基于AI的智能急性颅内出血类型检测

颅内出血（颅骨内出血）是医疗领域严重的健康问题，需要快速且经常进行密集的医学治疗。在美国，颅内出血约占中风的10％，其中中风是导致死亡的第五大原因。在医学界，识别任何出血的位置和类型是治疗患者的关键步骤。现在的情况下需要医生或者是训练有素的专家对于病人的颅骨的医学影像进行查看并找出出血的位置从而判断出具体的出血亚型。通常这个过程很复杂、很耗时间而且会浪费很多的人力物力。所以急需一种图像处理的方法来根据医学影像来检测是否有颅内出血的现象以及具体的颅内出血的类型（亚型）。
2019年底，由北美放射学会（RSNA）与美国神经放射学会和MD.ai成员共同组织了基于AI的智能急性颅内出血类型检测的活动，旨在全球范围内寻找最优的自动识别颅内出血类型的算法。其中RSNA是放射医学领域的工人的领头羊，其中有来自全球146个国家的54,000多名成员，其中不乏医学物理学家和其他医学专业人士。这个项目所用的数据集以及标注的工作是由斯坦福大学、托马斯·杰斐逊大学、多伦多团结健康大学和圣保罗联邦大学（UNIFESP）以及美国神经放射学会（ASNR）的60多名志愿者组成的团队完成的。其中的ASNR是神经放射学未来的全球领先组织，代表5300多位放射科医生，研究人员，干预人员和影像学家。基于以上的技术支持以及技术指导，也使得这个项目的意义重大，如果可以准确的确定是否出血进而判断出血的类型，这对于治疗患者、争取宝贵的救援时间等等方面都非常有帮助。
常见的颅内出血按照位置可以分为硬膜外出血（epidural）、硬膜下出血（subdural）、蛛 膜下腔出血（subarachnoid）、实质内出血（intraparenchymal）以及脑室内出血（intraventricular）。其中实质内出血是指完全位于大脑内部的血液。脑室内或蛛 膜下腔出血是指渗入通常含有脑脊液（脑室或蛛 膜下腔池）的大脑空间的血液。轴外出血是指血液聚集在大脑周围的组织覆盖物中（例如，硬膜下或硬膜外亚型）患者可能会出现多种类型的脑出血。下面是总结的5中颅内出血类型以及其基本特征。

接下来是对于具体识别 络的尝试：在这里，我们将这个颅内出血亚型识别问题视为图像的分类问题，而图像的分类问题中的基本思路就是，使用深度学习 络作为特征工程进行特征提取，并在使用分类器对于这些特征分类，从而分类出不同的图像。基本流程如下：

读入原始的Dicom文件后使用三个“窗函数”进行处理（Brain windows、Bone windows、Subdural windows）；接着使用图像处理的方法对于CT图像的机器伪影进行消除（CT图像的机器伪影是机器本身的问题造成的，伪影一般会对于图像的分辨有比较大的影响）；接着使用水平翻转、垂直翻转、提升亮度、resize等等操作进行数据的扩充，并将数据分为5折，但仅对其中3进行训练；进行完以上的操作后，使用resnext101_32×8d的深度神经 络进行特征的提取（一个图像提取出2048维特征，仅仅输出GAP层），不过没有在最后使用全连接层进行分类，而是将所有的特征矩阵进行了序列的处理，通过读取Dicom文件中病人ID信息，可以将同一个病人的CT切片视为一个序列，并放入Bi-BLSTM结构中进行双向的训练，将最后提取得到的特征再使用全连接层进行分类，最终得到的是整个10个切片的所有预测信息。由于同一序列中的颅内出血类型必定相同，所以我们可以从这输出的10组预测值中，选择出现概率最大的作为我们的预测结果。从上图的结果可以看出，这样做的话，最终的10个预测结果中，有5组的预测值为[0,0,0,0,0,0]，有三组的预测值为[0,0,0,0,1,1]，有两组的预测值为[0,0,1,0,1,1]。所以先考虑any的情况下，有5组是认为有出血情况的，有5组是认为没有出血情况的。所以认为是有颅内出血的情况。在有颅内出血的5类中，其中判断为[0,0,0,0,1,1]结果的概率最大，所以这里最终这一个序列的10组预测值均为[0,0,0,0,1,1]。这就是这个整个算法的流程。不过这个整个流程如果完整训练的话需要在4个NVIDIA Tesla V100下连续训练10天。算力以及时间的花销还是比较大的。

参考文献
[1] Chang P D, Kuoy E, Grinband J, et al. Hybrid 3D/2D convolutional neural network for hemorrhage evaluation on head CT[J]. American Journal of Neuroradiology, 2018, 39(9): 1609-1616.
[2] Arbabshirani M R, Fornwalt B K, Mongelluzzo G J, et al. Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration[J]. NPJ digital medicine, 2018, 1(1): 1-7.
[3] Lee H, Kim M, Do S. Practical window setting optimization for medical image deep learning[J]. arXiv preprint arXiv:1812.00572, 2018.
[4] Ren S, He K, Girshick R, et al. Faster r-cnn: Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems. 2015: 91-99.
[5] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 770-778.

文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树OpenCV中的深度学习图像分类11325 人正在系统学习中