基于深度学习MUNet架构的CT影像颅内出血多亚型分割与分类框架研究

为解决颅内出血(ICH)在CT影像中人工诊断效率低、误差率高的问题，研究人员开发了基于MUNet的IHSNet框架，通过特征金字塔网络和SMOTE样本平衡技术，实现了98.71%的分类准确率和0.94平均Dice系数的多亚型分割。该研究为计算机辅助诊断(CAD)提供了高精度自动化解决方案。

　　

颅内出血(ICH)是一种致死率极高的危重症，全球每年导致超300万死亡病例。尽管CT影像是临床诊断金标准，但人工判读存在耗时长(平均每例需30分钟)、误诊率高达10%等问题。更棘手的是，ICH包含5种解剖位置迥异的亚型——硬膜外出血(EDH)、硬膜下出血(SDH)、蛛网膜下腔出血(SAH)、脑室内出血(IVH)和脑实质出血(IPH)，其病灶形态、边界清晰度差异显著，传统算法难以兼顾多亚型识别。

针对这一临床痛点，印度韦洛尔理工学院的研究团队在《Scientific Reports》发表了一项突破性研究。他们创新性地提出IHSNet框架，将改进的多分类U-Net(MUNet)与特征金字塔网络(FPN)结合，首次实现了ICH多亚型的同步分割与分类。研究采用PhysioNet公开数据集，包含82例患者的318张标注CT切片，通过对比度受限自适应直方图均衡化(CLAHE)预处理和合成少数类过采样技术(SMOTE)解决数据不平衡问题。

关键技术包括：(1)构建5级编码器-解码器架构的MUNet，采用卷积-批归一化-泄漏ReLU(CBL)模块增强特征提取；(2)引入FPN融合多尺度特征，提升小病灶检测能力；(3)应用Dice损失函数优化分割边界；(4)全连接(FC)层实现端到端分类。

研究结果显示：

1. 分割性能：在测试集上达到0.79平均Dice系数和0.68交并比(IoU)，其中SAH分割最优(Dice=0.92)，SDH因颅骨伪影干扰稍弱(Dice=0.64)。
2. 分类准确率：整体达98.71%，EDH/IPH/IVH亚型均获100%准确率，SDH因形态不规则降至81%。
3. 消融实验：证实FPN和SMOTE的协同作用，单独使用SMOTE时Dice系数平均下降0.15。

讨论指出，该模型三大创新点：(1)通过CBL模块保留边缘特征，解决SDH/EDH易与颅骨混淆的难题；(2)FPN结构捕获IVH与IPH的脑室交界特征；(3)双任务学习降低47%计算开销。相比现有技术(如U-Net++和ResUNet)，IHSNet将分割精度提升18%，且推理速度达每秒5.2帧，满足临床实时需求。

这项研究标志着医学AI向多病种联合诊断迈出关键一步，未来可扩展至肿瘤、缺血性卒中等病灶分析。作者建议下一步整合注意力机制，并开发3D版本以处理连续切片的空间关联性。