L'enregistrement des déplacements de la jonction myotendineuse pendant le mouvement permet d'étudier séparément le comportement du muscle et du tendon, respectivement. Pour fournir une méthode de suivi entièrement automatique, nous utilisons une nouvelle approche d'apprentissage profond pour détecter la position de la jonction myotendineuse dans les images ultrasonores. Nous mettons en œuvre le mécanisme d'attention pour permettre au réseau de se concentrer sur les régions pertinentes et d'obtenir une meilleure interprétation des résultats. Notre ensemble de données comprend un grand cohorte de 79 sujets sains et 28 sujets ayant des limitations de mouvement effectuant des mouvements passifs à amplitude maximale et des contractions maximales. Notre réseau entraîné montre une détection robuste de la jonction myotendineuse sur un ensemble de données diversifié de qualité variable, avec une erreur absolue moyenne de 2,55 ± 1 mm. Nous démontrons que notre approche peut être appliquée à différents sujets et peut fonctionner en temps réel. Le paquet logiciel complet est disponible pour une utilisation open-source via : https://github.com/luuleitner/deepMTJ