最近的一项研究介绍了一种利用先进的3D成像和深度学习技术分析身体成分的创新方法。
最近的一项研究介绍了一种利用先进的3D成像和深度学习技术分析身体成分的创新方法。这种方法旨在提供更准确的身体脂肪和肌肉分布评估，这对于了解与各种疾病相关的健康风险至关重要。
这项名为“从全身形态非线性估计身体成分的3D卷积深度学习”的研究，由华盛顿大学、夏威夷大学和加州大学旧金山分校的彭宁顿生物医学研究中心的研究人员撰写，最近发表在《自然》杂志《NPJ数字医学》上。
本研究引入了一种创新的方法，利用深度非线性方法来提高身体成分参数的估计，超越了以前线性模型的准确性。这一进步具有改善临床环境和研究应用评估的潜力。
《从全身形态非线性估计人体成分的三维卷积深度学习》的作者包括Pennington生物医学研究中心的Steven Heymsfield博士、华盛顿大学的Isaac Tian博士、Jason Liu博士和Brian Curless博士；夏威夷大学的Michael Wong博士、Nisa Kelly、Yong Liu和John Shepherd博士；以及加州大学旧金山分校的安德里亚·k·加伯博士。
“Steven Heymsfield博士在人类肥胖，能量平衡调节和评估身体成分方法的开发方面拥有丰富的经验。他在这一领域的贡献在促进对人体代谢的理解和在医学研究中应用3D光学成像等新技术方面发挥了关键作用。”John Kirwan博士说。
这一发展代表了医学成像和健康评估的进步，为临床医生和研究人员提供了一个更可靠的工具来评估身体成分和相关的健康风险。
彭宁顿生物医学学院代谢与身体成分教授海姆斯菲尔德博士说：“简单、快速地创建一个人的身体形状的详细数字地图，然后利用这些信息不仅可以准确估计他们的身体成分和健康风险，还可以生成相应的3D图像，这在几年前几乎是不可想象的。”“像这样的技术进步需要广泛的科学家的技能，我很高兴有机会在彭宁顿生物医学中心与来自全国和世界各地的同事一起工作。”
研究的主要亮点包括：
参考文献
3D convolutional deep learning for nonlinear estimation of body composition from whole body morphology
