Evaluatie van deep learning-modellen voor segmentatie van hippocampusvolumes uit MRI-beelden bij de ziekte van Alzheimer

Waarom dit onderzoek belangrijk is voor gezinnen

De ziekte van Alzheimer tast langzaam geheugen en zelfstandigheid aan, vaak lang voordat symptomen duidelijk worden. Artsen weten dat een kleine hersenstructuur, de hippocampus, krimpt naarmate de ziekte vordert, maar die krimp met de hand meten op hersenscans is langzaam en moeilijk. Deze studie onderzoekt of moderne kunstmatige intelligentie automatisch de hippocampus op MRI-beelden kan afbakenen en betrouwbaar kan inschatten hoeveel aan elke kant van de hersenen verloren is gegaan, zodat artsen mogelijk sneller en objectiever inzicht krijgen in vroege hersenveranderingen.

Een klein hersengebied met een grote rol in geheugen

De hippocampus, diep gelegen in de temporale kwabben aan beide zijden van de hersenen, helpt ons nieuwe herinneringen te vormen en ons te oriënteren. Eerder onderzoek heeft aangetoond dat het volume van de hippocampus meestal afneemt bij mensen met de ziekte van Alzheimer, en dat dat verlies jaren vóór een formele diagnose kan beginnen. De linker hippocampus hangt meer samen met verbaal en autobiografisch geheugen, terwijl de rechterzijde een grotere rol speelt bij ruimtelijk geheugen en navigatie. Het volgen van hoe de omvang van elke zijde in de loop van de tijd verandert kan dus niet alleen aantonen of de ziekte aanwezig is, maar ook hoe die het dagelijks denken en functioneren kan beïnvloeden.

Waarom het meten van de hippocampus zo moeilijk is

Op een MRI-scan verschijnt de hippocampus als een kleine, ingewikkeld gevormde structuur, slechts een klein deel van elke beeldlaag. Traditioneel tekenen experts de grenzen met de hand over 25 tot 30 lagen en combineren die oppervlakten om het volume te berekenen. Deze handmatige methode geldt als de gouden standaard, maar vereist gespecialiseerde opleiding, kost veel tijd en is moeilijk toe te passen op de duizenden scans die in grote studies of drukke klinieken worden verzameld. Bestaande geautomatiseerde software kan grotere, eenvoudigere hersengebieden goed verwerken, maar heeft vaak moeite om de fijne details van de hippocampus consequent vast te leggen, vooral bij verschillende scanners en beeldkwaliteiten.

Deep learning op de proef gesteld

Om deze uitdaging aan te pakken, evalueerden de onderzoekers drie deep learning-modellen die zijn ontworpen om objecten in beelden te vinden en af te bakenen. Ze gebruikten MRI-scans van 300 mensen uit de Alzheimer’s Disease Neuroimaging Initiative: 100 met de ziekte van Alzheimer, 100 met milde cognitieve stoornissen (een mogelijke vroege fase) en 100 gezonde oudere volwassenen. Nadat een neuroloog zorgvuldig de hippocampus op duizenden beeldlagen had gelabeld, trainden de onderzoekers de modellen om de visuele patronen te leren die deze structuur definiëren. Ze vergeleken de prestaties met behulp van verschillende standaard nauwkeurigheidsmaten, met de nadruk op hoe goed de voorspelde omlijningen van elk model overeenkwamen met de expertlabels.

Het winnende model en wat het onthulde

Van de drie benaderingen presteerde een model genaamd U-Net duidelijk het beste in het nauwkeurig tekenen van de grenzen rond de hippocampus aan beide zijden van de hersenen. Het bereikte de grootste overlap met de expertlabels in alle drie de groepen en overtrof een populair objectdetectiemodel bekend als YOLO-v8 en een andere geavanceerde methode genaamd DeepLab-v3. Nadat het was getraind, werd het U-Net-model gebruikt om de hippocampus te segmenteren in een afzonderlijke testset van beelden en om volumes te berekenen. De resultaten toonden een duidelijk patroon: mensen met Alzheimer hadden de kleinste hippocampale volumes, degenen met milde cognitieve stoornis hadden tussenliggende volumes en gezonde controles hadden de grootste. In elke groep was de linkerzijde doorgaans iets kleiner dan de rechter.

Subtiele verschillen tussen links en rechts

Door de twee zijden direct te vergelijken onderzochten de onderzoekers ook hoe symmetrisch de hippocampus in elke groep was. Ze vonden dat bij gezonde oudere volwassenen de rechterzijde duidelijk groter was dan de linker, wat de grootste asymmetrie gaf. Daarentegen vertoonden mensen met de ziekte van Alzheimer en degenen met milde cognitieve stoornis kleinere totale volumes en slechts geringe verschillen tussen links en rechts. Dit suggereert dat naarmate de ziekte vordert, beide hippocampi krimpen en hun volumes meer op elkaar gaan lijken — een patroon dat informatie kan bevatten over hoe geheugen en andere cognitieve vermogens veranderen.

Wat dit betekent voor toekomstige zorg

Voor niet-specialisten is de belangrijkste conclusie dat kunstmatige intelligentie nu de prestaties van experts kan evenaren in een eentonige maar cruciale stap: het afbakenen van de hippocampus op hersenscans. In deze studie bleek het U-Net-model bijzonder betrouwbaar voor deze taak, waardoor snelle berekening van hippocampale volumes aan beide zijden van de hersenen mogelijk werd. Als dergelijke tools verder worden gevalideerd in grotere en diversere datasets, zouden ze clinici kunnen helpen vroege hersenveranderingen eenvoudiger te volgen, eerder en zelfverzekerder te diagnosticeren en te monitoren hoe goed behandelingen de ziekte vertragen of veranderen. Het werk brengt ons dichter bij het gebruik van routinematige MRI-scans, verbeterd met deep learning, als een praktische biomarker voor de ziekte van Alzheimer in de dagelijkse klinische praktijk.

Bronvermelding: 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

Trefwoorden: Ziekte van Alzheimer, hippocampusvolume, hersen-MRI, deep learning-segmentatie, U-Net