使用深度学习算法在临床矢状面和冠状面T1加权MRI上对肩袖肌肉进行定量脂肪分数分析

为什么肩部肌肉脂肪很重要

当肩袖的肌腱发生撕裂时，外科医生经常可以修复它——但肌肉的状况会强烈影响修复能否持久。一个关键的预警信号是受损肌肉中浸润了多少脂肪。到目前为止，医生必须通过目测在单张肩部扫描切面上判断，使用粗略的五级评分。本研究探讨了由深度学习驱动的现代图像分析如何将常规肩部扫描转化为精确的三维肌肉脂肪图，帮助医生更好地预测谁将从手术中受益以及如何进行手术规划。

模糊信息的问题

目前，大多数外科医生依赖标准的肩部磁共振成像（MRI）来评估肩袖肌肉。在这些图像上，脂肪呈高信号（亮），肌肉较暗，且一种广泛使用的分级系统将每块肌肉从“无脂肪”到“脂肪多于肌肉”进行排序。但这种判断是在肩部的单个倾斜切面——所谓的Y位视图上完成的，不同专家常常在具体分级上存在分歧。在肌腱回缩的患者中，该单一切面可能不再与不同患者肌肉的相同部位对齐，使得比较更加困难。既往研究也表明，单张切面所见并不能可靠地代表整个三维肌肉。

一种更好的观察肌肉脂肪的方法

放射科医生已有一种更精确的MRI技术，称为Dixon成像，它可以测量肌肉中每个体素（体积像素）的精确脂肪百分比。这类扫描显示脂肪分布并不均匀，并且沿肌肉长度会有变化。然而，Dixon扫描并非大多数医院常规肩部影像的一部分。本研究的作者想知道是否可以让计算机从患者已接受的常规MRI中推断出相同的详细脂肪信息。他们汇集了99名肩袖撕裂成人的数据，这些患者在同一侧肩膀上同时接受了常规T1加权MRI和专门的Dixon扫描，覆盖了四块关键肩袖肌肉。

教计算机在像素之间读出信息

研究团队首先使用一款先前验证过的深度学习工具，在常规MRI上自动勾勒出肩胛骨和每块肩袖肌肉的轮廓。随后，他们将常规扫描与Dixon图像对齐，使得常规MRI中的每个体素都能匹配到Dixon扫描给出的真实脂肪百分比。研究并未简单地将每个体素标记为“脂肪”或“肌肉”，而是将脂肪含量分为五个区间，从几乎无脂肪到非常高的脂肪含量。训练了一个三维神经网络，使其仅基于常规MRI的外观，预测位于肌肉内的每个体素属于这五个区间中的哪一类。训练使用了75个肩膀；在剩余的24个肩膀上测试性能，分别使用矢状面（侧视）和冠状面（正面）扫描方向。

更精确的数字，逐肌肉评估

网络学会该任务后，研究者可以将其逐体素预测转换为每块肌肉的平均脂肪百分比。与Dixon成像的真实值相比，误差很小——通常约在1–2个百分点，最差情况下根据肌肉和扫描方向约为2–4个百分点。关键是，这种多级方法明显优于传统的“二元”方法（即基于简单阈值将每个体素分类为全脂或全肌肉）。老式方法低估了总体脂肪含量约6个百分点，约占某些肌肉真实脂肪的一半。新方法还捕捉到了脂肪在每块肌肉沿长轴的分布，显示尽管平均水平可能稳定，但个体患者会出现强烈的局部差异，单张切面会漏掉这些变化。

这对患者意味着什么

对于面临肩袖手术的人来说，粗略的视觉评分与精确的三维测量之间的差别，可能转化为更清晰的预后判断和更个性化的治疗。本研究表明，深度学习算法可以将临床已经采集的常规肩部MRI变为近定量的脂肪图，无需额外扫描时间或特殊设备。尽管该方法仍需在更多不同型号的扫描仪和医院中验证，但它为实现肌肉质量的自动化、一致评估提供了一条可行路径。未来，这类详细的肌肉内脂肪分布图可帮助外科医生决定何时修复更可能成功、优化手术技术，并最终改善有疼痛肩撕裂患者的治疗结局。

引用: 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

关键词: 肩袖, 肌肉脂肪, MRI, 深度学习, 肩部手术