Mehrdimensionale, tiefenlernende Segmentierung und volumetrische Bewertung von Flüssigkeit in der Keilbeinhöhle auf postmortalen CT-Aufnahmen in Ertrinkungsfällen

Warum das über den Obduktionssaal hinaus wichtig ist

Wenn eine Person tot im Wasser gefunden wird, fällt es selbst erfahrenen Rechtsmedizinern oft schwer, mit Sicherheit zu sagen, ob tatsächlich Ertrinken die Todesursache war oder ob der Tod vorher durch etwas anderes eingetreten ist. Ein feiner Hinweis ist Flüssigkeit, die sich in einer kleinen luftgefüllten Kammer tief hinter der Nase ansammelt – der Keilbeinhöhle. Diese Flüssigkeit auf postmortalen CT-Aufnahmen zu messen könnte helfen, doch die manuelle Bestimmung ist langsam und stark von der auswertenden Person abhängig. Diese Studie untersucht, ob moderne Computer-Vision-Verfahren diese Flüssigkeit automatisch erkennen und messen können, um schnellere und konsistentere Unterstützung bei schwierigen Ertrinkungsuntersuchungen zu bieten.

Eine versteckte Kammer mit wichtigen Hinweisen

Bei Ertrinkungsfällen sickert oft Flüssigkeit in die Nasennebenhöhlen, winzige Hohlräume in den Gesichtsknochen. Die Keilbeinhöhle, tief im Schädel gelegen, ist besonders interessant, weil dort gesammelte Flüssigkeit auf mikroskopische Algen oder Salzgehalt untersucht werden kann, was Hinweise darauf geben kann, ob in Süß- oder Salzwasser ertrunken wurde. Frühere Arbeiten zeigten, dass postmortale CT-Aufnahmen die bei der Obduktion gefundenen Flüssigkeitsvolumina grob widerspiegeln können. Um diese Zahlen zu erhalten, mussten Expertinnen und Experten allerdings die Flüssigkeitsregion Schicht für Schicht am Computer nachzeichnen – eine mühsame, nur schwer zu standardisierende Aufgabe, die sich für große Fallzahlen nicht eignet.

Computern beibringen, Flüssigkeit zu erkennen

Das Forschungsteam wandte sich einer Familie von Bildanalyseverfahren zu, die in der medizinischen Bildgebung weit verbreitet sind – den U-Net-ähnlichen Deep-Learning-Modellen. Sie sammelten postmortale CT-Aufnahmen von 165 Personen, deren Tod durch Ertrinken bei der Obduktion bestätigt worden war. Eine erfahrene Beobachterin zeichnete manuell die Flüssigkeit in der Keilbeinhöhle nach, um eine Referenzkarte zu erzeugen, von der die Computer lernen konnten. Die Fälle wurden in Trainings-, Validierungs- und Testgruppen aufgeteilt, damit die Modelle an bislang ungesehenen Daten bewertet werden konnten. Anschließend bauten die Wissenschaftler drei Varianten des Systems: eine, die einzelne CT-Schnitte betrachtete (2D), eine, die jeden Schnitt zusammen mit seinen beiden Nachbarschnitten analysierte (2.5D), und eine, die kleine dreidimensionale Blöcke des Kopfes in einem Schritt auswertete (3D).

Wie gut die Modelle abschnitten

Alle drei Modelle konnten auf den Testaufnahmen die Flüssigkeit in der Keilbeinhöhle so markieren, dass die Ergebnisse gut mit der menschlichen Referenz übereinstimmten. Die 2D- und 2.5D-Ansätze waren am zuverlässigsten beim Nachzeichnen von Form und Grenzen der Flüssigkeit, während die 3D-Version etwas unpräziser und in der Performanz variabler zwischen den Fällen war. Als das Team diese Umrisse in echte Flüssigkeitsvolumina umrechnete, lagen die automatischen Schätzungen innerhalb eines Bruchteils eines Milliliters der Referenzwerte, ohne statistisch signifikante Unterschiede. Die vorhergesagten und die manuellen Volumina bewegten sich synchron, mit sehr starken Korrelationen über alle drei Modelle hinweg, was darauf hindeutet, dass die computergenerierten Messungen die aufwändigen manuellen Messungen ersetzen können.

Warum ein Mittelweg gewann

Das 2.5D-Modell, das einen Schnitt zusammen mit seinen unmittelbaren Nachbarn betrachtet, bot die beste Balance zwischen Genauigkeit und Praktikabilität. Es profitiert von etwas räumlichem Kontext, was hilft, echte Flüssigkeit von benachbartem Knochen und Weichgewebe zu unterscheiden, vermeidet aber den hohen Rechenaufwand und die Instabilität, die vollwertige 3D-Modelle plagen können – besonders wenn die Zielstruktur winzig ist und nur in wenigen Schnitten erscheint. Für vielbeschäftigte forensische Zentren, die möglicherweise viele Fälle mit begrenzter Rechenleistung bearbeiten müssen, könnte diese Mittelweg-Strategie die realistischste Wahl für den Routinebetrieb sein.

Was das für künftige Todesermittlungen bedeutet

Für Nicht‑Spezialisten ist die wichtigste Erkenntnis, dass Computer jetzt zuverlässig eine kleine Flüssigkeitskammer tief im Kopf auf postmortalen CT-Aufnahmen finden und messen können, mit einer Leistung, die eng an die eines menschlichen Experten heranreicht. Die Studie zeigt, dass solche automatisierten Messungen rasch und konsistent erzeugt werden können und damit die Verwendung von CT-Daten zur Unterstützung von Ertrinkungsdiagnosen bereits vor einer Obduktion ermöglicht. Zwar muss diese Arbeit aus einem einzigen Zentrum noch breiter getestet und auf andere Nebenhöhlen sowie auf Todesfälle ohne Ertrinken ausgeweitet werden, doch sie weist in eine Zukunft, in der fortschrittliche Bildanalyse stillschweigend die Beweislage bei einigen der schwierigsten Fragestellungen der forensischen Medizin stärkt.

Zitation: Heo, JH., Kim, MJ., Jang, S.J. et al. Multi-dimensional deep learning–based segmentation and volumetric assessment of sphenoid sinus fluid on postmortem CT in drowning cases. Sci Rep 16, 13800 (2026). https://doi.org/10.1038/s41598-026-44094-3

Schlüsselwörter: Ertrinkungsdiagnose, postmortales CT, forensische Bildgebung, Deep Learning, Nasennebenhöhlenflüssigkeit