摘要
背景与目的：当高血压脑出血引起继发性脑室出血时，通常会显著增加患者病情的复杂性和预后不良的风险。深度学习方法可以自动快速地分割脑实质内出血和脑室出血，并定量分析血肿相关属性，为后续诊断和治疗提供辅助信息。方法：我们回顾性纳入了 351 例高血压脑出血患者，其中 219 例患有继发性脑室出血。所有患者均在诊断后 1 周内接受了计算机断层扫描。基于 3D U-Net，我们开发了一种包含多尺度可变形卷积模块和柔化解剖一致性损失的深度学习网络。多尺度可变形卷积模块可以增强多变形特征的学习能力，并增加网络的感受野。基于软化标签构建的解剖一致性损失可以缓解标签噪声的影响。结果：我们在像素、体积和形态水平上评估了我们的模型。其对脑实质内出血的 Dice 系数达到 0.8990 ± 0.1169，对脑室出血达到 0.7124 ± 0.1227，均高于对比模型。与 Coniglobus 方法相比，我们的模型具有一致性界限更窄且预测值更集中的特点。此外，在分割不规则和不同大小的血肿时，它产生的质心、体积、位置和形态偏差最小。结论：提出的模型能够自动准确地分割两种血肿并量化多种属性，在多变形和标签噪声场景下具有鲁棒性，并具有辅助临床诊断和治疗的潜力；其对临床决策和患者预后的实际影响需要前瞻性验证。
