基於單層表面跟蹤的超大規模醫學圖像表面重建方法
2023-10-19 14:08:32
專利名稱：基於單層表面跟蹤的超大規模醫學圖像表面重建方法
技術領域：
本發明涉及模式識別，特別涉及基於單層表面跟蹤的超大規模醫學圖像表面重建方法。
但是，通過醫學影像設備所得到的影像都是二維的，需要經過訓練的放射科醫生來做出判斷。隨著計算機可視化技術的發展，通過計算機的輔助，可以將一系列的二維醫學圖像經過處理，生成逼真的三維圖像，使醫生看得更好，看得更準，看得更方便。
醫學圖像的三維可視化是該學科的核心組成，它利用一系列的二維切片圖像進行三維模型重建和顯示，是進行定量分析的前提。三維可視化實現中有兩種繪製技術表面繪製和直接體繪製。面繪製最大的特點是需要先對二維數據場進感興趣對象進行分割和三維重建，生成對象邊緣等值的曲面表示，再採用光照模型繪製圖像。而體繪製是將三維體數據中的體素看成一個個半透明物質，並分類賦予其一定的顏色和阻光度，由光線穿過整個數據場，進行顏色合成，得到最終的繪製結果。
由於表面顯示速度快，並且能為醫生提供更加逼真的人體組織與器官的交互式顯示，從而提高醫療診斷的準確性，所以表面重建和表面顯示技術在醫學圖像處理與分析中應用的越來越廣泛。其中最為著名的就是87年由W.Lorensen提出來的MC(Marching Cubes)算法，由於MC算法實現簡單，並且能得到高解析度的輸出，還能充分利用當前主流的圖形顯示硬體，因此使得它成為最流行的表面抽取算法。但是，MC算法在表面重建時要生成大量的三角面片去逼近目標曲面，這使得要處理大規模模型比較困難，另外，MC算法的速度比較慢。儘管研究人員已經開發出了大量的方法來解決這些問題，但是這些方法或者需要額外的計算，或者需要大量的輔助存儲空間，都不適應於超大規模數據集的實時處理。
目前已經有一些商用的軟體，如Mayo Clinic的ANALYZE、SensorSystems的MEDx、Advanced Visual Systems的AVS以及樞法模·丹歷的Stealth Station等，它們都提供了大量的工具用來進行2D、3D圖像顯示、圖像處理、分割、配準、定量分析等，並且都提供了表面顯示功能。但是由於三維重建的計算量很大，這些商業軟體往往要求運行在高檔的工作站上，並且價格昂貴，因此應用範圍收到了很大的限制。
由於現在的醫學影像設備所產生的圖像解析度越來越高(如1024×1024)，數據越來越多，給三維重建也帶來了更大的挑戰。特別是自從美國的虛擬人體項目出現以來，海量的數據使得實時處理和顯示變得更為困難，從而使得開發新的能夠高效處理超大規模醫學圖像數據集的方法尤為重要。
為實現上述目的，基於單層表面跟蹤的超大規模醫學圖像表面重建方法包括(1)分割步驟，從醫學圖像的二維切片中將感興趣的部分分割出來；(2)表面提取步驟，使用單層表面跟蹤將感興趣的器官表面提取出來；(3)三角帶生成步驟，對提取出來的三維表面模型進行處理，使其適合於快速繪製；(4)交互式顯示步驟，對器官的三維表面模型進行真實感顯示和實時交互。
本發明的目標平臺是在我國普及率很高的普通PC，作業系統是界面友好的Windows系列作業系統，不僅成本低廉，並且容易操作。通過利用單層的表面跟蹤和幾何數據壓縮技術，大大減少了算法的內存消耗量，同時還保證了非常快的重建速度。在醫學圖像數據量越來越大的今天，該發明在醫學領域具有重要的應用價值，並且具有高可信度、可應用性和可採納性。
圖3是使用基於單層表面跟蹤算法能正確處理的連接性示意圖；在圖3中，用粗線表示的和用細線表示的是一個連續曲面的兩個部分，但是它們在一層切片內大部分是不連通的。通過使用下面描述的域值方法，它們最終可以被連在一個表面裡。
圖4是查找表中表項是如何組織的示意圖；在圖4(a)中，舉出了一個簡單的體素配置的例子，(b)圖是六個方向的示意圖，(c)圖給出了在查找表中它對應的表項的值。
圖5是所用數據緩衝區的示意圖；其中，圖5(a)示意了三個緩衝區的位置(Top Edges，Bottom Edges和Z Edges)，(b)圖左邊示意了數據集的一個截面圖，右邊示意緩衝區中的內容如何向上移一層。
圖6是一個三角面片網格及其鄰接圖的示意；圖7是虛擬人體的骨骼重建；圖8是皮膚重建效果圖。
發明的實施方式目前個人電腦在我國不斷普及，並且價格也不斷在下降，而PC機的硬體功能卻以指數級飛速地發展。新型的高速CPU不斷出現，現在已經達到了GHz，處理速度越來越快，並且不斷有新的指令集出現來加速多媒體應用程式的執行。支持三維硬體加速技術的顯卡頻繁更新換代，現在已經出現了比CPU處理速度更快的圖形處理器(GPU)，如NVidia的GeForce2等，可以使用硬體來完成諸如三維圖形變換、光照、裁剪等原先需要軟體來完成的功能。所有這些條件都使得在當前的主流PC機上開發出實用的可以高效處理超大規模數據集的方法成為可能。
下面詳細描述本發明的超大規模醫學圖像的表面重建與顯示方法。本實現方案由四個主要步驟組成，結構圖可以參見
圖1。這四個步驟分別是分割步驟、表面提取步驟、Triangle Strips生成步驟和交互式顯示步驟，下面逐一進行介紹。
分割這一步的目的是為表面重建算法做預處理，將目標物體從背景中分割出來，也稱為二值化的過程。分割對於高質量的三維重建是至關重要的，因為它決定著最終顯示出來的物體是否是我們感興趣的器官。
分割方法有很多不同的種類，每一種類都適合於不同的來源影像。比如閾值分割對CT比較有效，但是對於MRI圖像來講，由於人體內部結構複雜、生物組織的蠕動和MRI成像的特點，造成醫學圖像中目標物體不可避免的受到其它物體甚至是噪聲的幹擾，使得物體局部邊緣特徵模糊，用閾值分割就難以得到較好的效果。所以最好的方法就是將分割方法和三維重建方法結合起來，提供儘可能多的分割方法，針對不同的來源影像選用不同的分割方法，得到高精確度的分割結果以後再應用表面重建方法。
在這裡我們介紹兩種比較實用的分割方法域值法和區域增長法。閾值法的關鍵是閾值的選擇，可以由用戶選擇區分背景與非背景的灰度閾值，也可用自動閾值法確定閾值。常見的自動閾值法有P-參數法，狀態法，微分直方圖法，判別分析法和可變閾值法。針對醫學圖像噪聲多的特點，可以採用判別分析法。即在圖像灰度值的直方圖中，求得閾值t把灰度值的集合分成兩組，使得兩組得到最佳分離。最佳分離的標準是兩組的平均值的方差和各組方差的比為最大。該方法在直方圖中有兩個波峰時，可作為狀態法起作用；即使不存在波峰時也可求出閾值。設給定圖像具有L級灰度值，閾值為k，k將圖像的像素分成兩組1，2。組1的像素數設為ω1(k)，平均灰度值為M1(k)，方差為σ1(k))；組2的像素數設為ω2(k)，平均灰度值為M2(k)，方差為σ2(k)。設全體像素的平均灰度值定為Mτ。則組內的方差w2=112+222]]>組間的方差B2=1(M1-M)2+2(M2-M)2=12(M1-M2)2]]>最佳標準 值為最大，即 取最大值。
對於區域增長法，需要用戶選擇皮膚輪廓上的一個點作為種子點。區域生長的基本思想是將具有相似性質的象素集合起來構成區域，該方法需要先選取一個種子點，然後依次將種子象素周圍的相似象素合併到種子象素所在的區域中。區域生長算法的研究重點一是特徵度量和區域增長規則的設計，二是算法的高效性和準確性。我們使用對稱區域增長算法，可以有效地彌補區域增長算法的兩大弱點對初始種子點的選擇敏感，以及內存佔用過多，而且對3D連接對象標記和刪除空洞的算法效率高。
表面提取要從大規模數據集裡快速地重建出感興趣的三維表面，有很多因素必須認真地考慮1)內存消耗。因為我們的目標平臺是普通的PC機，對於象虛擬人體這樣大規模的數據集來說，內存的合理使用是很重要的。
2)遍歷速度。因為要處理的體素個數太多，如何加速遍歷體素的速度也是很關鍵的。
3)繪製速度。產生的大量的三角面片將給繪製速度帶來很大的挑戰。
但是很不幸，在這些因素中，內存的消耗和遍歷的速度是一對矛盾體。如果使用一些空間分割技術如八叉樹等來加快體素的遍歷速度，則除了數據集以外，在內存裡還要存儲八叉樹等輔助結構，這對於大規模數據集顯然是不實際的；如果要節省內存，則必然要順序地遍歷體素，這將降低重建的速度。
這裡所提出的算法綜合考慮了以上因素，它可以在消耗較少內存的情況下，快速地重建出感興趣的表面，並實時地顯示出來。
因為在六個方向的表面跟蹤使得數據緩衝變得困難，並且需要更多的輔助存儲空間，所以這裡提出了單層的表面跟蹤技術，即只在切片所在平面上的四個方向進行表面跟蹤，在與切片相垂直的方向上按照從下到上的順序進行處理，我們的實驗證明此算法的效率是相當高的。
在標準的Marching Cubes算法裡，體素遍歷的次序是從左到右，從下到上，不考慮體素的鄰居信息，因此算法的大部分時間花在對空體素的檢測上。如果使用傳統的表面跟蹤算法，則需要將整個數據集讀入內存，並且需要對整個數據集進行隨機訪問，這限制了它在大規模數據集上的應用。
我們的思想是既利用表面跟蹤的優點，又儘量少消耗內存，並且實現對數據集按照切片順序訪問，從而在速度和內存消耗上取得一個最好的平衡點。很自然地，我們將表面跟蹤限制在單層內，從而達到了這一目的。
在這裡提出來的算法中，切片數據按照從下到上的順序被分片讀入內存，每兩片切片組成了一層。算法在一層中只在四個方向進行表面跟蹤，處理完一層後再讀進下一片切片數據。
單層表面跟蹤與六個方向的表面跟蹤相比，可能會導致一個問題抽取出來的表面不完全。因為缺少兩個方向的自由度，在三維空間中是相互連接的曲面可能在一張切片中不連接，如圖2所示。為了解決這個問題，我們在第一層的處理中採用順序掃描，同時將在上方向上有連接的立方體加入到一個種子點集合中，在處理下一層切片時，就從這個種子點集合出發，在四個方向上進行跟蹤，同樣的，記錄在上方向上有連接的立方體。通過這樣的種子點傳播，不僅提高了運算速度，也可以部分解決上述問題。在圖2中，用粗線表示的和用細線表示的部分在大部分切片裡都不連通，但是通過這種方法，最終連在了一個表面裡。但儘管這樣，仍然損失了一個向下的自由度，當第一層中不包括所有的種子點時，算法仍然可能只搜索出部分表面，如圖3所示，只有用粗線表示的部分被抽取出來。儘管這時可以再向下搜索，但一部分切片數據就要被重複讀取，同時整個算法的複雜度也大為增加。這裡我們使用了一個簡單的方法，設置一個三角面片個數域值，如果某一層裡抽取出來的三角面片個數少於這個域值，則在此層中再進行順序掃描，得到此層中完整的種子點，然後再向上傳播。實踐證明，如果域值選擇合適，這樣作是比較有效的。
為了快速在單層數據中進行表面跟蹤，可以構造一個查找表NeighbourTable，它對256種可能的體素配置方式都用一個字節來記錄與鄰居體素的連接信息。字節的最高三位代表在此體素鄰居體素中有效體素的個數，範圍為0-6，低五位從高位到低位分別代表上、前、後、左、右五個方向上的鄰居體素是否有效，其中1代表有效，0代表無效。例如，對於圖4所示的體素，它所對應的NeighbourTable裡的表項應該是01111001。
另外考慮到輸出三角面片的個數很龐大，如果採用傳統的頂點表和面表的網格表達方式的話，將會耗費大量的內存。這裡對於頂點數據的組織，我們採取了一種比較緊湊的數據結構。如果數據集的解析度是Ix×Iy×Iz，並且假設最大的一維是Ix，首先分配Iy×Iz個指針PointsList*，其中PointsList結構組織如下x坐標16bit法向量16bit法向量在一個單位立方體上被量化，每個面被分成100×100個點，總共6×100×100個不同的法向量，被量化成16bit，這樣的精度並不會造成視覺上圖像質量的下降。
採用這種數據結構後，要保存網格裡M個點的數據只需要Iy×Iz×4+M×4個字節，而如果使用傳統的坐標法向量表示法的話就需要M×(3+3)×4個字節，從我們的觀察看，在大部分情況下新的方法只佔用傳統方法的不到1/4的存儲空間。
算法在對一層進行跟蹤時，首先從上層得到的種子點集合中取出一個點，如果此點沒有被訪問過，則將其加入到一個隊列的尾部。算法每次都去隊列的頭部取出一個體素，得到此體素內的等值面與各個邊的交點(此處直接採用中點坐標)，並且得到三角片的連接方式。然後通過查找NeighbourTable表得到此體素在四個方向上的連接信息，對於相連接的鄰居體素，如果其沒有被訪問過，則將它加入到隊列的尾部。同時還要判斷此體素在上方向是否有連接，如果有，記錄進種子點集合中。循環執行上面的過程，直到隊列為空時，單層中相連接的等值面就被抽取出來了。
在表面跟蹤的過程中，可以利用數據緩衝機制來避免一些重複的計算。對於一個體素來說，它與每個鄰居體素都要共享一個面，這些面上的等值點實際上只需計算一次，保存在一個數據緩衝區中，下次就可以直接從緩衝中將計算結果直接取出來。要實現一個比較好的數據緩衝算法的難點就在於如何儘量減少數據緩衝區所佔用的內存，並且要在一個數據沒有用的時候將其釋放掉，供其它的數據使用。
由於本算法將表面跟蹤限制在單層裡面，所以可以很容易地實現一種有效的數據緩衝機制。在這裡使用了三個緩衝區來分別記錄頂層邊(TopEdges)、下層邊(Bottom Edges)和中間的邊(Z Edges)，如圖5所示。假設切片數據的高和寬分別為ImageHeight和ImageWidth，則頂層邊和下層邊緩衝區的長度都為2×ImageHeight×ImageWidth，而中間邊只需要ImageHeight×ImageWidth的長度，這樣不僅保證了對每條邊都有一個哈希表項所對應，同時也沒有任何內存上的浪費。
對於等值面的表達，這裡採用了傳統的頂點表和面表的表達方式。頂點表VertexTable記錄了所有的頂點的坐標和法向量，它的表達形式如下所示{x，y，z；nx，ny，nz}其中x，y，z是頂點的三個坐標，nx，ny，nz是頂點在三個方向上的法向量。而面表FacetTablei與傳統的表達方式有所不同，它只記錄了一層中的等值面的連接方式，它的表達形式如下所示
{index1，index2，index3}其中index1，index2，index3分別代表一個三角面片的三個頂點在VertexTable中的位置索引。當一層的等值面被抽取出來後，FacetTablei就被加入到一個鍊表中去。
三個緩衝區(Top Edges、Bottom Edges和Z Edges)裡面的所有表項在最初始狀態下全部被置為Empty，當處理一個體素的某條邊時，如果這條邊上有等值點，那麼首先去對應的緩衝區裡查找對應的位置上的表項是否為Empty，如果為Empty，那麼就要計算這個點的坐標、法向量，並且要插入到頂點表VertexTable中，這時還要同時更新對應的表項，記錄這個頂點在VertexTable中的索引；如果表項不為Empty，表示這個頂點在前面已經計算過，可以直接取出裡面記錄的頂點索引，加入到FacetTablei中即可。
在計算完一層的等值面後，緩衝區裡面的內容也應該向上推進一層，可以把緩衝區看作為一個窗口，這個窗口整個往上移了一格。首先，把緩衝區裡面第二層的內容賦值給第一層；然後將第二層裡的所有表項內容全部清為Empty，這樣就重複利用了有限的數據緩衝的空間，如圖5所示。
三角帶(Triangle Strips)生成通過上面的兩個步驟，已經得到了等值面的三角面片網格表達。因為三個頂點才能表達一個三角面片，所以要想表達具有n個三角面片的網格，就必須有3×n個頂點；而如果使用三角帶(Triangle Strips)的話，因為三角面片之間共享了頂點，所以可以僅使用n+2個頂點就能表達n個三角面片。這樣可以大量地節省內存和顯示卡的內存之間傳輸的帶寬，極大地提高顯示速度。
為了更快速地繪製生成的網格，這裡採用了一個快速的三角帶生成算法，對提取出來的等值面生成更緊湊的三角帶表達。由於上面採用了數據緩衝機制，從而保證在頂點表VertexTable中沒有重複的頂點，並且在面表FacetTablei中記錄的是頂點的索引值，這樣算法可以僅僅在面表中進行操作。下面是算法的描述。
首先，算法由面表創建出一個鄰接圖。所謂鄰接圖，實際上就是一個大的哈希表，它記錄了每個三角片在每條邊上的鄰居信息，圖6顯示了一個三角網格及它所對應的鄰接圖。要創建鄰接圖，在面表FacetTablei中查找所有共享一條邊的三角面片，並將它們插入到鄰接圖中。
其次，得到鄰接圖以後，從圖中找到具有最小度數(鄰居數)的三角片。如果有好幾個三角片都具有同樣的度數，那麼再查找它們的鄰居的度數，選中鄰居度數最小的那個三角片；如果它們的鄰居的度數仍然一樣的話，那可以隨便選中一個。
然後，從選中的這個三角片開始，循環生成三角帶。將被選中的三角片加入到三角帶中，並且在它的鄰居中查找具有最小度數的三角片，將其加到三角帶中，一直這樣循環，直到所有的鄰居都被訪問過為止。如果碰到一個三角片，它沒有任何鄰居，那麼此時應該創建一個新的三角帶；如果碰上了有幾個相同度數的三角片時，處理方法與上面所介紹的相同。為了避免無限循環，在將一個三角片加入到三角帶之後，需要在鄰接圖中將它和所有指向它的指針全部去掉。
最後，檢查生成的三角帶是否有效地組織了所有的頂點，是否是有效的三角帶。這時要對一個三角帶中的所有三角片檢測，看它的最後兩個頂點是否是下一個三角片的前兩個頂點。
交互式顯示在得到要提取器官的三維模型以後，如何將它們交互式地顯示出來也是一個相當重要的問題。為了儘可能地挖掘普通PC機的潛能，實現高速度的真實感顯示，我們考慮了如下因素1)使用成熟的三維圖形API OpenGL，利用硬體加速OpenGL是目前比較成熟的三維圖形API，它可以使用當前PC機上所大量採用的主流的顯卡(如nVidia公司的GeForce系列)所提供的硬體加速技術，已經成為當前三維顯示API方面的工業標準。
因為我們在上一個步驟已經將三維模型表達成了三角帶(TriangleStrips)的形式，並且現在的主流顯卡都專門針對三角帶的顯示作了優化，所以我們使用了nVidia的OpenGL擴展NV_vertex_array_range和NV_fence，從我們的實驗來看，在一個PIII800的機器上，一秒鐘大概能繪製700萬左右個三角面片，能滿足大部分大規模數據的實時顯示要求。
2)用軟體實現連續LoD控制，軟硬體結合實現實時繪製對於虛擬人體這樣的超大規模數據集，抽取出來的三維模型可能包含有上千萬甚至上億的三角面片，如果純粹只用OpenGL的能力來進行繪製的話，還是得不到滿意的結果。所以必須用軟體來實現LoD控制和消隱，這將大大減輕顯卡的GPU的工作負擔，並且可以完全充分地利用CPU和GPU的運算能力，使得它們同時並行工作。
對於抽取出來的三角面片網格，將其組織進一個分層的邊界球中。在繪製過程中，使用分層邊界球來進行可視性判斷、LoD控制。通過從上到下遍歷分層邊界球，如果一個邊界球是可見的，並且投影到屏幕上的面積低於一個設定的域值，那麼此邊界球被繪製。在用戶使用滑鼠交互控制的時候，為了維護一個比較高的幀速率，可以將面積域值設得稍微高一點；在系統空閒的時候，可以將面積域值設為一個像素，得到最高質量的圖像，因此可以很自然地實現LoD控制。
通過使用上面描述的軟硬體混合繪製方法，要處理超大規模的數據集，可以在普通的PC機上就能取得很好的效果。
下面說明利用基於單層表面跟蹤的方法來處理超大規模醫學圖像數據集的具體實施過程。實驗數據為美國國立醫學圖書館網站上提供的虛擬人體數據集，這裡使用的是CT數據集，數據集規模為512×512×522。因為在數據獲取時一些參數的差異(比如fov，像素大小，切片間隔等)，整個數據集被分成了九個部分，因為最後一個部分(腳部的數據)與上一個部分的數據之間的間隔太大，我們只用了前八個部分。具體操作步驟如下1)首先通過數據接口讀取數據。
2)點擊「高級構造」按鈕，進入分割界面。
3)系統提供了多種分割方法可供選擇，有種子生長、腐蝕膨脹、模糊連接、域值、交互式分割等，此時可以選取一種分割方法對數據進行分割。因為處理的是CT數據，域值方法是比較有效的，用滑鼠指定好低域值和高域值以後，系統就會將在此域值之內的物質分割出來。
4)分割以後，點「3D顯示」按鈕，系統就會調用本申請中所描述的算法進行三維重建，並將重建後的真實感圖形顯示出來，允許用戶使用滑鼠進行交互式觀察。對虛擬人體數據我們分別重建了皮膚和骨骼兩個模型，效果圖如圖7和圖8所示。
上述實驗結果與發明人對利用基於單層的表面跟蹤來處理超大規模的醫學圖像數據集的理論分析結論一致，具有高可信度、可應用性和可採納性。
權利要求
1.一種基於單層表面跟蹤的超大規模醫學圖像表面重建方法，包括(1)分割步驟，從醫學圖像的二維切片中將感興趣的部分分割出來；(2)表面提取步驟，使用單層表面跟蹤將感興趣的器官表面提取出來；(3)三角帶生成步驟，對提取出來的三維表面模型進行處理，使其適合於快速繪製；(4)交互式顯示步驟，對器官的三維表面模型進行真實感顯示和實時交互。
2.按權利要求1所述的方法，其特徵在於所述的單層表面跟蹤包括步驟在切片所在平面上的四個方向進行表面跟蹤；在與切片相垂直的方向上從下到上的順序進行處理。
3.按權利要求2所述的方法，其特徵在於還包括步驟在第一層的處理中採用順序掃描；同時將在上方向上有連接的立方體加入到一個種子點集合中；在處理下一個切片時，從該種子點集合出發，在四個方向上進行跟蹤；記錄在上方向上有連接的立方體。
4.按權利要求3所述的方法，其特徵在於包括步驟設置三角面片個數閾值，如果某一層裡抽取出來的三角面片個數少於閾值，則在此層中再進行順序掃描，得到此層中完整的種子點，然後再向上傳播。
5.按權利要求2所述的方法，其特徵在於所述的表面跟蹤包括設置緩衝區，用於分別記錄頂層邊、下層邊和中間的邊。
6.按權利要求2所述的方法，其特徵在於所述的緩衝區有三個。
7.按權利要求2所述的方法，其特徵在於所採用的網格壓縮表達方法如果數據集的解析度是Ix×Iy×Iz，並假設最大的一維是Ix，則首先分配Iy×Iz個指針PointsList。
8.按權利要求7所述的方法，其特徵在於所述的PointsList數據結構為x坐標16bit；法向量16bit。
全文摘要
一種基於單層表面跟蹤的超大規模醫學圖像表面重建方法，包括(1)分割步驟，從醫學圖像的二維切片中將感興趣的部分分割出來；(2)表面提取步驟，使用單層表面跟蹤將感興趣的器官表面提取出來；(3)三角帶生成步驟，對提取出來的三維表面模型進行處理，使其適合於快速繪製；(4)交互式顯示步驟，對器官的三維表面模型進行真實感顯示和實時交互。本發明的平臺是在我國普及率很高的普通PC，作業系統是界面友好的Windows系列作業系統，不僅成本低廉，並且容易操作。通過利用單層的表面跟蹤和幾何數據壓縮技術，大大減少了算法的內存消耗量，同時保證了非常快的重建速度。在醫學圖像數據量越來越大的今天，本發明在醫學領域具有重要的應用價值。
文檔編號G06T17/05GK1430185SQ01138698
公開日2003年7月16日 申請日期2001年12月29日 優先權日2001年12月29日
發明者田捷, 蔣永實, 常紅星, 張曉鵬 申請人:田捷, 蔣永實, 常紅星, 張曉鵬