检索历史 清除

摘要颅内出血(IntracranialHemorrhage,ICH)是指由于颅内血管破裂所引起的脑实质或周围脑膜间隙内的出血，及时的诊断和治疗对改善预后十分重要。计算机断层扫描(Computedtomography,CT)由于成像快速、无创、对出血敏感度高的特点被广泛应用于颅内出血的早期诊断。不同亚型的颅内出血需要采用不同的干预措施，因此在诊断中首先需要明确出血亚型。其次，出血的体积也是预后评价中需要考虑的重要因素。目前临床上采用多田公式法估测体积，但误差较大，而由医生逐层手动勾画则非常繁琐和耗时，因此需要快速和自动化的颅内出血体积测量方法。本研究旨在挖掘多实例学习方法在颅内出血辅助诊断算法中的应用，主要完成了两部分的工作:(1)基于多实例学习的颅内出血亚型分类;(2)基于多实例学习的弱监督颅内出血分割。<br>　　本研究首先对北美放射学会(RadiologicalSocietyofNorthAmerica,RSNA)发布的颅内出血数据集进行了整理和预处理，作为后续实验结果评价的基础。不同切片间的出血可能存在相关性和依赖关系，该属性被以往的多实例分类算法所忽略。因此，在第一部分工作中，本研究从颅内出血的层间相关性出发,提出了基于Transformer的多实例学习颅内出血亚型分类网络。首先，设计了基于Transformer的特征融合模块，利用自注意力机制提取CT的层间相关性，完成从实例特征到全局特征的加权融合;其次，使用了多尺度集成结构以适应出血尺寸的变化;最后，采用Focalloss有效抑制了类间不平衡效应对网络的影响。本研究提出的网络在5折交叉验证中的多标签分类平均准确率达到了0.921,F1值达到了0.805,取得了较好的分类性能。<br>　　在第二部分工作中，本研究将多实例学习方法进一步推广到颅内出血分割问题中。由于出血形状不规则、边缘对比差、CT伪影干扰等因素，现有弱监督分割算法精度较低，假阳性偏多。本研究提出了一种基于多实例学习的弱监督分割网络，该网络由一个共享编码器，两个独立解码器的多分支结构组成，同时完成多尺度热图生成、伪标签提取优化、分割网络训练的过程，增强了对假阳性的抑制能力，还能够利用多分支协同作用进一步改善分割效果，取得了优于多个对比方法的分割性能，Dice相似性系数达到了0.822,体积相似度达到了0.896,更接近人工勾画的标签。<br>　　综上，本研究实现了基于多实例学习的颅内出血亚型分类与分割算法，能够为临床评价提供出血亚型、病灶部位和出血量等重要参考信息，有助于提高诊疗效率，改善基层医院和偏远地区的医疗决策。