卷积神经网络分割蛛网膜下腔血管自动识别非对比NCCT扫描SAH和缺血性卒中

�医学信息学解锁19（2020）100321基于卷积神经网络的蛛网膜下腔血管自动分割放大图片作者：Renan Sales Barros a.作者声明：Anna M. 1999年10月20日，中国人民解放军总参谋长陈光诚，中国人民解放军副总参谋长王光诚，中国人民解放军总参谋长王光诚，中国人民解放军总参谋长王光诚，中国人民解放军总参谋长王光诚，中国人民解放军总参谋长王光诚. Marquering a，*a阿姆斯特丹UMC，地点AMC，阿姆斯特丹大学，荷兰bArtemis Department of the Telecom SudParis，Evry，FrancecTelecom Physique Strasbourg，Illkirch-Graffenstaden，法国A R T I C L EI N FO保留字：蛛网膜下腔出血出血分割出血检测卷积神经网络深度学习A B S T R A C T目的：研究卷积神经网络（CNN）在非对比计算机断层扫描（NCCT）中用于蛛网膜下腔出血（SAH）材料和方法：我们通过将一组302个基线NCCT分成训练集（268）和验证集（34），开发并训练了用于SAH分割的CNN。通过计算SAH体积的组内相关系数和分割的Dice系数，在另外473例SAH患者的基线NCCT上评估分割准确性。随后，我们评估了所开发的SAH分割网络是否可用于区分SAH与急性缺血性卒中，使用280次扫描来优化区分，并使用70次扫描进行测试。此外，我们测试了基于CNN的容积SAH分割是否也可用于再出血患者的396例 NCCT中的出血分割结果：SAH容积一致性较高，组内相关系数为0.966。体积SAH分割的平均Dice系数为0.63 - 0.16，这是类似于专家观察者间的协议。SAH与缺血性卒中患者的鉴别准确率为0.96。尽管由于弹簧圈栓塞术，再出血患者的扫描中通常存在严重的金属伪影，但基于CNN的分割似乎适用于再出血的分割，并且具有相当的准确性。平均CNN检测和分割处理时间为30 s。结论：所提出的CNN在NCCT扫描中检测和分割SAH是快速和准确的1. 介绍蛛网膜下腔出血（SAH）约占所有卒中的5%死亡率为30%[1]，一半患者年龄小于55岁，SAH导致的生产性生命年损失与缺血性卒中相当[2，3]。已经开发了几种用于评估计算机断层扫描（CT）图像上SAH严重程度的量表[4]。目前，最常用的量表是Fisher量表[5]、改良Fisher量表[6]和Hijdra总分[7]。研究表明，这些评分与血管痉挛、迟发性脑缺血（DCI）和不良结局等并发症相关。尽管如此，这些分数在观察者之间有相当大的差异，这可能会限制其预测值[8，9]。CT扫描中SAH的准确体积分割和定量评估是这些放射学尺度的有价值的替代方案，并为监测和预测SAH患者的结局提供了有价值的信息。先前的研究表明，使用图像处理技术可以对SAH进行定量分割[10]。与颅内出血的其他原因相比，SAH的分割被认为是复杂的，因为由于血液的存在而导致的高密度位于大脑的低密度部分（例如，裂隙）。Zijlstra等人[11]表明，Boers等人[10]的方法产生的定量血液确实与DCI显著相关。自Boers et al.是基于缩略语：CNN，卷积神经网络; CT，计算机断层扫描; DCI，迟发性脑缺血; NCCT，非造影计算机断层扫描; SAH，蛛网膜下腔出血。* 通讯作者。电子邮件地址：h.a. amc.uva.nl，h.a. amsterdamumc.nl（H.A. Marquering）。https://doi.org/10.1016/j.imu.2020.100321接收于2020年3月11日;接受于2020年3月17日在线预订2020年2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuR.S. Barros等人医学信息学解锁19（2020）1003212由于血液的存在，Hounsfield单位（HU）的增加，可能与准确SAH分割相关的其他图像特征，例如空间出血模式，可能已经被忽略。在使用自动编码器分析CT图像的另一种方法中，已经表明可以使用附加图像特征来显著改善DCI预测[12]。然而，这些图像特征不能由临床医生解释，因此这种方法不适合临床实践。为了克服这些限制，我们提出了一种基于卷积神经网络（CNN）的CT扫描SAH检测和分割的新方法。CNN需要高质量的地面真实样本进行训练。该基础事实的生成是一项要求很高的任务，因为CT图像中SAH的影响可能非常微妙。蛛网膜下腔出血可能会扩散到蛛网膜下腔[13]，并在脑脊液（CSF）中稀释。当基底池充满血液时，血管内和血管外血液的区别就变得模糊了。此外，即使SAH的影响是可见的，只有一个微小的，CT扫描中的部分体积受到影响（见图1）。其次，经验丰富的放射科医生手动分割的一致性中等，平均Dice系数为0.64。考虑到相对不精确的训练数据，本研究的主要目标是研究CNN用于全自动SAH检测及其体积分割的可行性和性能。2. 材料和方法在本节中，我们描述了所使用的图像数据、基于CNN的体积SAH分割的开发、用于与基于CNN的结果进行比较的两种替代SAH分割方法、区分出血性卒中与缺血性卒中患者的方法以及用于评价所提出的基于CNN的方法是否也适用于分割具有再出血的患者中的血管的附加实验。所有基于CNN的方法都包括两个步骤：[1]：生成出血概率图和[2]Fig. 1. 训练集（268）和测试集（473）中基线非造影CT扫描的Hounsfield单位值直方图。仅考虑颅内区域内的体积像素（即，体积像素代表空气、颅骨等，在这些直方图中被排除）。第一行显示第二行中直方图的放大版本。R.S. Barros等人医学信息学解锁19（2020）1003213确定阈值以将概率图转换成二进制分割。第一步是通用的，而后者是特定于应用程序的。此外，出血概率地图使用“训练集”，而后者使用“验证集”。2.1. 图像数据在这项回顾性研究中，我们使用了来自SAH登记和缺血性卒中临床试验的图像数据SAH登记研究由2011年12月至2016年12月在阿姆斯特丹UMC住院的前瞻性连续蛛网膜下腔出血入选标准为（1）基线非造影CT（NCCT）上可见或腰椎穿刺后证实的SAH和（2）通过血管造影成像证实动脉瘤我们排除了基线NCCT上有明显运动或金属伪影的患者或正在进行的试验中的患者我们还使用了MR CLEAN试验中纳入的缺血性卒中患者的基线NCCT [14]。既往研究中使用了来自该SAH登记研究的317例患者子集[12]。急性缺血试验患者已被纳入许多已发表的研究中。共使用了来自SAH登记研究的775例基线NCCT扫描用于开发基于CNN的SAH分割。训练集包括268次扫描，验证集包括34次扫描，测试集包括473次扫描。这775幅图像的真实分割如下：（1）使用Boers等人的方法进行初始分割;（2）由经过培训的观察者校正该分割;（3）随后，由放射科专家验证该分割，并在适用时进行额外校正。表1显示了本研究中使用的CT扫描的特性。所提出的SAH与缺血性卒中患者的区分利用了由CNN生成的出血概率图，CNN被训练用于SAH分割。因此，在SAH缺血性卒中分化中为了开发自动SAH区分，我们使用了平均分布的急性缺血性卒中（175）和SAH（175）患者的350个基线NCCT图像。这350次扫描的使用方法如下：验证集包括280次扫描，其中140例缺血性卒中和140例SAH患者。测试集包括缺血性卒中（35例）和SAH（35例）患者的70次扫描阿姆斯特丹UMC的医学伦理委员会豁免了这一点表1本研究中使用的图像的属性适用时，数据显示为平均值-标准差。本SAH登记研究中纳入的匿名NCCT扫描的使用获得官方批准，并放弃知情同意2.2. CNN用于容积SAH分割所提出的CNN输出概率图，其指示属于出血类的体积的可能性。由于概率值的范围从0到1，在训练之后，我们优化了用于SAH分割的二进制体积分类的阈值，使用验证数据的SAH -缺血性卒中区分的另一个截止值所提出的用于SAH分割的CNN被设计为基于该体积Xel周围的图像块来对单个体积Xel进行分类。我们进行了网格搜索，以选择用于此分类任务的最佳CNN架构。我们使用平均Dice系数来选择最佳CNN架构。表2显示了在此网格搜索中评估的超参数值。为了解决出血与背景体积类的不平衡表示的问题，我们在训练期间使用相同数量的出血和背景补丁。我们在训练时自动确定最相关的背景补丁。图2列出了训练过程中使用的步骤。图3示出了背景类的训练样本的这种自动选择的结果。2.3. 图像预处理我们对颅内区域进行分割，并使用基于阈值的分割来排除可以被简单地分类为背景的体积，例如空气。随后，随机背景补丁被选择用于第一训练步骤。在所有后续的训练步骤中，具有最低准确度的背景补丁被用于训练。重复该步骤，直到在验证集的平均Dice系数中没有观察到颅内区域的分割基于颅骨孔的尺寸范围（如参考文献[15]所报告）和体积的典型强度值该分割根据以下步骤执行我们将强度高于160 HU的所有体积视为骨。(2)使用半径为7 mm的形态学扩张闭合颅骨的所有孔(3)分割的骨骼的质心被用作颅骨内区域生长的种子（4）对区域生长结果进行半径为7mm的形态学膨胀，使分割后的颅内区域更接近颅骨边缘。(5)通过从上到下评估每个单独切片中的分割区域枕骨扫描次数每次扫描的切片数VoX el间距（mm）切片间距（mm）magnum切片被确定为具有分割区域表2用于SAH体积分割的CNN的训练和验证集中包括的基线NCCT。用于测试基于CNN的SAH体积分割的基线NCCT。跟进不合作个案数目302 32�6.6473 39�9.9396 32�0.45��0.050.45��0.060.47�4.86�0.574.23 1.01分4.95 0.57元通过网格搜索优化所提出的卷积神经网络结构超参数评估值卷积层数2、3或4位于全连接层的网络节点末端的全连接层2或3的数量64、128、256最大池化层的所有排列卷积层测试CNN对再出血患者血管的分割。3.20.05卷积层的特征映射卷积核的大小卷积层64或1283� 3� 1，5� 5�1，7� 7� 1，9�9� 1，3� 3�3、5� 5� 3、7�7� 3或9� 9� 3缺血性卒中患者175 30�9.70.45��0.074.49�1.11输入面片的大小7�7、15�15、19�19、23�23或31�31面片中的切片数1、3或5用于优化和评估自动化处理具有多个切片的作为具有2D卷积的不同通道或作为具有3D卷积的SAH检测。使用或未使用注. - CNN 1/后处理最终概率图密集条件随机场、3D高斯平滑或无后处理R.S. Barros等人医学信息学解锁19（2020）1003214�图二. 卷积神经网络（CNN）的训练过程的步骤，用于基于图像块的VOXelwise分类在具有最大分割区域的切片下方900 mm2以下。将枕骨大孔切片以下的所有分割体从分割中排除。2.4. SAH分段我们使用两种替代方法进行SAH分割，以与我们基于CNN的体积SAH分割进行比较：精细阈值分割和U-Net [16]。我们基于三个关键观察结果开发了改进的阈值分割：（1）出血体积通常具有相似的强度值（见图1）。(2)大多数强度与出血体积相似的背景体积位于靠近颅骨的位置（见图3中蓝色高亮区域）。(3)具有SAH体积像素的区域通常大于仅几个体积像素。使用网格搜索优化细化的阈值分割，该网格搜索确定基于阈值的出血分割的上限和下限、用于排除接近颅骨的体积的脑掩模的形态侵蚀的参数以及用于排除在基于阈值的出血分割中选择的小体积组的形态开口的参数。通过评估基于CNN的分割的训练和验证集中的所有图像来执行该网格搜索。随后，在基于CNN的分割的测试集上评估改进的阈值分割。评估的U-Net架构有三层，第一层、第二层和第三层分别有32、64和128个特征图U-Net的卷积核的大小为3 3。U-Net使用与拟议的CNN相同的训练，验证和测试集进行训练和评估2.5. SAH检测我们假设，当NCCT图像中的SAH分割体积高于特定阈值时，扫描属于SAH患者，而不是缺血性卒中患者。由于CNN输出值范围从0到1的概率图，因此我们优化了用于SAH检测的二进制体积分类的特定截止值。随后，我们优化了最小SAH体积，图三. 从CT扫描中提取的训练补丁的示例。背景补丁以蓝色突出显示。为红色突出显示区域中的所有体积生成的出血斑块请注意，选择用于训练的背景斑块与出血斑块非常相似。在训练过程中，背景像素被选为具有最高分类误差的体(For对本图中颜色图例的解释，读者可参考本文的网络版R.S. Barros等人医学信息学解锁19（2020）1003215�����-¼�¼ ¼¼��分化2.6. 统计通过计算验证集中的组内相关系数和Bland-Altman分析，精度通过计算验证集中的Dice系数来确定SAH分割。SAH -缺血性卒中鉴别的准确性2.7. 容积再出血SAH分割作为概念证明，并确定该方法是否对图像伪影具有鲁棒性，我们评价了SAH分割在再出血患者中的适用性。预计再出血的分割将更加困难，因为通常这些患者已被盘绕以治疗初始SAH。这些线圈通常导致NCCT图像中的严重伪影在SAH登记研究中，使用了396例再出血患者的随访NCCT。这些再出血扫描的地面真实SAH分割如下创建：（1）这些扫描由所提出的CNN处理以生成SAH概率图。(2)这些概率图由两名专家检查，并选择最佳阈值来生成表示再出血区域的二进制图。(3)随后，这两名专家在必要时纠正了分割。应该注意的是，这些再出血患者的基线NCCT均未纳入训练和验证集中。在这396例再出血患者中，127例扫描有明显的金属伪影。3. 结果最好的CNN架构由两个卷积层组成，然后是两个完全连接的密集层，每个层有256个节点。这个CNN的输入补丁的大小是19 19 3，每个切片被认为是一个不同的图像通道。带内核的最大轮询层在每个卷积层之后存在2 2。第一卷积层有64个特征图，第二卷积层有128个特征图。两个卷积层都有5个5粒。未使用最终概率图SAH体积一致性极佳，验证集中的组内相关系数为0.966。Bland-Altman分析显示偏倚为0.0 ml，95%之间的一致性限度20和20 ml（见图4）。平均骰子系数为0.63 - 0.16，范围在0.19和0.92之间，获得的测试集。图5示出了来自测试的图像以及地面实况分割、由CNN生成的概率图和最终的二进制分割。该方法通过颅内区域分割和阈值分割排除无关的背景像素，实现了高精度的体像素分类0.93，灵敏度0.94，特异性0.95，面积小于受试者工作特性曲线为0.99。所提出的SAH分割优于基线分割方法，其分别针对精细阈值分割和U-Net分割实现了0.42和0.40的平均Dice。具有不同的CNN实现的平均Dice系数超参数范围为0.40 - 0.63。对准确性影响最大的超参数是补丁大小。具有最高和最低平均Dice系数的CNN之间的超参数值的唯一差异是输入补丁的大小具有最低平均Dice系数的CNN的输入块大小为7 7 1。使用dropout或任何评价的后处理技术导致平均Dice系数的差异为3%或更低。其余超参数对平均Dice系数的影响非常小具有3层和4层的CNN的平均Dice系数分别低1%和2%完全连接层中节点数量的不同值导致平均Dice系数的变化为1%。所有剩余超参数的不同值关于SAH -缺血性卒中区分，用于生成二元分割的优化截止概率值为0.9，并且具有阳性SAH预测的最小出血量为6.6 ml。SAH检测的准确度为0.96，灵敏度为1.00，特异性为0.91。平均Dice系数为0.660.19用于SAH分割再出血患者中。图6示出了来自再出血患者的样本分割，并且示出了尽管有金属伪影，但是可以实现良好的分割结果。4. 讨论所提出的CNN架构在SAH体积、分割和与急性缺血性卒中患者的区分方面实现了高精度。容积SAH分割的准确性与专家一致。此外，我们已经表明，这种方法也适用于SAH检测再出血患者，对他们来说，CT图像可能有严重的伪影。见图4。通过CNN和手动描绘（左）确定的蛛网膜下腔出血体积散点图以及这些体积的差异和平均值的Bland Altman图。散点图显示高度一致性（组内相关系数为0.966），Bland Altman图显示可消除偏倚（0.0 ml）和大范围（95%一致性限值在-20至20 ml之间）。R.S. Barros等人医学信息学解锁19（2020）1003216图五. 从所提出的卷积神经网络中进行样本分 割。 从上 到下 ，Dice系 数分 别为0.30、0.45、0.60和0.75。从左到右，列显示输入CT扫描的切片、参考分割、输出概率图和最终二进制分割。0.84的概率值阈值对于出血和背景的二分是最佳的。色标表示从0.8（蓝色）到1.0（红色）的不同概率值。（有关此图例中颜色的解释，请读者参考本文的Web版本。）有监督的自动分割方法在学习和准确性评估期间需要准确的参考标准。有限的观察者间一致性阻碍了高质量训练数据的生成，并使得CNN或其他监督学习方法难以使用。Boers等人的研究比较了由两名经验丰富的放射科医生进行的手动SAH分割，并报告平均Dice系数为0.64，范围为0.00 - 0.86。因此在SAH和再出血患者中通过所提出的CNN实现的平均Dice系数与放射科专家的一致性相当。SAH是一种颅内出血。用于在CT扫描中自动分割颅内血管的各种方法，已经提出，如阈值[17R.S. Barros等人医学信息学解锁19（2020）1003217见图6。再出血患者（第一行）和缺血性卒中患者（第二行）的样本结果。从左到右，我们有原始CT扫描，卷积神经网络生成的概率图，以及自动生成的二进制分割。在第一行中，最终的二进制分割不受金属伪影的影响。在第二行中，血块被错误地归类为出血。所提出的蛛网膜下腔出血（SAH）检测方法正确地将该缺血性卒中患者检测为非SAH患者。这是因为分段血凝块的体积没有超过SAH阳性预测所需的最小体积[24]，水平集[21，22，25，26]，和其他[27 这些方法都没有用SAH患者的图像进行彻底测试。 唯一可用的自动SAH分割方法是由Boers等人提出并报告了平均Dice系数为0.55.此外，我们提出的方法也优于细化阈值分割和基于U-Net的方法。与Boers的方法相比，提出的CNN的另一个优点是 等是处理时间。虽然提出的CNN只需要大约30秒就可以在CT扫描中分割或检测SAH，但Boers等人的方法需要几分钟。与其他基于CNN的分类方法不同，所提出的方法总是生成SAH概率图，该概率图可以由人类专家进行视觉检查或自动后处理以进行SAH检测。当该概率图被后处理用于SAH检测而不是分割时，实现了高检测精度。然而，由于SAH分割仅使用SAH图像进行训练，因此我们假设这会由于假阳性预测而导致对SAH体积的高估。这种影响可以在图6中看到，其中血栓被错误地分类为出血。为了补偿这些假阳性预测，我们选择为阳性SAH检测定义最小分段SAH体积。我们仅验证和测试了SAH和缺血性卒中患者的区分。因此，这种检测还不适合临床使用。例如，静脉血栓形成可能被误分类为SAH，因为这两种情况具有相似的图像特征。另一方面，这些概率图可以帮助人类专家执行更快的NCCT评估，因为它们突出了NCCT扫描中更有可能是SAH的区域这是用于生成再出血患者出血分割的方法快速准确的SAH分割可以导致更精确的预处理。患者的结局。Zijlstra et al.[31]已经表明SAH体积与DCI相关。此外，准确和快速地消除SAH作为中风类型可能对患者结局产生重大影响，因为这可以导致缺血性中风治疗的快速开始和更安全的凝块溶解剂施用。然而，仍然需要额外的研究来证明所提出的CNN在临床实践中的价值。总之，我们证明了所提出的CNN可以用于快速检测和体积SAH分割，其准确度与放射科专家相似。尽管在产生准确的地面实况方面存在困难，尽管出血和背景体积的数量之间存在很大差异，但还是实现了这一点。资金这项工作的一部分得到了ITEA3的支持，资助号为10004：医疗分布式利用服务应用程序（MEDUSA）。&竞合利益Renan Sales Barros是Nico.lab的联合创始人和股东;WesselE.范德斯廷没有利益冲突，安娜M。M. Boers是Nico.lab的联合创始人和股东，IJsbrand Zijlstra没有利益冲突，Rene van den Berg没有利益冲突，Wassim El Youssoufi没有利益冲突，Alexandre Urwald没有利益冲突，Dagmar Verbaan没有利益冲突，PeterMarquering是Nico.lab的联合创始人和股东。R.S. Barros等人医学信息学解锁19（2020）1003218附录A. 补充数据本文的补充数据可在https：//doi网站上找到。org/10.1016/j.imu.2020.100321。引用[1] Vergouwen MDI，Jong-Tjien-Fa AV，Algra A，Rinkel GJE.蛛网膜下腔出血后死亡原因的时间趋势：一项基于医院的研究神经科。AAN Enterprises2016;86（1）：59-63.[2] 范·吉因J，克尔RS，林克尔GJE.蛛网膜下腔出血柳叶刀2007;369（9558）：306-18。http://www.ncbi.nlm.nih.gov/pubmed/17258671网站。[3] van Donkelaar CE，Bakker NA，Veeger NJGM，et al.蛛网膜下腔出血后再出血的预测因素：蛛网膜下腔出血后再出血蛛网膜下腔出血研究。中风2015;46（8）：2100-6。[4] 范德斯廷WE，Leemans EL，范登伯格R，等。放射学量表预测蛛网膜下腔出血的迟发性脑缺血：系统回顾和荟萃分析神经放射学神经放射学2019;61（3）：247-56。[5] Fisher CM，Kistler JP，Davis JM.计算机断层扫描显示脑血管痉挛与蛛网膜下腔出血的关系。神经外科LWW1980;6（1）：1[6] Frontera JA，ClaassenJ，Schmidt JM，et al.蛛网膜下腔出血后症状性血管痉挛的预测：改良Fisher量表。神经外科LWW2006;59（1）：21-7.[7] [10]杨晓梅，李晓梅，李晓梅. 蛛网膜下腔出血后计算机断层扫描上的出血量分级。中风1990;21（8）：1156-61. http://stroke.ahajournals.org/cgi/doi/10.1161/01.STR.21.8.1156网站。[2014年5月15日查阅]。[8] Kramer AH，Hehir M，Nathan B，等。三种放射学评分用于蛛网膜下腔出血后迟发性缺血和预后预测的出血神经外科杂志Springer2008;109：199-207.[9] der Jagt M，Hasan D，Bijvoet HWC，Pieterman H，KoudstaalPJ，Avezaat CJJ.蛛网膜下腔出血后脑池血液的观察者间变异性出血神经科。AAN Enterprises2000;54（11）：2156-8.[10] Boers AM，Zijlstra IA，Gathier CS，等.蛛网膜下腔自动定量CT平扫显示出血美国神经放射学杂志2014;35（12）：2279-86。http://www.ajnr.org/lookup/doi/10.3174/ajnr.A4042。[11] Zijlstra IA，Gathier CS，Boers AMM，等.自动量化关联蛛网膜下腔出血伴迟发性脑缺血美国神经放射学杂志2016：1-6。已发表，http://www.ajnr.org/cgi/doi/10.3174/ajnr.A4771。[12] Ramos LA，van der Steen WE，Sales Barros R，et al. Machine learning improvesprediction of delayed cerebral ischemia in patients with subarachnoidhemorrhage.JNeurointerventional Surg 2018. neurintsurg-2018-014258，http://jnis.bmj.com/lookup/doi/10.1136/neurintsurg-2018-014258。[13] 李英，吴建，李宏，等。从临床{CT}图像自动检测蛛网膜下腔出血的存在。J Med Syst 2012;36（3）：1259-70.[14] BerkhemerOA，Fransen PS，Beumer D，等. 急性缺血性卒中动脉内治疗的随机试验。新英格兰医学杂志2015;372（1）：11-20。[15] Berge JK，Bergman RA.人类头骨孔大小和对称性的变化。临床解 剖 学2001;14（6）：406-13。[16] Ronneberger O，Fischer P，BroXT. U-net：用于生物医学的图像分割Int Conf Med image Comput Comput Interv2015：234-41.[17] Bhadauria NS，Bist MS，Patel RB，Bhadauria HS.基于脑CT图像的出血检测分割方法的性能评价。时间：2015年2015年第二届国际计算机大会。p.1955-9.[18] GautamA，Raman B.脑出血的自动分割脑CT图像。新加坡：Springer; 2019.p. 753-64.[19] 张毅，陈明，胡强，黄伟.脑内和脑室内出血的CT图像检测和定量自适应阈值和基于案例的推理。 国际计算机辅助放射外科杂志2013;8（6）：917-27。[20] SharmaB，Venugopalan K. 脑CT扫描图像的自动分割识别脑血管瘤。IntJComput Appl 2012;40（10）：975-8887.[21] Prakash KNB，Zhou S，Morgan TC，Hanley DF，Nowinski WL.用改进的距离正则化水平集进化技术分割和量化CT扫描中的脑室/脑出血。国际计算机辅助放射外科杂志。Springer2012;7（5）：785[22] 放大图片创作者：Cheng P，Khanna V，Kamal M. 基于模糊c均值的出血分割CT成像上的改良水平集。2018年第五届国际信号处理集成网络大会。IEEE; 2018.p. 550- 5[23] 孙明，胡荣，于红，赵波，任红。颅内出血的三维容积成像检测脑CT图像的分割。In：2015 int conf wirel commun signal process;2015. p. 1比5。[24] Scherer M，CordesJ，Younsi A等，脑出血定量自动分割算法的开发和验证。中风 是心脏病学2016;47（11）：2776[25] 廖春春，肖锋，黄俊明，江怡君。一种多分辨率二值水平集方法及其在颅内血肿分割中的应用。计算医学图像图表2009;33（6）：423-30。爱思唯尔[26] Shahangian B，Pourghassem H.层次分类结构下基于加权灰度直方图特征的脑出血自动分割分类算法。Biocybern Biomed Eng. Elsevier2016;36（1）：217[27] Roy S，Wilkes S，Diaz-Arrastia R，Butman JA，Pham DL.外伤性脑损伤患者的临床头部CT脑实质内出血分割。In：Ourselin S，Styner MA，editors.国际光学与光子学学会; 2015年。94130 I[28] Shahangian B，Pourghassem H. CT扫描图像中脑出血的自动分割和分类。In：Mach vis image process（MVIP），2013 8thIran conf; 2013.第467- 471页。[29] 吴伟杰，王晓刚，王晓刚.基于密度群体的脑CT图像无监督出血分割。EX pert系统应用程序Pergamon2018;97：325[30] [10] J.M，J. M，J. M，J. M.他人混合一种创伤性脑CT出血分割方法。 MI 2014：99-104。[31] Zijlstra IA，van der Steen WE，Verbaan D等。破裂的大脑中动脉瘤伴脑实质内血肿：血肿体积的作用。神经放射学神经放射学2018;60（3）：335-42。