Analyse quantitative de la fraction lipidique des muscles de la coiffe des rotateurs sur des IRM T1 pondérées sagittales et coronales cliniques à l’aide d’algorithmes d’apprentissage profond

Pourquoi la graisse musculaire de l’épaule compte

Lorsqu’un tendon de la coiffe des rotateurs se déchire, les chirurgiens peuvent souvent le réparer — mais l’état du muscle influence fortement la durabilité de cette réparation. Un indicateur clé est la quantité de graisse infiltrée dans le muscle endommagé. Jusqu’à présent, les cliniciens devaient estimer cela sur une seule coupe de l’IRM de l’épaule, à l’œil, en utilisant une échelle grossière en cinq degrés. Cette étude examine comment l’analyse d’image moderne, alimentée par l’apprentissage profond, pourrait transformer des scans d’épaule de routine en cartes 3D précises de la graisse musculaire, aidant les médecins à mieux prédire qui bénéficiera d’une chirurgie et à mieux la planifier.

Le problème des informations floues

Aujourd’hui, la plupart des chirurgiens s’appuient sur l’imagerie par résonance magnétique (IRM) standard de l’épaule pour évaluer les muscles de la coiffe des rotateurs. Sur ces images, la graisse apparaît brillante et le muscle plus sombre, et un système de gradation largement utilisé classe chaque muscle de « pas de graisse » à « plus de graisse que de muscle ». Mais ce jugement se fait sur une seule coupe angulée de l’épaule — la fameuse vue en Y — et des experts différents peuvent souvent ne pas s’accorder sur le grade exact. Chez les patients dont les tendons se sont rétractés, cette unique coupe peut ne plus correspondre à la même portion du muscle d’un individu à l’autre, rendant les comparaisons encore plus difficiles. Des recherches antérieures ont également montré que ce que l’on voit sur une coupe ne représente pas de manière fiable l’ensemble du muscle en trois dimensions.

Une meilleure manière de voir la graisse dans les muscles

Les radiologues disposent déjà d’une technique IRM plus précise, dite imagerie Dixon, qui peut mesurer le pourcentage exact de graisse dans chaque petit élément de volume — ou voxel — à travers le muscle. Ces examens montrent que la graisse est distribuée de manière inégale et peut varier le long de la longueur du muscle. Cependant, les acquisitions Dixon ne font pas partie de l’imagerie d’épaule de routine dans la plupart des hôpitaux. Les auteurs de cette étude se sont donc demandés si un ordinateur pouvait apprendre à déduire la même information graisseuse détaillée directement à partir des IRM standard que les patients reçoivent déjà. Ils ont rassemblé des données de 99 adultes présentant des déchirures de la coiffe des rotateurs, qui avaient à la fois des IRM T1 pondérées de routine et des acquisitions Dixon spécialisées de la même épaule, couvrant les quatre muscles clés de la coiffe des rotateurs.

Apprendre à un algorithme à lire entre les pixels

L’équipe a d’abord utilisé un outil d’apprentissage profond déjà validé pour délimiter automatiquement les os de l’épaule et chacun des muscles de la coiffe sur les IRM standard. Ils ont ensuite aligné les scans de routine avec les images Dixon afin que chaque voxel de l’IRM standard puisse être apparié à son pourcentage de graisse réel provenant du scan Dixon. Plutôt que d’étiqueter chaque voxel comme « graisse » ou « muscle », ils ont divisé le contenu en graisse en cinq intervalles, allant de presque pas de graisse à une teneur très élevée. Un réseau neuronal 3D a été entraîné pour prédire, pour chaque voxel à l’intérieur des muscles, lequel de ces cinq intervalles il appartenait, en se basant uniquement sur l’apparence dans l’IRM standard. L’entraînement a utilisé 75 épaules ; les performances ont été testées sur les 24 restantes, dans les deux directions d’acquisition sagittale (vue de côté) et coronale (vue frontale).

Des chiffres plus précis, muscle par muscle

Une fois la tâche apprise par le réseau, les chercheurs ont pu convertir ses prédictions voxel par voxel en un pourcentage moyen de graisse pour chaque muscle. Comparées aux valeurs réelles obtenues par l’imagerie Dixon, les erreurs étaient faibles — typiquement de l’ordre de 1 à 2 points de pourcentage, et au pire d’environ 2 à 4 points selon le muscle et la direction d’acquisition. De façon cruciale, cette approche multiniveau a clairement surpassé une méthode traditionnelle « binaire » qui classifie chaque voxel comme entièrement graisseux ou entièrement musculaire sur la base d’un seuil simple. Ce mode de mesure plus ancien sous-estimait la teneur globale en graisse d’environ 6 points de pourcentage, soit à peu près la moitié de la graisse réelle dans certains muscles. La nouvelle méthode a également capté la distribution de la graisse le long de chaque muscle, révélant que si le niveau moyen peut sembler stable, les patients peuvent présenter de fortes variations locales qu’une coupe unique ne détecterait pas.

Ce que cela pourrait signifier pour les patients

Pour les personnes confrontées à une chirurgie de la coiffe des rotateurs, la différence entre une évaluation visuelle approximative et une mesure 3D précise peut se traduire par un pronostic plus clair et un traitement mieux adapté. Ce travail montre qu’un algorithme d’apprentissage profond peut transformer les IRM d’épaule standard déjà collectées en clinique en cartes quasi‑quantitatives de la graisse, sans temps d’examen supplémentaire ni équipement spécialisé. Bien que la méthode doive encore être testée sur des scanners et dans des hôpitaux plus divers, elle ouvre la voie à une évaluation automatisée et cohérente de la qualité musculaire. À l’avenir, de telles cartes détaillées de la répartition de la graisse au sein d’un muscle pourraient aider les chirurgiens à décider quand une réparation a des chances de réussir, affiner les techniques chirurgicales et, en fin de compte, améliorer les résultats pour les patients souffrant de déchirures douloureuses de l’épaule.

Citation: 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

Mots-clés: coiffe des rotateurs, graisse musculaire, IRM, apprentissage profond, chirurgie de l’épaule