李秀芹 张慢丽 李琳

摘  要：为辅助医师诊断患者是否患有颅内出血，迅速定位出血病灶的大体位置，提出以EfficientNet网络为基础的模型，使用群组归一化技术改进EfficientNet，并与胶囊网络相结合构建GECapsule模型，用于在计算机断层扫描（CT）中进行颅内出血亚类型分类。仿真实验结果表明，GECapsule模型的收敛速度比EfficientNet网络快，召回率和F1分数与EfficientNet相比分别提升了2.18%、1.24%。该模型是一种准确、高效的颅内出血亚类型分类模型，有助于医师减少初诊的误诊率，辅助医生做出恰当适宜的临床决策。

关键词：颅内出血亚类型分类;EfficientNet网络;胶囊网络;计算机断层扫描

中图分类号：TP18   文献标识码：A   文章编号：2096-4706（2021）18-0094-05

Abstract： In order to assist doctors in diagnosing patients with intracranial hemorrhage and quickly locate the general location of bleeding focus， this paper puts forward a model based on the EfficientNet network， improves EfficientNet by using Group Normalization technology， and constructs GECapsule model combined with capsule network， which is used to classify intracranial hemorrhage subtypes in computed tomography （CT）. Simulation results show that the convergence speed of GECapsule model is faster than that of the EfficientNet network， and the recall rate and F1 score are increased by 2.18% and 1.24% respectively compared with EfficientNet. This model is an accurate and efficient classification model of intracranial hemorrhage subtypes， which is helpful for doctors to reduce the misdiagnosis rate of initial diagnosis and assist doctors in making appropriate clinical decisions.

Keywords： classification of intracranial hemorrhage subtypes; EfficientNet network; capsule network; computed tomography

0  引  言

顱内出血（Intracranial Hemorrhage， ICH）是一种相对常见的疾病，是由多种因素造成的，包括颅内动脉瘤破裂、颅内肿瘤、高血压、颅脑损伤等。根据颅内出血位置的不同，ICH可进一步分为五种亚类型[1]：脑实质出血（Intraparenchymal Hemorrhage， IPH）、脑室内出血（Intraventricular Hemorrhage， IVH）、蛛网膜下腔出血（Subarachnoid Hemorrhage， SAH）、硬膜外出血（Epidural Hemorrhage， EDH）和硬膜下出血（Subdural Hematoma， SDH）。不同的出血类型及程度决定了患者是否需要施行外科手术等干预措施[2，3]。颅内出血的亚类型和病灶区域的准确判断是临床医生用以确定采取何种临床治疗方案的关键。目前颅内CT的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审核，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误诊[4]。

近年来，部分学者尝试将人工智能算法应用于颅内出血亚类型分类。颅内出血亚类型分类用以判断CT图像中是否存在颅内出血情况并对其5种亚类型（IPH、IVH、EDH、SDH、SAH）进行分类[5]。……