Multi-dimensionale deep learning–gebaseerde segmentatie en volumetrische beoordeling van sphenoïdale sinusvloeistof op postmortem CT bij verdrinkingsgevallen

Waarom dit verder reikt dan de autopsiekamer

Wanneer iemand dood in het water wordt aangetroffen, hebben zelfs ervaren forensische artsen soms moeite om met zekerheid vast te stellen of de persoon daadwerkelijk is verdronken of eerder aan iets anders is overleden. Een subtiele aanwijzing is vloeistof die zich ophoopt in een klein met lucht gevuld holte diep achter de neus, de zogenaamde sphenoïdale sinus. Het meten van die vloeistof op postmortem CT-scans zou kunnen helpen, maar handmatig doen is traag en sterk afhankelijk van wie de beelden beoordeelt. Deze studie onderzoekt of moderne computerbeeldverwerking automatisch die vloeistof kan opsporen en meten, en zo snellere en consistenter steun kan bieden bij lastige verdrinkingsonderzoeken.

Een verborgen holte met belangrijke aanwijzingen

Bij verdrinkingsgevallen sijpelt er vaak vocht in de paranasale sinussen, kleine holtes in de botten van het gezicht. De sphenoïdale sinus, diep in de schedel gelegen, is bijzonder interessant omdat de daar verzamelde vloeistof kan worden getest op microscopische algen en op zoutgehalten die aanwijzingen geven of iemand in zoet- of zoutwater is verdronken. Eerder werk toonde aan dat CT-scans gemaakt na overlijden globaal overeenkomen met de vloeistofvolumes die later bij de autopsie worden gevonden. Maar om die cijfers te krijgen moesten experts de vloeistofregio slice voor slice op de computer omlijnen — een tijdrovende taak die moeilijk te standaardiseren is en onpraktisch voor grote aantallen gevallen.

Computers leren vloeistof te detecteren

Het onderzoeksteam wendde zich tot een familie van beeldanalysemethoden die veel worden gebruikt in medische beeldvorming, bekend als U-Net–achtige deep learning-modellen. Ze verzamelden postmortem CT-scans van 165 personen bij wie verdrinking bij autopsie was bevestigd. Een ervaren waarnemer tekende handmatig de vloeistof in de sphenoïdale sinus na om een referentiemasker te maken waarmee de computers konden leren. De gevallen werden verdeeld in trainings-, validatie- en testgroepen zodat de modellen werden beoordeeld op data die ze nog niet eerder hadden gezien. De wetenschappers bouwden vervolgens drie versies van het systeem: één die naar individuele CT-slices keek (2D), één die elke slice samen met de twee aangrenzende slices bekeek (2.5D), en één die kleine driedimensionale blokken van het hoofd in één keer analyseerde (3D).

Hoe goed de modellen presteerden

Alle drie de modellen konden de vloeistof in de sphenoïdale sinus op de testscans markeren op een manier die sterk overeenkwam met de menselijke expert. De 2D- en 2.5D-benaderingen waren het meest betrouwbaar in het volgen van de vorm en grenzen van de vloeistof, terwijl de 3D-versie iets minder precies was en meer variatie vertoonde tussen gevallen. Toen het team deze omlijningen omzet in daadwerkelijke vloeistofvolumes, lagen de automatische schattingen binnen een fractie van een milliliter van de referentiewaarden, en waren de verschillen statistisch niet significant. De voorspelde en handmatige volumes bewogen synchroon, met zeer sterke correlaties voor alle drie de modellen, wat suggereert dat computergegenereerde metingen kunnen dienen als vervanging voor arbeidsintensieve handmetingen.

Waarom een middenweg won

Het 2.5D-model, dat naar een slice kijkt samen met de directe buren, bood de beste balans tussen nauwkeurigheid en praktisch gebruik. Het profiteert van een zekere driedimensionale context, waardoor het echte vloeistof beter kan onderscheiden van nabijgelegen bot en zacht weefsel, maar het vermijdt de zware rekenkundige belasting en de instabiliteit die volledige 3D-modellen kunnen treffen — vooral wanneer de structuur van belang klein is en in slechts een paar slices voorkomt. Voor drukke forensische centra die veel gevallen moeten verwerken met beperkte rekenkracht, kan deze middenweg de meest realistische keuze voor routinematig gebruik zijn.

Wat dit betekent voor toekomstige doodsonderzoeken

Voor niet-specialisten is de belangrijkste conclusie dat computers nu betrouwbaar een klein vochtgevuld zakje diep in het hoofd op postmortem CT-scans kunnen vinden en meten, met een prestatie die sterk overeenkomt met die van een menselijke expert. De studie laat zien dat zulke geautomatiseerde metingen snel en consistent kunnen worden geproduceerd, wat de deur opent om CT-gegevens te gebruiken ter ondersteuning van verdrinkingsdiagnoses nog vóórdat een autopsie begint. Hoewel dit onderzoek uit één centrum nog breder getest moet worden en uitgebreid naar andere sinussen en naar niet-verdronken overlijdens, wijst het op een toekomst waarin geavanceerde beeldanalyse stilletjes het bewijs achter enkele van de meest uitdagende vragen in de forensische geneeskunde versterkt.

Bronvermelding: 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

Trefwoorden: verdronkenheidsdiagnose, postmortem CT, forensische beeldvorming, deep learning, sinusvloeistof