运行完成后, 它将显示: "完成段"。
  6. 如第8节所述, 在 gm (C1*.nii 文件) 上执行可视化 qc。

4. 通过 fsl fast 进行分段

注: 此过程在命令行中完成。fsl 指南提供了更多详细信息, 可在 https://fsl.fmrib.ox.ac.uk/fsl/fslwiki 上找到。

  1. 运行 bet 大脑提取。这可能需要针对不同的数据集进行优化, 但基本命令是:
    下注 T1_ID.nii bet_T1_ID.nii
  2. 运行 fsl 快速细分:
    快速 bet_T1_ID.nii
    注: 这将输出 gm、csf 和 wm 的部分卷映射和二进制区域。
  3. 按照第8节的描述, 在 gm 区域 (文件结束 * _pve_1.nii.gz) 上执行可视化 qc。

5. 通过自由冲浪者分割

注: 此过程在命令行中完成。免费冲浪指南提供了更多的细节, 可以在 https://surfer.nmr.mgh.harvard.edu/找到。

  1. 通过键入以下内容来设置数据所在的目录:
    导出 subjects _ dir =/pathto\ 文件
  2. 通过运行以下命令运行分段:
    recon-all-i T1_ID.nii-子 jid T1_ID-autorecon1-cw256
    recon-all-------------------------------------------------------------
    注: 每个参与者的命令需要 > 10小时。-cw256 标志是裁剪视野大于256的扫描所必需的, 以进行处理。
  3. 查看位于 "输出文件夹" 中的脚本, 检查处理是否已正确完成脚本recon-all.log. log '。检查最后一行是否显示 "全部恢复" T1_ID 没有错误即可完成 "。
  4. 如第8节所述, 在通用汽车区域执行可视化 qc。

6. 通过 ant 分割

注: 此过程在命令行中完成。ant 是一个比其他工具更复杂的软件, 应该注意的是, 这里解释的过程可以进一步优化为每个队列, 以提高结果。ant 文档可在 http://stnava.github.io/ANTsDoc/上找到。有两种方法可以将图像分割成组织类, 如下所述。

  1. 若要使用第一种方法, 请使用默认设置运行命令 "antsast没有过. sh", 而不包括组织原点。
    注: 这通常表现良好, 尤其是当只需要3个组织类: gm, wm, 其他。
    1. 通过键入以下命令设置 ant 软件的路径:
      出口 antspath =/pathtot\ antsbin/init
    2. 通过键入以下命令运行分段管道:
      antstroposn4. sh-d < 图像 _ 维数 >-& lt;t1.nii.gz>-c < 组织类的数量 > < 输出 >
      1. 此命令的可选参数为:
        脑罩:-x < > mask.nii.gz;
        组织原点:-p < 节原点 d.nii.gz >。
    3. 这将创建一个文件夹, 其中包含部分体积映射和提取的大脑。如第8节所述, 在通用汽车区域执行可视化 qc。
  2. 要生成更多的组织类 (gm、皮质下 gm、wm、csf 等) 或对显示神经病理的队列进行分割, 请使用特定的组织前科。从不同的网站下载组织前科。或者, 使用特定于研究的模板来制作前科--这要复杂得多, 但可能是有益的, 特别是在大脑发生病理变化的群体中。
    1. 若要创建特定于学习的模板/首选项, 请首先创建特定于研究的模板:
      < 图像的图像 _ 维度 >-o 模板 < 其他选项 > < >
      1. 此命令的可选参数为:
        -c: 并行计算的控制。
        如果以串行方式运行, 则使用 0; 如果以串行方式运行, 则使用0。-j: 内核数;-r: 在创建模板之前对输入进行刚体注册 (默认为 0)-0 = 关闭 1 = = 打开。这仅在初始模板不可用时才有用。
    2. 从 ant 网站下载一个智慧面具和前科。
      注: 此掩码可能需要进行编辑, 以确保它是模板大脑的一个很好的近似值。智面具是管道最重要的部分之一;如果它是差的, 那么大脑萃取-阿特罗普斯将运行不好。其中一些下载选项包括:
      https://figshare.com/articles/ANTs_ANTsR_Brain_Templates？915436, 我的时间, 我的
      然后, 下载的模板应注册到研究模板。
    3. 计算注册, 这将输出一系列扭曲, 然后可以应用于下载的模板, 将其转换为特定于研究的模板空间。若要计算注册, 请使用以下命令:
      antsRegistrationSyNQuick.sh. sh-d template.nii.gz-m 下载 _ template.nii.gz-o 下载 _ 到 _ 模板-n 6
      1. 此命令中的选项包括:
        -d: 尺寸 (即3d 扫描将为 "3");-f: 固定图像 (即图像需要结束的空间);-m: 移动图像 (即需要移动的图像);-o: 输出名称 (无需扩展);-n: 线程数。
    4. 将注册应用于数据:
      。
      1. 此命令中的选项包括:
        -d: 尺寸 (即3d 扫描将为 "3");-i: 输入图像 (即需要移动的图像);-r: 参考图像 (即, 参考图像定义输出扭曲图像的间距、原点、大小和方向);-o 输出名称, 这是在特定于研究的模板空间中下载的模板 (在这种情况下需要扩展);-t 转换文件名, 来自注册计算的输出文件。
    5. 直观地检查注册, 以获取特定于研究的模板和下载的模板之间的对应关系 (为此, 请在下载的模板顶部打开特定于学习的模板)。
    6. 如果注册已成功, 请将转换应用于下载的原点和提取的模板大脑, 重复步骤6.2.5。
      注: 按照这些步骤, 将有一个特定于学习的模板, 一个与特定于研究的模板对齐的下载模板, 以及一个下载的大脑提取掩码和组织前科也与研究特定的模板对齐。
    7. 通过抗 corticalthicknesss 运行研究特定模板;这提供了可用于特定学习的主, 并提供了 gm、wm 和 csf 区域:
      antscorticalthicknex. sh-d template.nii.gz-e 下载 _ template.nii.gz-m 下载 _ binard-m 下载 _ binard-m _ 模板 _ brain _ studyspace.nii.gz-p 下载 _ labelspriors% d.nii.gz o ct _ 模板
      1. 此命令中的选项包括:
        -d: 尺寸 (即3d 扫描将为 "3");-a: 要分割的图像 (在这种情况下, 特定于学习的模板);-e: 大脑模板 (不是头骨剥离; 在这种情况下, 已注册到特定于学习的模板的下载模板);-m: 下载的大脑提取面膜 (在这种情况下, 从已注册到特定于学习的模板的下载模板中提取的大脑);-p: 使用 c 样式格式指定的前部 (例如, -p labelsPriors%02d.nii.gz)。
        注: 该命令假定前四个前名的顺序如下: 1:csf、2: 皮质 gm、3:wm 和 4: 皮质 gm (在本例中为已注册到特定于研究对象的模板的下载模板中的前部)。
    8. 运行此命令将生成模板的优先级, 但它们需要在 Atropos 分割中使用之前进行平滑处理。平滑命令是 ant 软件的一部分。使用该命令平滑所有优先项:
      平滑图像 3 CT_template_BrainSegmentationPosteriors2.nii.gz ct _ 模板 _ 脑分割后部 _ smoothed.nii.gz
    9. 在运行阿特罗波斯之前, 在所有的本机空间扫描中运行大脑提取。可以使用特定于研究的模板, 并提取从在模板上运行 antscorticalthickn斯. sh 而产生的大脑 (步骤 6.2.1):
      template.nii.gz-m 模板 _ BrainExtractionBrain.nii.gz-o T1_brain.nii.gz
      1. 此命令中的选项包括:
        -d: 尺寸;-a: 解剖图像;-e: 大脑提取模板 (即创建模板, 无需颅骨剥离);-m: 研究用于大脑提取的特定脑罩;-o: 输出前缀。
    10. 然后运行阿特罗波斯:
      antstroposn4. sh-d 3-a T1.nii.gz T1_brain.nii.gz-c 3-o astopos _ 具体模板
      1. 此命令中的选项包括:
        -d = 尺寸;-a: 解剖图像;-x: 从大脑提取中产生的大脑提取面膜;-c: 要分割的组织类的数量;-o: 输出前缀;-p: 特定于研究的分割先验 < 分割的原始 d.nii.gz >
    11. 如第8节所述, 在通用汽车区域执行可视化 qc。

7. 通过 malp-em 分割

  1. 若要运行 alp-em, 请打开终端窗口, 将目录更改为 malp-em 安装目录, 然后键入:
    ./malpem-proot T1_scan.nii. o./-m 可选 _ brain _ bit _ brain _ maw _ final.nii.gz-f 3t-t 6-c
  2. 命令完成后, 请检查是否有包含组织类和区域分段的输出文件夹。
  3. 如第8节所述, 对全球机制进行可视化质量控制。

8. 视觉质量控制

注: 应对要在分析中使用的所有分段区域执行视觉质量控制。质量控制可确保分割标准很高, 并代表 cgm 的可靠分割。为了执行质量控制, 每次扫描都将在原始 t1 上打开并叠加, 以便将生成的区域与扫描上可见的 cgm 进行比较。

  1. spm、fsl、ant 和 malp-em 细分
    1. 使用 fsleyyes 执行可视化 qc:
      https://users.fmrib.ox.ac.uk/~paulmc/fsleyes_userdoc/
      注意: fslview (较旧的查看器) 也可以以相同的方式使用。
    2. 打开终端窗口, 打开 t1 和覆盖在 t1 上的 gm 区域。为此, 请键入:
      fsleyes t1. nii region1. nii region2. nii. nii. nii. nii。
    3. 打开 fsreyes 后, 使用顶部窗格上的不透明度切换来调整不透明度, 并允许在 gm 区域下方显示 t1 图像。通过顶部窗格中的 "颜色下拉选项卡" 更改细分覆盖的颜色。
    4. 滚动浏览大脑中的每一片。
      注: 这是使用日冕视图完成的, 但用户应使用他们最有经验的视图。
    5. 检查每个切片是否有被检查区域的估计不足或过高的区域。
      注: 有关好的和坏的分段的示例, 请参阅具有代表性的结果部分。
  2. 自由冲浪者质量控制
    1. 使用 freeview 进行可视化 qc。
      注: 请参阅此处的文档:
      https://surfer.nmr.mgh.harvard.edu/fswiki/FreeviewGuide/FreeviewGeneralUsage/FreeviewQuickStart, 我的时间, 我的
    2. 打开终端窗口。要查看覆盖在 t1 上的体积 gm 区域, 请将目录更改为主题文件夹, 然后键入:
      freeview./mri/t1. mgz./mri/aparc+aseg.mgz:colormap=lut:opacity:。3
    3. 滚动浏览大脑中的每一片。
      注: 这是使用日冕视图完成的, 但用户应使用他们最有经验的视图。
    4. 检查每个切片是否有被检查区域的估计不足或过高的区域。
      注: 有关分段的示例, 请参阅具有代表性的结果部分。

结果

表 1显示了20名控制参与者的平均大脑体积以及人口信息。在使用这些工具时, 这将作为预期值的指南。结果应在原始 t1. nii 图像的上下文中查看。应按照第8节所述的步骤对所有转基因区域进行检查。在执行可视化 qc 时, 通过查看覆盖在 t1 上的 gm 区域, 将其与 t1 扫描直接进行比较非常重要。

区域的严重错误应被拒...

讨论

最近的研究表明, 使用不同的体积方法可能对神经影像学研究有重要的意义 1,2。通过发布协议, 帮助指导新手用户如何应用不同的神经成像工具, 以及如何对这些工具的结果输出执行 qc, 研究人员可以选择应用于他们的数据集的最佳方法。

虽然此 sop 中的大多数步骤都可以进行调整以满足数据和研究人员的要求, 但这里介绍的最关键?...

披露声明

作者没有什么可透露的。

致谢

我们要感谢所有在 chdi\ 高级 q 基金会负责 track-hd 研究的人;特别是 beth borowsky、allan tobin、daniel van kammen、ethan signer 和 sherry lifer。作者还希望向 track-hd 的研究参与者及其家人表示感谢。这项工作是在加州大学洛杉矶大学进行的, 该中心得到了卫生部国家卫生研究所生物医学研究中心资助计划的一部分资金。s. j. t. 感谢国家卫生研究所通过 dementias 和神经退行性研究网络 (dendron) 提供的支持。

追踪-高清调查人员:
c. campbell, m. campbell, i. labuschagne, c. milchman, j. stout, monash 大学, 墨尔本, vic, australian;a. coleman, r. dar santos, j. decolongon, b. r. leavitt, a. sturrock, british university, 温哥华, bc, canada;a. durr, c. jauffret, d. justo, s. leherici, c. marelli, k. nigaud, r. valabrègue, 委员会研究所, paris, france;n. bechtel, s. bohlen, r. reilmann, münster 大学, 德国明斯特大学;b. landwehrmeyer, 德国乌尔姆乌尔姆大学;s. j. a. van den bogaard, e. m. dumas, j. van der grund, e. p. t t hart, r. a. roos, 莱顿大学医学中心, 荷兰莱顿大学医疗中心;n. arran, j. callaghan, d. craufurd, c. stopford, 曼彻斯特大学, 联合王国曼彻斯特;d. m. 现金, ixico, 伦敦, 联合王国;h. crawford, n. c. fox, s. gregory, g. owen, n. z. hobbs, n. lahiri, i. mic, j. read, m. j. say, d. whithead, e. wild, 伦敦大学学院, 伦敦, 联合王国;c. 弗罗斯特, r. jones, 伦敦卫生和热带医学院, 联合王国;e. axelson, h. j. johnson, d. langbehn, 美国国际电办爱荷华州大学;和 s. queller, c. campbell, 印第安纳大学, in, in, 美国。

参考文献

  1. Katuwal, G. J., et al. Inter-Method Discrepancies in Brain Volume Estimation May Drive Inconsistent Findings in Autism. Frontiers in Neuroscience. 10, 439 (2016).
  2. Johnson, E. B., et al. Recommendations for the Use of Automated Gray Matter Segmentation Tools: Evidence from Huntington's disease. Frontiers in Neurology. 8, 519 (2017).
  3. Schwarz, C. G., et al. A large-scale comparison of cortical thickness and volume methods for measuring Alzheimer's disease severity. NeuroImage: Clinical. 11, 802-812 (2016).
  4. Clarkson, M. J., et al. A comparison of voxel and surface based cortical thickness estimation methods. NeuroImage. 57 (3), 856-865 (2011).
  5. Eggert, L. D., Sommer, J., Jansen, A., Kircher, T., Konrad, C. Accuracy and reliability of automated gray matter segmentation pathways on real and simulated structural magnetic resonance images of the human brain. Public Library of Science One. 7 (9), 45081 (2012).
  6. Fellhauer, I., et al. Comparison of automated brain segmentation using a brain phantom and patients with early Alzheimer's dementia or mild cognitive impairment. Psychiatry Research. 233 (3), 299-305 (2015).
  7. Gronenschild, E. H. B. M., et al. The effects of FreeSurfer version, workstation type, and Macintosh operating system version on anatomical volume and cortical thickness measurements. Public Library of Science One. 7 (6), 38234 (2012).
  8. Iscan, Z., et al. Test-retest reliability of freesurfer measurements within and between sites: Effects of visual approval process. Human Brain Mapping. 36 (9), 3472-3485 (2015).
  9. Kazemi, K., Noorizadeh, N. Quantitative Comparison of SPM, FSL, and Brainsuite for Brain MR Image Segmentation. Journal of Biomedical Physics & Engineering. 4 (1), 13-26 (2014).
  10. Klauschen, F., Goldman, A., Barra, V., Meyer-Lindenberg, A., Lundervold, A. Evaluation of automated brain MR image segmentation and volumetry methods. Human Brain Mapping. 30 (4), 1310-1327 (2009).
  11. McCarthy, C. S., Ramprashad, A., Thompson, C., Botti, J. A., Coman, I. L., Kates, W. R. A comparison of FreeSurfer-generated data with and without manual intervention. Frontiers in Neuroscience. 9, (2015).
  12. Tohka, J. Partial volume effect modeling for segmentation and tissue classification of brain magnetic resonance images: A review. World Journal of Radiology. 6 (11), 855-864 (2014).
  13. Sled, J. G., Zijdenbos, A. P., Evans, A. C. A nonparametric method for automatic correction of intensity nonuniformity in MRI data. IEEE Transactions on Medical Imaging. 17, 87-97 (1998).
  14. Ashburner, J., Friston, K. J. Unified segmentation. NeuroImage. 26 (3), 839-851 (2005).
  15. Jenkinson, M., Beckmann, C., Behrens, T. E., Woolrich, M. W., Smith, S. M. FSL. NeuroImage. 62, 782-790 (2012).
  16. Dale, A. M., Fischl, B., Sereno, M. I. Cortical surface-based analysis. I. Segmentation and surface reconstruction. NeuroImage. 9, 179-194 (1999).
  17. Fischl, B., Sereno, M. I., Dale, A. M. Cortical surface-based analysis. II: Inflation, flattening, and a surface-based coordinate system. NeuroImage. 9, 195-207 (1999).
  18. Avants, B. B., Tustison, N. J., Wu, J., Cook, P. A., Gee, J. C. An open source multivariate framework for n-tissue segmentation with evaluation on public data. Neuroinformatics. 9 (4), 381-400 (2011).
  19. Ledig, C., et al. Robust whole-brain segmentation: application to traumatic brain injury. Medical Image Analysis. 21 (1), 40-58 (2015).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

143mrispmfslantmalp em

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。