《Computer Methods and Programs in Biomedicine》:Novel image analysis method for estimating muscle strain from ultrasound B-mode images
编辑推荐:
背景与目的:准确定量肌肉应变对于理解肌肉骨骼力学至关重要。基于超声的肌肉应变估计方法通常依赖于具有清晰可见肌束和腱膜的肌肉。研究人员旨在开发一种新的超声图像分析方法,用于估计肌肉应变,尤其适用于腱膜不清晰的肌肉。
方法:在16名健康成年人被动腕伸展过程中采集
背景与目的:准确定量肌肉应变对于理解肌肉骨骼力学至关重要。基于超声的肌肉应变估计方法通常依赖于具有清晰可见肌束和腱膜的肌肉。研究人员旨在开发一种新的超声图像分析方法,用于估计肌肉应变,尤其适用于腱膜不清晰的肌肉。
方法:在16名健康成年人被动腕伸展过程中采集前臂屈肌的超声B-mode(B型超声模式)图像。研究人员采用基于Kanade–Lucas–Tomasi(KLT)算法的特征跟踪方法估计肌肉应变。在初始帧手动选择的椭圆区域内自动检测多个特征点,在连续帧中跟踪这些特征点,并自适应更新以适应随时间变化的组织形态。将位移向量投影到跟踪特征集的第一主成分上;根据空间平均的纵向位移场计算肌肉应变。同时测量被动关节力矩和剪切波速度(shear-wave velocity, SWV),以检验估计应变的机械相关性。
结果:估计的肌肉应变随腕伸展和被动关节力矩的增加而逐渐增加。在较大关节角度下,肌肉僵硬度较高的参与者应变增幅较小,而僵硬度较低的参与者表现出更大的应变。时间序列分析揭示了拉伸过程中应变反应的显著组间差异。
结论:所提出的B-mode图像分析方法为在不需要可辨识腱膜的情况下估计被动拉伸过程中的肌肉应变提供了初步框架。尽管该方法能够根据肌肉僵硬度区分个体应变反应,但其有效性和可靠性在大范围应用前仍需进一步提高。
肌肉延长对于维持人类关节活动度至关重要。被动拉伸过程中肌肉延长不足会限制关节活动范围、增加被动关节僵硬并引发疼痛,因此准确评估肌肉延长行为是理解人体运动机制的关键。传统评估被动肌肉延长的方法包括基于被动刚度的间接测量、利用拉伸试验机直接测量组织伸长,以及磁共振成像(MRI)估算肌束长度。然而,直接测量具有侵入性,MRI需要高度受控环境,难以广泛使用。超声成像因其无创性而被广泛采用,但常规方法需要清晰识别肌束与腱膜的交点来估算肌束长度,这种方法主要适用于羽状肌(如股外侧肌、肱三头肌、腓肠肌),而在梭形肌或腱膜不清晰的肌肉(如前臂屈肌)中难以应用。剪切波弹性成像(SWE)通过测量剪切波速度(SWV)评估肌肉弹性,但其计算弹性模量时涉及组织密度假设、各向同性假设以及忽略肌肉粘弹性等不确定性,研究者认为将弹性模量用于SWE并不恰当。因此,研究人员开发了一种不依赖清晰腱膜、基于B-mode超声图像估算肌肉应变的新方法。
本研究由研究人员对16名健康成年人(8名男性,年龄23.9±4.2岁)进行被动腕伸展实验,采集前臂屈肌B-mode超声视频,同步测量被动关节力矩和SWV,并基于SWV将参与者分为灵活组和僵硬组。研究人员开发了基于Kanade–Lucas–Tomasi(KLT)算法的特征追踪图像分析方法,在初始帧手动设定椭圆感兴趣区域(ROI),自动检测并跨帧追踪多个特征点,通过将位移向量投影到第一主成分计算肌肉应变。结果显示,估计应变随腕关节伸展角度和被动关节力矩的增加而递增,且僵硬组的应变增幅小于灵活组。该算法不依赖可辨识腱膜,为难以用传统方法评估的肌肉提供了一种初步的应变估计框架,并能区分个体肌肉僵硬度,具有潜在的临床和科研应用价值。
研究人员采用的主要关键技术方法包括:①超声B-mode成像(18 MHz线性探头)采集前臂屈肌纵切面视频;②基于Kanade–Lucas–Tomasi(KLT)算法的特征追踪,在手动选定的椭圆ROI内检测特征点并跨帧追踪;③将位移向量投影到第一主成分,计算平均纵向上特征点间距变化得到肌肉应变;④剪切波弹性成像(SWE)测量指深屈肌(FDP)的SWV;⑤电动测力计测量被动关节力矩;⑥统计参数映射(SPM)与重复测量方差分析进行组间比较。样本来源为16名健康成年人(8名男性),无中途退出。
3.1 腕关节角度增加时肌肉弹性和估计肌肉应变的变化:通过单因素重复测量方差分析发现,SWV随腕关节角度增加而显著增加(0°、30°、60°、90°分别为2.67±0.55、3.20±0.74、3.58±0.73、4.41±0.99 m/s),90°时显著高于其他角度(p<0.001)。估计应变同样随角度增加(30°、60°、90°分别为6.53±3.82%、14.19±6.47%、23.69±7.48%),符合肌肉拉伸时长度增加和硬度增加的生理特性。
3.2 被动关节力矩与肌肉弹性和估计应变的关系:通过Pearson相关分析,SWV在90°时与被动关节力矩呈中度正相关(r=0.89, p=0.003),而估计应变在90°时与被动关节力矩呈强负相关(r=-0.82, p<0.001)。表明高被动力矩的个体表现出更高的肌肉硬度和更低的肌肉应变,与既往研究一致。
3.3 被动关节力矩和估计应变随关节角度的变化:采用统计参数映射(SPM)分析,被动关节力矩在两组中均随角度增加,90°条件下僵硬组在腕关节角度超过72°时力矩显著大于灵活组。估计应变方面,60°和90°条件下灵活组应变显著大于僵硬组,SPM显示分别在>27°和>24°时出现显著组间差异。
3.4 被动关节力矩与估计应变的关系:在90°条件下,两组的力矩-应变关系均可拟合为二次多项式,僵硬组曲线上升更陡,说明相对于组织应变,僵硬组被动关节力矩反应更加明显;灵活组则呈现较平缓的力矩-应变关系。
3.5 可靠性:通过组内相关系数(ICC)评估,单操作者对同一视频重复分析的组内信度(ICC(3,1))在30°、60°、90°分别为0.92、0.90、0.74;跨试验重复性ICC(2,1)较低,分别为0.32、0.32、0.74,而SWE的跨试验ICC分别为0.87、0.66、0.49。测量标准误(SEM)随角度增加,变异系数(CV)在估计应变中大于SWV,最小可检测变化(MDC)在90°为5.19%。
讨论部分总结了以下要点:本研究所测最大应变(23.69±7.48%)与既往报道的肌肉应变范围(19.6%–30.5%)相符,支持算法合理性;被动关节力矩与SWV的正相关和与估计应变的负相关关系,与已报道的肌肉力学特性一致;灵活组和僵硬组在力矩-应变关系上呈现非线性差异,表明算法能捕捉群体水平的动态力学行为。可靠性方面,单视频内重复分析ICC较高,但试验间重复性较差,尤其在较小关节角度时,提示视频采集质量是影响结果的关键因素。实际应用中,该方法为无法使用SWE或MRI的研究者提供了一种评估肌肉力学行为的补充途径,但需注意其测量变异和敏感性限制。局限性包括ROI手动选择、单操作者分析、不同肌肉间适用性尚待验证,以及缺乏直接的金标准比较。未来研究需在腱膜清晰的羽状肌中与传统追踪方法进行直接验证,并利用体外模型或尸体标本确立绝对准确性。
翻译研究结论如下:在本研究中,研究人员开发了一种从超声B-mode图像估计肌肉应变的图像分析方法,并通过评估其在捕获基本肌肉特性方面的表现,证明了所提出算法的可行性和初步可靠性。估计应变随关节拉伸角度增加而增加,表现出与弹性成像所得SWV一致的模式。此外,肌肉较僵硬的参与者在被动拉伸中表现出较低的肌肉应变,表明该算法能够区分个体肌肉僵硬度——这一能力此前依赖弹性成像。尽管与弹性成像衍生的SWV相比,该方法在整体上表现出更大的变异性和较低的试验间重复性(尤其在较小拉伸范围时),但这种基于B-mode的算法代表了未来肌肉生物力学应用的一个潜在且可及的框架。未来研究应侧重于提高视频采集重复性,并跨不同肌肉群检验和改进该算法的适用性,以便日常实际使用。