一种用于超声图像中肌-腱连接点跟踪的以人为中心的机器学习方法

生物力学和临床步态研究通过观察肢体中的肌肉和肌腱来研究它们的功能和行为。因此，经常需要测量不同解剖标志点（如肌-腱连接点）的运动。我们提出了一种可靠且省时的机器学习方法，用于在超声视频中跟踪这些连接点，并为临床生物力学家在步态分析中提供支持。为了促进这一过程，我们引入了一种基于深度学习的方法。我们收集了一个广泛的数据集，涵盖了 3 种功能性运动、2 块肌肉，在 123 名健康受试者和 38 名受损受试者身上使用 3 种不同的超声系统采集，并在我们的网络训练中提供了总共 66864 张标注的超声图像。此外，我们使用了跨独立实验室收集并由不同经验水平的研究人员整理的数据。为了评估我们的方法，我们选择了一个由四位专家独立验证的多样化测试集。我们表明，我们的模型在识别肌-腱连接点位置方面取得了与四位人类专家相似的性能得分。我们的方法提供了省时的肌-腱连接点跟踪，每帧预测时间高达 0.078 秒（比人工标注快约 100 倍）。我们所有的代码、训练好的模型和测试集都已公开，并且我们的模型在 https://deepmtj.org/ 上作为免费在线服务提供。