Intracerebral hemorrhage (ICH) is the most serious type of stroke, which results in a high disability or mortality rate. Therefore, accurate and rapid ICH region segmentation is of great significance for clinical diagnosis and treatment of ICH. In this paper, we focus on deep neural networks to automatically segment ICH regions. Firstly, we propose an encoder-decoder convolutional neural network (ED-Net) architecture to comprehensively utilizing both the low-level and high-level semantic information. Specifically, the encoder is used to extract multi-scale semantic feature information, while the decoder integrates them to form a unified ICH feature representation. Secondly, we introduce a synthetic loss function by paying more attention to the small ICH regions to overcome the data imbalanced problem. Thirdly, to improve the clinical adaptability of the proposed model, we collect 480 patient cases with ICH from four hospitals to construct a multi-center dataset, in which each case contains the first and review CT scans. In particular, CT scans of different patients are diverse, which greatly increases the difficulty of segmentation. Finally, we evaluate ED-Net on the multi-center ICH clinical dataset from different model parameters and different loss functions. We also compare the results of ED-Net with nine state-of-the-art methods in the literature. Both quantitative and visual results have shown that ED-Net outperforms other methods by providing more accurate and stable performance.

脑出血（ICH）是最严重的中风类型，导致高残疾或高死亡率。因此，准确快速的ICH区域分割对ICH的临床诊断和治疗具有重要意义。在本文中，我们专注于深度神经网络以自动分割ICH区域。首先，我们提出了一种编码器-解码器卷积神经网络（ED-Net）体系结构，以全面利用低层和高层语义信息。具体地，编码器用于提取多尺度语义特征信息，而解码器将它们集成以形成统一的ICH特征表示。其次，我们通过关注较小的ICH区域来引入综合损失函数，以克服数据不平衡的问题。第三，为了提高建议模型的临床适应性，我们从四家医院收集了480例ICH患者，以构建多中心数据集，其中每个病例都包含第一次CT扫描并进行CT扫描。特别是，不同患者的CT扫描是多种多样的，这大大增加了分割的难度。最后，我们根据不同的模型参数和不同的损失函数在多中心ICH临床数据集上评估ED-Net。我们还将ED-Net的结果与文献中的九种最新方法进行了比较。定量和视觉结果均表明ED-Net通过提供更准确和稳定的性能胜过其他方法。其中每种情况都包含第一次和复查CT扫描。特别是，不同患者的CT扫描是多种多样的，这大大增加了分割的难度。最后，我们根据不同的模型参数和不同的损失函数在多中心ICH临床数据集上评估ED-Net。我们还将ED-Net的结果与文献中的九种最新方法进行了比较。定量和视觉结果均表明ED-Net通过提供更准确和稳定的性能胜过其他方法。其中每种情况都包含第一次和复查CT扫描。特别是，不同患者的CT扫描是多种多样的，这大大增加了分割的难度。最后，我们根据不同的模型参数和不同的损失函数在多中心ICH临床数据集上评估ED-Net。我们还将ED-Net的结果与文献中的九种最新方法进行了比较。定量和视觉结果均表明ED-Net通过提供更准确和稳定的性能胜过其他方法。我们还将ED-Net的结果与文献中的九种最新方法进行了比较。定量和视觉结果均表明ED-Net通过提供更准确和稳定的性能胜过其他方法。我们还将ED-Net的结果与文献中的九种最新方法进行了比较。定量和视觉结果均表明ED-Net通过提供更准确和稳定的性能胜过其他方法。