低劑量CT圖像重建算法對腦出血檢測性能的影響

計算機斷層掃描（CT）是檢測腦出血（ICH）的首選方式。臨床中，據流行病學統計，有近一半的腦出血患者在24 h內發生死亡，所以需要迅速、及時的評估和處理。在實際中，隨著腦部CT掃描的廣泛應用，醫生需要花費大量時間來診斷CT圖像，診斷效率有待進一步提高。此外，腦出血種類較多，出血區域也很容易與鈣化或偽影混淆，對于經驗豐富的放射科醫生，腦出血及其亞型的準確診斷極具有挑戰性。因此，快速精準檢測腦出血具有重要臨床意義，其可縮短腦出血診斷時間，提高診斷精度，進而快速采取干預治療措施，最終改善臨床結果。

近年來，基于大數據和深度學習的腦出血檢測技術被廣泛提出，且表現出優異的潛力，其通過設計深度學習網絡和算法挖掘腦部CT影像大數據中數據表征，以實現ICH準確檢測。例如，Lee等提出了一種基于人工神經網絡的ICH檢測算法，用于檢測ICH及其亞型。實驗結果表明，該算法獲得了敏感性值為0.78，特異性值為0.80。Wang等提出了基于卷積神經網絡和循環神經網絡的ICH檢測算法，能較好的模擬放射科醫生的診斷過程，以實現對急性腦出血的檢測和亞型的分類。該模型在2019-RSNA腦出血挑戰賽數據集上對腦出血分類的AUC達到0.988，對腦出血5種亞型分類的AUC分別為0.984、0.992、0.996、0.985和0.983，達到了放射科醫生的水平。Chilamkurthy等分別對腦出血、中線移位和顱骨骨折三個子任務訓練了單獨的深度學習模型，該模型在Qure25k數據集和CQ500數據集上對腦出血以及亞型分類的AUC都達到了90%，實現了較好的診斷性能?！?br>