摘 要：为辅助医师诊断患者是否患有颅内出血，迅速定位出血病灶的大体位置，提出以 EfficientNet 网络为基础的模型，使用群组归一化技术改进 EfficientNet，并与胶囊网络相结合构建 GECapsule 模型，用于在计算机断层扫描（CT）中进行颅内出血亚类型分类。仿真实验结果表明，GECapsule 模型的收敛速度比 EfficientNet 网络快，召回率和 F1 分数与 EfficientNet 相比分别提升了 2.18%、1.24%。该模型是一种准确、高效的颅内出血亚类型分类模型，有助于医师减少初诊的误诊率，辅助医生做出恰当适宜的临床决策。
关键词：颅内出血亚类型分类；EfficientNet 网络；胶囊网络；计算机断层扫描
DOI:10.19850/j.cnki.2096-4706.2021.18.024
基金项目：河南省高校重点应用研究计划 项目（NO19A520027）
中图分类号：TP18 文献标识码：A 文章编号：2096-4706（2021）18-0094-05
Research and Analysis of Intracranial Hemorrhage Subtypes Based on Convolutional Neural Network
LI Xiuqin, ZHANG Manli, LI Lin
(North China University of Water Resources and Electric Power, Zhengzhou 450046, China)
Abstract: In order to assist doctors in diagnosing patients with intracranial hemorrhage and quickly locate the general location of bleeding focus, this paper puts forward a model based on the EfficientNet network, improves EfficientNet by using Group Normalization technology, and constructs GECapsule model combined with capsule network, which is used to classify intracranial hemorrhage subtypes in computed tomography (CT). Simulation results show that the convergence speed of GECapsule model is faster than that of the EfficientNet network, and the recall rate and F1 score are increased by 2.18% and 1.24% respectively compared with EfficientNet. This model is an accurate and efficient classification model of intracranial hemorrhage subtypes, which is helpful for doctors to reduce the misdiagnosis rate of initial diagnosis and assist doctors in making appropriate clinical decisions.
Keywords: classification of intracranial hemorrhage subtypes; EfficientNet network; capsule network; computed tomography
参考文献：
[1] TAYLOR C A，BELL J M，BREIDING M J. et al. Traumatic Brain Injury-Related Emergency Department Visits， Hospitalizations， and Deaths - United States， 2007 and 2013 [J].MMWR.Surveillance summaries: Morbidity and mortality weekly report. Surveillance summaries/CDC，2017，66（9）：1-16.
[2] 常健博，王任直，冯铭 . 人工智能在颅内出血诊断与治疗中的应用 [J]. 中国现代神经疾病杂志，2019，19（9）：622-626.
[3] 李娟，汤翔宇，沈逸，等 . 基于卷积神经网络的深度学习算法对颅内出血的类型识别及血肿分割一致性的研究 [J]. 放射学实 践，2021，36（1）：7-12.
[4] 石立达 . 基于 CT 影像的颅内出血亚类型分类及分割算法的研究 [D]. 吉林：吉林大学，2021.
[5] 李代远 . 深度卷积信念网络在颅内 CT 图像分类中的应用[D]. 长沙：湖南师范大学，2017.
[6] 叶紫璇，肖满生，肖哲 . 基于 EfficientNet 模型的多特征融合肺癌病理图像分型 [J]. 湖南工业大学学报，2021，35（2）： 51-57.
[7] 邱存月 . 改进胶囊网络优化分层卷积的亚健康识别算法研究 [D]. 沈阳：辽宁大学，2020.
[8] 陈铭林.基于深度学习的颅内出血CT影像分析 [D].深圳：中国科学院大学（中国科学院深圳先进技术研究院），2020.
[9] 张鹏，徐曾春，胡平 . 融合密集连接与注意机制的颅内出血分割方法 [J]. 小型微型计算机系统，2021，42（7）：1458-1463.
[10] 张嘉颖 . 基于 EfficientNet 的皮肤癌识别与分类 [J]. 现代信息科技，2021，5（9）：13-15.
作者简介：李秀芹（1967—），女，汉族，河南漯河人，教授，博士，研究方向：计算机网络、数据库与信息处理；张慢丽（1994—）， 女，汉族，河南周口人，硕士研究生在读，研究方向：数据挖掘； 李琳（1995—），女，汉族，河南永城人，硕士研究生在读，研究 方向：数据挖掘。