Derin öğrenme algoritmaları kullanılarak klinik sagittal ve koronal T1-ağırlıklı MRG’de rotator manşet kaslarının kantitatif yağ-fraksiyon analizi

Omuz Kası Yağının Neden Önemli Olduğu

Rotator manşetin bir tendonu yırtıldığında cerrahlar genellikle onarabilir—ancak kasın durumu onarımın kalıcılığını güçlü şekilde etkiler. Önemli bir uyarı işareti, hasarlı kas içine ne kadar yağın sızdığıdır. Bugüne dek doktorlar bunu tek bir omuz tarama dilimini gözle değerlendirerek, kaba bir beş basamaklı ölçekle yapmaktaydı. Bu çalışma, derin öğrenmeyle desteklenen modern görüntü analizinin rutin omuz taramalarını kas yağının hassas 3B haritalarına nasıl dönüştürebileceğini araştırıyor; bu da cerrahların kimin ameliyattan yarar göreceğini daha iyi tahmin etmelerine ve ameliyatı planlamalarına yardımcı olabilir.

Bulanık Bilginin Sorunu

Günümüzde çoğu cerrah rotator manşet kaslarını değerlendirmek için standart manyetik rezonans görüntülemeye (MRG) güvenir. Bu görüntülerde yağ parlak, kas daha koyu görünür ve yaygın kullanılan bir derecelendirme sistemi her kası “yağ yok”tan “kastan daha fazla yağ”a kadar sıralar. Ancak bu değerlendirme omuzun tek bir eğimli diliminde—sözde Y-görünümü—yapılır ve farklı uzmanlar genellikle tam derece konusunda anlaşamaz. Tendonların geriye çekildiği hastalarda o tek dilim kişiden kişiye kasın aynı bölümüne denk gelmeyebilir, bu da karşılaştırmaları daha da zorlaştırır. Önceki araştırmalar ayrıca bir dilimde görülenlerin tüm üç boyutlu kası güvenilir biçimde temsil etmediğini göstermiştir.

Kaslardaki Yağı Görmenin Daha İyi Bir Yolu

Radyologların zaten daha hassas bir MRG tekniği vardır: Dixon görüntüleme; bu teknik kas içindeki her küçük hacim elemanındaki—voxel’deki—yağ yüzdesini kesin olarak ölçebilir. Bu taramalar yağın düzensiz dağıldığını ve kas boyunca değişebildiğini ortaya koyar. Ancak Dixon taramaları çoğu hastanede rutin omuz görüntülemesinin bir parçası değildir. Bu çalışmanın yazarları, bir bilgisayarın aynı ayrıntılı yağ bilgisini hastaların zaten aldığı standart MRG’lerden doğrudan çıkarıp çıkaramayacağını sordular. Çalışma, aynı omuzda hem rutin T1-ağırlıklı MRG hem de uzman Dixon taramaları olan 99 rotator manşet yırtığı olan erişkinin verilerini, dört ana rotator manşet kasını kapsayacak şekilde bir araya getirdi.

Piksel Arasını Okumayı Öğreten Bir Algoritma

Araştırma ekibi önce daha önce doğrulanmış bir derin öğrenme aracını kullanarak standart MRG’lerde omuz kemiklerini ve her rotator manşet kasını otomatik olarak çizdi. Ardından rutin taramaları Dixon görüntüleriyle hizalayarak standart MRG’deki her voxel’in Dixon taramasından alınan gerçek yağ yüzdesiyle eşleştirilebilmesini sağladılar. Her voxel’i basitçe “yağ” ya da “kas” olarak etiketlemek yerine yağ içeriğini neredeyse hiç yağımdan çok yüksek yağa kadar beş aralığa böldüler. 3B bir sinir ağı, sadece standart MRG görünümüne dayanarak kas içindeki her voxel’in bu beş aralıktan hangisine ait olduğunu tahmin etmek üzere eğitildi. Eğitim 75 omuz üzerinde yapıldı; performans kalan 24 omuzda, hem sagittal (yan) hem de koronal (ön) kesit yönlerinde test edildi.

Kas Bazında Daha Keskin Sayılar

Ağ bu görevi öğrendikten sonra araştırmacılar voxel başına tahminleri her kas için ortalama yağ yüzdesine dönüştürebildiler. Dixon görüntülemeden alınan gerçek değerlerle karşılaştırıldığında hatalar küçüktü—genellikle yaklaşık 1–2 yüzde puanı içinde ve en kötü durumda kas ve tarama yönüne bağlı olarak yaklaşık 2–4 yüzde puanı civarındaydı. Kritik olarak, bu çok seviyeli yaklaşım, her voxeli basit bir eşik temelinde tamamen yağ ya da tamamen kas olarak sınıflandıran geleneksel “ikili” yöntemi açıkça geride bıraktı. Eski tip ölçüm genel yağ içeriğini yaklaşık 6 yüzde puanıyla hafife alıyordu; bazı kaslarda gerçek yağın yaklaşık yarısı kadar eksik gösteriyordu. Yeni yöntem ayrıca yağın her kas boyunca nasıl dağıldığını da yakaladı; ortalama seviyenin stabil kalabileceğini ama bireysel hastaların tek bir dilimin kaçıracağı güçlü yerel değişimler gösterebileceğini ortaya koydu.

Bu Hastalar İçin Ne Anlama Gelebilir

Rotator manşet ameliyatı ile karşı karşıya olan kişiler için kaba görsel bir skor ile hassas bir 3B ölçüm arasındaki fark daha net bir prognoz ve daha kişiselleştirilmiş tedaviye dönüşebilir. Bu çalışma, derin öğrenme algoritmasının kliniklerde zaten toplanan standart omuz MRG’lerini ek tarama süresi veya özel ekipman gerektirmeden neredeyse kantitatif yağ haritalarına dönüştürebileceğini gösteriyor. Yöntemin daha çeşitli tarayıcılarda ve hastanelerde test edilmeye ihtiyacı olsa da otomatik, tutarlı kas kalitesi değerlendirmesine doğru bir yol sunuyor. Gelecekte, bir kas içinde yağın yer aldığı detaylı haritalar cerrahların bir onarımın başarılı olma olasılığını değerlendirmesine, cerrahi teknikleri ince ayarlamasına ve sonuçta ağrılı omuz yırtıkları olan hastalar için sonuçları iyileştirmeye yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: rotator manşet, kas yağı, MRG, derin öğrenme, omuz cerrahisi