Multidimensionell djupinlärningsbaserad segmentering och volymbedömning av sphenoidbihålevätska på postmortem-CT vid drunkningsfall

Varför detta är viktigt bortom rättsmedicinskt bord

När någon hittas död i vatten kan även erfarna rättsmedicinare ha svårt att med säkerhet avgöra om personen faktiskt drunknat eller om dödsorsaken inträffade tidigare. Ett subtilt ledtråd är vätska som samlas i ett litet luftfyllt utrymme djupt bakom näsan, kallat sphenoidbihålan. Att mäta den vätskan på postmortem-CT-skanningar kan vara till hjälp, men att göra det för hand är långsamt och starkt beroende av vem som tolkar bilderna. Denna studie undersöker om moderna datorvisionsmetoder kan hitta och mäta den vätskan automatiskt, vilket skulle ge snabbare och mer konsekvent stöd i svåra drunkningsutredningar.

En dold ficka med viktiga ledtrådar

Vid drunkningsfall sipprar ofta vätska in i paranasala bihålor, de små kamrarna i ansiktets ben. Sphenoidbihålan, som ligger djupt i kraniet, är särskilt intressant eftersom vätska där kan analyseras för mikroskopiska alger och för saltnivåer som pekar på om personen drunknat i söt- eller saltvatten. Tidigare studier har visat att CT-skanningar tagna efter döden i grova drag kan stämma överens med de vätskevolymer som senare påträffas vid obduktion. Men för att få fram dessa siffror har experter varit tvungna att omsorgsfullt rita ut vätskeområdet snitt för snitt på en dator — ett tidskrävande arbete som är svårt att standardisera och opraktiskt vid stora mängder fall.

Att lära datorer att hitta vätska

Forskningsgruppen vände sig till en familj av bildanalysystem som ofta används inom medicinsk bildbehandling, kända som U-Net–liknande djupinlärningsmodeller. De samlade postmortem-CT-skanningar från 165 personer vars drunkningsdödsfall bekräftats vid obduktion. En erfaren observatör ritade manuellt ut vätskan i sphenoidbihålan för att skapa en referenskarta som datorerna kunde lära sig från. Fallen delades upp i tränings-, validerings- och testgrupper så att modellerna skulle bedömas på data de inte sett tidigare. Forskarna byggde sedan tre varianter av systemet: en som såg enskilda CT-skivor (2D), en som betraktade varje skiva tillsammans med de två intilliggande (2.5D), och en som analyserade små tredimensionella block av huvudet på en gång (3D).

Hur väl modellerna presterade

Alla tre modellerna kunde markera sphenoidbihålevätska på testskanningarna på ett sätt som stämde väl överens med den mänskliga experten. 2D- och 2.5D-metoderna var mest pålitliga när det gällde att följa vätskans form och gränser, medan 3D-varianten var något mindre exakt och visade större variation mellan fallen. När teamet omvandlade dessa utsnitt till faktiska vätskevolymer låg de automatiska uppskattningarna inom en bråkdel av en milliliter från referensvärdena, och skillnaderna var inte statistiskt signifikanta. De förutsagda och manuella volymerna följde varandra mycket tätt, med mycket stark korrelation för alla tre modeller, vilket tyder på att datorgenererade mätningar kan ersätta det arbetsintensiva manuella arbetet.

Varför en mellanklassstrategi vann

2.5D-modellen, som ser en skiva tillsammans med dess omedelbara grannar, erbjöd den bästa balansen mellan noggrannhet och praktisk användbarhet. Den drar nytta av viss tredimensionell kontext, vilket hjälper den att särskilja verklig vätska från närliggande ben och mjukvävnad, samtidigt som den undviker de stora beräkningskrav och den instabilitet som kan drabba fulla 3D-modeller — särskilt när den intressanta strukturen är mycket liten och syns i bara några få snitt. För upptagna rättsmedicinska centra som kan behöva bearbeta många fall med begränsad datorkraft kan denna mellanstegsstrategi vara det mest realistiska valet för rutinmässig användning.

Vad detta betyder för framtida dödsutredningar

För icke-specialister är huvudbudskapet att datorer nu tillförlitligt kan hitta och mäta en liten vätskeficka djupt inne i huvudet på postmortem-CT-skanningar, med prestanda som nära motsvarar en mänsklig expert. Studien visar att sådana automatiska mätningar kan produceras snabbt och konsekvent, vilket öppnar möjligheten att använda CT-data för att stödja drunkningsdiagnoser redan innan en obduktion påbörjats. Även om detta arbete från en enskild institution behöver testas mer omfattande och utvidgas till andra bihålor och till icke-drunkningsrelaterade dödsfall, pekar det mot en framtid där avancerad bildanalys tyst stärker bevisningen kring några av de mest utmanande frågorna inom rättsmedicin.

Citering: 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

Nyckelord: drunkningsdiagnos, postmortem-CT, forensisk avbildning, djupinlärning, bihålevätska