《Machine Learning and Knowledge Extraction》：Automated Brain Segmentation in 3D Cranial Ultrasound Using Deep Learning: Toward Scalable Bedside Monitoring of Neonatal Neurodevelopment
编辑推荐：
早产儿发生神经发育障碍（NDDs）的风险很高，然而目前使用二维颅脑超声（cUS）的脑部评估仍然主观且有限。三维颅脑超声提供了更丰富的解剖细节，但由于其复杂性和缺乏自动化工具而未得到充分利用。研究人员开发并评估了用于早产新生儿三维颅脑超声总脑（TB）分割的深度学
早产儿发生神经发育障碍（NDDs）的风险很高，然而目前使用二维颅脑超声（cUS）的脑部评估仍然主观且有限。三维颅脑超声提供了更丰富的解剖细节，但由于其复杂性和缺乏自动化工具而未得到充分利用。研究人员开发并评估了用于早产新生儿三维颅脑超声总脑（TB）分割的深度学习（DL）方法，强调了准确性、可重复性和临床可部署性。研究人员比较了2D UNet模型、上下文UNet和自配置2D/3D nnUNet变体，评估了准确性、效率以及GPU/CPU可行性。通过纵向总脑体积（TBV）轨迹及其与2年神经发育结果的关联，检验了临床相关性。nnUNet集成模型取得了最佳性能（Dice：0.97，体积差异误差：2.32%），而上下文UNet在低资源硬件上提供了良好的准确性-效率权衡。纵向分析显示，不良结局婴儿的TBV增长显著较慢（p = 0.007），支持自动体积测量的预后价值。研究人员开发了一个面向临床医生的Web应用程序以说明临床整合。这项工作证明了基于DL的三维颅脑超声TB分割的可行性，并提供了一个可扩展的可重复框架，支持早期脑发育的定量评估，为未来在新生儿重症监护病房（NICU）整合中实现轻量级、隐私感知的人工智能解决方案奠定了基础。
**论文解读：基于深度学习的早产新生儿三维颅脑超声自动脑分割——迈向可扩展的床边神经发育监测**
**研究背景与现存问题**
早产儿是神经发育障碍（NDDs）的高危群体，早期脑部评估对及时干预和改善长期预后至关重要。然而，目前新生儿重症监护病房（NICU）中常规的床边评估主要依赖二维颅脑超声（cUS）的视觉检查和手动测量，这种方法主观性强、操作者依赖性高，且视野受限。磁共振成像（MRI）虽能提供优越的软组织对比度，但由于后勤和安全限制，难以用于反复监测。三维颅脑超声（3D cUS）能提供更丰富的解剖细节，但因其数据解读复杂、缺乏自动化工具，临床利用率低。现有针对cUS的自动化分割方法主要集中在脑室等特定结构或胎儿影像，尚无研究关注早产新生儿3D cUS的总脑（TB）分割。此外，总脑体积（TBV）是反映脑生长的关键生物标志物，与2年神经发育结局密切相关，但临床上仅通过头围（HC）间接估算，缺乏可扩展的定量方法。因此，亟需开发一种自动化、可重复、临床可行的TB分割框架，以实现从3D cUS直接提取TBV，支持标准化床边监测。
**研究目的与意义**
本研究旨在建立首个基于深度学习（DL）的完全自动化框架，用于早产新生儿3D cUS图像的总脑分割，并评估其在真实NICU环境中的部署可行性。论文发表在《Machine Learning and Knowledge Extraction》。研究不仅追求分割精度，更强调计算效率、可重复性和临床可部署性，为未来轻量级、隐私感知的人工智能（AI）解决方案整合到NICU工作流程奠定基础。
**主要关键技术方法**
研究人员使用来自西班牙Puerta del Mar大学医院的纵向队列，共63例早产儿（出生≤32周胎龄和/或体重≤1500g）的397个3D cUS体积进行模型开发，另扩展至109例婴儿（659个体积）进行纵向分析。主要方法包括：① 开发并比较三类模型：手工设计的2D UNet（分别训练轴向、冠状、矢状面）、上下文UNet（输入3个连续轴向切片作为多通道）、自配置nnUNet框架（自动选择2D、3D及集成配置）；② 采用5折交叉验证，在患者层面划分数据以避免数据泄露；③ 评估指标包括Dice相似系数（DSC）、体积差异误差（VDE）、体积相似性指数（VSI）、平均表面距离（ASD）及计算效率；④ 通过线性混合效应模型（LMM）分析纵向TBV增长轨迹与2年贝利量表（BSID-III）结局的关联。
**研究结果**
**4.1 分割性能与可解释性**
通过比较平面特异性2D UNet，轴向模型表现最佳（DSC=0.92±0.04），优于冠状和矢状面模型，表明切片方向对2D模型训练至关重要。上下文UNet引入空间上下文后进一步改善（DSC=0.93±0.03）。nnUNet集成模型（2D+3D）取得最优性能（DSC=0.97±0.02，VDE=2.32%），其3D变体产生更平滑的表面。可解释性分析显示，所有模型的注意力图主要集中于脑实质，但nnUNet产生更紧凑、解剖学聚焦的响应，且折叠间不确定性较低，与定量结果一致。
**4.2 计算效率与临床部署**
手工2D UNet和上下文UNet在GPU上实现实时分割（单体积0.785s和0.708s，含后处理约2.9s）；nnUNet 2D和3D分别需3.76s和5.70s，属于近实时范畴。在CPU代表性硬件（Intel i7-8565U）上，上下文UNet仅需8.90s，而nnUNet 2D和3D分别需约121s和244s。因此，上下文UNet在精度-效率权衡上最优，适合低资源NICU环境；nnUNet集成模型需GPU支持。研究还开发了基于Web的临床界面原型，展示模型集成。
**4.3 与现有新生儿cUS分割方法的对比**
尽管已有DL方法（主要针对脑室或脑沟）报告DSC为0.72–0.91，但本研究的目标结构和任务不同，无法直接比较。本研究提出的模型在GPU上实现亚秒至数秒推理，在CPU上仍然可用，具备临床实时或近实时部署潜力。上下文UNet尤其适合集成到床边超声系统。
**4.4 临床相关性：脑体积增长与神经发育结局**
基于109例婴儿（659个体积）的纵向分析，使用3D nnUNet自动计算TBV，并通过LMM建模。结果显示，结局不良组（任何BSID-III领域评分<85）的TBV增长率为15.40 cm3/周，显著低于结局良好组的16.94 cm3/周（PMA×结局交互项p=0.007）。领域特异性分析显示语言（p<0.0001）、运动（p=0.003）和认知（p=0.001）领域均存在显著差异。该结果支持自动体积测量的预后价值。
**4.5 局限性与未来工作**
样本量有限，尤其不良结局组较小；当前仅分析总脑体积，区域脑结构（如丘脑、小脑）可能提供更精确的预测，但缺乏标注；需进一步验证标注间变异性和外部多中心数据集；未探索模型压缩优化；未来将研究基础模型、自监督学习、多模态融合及解释性框架的定量验证；Web应用尚未在临床环境中正式验证。
**结论**
本研究解决了早产新生儿3D cUS自动化脑分析这一未充分探索的挑战，通过可扩展、可重复且临床可行的方法使3D cUS更易用。通过比较多种UNet架构，证明nnUNet集成模型精度最高（DSC=0.97），而上下文UNet在标准CPU硬件上实现实时推理，最具临床可部署性。纵向分析证实自动TBV增长轨迹与2年神经发育结局显著相关，支持其预后价值。本研究为将DL-based TB分割整合到常规NICU成像流程、实现早产儿脑发育早期定量评估提供了实践基础。
