Bewertung von Deep-Learning-Modellen zur Segmentierung von Hippokampus-Volumina in MRT-Aufnahmen bei Alzheimer-Erkrankung

Warum diese Forschung für Familien wichtig ist

Die Alzheimer-Erkrankung zersetzt langsam Erinnerung und Selbstständigkeit, oft lange bevor Symptome offensichtlich werden. Mediziner wissen, dass eine kleine Hirnstruktur, der Hippokampus, mit Fortschreiten der Krankheit schrumpft, doch die manuelle Messung dieses Schrumpfens in Bildaufnahmen ist zeitaufwendig und schwierig. In dieser Studie wird untersucht, ob moderne künstliche Intelligenz den Hippokampus in MRT-Bildern automatisch umreißen und zuverlässig abschätzen kann, wie viel an jeder Seite des Gehirns verloren gegangen ist — was Ärzten potenziell ein schnelleres, objektiveres Fenster in frühe Hirnveränderungen bieten könnte.

Eine kleine Hirnregion mit großer Rolle fürs Gedächtnis

Der Hippokampus, tief in den Temporallappen auf beiden Seiten des Gehirns gelegen, hilft uns, neue Erinnerungen zu bilden und uns zu orientieren. Frühere Untersuchungen zeigten, dass sein Volumen bei Menschen mit Alzheimer tendenziell abnimmt und dass dieser Verlust Jahre vor einer formalen Diagnose beginnen kann. Der linke Hippokampus ist stärker mit verbalen und autobiografischen Erinnerungen verknüpft, während die rechte Seite eine größere Rolle beim räumlichen Gedächtnis und der Navigation spielt. Die Verfolgung, wie die Größe jeder Seite sich im Laufe der Zeit ändert, könnte deshalb nicht nur zeigen, ob eine Erkrankung vorliegt, sondern auch, wie sie das alltägliche Denken und Funktionieren beeinflussen könnte.

Warum die Messung des Hippokampus so schwierig ist

Auf einer MRT-Aufnahme erscheint der Hippokampus als kleine, komplex geformte Struktur, nur ein winziger Teil jeder Schicht. Traditionell zeichnen Expertinnen und Experten seine Grenzen von Hand über 25 bis 30 Schichten nach und setzen diese Flächen zur Volumenberechnung zusammen. Dieser manuelle Ansatz gilt als Goldstandard, erfordert jedoch spezialisierte Schulung, ist zeitintensiv und schwer auf die Tausenden von Aufnahmen anwendbar, die in großen Studien oder geschäftigen Kliniken anfallen. Bestehende automatisierte Software kommt mit größeren, einfacheren Hirnregionen meist gut zurecht, hat aber oft Schwierigkeiten, die feinen Details des Hippokampus konsistent zu erfassen — insbesondere bei unterschiedlichen Scannern und Bildqualitäten.

Deep Learning im Praxistest

Um diese Herausforderung anzugehen, bewerteten die Forschenden drei Deep-Learning-Modelle, die dafür entwickelt wurden, Objekte in Bildern zu finden und zu umreißen. Sie verwendeten MRT-Scans von 300 Personen aus der Alzheimer’s Disease Neuroimaging Initiative: 100 mit Alzheimer-Erkrankung, 100 mit leichter kognitiver Beeinträchtigung (mögliche Frühphase) und 100 gesunden älteren Erwachsenen. Nachdem ein Neurologe den Hippokampus in tausenden Bildschichten sorgfältig markiert hatte, trainierte das Team die Modelle darauf, die visuellen Muster zu erlernen, die diese Struktur definieren. Die Leistung wurde mit mehreren standardisierten Genauigkeitsmaßen verglichen, wobei der Fokus darauf lag, wie gut sich die von den Modellen vorhergesagten Umrisse mit den Expertenmarkierungen überschneiden.

Das siegreiche Modell und was es enthüllte

Unter den drei Ansätzen zeichnete sich ein Modell namens U-Net klar als das leistungsstärkste beim präzisen Zeichnen der Hippokampus-Grenzen auf beiden Seiten des Gehirns ab. Es erzielte die höchste Übereinstimmung mit den Expertenmarkierungen in allen drei Gruppen und übertraf ein populäres Objekterkennungsmodell namens YOLO-v8 sowie eine weitere fortgeschrittene Methode namens DeepLab-v3. Nach dem Training wurde das U-Net-Modell verwendet, um den Hippokampus in einem separaten Testsatz zu segmentieren und Volumina zu berechnen. Die Ergebnisse zeigten ein klares Muster: Menschen mit Alzheimer hatten die kleinsten Hippokampus-Volumina, jene mit leichter kognitiver Beeinträchtigung hatten mittlere Volumina und gesunde Kontrollpersonen die größten. In allen Gruppen war die linke Seite tendenziell etwas kleiner als die rechte.

Feine Unterschiede zwischen links und rechts

Durch den direkten Vergleich der beiden Seiten untersuchten die Forschenden auch, wie symmetrisch der Hippokampus in jeder Gruppe war. Sie fanden, dass bei gesunden älteren Erwachsenen die rechte Seite deutlich größer war als die linke, was die höchste Asymmetrie ergab. Im Gegensatz dazu zeigten Menschen mit Alzheimer und solche mit leichter kognitiver Beeinträchtigung insgesamt kleinere Volumina und nur geringe Unterschiede zwischen links und rechts. Das deutet darauf hin, dass mit dem Fortschreiten der Krankheit beide Hippokampi schrumpfen und ihre Volumina ähnlicher werden — ein Muster, das Informationen darüber enthalten könnte, wie sich Gedächtnis und andere kognitive Fähigkeiten verändern.

Was das für die zukünftige Versorgung bedeutet

Für Nicht-Spezialisten lautet die Kernaussage: Künstliche Intelligenz kann inzwischen Expertinnen und Experten in einem mühsamen, aber entscheidenden Schritt gleichkommen: dem Umreißen des Hippokampus in Hirnscans. In dieser Studie erwies sich das U-Net-Modell als besonders zuverlässig für diese Aufgabe und erlaubte eine schnelle Berechnung des Hippokampus-Volumens auf beiden Seiten des Gehirns. Wenn solche Werkzeuge in größeren und vielfältigeren Datensätzen weiter validiert werden, könnten sie Ärztinnen und Ärzten helfen, frühe Hirnveränderungen leichter zu verfolgen, frühere und sicherere Diagnosen zu unterstützen und zu überwachen, wie gut Behandlungen das Fortschreiten der Krankheit verlangsamen oder verändern. Die Arbeit bringt uns dem Einsatz routinemäßiger MRT-Aufnahmen, ergänzt durch Deep Learning, als praktischen Biomarker für Alzheimer-Erkrankung in der klinischen Praxis näher.

Zitation: Pusparani, Y., Lin, CY., Jan, YK. et al. Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer’s disease. Sci Rep 16, 7878 (2026). https://doi.org/10.1038/s41598-026-38220-4

Schlüsselwörter: Alzheimer-Erkrankung, Hippokampusvolumen, Hirn-MRT, Deep-Learning-Segmentierung, U-Net