检索历史 清除

摘要颅内出血是一种可导致人体严重残疾或者死亡的紧急脑血管疾病，临床医生的准确诊断和及时干预方案将会极大地提高出血患者的生存率。目前，采用计算机断层扫描（CT）成像技术是医生初步诊断颅内出血的首选方案，而基于深度学习的颅内出血CT影像辅助诊断研究可以有效地降低医生漏诊率和误诊率。计算机辅助诊断颅内出血研究主要包括两个部分：颅内出血亚型分类和颅内出血病灶区域分割。在颅内出血亚型分类中，大多数研究都基于单一的卷积神经网络，这些方法往往忽视了出血CT切片之间的相关性，仅仅凭借一个输出的预测概率并不足以保证其可靠性。如何获得可靠性更高、鲁棒性更强的深度学习模型是一项充满挑战性和难度性的任务。在颅内出血病灶区域分割中，基于V-Net的病灶分割已经展现了其基本的性能优势，然而其本身的结构设计仍然存在着以下问题：V-Net中原始的普通卷积方式参数量较大，导致模型训练时间较长；编码器和解码器的结构简单，从而无法提取更深层次的特征和还原图像病灶的边缘和细节，限制了网络的分割性能。<br>　　为了解决上述问题，本文的研究内容如下：<br>　　1.针对颅内出血检测亚型分类，提出了一种联合CNN和RNN的CT扫描颅内出血检测分类方法。在CNN模块中，选择残差网络ResNet101作为基础网络并且加入了通道注意力机制——SE模块。加入SE模块后的CNN网络拥有更强大的特征提取能力并且还可以对每个通道进行权重调整，从而让模型泛化能力更强。考虑到CT切片间序列的相关性，引入了双向门控循环单元GRU网络，利用RNN对序列数据的敏感性，能够更好地处理CT序列数据，提高分类准确率。在CNN传递到RNN的过程中还对特征向量进行了降维，从而减少了模型计算量。对比实验结果表明，本文提出的方法在准确率、AUC、敏感性和特异性四个评价指标中性能表现最优。<br>　　2.针对颅内出血病灶分割，本文改进了V-Net网络模型，并将其应用到了颅内出血分割任务中。在基于V-Net网络的基础上首先用深度可分离卷积去替换普通的卷积方式，从而加快了模型的训练速度。然后在编码器和解码器中分别加入通道注意力机制和混合注意力机制。在编码器中引入了SE模块，这样的设计可以强化原始网络的特征提取能力，并增加特征图的感受野。在解码器中引入了CBAM模块，让原始网络可以自适应地调整特征图中不同通道之间的权重，从而提高了模型的性能表现。对比实验结果表明，改进后的V-Net在各个指标上都表现最好，其中最主要的分割评价指标DSC达到0.732，比原始V-Net提升4.4%。