Ilościowa analiza frakcji tłuszczu mięśni rotatorów na klinicznych obrazach T1 w płaszczyznach strzałkowej i czołowej przy użyciu algorytmów głębokiego uczenia

Dlaczego tłuszcz w mięśniach barku ma znaczenie

Gdy ścięgno w mankiecie rotatorów pęka, chirurdzy często mogą je naprawić — jednak stan mięśnia w dużej mierze decyduje o trwałości takiej naprawy. Jednym z istotnych wskaźników jest, ile tłuszczu wniknęło w uszkodzony mięsień. Do tej pory lekarze oceniali to na podstawie pojedynczego przekroju barku, wzrokowo, korzystając z przybliżonej pięciostopniowej skali. W tym badaniu sprawdzono, czy nowoczesna analiza obrazów, napędzana przez głębokie uczenie, może przekształcić rutynowe skany barku w dokładne, trójwymiarowe mapy zawartości tłuszczu w mięśniach, pomagając lekarzom lepiej przewidywać, kto skorzysta na zabiegu i jak go zaplanować.

Problem rozmytej informacji

Obecnie większość chirurgów opiera się na standardowym rezonansie magnetycznym (MRI) barku, by ocenić mięśnie mankietu rotatorów. Na tych obrazach tłuszcz jest jasny, a mięsień ciemniejszy, a powszechnie stosowany system oceny klasyfikuje każdy mięsień od „brak tłuszczu” do „więcej tłuszczu niż mięśnia”. Jednak ta ocena opiera się na jednym skośnym przekroju barku — tzw. widoku Y — i eksperci często nie zgadzają się co do dokładnej oceny. U pacjentów ze ściągniętymi ścięgnami ten pojedynczy przekrój może nie odpowiadać tej samej części mięśnia u różnych osób, co utrudnia porównania. Badania wcześniejsze wykazały też, że to, co widać w jednym przekroju, nie reprezentuje wiarygodnie całego trójwymiarowego mięśnia.

Lepszy sposób widzenia tłuszczu w mięśniach

Radiolodzy dysponują już dokładniejszą techniką MRI, zwaną obrazowaniem Dixon, która może zmierzyć dokładny odsetek tłuszczu w każdym małym elemencie objętości — czyli w wokselu — w całym mięśniu. Te skany ukazują, że tłuszcz jest rozmieszczony nierównomiernie i może zmieniać się wzdłuż mięśnia. Jednak skanów Dixon nie wykonuje się rutynowo w większości szpitali. Autorzy badania zapytali, czy komputer mógłby nauczyć się wnioskować o tych szczegółowych informacjach o tłuszczu bezpośrednio z rutynowych obrazów MRI, które pacjenci już otrzymują. Zebrali dane od 99 dorosłych z pęknięciami mankietu rotatorów, którzy mieli zarówno standardowe obrazy T1, jak i specjalistyczne skany Dixon tego samego barku, obejmujące wszystkie cztery kluczowe mięśnie mankietu.

Nauczanie algorytmu „czytania między pikselami”

Zespół najpierw użył uprzednio zweryfikowanego narzędzia głębokiego uczenia do automatycznego obrysowania kości barku oraz każdego z mięśni mankietu na standardowych obrazach MRI. Następnie wyrównali rutynowe skany z obrazami Dixon tak, by każdy woxel w standardowym MRI mógł być sparowany z jego rzeczywistym odsetkiem tłuszczu z badania Dixon. Zamiast po prostu oznaczać każdy woxel jako „tłuszcz” lub „mięsień”, podzielili zawartość tłuszczu na pięć zakresów, od niemal zerowego do bardzo wysokiego udziału tłuszczu. Trójwymiarową sieć neuronową wytrenowano, aby przewidywała, dla każdego woksela wewnątrz mięśni, do którego z tych pięciu przedziałów należy, bazując wyłącznie na wyglądzie w standardowym MRI. Do treningu użyto 75 barków; wydajność testowano na pozostałych 24, zarówno w kierunkach strzałkowym (z boku), jak i czołowym (z przodu).

Dokładniejsze liczby, mięsień po mięśniu

Gdy sieć opanowała zadanie, badacze mogli przekształcić jej przewidywania woksela po woksela w średni odsetek tłuszczu dla każdego mięśnia. W porównaniu z rzeczywistymi wartościami z obrazowania Dixon, błędy były niewielkie — zwykle w granicach około 1–2 punktów procentowych, a w najgorszym wypadku około 2–4 punktów procentowych w zależności od mięśnia i kierunku skanowania. Co istotne, to podejście z wieloma poziomami wyraźnie przewyższało tradycyjną metodę „binarną”, która klasyfikuje każdy woxel jako albo tłuszcz, albo mięsień na podstawie prostego progu. Starszy sposób pomiaru zaniżał ogólną zawartość tłuszczu o około 6 punktów procentowych, czyli mniej więcej połowę rzeczywistej zawartości tłuszczu w niektórych mięśniach. Nowa metoda uchwyciła też, jak tłuszcz jest rozmieszczony wzdłuż każdego mięśnia, pokazując, że choć poziom średni może być stabilny, poszczególni pacjenci mogą wykazywać silne lokalne zmiany, których pojedynczy przekrój nie wychwyci.

Co to może znaczyć dla pacjentów

Dla osób stojących przed operacją mankietu rotatorów różnica między przybliżoną oceną wzrokową a precyzyjnym pomiarem 3D może przełożyć się na jaśniejsze rokowania i bardziej dopasowane leczenie. Praca ta pokazuje, że algorytm głębokiego uczenia może przekształcić standardowe obrazy MRI barku, zbierane już w klinikach, w niemal ilościowe mapy tłuszczu, bez dodatkowego czasu skanowania ani specjalnego sprzętu. Chociaż metoda wciąż wymaga testów na bardziej zróżnicowanych aparatach i w różnych szpitalach, oferuje drogę do zautomatyzowanej, spójnej oceny jakości mięśni. W przyszłości takie szczegółowe mapy rozmieszczenia tłuszczu w mięśniu mogą pomóc chirurgom zdecydować, kiedy naprawa ma większe szanse powodzenia, dopracować techniki operacyjne i ostatecznie poprawić wyniki u pacjentów z bolesnymi pęknięciami barku.

Cytowanie: 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

Słowa kluczowe: mankiet rotatorów, tłuszcz mięśniowy, MRI, głębokie uczenie, chirurgia barku