3D 卷积深度学习：从全身形态非线性精准估算身体成分

时间：2025年2月4日

来源：npj Digital Medicine

编辑推荐：

为解决传统身体成分评估方法的局限，研究人员开展 3D 卷积深度学习用于身体成分估算的研究。他们发现非线性高斯过程回归（GPR）比线性回归精度更高，3DAE 特征提取对男性预测有改善。这提升了 3DO 评估身体成分的临床效用。

在健康医学领域，身体成分评估至关重要。总身体成分和区域身体成分与美国及全球诸多主要死因密切相关。例如，高内脏脂肪沉积会使代谢综合征风险加倍，还会增加癌症死亡率。代谢综合征又与癌症、心力衰竭和糖尿病等慢性病紧密相连。此外，低瘦体重会影响治疗效果，增加死亡率。然而，传统的身体成分评估方法存在诸多问题。像双能 X 线吸收法（DXA）虽能测量区域脂肪和瘦体重，但会让参与者暴露在有害的电离辐射下，不适合频繁重复测量，尤其对儿童和孕妇等高危人群。空气置换体积描记法（ADP）虽无辐射问题，但在测量区域成分方面存在局限。因此，急需一种准确、精确、低成本且无辐射的替代评估系统。3D 光学（3DO）成像技术应运而生，它能测量人体表面几何形状，成本低、无辐射、扫描速度快，扫描系统可自动操作，无需专业技术人员。不过，目前基于 3DO 扫描估算身体成分的研究多依赖线性数学模型，这些模型的简化线性假设可能导致对 3D 形状模型参数化以及形状参数与身体成分映射关系的错误预设。为解决这些问题，美国华盛顿大学保罗・G・艾伦计算机科学与工程学院等机构的研究人员开展了相关研究。他们的研究成果发表在《npj Digital Medicine》上，为身体成分评估带来了新的突破。

研究人员用到的主要关键技术方法包括：首先，构建了包含 CAESAR、Shape Up! Adults（SUA）、Shape Up! Kids（SUK）和 DFAUST 四个数据集的复合数据集，并将其标准化为统一拓扑结构。其次，基于 3D 图卷积神经网络，训练了深度 3D 自动编码器（3DAE）进行非线性降维和特征提取。最后，运用非线性高斯过程回归（GPR）在提取的特征和 DXA 测量值之间建立非线性映射，同时以主成分分析（PCA）模型作为线性基线进行对比研究。

研究结果

几何重建误差：研究人员对比了 3DAE 和 PCA 形状模型在不同尺寸下的几何重建误差。结果显示，随着模型尺寸增大，两者重建测试数据的误差均降低。在前三个模型尺寸中，线性和深度方法的几何重建精度相当。在最高参数数量时，PCA 的几何重建误差更低，而 3DAE 的重建误差在略高于 2mm MAE 处趋于平稳。
身体成分预测：通过不同的线性和非线性形状特征提取及回归方法组合进行身体成分预测实验。结果表明，引入 3DO 形状信息能降低预测误差，说明其对身体成分预测有用。在大多数身体成分指标预测中，GPR 比普通最小二乘法（OLS）更准确，3DAE - GPR 代表的完全非线性管道在男性中，3DAE 特征提取降低了均方根误差（RMSE），但在女性中，从原始网格坐标进行 GPR 预测的效果优于 3DAE 特征提取。
测试 - 重测精度：研究人员对脂肪百分比和内脏脂肪估计的测试 - 重测精度进行了研究。结果显示，GPR 比 OLS 更精确，3DAE 相对于 PCA 也降低了精度误差，3DAE 与非线性 GPR 结合具有最高的精度。与 DXA 相比，3DAE - GPR 的脂肪百分比精度误差约为其两倍，但内脏脂肪精度更高，表明 3DAE 模型与 GPR 预测在重测准确性上比以往研究更可靠。
与先前工作对比：将 3DAE - GPR 模型与先前工作进行对比，发现线性管道在训练数据量有限时可能与非线性方法更具竞争力。但总体而言，3DAE - GPR 模型在所有预测指标上的误差均低于先前基于 3DO 身体成分估计的研究。
消融实验结果：研究人员进行了一系列消融实验。结果表明，使用 40,000 个 DFAUST 网格进行预训练对创建准确的 3DAE 形状模型至关重要；对 3DAE 模型进行微调可提高对不同个体扫描的泛化能力；包含所有可用 3D 网格数据进行训练可降低 3D 重建和身体成分预测的误差。

研究结论与讨论

这项研究得出了三个主要发现。第一，无论特征域是线性（PCA）还是非线性（3DAE），GPR 通常能提高身体成分预测的准确性和精度。第二，3DAE 特征提取对男性身体成分预测有改善，但在女性中，深层特征不如未编码的网格几何信息有用，且在高参数数量时几何重建性能未超过 PCA。第三，3DAE 和 GPR 在男性和女性的脂肪百分比和内脏脂肪质量测量中均比其线性对应方法具有更高的精度。

通过扩展和多样化训练集、进行深度特征提取和非线性 GPR 预测，研究人员构建了一个端到端模型，在身体成分预测准确性上超越了先前所有工作。这进一步确立了 3DO 作为评估身体成分的可靠且易获取的临床工具的地位。训练好的模型可集成到商业扫描仪软件中，无需临床或计算专业知识即可使用，对慢性病管理具有重要的临床意义，有助于对身体成分进行纵向跟踪。

不过，研究也存在一些局限性。例如，3D 网格分辨率可能会影响表面的平滑度和分辨率；数据集规模与 2D 图像学习的数据集相比仍较小，可能导致模型在某些极端身体形状的预测上存在不足。未来的研究可以探索不同非线性回归方法对身体成分预测准确性的影响，尝试将当前的两步管道集成到单个端到端深度网络中，还可以进一步研究如何分离 3DO 扫描中的姿势变化，以及探索不同的深度网络架构，以进一步提高身体成分评估的准确性和实用性。