UltraTimTrack: a Kalman-filter-based algorithm to track muscle fascicles in ultrasound image sequences
Notice bibliographique
Résumé
Abstract Background Brightness-mode (B-mode) ultrasound is a valuable tool to non-invasively image skeletal muscle architectural changes during movement, but automatically estimating architectural features such as fascicle length remains a major challenge. Existing fascicle tracking algorithms either require time-consuming drift corrections or yield noisy estimates that require post-processing. We therefore aimed to develop an algorithm that tracks fascicles without drift and noise across a range of experimental conditions and image acquisition settings. Methods We applied a Kalman filter to combine fascicle length and fascicle angle estimates from existing and openly available UltraTrack and TimTrack algorithms into a hybrid algorithm called UltraTimTrack. We applied the hybrid algorithm to ultrasound image sequences collected from the human medial gastrocnemius of healthy individuals ( N =8, 4 women), who performed cyclical submaximal plantar flexion contractions or remained at rest during passive ankle joint rotations at given frequencies and amplitudes whilst seated in a dynamometer chair. We quantified the algorithm’s tracking accuracy, noise, and drift as the respective mean, cycle-to-cycle, and accumulated between-contraction variability in fascicle length and fascicle angle. We expected UltraTimTrack’s estimates to be less noisy and to drift less across experimental conditions and image acquisition settings, compared with estimates from its parent algorithms. Results The proposed algorithm had low-noise estimates like UltraTrack and was drift-free like TimTrack across the broad range of conditions we tested. Estimated fascicle length and fascicle angle deviations accumulated to 2.1 ± 1.3 mm (mean ± s.d.) and 0.8 ± 0.7 deg, respectively, over 120 cyclical contractions. Average cycle-to-cycle variability was 1.4 ± 0.4 mm and 0.6 ± 0.3 deg, respectively. In comparison, UltraTrack had similar cycle-to-cycle variability (1.1 ± 0.3 mm, 0.5 ± 0.1 deg) but greater cumulative deviation (67.0 ± 59.3 mm, 9.3 ± 8.6 deg), whereas TimTrack had similar cumulative deviation (1.9 ± 2.2 mm, 0.9 ± 1.0 deg) but greater variability (3.5 ± 1.0 mm, 1.4 ± 0.5 deg). UltraTimTrack was significantly less affected by experimental conditions and image acquisition settings than its parent algorithms. It also performed well on a previously published image sequence from the human tibialis anterior, yielding a smaller root-mean-square deviation from manual tracking (fascicle length: 2.7 mm, fascicle angle: 0.7 deg) than a recently proposed hybrid algorithm (fascicle length: 4.5 mm, fascicle angle: 0.8 deg) and a machine-learning (DL_Track) algorithm (fascicle length: 8.2 mm, fascicle angle: 4.8 deg). Conclusion We developed a Kalman-filter-based method to improve fascicle tracking from B-mode ultrasound image sequences. The proposed algorithm provides low-noise, drift-free estimates of muscle architectural changes that may better inform muscle function interpretations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».