Geautomatiseerde detectie en segmentatie van Weiss-ring in fundusfoto’s met deep learning

Waarom kleine ringen in het oog ertoe doen

Naarmate mensen ouder worden, merken velen nieuwe “floaters” die door hun gezichtsveld drijven. De meeste zijn onschadelijk, maar sommige kunnen wijzen op veranderingen die soms leiden tot retinascheuren en zelfs blindheid. Een van de duidelijkste tekenen van zo’n verandering is een klein, ringvormig vlekje in het oog dat een Weiss-ring wordt genoemd. In alledaagse oogfoto’s kan deze ring echter zwak en gemakkelijk te missen zijn—zelfs voor experts, en zeker voor computers. Deze studie beschrijft een nieuw systeem voor kunstmatige intelligentie (AI) dat leert Weiss-ringen te herkennen en af te bakenen in standaard netvliesfoto’s, en zo routinematig beeldmateriaal kan veranderen in een rijkere bron van klinische en onderzoeksinzichten.

Een subtiele aanwijzing in routine-oogfoto’s

Het oog is gevuld met een heldere gel die na verloop van tijd langzaam losraakt van het netvlies, een proces dat bekendstaat als posterior vitreous detachment. Wanneer deze loslating voltooid is, kan er een zwevende lus weefsel achterblijven voor het optische schijfgebied: de Weiss-ring. De aanwezigheid ervan duidt erop dat de loslating is afgerond, en bij sommige patiënten met plotselinge lichtflitsen of floaters kan het een tijdsvenster markeren waarin het netvlies gevoeliger is voor kleine scheurtjes. Toch zijn Weiss-ringen niet altijd zichtbaar, kunnen ze buiten het gezichtsveld van de camera vallen en lijken ze vaak op vage schaduwen. Traditionele AI-systemen die getraind zijn om veelvoorkomende netvliesaandoeningen te vinden, hebben deze structuren grotendeels genegeerd of ten onrechte als artefacten geïnterpreteerd, waardoor een belangrijk stukje informatie ongebruikt blijft.

Computers leren de ring te vinden

De onderzoekers verzamelden 582 kleurige oogfoto’s uit verschillende openbare databanken en lieten drie oogspecialisten aangeven welke beelden een Weiss-ring bevatten en nauwkeurig de omtrek daarvan traceren. Dit leverde 194 beelden met ringen en 388 zonder op. Vervolgens bouwden ze een AI-systeem uit twee delen. Het ene deel, een segmentatienetwerk, leerde per pixel een kaart te tekenen van waar de ring zich in elk beeld bevindt. Het andere deel, een classificatienetwerk, leerde te beslissen of er überhaupt een ring op de foto aanwezig is. Een tweede classifier beoordeelde alleen het segmentatiemasker en bekeek of het gemarkeerde gebied daadwerkelijk op een ring leek. Ten slotte combineerde een eenvoudig statistisch model de twee classificatiescores tot één eindvoorspelling.

Hoe goed het systeem presteerde

Op een apart testset dat de AI nooit tijdens training had gezien, produceerde het ring-omtrek netwerk kaarten die redelijk overlappen met de tekeningen van experts, vooral in duidelijkere gevallen. Het was bijzonder gevoelig en vond de meeste echte ringen, hoewel het soms extra gebieden markeerde waar reflecties of achtergrondtextuur een ring nabootsten. Wanneer de segmentatie-uitvoer werd gecombineerd met de beeldniveau-classifier, verbeterde de algehele detectie. Het gecombineerde systeem onderscheidde correct beelden met en zonder ring met een hoge area-under-the-curve waarde (ongeveer 0,90) en solide nauwkeurigheid, terwijl het ook goed in staat was beelden zonder ring uit te sluiten. Visuele heatmaps bevestigden dat het model voornamelijk focuste op het gebied rond de oogzenuwkop waar Weiss-ringen typisch verschijnen, wat vertrouwen geeft dat het klinisch zinvolle aanwijzingen gebruikte in plaats van willekeurige patronen.

Wat dit kan betekenen voor zorg en onderzoek

De auteurs benadrukken dat dit hulpmiddel geen vervanging is voor een volledig oogonderzoek of geavanceerde scans wanneer iemand plotseling lichtflitsen of floaters meldt. Standaardfoto’s dekken slechts een deel van het netvlies en veel mensen met vitreale loslating tonen nooit een zichtbare ring. In plaats daarvan wordt het systeem gepresenteerd als een assistent: het kan beelden markeren voor nader onderzoek in grote screeningsprogramma’s, hulp bieden aan (ai)oefenaren om subtiele ringen te leren herkennen en onderzoekers in staat stellen duizenden gearchiveerde foto’s te doorzoeken om te bestuderen hoe vaak ringen voorkomen en hoe ze samenhangen met factoren zoals leeftijd, chirurgie of andere oogaandoeningen. Omdat de studie een bescheiden aantal openbaar beschikbare beelden gebruikte, zijn grotere, real-world proeven—bij voorkeur met vergelijking van resultaten met groothoekbeeldvorming of driedimensionale scans—nodig voordat de aanpak in de dagelijkse klinische besluitvorming kan worden vertrouwd.

Een kleine ring met groot datapotentieel

In eenvoudige bewoordingen laat dit werk zien dat een computer getraind kan worden om niet alleen “ja of nee” te zeggen over een klein zwevend ringetje in het oog, maar ook om te schetsen waar het zich bevindt. Hoewel het systeem nog een proof of concept is en geen diagnostische autoriteit, opent het de deur om een vaak over het hoofd gezien kenmerk om te zetten in een doorzoekbaar signaal over enorme beeldverzamelingen. Voorzichtig en in combinatie met een goed onderzoek gebruikt, zou zulke AI artsen en onderzoekers kunnen helpen meer aandacht te besteden aan subtiele floaters die iets vertellen over het verouderende oog.

Bronvermelding: Kim, H., Ryu, S.Y., Yoo, T.K. et al. Automated detection and segmentation of Weiss ring in fundus photography images using deep learning. Sci Rep 16, 13787 (2026). https://doi.org/10.1038/s41598-026-44593-3

Trefwoorden: Weiss-ring, retinale beeldvorming, deep learning, vitreale loslating, medische AI