BPD-Neo: Een MRI-dataset voor long‑ en tracheasegmentatie met klinische gegevens voor neonatale bronchopulmonale dysplasie

Waarom kleine longen ertoe doen

Ieder jaar worden veel baby’s te vroeg geboren, met longen die nog in ontwikkeling zijn. Deze fragiele longen kunnen leiden tot een ernstige aandoening die bronchopulmonale dysplasie (BPD) heet en waardoor zuigelingen vaak weken of maanden op de intensive care moeten blijven. Artsen willen deze kleine borstkasjes het liefst in drie dimensies, veilig en gedetailleerd, bekijken om te begrijpen wat er misgaat en hoe ze kunnen helpen. Dit artikel presenteert een nieuwe open dataset die geavanceerde MRI-scans, zorgvuldige contouren van longen en luchtpijp en belangrijke medische gegevens van 40 te vroeg geboren zuigelingen samenbrengt, en daarmee onderzoekers een krachtig nieuw middel biedt om ziekte bij de allerkleinsten te bestuderen en te kwantificeren.

Van vlakke röntgenfoto’s naar 3D-weergaven

Vandaag de dag zijn bedzijdescans met röntgen de standaard voor monitoring van te vroeg geboren zuigelingen op intensive care-afdelingen, maar die geven alleen vlakke, tweedimensionale beelden en stellen baby’s bloot aan herhaalde straling. Computertomografie (CT) kan driedimensionale structuren tonen, maar gebruikt nog hogere stralingsdoses en wordt zelden bij deze pasgeborenen toegepast. Magnetische resonantiebeeldvorming (MRI) biedt een alternatief: het levert gedetailleerde, driedimensionale beelden van zachte weefsels zonder straling en kan worden uitgevoerd terwijl baby’s rustig ademen en ingepakt zijn, vaak zonder sedatie. In deze studie gebruikte het team een bewegingsbestendige MRI-techniek genaamd StarVIBE, goed geschikt voor beweeglijke zuigelingen, om hoge resolutie 3D-beelden van de longen en de hoofdluchtweg vast te leggen.

Een zorgvuldig beeld van kleine luchtwegen opbouwen

De onderzoekers scanden 40 zuigelingen jonger dan zes maanden, de meesten met enige mate van BPD, met een MRI-scanner die zich direct op de neonatale intensive care bevond. Om gehoor en comfort te beschermen, werden de baby’s gevoed, ingepakt en voorzien van meervoudige geluiddemping, terwijl verpleegkundigen de vitale functies nauwlettend in de gaten hielden. Na het scannen gebruikten beeldspecialisten een softwaretool om longen en trachea in drie dimensies nauwkeurig af te tekenen. Ze plaatsten zaadpunten binnen elke structuur en lieten een computeralgoritme gebieden naar buiten groeien, gevolgd door gladstrijken en minutieuze handmatige correcties. Deze afgeronde contouren werden opgeslagen als afzonderlijke bestanden die precies corresponderen met de originele MRI-data, en een tweede expert segmenteerde een subset van scans opnieuw zodat verschillen tussen menselijke beoordelaars kunnen worden gemeten.

Klinische details toevoegen aan beeldgegevens

Nebst de beelden bevat de dataset voor elke zuigeling basale maar belangrijke klinische informatie, zoals geboortegewicht, lengte, geslacht, zwangerschapsduur bij de geboorte, leeftijd ten tijde van de scan en een moderne indeling van BPD-ernst volgens de Jensen-criteria uit 2019. Omdat elk gegevensrecord volledig gedeïdentificeerd is en alleen gekoppeld wordt door een studiedcode, blijft de privacy van families gewaarborgd. Het samenvoegen van deze medische gegevens met 3D‑vormen van longen en luchtweg stelt onderzoekers in staat te onderzoeken hoe structurele veranderingen in de longen samenhangen met de vroeggeboorte, het geboortegewicht en de ernst van de ademhalingsproblemen. Bijvoorbeeld, onderzoekers kunnen het totale longvolume berekenen, corrigeren voor lichaamsgrootte, en kaarten maken van hoe het longweefsel‑signaal varieert, wat kan wijzen op littekenvorming, overinflatie of ingevallen delen.

Computers leren kleine structuren te traceren

Om te laten zien wat met deze bron mogelijk is, trainden de auteurs computermodellen die bekendstaan als U‑Nets om longen en trachea automatisch te vinden en af te tekenen in de MRI-scans. Deze modellen leren van voorbeelden: ze zien vele paren van beelden en deskundige contouren en proberen dan vergelijkbare contouren op nog niet geziene scans te produceren. Met een rigoureuze cross‑validatieprocedure presteerde het longmodel uitermate goed en bereikte het een overeenstemming met menselijke experts die dicht bij het niveau ligt dat twee experts onderling behalen. De trachea, een veel kleinere en zwakker zichtbare structuur op MRI, bleek meer uitdagend. Zowel mensen als algoritmes toonden meer verschillen bij het traceren ervan, en de automatische tracheacontouren waren minder nauwkeurig en gevoeliger voor verschillen in lichaamsgrootte en beeldvormingscondities.

Betekenis voor kwetsbare pasgeborenen

De BPD‑Neo dataset levert, voor het eerst, een vrij beschikbare bundel van 3D‑MRI-scans, deskundig afgetekende long‑ en luchtwegvormen en gekoppelde klinische gegevens voor te vroeg geboren zuigelingen met risico op chronische longziekte. Door aan te tonen dat geautomatiseerde hulpmiddelen al menselijke prestaties kunnen benaderen voor longvolumes en door herkenbare knelpunten te markeren—zoals de kleine trachea—legt dit werk de basis voor betere, snellere en objectievere metingen van longgezondheid bij pasgeborenen. Op de lange termijn kunnen verbeterde beeldvorming en analyse artsen helpen luchtwegzwakte en longschade eerder op te sporen, behandelingen nauwkeuriger af te stemmen en de last van BPD voor kinderen en hun families te verminderen.

Bronvermelding: Saluja, R., Kovanlikaya, A., Chien, C. et al. BPD-Neo: An MRI Dataset for Lung-Trachea Segmentation with Clinical Data for Neonatal Bronchopulmonary Dysplasia. Sci Data 13, 659 (2026). https://doi.org/10.1038/s41597-026-07006-8

Trefwoorden: longen van te vroeg geboren zuigelingen, bronchopulmonale dysplasie, neonatale MRI, longsegmentatie, dataset medische beeldvorming