Análise quantitativa da fração de gordura dos músculos do manguito rotador em RM ponderada em T1 nas vistas sagital e coronal usando algoritmos de deep learning

Por que a gordura nos músculos do ombro importa

Quando um tendão do manguito rotador do ombro se rompe, os cirurgiões muitas vezes conseguem repará‑lo — mas a condição do músculo influencia fortemente se esse reparo terá sucesso a longo prazo. Um sinal de alerta importante é quanto de gordura se infiltrou no músculo lesionado. Até agora, os médicos precisavam julgar isso por uma única fatia do exame do ombro, a olho, usando uma escala aproximada de cinco níveis. Este estudo explora como a análise de imagem moderna, baseada em deep learning, pode transformar exames de ombro de rotina em mapas 3D precisos da gordura muscular, ajudando os médicos a prever melhor quem se beneficiará da cirurgia e a planejar o procedimento.

O problema da informação borrada

Hoje, a maioria dos cirurgiões confia na ressonância magnética (RM) padrão do ombro para avaliar os músculos do manguito rotador. Nestas imagens, a gordura aparece brilhante e o músculo mais escuro, e um sistema de graduação amplamente usado classifica cada músculo do “sem gordura” a “mais gordura do que músculo”. Mas esse juízo é feito em uma única fatia inclinada do ombro — a chamada visão em Y — e especialistas frequentemente divergem quanto ao grau exato. Em pacientes com retração dos tendões, essa única fatia pode não corresponder à mesma região do músculo entre diferentes pessoas, tornando as comparações ainda mais difíceis. Pesquisas anteriores também mostraram que o que se vê em uma fatia não representa de forma confiável o músculo tridimensional inteiro.

Uma maneira melhor de visualizar a gordura nos músculos

Os radiologistas já dispõem de uma técnica de RM mais precisa, conhecida como imagem Dixon, que pode medir a porcentagem exata de gordura em cada pequeno volume — ou voxel — ao longo do músculo. Esses exames revelam que a gordura é distribuída de forma desigual e pode variar ao longo do comprimento do músculo. No entanto, as imagens Dixon não fazem parte da rotina de investigação do ombro na maioria dos hospitais. Os autores deste estudo perguntaram se um computador poderia aprender a inferir a mesma informação detalhada de gordura diretamente das RMs padrão que os pacientes já recebem. Eles reuniram dados de 99 adultos com ruptura do manguito rotador que tiveram tanto RMs rotineiras ponderadas em T1 quanto exames Dixon especializados do mesmo ombro, abrangendo os quatro músculos-chave do manguito rotador.

Ensinando um algoritmo a ler entre os pixels

A equipe primeiro utilizou uma ferramenta de deep learning previamente validada para delinear automaticamente os ossos do ombro e cada músculo do manguito rotador nas RMs padrão. Em seguida, alinharam as varreduras rotineiras com as imagens Dixon para que cada voxel na RM padrão pudesse ser associado à sua verdadeira porcentagem de gordura vinda do exame Dixon. Em vez de rotular cada voxel apenas como “gordura” ou “músculo”, eles dividiram o conteúdo de gordura em cinco faixas, de quase nenhum gordura a muito alta. Uma rede neural 3D foi treinada para prever, para cada voxel dentro dos músculos, a qual dessas cinco faixas ele pertencia, com base apenas na aparência na RM padrão. O treinamento usou 75 ombros; o desempenho foi testado nos 24 restantes, tanto nas direções de varredura sagital (vista lateral) quanto coronal (vista frontal).

Números mais precisos, músculo a músculo

Uma vez que a rede aprendeu essa tarefa, os pesquisadores puderam converter suas previsões voxel a voxel em uma porcentagem média de gordura para cada músculo. Comparadas com os valores reais das imagens Dixon, os erros foram pequenos — tipicamente na faixa de cerca de 1–2 pontos percentuais, e no pior caso cerca de 2–4 pontos percentuais dependendo do músculo e da direção de varredura. Crucialmente, essa abordagem multinível superou claramente um método tradicional “binário” que classifica cada voxel como totalmente gordura ou totalmente músculo com base em um limiar simples. Esse estilo anterior de medição subestimou o conteúdo total de gordura em cerca de 6 pontos percentuais, aproximadamente metade da gordura verdadeira em alguns músculos. O novo método também capturou como a gordura se distribui ao longo de cada músculo, revelando que, embora o nível médio possa ser estável, pacientes individuais podem apresentar variações locais fortes que uma única fatia deixaria passar.

O que isso pode significar para os pacientes

Para pessoas que enfrentam cirurgia do manguito rotador, a diferença entre uma pontuação visual aproximada e uma medição 3D precisa pode se traduzir em um prognóstico mais claro e em um tratamento mais personalizado. Este trabalho demonstra que um algoritmo de deep learning pode transformar as RMs de ombro padrão já coletadas em clínicas em mapas quase quantitativos de gordura, sem tempo extra de exame ou equipamento especial. Embora o método ainda precise ser testado em scanners e hospitais mais diversos, ele oferece um caminho para uma avaliação automatizada e consistente da qualidade muscular. No futuro, tais mapas detalhados de onde a gordura se localiza dentro de um músculo poderiam ajudar os cirurgiões a decidir quando um reparo tem maior probabilidade de sucesso, refinar técnicas cirúrgicas e, em última instância, melhorar os desfechos para pacientes com rupturas dolorosas do ombro.

Citação: 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

Palavras-chave: manguito rotador, gordura muscular, Ressonância magnética, deep learning, cirurgia do ombro