Новий метод 3D-сканування тіла перевершує традиційне зображення для відстеження жиру в організмі

У недавньому дослідженні, опублікованому в журналі npj Digital Medicine, дослідники розробили новий метод прогнозування складу тіла для тривимірних (3D) форм тіла. Структура тіла пов’язана з ризиком хронічних захворювань. Його можна оцінити за допомогою комп’ютерної томографії, двоенергетичної рентгенівської абсорбціометрії (DXA) та магнітно-резонансної томографії. Однак через етичні та практичні обмеження ці методи не є легкодоступними в епідеміологічних дослідженнях і клінічній практиці та нелегко доступні для широкої громадськості.

Звичайні антропометричні показники, такі як співвідношення талії та стегон, індекс маси тіла (ІМТ) та окружність талії та стегон, використовуються для визначення складу тіла. Тим не менш, ці методи не розрізняють м’яку та жирову масу та є недостатньо точними/зручними для довгострокового використання, часто потребуючи навченого персоналу та особистих візитів. Таким чином, для точної оцінки складу тіла потрібні прості, доступні, недорогі інструменти.

У цьому дослідженні дослідники розробили новий метод прогнозування складу тіла за допомогою тривимірної форми тіла. Вони отримали DXA-сканування, метаболічні змінні здоров’я та парні антропометричні дані з дослідження Fenland, розпочатого в 2005 році. Дослідження Fenland включало 12 435 учасників у фазі I та 7795 у фазі II. З них 11 359 учасників Фази I та 6102 учасників Фази II були включені в поточне дослідження.

Команда використала 80% даних Фази I для навчання та отримання 3D-моделей складу тіла, а решту використовували для перевірки. Дані фази II використовувалися як тестовий набір даних для перевірки на тепер уже старшій популяції. Крім того, було проведено дослідження перевірки смартфонів за участю 119 здорових дорослих, яке, окрім сканування DXA, включало повітряну плетизмографію та мобільний додаток для зйомки зображень. Цей зразок використовувався для перевірки моделей, отриманих у результаті дослідження Fenland, і оцінки точності 3D-форм, отриманих із зображень смартфонів. Для вимірювання точності цих прогнозів використовували статистичні показники перевірки, включаючи коефіцієнти кореляції Пірсона та середньоквадратичну помилку (RMSE).

2D-зображення переднього, заднього, правого та лівого профілів були зроблені за допомогою спеціально розробленого мобільного додатку, який створює 3D-сітку тіла. Дослідники підігнали тривимірні сітки тіла до силуетів DXA з парними антропометричними показниками, а підігнані параметри використовували для прогнозування показників складу тіла. Щоб відповідати 3D-сітці, DXA-силуети були доповнені парними антропометричними даними за допомогою лінійної моделі кількох осіб (SMPL) у двоетапний підхід.

По-перше, метод ієрархічних кінематичних розподілів ймовірностей (HKPD) використовувався для початкових оцінок пози та форми. Потім був розроблений метод оптимізації, щоб уточнити це початкове припущення. Оптимізовані параметри форми SMPL були використані для регресії показників складу тіла. Для регресії була побудована нейронна мережа прямого зв’язку, яка використовувала 10 параметрів форми SMPL, зріст, вагу, стать та ІМТ як вхідні дані. Вихідні дані мережі включали загальну м’яку масу, загальну масу жиру тощо. Крім того, метод HKPD генерував аватари SMPL, використовуючи інформацію з кількох зображень зі смартфона. Було розроблено модель для прогнозування регіональних і загальних показників складу тіла за допомогою цих методів. Його ефективність оцінювалася за допомогою середньоквадратичних значень похибок. Зв'язки між прогнозованими значеннями та вимірюваннями DXA оцінювали за допомогою коефіцієнтів кореляції Пірсона.

Учасники дослідження перевірки смартфонів були молодшими, стрункішими та легшими, ніж учасники дослідження Fenland. Дослідники відзначили, що оптимізовані сітки узгоджуються з силуетом DXA набагато краще, ніж початкові оцінки форми та пози. У зразку фази I дослідження Fenland коефіцієнти кореляції між DXA та прогнозованими параметрами були надійними для всіх змінних м’язової та жирової маси. Подібним чином, коефіцієнти кореляції були сильними для всіх змінних у вибірці фази II.

Крім того, порівняльні результати спостерігалися у зразку зовнішньої перевірки. Коефіцієнти кореляції Пірсона перевищували 0,86 для більшості показників, що вказує на високу узгодженість між прогнозованими значеннями та значеннями DXA. Крім того, було проведено порівняльне дослідження різних вхідних даних регресорної моделі. Одна модель, яка використовувала лише зріст і вагу як вхідні дані, продемонструвала певну передбачувану здатність. Продуктивність підвищилася за рахунок окружності талії та стегон відповідно. Остаточна модель, яка використовувала SMPL, зріст і вагу як вхідні дані, продемонструвала значні покращення в оцінці показників складу тіла. Модель продемонструвала середньоквадратичну помилку (RMSE) менше ніж 3,5% для прогнозів відсотка жиру в організмі, підкреслюючи її точність.

У дослідженні Fenland 5733 людини брали участь в обох фазах, що дозволило оцінити здатність моделі виявляти зміни складу тіла в середньому протягом 6,7 років. Модель виявила зміни для різних показників жирової маси; зміни м’язової маси були гірше вловлені, головним чином тому, що м’яка маса залишається практично незмінною з часом.

Дослідники запровадили новий метод на основі комп’ютерного зору, який припасовує 3D-сітку тіла до силуету DXA за допомогою парних антропометричних даних і створив базу даних 3D-сітки тіла. Ці сітки точно передбачили показники складу тіла. Крім того, модель могла виявляти поздовжні зміни. Проте дослідники відзначили, що хоча модель була особливо ефективною для виявлення змін у жировій масі, її здатність відстежувати зміни в м’язовій масі була більш обмеженою через стабільність м’язової маси з часом.

Команда також продемонструвала, що аватари, створені із зображень смартфонів, можна використовувати для прогнозування складу тіла. Загалом, тривимірні форми тіла, створені з двовимірних зображень і відповідних методів висновку, можуть бути життєздатною альтернативою для клінічної медичної візуалізації. Дослідження визнає демографічні обмеження набору даних, який переважно включав білих дорослих європейців, що пропонує подальші дослідження в різних групах населення для ширшого застосування.

ДЖЕРЕЛО: News Medical

На платформі Accemedin багато цікавого! Аби не пропустити —  підписуйтесь на наші сторінки! Facebook. Telegram. Viber. Instagram.