结合 CNN 与 CPPN 的 3D 超声数据中新生儿脑室自动分割与位置学习

早产儿极有可能罹患脑室扩大（ventriculomegaly），即脑室系统（CVS）扩张。该病症可发展为危及生命的脑积水，并与日后神经发育障碍相关，因此必须由医师检测与监测。在临床常规中，对 2D 超声（US）图像进行手动 2D 测量以估算 CVS 体积，但因缺乏 3D 信息此法不精确。解决该问题的一种途径是开发面向 3D US 数据的自动 CVS 分割算法。本文探究 2D 与 3D 卷积神经网络（CNN）解决此复杂任务的潜力，并提议使用组合模式生成网络（CPPN）使 CNN 能够学习 CVS 位置。我们的数据库由 21 名胎龄 $35.8 \pm 1.6$ 周的早产儿采集的 25 个 3D US 体积组成。我们发现 CPPN 能够编码 CVS 位置，在 CNN 层数较少时提升其精度。在脑室扩张情形下，2D 与 3D CNN 的精度达到观察者内变异（IOV），Dice 分别为 $0.893 \pm 0.008$ 与 $0.886 \pm 0.004$（IOV = $0.898 \pm 0.008$），体积误差分别为 $0.45 \pm 0.42$ cm$^3$ 与 $0.36 \pm 0.24$ cm$^3$（IOV = $0.41 \pm 0.05$ cm$^3$）。在正常脑室情形下，3D CNN 优于 2D CNN，Dice 为 $0.797 \pm 0.041$ 对 $0.776 \pm 0.038$（IOV = $0.816 \pm 0.009$），体积误差为 $0.35 \pm 0.29$ cm$^3$ 对 $0.35 \pm 0.24$ cm$^3$（IOV = $0.2 \pm 0.11$ cm$^3$）。尺寸为 $320 \times 320 \times 320$ 的体积的最佳分割时间由 2D CNN 取得，为 $3.5 \pm 0.2$ s。