BPD‑Neo: Ett MRI‑datset för segmentering av lungor och luftstrupe med kliniska data för neonatal bronkopulmonell dysplasi

Varför små lungor spelar roll

Varje år föds många barn för tidigt, med lungor som fortfarande håller på att utvecklas. Dessa sköra lungor kan leda till ett allvarligt tillstånd som kallas bronkopulmonell dysplasi, eller BPD, vilket ofta håller spädbarn kvar på neonatal intensivvård i veckor eller månader. Läkare vill kunna se in i dessa små bröstkorgar i tre dimensioner, säkert och i detalj, för att förstå vad som går fel och hur man kan hjälpa. Denna artikel presenterar ett nytt öppet dataset som samlar avancerade MRI‑skanningar, noggranna avgränsningar av lungor och luftstrupe, samt viktiga medicinska uppgifter från 40 för tidigt födda spädbarn — vilket ger forskare ett kraftfullt nytt sätt att studera och kvantifiera sjukdom hos de minsta patienterna.

Från platta röntgenbilder till 3D‑vyer

Idag är sängsidesröntgen huvudmetoden för övervakning av för tidigt födda på neonatalavdelningar, men den visar bara platta, tvådimensionella bilder och utsätter barnen för upprepad strålning. Datortomografi (CT) kan avslöja tredimensionell struktur men använder ännu högre stråldoser och används sällan på nyfödda. Magnetresonansavbildning (MRI) erbjuder en annan väg: den ger detaljrika, tredimensionella bilder av mjukvävnad utan strålning och kan utföras medan barnen andas lugnt och är lindade, ofta utan sedering. I denna studie använde teamet en rörelse‑robust MRI‑teknik kallad StarVIBE, väl lämpad för livliga spädbarn, för att fånga högupplösta 3D‑bilder av lungorna och huvudluftvägen.

Att bygga en noggrann bild av små luftvägar

Forskarna skannade 40 spädbarn yngre än sex månader, de flesta med någon grad av BPD, med en MRI‑scanner placerad direkt på neonatalavdelningen. För att skydda hörsel och komfort matades barnen, lindades och fick lager av hörselskydd medan sjuksköterskor noga övervakade vitala tecken. Efter skanningen använde bildspecialister ett mjukvaruverktyg för att i tredimensioner spåra lungor och trakea. De placerade startpunkter inuti varje struktur och lät en datoralgoritm växa regioner utåt, följt av utjämning och noggranna manuella korrigeringar. Dessa färdiga avgränsningar sparades som separata filer som matchar original‑MRI‑data exakt, och en andra expert segmenterade om en delmängd av skanningarna så att skillnader mellan mänskliga granskare kunde mätas.

Att lägga till medicinska detaljer till bilddata

Bredvid bilderna innehåller datasetet grundläggande men viktiga kliniska uppgifter för varje spädbarn, såsom födelsevikt, längd, kön, graviditetsvecka vid födseln, ålder vid skanningstillfället och en modern klassificering av BPD‑svårighetsgrad enligt Jensens kriterier från 2019. Eftersom varje datapost är fullständigt avidentifierad och endast kopplad via en studiedkod bevaras familjernas integritet. Att ha dessa medicinska uppgifter tillsammans med 3D‑former av lungor och luftväg gör det möjligt för forskare att undersöka hur strukturella förändringar i lungorna relaterar till hur tidigt barnet föddes, hur mycket det vägde och hur allvarliga andningsproblemen blev. Till exempel kan forskare beräkna total lungvolym, justera för kroppsstorlek och skapa kartor över hur signalsignalen i lungvävnaden varierar, vilket kan spegla ärrbildning, överexpansion eller kollapsade områden.

Att lära datorer att spåra små strukturer

För att visa vad som kan göras med denna resurs tränade författarna datorbaserade modeller kända som U‑Net för att automatiskt hitta och avgränsa lungor och trakea i MRI‑skanningarna. Dessa modeller lär sig från exempel: de ser många par av bilder och expertavgränsningar och försöker sedan producera liknande avgränsningar på osedda skanningar. Med en rigorös korsvalideringsprocedur presterade lungmodellen mycket bra och nådde en överensstämmelse med mänskliga experter som är nära den nivå två experter uppnår sinsemellan. Trakean, en mycket mindre och svagare struktur på MRI, visade sig vara mer utmanande. Både människor och algoritmer uppvisade större oenighet vid dess avgränsning, och de automatiska trakeaavgränsningarna var mindre exakta och mer känsliga för skillnader i kroppsstorlek och bildförhållanden.

Vad detta betyder för sköra nyfödda

BPD‑Neo‑datasetet tillhandahåller, för första gången, ett fritt tillgängligt paket med 3D‑MRI‑skanningar, fackmannamässigt avgränsade lung‑ och luftvägsformer och matchade kliniska data för för tidigt födda spädbarn i riskzonen för kronisk lungsjukdom. Genom att visa att automatiserade verktyg redan kan nå mänsklig prestanda för lungvolymer och tydligt markera var nuvarande metoder fortfarande har svårigheter — såsom den lilla trakean — lägger arbetet grunden för bättre, snabbare och mer objektiva mätningar av lunghälsa hos nyfödda. På längre sikt kan förbättrad bildbehandling och analys hjälpa läkare att upptäcka luftvägssvaghet och lungskada tidigare, skräddarsy behandlingar mer precist och minska bördan av BPD för barn och deras familjer.

Citering: 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

Nyckelord: lungor hos för tidigt födda, bronkopulmonell dysplasi, neonatal MRI, lungsegmentering, dataset för medicinsk bildbehandling