Quantitative Fettanteilsanalyse der Rotatorenmanschettenmuskulatur in klinischen sagittalen und koronaren T1-gewichteten MRT-Aufnahmen mithilfe von Deep-Learning-Algorithmen

Warum Fett in der Schultermuskulatur wichtig ist

Wenn eine Sehne der Rotatorenmanschette reißt, können Chirurgen sie oft wiederherstellen – doch der Zustand des Muskels beeinflusst stark, ob die Reparatur dauerhaft hält. Ein wichtiges Warnzeichen ist, wie viel Fett in das geschädigte Muskelgewebe eingedrungen ist. Bislang mussten Ärzte dies anhand einer einzelnen Schicht der Schulteraufnahme visuell und grob auf einer fünfstufigen Skala beurteilen. Diese Studie untersucht, wie moderne Bildanalyse auf Basis von Deep Learning routinemäßige Schulteraufnahmen in präzise 3D-Karten des Muskel-Fett-Anteils verwandeln könnte, um Ärzten bessere Prognosen zu ermöglichen und die Operationsplanung zu verbessern.

Das Problem mit unscharfen Informationen

Heute verlassen sich die meisten Chirurgen auf standardmäßige Magnetresonanztomographie (MRT) der Schulter zur Beurteilung der Rotatorenmanschettenmuskeln. In diesen Bildern erscheint Fett hell und Muskel dunkler, und ein weit verbreitetes Einstufungssystem bewertet jeden Muskel von „kein Fett“ bis „mehr Fett als Muskel“. Diese Beurteilung erfolgt jedoch auf einer einzigen schrägen Schicht der Schulter – dem sogenannten Y-View – und verschiedene Experten stimmen oft nicht in allen Details überein. Bei Patienten, deren Sehnen zurückgezogen sind, fällt diese einzelne Schicht möglicherweise nicht mehr mit demselben Teil des Muskels zwischen verschiedenen Personen zusammen, was Vergleiche zusätzlich erschwert. Frühere Untersuchungen haben außerdem gezeigt, dass das, was man in einer Schicht sieht, nicht verlässlich den gesamten dreidimensionalen Muskel repräsentiert.

Ein besserer Weg, Fett in Muskeln zu sehen

Radiologen verfügen bereits über eine präzisere MRT-Technik, die sogenannte Dixon-Bildgebung, mit der sich der genaue Fettanteil in jedem kleinen Volumenelement – einem Voxel – im Muskel messen lässt. Diese Aufnahmen zeigen, dass Fett ungleichmäßig verteilt ist und sich entlang der Muskellänge unterscheiden kann. Dixon-Aufnahmen sind jedoch in den meisten Krankenhäusern nicht Teil der routinemäßigen Schulterbildgebung. Die Autoren dieser Studie fragten, ob ein Computer lernen könnte, dieselben detaillierten Fettinformationen direkt aus den standardmäßigen MRT-Aufnahmen abzuleiten, die Patienten ohnehin erhalten. Sie sammelten Daten von 99 Erwachsenen mit Rotatorenmanschettenrissen, die sowohl routinemäßige T1-gewichtete MRTs als auch spezialisierte Dixon-Scans derselben Schulter hatten und damit alle vier wichtigen Rotatorenmanschettenmuskeln abdeckten.

Einem Algorithmus beibringen, zwischen den Pixeln zu lesen

Das Team nutzte zunächst ein zuvor validiertes Deep-Learning-Werkzeug, um automatisch die Schulterknochen und jeden Rotatorenmanschettenmuskel in den Standard-MRTs zu umreißen. Anschließend richteten sie die Routineaufnahmen an den Dixon-Bildern aus, sodass jedes Voxel in der Standard-MRT seinem tatsächlichen Fettanteil aus dem Dixon-Scan zugeordnet werden konnte. Anstatt jedes Voxel lediglich als „Fett“ oder „Muskel“ zu kennzeichnen, unterteilten sie den Fettgehalt in fünf Bereiche, von fast keinem Fett bis zu sehr hohem Fettanteil. Ein 3D-Neuronales Netzwerk wurde trainiert, für jedes Voxel innerhalb der Muskeln vorherzusagen, zu welchem dieser fünf Bereiche es gehört, allein basierend auf dem Erscheinungsbild in der Standard-MRT. Das Training erfolgte an 75 Schultern; die Leistung wurde an den verbleibenden 24 Schultern in sowohl sagittaler (seitlicher) als auch koronarer (frontaler) Scanrichtung getestet.

Scharfere Zahlen, Muskel für Muskel

Sobald das Netzwerk diese Aufgabe erlernt hatte, konnten die Forschenden die Vorhersagen für einzelne Voxel in einen durchschnittlichen Fettprozentsatz für jeden Muskel umrechnen. Im Vergleich zu den wahren Werten aus der Dixon-Bildgebung waren die Fehler klein – typischerweise im Bereich von etwa 1–2 Prozentpunkten und im ungünstigsten Fall etwa 2–4 Prozentpunkte, abhängig vom Muskel und der Scanrichtung. Entscheidend ist, dass dieser mehrstufige Ansatz deutlich besser abschnitt als eine traditionelle „binäre“ Methode, die jedes Voxel anhand einer einfachen Schwelle entweder als Fett oder als Muskel klassifiziert. Diese ältere Messweise unterschätzte den gesamten Fettgehalt um etwa 6 Prozentpunkte und damit grob die Hälfte des tatsächlichen Fetts in einigen Muskeln. Die neue Methode erfasste zudem die Verteilung des Fetts entlang jedes Muskels und zeigte, dass zwar der Durchschnitt stabil sein kann, einzelne Patienten aber starke lokale Unterschiede aufweisen können, die in einer einzigen Schicht unentdeckt blieben.

Was das für Patienten bedeuten könnte

Für Menschen, die sich einer Rotatorenmanschettenoperation gegenübersehen, kann der Unterschied zwischen einer groben visuellen Bewertung und einer präzisen 3D-Messung in einer klareren Prognose und einer besser zugeschnittenen Behandlung resultieren. Diese Arbeit zeigt, dass ein Deep-Learning-Algorithmus die standardmäßigen Schulter-MRTs, die bereits in Kliniken gesammelt werden, in nahezu quantitative Fettkarten umwandeln kann, ohne zusätzliche Scanzeit oder spezielle Ausrüstung. Obwohl die Methode noch an einer größeren Vielfalt von Scannern und Kliniken validiert werden muss, eröffnet sie einen Weg zu einer automatisierten, konsistenten Einschätzung der Muskelqualität. In Zukunft könnten solche detaillierten Karten der Fettverteilung innerhalb eines Muskels Chirurgen helfen zu entscheiden, wann eine Rekonstruktion voraussichtlich Erfolg hat, chirurgische Techniken zu verfeinern und letztlich die Ergebnisse für Patienten mit schmerzhaften Schulterverletzungen zu verbessern.

Zitation: Hess, H., Oswald, A., Daneshvar, K. et al. Quantitative fat-fraction analysis of the rotator cuff muscles on clinical sagittal and coronal T1-weighted MRI using deep learning algorithms. Sci Rep 16, 8821 (2026). https://doi.org/10.1038/s41598-026-38108-3

Schlüsselwörter: Rotatorenmanschette, Muskel-Fett, MRT, Deep Learning, Schulterchirurgie