Квантитативный анализ доли жира в мышцах ротаторной манжеты на клинических сагиттальных и корональных T1-взвешенных МР-изображениях с использованием алгоритмов глубокого обучения

Почему жир в плечевых мышцах имеет значение

Когда сухожилие ротаторной манжеты плеча рвётся, хирурги зачастую могут восстановить его — но состояние мышцы существенно влияет на то, насколько прочным окажется восстановление. Одним из ключевых признаков является доля жира, проникшего в повреждённую мышцу. До сих пор врачи оценивали это по одному срезу плеча, визуально, по грубой пятибалльной шкале. В этом исследовании изучается, как современные методы анализа изображений на основе глубокого обучения могут превратить рутинные МР-сканы плеча в точные трёхмерные карты жировой прослойки мышц, помогая врачам лучше прогнозировать, кому операция принесёт пользу, и как её планировать.

Проблема нечеткой информации

Сегодня большинство хирургов полагаются на стандартную магнитно-резонансную томографию плеча для оценки мышц ротаторной манжеты. На этих изображениях жир выглядит ярким, а мышца — темнее; широко используемая шкала ранжирует каждую мышцу от «нет жира» до «жира больше, чем мышцы». Но такое заключение делается по одному косому срезу плеча — так называемому Y-видению — и разные специалисты часто расходятся в оценке. У пациентов со смещёнными сухожилиями этот единственный срез может не совпадать с одинаковой частью мышцы у разных людей, что усложняет сравнения. Предыдущие исследования также показали, что то, что видно на одном срезе, ненадёжно отражает всю трёхмерную структуру мышцы.

Лучший способ увидеть жир в мышцах

Радиологи уже располагают более точной МР-методикой, известной как Dixon-сканирование, которая может измерять точный процент жира в каждом маленьком объёме — вокселе — по всей мышце. Эти сканы показывают, что жир распределён неравномерно и может изменяться вдоль длины мышцы. Однако Dixon-сканирование не входит в рутинный протокол обследования плеча в большинстве больниц. Авторы исследования задали вопрос: можно ли обучить компьютер выводить такую же подробную информацию о жире прямо из стандартных МР-изображений, которые пациенты уже получают. Они собрали данные 99 взрослых с разрывами ротаторной манжеты, у которых были как рутинные T1-взвешенные МРТ, так и специализированные Dixon-сканы того же плеча, охватывающие все четыре ключевые мышцы ротаторной манжеты.

Обучение алгоритма читать между пикселями

Команда сначала использовала ранее валидационный инструмент глубокого обучения для автоматического выделения костей плеча и каждой мышцы ротаторной манжеты на стандартных МР-изображениях. Затем они выровняли рутинные сканы с Dixon-изображениями так, чтобы каждый воксель стандартной МРТ можно было сопоставить с его истинным процентом жира по Dixon. Вместо простого обозначения каждого вокселя как «жир» или «мышца» они разделили содержание жира на пять диапазонов — от практически отсутствия жира до очень высокого его содержания. Трёхмерная нейросеть была обучена предсказывать для каждого вокселя внутри мышц, к какому из этих пяти диапазонов он относится, основываясь только на внешнем виде в стандартной МРТ. Обучение проводилось на 75 плечах; работу модели тестировали на оставшихся 24, при сагиттальном (вид со стороны) и корональном (вид спереди) направлениях сканирования.

Более точные показатели для каждой мышцы

После обучения сети исследователи смогли преобразовать её поксельные предсказания в средний процент жира для каждой мышцы. По сравнению с истинными значениями по Dixon-сканированию ошибки были небольшими — обычно в пределах примерно 1–2 процентных пунктов и в худшем случае около 2–4 процентных пунктов в зависимости от мышцы и направления сканирования. Важно, что этот многоуровневый подход явно превзошёл традиционный «бинарный» метод, классифицирующий каждый воксель как либо полностью жир, либо полностью мышцу по простому порогу. Старый метод недооценивал общий процент жира примерно на 6 процентных пунктов, то есть в некоторых мышцах недостающая доля составляла около половины истинного содержания жира. Новый метод также показал распределение жира вдоль каждой мышцы, показывая, что при стабильном среднем уровне у отдельных пациентов могут быть сильные локальные вариации, которые единичный срез не выявит.

Что это может значить для пациентов

Для людей, которым предстоит операция на ротаторной манжете, разница между приблизительной визуальной оценкой и точным трёхмерным измерением может означать более ясный прогноз и более персонализированное лечение. Эта работа показывает, что алгоритм глубокого обучения может преобразовывать стандартные МРТ плеча, уже выполняемые в клиниках, в почти количественные карты жира без дополнительного времени сканирования или специального оборудования. Хотя метод требует дальнейшей проверки на более разнообразных томографах и в разных больницах, он открывает путь к автоматизированной и согласованной оценке качества мышц. В будущем такие детализированные карты расположения жира внутри мышцы могут помочь хирургам решить, когда реконструкция скорее всего увенчается успехом, уточнить хирургические приёмы и в конечном счёте улучшить исходы у пациентов с болезненными разрывами плеча.

Цитирование: 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

Ключевые слова: ротаторная манжета, жировая прослойка мышцы, МРТ, глубокое обучение, плечевая хирургия