计算机视觉与AI在人体成分分析中的技术突破

计算机视觉在人体成分分析中的应用

通过某中心的健康服务，用户可以利用智能手机拍摄的照片测量体脂率，并通过个性化3D模型进行追踪。这种扫描水平通常需要昂贵复杂的设备才能实现，但该功能使其可通过智能手机应用程序普及给大众。为实现这一目标，某中心的科学家们运用了计算机视觉、计算机图形学、人工智能和创造性问题解决的技术理念。

技术挑战与解决方案

科学和工程团队在开发该功能时面临两大挑战：首先是从智能手机照片中估算体脂率而无需其他直接测量；其次是创建用户身体的个性化3D模型。

这两个问题的解决方案都涉及深度神经网络与传统算法的结合。深度神经网络能够通过识别大量数据中的模式来学习任务，而传统算法则来自计算机视觉和计算机图形学领域。

基于图像的体脂率估算技术

从图像估算体脂率是一个复杂的过程。家用智能秤并不直接测量体脂，而是分析身体电阻并通过方程转换为体脂率。由于人体全天水分含量的变化，这种电阻值会产生剧烈波动，导致体脂率估算误差较大。

商业级测量工具（如水下称重法和空气置换体积描记法）虽然比家用智能秤更精确，但需要专业训练人员或特殊设施，且每次扫描都需要费用。双能X射线吸收测定法被认为是身体成分临床金标准，但这些设备需要处方且每次扫描费用高达80美元。

"所有这些不同方法都试图通过间接测量来估算体脂率，"参与该项目的某中心首席科学家表示，"借鉴间接测量的思路，我们挑战自己构建一个计算机视觉系统，能够通过从图像中测量的视觉特征（如整体体型和身体细节，包括肌肉线条和脂肪褶皱）来准确预测体脂率。"

卷积神经网络与半监督学习的应用

解决方案是开发一种利用卷积神经网络和半监督学习的技术。卷积神经网络是深度神经网络的一种，常用于图像分析；半监督学习则是在有限真实标签数据情况下训练模型的机器学习方法。

机器学习模型的输入是从智能手机捕获的照片，输出是表示体脂率的数值。要训练模型，通常需要收集不同扫描条件下许多用户的照片及其实际体脂率数据。问题在于使用双能X射线吸收测定法成本过高。

团队采用预训练卷积神经网络来学习人体表征，该网络能够从图像中提取区分性特征。网络分析图像中的整体体型和身体细节，提取与身体成分相关的视觉特征。然后使用实际双能X射线扫描数据通过半监督学习微调该网络。

最近一项尚未发表的临床研究确定，在使用双能X射线作为真实标准时，该功能在测量体脂率方面的准确度几乎是智能秤的两倍。

基于图像的个性化3D虚拟形象构建

科学家们承担了开发能够从简单智能手机照片集生成客户身体3D虚拟表征工具的雄心勃勃目标。

为实现这一目标，他们训练了一个深度神经网络，从捕获的照片中估计底层统计模型的形状和姿态参数。关键挑战同样是获取训练模型所需的数据。

"你需要一个人的图像，以及同一时间捕获的同一个人的3D模型来训练这个模型。这将非常昂贵，因为你必须在许多具有不同种族、年龄、性别等变化的人群中捕获数据，"科学家解释道。

双模块系统与合成数据策略

为解决这个问题，团队决定构建一个包含两个模块的系统，而不是构建端到端系统。第一个模块从原始照片开始，通过将人物从背景中分割出来获得用户的轮廓，生成身体形状的黑白二维图像。

第二个模块将轮廓图像转换为3D虚拟形象。在此阶段，团队决定使用合成数据代替昂贵的3D扫描。合成图像使用图形渲染软件生成，该软件利用3D模型生成相应的2D轮廓。然后使用这些合成示例训练系统从轮廓预测3D模型。

通过这一过程，该功能可以创建客户的个性化3D身体模型，使他们能够在健康旅程中跟踪身体变化。他们还可以模拟在不同体脂水平下身体将如何变化。

技术优势与隐私保护

"我们正在使3D扫描变得易于获取，特别是在人体成分及其与长期健康关系的背景下，"拥有13年计算机视觉和图像处理经验的某中心高级应用科学经理表示。

该经理指出，虽然该功能在肌肉定义等方面没有传统3D扫描仪的相同保真度，但在与长期健康相关的整体体型和身体比例方面具有高精度，为有兴趣测量和跟踪身体形状的人们提供了易于使用且精确的家用工具。

该经理还强调，隐私是该功能设计的基础。用于构建3D虚拟形象和测量体脂率的身体扫描图像在处理后会自动从云中删除，之后仅存在于客户手机上，除非他们明确选择云备份。

对健康管理的潜在影响

该功能最重要的突破之一是让人们能够轻松获取比身体质量指数更有用的健康指标。

"医生们多年来都知道体脂率是比身体质量指数更好的指标，因为它能更好地预测心血管疾病甚至某些类型癌症的医疗风险，"高级应用科学经理表示，"这个问题在年龄增长时尤其重要。在那个阶段，体重减轻往往与肌肉质量减少相关，这通常不是好消息。"

这位在计算机视觉和机器学习应用于医学图像分析方面工作多年的经理表示，缺乏获取途径通常是阻止人们使用体脂率作为健康指标的原因。

"我们所做的是弥合这一差距，使这项技术更便宜且易于使用，"他说。

持续改进与未来展望

团队知道仍面临挑战，但表示他们不断寻求改进该功能。

"由于数据缺乏以及对临床准确性和隐私的高要求，为健康应用构建面向客户的产品本身就具有挑战性，"经理表示，"通过基于深度学习、传统计算机视觉和计算机图形学的理念，我们解决了提供新产品的艰巨挑战，该产品达到了比生物阻抗秤等替代方案更高的准确度。我们非常兴奋能与客户分享这项技术，并将继续改进它，通过令人兴奋和有用的新功能持续为客户带来愉悦。"