Text

Zielsetzung und Fragestellung: In den letzten Jahren rückte die Qualität der paraspinalen Muskulatur zunehmend in den Fokus wissenschaftlicher Untersuchungen. Eine standardisierte Methode zur quantitativen Analyse der paraspinalen Muskelqualität existiert bislang jedoch nicht. Während einige Studien auf CT- oder MRT-Bildgebung zurückgreifen, variieren die eingesetzten Schwellenwerte zur Differenzierung von Muskel- und Fettgewebe erheblich. Darüber hinaus ist die manuelle Segmentierung der paraspinalen Muskulatur sehr zeitintensiv. Ziel dieser Studie war die Entwicklung eines Deep-Learning-Modells zur automatisierten Segmentierung sowie zur volumetrischen Rekonstruktion der paraspinalen Muskulatur. In einem weiteren Schritt sollte ein systematischer Vergleich verschiedener Schwellenwertansätze und Bias-Korrekturen zur Unterscheidung von Fett- und Muskelgewebe erfolgen.

Material und Methoden: Es handelt sich um eine prospektive Studie. Eingeschlossen wurden Patienten mit akutem oder chronischem lumbalen Schmerzsyndrom – mit oder ohne radikulärer Symptomatik. Eine MRT der Lendenwirbelsäule mit T1-, T2- sowie quantitativen Dixon-Sequenzen wurde durchgeführt. Quantitative Dixon-Sequenzen gelten derzeit als Goldstandard zur präzisen Bestimmung des intramuskulären Fettanteils, gehören jedoch nicht zu den Standardsequenzen konventioneller MRT-Untersuchungen der Wirbelsäule. Die manuelle Segmentierung der paraspinalen Muskulatur (SWK1 bis LWK1) erfolgte schichtweise auf T1- und T2-Bildern mithilfe der Software ITK-SNAP. Auf Grundlage dieser Daten wurde ein Deep-Learning-Modell entwickelt, welches die automatische Segmentierung ermöglicht. Zusätzlich wurde ein Analyseprogramm zur volumetrischen Rekonstruktion erstellt.

Ergebnisse: Bisher wurden 70 Patienten in die prospektive Studie eingeschlossen. Zur KI-Trainingsphase wurden davon 15 Patienten (durchschnittliches Alter 43 Jahre; 7 Frauen) (360 axiale Schichten) vollständig segmentiert. Die automatisierte Segmentierung zeigte eine hohe intra-modale Konsistenz in wiederholten Testläufen, was auf eine stabile Modellkonvergenz hinweist.

Diskussion und Schlussfolgerung: Ziel der KI-Analyse war primär der Machbarkeitsnachweis einer automatisierten reproduzierbaren Segmentierung der paraspinalen Muskulatur. Eine formale externe Validierung ist im Rahmen der vorliegenden Pilotkohorte noch nicht erfolgt. Perspektivisch soll auf Grundlage dieser Ergebnisse eine standardisierte Methode zur Beurteilung der Muskelqualität etabliert werden – insbesondere unter Verwendung konventioneller MRT-Sequenzen anhand quantitativen Dixon-Sequenzen als Referenz.