Jul, 2023

使用图神经网络进行表面网格的体脂估算

PDF
TL;DR使用图神经网络可以准确预测腹部内脏脂肪组织和腹部皮下脂肪组织的体积，相较于最先进的卷积神经网络，减少了训练时间和所需资源，也可以应用于廉价且易于获取的医学表面扫描替代昂贵的医学图像。
body fat volumedistributionvisceral adipose tissueabdominal subcutaneous adipose tissuegraph neural networks
发现论文，激发创造
  • 具备身体形状的肝脂量化网络

    使用身体形状及深度神经网络精确估计肝脏脂肪含量，并验证了这种方法的有效性，为无创检测肝脏脂肪提供了一种低成本、可行的解决方案。

    May, 2024

  • 增强的 CT 图像肌肉和脂肪分割用于身体构成分析：一项比较研究

    通过比较我们的内部工具和 TotalSegmentator 的测量结果，研究表明我们的工具在测量皮下脂肪和肌肉方面表现优于 TotalSegmentator，并且在内脏脂肪的分割方面两种工具之间存在可靠的一致性。这些结果显示了我们的工具在提高人体组成分析的准确性方面的潜力。

    Jan, 2024

  • BodyNet: 3D 人体形状的体积推断

    本篇研究提出了一种名为 BodyNet 的神经网络，通过直接推断体积棱柿，从而预测自然图像中的三维人体形状，同时结合三维损失和多视角重投影损失以及适当的监督，实现了性能的提升；通过将 SMPL 模型应用于网络输出，并在 SURREAL 和 Unite the People 数据集上展示了最先进的结果，证明了本方法的有效性。

    Apr, 2018

  • 利用计算机视觉推断社交媒体上的身体质量指数

    本文介绍利用计算机视觉技术从社交媒体图片中推测人体质量指数（BMI）的方法，希望这一工具能够推动与体重相关的社会方面的研究。

    Mar, 2017

  • 使用 ShapedNet 的身体组成评估的新进展：一种基于单图深度回归的方法

    我们引入了一种称为 ShapedNet 的新技术，用于增强身体成分评估。该方法利用深度神经网络来估计体脂百分比（BFP），执行个体识别，并使用一张照片进行定位。通过与黄金标准方法 —— 双能 X 射线吸收法（DXA）进行全面比较，验证了 ShapedNet 的准确性，使用了 1273 名健康成年人的数据，涵盖不同年龄、性别和 BFP 水平。结果表明，在身体脂肪预测方面，ShapedNet 的性能优于 19.5% 的最新计算机视觉方法，平均绝对百分比误差（MAPE）为 4.91%，平均绝对误差（MAE）为 1.42。本研究评估了基于性别和性别中性的方法，后者表现出更好的性能。该方法以 95% 的置信度估计 BFP，误差范围为 4.01% 至 5.81%。通过 ShapedNet，这项研究推进了多任务学习和身体成分评估理论的发展。

    Oct, 2023

  • 使用对抗扩充的方法估计人体尺寸

    本文介绍了一种基于 BMnet 和 ABS 的人体测量网络，能够从轮廓图像中估计人体形状的 3D 人类测量结果，并提高预测精度。

    Oct, 2022

  • 提升智能营养监测：用于估计关键健康参数的多模态学习方法

    该研究提出了一种创新、可扩展且稳健的智能营养不良监测系统，通过对个体的全身图像进行多模态学习，在重建精确度极高的三维点云的基础上，通过 512 维特征嵌入和可学习参数的应用，精确估计身高和体重，并计算基础代谢率、体脂百分比和体质指数以进行全面的健康分析，从而为个体提供个性化的营养计划。

    Jul, 2023

  • 利用计算机断层扫描钙化分数机会性心外脂肪组织评估预测心血管事件的人工智能

    手工制作的 ' 脂质组学 ' 特征能够捕捉心外脂肪组织（EAT）的病理生理学并提高相关心血管风险的预测能力。

    Jan, 2024

  • 从部分视角图像估计人体姿态的简单策略

    提出了一种模块化和简单的高度标准化方案，通过将主体骨架重定位到所需位置，标准化比例并解脱两个变量之间的关系，显著提高了部分身体测量估计。此方法在多视图设置下也具有适用性。

    Apr, 2024

  • Comp2Comp: 开源计算机断层扫描身体成分评估

    本文介绍了一个基于 Python 的开源软件 Comp2Comp，用于从 CT 扫描中快速、自动分析测量人体的体成分数据，目前计算了腹部 CT 扫描的骨骼肌、内脏脂肪组织和皮下脂肪组织的身体成分数据，并提供了两个流程算法来计算 T12 - L5 椎体水平和用户指定的 2D 轴向切片。

    Feb, 2023