神经外科手术导航：基于改进A*与多目标优化的三维路径规划模型

1. 项目概述与核心价值看到“神经外科手术的定位与导航”这个题目很多初次接触数学建模的同学可能会觉得有点发怵感觉这题目太“硬核”离我们熟悉的交通、物流、经济模型很远。但恰恰相反这道题是典型的“高价值、强应用”的交叉学科问题它完美地将数学工具几何、优化、统计与前沿的临床医学需求结合了起来。简单来说这道题的核心就是如何用数学模型帮助外科医生在复杂的大脑结构中更精准、更安全地找到并抵达手术目标点同时避开那些“碰不得”的重要功能区比如语言中枢、运动皮层和血管。这不仅仅是理论上的探讨。在真实的神经外科手术室尤其是微创手术比如穿刺活检、深部脑刺激电极植入中医生面临着“在看不见的深处进行操作”的挑战。他们需要将一根细长的探针或电极穿过颅骨上的一个小孔精确地送到大脑深部一个可能只有几毫米大小的病灶比如肿瘤或异常放电核团。这个过程就像在一个充满精密线路血管、神经的复杂三维迷宫里闭着眼睛用一根长针去刺中一个特定的点还不能碰到任何“电线”。传统的做法严重依赖医生的经验和术前二维影像如CT、MRI的“脑补”误差难以避免。因此这道题的价值在于它要求我们构建一个量化的、可计算的导航模型。这个模型需要处理几个关键问题路径规划从入口到目标走哪条路最安全、最短、误差补偿手术中器械会弯曲、影像会有畸变如何修正、风险量化每条路径的“安全系数”如何计算。解决这些问题不仅能让你在比赛中脱颖而出其背后的思想空间几何、优化算法、不确定性处理在机器人、自动驾驶、无人机路径规划等领域都是相通的。接下来我将拆解这道题的完整解决思路并提供从模型构建到论文写作、代码实现的详细指南。2. 问题拆解与核心思路设计面对这样一个综合性问题切忌一上来就埋头建模型。我们需要像外科医生制定手术方案一样先进行“术前规划”把大问题分解成可操作、可建模的子问题。2.1 核心需求解析根据题目描述和神经外科手术的背景我们可以提炼出四个核心需求精准的空间定位建立统一的坐标系将患者的术前影像MRI/CT、术中实时数据如光学导航仪坐标和手术器械的位置关联起来。这是所有后续工作的基础。安全的路径规划在包含障碍物血管、功能区的三维大脑模型中找到一条或多条从颅骨入口点到颅内目标点的最优路径。“最优”的定义需要明确通常是路径最短、距离危险区域最远、穿过组织类型最安全等多个目标的权衡。实时的导航与纠偏手术中器械可能因为组织阻力而发生微小的弯曲或偏移模型需要能根据术中反馈如实时影像或传感器数据对预定路径进行动态调整。风险的量化评估为规划出的每一条路径提供一个综合的风险评分让医生能够直观地比较不同方案的优劣。2.2 整体技术路线设计基于以上需求我设计了一个四步走的建模方案这个方案层次清晰且每一步都有成熟的数学工具支撑第一步三维重建与坐标系统一空间建模基础这是我们的“数字孪生”阶段。利用患者的MRI或CT序列DICOM格式通过图像分割技术提取出关键结构皮肤/颅骨表面入口区域、目标病灶、重要的血管网络、功能区皮层。将这些结构重建为三维模型通常是三角面片网格。然后定义一个世界坐标系例如以术前影像的某个角点为原点确保所有模型患者头部、手术器械、导航设备都在这个统一的坐标系下表达。第二步基于改进A*算法的多约束路径规划核心算法这是模型的心脏。我们将大脑空间离散化为一个三维网格体素或图结构。传统的A算法用于寻找最短路径但这里我们需要的是“最安全路径”。因此必须对A算法的代价函数进行重大改造。代价函数设计从起点到当前点n的实际代价g(n)不再是简单的几何距离而是加权距离。例如g(n) w1 * 几何距离 w2 * 血管风险值 w3 * 功能区风险值。风险值可以根据当前点到最近血管/功能区的距离通过一个衰减函数如指数函数来映射。启发函数设计从当前点n到目标点的估计代价h(n)通常仍使用欧几里得距离以保证算法效率。多目标优化单一权重可能无法找到满意解。可以采用帕累托前沿思想运行多次算法每次调整权重w1, w2, w3得到一组“非劣解”即没有一条路径能在所有目标上都优于另一条供医生最终选择。第三步有限元分析模拟器械形变深化与验证这一步是加分项用于提升模型的逼真度和鲁棒性。我们可以将规划出的理想路径一条中心线和周围的脑组织简化为一个圆柱形通道和外部软组织模型。利用有限元分析FEA软件如COMSOL、Abaqus或开源库FEniCS模拟手术器械假设为弹性细杆在沿此通道推进时与组织相互作用可能产生的弯曲形变。通过分析我们可以得到器械尖端相对于理想路径的预期偏移量。这个偏移量可以反过来用于修正第二步中的路径——我们可以让算法规划的路径有意地“绕开”那些容易导致器械大幅弯曲的高阻力区域。第四步实时导航与卡尔曼滤波纠偏动态模型在手术实施阶段假设我们有某种实时定位系统如光学追踪器可以提供器械尖端不完美的位置信号含有噪声。我们可以建立一个简单的运动学模型甚至动力学模型来描述器械的运动然后使用卡尔曼滤波器。它将器械的预测位置根据模型和观测位置根据传感器进行最优融合得到一个更准确、更平滑的估计位置。当估计位置偏离规划路径超过某个阈值时系统可以发出预警或给出微调的向量建议。这个技术路线从静态到动态从理想到现实形成了一个完整的闭环逻辑上非常扎实。3. 核心模型构建与数学表达有了思路我们需要用数学语言将其精确地描述出来。这是论文的核心部分。3.1 三维空间建模与代价地图生成首先将三维大脑空间离散化为一个均匀的网格每个网格点体素v(i, j, k)都附有一组属性值构成一个“代价地图”C(i, j, k)。基础代价C_base(i, j, k)。可以设为常数1代表纯粹的距离代价。血管风险代价C_vessel(i, j, k) α * exp(-β * d_v(i, j, k))。其中d_v是该体素到最近血管表面的距离。α是风险强度系数β是衰减系数。距离血管越近代价呈指数级增长。功能区风险代价C_function(i, j, k) γ * exp(-δ * d_f(i, j, k))。原理同上d_f是到关键功能区的距离。总代价地图C_total(i, j, k) w1*C_base w2*C_vessel w3*C_function。w1w2w31用于调节不同目标的权重。注意计算d_v和d_f需要用到距离变换算法这是预处理中的关键一步。可以使用欧几里得距离变换但对于大规模网格更高效的算法如“快速行进法”Fast Marching Method或“向量距离变换”更合适。3.2 改进A*算法的详细实现A*算法维护两个列表开放列表待考察节点和关闭列表已考察节点。每个节点n有以下值g(n)从起点到n的实际代价。h(n)从n到终点的启发式代价通常为欧氏距离。f(n) g(n) h(n)总估计代价。算法步骤将起点加入开放列表。循环 a. 从开放列表中取出f(n)最小的节点n作为当前节点。 b. 如果n是终点回溯路径算法结束。 c. 将n移到关闭列表。 d. 遍历n的所有邻居节点m通常为26邻域或6邻域 * 如果m在关闭列表中或m是不可穿越的如骨骼则跳过。 * 计算从起点经过n到m的临时代价g_temp g(n) cost(n, m)。这里的cost(n, m)是关键它不再是简单的两点距离而是两点连线所经过体素的代价积分。一个实用的近似是cost(n, m) (C_total(n) C_total(m)) / 2 * ||n-m||。 * 如果m不在开放列表中或者g_temp g(m)找到了更优路径则更新g(m) g_temp计算f(m) g(m) h(m)并将m的父节点设为n。如果m是新的则加入开放列表。如果开放列表为空则路径不存在。多目标处理的实现我们可以运行多次A*算法。例如设置三组权重(w11, w20, w30)追求最短路径(w10.2, w20.4, w30.4)追求安全路径(w10.5, w20.25, w30.25)追求平衡。得到三条路径后可以计算每条路径的总长度、最小血管距离、最小功能区距离等指标绘制成雷达图进行对比。3.3 有限元分析原理简述与参数设置对于想挑战更高难度的队伍可以引入FEA。这里给出一个极度简化的模型思路几何简化将规划路径周围一定半径如5mm内的脑组织建模为一个圆柱形管道管道壁赋予脑组织的力学属性弹性模量、泊松比。器械建模将手术器械穿刺针建模为一条细长的弹性梁Beam Element。边界条件管道入口固定器械从入口处沿管道轴线方向施加一个位移载荷模拟推进。求解利用有限元软件求解器械在摩擦力和组织抗力作用下的弯曲变形。结果应用得到器械尖端的偏移量(Δx, Δy, Δz)。我们可以在路径规划阶段对那些在FEA模拟中表现出较大偏移倾向的路径段通常位于组织力学属性不均匀的区域施加额外的“稳定性代价”C_stability将其加入到总代价地图中C_total C_total w4 * C_stability。3.4 卡尔曼滤波用于实时导航假设手术器械的运动可以简化为一个匀速运动模型实际上可能更复杂但作为比赛模型足够。状态向量x_k [px, py, pz, vx, vy, vz]^T表示k时刻的位置和速度。状态转移模型x_{k1} F * x_k w_k。其中F是状态转移矩阵对于匀速模型F [I, Δt*I; 0, I]I是3x3单位矩阵Δt是采样时间。w_k是过程噪声服从高斯分布。观测模型z_k H * x_k v_k。假设我们只能观测到位置则H [I, 0]。v_k是观测噪声服从高斯分布。卡尔曼滤波迭代通过预测和更新两个步骤不断融合模型预测和传感器观测得到最优状态估计x̂_k。将x̂_k中的位置分量与规划路径进行比较即可判断是否偏离。4. 数据准备、处理与仿真实验设计比赛通常不提供真实患者数据我们需要自己构建合理的仿真数据来验证模型。4.1 仿真数据生成三维脑模型可以使用公开的脑图谱数据如MNI脑模板或使用简单的几何形状组合来模拟。例如用一个椭球体表示头部内部放置几个小球体表示肿瘤目标和危险区域血管团、功能区。坐标定义世界坐标系O_w定义在脑模型上。入口点P_entry在椭球体表面随机或指定一个点。目标点P_target在脑模型内部随机生成一个点。血管模型用几条随机生成的、光滑的三维空间曲线B样条曲线表示并赋予一定的半径。功能区用几个不规则的三维点云或椭球体表示。参数赋值为不同组织类型背景、血管附近、功能区附近赋予不同的代价系数。为FEA模拟设置弹性模量、泊松比等力学参数可查阅脑组织生物力学相关文献获取近似值。4.2 实验设计与结果分析设计多组对比实验是论文出彩的关键实验一算法有效性验证。对照组传统几何最短路径算法如Dijkstra算法仅考虑距离。实验组我们的改进A*算法考虑血管和功能区风险。评价指标路径长度、路径到最近血管的平均/最小距离、路径到最近功能区的平均/最小距离、路径总代价。结果呈现用三维可视化软件如Matplotlib的3D绘图、ParaView绘制出脑模型、血管、功能区以及两条对比路径。用表格列出各项指标数据。结论应清晰显示改进A*算法能以轻微增加路径长度为代价显著提升路径的安全性远离危险区域。实验二多目标权重敏感性分析。系统性地改变权重(w1, w2, w3)例如在0到1之间以0.1为步长进行组合满足和为1运行数十次路径规划。结果呈现绘制三维散点图或平行坐标图每个点代表一条路径坐标轴是路径长度、安全距离等指标。从中可以清晰地看到“帕累托前沿”——那些无法被其他路径在所有指标上都超越的路径。这能直观展示不同权重下的权衡关系。实验三有限元分析与路径稳定性评估进阶。选取实验一中得到的几条代表性路径如最短路径、最安全路径。对每条路径进行FEA模拟计算器械尖端偏移量。结果呈现用云图显示器械的应力分布和变形情况。用表格列出各路径的预期偏移量。可以论证最安全的路径可能因为穿过较软的组织而导致更大偏移从而引入“稳定性代价”的必要性。实验四卡尔曼滤波抗噪性能测试。生成一条器械沿规划路径运动的理想轨迹。对理想轨迹添加不同程度的高斯白噪声模拟带噪声的传感器观测。分别应用卡尔曼滤波和简单的移动平均滤波对噪声数据进行处理。结果呈现绘制真实轨迹、带噪声观测、滤波后估计轨迹的对比图。计算均方根误差RMSE定量比较滤波效果。5. 论文写作框架与核心要点数学建模论文有其固定的结构但内容要有血有肉。以下是一个建议的框架和每部分的写作要点摘要重中之重采用“总-分-总”结构。第一句概括问题背景和目标。接着用“首先我们建立了...模型其次提出了改进的...算法然后引入了...分析以评估稳定性最后设计了...滤波器进行实时纠偏”这样的句式精炼概括你的全部工作。最后一句总结主要结论和模型优势如有效平衡了路径长度与安全性为临床手术规划提供了量化决策工具。问题重述不要照抄题目。用自己的语言从临床需求出发提炼出我们前面分析的四个核心需求。模型假设列出5-8条合理且必要的假设。例如1. 脑组织为各向同性的弹性材料2. 血管和功能区为刚体不会移动3. 手术器械为均匀的弹性细杆4. 传感器观测噪声为高斯白噪声5. 所有解剖结构在术前影像中已准确分割并配准。符号说明用三线表格清晰列出所有主要变量、符号及其含义和单位。模型建立与求解这是论文的主体。对应我们思路设计的四个部分分小节撰写。5.1 三维代价地图模型详细阐述代价地图C_total的构成给出距离变换和风险代价函数的具体公式和参数设置依据。5.2 基于多约束A*的路径规划模型详细描述改进A*算法的流程重点说明代价函数cost(n,m)的创新设计。给出算法伪代码。5.3 基于有限元的路径稳定性分析模型可选但推荐简述有限元原理给出简化的几何模型、材料属性、边界条件和求解目标。5.4 基于卡尔曼滤波的实时导航模型给出状态空间方程的具体形式描述卡尔曼滤波的预测和更新步骤。模型求解与仿真分析对应第四部分的实验设计。每个实验都要有明确的目的、详细的步骤、可视化的结果和针对性的分析。分析要深入例如解释为什么某条路径更安全权重变化如何影响帕累托前沿的形状等。模型评价与推广客观评价模型的优点如多目标优化、动态纠偏和缺点如未考虑脑脊液流动、组织实时形变等。提出可能的改进方向。将模型推广到其他类似场景如血管介入手术、工业管道机器人检测等。参考文献引用8-12篇高质量的学术文献包括医学影像处理、路径规划算法A* RRT*、生物力学FEA、滤波理论卡尔曼滤波等方面的论文或经典教材。附录可以放置核心代码的片段如A*算法的主要循环、代价函数计算、重要的数据表格或额外的结果图。6. 代码实现关键点与技巧代码是思路的落地。这里给出Python实现的核心模块建议和一些“坑”。6.1 核心模块结构project/ ├── data/ # 存放仿真数据或处理后的数据 ├── utils/ │ ├── geometry.py # 三维点、向量、距离计算等工具函数 │ ├── image_processing.py # 代价地图生成、距离变换可调用scipy.ndimage │ └── visualization.py # 3D绘图函数基于matplotlib或plotly ├── models/ │ ├── cost_map.py # 代价地图类封装C_total的计算 │ ├── astar_planner.py # 改进A*算法的实现 │ ├── fea_simulator.py # 有限元分析的封装可调用外部软件或FEniCS │ └── kalman_filter.py # 卡尔曼滤波器的实现 ├── experiments/ │ ├── exp1_basic_planning.py │ ├── exp2_weight_sensitivity.py │ └── ... ├── main.py # 主程序串联整个流程 └── requirements.txt # 依赖库列表6.2 关键代码片段与避坑指南1. 代价地图的高效计算距离变换是性能瓶颈。对于自定义的风险函数直接暴力计算每个体素到所有血管/功能区点的距离是不可行的。import numpy as np from scipy import ndimage def generate_cost_map(shape, vessel_mask, func_mask, alpha10, beta0.5): 生成总代价地图 shape: 三维网格形状 (depth, height, width) vessel_mask: 血管区域二值掩码1代表血管 func_mask: 功能区二值掩码 # 计算到血管的距离场使用欧几里得距离变换 # ndimage.distance_transform_edt计算背景(0)到最近前景(1)的距离 dist_to_vessel ndimage.distance_transform_edt(1 - vessel_mask) # 计算血管风险代价 C_vessel alpha * np.exp(-beta * dist_to_vessel) # 同理计算功能区风险代价 dist_to_func ndimage.distance_transform_edt(1 - func_mask) C_func alpha * np.exp(-beta * dist_to_func) # 可以使用不同的alpha, beta # 基础代价设为常数1 C_base np.ones(shape) # 加权总和 w1, w2, w3 0.4, 0.3, 0.3 C_total w1 * C_base w2 * C_vessel w3 * C_func return C_total, dist_to_vessel, dist_to_func避坑提示scipy.ndimage.distance_transform_edt输入的是背景值为0到前景值为1的距离。确保你的掩码正确。对于非常大的网格此操作仍可能较慢可以考虑对掩码进行下采样计算距离场再上采样回来作为近似。2. 改进A*算法的实现使用优先队列heapq来管理开放列表是A*算法高效的关键。import heapq class Node: def __init__(self, coord, parentNone): self.coord coord # (i, j, k) self.parent parent self.g float(inf) self.h 0 self.f float(inf) def __lt__(self, other): # 用于heapq比较按f值排序 return self.f other.f def improved_astar(start, goal, cost_map, get_neighbors_fn, heuristic_fn): start_node Node(start) goal_node Node(goal) start_node.g 0 start_node.h heuristic_fn(start, goal) start_node.f start_node.g start_node.h open_list [] heapq.heappush(open_list, start_node) closed_set set() while open_list: current_node heapq.heappop(open_list) if current_node.coord goal_node.coord: path [] while current_node: path.append(current_node.coord) current_node current_node.parent return path[::-1] # 反转得到从起点到终点的路径 closed_set.add(current_node.coord) for neighbor_coord in get_neighbors_fn(current_node.coord, cost_map.shape): if neighbor_coord in closed_set: continue # 计算从current到neighbor的代价 # 这里使用两点代价的平均值乘以距离作为近似积分 cost_current cost_map[current_node.coord] cost_neighbor cost_map[neighbor_coord] dist np.linalg.norm(np.array(neighbor_coord) - np.array(current_node.coord)) tentative_g current_node.g (cost_current cost_neighbor)/2.0 * dist neighbor_node Node(neighbor_coord, current_node) if tentative_g neighbor_node.g: neighbor_node.parent current_node neighbor_node.g tentative_g neighbor_node.h heuristic_fn(neighbor_coord, goal) neighbor_node.f neighbor_node.g neighbor_node.h # 如果邻居节点不在开放列表中则加入 # 这里简化处理实际可能需要更新已在堆中的节点优先级更优的做法是使用自定义堆并实现decrease_key操作 heapq.heappush(open_list, neighbor_node) return None # 未找到路径避坑提示上述代码中更新开放列表节点优先级的部分是简化的直接push新节点可能导致堆中存在同一坐标的多个节点。一个更严谨的实现是使用一个字典node_dict来记录每个坐标对应的节点对象并在更新g值时如果节点已在堆中则通过标记为无效并push新节点或使用支持decrease_key操作的优先队列库如heapdict。3. 可视化清晰的可视化是论文的亮点。使用matplotlib的Axes3D或plotly进行交互式3D绘图。import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D def plot_3d_path(brain_shape, vessel_coords, target, start, path): fig plt.figure(figsize(12, 10)) ax fig.add_subplot(111, projection3d) # 绘制脑轮廓简化为一个立方体框 ax.set_xlim(0, brain_shape[2]) ax.set_ylim(0, brain_shape[1]) ax.set_zlim(0, brain_shape[0]) ax.set_xlabel(Width) ax.set_ylabel(Height) ax.set_zlabel(Depth) # 绘制血管点假设vessel_coords是Nx3数组 if vessel_coords is not None: ax.scatter(vessel_coords[:, 2], vessel_coords[:, 1], vessel_coords[:, 0], cred, s1, alpha0.3, labelVessels) # 绘制起点和终点 ax.scatter(start[2], start[1], start[0], cgreen, s100, markero, labelEntry) ax.scatter(target[2], target[1], target[0], cblue, s100, marker*, labelTarget) # 绘制路径 if path: path_arr np.array(path) ax.plot(path_arr[:, 2], path_arr[:, 1], path_arr[:, 0], cblack, linewidth3, labelPlanned Path) ax.legend() ax.set_title(Surgical Path Planning Result) plt.show()7. 常见问题与实战心得在实现上述模型的过程中你几乎一定会遇到下面这些问题。这里分享我的解决思路和一些比赛技巧。Q1计算速度太慢尤其是A*算法在精细三维网格上。原因网格分辨率太高导致节点数爆炸26邻域搜索开销大启发函数h(n)不够有效。解决方案分层规划先在低分辨率网格如2倍下采样上进行粗规划得到一条大致路径。然后在高分辨率网格上只在这个大致路径周围的狭窄通道如路径两侧各扩展10个体素内进行精细规划。这能极大减少搜索空间。使用更高效的启发函数欧氏距离是常用的但对于有复杂障碍物的环境可以考虑“对角线距离”或预计算一个“势场”作为启发值。考虑跳点搜索JPS在均匀代价网格中JPS可以跳过大量中间节点显著提升速度。但对于我们这种非均匀代价地图需要适配。语言与库使用numba对关键循环进行即时编译加速或者用C重写核心算法模块。Q2多目标权重(w1, w2, w3)不知道怎么设感觉在调参。正确认识这本身就是问题的一部分。模型的价值不是给出唯一“正确”的权重而是揭示不同权重下的权衡关系。比赛策略在论文中不要只展示一组权重下的结果。一定要做敏感性分析。系统地变化权重展示帕累托前沿。这恰恰体现了你对多目标优化问题的深刻理解。你可以说“临床医生可以根据具体病例中病灶和危险区域的相对重要性在这个帕累托前沿上选择最合适的折中点。”Q3有限元分析FEA完全不会还要学新软件吗策略选择如果队伍里有同学有FEA基础强烈建议加入这是拉开差距的亮点。如果都不会有两种处理方式简化建模定性说明建立一个极度简化的弹簧-质点模型来模拟器械弯曲。用几个公式描述力与形变的关系进行定性分析。在论文中重点阐述“为什么要考虑力学形变”以及“形变如何影响路径选择”的思想而不是复杂的仿真细节。作为模型扩展与展望在模型评价部分明确指出“本模型目前未考虑手术器械的力学形变这是一个重要的局限性。未来的工作可以引入有限元分析将组织的生物力学属性纳入代价函数从而规划出物理上更可行的路径。” 这显示了你的思考深度。Q4论文看起来像代码说明书缺乏深度和广度。提升方法文献支撑在模型假设、代价函数设计、算法选择等处引用相关文献。例如提到“采用指数函数映射距离与风险的关系是基于医学影像中风险衰减的常用模型[文献1]”。模型对比不要只提自己的模型。在引言或模型建立部分简要回顾现有的手术导航方法如基于机械臂的、基于电磁的指出其优缺点从而引出你模型的创新点。深入分析结果不要只说“如图X所示”。要解释图为什么这条路径绕远了因为它成功避开了哪个密集的血管区权重变化时帕累托前沿为什么向那个方向移动把数据背后的物理/临床意义讲出来。讨论局限性诚实地讨论模型的不足如未考虑术中脑移位、假设血管为刚体等并提出切实可行的改进方向。这体现了科学的严谨性。Q5时间不够如何分配黄金时间线四天三夜为例第一天上午全体成员彻底理解题目查阅背景资料确定基本技术路线。完成问题拆解和整体设计。第一天下午至晚上开始编程实现核心模块数据生成、代价地图、A*算法。确保最基础的路径规划能跑通。第二天全天完善算法实现多组权重实验完成基础的可视化。开始撰写论文的“模型建立”部分。第三天全天进行扩展工作FEA模拟或卡尔曼滤波设计并完成所有对比实验生成所有结果图和表格。撰写论文的“模型求解与仿真分析”部分。第四天上午完成论文的摘要、问题重述、模型评价、参考文献等所有剩余部分。进行全文整合和润色。第四天下午最终检查代码、论文格式、图表编号、参考文献引用。反复检查摘要是否精炼、全面地概括了所有工作。核心原则先做出一个能运行、有结果的最小可行模型MVP然后再去添加亮点FEA、滤波。切忌一开始就追求完美陷入某个技术细节比如FEA网格划分而耽误了整体进度。