3D/2D卷積神經(jīng)網(wǎng)絡(luò)評(píng)估顱內(nèi)出血的臨床價(jià)值

楊 光，趙施竹

顱內(nèi)出血是嚴(yán)重威脅健康的重大疾病，病人死亡率較高[1]。早期準(zhǔn)確診斷對(duì)急性顱內(nèi)出血管理具有重要意義[2-3]。顱內(nèi)出血的早期和準(zhǔn)確診斷受到多種因素影響[4]，急診室環(huán)境中，腦部非增強(qiáng)CT(non-contrast CT，NCCT)檢查和報(bào)告可能需要較長(zhǎng)的時(shí)間。這些可能影響病人管理，由于出血擴(kuò)大導(dǎo)致病情急劇惡化常在癥狀發(fā)作初始3.0～4.5 h內(nèi)發(fā)生[5-7]。因此，發(fā)現(xiàn)顱內(nèi)出血快速準(zhǔn)確的診斷工具可能有助于及時(shí)治療，并最終改善預(yù)后。

自動(dòng)化定量出血工具除可測(cè)定顱內(nèi)出血外，還可為預(yù)測(cè)和監(jiān)測(cè)病人提供可靠的指標(biāo)[8-9]。腦實(shí)質(zhì)內(nèi)出血(intraparenchymal hemorrhage，IPH)的定量臨床標(biāo)準(zhǔn)依賴于簡(jiǎn)化公式(ABC/2)計(jì)算，該公式通常評(píng)估IPH體積達(dá)30%[10]。雖然手動(dòng)劃定出血可準(zhǔn)確估算體積，但時(shí)間限制這種方法在急診情況下的實(shí)現(xiàn)。因此，需要一種快速量化顱內(nèi)出血體積的全自動(dòng)和客觀化工具，提供準(zhǔn)確詳細(xì)的信息，以指導(dǎo)臨床決策。

本研究提出一個(gè)基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)工具，這種新型技術(shù)可進(jìn)行圖像解析[11]。CNN的有效性基于在無明確的人工編程情況下進(jìn)行自組織和模式識(shí)別能力的算法。Prevedello等[12]研究顯示，通用算法可用于廣泛篩選各種急性NCCT(出血、腫塊效應(yīng)、腦積水)，總體敏感度和特異度分別為90%和85%。通過定制新的基于興趣的掩碼區(qū)域CNN(掩碼R-CNN)架構(gòu)擴(kuò)展這一初步工作，該架構(gòu)為顱內(nèi)出血評(píng)估和網(wǎng)絡(luò)訓(xùn)練。除驗(yàn)證回顧隊(duì)列外，還將其在前瞻驗(yàn)證隊(duì)列中進(jìn)行測(cè)試。通過測(cè)定現(xiàn)實(shí)環(huán)境中此種工具的性能，評(píng)估其在臨床實(shí)踐中實(shí)施的可行性。本研究的3個(gè)關(guān)鍵目標(biāo)包括深度學(xué)習(xí)算法的開發(fā)和評(píng)估最終訓(xùn)練的CNN性能：①顱內(nèi)出血包括IPH、硬膜外出血/硬膜下出血(EDH/SDH)和蛛網(wǎng)膜下腔出血(SAH)；②顱內(nèi)出血體積的量化；③作為自動(dòng)化流程的一部分，對(duì)獨(dú)立的現(xiàn)實(shí)樣本進(jìn)行前瞻性實(shí)時(shí)推論。

1 資料與方法

1.1 研究對(duì)象 確定兩個(gè)單獨(dú)的隊(duì)列分別用于訓(xùn)練和前瞻驗(yàn)證。訓(xùn)練隊(duì)列為2018年1月—2018年7月在研究機(jī)構(gòu)進(jìn)行的NCCT掃描；驗(yàn)證隊(duì)列時(shí)間為2018年10月—2019年2月急診科的NCCT 檢查。對(duì)于這兩個(gè)隊(duì)列，從臨床報(bào)告中發(fā)現(xiàn)陽(yáng)性出血病例(IPH、EDH/SDH和SAH)，并通過專業(yè)放射科醫(yī)生確認(rèn)。使用本研究開發(fā)的自定義半自動(dòng)基于Web的注釋平臺(tái)，為所有陽(yáng)性出血病例生成3D紋理真實(shí)掩碼。所有掩碼準(zhǔn)確性均由專業(yè)放射科醫(yī)生目視檢查。

1.2 卷積神經(jīng)網(wǎng)絡(luò) 從掩碼R-CNN算法派生的自定義體系結(jié)構(gòu)用于檢測(cè)和分割出血[13]。掩碼R-CNN體系結(jié)構(gòu)為候選區(qū)域(region proposal)、對(duì)象檢測(cè)(分類)和實(shí)例分段并為進(jìn)行評(píng)估提供一個(gè)靈活高效的框架(見圖1)。測(cè)試預(yù)先設(shè)置的分布在不同形狀和分辨率的邊界框可能存在潛在異常，之后識(shí)別排名最高的邊界框，并用于生成候選區(qū)域，從而將算法的注意力集中在圖像特定區(qū)域上。這些復(fù)合候選區(qū)域使用非最大抑制法進(jìn)行修剪，輸入到分類器中確定是否存在出血。在測(cè)定陽(yáng)性出血情況下，使用網(wǎng)絡(luò)的最后一個(gè)分割分支生成二進(jìn)制掩碼。

圖1 Mask R-CNN方法(A為測(cè)試預(yù)先配置的不同形狀和分辨率的邊界框是否存在潛在的異常；B為確定排名最高的邊界框，并用于生成引起算法注意的候選區(qū)域；C為使用非最大抑制修剪復(fù)合候選區(qū)域，并將其輸入分類器中，以確定是否存在出血；D為陽(yáng)性的出血病例生成分割掩碼)

掩碼R-CNN架構(gòu)效率來自一個(gè)共同的骨干網(wǎng)絡(luò)，該骨干網(wǎng)絡(luò)生成一組共享的圖像特征，用于各種并行檢測(cè)、分類和分割任務(wù)。卷積神經(jīng)網(wǎng)絡(luò) ConvNet 分為4大層。①圖像輸入Image Input：為減小后續(xù)BP算法處理的復(fù)雜度，一般建議使用灰度圖像。使用RGB彩色圖像，此時(shí)輸入圖像原始圖像的RGB三通道。輸入的圖像像素分量為[0，255]，為了方便計(jì)算一般需要?dú)w一化，若使用sigmoid激活函數(shù)，則歸一化到[0，1]；若使用tanh激活函數(shù)，則歸一化到[-1，1]。②卷積層(convolution layer)：特征提取層(C層)-特征映射層(S層)。將上一層的輸出圖像與本層卷積核(權(quán)重參數(shù)w)加權(quán)值，加偏置，通過一個(gè)sigmoid函數(shù)得到各個(gè)C層，之后采樣subsampling得到各個(gè)S層。C層和S層的輸出稱為Feature Map(特征圖)。③光柵化(rasterization)：與傳統(tǒng)的多層感知器MLP全連接，將上一層的所有Feature Map的每個(gè)像素依次展開，排成一列。④多層感知器(MLP)：最后一層為分類器，一般使用Softmax，若是二分類，也可使用線性回歸Logistic Regression，SVM，RBM。詳見圖2。

圖2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

本研究采用的骨干網(wǎng)絡(luò)是特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)的自定義混合3D/2D變體[14]。定制骨干網(wǎng)絡(luò)使用標(biāo)準(zhǔn)的瓶頸殘差塊(residual bottleneck blocks)[15]，無迭代調(diào)整，由于觀察到R-CNN架構(gòu)，特別是基于FPNS架構(gòu)，對(duì)許多設(shè)計(jì)選擇均是穩(wěn)健的。執(zhí)行過程中，大小為5×512×512的三維輸入矩陣被映射到不同分辨率的二維輸出特征映射圖，使用投影操作匹配矩陣維數(shù)，將來自FPN自下而上路徑(bottom-up pathway)的三維輸入添加到自上向下路徑(top-down pathway)的二維輸出特征映射圖中。通過這種方式，網(wǎng)絡(luò)利用緊鄰感興趣區(qū)域的5個(gè)切片的背景信息預(yù)測(cè)出血的存在和位置。

1.3 實(shí)現(xiàn)過程 采用原始快速R-CNN實(shí)現(xiàn)中[16]描述的近似聯(lián)合訓(xùn)練方法，對(duì)候選區(qū)域網(wǎng)絡(luò)(RPN)、分類器和分割進(jìn)行并行優(yōu)化。掩碼 R-CNN結(jié)構(gòu)使用每張圖像128個(gè)采樣ROIS進(jìn)行訓(xùn)練，正負(fù)樣本比例固定在1∶3。推理過程中，RPN排名前256個(gè)候選區(qū)域(proposals)使用非最大限度地抑制修剪，并生成用于分類的檢測(cè)框。RPN錨跨越4個(gè)尺度(128×128，64×64，32×32，16×16)和3個(gè)高寬比(1∶1，1∶2，2∶1)。

使用啟發(fā)式方法初始化網(wǎng)絡(luò)權(quán)重[17]，最終的損失函數(shù)包含一個(gè)l2正則化網(wǎng)絡(luò)參數(shù)術(shù)語(yǔ)。應(yīng)用Adam實(shí)現(xiàn)優(yōu)化，該方法是基于低階矩自適應(yīng)估計(jì)的隨機(jī)目標(biāo)函數(shù)一階梯度優(yōu)化算法[18]。觀察到訓(xùn)練損失平臺(tái)時(shí)，初始學(xué)習(xí)速率為2×10-4。

采用python 3.5編寫軟件代碼，使用開源TensorFlow r1.4程序庫(kù)[19]。實(shí)驗(yàn)在一個(gè)GPU優(yōu)化的工作站上進(jìn)行，工作站上有4塊NVIDIA GeForce GTX Titan X 卡(12 GB，Maxwell architecture)。使用單一GPU配置確定推斷基準(zhǔn)速度。

1.4 圖像預(yù)處理 對(duì)于每一卷，軸向軟組織重建系列自動(dòng)確定是自定義基于CNN的算法。若有必要，可將該卷調(diào)整為平面內(nèi)分辨率矩陣為512×512。所有矩陣值均小于-240 HU或更高+240 HU，重新調(diào)整整卷為[-3，3]。

1.5 統(tǒng)計(jì)學(xué)處理 研究的主要終點(diǎn)是在每次檢查的基礎(chǔ)上測(cè)定出血。若在任何給定切片上有任何單個(gè)候選區(qū)域?yàn)槌鲅?yáng)性，認(rèn)定預(yù)測(cè)為NCCT有出血?；诖?，評(píng)估算法性能，包括準(zhǔn)確性、敏感度、特異度、陽(yáng)性預(yù)測(cè)值(PPV)和陰性預(yù)測(cè)值(NPV)。通過改變用于出血分類的softmax評(píng)分閾值，計(jì)算受試者工作特征曲線下面積(AUC)。除完整的數(shù)據(jù)集評(píng)估之外，平衡數(shù)據(jù)集的性能統(tǒng)計(jì)信息(陽(yáng)性和陰性病例數(shù)相等)可同時(shí)計(jì)算出來。使用平衡分布，準(zhǔn)確度根據(jù)出血類型(IPH、EDH/SDH和SAH)和出血量多少(點(diǎn)狀、小、中、大；定義分別為<0.01 mL，0.01～5.00 mL，5.10～25.00 mL，>25.00 mL)計(jì)算。

研究的次要終點(diǎn)是準(zhǔn)確估算出血量的能力，包括2種評(píng)估方法：預(yù)測(cè)出血的二進(jìn)制掩碼使用Dice評(píng)分系數(shù)與手動(dòng)分割進(jìn)行比較；使用Pearson相關(guān)系數(shù)(r值)將預(yù)測(cè)的出血量與金標(biāo)準(zhǔn)進(jìn)行比較。

1.6 訓(xùn)練隊(duì)列評(píng)價(jià) 五重交叉驗(yàn)證方案評(píng)估初始訓(xùn)練隊(duì)列，將集中的80%數(shù)據(jù)隨機(jī)分配到訓(xùn)練隊(duì)列中，其余的20%用于驗(yàn)證。之后重復(fù)此過程5次，直到整個(gè)數(shù)據(jù)集中的每項(xiàng)檢查均經(jīng)過驗(yàn)證。驗(yàn)證結(jié)果報(bào)道整個(gè)數(shù)據(jù)集的累積統(tǒng)計(jì)信息。

1.7 獨(dú)立測(cè)試隊(duì)列評(píng)估 調(diào)整算法設(shè)計(jì)和參數(shù)后，最終訓(xùn)練網(wǎng)絡(luò)應(yīng)用到新的前瞻隊(duì)列。整個(gè)推理流程完全自動(dòng)化，包括將新獲得的檢查從PACS實(shí)時(shí)傳輸?shù)阶远xGPU服務(wù)器，識(shí)別正確的輸入序列和訓(xùn)練有素的網(wǎng)絡(luò)推理。除初始驗(yàn)證統(tǒng)計(jì)信息，可報(bào)道來自獨(dú)立測(cè)試數(shù)據(jù)集的結(jié)果。

2 結(jié) 果

2.1 研究對(duì)象選擇 初始訓(xùn)練隊(duì)列共10 159次NCCT檢查，其中901次(8.9%)符合腦出血，包括IPH(358次，3.5%)，EDH/SDH(319次，3.1%)和SAH(224次，2.2%)；共生成512 598張圖片。中位出血量為28.2 mL。

獨(dú)立測(cè)試數(shù)據(jù)集隊(duì)列共682次前瞻NCCT檢查，其中82次(12.0%)符合腦出血，包括IPH(23次，3.4%)，EDH/SDH(38次，5.6%)和SAH(21次，3.1%)；生成2 368張圖片。中位出血量為24.9 mL。詳見表1。

表1 出血類型和出血量大小分布 單位：次

2.2 顱內(nèi)出血測(cè)定 完整數(shù)據(jù)集總體算法性能，包括訓(xùn)練隊(duì)列預(yù)測(cè)準(zhǔn)確性、AUC、敏感度、特異度、PPV和NPV，分別為0.975，0.983，0.971，0.975，0.793和0.997；前瞻隊(duì)列分別為0.970，0.981，0.951，0.973，0.829，和0.993。進(jìn)行顱內(nèi)出血類型分層時(shí)，訓(xùn)練隊(duì)列中IPH，EDH/SDH和SAH檢測(cè)的靈敏度分別為98.6%(353/358)，97.4%(311/319)和94.2%(211/224)；前瞻隊(duì)列分別為100.0%(23/23)，94.7%(36/38)和90.5%(19/21)。訓(xùn)練隊(duì)列中2.9%(26/901)出血判錯(cuò)，前瞻隊(duì)列中4.9%(4/81)出血錯(cuò)判(見圖3、圖4)。根據(jù)出血量分層的平衡數(shù)據(jù)集結(jié)果顯示出通用算法精度，出血量>5 mL(0.977～0.999)高于出血量<5 mL(0.872～0.965)，兩隊(duì)列中僅4例(EDH/SDH)出血>5 mL被錯(cuò)判。點(diǎn)狀出血<0.01 mL的檢測(cè)準(zhǔn)確度(0.872～0.883)較少量出血(0.01～5.00 mL)的準(zhǔn)確度(0.906～0.965)更具挑戰(zhàn)性。進(jìn)一步對(duì)出血類型分層，最具挑戰(zhàn)性的是點(diǎn)狀SAH或EDH/SDH的測(cè)定，訓(xùn)練隊(duì)列為0.830～0.881。平衡數(shù)據(jù)集完全分層結(jié)果見表2。

圖3 顱內(nèi)出血分割實(shí)例[A列為輸入的CT切片；B列為對(duì)應(yīng)的手工分割(藍(lán)線)；C列為相應(yīng)的半自動(dòng)分割(紅線)；D列為全自動(dòng)分割(綠線)]

圖4 網(wǎng)絡(luò)預(yù)測(cè)實(shí)例[該算法的假陽(yáng)性和假陰性網(wǎng)絡(luò)預(yù)測(cè)包括異常區(qū)域的邊界框候選區(qū)域(以聚焦算法注意力)和最終的網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的置信度。假陽(yáng)性的出血預(yù)測(cè)(紫色)包括運(yùn)動(dòng)偽影和/或后顱窩束的硬化(A)或高密度模擬皮質(zhì)鈣化(C)。排除性出血的假陰性預(yù)測(cè)通常包括小的體積異常，密度相對(duì)較低，從而降低顯著性。此病例包括沿右額葉后部(B)和右頂下葉(D)的微小蛛網(wǎng)膜下腔出血]

表2 平衡數(shù)據(jù)集出血類型和大小分層性能

2.3 顱內(nèi)出血量化 與手工分割比較，由CNN分割評(píng)估IPH、 EDH/SDH和SAH的Dice系數(shù)分別為0.931，0.863和0.772。CNN分割I(lǐng)PH、EDH/SDH和SAH出血量的Pearson相關(guān)系數(shù)r值分別為0.999，0.987和0.953。與簡(jiǎn)化公式ABC/2得到的IPH相比，Pearson相關(guān)系數(shù)r值為0.954。平均而言，ABC/2得到的出血量高估約20.2%，CNN得到的出血量低估約2.1%。

2.4 網(wǎng)絡(luò)統(tǒng)計(jì)值 收斂前每個(gè)網(wǎng)絡(luò)進(jìn)行相應(yīng)的驗(yàn)證折疊訓(xùn)練約100 000次迭代。根據(jù)用于訓(xùn)練分配的GPU卡數(shù)量，此過程每一折疊平均需要6～12 h。訓(xùn)練后，掩碼R-CNN網(wǎng)絡(luò)在平均0.121 s確定新測(cè)試案例中是否存在出血，這一過程包括單個(gè)GPU工作站上的所有預(yù)處理步驟。

3 討 論

本研究測(cè)定IPH、EDH/SDH和SAH顱內(nèi)出血準(zhǔn)確，CNN通過Dice評(píng)分系數(shù)反映出高精度的顱內(nèi)出血定量(0.772～0.931)和Pearson相關(guān)(0.953～0.999)。將自動(dòng)推理流程用于前瞻隊(duì)列，深度學(xué)習(xí)工具通過NCCT檢查準(zhǔn)確測(cè)定和量化顱內(nèi)出血。

較多傳統(tǒng)學(xué)習(xí)技術(shù)用于顱內(nèi)出血測(cè)定，如模糊聚類[20-21]、Bayesian分類[22]、設(shè)置閾值水平[23]和決策樹分析[24]。目前給定的NCCT進(jìn)行頭部檢查存在大量圖像多樣性，最終限制從先驗(yàn)規(guī)則和硬編碼的假設(shè)中得到算法的準(zhǔn)確性。有研究使用決策樹分析進(jìn)行IPH測(cè)定的靈敏度為0.60，PPV為0.447[25]。硬編碼邏輯傾向于產(chǎn)生僅針對(duì)單項(xiàng)任務(wù)。一種用于出血的水平設(shè)定技術(shù)，量化產(chǎn)生的Dice得分為0.858～0.917[23]，該算法對(duì)出血的測(cè)定是有限的，由于其未在設(shè)計(jì)中排除陰性檢查出血。

鑒于對(duì)醫(yī)學(xué)成像深度學(xué)習(xí)潛力的認(rèn)識(shí)不斷提高，越來越多的研究?jī)A向于使用CNN方法。開發(fā)了用于肺結(jié)節(jié)的多尺度CNN對(duì)CT圖像進(jìn)行測(cè)定[26]，相關(guān)研究設(shè)計(jì)了一個(gè)12層的CNN預(yù)測(cè)乳房X線照片上的心血管疾病[27]及脊柱轉(zhuǎn)移的測(cè)定[28]。有研究報(bào)道了一種深度學(xué)習(xí)方法，將幾個(gè)預(yù)先訓(xùn)練的網(wǎng)絡(luò)用于20個(gè)案例的小型測(cè)試集[29]。

這些初步工作十分重要，仍存在一些關(guān)鍵限制，臨床應(yīng)用深度學(xué)習(xí)工具前需解決這些問題。首先，除具有較高的算法性能外，臨床上可行的工具必須解決傳統(tǒng)無法合理化給定的解釋。一些技術(shù)通過生成顯著性地圖[30]或類活化地圖[31]改善，這是傳統(tǒng)的基于整體CNN圖像分類(或數(shù)據(jù)卷)的已知局限性。候選的自定義掩碼R-CNN體系結(jié)構(gòu)通過將基于注意力的物體檢測(cè)網(wǎng)絡(luò)與傳統(tǒng)的分類和分割組件結(jié)合，允許算法明確定位可疑CT發(fā)現(xiàn)并提供某些發(fā)現(xiàn)可能代表顱內(nèi)出血的視覺反饋或模仿。

其次，臨床使用工具需在非過濾數(shù)據(jù)進(jìn)行測(cè)試。本研究通過將訓(xùn)練好的網(wǎng)絡(luò)應(yīng)用在一個(gè)完全自動(dòng)化的推理流水線中模擬這一過程，這個(gè)流水線可執(zhí)行所有支持算法預(yù)測(cè)的必要步驟，從PACS圖像傳輸?shù)叫蛄凶R(shí)別，再到GPU啟用的推理，這些均不需要人工監(jiān)控。這種背景下使用前瞻性獨(dú)立測(cè)試集，是目標(biāo)人群的抽樣樣本，這些樣本是在急診放射學(xué)檢查的NCCT頭部掃描。算法性可在前瞻測(cè)試中保持良好，表明深度學(xué)習(xí)工具具有潛在的臨床應(yīng)用價(jià)值，同時(shí)指出適應(yīng)算法驗(yàn)證所需的數(shù)據(jù)庫(kù)大小。雖然大型數(shù)據(jù)集在醫(yī)學(xué)影像學(xué)中少見，但病理學(xué)代表性樣本對(duì)算法精確性的驗(yàn)證是重要的。本研究結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)難學(xué)習(xí)和歸納[點(diǎn)狀出血<0.01 mL，約占所有檢查的0.5%(56/10 841)]，因此，需要大量具有代表性的數(shù)據(jù)集評(píng)估這些關(guān)鍵的罕見現(xiàn)象。大型數(shù)據(jù)庫(kù)可促進(jìn)算法學(xué)習(xí)，通過增加訓(xùn)練樣本多樣性，幫助網(wǎng)絡(luò)選擇通用的預(yù)測(cè)特征。無顱內(nèi)出血的病例和顱內(nèi)出血的病例同樣重要，由于算法必須正確識(shí)別無出血的多數(shù)病例，盡管可能存在任何潛在的病例。為了解決這些問題，本研究利用大型訓(xùn)練數(shù)據(jù)集優(yōu)勢(shì)，該數(shù)據(jù)集包括512 598張圖片，較以往研究數(shù)量較多。

準(zhǔn)確的出血檢測(cè)工具突出的用例是分診系統(tǒng)，可提示醫(yī)生潛在的陽(yáng)性檢查，以便加快判讀，從而有助于減少全程結(jié)果回報(bào)時(shí)間(TAT)。有研究顯示，超過80家機(jī)構(gòu)將減少TAT達(dá)標(biāo)的重要性作為優(yōu)先考慮的事件之一，總分6.0分得到5.7分[32]，從而加快病人的治療分流?？焖僮R(shí)別IPH病人將有助于在癥狀出現(xiàn)的最初3.0～4.5h控制血壓，避免癥狀急劇惡化[5-7]。INTERACT-2試驗(yàn)進(jìn)一步證實(shí)了這一點(diǎn)，結(jié)論是早期診斷提供的強(qiáng)化治療與功能改善有關(guān)[33]。

除出血測(cè)定，顱內(nèi)出血的定量指標(biāo)可精確和有效量化疾病初始負(fù)擔(dān)和后序變化，可能具有重要的臨床意義[34-35]。IPH發(fā)病2～3 h，出血量可急劇變化[5-7]。出血量是30 d死亡和并發(fā)癥發(fā)生的已知預(yù)測(cè)因子[8-9]。目前，臨床估計(jì)腦出血量的標(biāo)準(zhǔn)是ABC/2公式，其中A、B、C分別代表血腫長(zhǎng)、寬和厚度[10，36]。雖然易于使用，但這種方法的局限性是對(duì)所有IPH來說血腫均是橢圓形。本研究結(jié)果顯示，這一方法高估出血量20.2%，與手工分割比較相差30%[10]。雖然手工標(biāo)測(cè)是黃金標(biāo)準(zhǔn)，但急診應(yīng)用中這種方法既費(fèi)時(shí)間又存在技術(shù)的挑戰(zhàn)。經(jīng)過訓(xùn)練CNN可快速、準(zhǔn)確地定量IPH體積，與手工測(cè)量的相關(guān)系數(shù)為0.999，可方便臨床，同時(shí)作為手工測(cè)量的一種變通方法。

本研究存在一些局限性：①研究結(jié)果是在單一中心得到的，結(jié)果普適性可能不高，今后將其用于其他機(jī)構(gòu)掃描儀和不同掃描設(shè)備進(jìn)行預(yù)測(cè)性能評(píng)價(jià)。CT檢查本質(zhì)上采用hounsfield單位標(biāo)準(zhǔn)化，并顯示出較X平片或磁共振成像較少的影像變異性。②深度學(xué)習(xí)算法易受到對(duì)抗性噪聲的影響，圖像中微小但高度模式化的擾動(dòng)可能導(dǎo)致不良的預(yù)測(cè)結(jié)果[37]。目前數(shù)據(jù)集并未遇到這種情況，使用網(wǎng)絡(luò)集成和去噪音自動(dòng)編碼器可一定程度降低這種可能性[38]。

總之，高性能全自動(dòng)、深入的學(xué)習(xí)算法可對(duì)頭部NCCT掃描檢測(cè)和定量IPH、EDH/SDH和SAH。嵌入在自動(dòng)化推理環(huán)境中的前瞻性獨(dú)立測(cè)試集算法的高性能表現(xiàn)，這種深度學(xué)習(xí)工具在今后具有臨床可行性，可作為一種快速量化顱內(nèi)出血體積的方法，加快病人治療的分流，并提供準(zhǔn)確、詳細(xì)的信息指導(dǎo)臨床決策。