肌束

机器学习实时从动态超声图像中提取肌束长度变化

通过 B 型超声进行动态肌束长度测量已变得流行，因为它们可以提供关于肌肉骨骼结构功能的非侵入性生理见解。然而，当前的实践通常需要耗时的后处理来跟踪来自 B 型图像的肌肉长度变化。实时测量工具不仅可以节省处理时间，而且还可以帮助铺平道路，实现基于体内肌肉长度变化模式驱动的反馈信号的闭环应用。在本文中，我们对一种结合传统机器学习 (ML) 模型和 B 型超声记录的方法进行基准测试，以实时获得肌束长度变化。为了衡量该框架对于“在环”应用的实用性，我们评估了提取的肌肉长度变化信号与来自标准事后自动跟踪算法的时间序列的准确性。