基于MATLAB视网膜视锥细胞的图像处理

doi:10.3969/j.issn.2095-4344.2013.15.018

中国组织工程研究

• 组织构建细胞学实验 cytology experiments in tissue construction • 上一篇下一篇

基于MATLAB视网膜视锥细胞的图像处理

赵超阳¹，姚军平²，刘勇²，戴云³，谷昕¹，阴正勤¹

1重庆大学生物工程学院，重庆市 400044
2解放军第三军医大学西南医院眼科，重庆市 400038
3中科院成都光电技术研究所，四川省成都市 610000

收稿日期:2012-08-10 修回日期:2012-09-13 出版日期:2013-04-09 发布日期:2013-04-09
通讯作者: 阴正勤，博士后，主任医师，重庆大学生物工程学院，重庆市 400044 qinzyin@yahoo.com.cn
作者简介:河南省漯河市人，汉族，2012年重庆大学毕业，硕士，主要从事人眼视觉修复及视觉假体研究。 zcychao@163.com

Processing of the retinal cone image based on the MATLAB

Zhao Chao-yang¹, Yao Jun-ping², Liu Yong², Dai Yun³, Gu Xin¹, Yin Zheng-qin¹

1 School of Bioengineering, Chongqing University, Chongqing 400044, China
2 Department of Ophthalmology, Xinan Hospital, Third Military Medical University of Chinese PLA, Chongqing 400038, China
3 Photoelectricity Institute of Chengdu, Chinese Academy of Sciences, Chengdu 610000, Sichuan Province, China

Received:2012-08-10 Revised:2012-09-13 Online:2013-04-09 Published:2013-04-09
Contact: Yin Zheng-qin, Doctor, Chief physician, School of Bioengineering, Chongqing University, Chongqing 400044, China qinzyin@yahoo.com.cn
About author:Zhao Chao-yang★, Master, School of Bioengineering, Chongqing University, Chongqing 400044, China zcychao@163.com
Supported by:
the National 863 Program of China, No. 2007AA04Z324*; the Tackle Key Program of Chongqing City, No. CSTC,2010AB5118*

摘要/Abstract

摘要：

背景：视网膜自适应光学成像系统所获取的视锥细胞图像具有灰度分布相对集中、亮点边缘比较模糊、存在伪轮廓及边缘相粘连的特点，寻找一种适合视锥细胞图像的处理算法来获取视网膜视锥细胞清晰轮廓成为今后工作的重点内容。
目的：采用MATLAB图像处理工具箱对视锥细胞图像进行边缘提取，获取其清晰的边缘轮廓。
方法：对30例正常受试者不同部位视锥细胞图像进行预处理、边缘提取和形态学处理，获取视锥细胞图像清晰的边缘轮廓；对处理后的图像进行细胞计数，并分析视锥细胞密度分布特性，进而来验证图像处理算法应用于视锥细胞分布特性研究的可行性。
结果与结论：获取了清晰的视网膜视锥细胞图像轮廓；从结果来看，随着远离黄斑中心凹，细胞密度呈现出降低的趋势，从黄斑中心凹偏0.5°到1°范围内，视网膜视锥细胞密度下降最快。结果提示：实验所设计的图像处理算法在研究视网膜视锥细胞分布特性方面是可行的。

关键词: 组织构建, 组织构建细胞学实验, 视网膜, 视锥细胞, 图像处理, 对比度拉伸, 边缘提取, Laplacian算子, 自适应光学, 黄斑中心凹, 形态学, 腐蚀与膨胀, 863项目

Abstract:

BACKGROUND: The cone cell for the image retina adaptive optical imaging system is characterized by the relatively concentrated gray distribution, vague window edge, the existing pseudo outline, and the adhesion of edge photograph. Looking for a suitable processing algorithm of the cone image to get the clear outline is the key content for the future work.
OBJECTIVE: To perform edge extraction of the retina cone cell image and get clear edge profile of the cone cell based on the MATLAB.
METHODS: According to the retinal image of the different parts of 30 normal subjects, based on Mat lab image processing toolbox, we could preprocess the cone cell image, edge extraction and process morphological, and get the clear edge profile of the cone cell image. The cell numbers of processed image was counted, the cone distribution characteristics were analyzed, and then the feasibility of this study which designed image processing algorithm applied to the study of the distribution characteristics of cone cells were verified.
RESULTS AND CONCLUSION: A clear outline of the retinal cones image was obtained successfully. From the results of cone cell’s density, as far away from the center fovea of macula, the cell density presented a trend of reduction; from the center fovea of macula partial range 0.5° to 1°, the retinal cones density decreased rapidly. The findings indicated that the algorithm of the image processing designed in this study can be used to study the retinal characteristics of the cones distribution.

Key words: tissue construction, cytology experiment in tissue construction, retina, cone cells, image processing, contrast stretching, edge extraction, Laplacian operator, adaptive optics, fovea, morphology, corrosion and expansion, National “863&rdquo, Program of China

中图分类号:

R318

赵超阳，姚军平，刘勇，戴云，谷昕，阴正勤. 基于MATLAB视网膜视锥细胞的图像处理[J]. 中国组织工程研究, doi: 10.3969/j.issn.2095-4344.2013.15.018.

Zhao Chao-yang, Yao Jun-ping, Liu Yong, Dai Yun, Gu Xin, Yin Zheng-qin. Processing of the retinal cone image based on the MATLAB[J]. Chinese Journal of Tissue Engineering Research, doi: 10.3969/j.issn.2095-4344.2013.15.018.

图/表（结果） 1

参考文献

[1] Xiang D,Wang QL,Du QJ,et al. Bandaoti Guangdian. 2008; 29(1): 134-139.向东,王青玲,杜秋娇,等. 自适应光学技术获取高分辨率视网膜图像[J]. 半导体光电,2008,29(1):134-139.

[2] Zhang XL,Sun WT,Qiu SD,et al. Guoji Yanke Zazhi. 2005; 5(6):1239-1241.张小玲,孙文涛,邱曙东,等. 糖尿病性视网膜病变发病机制研究进展[J]. 国际眼科杂志,2005,5(6) :1239-1241.

[3] 陈宇,霍富荣,苗华. 对比度拉伸在目标探测与识别中的应用研究[C]. 焦作:第六届全国信息获取与处理学术会议论文集(2), 2008.

[4] Wu ZG,Wang YJ. Guangzi Xuebao. 2010;39(4):755-758.武志国,王延杰.一种基于直方图非线性变换的图像对比度增强方法[J].光子学报, 2010,39(4):755-758.

[5] Chen F,Yao JG,Yang YJ,et al. Jisuanji Gongcheng yu Yingyong. 2009;45(14): 167-169.陈芳,姚建刚,杨迎建,等. 灰度拉伸及边缘扫描在红外图像分割中的应用[J]. 计算机工程与应用, 2009,45(14): 167-169.

[6] Yao XW,Guo L,Zhao TY,et al. Xi’an Gongye Daxue Xuebao. 2012;32(5):367-372.姚西文,郭磊,赵天云,等.比较中值滤波快速算法及FPGA实现[J].西安工业大学学报, 2012,32(5):367-372.

[7] Hou FZ,Peng CW,Fang L. Wei Jisuanji Xinxi. 2011;27(1):69.侯法柱,彭楚武,方亮.图像中值滤波算法及其FPGA的实现[J].微计算机信息,2011,27(1):69.

[8] Qin A,Meng XL,Feng QJ,et al. Zhongguo Yiliao Shebei. 2010; 25(3):29-31.秦安,孟晓林,冯前进,等. 并行各向异性扩散算法与实时医学图像增强技术[J].中国医疗设备,2010,25(3):29-31.

[9] Liu C,Zhang D. Jisuanji Jishu yu Fazhan. 2006;16(8): 128-130.刘晨,张东. 边缘检测算子研究及其在医学图像中的应用[J].计算机技术与发展,2006,16(8):128-130.

[10] Jiang XC,Wan ZK,Chen L. Diannao Zhishi yu Jishu. 2006 (2): 138-141.江笑婵,万振凯,陈利.基于Matlab边缘提取的几种方法的比较[J].电脑知识与技术,2006(2):138-141.

[11] Zhou H,Li TM,Wei H. Beijing Shengwu Yixue Gongcheng. 2002;21(2):89-91.周浩,李天牧,尉洪.基于数字形态学的血液细胞图像边缘提取[J].北京生物医学工程,2002,21(2):89-91.

[12] Yang JW,Cheng TB,Zhong ZY,et al. Jisuanji Gongcheng yu Yingyong. 2011;47(36):177-179.杨健雯,程韬波,钟震宇,等.数字形态学和LoG算子结合的边缘检测技术[J].计算机工程与应用,2011,47(36):177-179.

[13] Zhou H,Li TM,Wei H. Beijing Shengwu Yixue Gongcheng. 2002;21(2):89-91.周浩,李天牧,尉洪.基于数字形态学的血液细胞图像边缘提取[J].北京生物医学工程,2002,21(2):89-91.

[14] Mistlberger A, Liebmann JM, Greenfield DS,et al. Heidelberg retina tomography and optical coherence tomography in normal, ocular-hypertensive, and glaucomatous eyes. Ophthalmology. 1999;106(10):2027-2032.

[15] Zeimer R, Shahidi M, Mori M,et al. A new method for rapid mapping of the retinal thickness at the posterior pole. Invest Ophthalmol Vis Sci. 1996;37(10):1994-2001.

[16] Hee MR, Izatt JA, Swanson EA,et al. Optical coherence tomography of the human retina. Arch Ophthalmol. 1995; 113(3):325-332.

[17] Zhao CY,Yao PJ,Dai Y,et al. Zhonghua Yan Shiguangxue yu Shijue Kexue Zazhi. 2011;13(6):419-422.赵超阳,姚军平,戴云,等. 自适应光学成像系统(MICRO/ZSC-1)活体测定正常人眼视锥细胞密度[J].中华眼视光学与视觉科学杂志,2011,13(6):419-422.

[18] Curcio CA, Sloan KR, Kalina RE,et al. Human photoreceptor topography. J Comp Neurol. 1990;292(4):497-523.

[19] Jiang WH. Ziran Zazhi. 2006;28(1):7-13.姜文汉.自适应光学技术[J]. 自然杂志,2006,28(1):7-13.

[20] Jonnal RS, Besecker JR, Derby JC,et al. Imaging outer segment renewal in living human cone photoreceptors. Opt Express. 2010;18(5):5257-5270.

[21] Kitaguchi Y, Fujikado T, Bessho K,et al. Adaptive optics fundus camera to examine localized changes in the photoreceptor layer of the fovea. Ophthalmology. 2008; 115(10):1771-1777.

[22] Chui TY, Song H, Burns SA. Individual variations in human cone photoreceptor packing density: variations with refractive error. Invest Ophthalmol Vis Sci. 2008;49(10):4679-4687.

[23] Jonas JB, Schneider U, Naumann GO. Count and density of human retinal photoreceptors. Graefes Arch Clin Exp Ophthalmol. 1992;230(6):505-510.

[24] Kitaguchi Y, Bessho K, Yamaguchi T,et al. In vivo measurements of cone photoreceptor spacing in myopic eyes from images obtained by an adaptive optics fundus camera. Jpn J Ophthalmol. 2007;51(6):456-461.

[25] Bessho K, Fujikado T, Mihashi T,et al. Photoreceptor images of normal eyes and of eyes with macular dystrophy obtained in vivo with an adaptive optics fundus camera. Jpn J Ophthalmol. 2008;52(5):380-385.

引言

材料方法

1.1 视网膜视锥细胞图像来源采用成都光电研究所研制的视网膜自适应光学成像系统对视细胞进行成像，具体步骤如下：①首先用0.5%托吡卡胺和0.5%盐酸去氧肾上腺素混合液对受试者进行扩瞳，5 min后，利用成像系统对受试者的离焦等屈光不正进行充分矫正，然后再用信标光(波长为780 nm光强小于等于10 µW)[2]照射哈特曼波前传感器获取受试者的波前位移量，通过计算机计算并重构出控制变形镜的控制量，并控制和驱动微变形镜(变形量为±2.0 µm)对波前像差进行闭环矫正(矫正时间小于5 s)，使像差矫正到一个稳定的值，实现系统的稳定校正。②眼底视网膜成像在矫正像差的同时，启动照明光源(强脉冲光源，波长 650 nm，功率≤600 µW)，照明眼底视网膜进行成像，其曝光时间为5 s，曝光所用CCD相机象素为680×480[3]，成像范围以黄斑中心凹为中心旁开±3°，每次成像区域在直径为300 µm的圆形区域，每选一个位置均采用连续成像方式，成像帧数在17-40帧之间。

1.2 方法
图像处理：视网膜视锥细胞图像进行预处理(包括对比度拉伸和滤波增强)，降低噪声对实验的干扰，然后对图像进行边缘提取和形态学处理，获取视网膜视锥细胞清晰的轮廓。
密度统计：对经过处理后的图像进行细胞计数，获取其密度统计值，并分析细胞密度分布特性，进而来验证实验所设计算法对视锥细胞图像处理是否可行。
1.3 实验流程图见图1。

2 图像处理过程

2.1 对比度拉伸利用自适应光学成像系统获得视锥细胞图像，灰度相对较集中，有很多跟特征信息不相关的信息混杂在图像中，这些信息使获得图像不清晰，甚至降低和掩盖了图像有用的信息，给信息的统计造成不容忽视的影响，因此，实验采取了对比度拉伸得出方法[4]，它是一种最简单的、但却非常有效的对比度增强方法。它主要用于图像增强，特别对于那些灰度分布过于集中的图像，图像增强效果更好。图像处理的步骤为：首先利用直方图统计图像灰度范围，找出对图像进行灰度拉伸的最大值和最大值后的第一个最小值，确定分段线性变换函数，然后根据确定的分段线性变换函数进行象素灰度值的映射[5]。

为了改善输出图像的质量，对比度拉伸可以有选择的拉伸某段灰度区间。其变换函数为即：g(x，y)=T[f(x，y)]，对于该实验来说，对图像进行灰度拉伸后，增强了图像的可视粒度，其优点在于仅仅改变了原始图像的象素灰度分布的范围，而其每一象素的位置并不受影响，即图像各个象素点的形态在增强前后不会发生变化。通过此步骤对获得的视网膜视锥细胞图像进行处理，处理后结果见图2。

2.2 滤波增强在对正常受试者进行视网膜视锥细胞检测过程中，由于光学成像系统本身元件、机械噪声等带入的噪声，使得获取的图像边缘不清晰，存在粘连的现象，虽经过对比度拉伸后，这些信息仍然存在，故此，实验采用中值滤波增强[6-7]、扩散增强的方法。中值滤波可以在不减少图像对比度情况下减少异常值的影响，在一定程度上可以有效地消除短促的脉冲噪声而又不会模糊边界，减少了对边缘和细节的模糊效应，是一种比较好的平滑图像噪声的方法。扩散增强采用并行各向异性扩散算法，它是根据图像的不同方向上的梯度来确定扩散系数，显著滤除噪声和保留细节的性能[8]。在边缘区域，灰度值变化剧烈，梯度较大，扩散系数就较小，能够保留图像的边缘信息，而灰度值相同区域内部，它的扩散系数较大，可以有效地滤除其区域内的噪声，增强图像特征信息的清晰度和对比度。

经过滤波增强后图像见图3。

2.3 边缘提取在实验过程中，最主要的步骤是就是分割视锥细胞图像的边缘，使其边缘清晰可见，实质上是采用某种算法提取图像中的对象与对象、对象与背景之间的边界线[9]。由图3B可以看出，图像的局部边缘有些还是不清晰，细胞之间的边界仍然存在粘连的现象，为了更好的将边界信息提取出来[10-11]，实验采用laplacian算子进行边缘提取。在边缘检测过程中首要的任务就是用边缘检测算子提取边缘点集，然后再点集中排除某些间断点或者修补边界间断点，最后将这些点集连成线，将边界信息提取出来。

下面介绍Laplacian 算子的应用原理[12]。Laplacian 算子是二维函数f(x, y)在x, y方向上的二阶导数形成的，如下式所示：

在边缘处，由于图像边缘灰度变化剧烈，图像的一阶偏导数存在最大值或最小值，从而二阶偏导数必有零交叉，用Laplacian 算子检测目的就是要找出零点位置。实际检测中，Laplacian 算子是以二阶差分的方式实现的。常见的Laplacian 估算模板有3种，见图4。

Laplacian算子是二阶导数算子，具有锐化边缘、各向同性和对噪声具有很强的敏感性等特点，并且还不能检测边缘的方向，因此在边缘检测中，很少直接使用，但是在与其他边缘检测手段结合使用时，laplacian算子是一种有效的补充方法。经边缘提取后的图像见图5。

2.4 形态学处理原理及方法在实验中，主要采用形态学的开运算，主要是因为开运算能够断开狭窄的链接，更能有效地显现视网膜视锥细胞较强的的颗粒性。

开运算就是对图像先进行膨胀操作，然后再用相同的结构元素进行腐蚀操作。A被B的形态学开运算可以记为，定义为：

开运算的结果是去除图像中不包含结构信息的对象区域，而保留图像中的包含结构元素的对象区域，并且保持其形状和大小均不变，平滑了图像中对象的轮廓。闭运算恰恰相反，首先是对图像进行腐蚀，然后对图像进行膨胀。A被B的形态学闭运算定义为：

从几何上说，是指所有不与A重叠的B的平移的并集。它也能平滑对象的轮廓，与开运算不同的是它将狭窄的缺口连接起来，并填充比结构元素小的洞。

在实际应用中，灰度图的开运算常用于去除相对于结构元素而言较小的亮点，同时保留所有的灰度和较大的亮区特征不变。同样，膨胀运算除去了较小的暗细节，灰度图像的闭运算常用来除去较小的暗细节，使得图像变亮[13]。在实验中，经过开运算处理后的图像见图6。

讨论

目前国内外临床上使用的眼底视网膜诊断设备(如眼底相机、光学相干断层扫描仪、超声生物显微镜等)，其横向分辨能力远不能达到观测细胞所需的分辨率(视觉细胞3-9 µm)[14-16]，不能克服人眼像差对成像质量的影响，并且只能在组织尺度上对眼底进行检查诊断，检查出的病变一般已经到了中后期比较严重的程度。成都光电技术研究所研制的视网膜自适应光学成像系统是一种自动控制系统[17-18]，以光学波前为研究对象，利用自适应光学技术校正(消除)人眼像差[19]，从而获得眼底视网膜高分辨率视细胞图像。然后通过对视网膜图像处理，获取图像特征(如视细胞大小、密度、排列均匀性等)，医生可以根据这些特征及其他辅助检测结果及时发现患者眼底存在的早期病变并确定疾病所处的程度，进而帮助医生实现对疾病的早期诊断，及时确定治疗方案，降低眼睛失明的概率。视网膜自适应光学成像系统通过校正像差将横向分辨率提高到小于2 µm，不仅仅在形态上看到了视网膜细胞图像及血管图像，而且可以从细胞水平上来观察细胞的变化，将一些眼底视网膜疾病的发病机制及病理研究提前到细胞未死亡前仅有的形态变化时的状况，为后续疾病的治疗和控制、延缓疾病的发展甚至治愈提供了一个前所未有的超早期诊断手段和检测工具。

利用此算法对正常受试者的视锥细胞图像进行处理，能够避免块状的伪轮廓，去除边缘的模糊效应，得到清晰的视网膜细胞图像轮廓。本文在对图像处理过程中，综合运用了图像数学形态学技术和图像增强技术相结合的方法，图2A为原图，图2B为直接用对比度拉伸运算结果，使得图像的象素灰度分布的统计特性发生了改变，而图像各个象素点的形态在增强前后不会发生变化，增强了图像的可视粒度；图3B使用滤波增强后的结果有效地消除了脉冲噪声的影响，使得图像在一定程度上减少了对边缘和细节的模糊效应，增加图像的清晰度；图5B则是边缘提取后的结果，大幅度地减少数据量，并且剔除了可以认为不相关的信息，从而保留图像重要的结构信息；图6B是开运算后的结果，减少了图像粘连，增强了视锥细胞图像的颗粒感，该方法基本能将图像中各个亮点边缘给提取出来。

为了验证算法的有效性，对正常受试者的视锥细胞图像进行处理研究，分析了视锥细胞密度分布特征。结果可以看出：无论是水平方向还是垂直方向，视锥细胞密度与偏离度呈反相关，在黄斑中心凹是最高的，随着偏离度的增加，细胞密度呈现出降低的趋势。偏离黄斑中心凹0.5°视锥细胞密度为70 000个/mm2左右[20]，视锥细胞密度在偏离黄斑中心凹0.5°-1°时，视锥细胞密度发生显著地变化，密度下降的很快，这种变化趋势和由组织切片及染色所获取的视锥细胞密度的特点是基本一致的[21]。随着自适应光学眼底成像系统应用，国际上研究视网膜视锥细胞的分布特性进入了一个前所未有的高潮。Chui等[22]在2008年研究的结果是：上侧在偏离黄斑中心凹1°-11°范围上视锥细胞密度27 712- 7 070个/mm2，Jonas等[23]测得在偏离黄斑中心凹0.04-1.5 mm所测视锥细胞密度为125 500- 6 000个/mm2。到目前为止，还有一些研究所测得数据是为40 000-50 000个/mm2(2°)[24]和40 950- 54 530个/mm2 (2°)[25]，而作者所测得偏离黄斑中心小凹0.5°-3°区域的细胞密度为70 000-16 000个/mm2，细胞密度分布特性与以上研究结果相似。这也间接地说明了该算法在研究视网膜视锥。

但是，实验所用视网膜视锥细胞图像处理算法也存在一定问题，比如：在边缘提取过程中，存在相邻亮点之间的粘连问题等，没有得到很好的解决。但是，随着对视觉系统认知的进一步加强，应用于视网膜视锥细胞图像的图像处理算法会得到进一步的完善和改进。

基于MATLAB视网膜视锥细胞的图像处理

Processing of the retinal cone image based on the MATLAB

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表（结果） 1

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	李珊珊, 郭笑霄, 尤冉, 杨秀芬, 赵露, 陈曦, 王艳玲. 感光细胞替代治疗视网膜变性疾病[J]. 中国组织工程研究, 2021, 25(7): 1116-1121.
[2]	管倩, 栾佐, 叶豆, 杨印祥, 汪兆艳, 王倩, 姚瑞芹. 人少突胶质前体细胞传代过程中形态学的变化[J]. 中国组织工程研究, 2021, 25(7): 1045-1049.
[3]	赵宁, 于洪丹, 冯珍, 丁佳媛, 刘学政. 红景天苷抑制高糖诱导大鼠视网膜Müller细胞的凋亡[J]. 中国组织工程研究, 2021, 25(11): 1664-1669.
[4]	许国峰, 李学斌, 唐一钒, 赵寅, 周盛源, 陈雄生, 贾连顺. 人黄韧带细胞骨化发生过程中的自噬[J]. 中国组织工程研究, 2020, 24(8): 1174-1181.
[5]	周玉, 龙小安, 李宁, 王纯. 有限元法分析髌腱炎状态时的生物力学变化[J]. 中国组织工程研究, 2020, 24(8): 1280-1286.
[6]	刘路, 王星, 康小燕, 李贵花, 李筱贺, 高尚, 蔡永强, 张少杰, 李志军. 7-12岁儿童颈椎关节突关节的数字化三维形态研究[J]. 中国组织工程研究, 2020, 24(6): 877-881.
[7]	龚恒, 黄斌, 付立功, 刘华玮, 陈连旭. 中国汉族人与美国高加索白人膝关节几何形态的比较 [J]. 中国组织工程研究, 2020, 24(33): 5366-5370.
[8]	栾双宇, 曾亮, 陈宾, 田伟, 颜南, 陈曦, 张硕, 王正东. 骨髓间充质干细胞调节大鼠视神经损伤后小胶质细胞的活化[J]. 中国组织工程研究, 2020, 24(25): 3937-3942.
[9]	伍笑棋, 李顶, 黄学成, 黄文华. 建立下肢形态学数据库为匹配术后即装假肢提供参考[J]. 中国组织工程研究, 2020, 24(15): 2297-2302.
[10]	曹阳, 胡萍, 田敏, 韦芳, 顾青, 吕红彬. 6-磷酸果糖激酶-2/果糖-2，6-二磷酸酶3对人脐静脉内皮细胞管腔形成的影响[J]. 中国组织工程研究, 2020, 24(14): 2217-2222.
[11]	宋旭东, 何云武, 李勇霖, 陈静, 胡君兰. 超声引导下椎旁神经阻滞治疗带状疱疹相关疼痛的Meta分析[J]. 中国组织工程研究, 2020, 24(11): 1797-1804.
[12]	曹曦，崔伟，陈跃平，冯洋，路通. 尼尔样1型生长因子促进修复骨再生和治疗骨质疏松的应用潜力[J]. 中国组织工程研究, 2019, 23(8): 1235-1240.
[13]	庞巨涛，张新虎，孙建华，周连军，刘斌，李凤国，李文哲. 经皮球囊扩张椎体后凸成形后椎体再骨折的危险：回顾性多因素分析[J]. 中国组织工程研究, 2019, 23(8): 1182-1187.
[14]	高坤，朱文秀，李亨，刘伟东，李全，余伟吉，王立新，曹亚飞 . 去卵巢大鼠血清来源外泌体促进原代成骨细胞的增殖[J]. 中国组织工程研究, 2019, 23(7): 958-989.
[15]	宋超，田鑫，刘琳，徐雅雯，孟圆，李晓丽，彭萌，李华东，王志涛，戈莎. 骨密度测试联合老年人运动功能量表-25评估筛查老年人基础运动障碍及跌倒风险：天津市6个社区1 458例调查[J]. 中国组织工程研究, 2019, 23(7): 990-995.