《Journal of Biomechanics》：Reliability of a new semi–automated algorithm to analyze vastus lateralis muscle architecture using extended field-of-view ultrasound
编辑推荐：
本研究评估了基于Python的半自动方法在考虑肌束弯曲情况下分析股外侧肌（VL）解剖结构参数（肌束长度FL、张角PA和肌厚MT）的可靠性，并与传统ImageJ线性分析比较，发现该方法与手动分析高度一致（ICC>0.90），但线性假设会导致VL近端FL和PA显著低估。
卢卡斯·吉迪尔-马查多（Lucas Gidiel-Machado）|爱德华多·罗德里格斯·劳兹（Eduardo Rodrigues Lauz）|娜塔莉亚·科林·达·罗莎（Nathália Kolling da Rosa）|埃莉安娜·西托林·雷奇（Eliana Citolim Rech）|热尔马诺·布扎托·德·索萨（Germano Buzatto de Souza）|维多利亚·多斯·桑托斯·图尔切托（Victória dos Santos Turchetto）|卢卡斯·德·利兹·阿尔维斯（Lucas De Liz Alves）|安德烈·伊万斯基-梅洛（André Ivaniski-Mello）|海因里希·莱昂·索萨·维埃拉（Heinrich Leon Souza Viera）|法比奥·朱内尔·兰费尔迪尼（Fábio Juner Lanferdini）
巴西南里奥格兰德州圣玛丽亚联邦大学（Universidade Federal de Santa Maria, UFSM）体育与运动中心（CEFD）生物力学实验室（LABIOMEC）人类运动生物力学与能量学研究小组（GPBEMH）
摘要
在肌肉结构分析中，肌束的曲率常常被忽略，这会导致肌束长度（FL）和羽状角（PA）的测量误差。本研究旨在评估一种半自动化方法的可靠性，该方法利用基于Python的算法分析股外侧肌（vastus lateralis, VL）的肌肉结构，同时考虑了肌束的曲率。该方法与使用ImageJ进行的手动线性分析进行了比较。此外，还研究了不同VL区域中肌束曲率与线性的影响。研究分析了102名运动员的VL肌肉EFOV超声图像，由三名评分者进行评估。测量了整个VL肌腹的肌肉厚度（MT），并在近端、中部和远端区域测量了FL和PA。使用组内相关系数（ICC）和Bland-Altman方法来评估可靠性和一致性。方差分析（ANOVA）用于评估不同VL区域的肌束曲率。每位评分者都认为Python算法与ImageJ之间的可靠性良好至优秀。评分者在FL（ICC = 0.97）、PA（ICC = 0.95）和MT（ICC = 0.99）方面的软件间一致性也非常高。Bland-Altman分析显示，两种软件之间存在轻微的差异。在曲率与线性分析对比中，近端区域的肌束曲率最为明显，且在该区域假设线性时FL和PA的测量值显著偏低。半自动化的Python算法为从EFOV超声图像分析VL肌肉结构提供了可靠的工具，同时考虑了肌束的曲率。假设肌束线性可能会导致FL和PA的测量值偏低，尤其是在VL的近端区域。
引言
肌肉结构用于评估基于运动的干预措施的效果、识别受伤风险以及监测受伤后的运动恢复情况（Cleary等人，2022年；Sarto等人，2021年）。静态亮度模式（B模式）超声成像是测量肌肉结构参数最常用的方法，生成的图像对应于超声探头的视野范围（通常为4至6厘米）（Weng等人，1997年）。然而，当肌束长度超过探头视野范围时，无法完全捕捉到这些肌束。在这种情况下，可以使用外推公式估算肌束长度（FL）（Finni等人，2001年）；但这种方法没有考虑肌束的曲率，从而导致FL和羽状角的测量误差（Bizet等人，2025年；Brown等人，2023年；Cronin等人，2022年）。另一种捕捉较长肌束的方法是扩展视野（EFOV）超声成像（Weng等人，1997年）。EFOV超声成像通过将连续扫描获得的B模式图像拼接在一起，生成该区域的全景视图（Adkins等人，2017年；Weng等人，1997年）。在猪的解剖研究中，使用EFOV超声成像测量的股外侧肌（VL）的FL与实际长度相比，相对误差仅为0.8%（Noorkoiv等人，2010年）。相比之下，基于静态超声图像的线性肌束外推方法导致的FL低估率为12.6%（Noorkoiv等人，2010年）。此外，许多训练引起的肌肉适应性变化并不是均匀分布的（Noork?iv等人，2014年；Nunes等人，2024年；Oranchuk等人，2020年）。在这种情况下，EFOV超声成像能够在一张图像中评估整个肌肉的局部结构变化（Franchi等人，2018年）。
尽管有这些优势，但EFOV图像的采集和分析仍依赖于操作者和评分者的专业技能（Sarto等人，2021年）。为了减少操作者相关的误差，通常会拍摄同一区域的多个图像。同样，为了减少评分者在图像分析中的误差，也会对同一图像使用多名评分者（Cleary等人，2022年）。然而，这一过程会增加分析时间。为了解决这一问题，已经开发了半自动化（Bizet等人，2025年；Farris和Lichtwark，2016年；Marzilger等人，2018年）甚至完全自动化（Caresio等人，2017年；Ramu等人，2022年；Ritsche等人，2024年；Seynnes和Cronin，2020年）的肌肉结构分析方法，这些方法使用静态B模式超声图像。尽管取得了这些进展，但很少有研究比较不同EFOV肌肉结构分析方法（Cronin等人，2022年；Wohlgemuth等人，2022年）。据我们所知，此前也没有研究比较过忽略肌肉不同区域肌束曲率的影响。
因此，本研究的主要目的是评估一种基于Python的半自动化方法（Python Software Foundation，3.12版本）分析VL肌肉结构（FL、PA和肌肉厚度MT）的可靠性，该方法考虑了肌束的曲率，并与使用ImageJ的传统线性数字化方法进行比较（美国国立卫生研究院，MD，1.54版本）。次要目的是研究VL肌肉不同区域的肌束曲率差异（即FL和PA，曲率与线性情况）。我们假设由于考虑了曲率，Python算法得出的FL和PA值更高，而两种方法在测量方式上相似。在区域分析中，我们推测VL肌肉末端的FL和PA值更高，因为这些区域的肌束在肌腱连接处通常更弯曲（Franchi等人，2018年；Oranchuk等人，2020年）
参与者
样本包括102名参加个人和团队运动的运动员（78名男性和24名女性；平均年龄23.1±5.8岁；体重73.9±14.8公斤；身高174.4±8.7厘米）。参与者被要求在实验室访问前24小时内避免剧烈体力活动。符合以下任何排除标准的参与者未被纳入研究：(a) 慢性疾病；(b) 吸烟；(c) 代谢紊乱；(d) 身体残疾；(e) 使用……
结果
表1显示了每个VL肌肉结构参数的平均结果，包括每位评分者的测量值以及Python算法和ImageJ三种评分方法的平均值。我们的评分结果显示，Python算法与ImageJ分析之间的可靠性非常好，且标准误差（SEM）和平均差异（MDC）较低。此外，我们的结果还显示出良好的软件间可靠性（Table 1）。
我们的结果显示……
讨论
本研究的主要目的是评估一种新的半自动化Python方法分析VL-EFOV肌肉结构的可靠性，该方法考虑了肌肉肌束的曲率，与在ImageJ中假设肌肉肌束线性的传统方法进行比较。次要目的是使用半自动化算法评估VL肌肉不同区域的肌肉结构参数变化。
我们的研究结果表明……
局限性
虽然我们的研究提供了有价值的见解，但也需要承认一些局限性。首先，我们仅评估了VL肌肉的结构；因此，我们的新半自动化算法是否适用于其他肌肉群仍有待验证。例如，像腘绳肌（Cronin等人，2022年）等肌肉使用传统超声探头无法在静态图像中完全显示，这些肌肉可以作为评估……的有用模型
结论
总结来说，我们开发了一种基于Python的半自动化方法，利用Python算法从EFOV超声图像分析肌肉结构参数（FL、PA和MT），并将肌束曲率纳入分析。该方法与使用ImageJ的传统手动方法进行了比较，显示出极高的可靠性（r > 0.90）。此外，我们的研究结果表明，在VL-EFOV图像中假设肌束线性可能会导致FL和PA的测量值偏低，尤其是在……
关于写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者LGM使用了ChatGPT（OpenAI）来帮助解决Python脚本中的逻辑编码问题。此外，作者LGM还使用了DeepL（DeepL SE）工具来辅助翻译和调整文本，以减少跨文化影响。使用这些工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。
作者贡献声明
卢卡斯·吉迪尔-马查多（Lucas Gidiel-Machado）：撰写——原始草稿、可视化、验证、软件开发、方法论、研究设计、数据分析、概念化。爱德华多·罗德里格斯·劳兹（Eduardo Rodrigues Lauz）：撰写——审阅与编辑、可视化、验证、方法论、研究设计、数据分析。娜塔莉亚·科林·达·罗莎（Nathália Kolling da Rosa）：撰写——审阅与编辑、可视化、验证、方法论、研究设计、数据分析。埃莉安娜·西托林·雷奇（Eliana Citolim Rech）：撰写——审阅与编辑、可视化、方法论、
资金支持
本研究未获得公共部门、商业部门或非营利组织的任何特定资助。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Lanferdini FJ的报告由圣玛丽亚联邦大学提供。如果有其他作者，他们声明没有已知的可能影响本文工作的财务利益或个人关系。
致谢
作者感谢参与这项研究的运动员。我们还要感谢Luiz Fernando Freire Royes教授在行政流程中的帮助。作者LGM还要感谢CNPq（巴西国家科学技术发展委员会）提供的奖学金。
伦理批准与参与同意本研究的伦理批准已获得圣玛丽亚联邦大学（UFSM）的批准。
