摘要
脑出血（ICH）是一种需要快速准确诊断的医疗紧急情况。CT扫描中出血性病灶的分割是获取定量影像数据的关键第一步，这些数据在临床环境中正变得日益重要。然而，传统手动分割耗时且存在评分者间变异性，迫切需要自动化解决方案。本研究提出结合先进深度学习模型的新方法，用于分割形态多变的ICH病灶。我们提出两步法：首先由用户定义病灶周围的松散边界框，随后通过微调的YOLOv8-S目标检测模型生成精确的逐层边界框，再使用这些框提示MedSAM医学分割模型进行精准分割。我们的流程在最小监督下实现高分割精度，显示出作为任务专用模型实用替代方案的潜力。在252例CT扫描数据集上的评估显示了优异的分割精度和鲁棒性，最终分割工具已整合到用户友好的网络应用原型中。
引言
脑出血是脑实质内出血形成的血肿，是最致命的卒中形式，幸存者常面临严重长期残疾。自发性脑出血主要与高血压和脑淀粉样血管病相关。非对比CT（NCCT）因广泛可用性和快速成像优势仍是首选影像检查。基于放射组学和固有影像特征的血肿分析，已被证明能改善患者预后预测和血肿扩张风险评估。然而，血肿分割是这些特征评估的必要前提，手动分割存在耗时（每例数分钟）、操作者变异（受经验影响）等问题，尤其在急诊环境下可能导致延误和错误。此外，缺乏经验专家的情况（尤其非工作时段）已与多起漏诊和误诊案例相关。
方法创新
本研究采用三步流程结合用户输入与深度学习模型：1）用户定义松散边界框；2）YOLOv8-S模型生成精确逐层边界框；3）MedSAM模型进行病灶分割。预处理时将CT值限制在40-80 Hounsfield单位窗口以增强对比度。训练集包含252例CT扫描（80%训练+20%测试），YOLOv8-S微调100轮（批次8，学习率0.01），MedSAM仅微调解码器（100轮，批次64，学习率0.0001）。开发的网络应用包含CT查看器、AI分割、放射组学特征三大模块，支持NIfTI格式上传、对比度调整、区域选择及结果导出。
性能评估
系统在单个NVIDIA RTX 4090 GPU上训练完成：YOLO模型微调耗时8小时34分钟，MedSAM解码器微调7小时30分钟。单例分割仅需7.81±3.26秒，满足临床快速处理需求。在53例测试集中，YOLOv8-S实现94%精度、87%召回率，mAP50达93%；MedSAM分割3D Dice得分为0.90[95%CI 0.89-0.91]。对小体积（<20mL）、中等（20-40mL）和大体积（>40mL）血肿的Dice系数分别为0.88±0.05、0.89±0.04、0.92±0.03（Kruskal-Wallis检验p=0.06），显示对小病灶同样保持高精度。
临床应用
开发的网络应用原型通过Streamlit构建，已通过4位神经科医生的可用性测试（SUS平均得分86.9）。界面设计包含：1）CT查看器（支持.axial/sagittal/coronal视图切换）；2）AI分割（叠加彩色掩膜）；3）放射组学特征（柱状图展示并支持CSV导出）；4）教程视频（GitHub开源地址：
限制与展望
当前研究存在单机构数据局限性，计划通过多中心验证提升泛化能力。虽然商业自动化工具（如RapidAI、Brainomix）已提供端到端解决方案，但我们的开源框架在定制化需求（如新病种分割）和标注成本控制方面优势明显。未来将开展多中心验证和更全面的可用性研究，优化网络应用界面以更好融入临床工作流。本研究作为任务专用模型的补充方案，证明了基础模型在有限监督下实现高精度分割的可行性，为医疗AI工具的临床转化提供了新思路。
【全文结束】
