Los parámetros de las imágenes de ultrasonido muscular reflejan la función y el estado de los músculos. Son de gran importancia para el diagnóstico de enfermedades musculares. Dado que el etiquetado manual es laborioso y consume mucho tiempo, el etiquetado automático de los parámetros de las imágenes de ultrasonido muscular se ha convertido en un tema de investigación. En los últimos años, ha habido muchos métodos que aplican el procesamiento de imágenes y el aprendizaje profundo para analizar automáticamente las imágenes de ultrasonido muscular. Sin embargo, estos métodos tienen limitaciones, como no ser automáticos, no ser aplicables a imágenes con ruido complejo y solo poder medir un solo parámetro. Este documento propone un método de análisis de imágenes de ultrasonido muscular completamente automático basado en la segmentación de imágenes para resolver estos problemas. Este método se basa en el Deep Residual Shrinkage U-Net (RS-Unet) para segmentar con precisión las imágenes de ultrasonido. En comparación con los métodos existentes, la precisión de nuestro método muestra una gran mejora. Las diferencias medias del ángulo de penación, la longitud del fascículo y el grosor muscular son aproximadamente de 0.09 grados, 0.4 mm y 0.63 mm, respectivamente. Los resultados experimentales muestran que el método propuesto realiza la medición precisa de los parámetros musculares y muestra estabilidad y robustez.