Kvantitativ analys av fettfraktion i rotatorkuffens muskler på kliniska sagittala och koronala T1-viktade MR-bilder med hjälp av djupa neurala nätverk

Varför fett i axelns muskler spelar roll

När en sena i axelns rotatorkuff brister kan kirurger ofta reparera den – men muskelns skick påverkar i hög grad om reparationen kommer att hålla. Ett viktigt varningstecken är hur mycket fett som trängt in i den skadade muskeln. Fram till nu har läkare fått bedöma detta från ett enstaka snitt i axelns skanning med blotta ögat, med en grov femgradig skala. Denna studie undersöker hur modern bildanalys, driven av djupinlärning, kan förvandla rutinmässiga axelskanningar till precisa 3D-kartor över muskelfett, vilket kan hjälpa läkare att bättre förutsäga vilka som gynnas av operation och hur den bör planeras.

Problemet med suddig information

Idag förlitar sig de flesta kirurger på standardmagnetresonanstomografi (MR) av axeln för att bedöma rotatorkuffens muskler. På dessa bilder ser fett ljust ut och muskulatur mörkare, och ett ofta använt graderingssystem rangordnar varje muskel från ”inget fett” till ”mer fett än muskel”. Men denna bedömning görs på ett enstaka snitt av axeln – det så kallade Y-snittet – och olika experter håller ofta inte med om exakt grad. Hos patienter vars senor har dragit sig tillbaka kan det enstaka snittet dessutom inte längre motsvara samma del av muskeln mellan individer, vilket försvårar jämförelser. Tidigare forskning har också visat att vad man ser i ett snitt inte pålitligt representerar hela den tredimensionella muskeln.

Ett bättre sätt att se fett i muskler

Radiologer har redan en mer precis MR-teknik, kallad Dixon-avbildning, som kan mäta den exakta procentandelen fett i varje litet volymelement – en voxel – i hela muskeln. Dessa skanningar visar att fettet är ojämnt fördelat och kan variera längs muskelns längd. Dixon-skanningar ingår dock inte i rutinmässig axelavbildning på de flesta sjukhus. Författarna till denna studie undrade om en dator kunde lära sig härleda samma detaljerade fettinformation direkt från de standard-MR som patienter redan får. De sammanställde data från 99 vuxna med rotatorkuffrupturer som hade både rutinmässiga T1-viktade MR och specialiserade Dixon-skanningar av samma axel, vilket täckte alla fyra nyckelmuskler i rotatorkuffen.

Att lära en algoritm att läsa mellan pixlarna

Teamet använde först ett tidigare validerat verktyg för djupinlärning för att automatiskt avgränsa axelns ben och varje rotatorkuffmuskel på standard-MR-bilderna. De anpassade sedan de rutinmässiga skanningarna till Dixon-bilderna så att varje voxel i standard-MR kunde kopplas till sin verkliga fettprocent från Dixon-skanningen. Istället för att enbart märka varje voxel som ”fett” eller ”muskel” delade de upp fettinnehållet i fem intervall, från nästan inget fett till mycket högt fettinnehåll. Ett 3D-neuralt nätverk tränades att förutsäga, för varje voxel inne i musklerna, vilket av dessa fem intervall den tillhörde, enbart baserat på utseendet i standard-MR. Träningen använde 75 axlar; prestandan testades på de återstående 24, i både sagittal (sido) och koronal (frontal) skanningsriktning.

Tydligare siffror, muskel för muskel

När nätverket lärt sig uppgiften kunde forskarna omvandla dess voxel-för-voxel-prediktioner till en genomsnittlig fettprocent för varje muskel. Jämfört med de verkliga värdena från Dixon-avbildning var felen små – normalt inom cirka 1–2 procentenheter, och som mest omkring 2–4 procentenheter beroende på muskel och skanningsriktning. Avgörande var att denna flergradiga metod tydligt överträffade en traditionell ”binär” metod som klassificerar varje voxel som antingen bara fett eller bara muskel utifrån en enkel tröskel. Den äldre mätningen underskattade totalt fettinnehåll med omkring 6 procentenheter, vilket motsvarar ungefär hälften av det verkliga fettet i vissa muskler. Den nya metoden fångade också hur fettet är fördelat längs varje muskel och visade att medan genomsnittsnivån kan vara stabil kan enskilda patienter visa starka lokala variationer som ett enda snitt skulle missa.

Vad detta kan innebära för patienter

För personer som står inför rotatorkuffsoperation kan skillnaden mellan en grov visuell poäng och en precis 3D-mätning innebära en klarare prognos och mer skräddarsydd behandling. Detta arbete visar att en algoritm för djupinlärning kan omvandla de standardaxel-MR som redan samlas in i kliniker till närapå kvantitativa fettkartor, utan extra skanningstid eller specialutrustning. Även om metoden fortfarande behöver testas på fler och mer varierade skannrar och sjukhus, erbjuder den en väg mot automatiserad, konsekvent bedömning av muskelkvalitet. I framtiden kan sådana detaljerade kartor över var fettet sitter inom en muskel hjälpa kirurger att avgöra när en reparation sannolikt lyckas, förfina kirurgiska tekniker och i slutändan förbättra resultaten för patienter med smärtsamma axelrupturer.

Citering: 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

Nyckelord: rotatorkuff, muskel Fett, MR, djupinlärning, axelkirurgi