Kwantiatieve vetfractie-analyse van de rotator cuff-spieren op klinische sagittale en coronale T1-gewogen MRI met behulp van deep learning-algoritmen

Waarom vet in schouderspieren ertoe doet

Wanneer een pees in de rotator cuff van de schouder scheurt, kunnen chirurgen die vaak herstellen — maar de toestand van de spier beïnvloedt sterk of dat herstel blijvend is. Eén belangrijke waarschuwing is hoeveel vet zich in de beschadigde spier heeft opgehoopt. Tot nu toe moesten artsen dit beoordelen aan de hand van één enkele magnetische-resonantiescanlaag van de schouder, visueel en met een grove vijfstappen-schaal. Deze studie onderzoekt hoe moderne beeldanalyse, aangedreven door deep learning, routine schouderscans kan omzetten in nauwkeurige 3D-kaarten van spiervet, waardoor artsen beter kunnen voorspellen wie baat heeft bij operatie en hoe die te plannen.

Het probleem van vage informatie

Vandaag vertrouwen de meeste chirurgen op standaard magnetische resonantiebeeldvorming (MRI) van de schouder om de rotator cuff-spieren te beoordelen. Op deze beelden ziet vet er helder uit en spier donkerder, en een veelgebruikt gradatiesysteem rangschikt elke spier van “geen vet” tot “meer vet dan spier”. Maar deze beoordeling gebeurt op één enkele schuine doorsnede van de schouder — de zogenaamde Y-view — en verschillende experts zijn het vaak niet eens over de exacte graad. Bij patiënten van wie de pezen zijn teruggetrokken, komt die enkele doorsnede mogelijk niet meer overeen met hetzelfde deel van de spier tussen personen, wat vergelijkingen bemoeilijkt. Eerdere onderzoeken hebben ook laten zien dat wat je in één doorsnede ziet niet betrouwbaar het hele driedimensionale spiervolume weergeeft.

Een betere manier om vet in spieren te zien

Radiologen beschikken al over een preciezere MRI-techniek, bekend als Dixon-imaging, die het exacte percentage vet in elk klein volume-element — of voxel — door de spier kan meten. Deze scans tonen dat vet ongelijkmatig verdeeld is en langs de lengte van de spier kan variëren. Dixon-scans maken echter meestal geen deel uit van routinematige schouderbeeldvorming in de meeste ziekenhuizen. De auteurs van deze studie vroegen zich af of een computer hetzelfde gedetailleerde vetbeeld direct uit de standaard-MRI’s die patiënten al krijgen, zou kunnen afleiden. Ze verzamelden gegevens van 99 volwassenen met rotator cuff-scheuren die zowel routine T1-gewogen MRI’s als gespecialiseerde Dixon-scans van dezelfde schouder hadden, waarbij alle vier de belangrijkste rotator cuff-spieren werden bestreken.

Een algoritme leren tussen de pixels lezen

Het team gebruikte eerst een eerder gevalideerd deep learning-hulpmiddel om automatisch de schouderbotten en elke rotator cuff-spier op de standaard-MRI’s af te bakenen. Vervolgens brachten ze de routinematige scans in lijn met de Dixon-beelden zodat elke voxel in de standaard-MRI gekoppeld kon worden aan het werkelijke vetpercentage uit de Dixon-scan. In plaats van elke voxel simpelweg als “vet” of “spier” te labelen, verdeelden ze het vetgehalte in vijf bereiken, van vrijwel geen vet tot zeer veel vet. Een 3D-neuraal netwerk werd getraind om voor elke voxel binnen de spieren te voorspellen bij welk van deze vijf bereiken het hoorde, uitsluitend op basis van het voorkomen in de standaard-MRI. De training gebruikte 75 schouders; de prestaties werden getest op de resterende 24, in zowel sagittale (zijaanzicht) als coronale (vooraanzicht) scanrichtingen.

Scherpere cijfers, spier voor spier

Zodra het netwerk deze taak had geleerd, konden de onderzoekers de voxel-voor-voxel-voorspellingen omzetten in een gemiddeld vetpercentage per spier. Vergeleken met de werkelijke waarden uit Dixon-imaging waren de fouten klein — typisch binnen ongeveer 1–2 procentpunt, en in het slechtste geval ongeveer 2–4 procentpunt, afhankelijk van de spier en scanrichting. Cruciaal is dat deze meerlaagse benadering duidelijk beter presteerde dan een traditionele “binaire” methode die elke voxel als geheel vet of geheel spier classificeert op basis van een eenvoudige drempel. Die oudere meetwijze onderschatte het totale vetgehalte met ongeveer 6 procentpunt, grofweg de helft van het werkelijke vet in sommige spieren. De nieuwe methode legde ook vast hoe vet langs elke spier is verdeeld, en toonde dat hoewel het gemiddelde niveau stabiel kan lijken, individuele patiënten sterke lokale variaties kunnen vertonen die door één enkele doorsnede gemist worden.

Wat dit voor patiënten kan betekenen

Voor mensen die een rotator cuff-operatie overwegen, kan het verschil tussen een ruwe visuele score en een precieze 3D-meting zich vertalen naar een duidelijkere prognose en meer op maat gemaakte behandeling. Dit werk toont aan dat een deep learning-algoritme de standaard schouder-MRI’s die klinieken al verzamelen kan omzetten in bijna-kwantitatieve vetkaarten, zonder extra scantijd of speciale apparatuur. Hoewel de methode nog getest moet worden op meer diverse scanners en in andere ziekenhuizen, biedt het een weg naar geautomatiseerde, consistente beoordeling van spierkwaliteit. In de toekomst zouden zulke gedetailleerde kaarten van waar vet zich in een spier bevindt chirurgen kunnen helpen beslissen wanneer een reparatie waarschijnlijk succesvol is, chirurgische technieken verfijnen en uiteindelijk de uitkomsten verbeteren voor patiënten met pijnlijke schoudertranen.

Bronvermelding: 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

Trefwoorden: rotator cuff, spiervet, MRI, deep learning, schouderchirurgie