李娟， 汤翔宇， 沈逸， 廖术， 石峰， 朱文珍

颅内出血是临床常见急重症，具有极高的致死率及致残率，严重危害患者的生命健康安全。颅内出血的病因多种多样，常见病因包括外伤、血管性疾病及先天发育异常等。根据出血部位的不同，颅内出血又可以分为脑实质内出血(intraparenchymal hemorrhage，IPH)、脑室内出血(intraventricular hemorrhage，IVH)、硬膜下出血(subdural hemorrhage，SDH)、硬膜外出血(extradural hemorrhage，EDH)及蛛网膜下腔出血(subarachnoid hemorrhage，SAH)五种类型。不同的出血类型及程度决定了患者是否需要外科手术处理等干预措施，而出血量反映了出血的严重程度，与患者的预后相关，并且是临床进行随访复查的重要指标。对不同类型颅内出血的早期检出对于挽救患者的神经功能乃至生命有重要意义，而对血肿体积的精确测量则为临床决策提供了重要依据。

CT广泛应用于急诊科颅内出血的诊断。近几十年来，全国每年进行CT检查的人数逐年增长。阅读和分析大量的CT图像数据不仅耗费医生大量的时间及精力，同时也增加了漏诊和误诊的可能性。目前，急诊颅脑CT诊断，尤其是夜班的急诊颅脑CT初步诊断多由低年资放射科医生提供，后期再由高年资放射科医生进行二次审核。已有多项研究显示低年资放射科医生提供的初步诊断存在不同程度的漏诊和误诊[1,2]。

近年来，人工智能(artificial intelligent，AI)特别是深度学习(deep learning)算法作为大数据处理的有效手段，在医疗影像研究中得到了非常广泛的应用。以卷积神经网络为代表的相关深度学习算法在肺结节监测及良恶性判别……