周长才，刘 爽，王 昕

(长春工业大学 计算机科学与工程学院，吉林 长春 130012)

0 引 言

颅内出血，即颅骨内发生的出血。它是临床常见的急重症，具有极高的致死率或致残率，对病人的生命健康有极其严重的威胁。快速确定病人出血的位置和类型是治疗的关键。导致颅内出血的病因有多种，常见的有脑部遭受外伤、中风和高血压等。根据脑中不同的出血部位，颅内出血分为脑实质内出血、脑室内出血、蛛网膜下腔出血、硬膜下出血和硬膜外出血5种亚型[1]。

近几年，人工智能(Artificial Intelligence)中深度学习算法的火热给各行各业带来了福音，作为一种处理大数据的手段，在医学图像处理中也得到了广泛应用。目前只有部分学者尝试将深度学习应用于颅内出血的研究，Ye H等[2]在3家医院收集2 836套CT扫描数据用于训练和测试模型，结合卷积神经网络VGG-16和双向GRU作为一个端到端可训练网络，用于预测颅内出血和出血亚型种类。Chilamkurthy S等[3]在印度多家医院收集脑CT图像数据用于训练深度学习模型,并验证其有效性。Tomasz Lewicki等[4]用RSNA提供的数据集对颅内出血的亚型进行分类，每张图像的准确率是93.3%。Arbabshirani M R等[5]采集约4万张数据用于训练,约1万张数据用于测试，验证了三维卷积神经网络在检测是否颅内出血任务上的有效性。综上所述，目前多数算法的训练样本集数目有限，且只做单一的颅内出血检测。文中在大样本数据集上构建深度学习模型,对颅内出血及其亚型进行检测。

1 网络模型构建

1.1 卷积神经网……

登录APP查看全文