论文部分内容阅读
脑出血(Intracerebral Hemorrhage,ICH)是一个严重危害人类健康的公共卫生问题,往往伴随高发病率和死亡率。而早期血肿扩大约占脑出血的三分之一,并与患者的不良预后有关。因此,尽早识别哪些患者会出现早期血肿扩大是指导脑出血临床诊疗实践的关键。然而,医生通过逐层阅读平扫CT(Computer Tomography)分析患者,需要高昂的时间成本和对医生个人经验的高度依赖。为了对患者进行量化评估、提高平扫CT图像的可读性以及减少医生阅片成本,建立有效且可靠的计算机辅助诊断(Computer-Aided Diagnosis,CAD)方法意义重大。为了实现有效的计算机辅助诊断脑出血血肿扩大方法,本文提出了两种辅助诊断策略。一种是预测患者新定义血肿扩大(Revised Hematoma Expansion,RHE)以及不良预后风险的方法,这种方法依赖手工标注血肿区域,通过特征选择技术和传统机器学习算法对患者进行扫描级的预测,从而达到辅助医生进行临床决策的目的。另一种方法是基于深度学习的智能识别脑出血扩大征象方法,这种方法可以自动提取图像特征并进行识别,通过快速确定患者是否存在血肿扩大征象辅助医生诊断,由于黑洞征、混合征在预测脑出血血肿扩大上具有准确率高和易于使用的特点,本文选取这两种征象作为研究对象,为了方便描述,排除这两种征象的出血情况在本文中被称为无征象脑出血。本文的具体工作如下:(1)由于目前国内外缺乏研究脑出血血肿扩大的公开数据集,本文收集并制作了新定义血肿扩大数据集(Revised Hematoma Expansion Dataset,RHED)和脑出血血肿扩大征象数据集(Hematoma Expansion Signs Dataset,HESD)。本文与合作单位重庆医科大学收集了312例脑出血患者,其中包括RHE患者84例,不良预后患者155例,首先半自动化提取了1106维影像组学特征,在此基础上还加入了患者临床信息和影像学信息,最终构建了RHED。HESD由黑洞征、混合征和无征象出血三类构成,首先本文提出一种无监督的颅骨去除和颅内区域矫正方法对数据进行预处理,之后使用数据增广的方法进行扩充,最后参照Image Net数据集的格式整理出了HESD。(2)构建了用于预测患者RHE风险以及不良预后的方法。首先,为了能从海量影像组学特征中获取与预测患者是否血肿扩大最相关的特征,降低模型训练难度和提高精度,本文使用了T-test、最小绝对收缩和选择算子(Least Absolute Shrinkage and Selection Operator,LASSO)等方法进行特征选择。由于数据集中RHE和非RHE患者比例失衡,本文使用粒子群(Particle Swarm Optimization,PSO)算法优化线性支持向量机(Linear Support Vector Machine,LSVM)模型类权重,从而提高组学模型预测精度。之后,本文结合患者的临床信息与影像学信息等与组学模型一起构建了多个融合模型。实验结果表明,本文提出的组学模型有利于提升预测患者RHE风险的精度。同时,实验结果也证明了本文方法提取的影像组学特征可以较好地预测患者不良预后。最后,我们模拟了临床诊断的流程,综合患者临床信息和影像学特征联合组学模型评分共同构建了联合模型,在证明模型预测效果的同时提供了诺谟图进一步为医生提供了更便捷的辅助诊断方法。(3)提出了一种智能识别脑出血血肿扩大征象的算法。针对脑出血血肿扩大征象识别困难问题,本文提出了融合分支网络(Fusion Branch Network,FBN)以及类学习难度(Class Learning Difficulty,CLD)损失函数。FBN使用三个采样频率不同的采样器对数据进行采样输入到三个分支中,通过学习黑洞征,混合征以及无征象脑出血类具备的深层次语义特征,避免了模型在学习时只将注意力集中在样本数量更大的类上,并通过自适应特征融合模块将特征进行动态融合,获取能最有效表示当前输入的高维特征。之后,我们在学习率退火时使用CLD损失函数动态调整网络类权重,以模型实时的学习情况做为动态调整机制,进一步优化了模型性能。最后,本文使用ScoreCAM(Class Activation Map)技术帮助医生更好理解神经网决策过程,判断模型决策合理性,赋予使用者参与最终决策的权力。实验结果表明,本文提出的方法对识别脑出血血肿扩大征象的精确度比其他方法更高,且可解释性更强。(4)本文以上述两种算法为核心,对这些方法进行了封装,设计和实现了计算机辅助诊断脑出血血肿扩大原型系统。根据使用者的不同需求,系统可以预测患者RHE风险或者不良预后概率,也可以快速判断患者是否具备脑出血血肿扩大征象。通过实现的系统,可以更好地推动计算机辅助诊断脑出血血肿扩大工作的进展。