医学论文2019

论文原文： A Semantic-based Medical Image Fusion Approach 医学图像融合对临床诊断有着很重要的作用。但是目前存在的医学图像融合方法忽略了图像的语义信息，试融合后的图像难以理解。（本来融合就是要更多的保留不同模态之间的互补信息来辅助诊断的。因此语义信息当让重要了。）在本文中提出了一种基于语义的医学图像融合方法。Fusion W-Net（FW-Net）。大大的减少了语义信息的损失。并且与先进方法一样有较好的视觉效果，在临床应用上有很大潜力。 低成本的融合方法大致采用这样策略：把不同域的图像转换成不同尺度的参数，然后采用人工设计的规则来优化融合他们，但是这些方法忽视了不同模态之间的语义冲突。例如：骨组织在CT中试比较亮的，但是在MR-T2图像中试安的（这是由不同模态图像的成像原理决定的）因此这些存在的方法有如下两个弊端： 1）现存方法忽视语义冲突。从而导致融合图像的于一损失，如，CT中亮的是密度的组织，MR中量的部分代表组织的流动性和磁性。所以不容模态之间图像嗯待亮的部分的语义完全不同。 2）不考虑亮度语义的融合方法会导致某些脑组织边界模糊。在图1 (b)的绿色框架中，我们可以清楚地看到额窦的炎症区域，这也是临床医生关注的重点。但由于图1 (a)对应部分为亮部，融合时额窦边界(c)(d)和(e)变得模糊。 在本文中我们提出了基于语义的融合方法：先提取不同模态的图像的语义特征，然后把他们映射到新的语义空间，然后再新的于一空间生成出融合的医学图像。采用的FW-Ne由两个U-net组成。 两种方式：1）任务中有目标域的情况（目标域是其中一个源域）：这种一般是把另一个域的图像融合进这个域。通过像素级或者结构级的回归来实现。2）目标域不在任务中通常训练一个度量来生成图片。 底层保留了细粒度信息，高层保留了语义和高频信息。这再图像融合中是有益的。 1）从源域提取信息，包括结构信息和语义信息 2）把不同域的信息映射到相同的空间， 3）再相同空间内融合重建图像。 自动编码器中编码器用力拍提取特征，解码器用来进行重构，通过最小化生成图像和源图像之间的均方误差(MSE）来进行学习和训练。 编码器和解码器都使用U-Net。第一U-Net用于生成融合图像从两个源域到目标域，第二U-Net用于重建源图像。最后，通过最小化重构误差得到融合后的图像。传统的自编码器框架是完全连接的，因此编码器的矢量输出不能保证与源图像在空间上保持一致，而U-Net采用局部连接结构，使得输出矢量在空间上保持一致，从而得到视觉融合的图像。 前两项是重构的语义损失，个人感觉类似于cycle的损失。只不过cycle的损失还有对抗损失这里没有用到鉴别器。 KL散度的目的是是图像平滑，是图像平滑和显著性之间的权衡。 最后一项是正则化，防止模型过拟合 为了评估语义损失，为每个方法训练一个编码器，再训练过程中用来优化 训练之后采用下式来计算语义 损失 1)在编码器和解码器的每一层都加入了batchnorm 加速收敛，提升效果CT and MR-T2 Q_MI 互信息 QAB/F 衡量边缘信息保留成都 SSIM 结构相似性 Q_D 视觉不同行 SL 语义损失 SSIM一个很高，一个很低。作者得解释是因为融合后得图像比较好的保留了CT得信息，又因为是通过语义相似性约束得，不同模态之间得语义相似性相差很大，所以才一个一个. 红色是钙化得组织。再临床上应该重点关注。所以融合得话这个信息应该保留。所以相比本文方法其他方法都对这部分有了一定得模糊效果。 黄色脑室 黄色箭头指得点再MR中有体现，再融合图中也有体现。说明确实是融合了两个图得信息。 蓝色为头外骨。 思考： 总觉得语义相似性有点怪怪得，但说不出哪里有毛病。

论文: Generative adversarial network in medical imaging: A review 这篇文章发表于顶刊Medical Imaging Analysis 2019上，文章细数了GAN应用于医学图像的七大领域——重建（图像去噪）、合成、分割、分类、检测、配准和其他工作，并介绍了包括医学图像数据集、度量指标等内容，并对未来工作做出展望。由于笔者研究方向之故，本博客暂时只关注重建、合成部分的应用。关于该论文中所有列出的文章，均可在 GitHub链接 中找到。 GAN在医学成像中通常有两种使用方式。第一个重点是生成方面，可以帮助探索和发现训练数据的基础结构以及学习生成新图像。此属性使GAN在应对数据短缺和患者隐私方面非常有前途。第二个重点是判别方面，其中辨别器D可以被视为正常图像的先验知识，因此在呈现异常图像时可以将其用作正则器或检测器。示例(a)，(b)，(c)，(d)，(e)，(f)侧重于生成方面，而示例 (g) 利用了区分性方面。下面我们看一下应用到分割领域的文章。 (a)左侧显示被噪声污染的低剂量CT，右侧显示降噪的CT，该CT很好地保留了肝脏中的低对比度区域[1]。 (b)左侧显示MR图像，右侧显示合成的相应CT。在生成的CT图像中很好地描绘了骨骼结构[2]。 (c)生成的视网膜眼底图像具有如左血管图所示的确切血管结构[3]。(d)随机噪声（恶性和良性的混合物）随机产生的皮肤病变[4]。 (e)成人胸部X光片的器官（肺和心脏）分割实例。肺和心脏的形状受对抗性损失的调节[5]。 (f)第三列显示了在SWI序列上经过域调整的脑病变分割结果，无需经过相应的手动注释训练[6]。 (g) 视网膜光学相干断层扫描图像的异常检测[7]。 通常，研究人员使用像像素或逐像素损失（例如交叉熵）进行分割。尽管使用了U-net来组合低级和高级功能，但不能保证最终分割图的空间一致性。传统上，通常采用条件随机场（CRF）和图割方法通过结合空间相关性来进行细分。它们的局限性在于，它们仅考虑可能在低对比度区域中导致严重边界泄漏的 pair-wise potentials (二元势函数 -- CRF术语)。另一方面，鉴别器引入的对抗性损失可以考虑到高阶势能。在这种情况下，鉴别器可被视为形状调节器。当感兴趣的对象具有紧凑的形状时，例如物体，这种正则化效果更加显着。用于肺和心脏mask，但对诸如血管和导管等可变形物体的用处较小。这种调节效果还可以应用于分割器(生成器)的内部特征，以实现域（不同的扫描仪，成像协议，模态）的不变性[8、9]。对抗性损失也可以看作是f分割网络（生成器）的输出和 Ground Truth 之间的自适应学习相似性度量。因此，判别网络不是在像素域中测量相似度，而是将输入投影到低维流形并在那里测量相似度。这个想法类似于感知损失。不同之处在于，感知损失是根据自然图像上的预训练分类网络计算而来的，而对抗损失则是根据在生成器演变过程中经过自适应训练的网络计算的。 [10] 在鉴别器中使用了多尺度L1损失，其中比较了来自不同深度的特征。事实证明，这可以有效地对分割图执行多尺度的空间约束，并且系统在BRATS 13和15挑战中达到了最先进的性能。 [11] 建议在分割管道中同时使用带注释的图像和未带注释的图像。带注释的图像的使用方式与 [10] 中的相同。 [10] 和 [12] ，同时应用了基于元素的损失和对抗性损失。另一方面，未注释的图像仅用于计算分割图以混淆鉴别器。 [13] 将pix2pix与ACGAN结合使用以分割不同细胞类型的荧光显微镜图像。他们发现，辅助分类器分支的引入为区分器和细分器提供了调节。 这些前述的分割训练中采用对抗训练来确保最终分割图上更高阶结构的一致性，与之不同的是， [14] -- code 中的对抗训练方案,将网络不变性强加给训练样本的小扰动，以减少小数据集的过度拟合。表中总结了与医学图像分割有关的论文。 参考链接： [1] X. Yi, P. Babyn. Sharpness-aware low-dose ct denoising using conditional generative adversarial network. J. Digit. Imaging (2018), pp. 1-15 [2] . Wolterink, . Dinkla, . Savenije, . Seevinck, . van den Berg, I. Išgum. Deep MR to CT synthesis using unpaired data International Workshop on Simulation and Synthesis in Medical Imaging, Springer (2017), pp. 14-23 [3] P. Costa, A. Galdran, . Meyer, M. Niemeijer, M. Abràmoff, . Mendonça, A. Campilho. End-to-end adversarial retinal image synthesis IEEE Trans. Med. Imaging(2017) [4] Yi, X., Walia, E., Babyn, P., 2018. Unsupervised and semi-supervised learning with categorical generative adversarial networks assisted by Wasserstein distance for dermoscopy image classification. arXiv: . [5] Dai, W., Doyle, J., Liang, X., Zhang, H., Dong, N., Li, Y., Xing, ., 2017b. Scan: structure correcting adversarial network for chest x-rays organ segmentation. arXiv: . [6] K. Kamnitsas, C. Baumgartner, C. Ledig, V. Newcombe, J. Simpson, A. Kane, D. Menon, A. Nori, A. Criminisi, D. Rueckert, et al. Unsupervised domain adaptation in brain lesion segmentation with adversarial networks International Conference on Information Processing in Medical Imaging, Springer (2017), pp. 597-609 [7] T. Schlegl, P. Seeböck, . Waldstein, U. Schmidt-Erfurth, G. Langs Unsupervised anomaly detection with generative adversarial networks to guide marker discovery International Conference on Information Processing in Medical Imaging, Springer (2017), pp. 146-157 [8] K. Kamnitsas, C. Baumgartner, C. Ledig, V. Newcombe, J. Simpson, A. Kane, D. Menon, A. Nori, A. Criminisi, D. Rueckert, et al. Unsupervised domain adaptation in brain lesion segmentation with adversarial networks International Conference on Information Processing in Medical Imaging, Springer (2017), pp. 597-609 [9] Dou, Q., Ouyang, C., Chen, C., Chen, H., Heng, ., 2018. Unsupervised cross-modality domain adaptation of convnets for biomedical image segmentations with adversarial loss. arXiv: . [10] Y. Xue, T. Xu, H. Zhang, . Long, X. Huang Segan: adversarial network with multi-scale l 1 loss for medical image segmentation Neuroinformatics, 16 (3–4) (2018), pp. 383-392 [11] Y. Zhang, L. Yang, J. Chen, M. Fredericksen, . Hughes, . Chen. Deep adversarial networks for biomedical image segmentation utilizing unannotated images International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer (2017), pp. 408-416 [12] Son, J., Park, ., Jung, ., 2017. Retinal vessel segmentation in fundoscopic images with generative adversarial networks. arXiv: . [13] Y. Li, L. Shen. CC-GAN: a robust transfer-learning framework for hep-2 specimen image segmentation IEEE Access, 6 (2018), pp. 14048-14058 [14] W. Zhu, X. Xiang, . Tran, . Hager, X. Xie. Adversarial deep structured nets for mass segmentation from mammograms 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), IEEE (2018) [15] D. Yang, D. Xu, . Zhou, B. Georgescu, M. Chen, S. Grbic, D. Metaxas, D. Comaniciu. Automatic liver segmentation using an adversarial image-to-image network International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer (2017), pp. 507-515 [16] Dou, Q., Ouyang, C., Chen, C., Chen, H., Heng, ., 2018. Unsupervised cross-modality domain adaptation of convnets for biomedical image segmentations with adversarial loss. arXiv: . [17] Rezaei, M., Yang, H., Meinel, C., 2018a. Conditional generative refinement adversarial networks for unbalanced medical image semantic segmentation. arXiv: . [18] A. Sekuboyina, M. Rempfler, J. Kukačka, G. Tetteh, A. Valentinitsch, . Kirschke, . Menze. Btrfly net: Vertebrae labelling with energy-based adversarial learning of local spine prior International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer, Cham (2018) [19] M. Rezaei, K. Harmuth, W. Gierke, T. Kellermeier, M. Fischer, H. Yang, C. Meinel. A conditional adversarial network for semantic segmentation of brain tumor International MICCAI Brainlesion Workshop, Springer (2017), pp. 241-252 [20] P. Moeskops, M. Veta, . Lafarge, . Eppenhof, . Pluim. Adversarial training and dilated convolutions for brain MRI segmentation Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, Springer (2017), pp. 56-64 [21] Kohl, S., Bonekamp, D., Schlemmer, ., Yaqubi, K., Hohenfellner, M., Hadaschik, B., Radtke, ., Maier-Hein, K., 2017. Adversarial networks for the detection of aggressive prostate cancer. arXiv: . [22]Y. Huo, Z. Xu, S. Bao, C. Bermudez, . Plassard, J. Liu, Y. Yao, A. Assad, . Abramson, . Landman. Splenomegaly segmentation using global convolutional kernels and conditional generative adversarial networks Medical Imaging 2018: Image Processing, 10574, International Society for Optics and Photonics (2018), p. 1057409 [23]K. Kamnitsas, C. Baumgartner, C. Ledig, V. Newcombe, J. Simpson, A. Kane, D. Menon, A. Nori, A. Criminisi, D. Rueckert, et al. Unsupervised domain adaptation in brain lesion segmentation with adversarial networks International Conference on Information Processing in Medical Imaging, Springer (2017), pp. 597-609 [24]Z. Han, B. Wei, A. Mercado, S. Leung, S. Li. Spine-GAN: semantic segmentation of multiple spinal structures Med. Image Anal., 50 (2018), pp. 23-35 [25]M. Zhao, L. Wang, J. Chen, D. Nie, Y. Cong, S. Ahmad, A. Ho, P. Yuan, . Fung, . Deng, et al. Craniomaxillofacial bony structures segmentation from MRI with deep-supervision adversarial learning International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer (2018), pp. 720-727 [26] Son, J., Park, ., Jung, ., 2017. Retinal vessel segmentation in fundoscopic images with generative adversarial networks. arXiv: . [27]Y. Li, L. Shen. CC-GAN: a robust transfer-learning framework for hep-2 specimen image segmentation IEEE Access, 6 (2018), pp. 14048-14058 [28] S. Izadi, Z. Mirikharaji, J. Kawahara, G. Hamarneh. Generative adversarial networks to segment skin lesions Biomedical Imaging (ISBI 2018), 2018 IEEE 15th International Symposium on, IEEE (2018), pp. 881-884 Close [29]W. Zhu, X. Xiang, . Tran, . Hager, X. Xie. Adversarial deep structured nets for mass segmentation from mammograms 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), IEEE (2018)

“小柯”是一个科学新闻写作机器人，由中国科学报社联合北京大学高水平科研团队研发而成，旨在帮助科学家以中文方式快速获取全球高水平英文论文发布的最新科研进展。《细胞》● 肠道细菌可以预防和治疗病毒感染美国佐治亚州立大学Andrew T. Gewirtz课题组发现分段丝状细菌可预防和治疗轮状病毒感染。这一研究成果2019年10月10日在线发表在国际学术期刊《细胞》上。尽管清除轮状病毒通常需要适应性免疫，但研究者无意间构建了RV抵抗性免疫缺陷小鼠，研究人员推测这反映某些微生物可以针对性抵抗RV。并且，这种RV抵抗性可通过共宿和粪便移植来传播。通过加热，过滤和抗菌剂来处理保护RV的微生物菌群，然后将稀释的处理过的微生物群转移到无菌小鼠体内并进行微生物组分析。这种方法表明分段的丝状细菌足以保护小鼠免受RV感染和相关的腹泻。这种保护与先前定义的RV阻抗因素无关，包括干扰素、IL-17和IL-22。SFB在回肠的定植诱导宿主基因表达的变化，并加速上皮细胞更新。在体外，将RV与含有SFB的粪便一起孵育可降低RV的感染性，表明RV可被直接中和。因此，不受免疫细胞的影响，SFB可针对某些肠道病毒感染和相关的腹泻病提供保护。据介绍，轮状病毒在各种微生物包围中接触肠道上皮细胞，从而提供了微生物影响RV感染的可能性。相关论文信息：● 科学家提出针对全基因组分析的“白皮书”美国弗吉尼亚联邦大学Roseann E. Peterson课题组阐述了遗传多样性人群的全基因组关联分析：机会、方法、缺陷和建议。2019年10月10日的《细胞》在线发表了这项成果。为了方便和促进多族裔和混合人群的研究，研究者概述了主要的方法学考虑因素，并重点介绍了机会，挑战，解决方案和需要发展的领域。尽管研究者认为很难分析来自不同人群的遗传数据，但这在科学和伦理上都是必不可少的，并且拥有一个扩展的分析工具箱可以很好地做到这一点。据介绍，全基因组关联分析主要关注欧洲裔人群，但重要的是，多样化的人群具有更好的代表性。研究参与者之间日益增加的多样性将增进我们对所有人群的遗传结构的了解，并确保遗传研究广泛适用性。相关论文信息：《新英格兰医学杂志》● 早产儿两种递增母乳喂养进度的对照试验加拿大达尔豪斯大学Jon Dorling课题组近日取得一项新成果，他们进行了两种早产儿增加母乳喂养进度的对照试验。相关论文于2019年10月10日发表在《新英格兰医学杂志》上。研究组招募了2804名超早产儿或超低出生体重婴儿，将其随机分组，其中快速增加组1224名，每天每公斤体重增加30毫升母乳，缓慢增加组1246名，每天每公斤体重增加18毫升母乳，直至达到正常喂养量。快速增加组中有802名婴儿获得无中重度神经发育障碍生存，缓慢增加组中有848名。快速增加组中有的婴儿发生晚发型败血症，缓慢增加组为；快速增加组中有的婴儿发生坏死性小肠结肠炎，缓慢增长组为。总而言之，对于超早产或超低出生体重婴儿，每天每公斤增加30毫升母乳与18毫升母乳相比，并未显著增加无中重度神经发育障碍的存活率。据悉，早产儿肠道喂养量的缓慢增加可降低坏死性小肠结肠炎的风险，但增加了晚发型败血症的风险。相关论文信息：《科学》● 组织驻留记忆T细胞命运决定机制获揭示近日，美国马萨诸塞州总医院Thorsten R. Mempel研究发现，迁移性树突状细胞激活细胞因子转化生长因子β来预处理初始CD8阳性T细胞，从而确立组织驻留记忆T细胞的命运。该研究于2019年10月11日发表在《科学》杂志上。研究人员发现在免疫稳态期间，TGF-β在表观遗传学上调节了静息的初始CD8阳性T细胞，并为在皮肤疫苗接种小鼠模型中形成表皮常驻记忆T细胞做好准备。初始T细胞调节发生在淋巴结中，但不发生在脾脏中，这是通过与周围组织来源的迁移性DC的主要组织相容性复合物I依赖性相互作用而发生的，并且取决于TGF-β激活αV型整合素在DC的表达。因此，通过限制LN的信号，免疫前T细胞库能够为向特异性记忆T细胞分化命运做好准备。据介绍，eTRM细胞是屏障组织中的前哨，以防御先前遇到的病原体。eTRM细胞的产生方式对通过免疫接种诱导自身形成或预防自身免疫性疾病具有重要意义。相关论文信息：● 科学家揭示前脑突触的节律调控机制2019年10月11日，瑞士苏黎世大学Steven A. Brown、Shiva K. Tyagarajan和德国慕尼黑大学Maria S. Robles等研究人员合作在《科学》杂志发表论文，揭示了前脑突触转录组由时间调控，但其蛋白质组由睡眠驱动。采取生化方法，研究人员揭示了前脑突触转录本的积累显示出绝大多数的日常节律，三分之二的突触转录本显示了与时间相关的丰度，而与体细胞的振荡无关。这些转录本形成了两个明显的时间和功能簇，清晨之前的转录本与新陈代谢和翻译有关，而傍晚的转录本与突触传递有关。全天候表征突触蛋白质组证明了时间门控对突触过程和能量稳态的功能相关性。出乎意料的是，睡眠剥夺完全消除了蛋白质组，但转录本没有振荡。总的来说，这些发现表明了突触中信使RNA的昼夜节律，并且按照睡眠-清醒周期进行翻译。据介绍，神经元形成了将RNA和蛋白质转运到遥远的树突和轴突中的机制。相关论文信息：● 研究揭示睡眠-清醒周期中突触蛋白质磷酸化动态德国慕尼黑大学Maria S. Robles和瑞士苏黎世大学Steven A. Brown等研究人员合作揭示了睡眠-清醒周期引起的突触蛋白质组磷酸化的日常动态。相关论文发表在2019年10月11日出版的《科学》杂志上。研究人员对在24小时内分离出的小鼠前脑突触神经小体应用了先进的定量磷酸化蛋白质组学，可准确定量近8000种磷酸肽。一半的突触磷酸化蛋白在休息-活动和活动-休息过渡时具有最大振幅的节律。生物信息学分析揭示了通过磷酸化对突触功能的总体时间控制，包括突触传递、细胞骨架重组和兴奋/抑制平衡。睡眠剥夺消除了突触神经小体中所有磷酸化周期的98％，这表明睡眠-清醒周期而非昼夜节律信号是突触磷酸化的主要驱动因素，并对睡眠和觉醒压力均有反应。据悉，昼夜节律通过调节转录、蛋白质丰度和功能来驱动生理的日常变化，包括睡眠-清醒周期。昼夜节律性磷酸化调控外围器官中的细胞过程，但对其在脑功能和突触活动中的作用知之甚少。相关论文信息：● 研究发现厌恶情绪受NMDA调控法国巴黎塞纳河神经科学大学M. A. Diana小组，研究发现甘氨酸门控GluN1/GluN3A N-甲基-D-天冬氨酸受体对成年内侧缰核厌恶情绪的控制。这一研究成果2019年10月11日发表在《科学》杂志上。他们发现，GluN1 / GluN3A受体在小鼠成年MHb的神经元中起作用。在MHb中没有甘氨酸能神经元专长的情况下，神经胶质细胞通过GluN1 / GluN3A受体调节神经元活性。降低MHb中的GluN1 / GluN3A受体水平可以防止产生厌恶情绪调控。甘氨酸通过兴奋性甘氨酸能NMDA受体控制负值情绪联想，这项研究借此扩展了甘氨酸的生理和行为含义。据介绍，当与其他结合甘氨酸的亚基GluN1结合时，非经典的NMDA受体亚基GluN3A和GluN3B可以产生纯被甘氨酸激活的兴奋性电导。但是，尚未在天然成人组织中鉴定出功能性GluN1 / GluN3受体。相关论文信息：● 数据分析揭示史前社会不平等关系德国马克斯·普朗克人类历史科学研究所Heidi Deeg，Philipp W. Stockhammer和Alissa Mittnik研究团队，合作发现欧洲青铜时代以血缘关系为基础的社会不平等现象。这一研究成果2019年10月10日在线发表于《科学》。揭示和理解史前社会不平等背后的机制是一项重大挑战。通过组合全基因组数据、同位素证据以及人类学和考古学数据，研究人员超越了考古学中占主导地位的超区域方法，从而揭示了青铜时代社会地位、继承规则和迁徙的复杂性。他们采用了深层的微区域方法，并分析了来自德国南部新石器时代晚期至青铜器中期的农庄相关墓地的104个人的全基因组数据。他们的研究结果表明，历经几代的个体家庭包括一个高地位的核心家庭和无亲缘关系的个体，这种组织伴随着父权制和女性外来配偶，该体系在700多年来保持稳定。相关论文信息：《英国医学杂志》● 冠状动脉搭桥术后抗血栓治疗的系统回顾近日，加拿大西部大学教授Rodrigo Bagur及其研究团队对冠状动脉搭桥术后抗血栓治疗进行了系统回顾和网络荟萃分析。该研究于2019年10月10日在线发表于《英国医学杂志》。研究组从Medline、Embase、Web of Science等大型数据库中搜索2019年1月25日之前发表的论文，筛查口服抗血栓药物来预防冠状动脉搭桥术后隐静脉移植失败的随机对照试验。最终有20个试验被纳入网络荟萃分析，共包括4803名成人参与者，9种干预措施。分析结果表明，与阿司匹林单药治疗相比，中度确定性证据支持双重抗血小板治疗，即阿司匹林+替卡格雷或阿司匹林+氯吡格雷可减少隐静脉移植失败。在不同的抗血栓治疗中，大出血、心肌梗死和死亡的发生率并无显著差异。然而，这些试验的异质性和不连贯性差异较大。总之，这项网络荟萃分析结果提示阿司匹林+替卡格雷或氯吡格雷可有效预防冠状动脉搭桥术后隐静脉移植失败。术后的双重抗血小板治疗应充分权衡用药的安全性和有效性。相关论文信息：合作事宜：.cn投稿事宜：.cn王者之心2点击试玩