颅内出血（Intracranial Hemorrhage,ICH）是指颅骨内部的出血,是一种病情重、病残率和病死率高的脑部重症疾病,需要快速且准确的诊断,确定颅内出血的位置和出血亚型,提高患者的生存率。颅脑计算机断层扫描（CT）成像精度高且使用广泛,是初步诊断颅内出血的首选方案。经验丰富的放射科医生会通过调阅患者的颅脑CT影像,诊断颅内出血及出血亚型等病症,但放射科医生诊断颅内出血非常耗时,而且医生的资质对诊断准确性影响较大。本文针对颅内出血人工诊断漏检率和误检率高的问题,开展了基于深度学习的颅内出血侦测与定位研究,主要的研究工作如下:1.基于调窗优化的CNN检测模型构建。根据DICOM格式颅脑CT影像在不同HU范围显示不同类型组织和病变的特性,通过结合临床阶段放射科医生诊断颅内出血病症的调窗方法,分析对比不同窗下的颅脑CT影像,增设调窗优化模块作为CNN检测模型的输入。实验表明,增设调窗优化模块的CNN检测模型在颅内出血检测任务上有更好的表现,同时避免了因格式转换而出现的图像信息丢失问题,且调窗优化模块的参数可用于找到颅内出血图像的最佳窗口显示,增强颅内出血病症在CT影像上的显著性。2.基于改进RetinaNet的颅内出血侦测。针对人工诊断漏检率和误检率高,传统目标检测算法因出血病灶区域结构复杂,不同亚型出血病灶形态差异较大,而导致的病灶定位精度低问题,以RetinaNet为颅内出血侦测任务的基础模型,从基础特征提取网络结构、特征金字塔、损失函数、训练技巧方面对原始RetinaNet模型进行改进。实验表明,改进RetinaNet模型有效降低了病灶检测的漏检率,提升了病灶的定位精度。3.结合多尺度特征融合和卷积注意力机制模块CBAM的弱监督出血病灶定位。针对现实场景中颅内出血病灶高标准标注数据缺乏,常规强监督目标检测算法会因数据集过小而出现过拟合问题,借鉴类激活映射CAM思想,结合多尺度特征融合和CBAM,构建了以分类网络为基础的弱监督学习模型,通过出血亚型类别标签定位出血病灶。实验表明,结合多尺度特征融合和CBAM的弱监督学习模型在增加heatmap完整性的同时保证了模型的分类性能。