導讀

某些病理的神經(jīng)影像學檢查需要多參數(shù)定性和定量成像。定量磁共振成像(qMRI)的作用已獲得廣泛認可，但由于其采集時間較長，容易導致患者不適，尤其是在老年患者和兒童患者群體中。先前的研究表明，可以使用合成MRI來縮短掃描時間，并提供qMRI以及多對比度數(shù)據(jù)。然而，這種方法會受到諸如部分體積和流動等偽影的影響。為了提高掃描效率(單位時間內(nèi)獲得的對比圖和定量圖的數(shù)量)，本研究設計、模擬并演示了通過定制MR指紋(TMRF)的方法在大約4分鐘內(nèi)覆蓋全腦的快速、同時、多對比度定性[T1加權、T1液體衰減反轉(zhuǎn)恢復(FLAIR)、T2加權、水和脂肪]和定量成像(T1和T2圖)。
本研究在體內(nèi)四個健康人腦和體外ISMRM/NST模型上進行了TMRF，并與供應商提供的金標準(GS)和MRF序列進行了比較。所有掃描均在3T GE Premier系統(tǒng)上進行，并使用MATLAB離線重建圖像。然后對重建的定性圖像進行自定義深度學習(DL)去噪和梯度各向異性擴散去噪。與字典匹配相比，采用密集神經(jīng)網(wǎng)絡重建定量組織參數(shù)圖以提高計算速度。對體內(nèi)數(shù)據(jù)集中定性和定量數(shù)據(jù)的灰質(zhì)和白質(zhì)組織進行半自動分割。繪制并比較三種方法的信噪比(SNR)和平均對比度。結果發(fā)現(xiàn)，GS圖像的SNR優(yōu)于MRF和TMRF(GS＞TMRF＞MRF)。與GS和TMRF相比，MRF的T1和T2值相對高估。TMRF的掃描效率為1.72min-1，高于GS(0.32min-1)和MRF(0.90min-1)。

前言

定量MRI(qMRI)在醫(yī)學影像診斷中的價值已得到充分確立。臨床研究使用qMRI來研究腦腫瘤、癲癇和多發(fā)性硬化癥等疾病。然而，qMRI需要較長的采集時間。此外，放射科醫(yī)生和技術人員需要接受專業(yè)軟件的培訓來分析這些qMRI數(shù)據(jù)。此外，無論qMRI采集如何，MRI協(xié)議都需要多對比度MR圖像。臨床神經(jīng)成像檢查利用多對比定性和定量成像進行準確診斷。獨立獲取多對比度檢查的加權圖像需要20~30分鐘。這些長時間的采集可能會導致患者不適，從而產(chǎn)生運動偽影，尤其是在老年和兒童群體中。因此，這種長時間的采集降低了掃描效率(單位時間內(nèi)獲得的MR對比圖和定量圖的數(shù)量)。因此，需要快速、同時、多對比度、定性和定量成像，以提高效率，進而提高通量。以往針對這些挑戰(zhàn)的解決方案可分為三類：
多對比度法：加速多對比度法的示例包括三對比快速采集和弛豫增強(TCRARE)。該方法可在2分鐘內(nèi)同時提供質(zhì)子密度(PD)、T1和T2加權圖像。此外，并行成像和壓縮感知減少了采集時間。最近，用于腦部MRI的多對比度EPI脈沖序列(EPIMix)在一分鐘內(nèi)可提供六個對比度。然而，EPIMix具有圖像質(zhì)量降低和幾何失真等局限性，因此可用于篩查，但不能替代金標準序列。
快速定量成像：DESPOT1、DESPOT2等方法，通過雙回波飽和-恢復梯度回波序列(QRAPTEST)對弛豫時間和質(zhì)子密度進行量化，以及利用快速自旋回波讀出飽和-恢復的多回波采集來量化弛豫時間和質(zhì)子密度(QRAPMASTER)，從而加速定量成像。然而，這些方法不直接從掃描儀提供加權圖像，但可以進行綜合計算。相比之下，MR指紋(MRF)能夠以高掃描效率同時生成多個參數(shù)圖。
合成MRI：合成MRI使用參數(shù)圖作為輸入，使用MR信號方程生成多個加權圖像。開發(fā)了一種基于神經(jīng)網(wǎng)絡的多路徑多回波采集方法，用于獲取3D多參數(shù)圖并生成多對比度圖像。在這些方法中，圖像是基于MRF和訓練數(shù)據(jù)“合成”的，而不是直接從原始數(shù)據(jù)中生成。Liu等人(2020)開發(fā)了一種方法，利用多回波梯度回波序列同時生成多對比度圖像和多參數(shù)圖。然而，該方法不能提供臨床常規(guī)使用的T1、T2或液體衰減反轉(zhuǎn)恢復(FLAIR)對比。研究表明，合成MRI由于存在FLAIR對比度、白噪聲和流動偽影等問題，導致圖像質(zhì)量較低。
為了克服與定量成像相關的長采集時間和合成MRI中的挑戰(zhàn)，例如在一個體素中存在多種組織類型，本研究提出了定制磁共振指紋(TMRF)。這項工作設計、模擬和演示了同步、自然(非合成)、多參數(shù)定性和定量快速MR成像。通過在大約四分鐘內(nèi)調(diào)整MRF采集計劃(重復時間(TR)、回波時間(TE)和翻轉(zhuǎn)角(FA))來實現(xiàn)這一點。本研究還將體外和體內(nèi)采集的TMRF數(shù)據(jù)與供應商提供的金標準(GS)序列進行了比較。多對比度圖像包括T1加權、T1?FLAIR、T2加權、水和脂肪。此外，TMRF還提供T1和T2圖。

材料和方法

框架：TMRF方法包括磁化演化、模擬、采集和重建的設計。圖1顯示了從模擬到圖像分析的TMRF框架。對TR和FA值進行調(diào)整，以獲得非合成的T1加權、T1?FLAIR、T2加權、水和脂肪圖像。本研究通過將MRF中的隨機變化改為平滑單調(diào)變化來優(yōu)化TR和FA。緩慢變化的TR和FA賦予信號恒定性，以執(zhí)行有意義的滑動窗口重建信號強度圖像。該方法有助于TMRF保留MRF的優(yōu)點，即同時生成多個參數(shù)圖以及非合成的定性多對比度圖像。

設計和模擬：本研究設計了一個具有螺旋讀出的穩(wěn)態(tài)自由進動序列(SSFP)，該序列包含四種不同腦組織的獨特信號演變。與TR相比，F(xiàn)A可以更大程度地調(diào)制這些序列的MR圖像對比度。MRF利用這種調(diào)制方式來顯著改變FA，同時將TR限制在比最小TR(14.7ms)小得多的范圍內(nèi)。在這項工作中，利用反轉(zhuǎn)脈沖形式的磁化制備來抑制不同時間點的短和長弛豫成分，如脂肪和液體。這種依賴于組織物質(zhì)的“定制設計”選擇允許在給定的對比度窗口中保持不同弛豫對比度“窗口”和信號的恒定性。
TMRF總共使用749個時間點來定制四種組織類型的磁化演化：白質(zhì)(WM)、灰質(zhì)(GM)、腦脊液(CSF)和脂肪。通過設計FA和TR的749個值進行定制。設計分為三個block，每個block包含250幀。對于每個block，在基本FAs選項中選擇最小TR為14.7ms的FA：5°、45°和70°。在這些基本FAs中，加入了標準差為0.5的正態(tài)分布噪聲。結果值按升序排序，以防止出現(xiàn)尖峰樣行為。為了確保信號強度一致，在第250幀加入一個90°脈沖，并在第二個block的末尾添加一個180°脈沖以重置磁化。使用反轉(zhuǎn)脈沖并將其應用于第一個TR。除了第500和第749個時間點(Dixon對比度窗口)外，TE保持在其最小值(1.91ms)不變。對于2點Dixon對比度，分別采用優(yōu)化的TE1(2.3ms)和TE2(3.4ms)進行同相位和反相位采集。水和脂肪圖像屬于第三個block，其中兩個TE的基礎翻轉(zhuǎn)角為70°。圖2顯示了TMRF采集參數(shù)和相應的MRF調(diào)度。利用擴展相位圖模擬工具來模擬T1(0至4000ms，步長為20ms)和T2(0至4000ms，步長為20ms；450至600ms，步長為50ms；700ms至2000ms，步長為500ms)值范圍內(nèi)的磁化演化字典。
重建包括兩個獨立的管道：定性和定量。在定性重建中，使用窗口大小為89的滑動窗口法重建所有749個時間點(幀)，以獲得全采樣k空間。采用2點Dixon方法計算水和脂肪圖像。目視檢查所有重建圖像，以確保獲得所有五個對比度，并記錄其相應的時間點。選擇的時間點為：T2加權、T1?FLAIR和T1加權分別為1、95和150。2點Dixon圖像來自時間點575和675。僅對第一個數(shù)據(jù)集執(zhí)行此時間點選擇。隨后，僅在其余三個數(shù)據(jù)集的這五個時間點上進行滑動窗口重建。這種選擇將每個對比的重建時間從約40分鐘(749個時間點)減少到約2分鐘(5個時間點)。
首先使用NNDnet對重建圖像進行去噪，然后使用3D Slicer進行梯度各向異性擴散(GAD)去噪。對去噪后的圖像計算WM和GM的信噪比和平均強度。對于體內(nèi)定量重建，首先進行非滑動窗口重建(欠采樣)。隨后，對所有體素的信號演變進行89點移動平均濾波。本研究使用移動平均濾波器，是因為TMRF數(shù)據(jù)無需滑動窗口重建。因此，每個時間點的圖像都是有噪聲的，因為它是高度欠采樣的。因為本研究的DRONE實現(xiàn)是在無噪聲EPG模擬字典上訓練的，所以使用網(wǎng)絡生成的參數(shù)圖的質(zhì)量取決于TMRF信號演化的噪聲水平。因此，本研究使用移動平均濾波器對TMRF數(shù)據(jù)進行去噪，以提高由DRONE生成的T1和T2圖的質(zhì)量。對于去噪，移動平均濾波器定義為：

在TMRF定量重建中，M設置為89，這是本研究執(zhí)行中螺旋的總次數(shù)。最后，使用改進的深度重建網(wǎng)絡(DRONE)獲得T1和T2圖。使用3D Slicer分割WM和GM，計算T1和T2值。體外數(shù)據(jù)采用相同的定量重建管道，只是進行感興趣區(qū)域(ROI)分析，而不是GM和WM分割。

MRI實驗：使用21通道頭部線圈在3T GE Premier系統(tǒng)(GE Healthcare，USA)上對ISMRM/NIST模型和四名健康人類參與者進行GS、MRF和TMRF序列成像。表1列出了GS、MRF和TMRF的脈沖序列、采集參數(shù)和掃描時間。所有圖像均使用MATLAB離線重建。這些采集是IRB批準的研究的一部分，需要書面知情同意。

定性成像研究：MRF和TMRF序列利用了一個具有608點讀出的89-shot spiral。導致MRF和TMRF的采集時間分別為5:57(分：秒)和4:07。所有序列(GS、MRF和TMRF)采集兩次，使用差分圖像法計算信噪比(SNR)。對每個參與者的所有序列進行切片，以便進行空間比較。
TMRF重建：對獲得的原始數(shù)據(jù)進行預處理，包括對校準的梯度延遲(3.5μs)進行補償、利用視場(FOV)與矩陣大小的比率縮放k空間、去除尖峰(FID標準差的兩倍閾值)以及使用預先計算的密度補償因子對k空間數(shù)據(jù)進行加權。使用非均勻快速傅里葉變換(NUFFT)重建數(shù)據(jù)，然后進行復雜線圈組合和滑動窗口重建，以獲得隨時間推移的2D多層圖像。在TMRF中，平滑變化的磁化強度有助于我們使用滑動窗口重建，其中窗口大小等于螺旋臂(shots)的數(shù)量，以獲得完全采樣的圖像。此外，通過使用EPG框架模擬信號演變，可以預測所采集數(shù)據(jù)中的信號，從而對加權圖像進行更穩(wěn)健的重建。另一方面，MRF提供欠采樣圖像。
MRF合成圖像：MRF同時提供T1和T2參數(shù)圖。這些圖像與TR、TE和反轉(zhuǎn)時間(TI)等采集參數(shù)一起，作為MR信號方程的輸入，以綜合生成多對比度圖像，例如T1加權、T1?FLAIR和T2加權合成圖像。
基于深度學習(DL)的去噪：由于圖2中的磁化演化曲線所示的信號強度較低，所以從TMRF獲得的圖像信噪比(SNR)較低?？紤]到我們可以獲取圖像中的噪聲，并將其作為先驗信息加以利用，本研究使用了一種稱為“原生噪聲去噪網(wǎng)絡”(NNDnet)的神經(jīng)網(wǎng)絡(NN)去噪技術，該技術是內(nèi)部開發(fā)的，用于降低噪聲。使用人類連接組項目(HCP)數(shù)據(jù)訓練模型，分別由8295張T1磁化制備的快速梯度回波(MPRAGE)和6622張T2加權圖像組成。噪聲數(shù)據(jù)的正向建模涉及通過裁剪噪聲圖像的四個角從噪聲目標數(shù)據(jù)中獲得噪聲塊。隨后，噪聲塊被累積并添加到HCP數(shù)據(jù)中，其圖像強度水平與原始TMRF數(shù)據(jù)集中觀察到的最高強度水平相似。HCP數(shù)據(jù)集(干凈的和有噪聲的)用于使用U-net訓練NNDnet。使用線性整流激活函數(shù)，并在具有四個Nvidia Tesla GPU的計算機上對網(wǎng)絡進行400個epoch的訓練。該模型在考慮測試數(shù)據(jù)集信噪比的情況下對TMRF圖像進行去噪。TMRF重建的T1和T2加權圖像是測試圖像。本研究使用梯度各向異性擴散(GAD)去噪方法(可在3D Slicer中獲得)作為參考方法，并將其與基于NNDnet的去噪進行了比較。本研究沒有對合成的MRF圖像進行深度學習(DL)去噪，因為這些圖像是從弛豫圖而不是從k空間數(shù)據(jù)計算出來的。因此，這些合成圖像中的噪聲源于定量圖中的估計誤差，而不是低信噪比的k空間數(shù)據(jù)。
定量成像研究——TMRF重建和模式匹配：采用基于DRONE的DL方法進行TMRF定量組織弛豫圖重建。該架構由一個四層、全連接的神經(jīng)網(wǎng)絡組成。輸入層由對應于總時間點的749個節(jié)點組成，輸出層由T1和T2兩個節(jié)點組成。隱藏層采用雙曲正切(tanh)作為激活函數(shù)，輸出層采用sigmoid函數(shù)。每個隱藏層都有300個節(jié)點。該網(wǎng)絡使用0.001的學習率和均方誤差作為損失函數(shù)進行訓練。使用RMSprop優(yōu)化器對網(wǎng)絡進行500個epoch的訓練?？偣?08808個樣本被分成訓練、驗證和測試數(shù)據(jù)，其對應比率分別為0.71、0.18和0.11。
使用T1在0~3000ms的范圍內(nèi)進行字典模擬，在1~300ms之間以2ms為增量，在300~3000ms之間以10ms為增量。T2在0~1500ms之間，在1~300ms之間以2ms為增量，在300~3000ms之間以10ms為增量。由于生理原因，排除了T1＜T2的條目。字典條目的絕對值用作訓練數(shù)據(jù)。使用該DRONE樣網(wǎng)絡計算體內(nèi)和體外數(shù)據(jù)的定量T1和T2圖。體內(nèi)大腦數(shù)據(jù)的GS T1曲線擬合在MATLAB中離線進行，而T2則直接從GE掃描儀的軟件中獲得。
MRF重建和模式匹配：MRF重建與模式匹配遵循Ma等人(2013)中使用字典匹配方法的相同協(xié)議。
圖像分析：3D Slicer用于對所有時間層和所有四個體內(nèi)數(shù)據(jù)集的定性和定量數(shù)據(jù)進行GM和WM組織分割。顱骨剝離是手動進行的。使用3D Slicer中的閾值法半自動執(zhí)行組織分割。對所有對比度(水和脂肪圖像除外)和兩幅圖進行分割。繪制并比較了三種方法的信噪比。計算了所有三種方法的平均對比度(WM和GM信號強度之間的差異)，并使用GraphPad Prism繪制圖像。

結果和討論

設計和模擬：圖2(a-c)描繪了MRF(虛線)和TMRF(實線)的TE、FA和TR序列。圖2(d，e)顯示了四種組織類型的代表性MRF和TMRF滑動窗模擬信號演變：白質(zhì)(T1=860ms，T2=80ms，用于模擬)、灰質(zhì)(T1=1320ms，T2=120ms)、腦脊液(T1=4000ms，T2=1700ms)和脂肪(T1=380ms，T2=60ms)。圖2(e)描繪了TMRF信號演變，其表現(xiàn)出比MRF緩慢變化的幅度，確保在使用滑動窗口時進行更好的圖像重建。TMRF信號演變的細微變化增加了定量成像的挑戰(zhàn)。然而，DRONE和其他基于DL的方法預計會對這些細微變化敏感。在第二個采集block開始時包含一個90°的脈沖，在滑動窗口重建中引入了偽影。該脈沖是翻轉(zhuǎn)磁化以實現(xiàn)后續(xù)水和脂肪成像所必需的。MRF序列由1000個時間點組成，但TMRF序列僅利用749個時間點來獲取所有五個對比度，從而減少了25%的掃描時間。TMRF的重建時間(五張定性圖像和兩張地形圖的重建時間約為20分鐘)比MRF(三張合成對比圖和兩張地形圖的重建時間約為2分鐘)更長。重建時間較長是由于對所有749個時間點進行了滑動窗口重建，以獲得自然對比度圖像。然而，該過程僅在第一個數(shù)據(jù)集上執(zhí)行一次，以手動選擇與五個所需對照相對應的時間點。這些選定的時間點對于所有后續(xù)數(shù)據(jù)集都是固定的。

定性研究：圖3第一、二、三行分別顯示了使用GS序列、MRF和TMRF獲得定性的健康大腦圖像。每一列代表同一主題的不同對比度。手動調(diào)整圖像的窗口水平以顯示良好的對比度。

與MRF圖像相比，從TMRF獲得的所有定性圖像都是自然的，顯示了GM和WM之間的平滑過渡。與GS和TMRF相比，MRF圖像增加了WM和GM之間的對比度。然而，這些圖像是合成生成的，容易出現(xiàn)部分體積偽影和流動偽影(由藍色箭頭指示)。TMRF水圖像存在流動偽影，如圖3中的黃色箭頭所示。本研究還考察了前10個時間點，并選擇了第1個時間點(滑動窗口重建第1到第44個時間點的數(shù)據(jù))作為基于信號演化曲線(EPG模擬)的T2加權“類”圖像，然后進行視覺檢查。此外，T2加權對比度看起來與金標準不同，這些圖像都是在去噪后獲得的。圖4顯示了從GS、MRF和TMRF獲得的具有代表性T1加權圖像(第一列)。放大后的圖像(第二列)顯示，合成的圖像表現(xiàn)出部分容積效應，從而導致圖像呈斑塊狀(第2行)。本研究將此歸因于在滑動窗口重建中反映出的Dixon窗口時間點固有的流動偽影。與描繪掃描之間被試運動的GS圖像相比，MRF(第二行)和TMRF(第三行)圖像進行了適度旋轉(zhuǎn)。TMRF可以提供與第一數(shù)據(jù)集相同對比度的多個圖像。所有對比度的時間點都是手動選擇的。因此，用戶可以為每個對比度選擇最佳圖像。為第一個數(shù)據(jù)集選擇時間點后，則僅對剩余數(shù)據(jù)集的選定時間點執(zhí)行滑動窗口重建(圖1)。根據(jù)TMRF數(shù)據(jù)計算得到的水圖像似乎具有流動和陰影偽影。本研究將此歸因于梯度不平衡，并旨在在未來實現(xiàn)中補償Dixon采集期間的流動。此外，TE1和TE2值還需要根據(jù)不同被試進行定制，從而進一步優(yōu)化。所獲得的水和脂肪圖像是在89個時間點上使用滑動窗口獲得的，從而導致有來自其他時間點圖像的信號(時間模糊)。因此，脂肪沒有被完全抑制。此外，尚未對這些圖像執(zhí)行相位校正和后處理。

DL去噪：GAD濾波方法導致圖像細節(jié)模糊，而NNDnet能夠保留邊緣信息并去除對比度特定噪聲。結合NNDnet和GAD兩種方法，可以在保持圖像邊緣和減少噪聲之間取得平衡。DL去噪是一種有效的方法，因為信號和噪聲水平是根據(jù)含噪聲目標圖像定制的，并保留了原始噪聲結構。

定量研究：圖5分別顯示了GS序列、MRF和TMRF的ISMRM/NIST模型和健康大腦的T1和T2定量圖。在圖5(a)中，MRF和TMRF的T1圖的質(zhì)量與GS T1圖相似。與MRF的T2圖相比，TMRF的T2圖偽影增加。在模型和健康大腦中觀察到的偽影可能歸因于B1的變化。在圖5(b)中，在MRF和TMRF的T2圖中都可以觀察到流動偽影，但在GS的T2圖上沒有觀察到，這是因為MRF和TMRF中都沒有使用流動補償梯度的螺旋軌跡。在圖5(c)中，T1估計值顯示TMRF和自旋回波之間具有很強的線性相關性(R2=0.9992)，而T2的相應值為R2=0.9839。圖5(d)、T1和T2估計值也顯示出MRF和自旋回波之間的強線性相關性，R2分別等于0.9965和0.9848。

圖像分析：圖6(a)顯示了所有三種方法(GS、MRF和TMRF)和三種對比度(T1加權、T1?FLAIR和T2加權)定性數(shù)據(jù)的WM和GM信噪比(第一行)與信號強度(第二行)。圖6(b)顯示了T1和T2圖以及所有三種方法的WM和GM的T1與T2值。GS圖像在三種對比度下的WM和GM信噪比均優(yōu)于MRF和TMRF。對于T1加權圖像和T1?FLAIR，TMRF的信噪比優(yōu)于MRF，而對于T2加權圖像，TMRF和MRF的信噪比相似。從TMRF獲得的T2加權圖像是有噪聲的，因為這段時間內(nèi)的信號強度較低。圖6(a)的第二行描繪了WM和GM的平均強度值，在T1加權和T1?FLAIR圖像上，TMRF的WM和GM平均強度值高于GS和MRF。與GS和TMRF相比，MRF數(shù)據(jù)的WM和GM的T1和T2值均相對高估(如圖6(b)所示)。GS和TMRF值在相似范圍內(nèi)。分割后的GM和WM弛豫時間值是整個分割區(qū)域的平均值。這種平均會導致空間定位和更大范圍值的丟失。TMRF在4:07(分：秒)內(nèi)提供五個對比度和兩張地形圖，而對于相同數(shù)量的圖像，GS需要22:10(分：秒鐘)，而MRF以5:57(分：秒)的時間提供三個對比度和兩張地形圖。TMRF的掃描效率(1.72min-1)高于GS(0.32min-1)和MRF(0.90min-1)。MRF理論上可以綜合產(chǎn)生無限數(shù)量的對比度。然而，這些圖像會被流動偽影和部分體積偽影破壞(見圖3和圖4)。這是因為包含一個完整的物理效果模擬(如流動、擴散、多分量體素等)存在數(shù)值上的挑戰(zhàn)。

局限性：這項工作的局限性包括：(i)使用TMRF重建的圖像具有低信噪比(SNR)；(ii)水圖像包含與流動相關的偽影；(iii)本研究中使用的層厚為5mm，大于臨床研究中常用的3mm；(iv)TMRF方法目前僅限于2D成像，限制了層間分辨率；(v)本研究中使用的樣本量相對較小。本研究計劃通過從2D到3D采集來減輕這些限制，以提高SNR，并包括梯度力矩消除以減少流動偽影。
這項工作已經(jīng)證明了同時、自然(非合成)、五種對比度和兩種定量圖的快速獲取。特別是，TMRF需要大約4分鐘，而GS序列需要25分鐘。這將加速腦部腫瘤和多發(fā)性硬化癥等疾病的成像過程，尤其是在兒童人群中。TMRF的設計是靈活的，未來的實現(xiàn)可以結合DWI和T2?FLAIR等對比度。本研究對FA、TR和TE的選擇是基于對組織物質(zhì)的了解和短TRs的對比。這種設計可以擴展到其他組織類型和器官的成像過程中。

參考文獻：Pavan Poojar, Enlin Qian, Tiago T. Fernandes, Rita G. Nunes, Maggie Fung, Patrick Quarterman, Sachin R. Jambawalikar, Angela Lignelli, Sairam Geethanath. Tailored magnetic resonance fingerprinting. Magn Reson Imaging 2023;?99: 81-90.

https://doi.org/10.1016/j.mri.2023.02.002.

小伙伴們點星標關注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～