准确评估肌肉大小对于理解功能表现和神经肌肉健康至关重要。肌肉形态学,包括体积、厚度和横截面积(CSA),反映了结构完整性和收缩潜力,并已被证明与力量和体力活动水平相关[[1], [2], [3]]。量化这些参数使临床医生和研究人员能够监测肌肉骨骼系统的适应、恢复和病理变化。
磁共振成像(MRI)和超声(US)是用于评估骨骼肌结构的两种主要成像方式。MRI被广泛认为是金标准,因为它能详细可视化软组织形态,允许量化肌肉萎缩、脂肪浸润和炎症[4,5]。然而,MRI成本高、耗时且不适用于常规或大规模使用[6]。相比之下,超声成像具有便携、低成本和实时可视化肌肉运动或收缩的优点[7,8]。其易获取性使其成为研究和临床环境中评估肌腱厚度和肌肉CSA的首选技术[9]。
尽管超声成像具有这些优势,但它高度依赖于操作者。图像采集质量和分割准确性严重依赖用户经验,导致评估者和测量间存在变异性[10,11]。手动分割超声图像也很耗时,限制了其在较大数据集或临床工作流中的可扩展性。为了解决这些局限性,深度神经网络(DNNs)已被越来越多地应用于自动化超声图像分割。与依赖手动测量的传统超声工作流程不同,基于DNN的方法分析原始像素级图像数据以自动识别和分割解剖组织[7,8,12]。自动化提供了多项优势,包括减少人为错误和评估者偏倚、加速数据处理以及提高可重复性[13]。在肌肉骨骼成像中,基于DNN的分割工具(如DeepACSA)已成功自动化大型肌肉(包括股四头肌、胫骨前肌和小腿三头肌)的解剖横截面积测量[12,[14], [15], [16]]。这些模型产生的结果与手动分析相当,证明了自动化分割可以将超声成像转变为更快、更客观和更可扩展的工具。针对大肢体肌肉的自动化超声CSA分割进展迅速。卷积网络已被用于实时追踪肌肉CSA[17],视觉Transformer模型已分割横断面肢体肌肉图像[18],专门的流程(如TRAMA和DeepACSA)已以与专家相当的精度自动化股四头肌、小腿三头肌及相关肌肉的CSA量化[19,20]。然而,这些模型是针对边界清晰的大型浅表肢体肌肉开发的。它们无法推广到足底内在足肌(PIMs),因为PIMs在尺度、回声特性和分层解剖方向上存在显著差异,这些临床重要的肌肉的自动化分割尚未得到解决。
PIMs由10块小肌肉组成,排列在足弓的四个足底层中。本研究针对其中四块——拇展肌(AbH)、趾短屈肌(FDB)、足底方肌(QP)和小趾展肌(ADM)——作为横断面B超图像中最大且最一致可识别的PIMs,且与内侧纵弓支持和足部相关肌肉骨骼问题最直接相关。它们在维持内侧纵弓、提供稳定性以及调节运动过程中负荷分布方面发挥关键作用[[21], [22], [23]]。其结构或功能的改变与足底筋膜炎密切相关,足底筋膜炎是运动人群和一般人群中足跟疼痛的最常见原因之一[[24], [25], [26]]。PIMs的无力或萎缩可增加足底筋膜应力,干扰足部力学并导致其他足部疼痛问题的发生或复发[25,27]。因此,评估PIMs的大小和形态对于理解足部相关病理、指导康复和评估靶向强化干预的效果至关重要。通过自动化PIMs量化,临床医生和研究人员可在数秒内获得一致的肌肉CSA和厚度测量,从而实现更客观的肌肉健康和治疗反应追踪。
尽管具有这些优势,目前尚不存在针对PIMs的自动化分割模型,这代表了肌肉骨骼成像中的一个关键空白。为较大肢体肌肉训练的模型由于PIMs在纹理、形状、尺度和分层方向上存在差异而无法推广到PIMs。因此,为这些肌肉开发基于DNN的分割框架构成了深度学习图像处理在超声中的创新应用,有可能从根本上改变足底肌肉评估在研究和临床中的应用方式。
因此,本研究旨在开发和验证DNN模型,用于超声图像中足底内在足肌的自动化分割,并评估其准确性、稳健性和临床适用性。具体目标如下:(i) 使用健康人群的PIMs超声图像训练DNN模型;(ii) 将自动化分割与手动标注的标准真值进行比较;(iii) 评估模型稳定性。通过减少对用户的依赖和分析时间,该方法旨在提高基于超声的肌肉评估的效率、可重复性和临床适用性。