Alberto de Luca

UMC Utrecht

Het onderzoek van Alberto de Luca houdt in het kort het volgende in:

Fast and accurate intraoperative reconstruction of brain tracts with AI to optimize efficacy of pediatric posterior fossa tumor surgery

Tumoren in de achterste schedelgroeve (in het Engels: posterior fossa tumors) zijn verantwoordelijk voor bijna de helft van de hersentumoren bij kinderen. Hoewel minder
frequent, komen deze tumoren ook bij volwassenen voor. Ze worden geassocieerd meternstige gevolgen en veroorzaken bij ongeveer 25% van de getroffen kinderen de dood. Hersenchirurgie is de primaire behandeling voor tumoren in de achterste schedelgroeve, ongeacht de agressiviteit van de tumor. Zelfs wanneer de operatie succesvol is in het verwijderen van de tumor, kunnen bij ongeveer een derde van de gevallen kortetermijncomplicaties optreden. Een van de meest ingrijpende complicaties is het cerebellair mutisme syndroom (CMS), een aandoening waarbij kinderen gedurende weken tot maanden hun vermogen om te spreken verliezen. Dit legt een aanzienlijke emotionele en praktische last op zowel de patiënt als hun familie.

Er wordt aangenomen dat CMS veroorzaakt wordt door schade aan specifieke hersenverbindingen. Intra-operatieve diffusion-MRI biedt de mogelijkheid om deze cruciale verbindingen te visualiseren en chirurgen te helpen schade tijdens de operatie te minimaliseren. Het gebruik hiervan wordt echter beperkt door het ontbreken van snelle en betrouwbare methoden die geschikt zijn voor de strikte tijdslimieten van operaties, evenals door de beperkte beeldkwaliteit van intra-operatieve MRI-systemen.

Dit project richt zich op het aanpakken van deze uitdagingen door de ontwikkeling van innovatieve methoden, waaronder technieken op basis van kunstmatige intelligentie, om reconstructies van hersenverbindingen van hoge kwaliteit te verkrijgen met behulp van intra-operatieve diffusion-MRI. We zullen het potentieel van deze methoden evalueren om chirurgie te ondersteunen bij kinderen met tumoren in de achterste schedelgroeve.

Publicaties

• Structural Fiber Tract Alterations in Relation to Surgery in Children With a Posterior Fossa Tumor
  • NMR in Biomedicine (20-02-2026)
  • Klik hier om de publicatie te bekijken
• The tractographer’s dilemma: understanding sources of variability in tractography
  • Brain Structure and Function (16-06-2025) 
  • Klik hier om de publicatie te bekijken

Korte samenvatting van voortgang / resultaten februari 2026

De afgelopen maanden hebben we concrete stappen gezet in het verbeteren van diffusion MRI — een techniek om de ‘bedrading’ van de hersenen in kaart te brengen — met behulp van kunstmatige intelligentie (AI). Omdat de tijd voor een MRI-scan in de klinische praktijk beperkt is, ontwikkelen we rekenmodellen die de beeldkwaliteit kunnen verbeteren binnen de beschikbare scantijd. In de toekomst zullen deze methoden worden toegepast om een betere visualisatie van hersenverbindingen tijdens operaties mogelijk te maken.

Tijdens de eerste acht maanden van het project hebben we een uitgebreide studie uitgevoerd naar bestaande AI-methoden om de resolutie van diffusion MRI te verbeteren. Op basis van deze analyse hebben we twee veelbelovende AI-modellen geïmplementeerd en getraind met hoogwaardige hersenbeeldgegevens van het Human Connectome Project. Voor dit werk hebben we tevens een complete verwerkingspipeline ontwikkeld, inclusief realistische simulaties van lagere-resolutie scans. De eerste trainingsresultaten zijn veelbelovend en laten zien dat de voorgestelde methoden de details in gereconstrueerde hersenvezelbanen aanzienlijk kunnen verbeteren. Daarnaast hebben we een nieuwe internationale samenwerking opgezet met de groep van Professor Daniel Alexander aan University College London (UCL).

Parallel hieraan hebben we ons gericht op aanvullende strategieën om diffusion MRI-informatie te verrijken zonder extra scantijd. Na een uitgebreide analyse van de nieuwste wetenschappelijke ontwikkelingen is een gedetailleerd experimenteel plan opgesteld, dat in de komende maanden zal worden uitgevoerd.