《Journal of Biomechanics》：Development of an automated method for analyzing muscle dynamics across different morphologies based on B-mode ultrasound images
编辑推荐：
本研究开发了一种基于KLT算法的图像分析系统，用于自动跟踪收缩期肌纤维的三层位移。通过超声成像对12名受试者的半腱肌（纺锤形）和股外侧肌（平行动肌）进行膝关节屈伸运动测试，发现平行动肌的深层位移与膝关节角度变化呈高相关（r>0.98），算法最大误差为1.44-2.87mm，验证了其在临床和基础研究中的应用潜力。
宫泽拓（Taku Miyazawa）| 佐佐木文也（Fumiya Sasaki）| 橘波宏树（Hiroki Hanawa）| 久保田圭辅（Keisuke Kubota）| 平田圭辅（Keisuke Hirata）| 藤野勉（Tsutomu Fujino）| 荒井美保（Miho Arai）| 金村直彦（Naohiko Kanemura）
日本埼玉县埼玉人类艺术科学大学健康科学学院康复系，邮编339-8555
摘要
肌肉具有多种形态，因此在收缩过程中其变形模式各不相同，这些变形同时包含旋转运动和平移运动。仅通过评估羽状角无法准确反映肌肉的运动情况。本研究旨在开发一种图像分析算法，以自动追踪肌肉的位移，并测试其在梭形肌和羽状肌中的准确性。实验中，12名参与者在25°、50°和75°三个角度下进行自主膝关节屈伸运动。使用超声波成像技术分别观察半腱肌（semitendinosus）和股外侧肌（vastus lateralis），以评估这两种肌肉的变形情况。从获取的图像中手动选取感兴趣区域，并将其分为三层（表层、中层和深层），然后利用所提出的图像分析算法分析各层的位移。该算法基于Kanade–Lucas–Tomasi方法自动提取多个特征点并进行追踪，进而计算每块肌肉的位移。
研究结果显示，梭形肌和羽状肌的位移情况存在差异：前者主要表现为平移运动，后者则同时包含平移和旋转运动。追踪得到的肌肉位移与膝关节角度变化之间存在强相关性（r > 0.98），且与手动分析结果高度吻合（r = 0.82–0.95）。然而，随着位移范围的增加，算法的准确性有所下降，其中梭形肌的误差较大（25°、50°、75°时的最大误差分别为1.44毫米、2.15毫米和2.87毫米；羽状肌分别为1.67毫米、1.44毫米和1.91毫米）。该方法在临床研究和基础研究中均具有应用潜力。
引言
超声波能够实时、无创地测量肌肉的结构和功能。对超声图像的定量分析有助于评估其他成像方式难以捕捉的肌肉动态变化。具体而言，超声波可用于测量肌肉厚度（Gellhorn等人，2018年）、羽状角（Rana等人，2009年）以及纤维组织（Pillen等人，2009年）。该技术已广泛应用于康复领域（Zhang等人，2016年）、运动员研究（Rice等人，2021年）以及基础肌肉生理学研究（Werkhausen等人，2022年）。特别是测量羽状角有助于了解肌肉纤维和肌腱在运动过程中的变化（Abellaneda等人，2009年；Fukashiro等人，2005年），并揭示了肌肉-肌腱之间的相互作用（Ishikawa和Komi，2008年）。然而，肌肉收缩过程中羽状角会增大，同时由于腱膜的拉伸和肌腱的移动，肌肉也会发生平移。例如，比目鱼肌（soleus muscle）的等长收缩会使远端腱膜向近端移动，而近端腱膜则相反方向移动（Finni等人，2003年）。股四头肌（quadriceps femoris）的收缩会增加肌肉的羽状角及其三维变形（Oda等人，2021年）。这些肌肉结构的变化既包含旋转位移也包含平移位移。由于梭形肌的肌肉纤维清晰可见，因此常采用超声波进行评估。目前已有多种方法通过追踪肌肉纤维和腱膜来测量羽状角和纤维长度（Gillett等人，2013年；van der Zee等人，2025年）。基于Kanade–Lucas–Tomasi（KLT）算法的自动化分析方法能够分析不同运动状态下的纤维长度（Cronin等人，2011年；Drazan等人，2019年；Farris和Lichtwark，2016年）。但这些方法仅能测量纤维与腱膜之间的角度变化，因此仅适用于羽状肌的分析。虽然可以分析肌肉的旋转位移，但无法评估平移位移。Darby等人（2012年）的研究表明，基于KLT算法和主动形状模型的方法在追踪肌肉平移位移方面表现良好，但当图像中的目标物体发生变形或丢失时，追踪效果会下降。此外，肌肉纤维的形态并非恒定，可能会在收缩过程中发生变形；且在较大范围的运动或收缩中，初始可见的纤维可能会偏离成像平面而无法被追踪到。针对肌肉-肌腱交界处的研究表明，结构变形会降低追踪精度（Karamanidis等人，2016年；Krupenevich等人，2021年；Loram等人，2004年）。特征点追踪分析对肌肉研究很有帮助，但目前尚无方法能有效应对图像变形和丢失的问题。
肌肉可分为羽状肌和梭形肌（Garrett等人，1988年）。梭形肌的肌肉纤维沿其纵向轴运动，而相对于羽状肌，关于梭形肌动态变化的研究较少（Frich等人，2019年；Gr?nlund等人，2013年）。目前尚未建立测量肌肉长轴位移的定量分析方法。我们认为，在梭形肌中实现自动追踪尤其具有挑战性，因为其肌肉纤维在运动过程中容易从视野中消失，而羽状肌的纤维则始终清晰可见。
如果能够不受肌肉形态影响地量化平移和旋转位移，基于超声波的肌肉研究应用范围将大大扩展。这种方法有助于定量评估肌肉在拉伸或收缩过程中的位移量以及相邻肌肉之间的粘连程度。因此，我们旨在开发一种图像分析算法，利用超声图像自动追踪肌肉收缩过程中梭形肌和羽状肌的动态变化。通过关注肌肉整体的位移而非特定特征（如肌肉纤维），实现了稳定的追踪效果。随后通过将算法结果与实际关节运动和手动分析结果进行对比，验证了该方法的准确性。
参与者
12名健康的成年男性（平均年龄20.5±6.4岁，平均身高168.6±4.7厘米，平均体重62.4±8.8千克）参与了本研究。所有参与者均签署了知情同意书，研究方案已获得埼玉人类艺术科学大学伦理委员会的批准（批准编号：662）。实验遵循《赫尔辛基宣言》的原则进行。
数据收集
本研究选择半腱肌和股外侧肌作为代表性的梭形肌和羽状肌进行观测。结果
图2和表1展示了使用所提算法追踪到的三种肌肉在自主膝关节运动过程中的最大位移情况。双因素方差分析（two-way ANOVA）结果显示，膝关节角度（F = 249.75，p < 0.001）以及各层之间的位移（F = 25.93，p < 0.001）存在统计学显著差异。膝关节角度与各层之间的交互作用不明显（F = 1.76，p = 0.137）。进一步分析表明，肌肉的最大位移随...讨论
我们开发了一种图像分析算法，可同时分析梭形肌和羽状肌的平移和旋转位移。分析结果显示，梭形肌的三个层次发生平行位移，其中中层位移最大；而羽状肌中表层位移最小，深层位移最大。作者贡献声明
宫泽拓（Taku Miyazawa）：撰写、审稿与编辑、初稿撰写、方法学设计、研究实施、资金获取、数据管理。佐佐木文也（Fumiya Sasaki）：方法学设计、数据分析。橘波宏树（Hiroki Hanawa）：撰写、审稿与编辑、研究实施、数据管理。久保田圭辅（Keisuke Kubota）：数据可视化、软件开发、数据分析。平田圭辅（Keisuke Hirata）：撰写、审稿与编辑、方法学设计。藤野勉（Tsutomu Fujino）：数据可视化、软件开发。荒井美保（Miho Arai）：软件开发、方法学设计、研究实施。金村直彦（Naohiko Kanemura）：资助
本研究得到了日本学术振兴会（JSPS KAKENHI）的资助（项目编号：22 K11426）。资助方未参与研究设计、数据收集与分析、报告撰写或文章发表决策的过程。利益冲突声明
作者声明不存在可能影响本研究结果的已知财务利益或个人关系。
