杨 光，赵施竹

    颅内出血是严重威胁健康的重大疾病，病人死亡率较高[1]。早期准确诊断对急性颅内出血管理具有重要意义[2-3]。颅内出血的早期和准确诊断受到多种因素影响[4]，急诊室环境中，脑部非增强CT(non-contrast CT，NCCT)检查和报告可能需要较长的时间。这些可能影响病人管理，由于出血扩大导致病情急剧恶化常在症状发作初始3.0～4.5 h内发生[5-7]。因此，发现颅内出血快速准确的诊断工具可能有助于及时治疗，并最终改善预后。

    自动化定量出血工具除可测定颅内出血外，还可为预测和监测病人提供可靠的指标[8-9]。脑实质内出血(intraparenchymal hemorrhage，IPH)的定量临床标准依赖于简化公式(ABC/2)计算，该公式通常评估IPH体积达30%[10]。虽然手动划定出血可准确估算体积，但时间限制这种方法在急诊情况下的实现。因此，需要一种快速量化颅内出血体积的全自动和客观化工具，提供准确详细的信息，以指导临床决策。

    本研究提出一个基于深度学习的卷积神经网络(convolutional neural networks，CNN)工具，这种新型技术可进行图像解析[11]。CNN的有效性基于在无明确的人工编程情况下进行自组织和模式识别能力的算法。Prevedello等[12]研究显示，通用算法可用于广泛筛选各种急性NCCT(出血、肿块效应、脑积水)，总体敏感度和特异度分别为90%和85%。通过定制新的基于兴趣的掩码区域CNN(掩码R-CNN)架构扩展这一初步工作，该架构为颅内出血评估和网络训练。除验证回顾队列外，还将其在前瞻验证队列中进行测试。通过测定现实环境中此种工具的性能，评估其在临床实践中实施的可行性。本研究的3个关键目标包括深度学习算法的开发和评估最终训练的CNN性能：①颅内出血包括IPH、硬膜外出血/硬膜下出血(EDH/SDH)和蛛网膜下腔出血(SAH)；②颅内出血体积的量化；③作为自动化流程的一部分，对独立的现实样本进行前瞻性实时推论。

    1 资料与方法

    1.1 研究对象 确定两个单独的队列分别用于训练和前瞻验证。训练队列为2018年1月—2018年7月在研究机构进行的NCCT扫描；验证队列时间为2018年10月—2019年2月急诊科的NCCT 检查。对于这两个队列，从临床报告中发现阳性出血病例(IPH、EDH/SDH和SAH)，并通过专业放射科医生确认。使用本研究开发的自定义半自动基于Web的注释平台，为所有阳性出血病例生成3D纹理真实掩码。所有掩码准确性均由专业放射科医生目视检查 ......