Utvärdering av djupinlärningsmodeller för segmentering av hippocampusvolymer från MR-bilder vid Alzheimers sjukdom

Varför denna forskning betyder något för familjer

Alzheimers sjukdom urholkar långsamt minnet och självständigheten, ofta långt innan symtomen blir tydliga. Läkare vet att en liten hjärnstruktur kallad hippocampus krymper när sjukdomen utvecklas, men att mäta den krympningen för hand på hjärnskanningar är långsamt och svårt. Denna studie undersöker om modern artificiell intelligens automatiskt kan avgränsa hippocampus på MR-bilder och på ett tillförlitligt sätt uppskatta hur mycket som gått förlorat på varje sida av hjärnan, vilket potentiellt kan ge läkare ett snabbare och mer objektivt fönster in i tidiga hjärnförändringar.

En liten hjärnregion med stor roll i minnet

Hippocampus, inbäddad djupt i tinningloberna på båda sidor av hjärnan, hjälper oss att bilda nya minnen och navigera i vår omgivning. Tidigare forskning har visat att dess volym tenderar att minska hos personer med Alzheimers sjukdom, och att denna förlust kan börja flera år före en formell diagnos. Den vänstra hippocampus är mer kopplad till verbalt och självbiografiskt minne, medan högersidan spelar en större roll för spatialt minne och navigering. Att följa hur storleken på varje sida förändras över tid kan därför avslöja inte bara om sjukdom är närvarande, utan också hur den kan påverka vardagligt tänkande och funktion.

Varför det är så svårt att mäta hippocampus

På en MR-bild framträder hippocampus som en liten, intrikat formad struktur, bara en försumbar del av varje bildskiva. Traditionellt spårar experter dess gränser för hand över 25 till 30 skivor och kombinerar sedan dessa områden för att beräkna volymen. Detta manuella tillvägagångssätt betraktas som guldstandarden, men kräver specialiserad utbildning, tar mycket tid och är svårt att tillämpa på de tusentals skanningar som samlas i stora studier eller på flitigt belastade kliniker. Befintlig automatiserad mjukvara kan hantera större, enklare hjärnregioner väl, men har ofta svårt att konsekvent fånga hippocampus fina detaljer, särskilt över olika skannrar och bildkvaliteter.

Att pröva djupinlärning

För att tackla denna utmaning utvärderade forskarna tre djupinlärningsmodeller avsedda att hitta och avgränsa objekt i bilder. De använde MR-skanningar från 300 personer i Alzheimer’s Disease Neuroimaging Initiative: 100 med Alzheimers sjukdom, 100 med mild kognitiv störning (en möjlig tidig fas) och 100 friska äldre vuxna. Efter att en neurolog noggrant märkt hippocampus på tusentals bildskivor tränade teamet modellerna att lära sig de visuella mönster som definierar denna struktur. De jämförde prestanda med flera standardmått för noggrannhet, med fokus på hur väl varje modells förutsagda konturer överlappade experternas märkningar.

Vinnarmodellen och vad den avslöjade

Bland de tre tillvägagångssätten presterade en modell kallad U-Net klart bäst när det gällde att rita korrekta gränser runt hippocampus på båda sidor av hjärnan. Den uppnådde högst överlappning med experternas märkningar i alla tre grupperna och överträffade en populär objektupptäcktsmodell känd som YOLO-v8 samt en annan avancerad metod kallad DeepLab-v3. När den väl var tränad användes U-Net-modellen för att segmentera hippocampus i en separat testuppsättning av bilder och för att beräkna volymer. Resultaten visade ett tydligt mönster: personer med Alzheimers hade de minsta hippocampusvolymerna, de med mild kognitiv störning hade mellanvolymer, och de friska kontrollpersonerna hade de största. I alla grupper tenderade vänstersidan att vara något mindre än högersidan.

Subtila skillnader mellan vänster och höger

Genom att jämföra de två sidorna direkt undersökte forskarna också hur symmetrisk hippocampus var i varje grupp. De fann att hos friska äldre vuxna var högersidan märkbar större än vänstersidan, vilket gav den högsta asymmetrin. I kontrast visade personer med Alzheimers sjukdom och de med mild kognitiv störning mindre totala volymer och bara små skillnader mellan vänster och höger. Detta tyder på att när sjukdomen fortskrider krymper båda hippocampi och deras volymer blir mer lika, ett mönster som kan ge information om hur minne och andra kognitiva förmågor förändras.

Vad detta betyder för framtida vård

För icke-specialister är huvudbudskapet att artificiell intelligens nu kan matcha experters prestanda i ett mödosamt men avgörande steg: att avgränsa hippocampus på hjärnskanningar. I denna studie visade sig U-Net-modellen vara särskilt pålitlig för denna uppgift och möjliggjorde snabb beräkning av hippocampusvolym på båda sidor av hjärnan. Om teknikerna valideras ytterligare i större och mer varierade dataset kan sådana verktyg hjälpa kliniker att enklare följa tidiga hjärnförändringar, stödja tidigare och säkrare diagnoser samt övervaka hur väl behandlingar bromsar eller förändrar sjukdomsförloppet. Arbetet för oss närmare att använda rutinmässiga MR-skanningar, förbättrade med djupinlärning, som en praktisk biomarkör för Alzheimers sjukdom i daglig klinisk praxis.

Citering: 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

Nyckelord: Alzheimers sjukdom, hippocampusvolym, hjärn-MR, djupinlärningssegmentering, U-Net