方法文章

基于三维光学成像的临床人体测量与身体成分分析

2.9K 次观看

⸱

DOI：

10.3791/66698

⸱

2024年6月7日

 ,  ,  ,  ,  ,  , 
1Division of Physical Medicine and Rehabilitation, Department of Surgical Sciences, University of Turin, 2Pennington Biomedical Research Centre, 3Department of Surgical Sciences, Dentistry, Gynaecology and Paediatrics, Paediatric Unit, University of Verona, 4Department of Epidemiology, University of Hawaii Cancer Center

本文内容

摘要

通过商用的三维光学成像解决方案进行身体尺寸、形态和成分评估的流程，能够快速收集准确且可重复的数据。临床医生可借此获取创新且有用的生物标志物"e-tape" 在患者的常规评估中进行测量，以协助表征 其健康状况。

摘要

身体尺寸和体成分评估通常被纳入健康运动员以及各类患者的常规管理中，以个性化定制训练或康复策略。以下方案中描述的数字人体测量分析可借助新近推出的系统来完成。这些新工具和方法具有在临床环境中广泛应用的潜力，因其操作极为简便，且能够快速采集准确、可重复的数据。其中一种系统由一个带有称重板的旋转平台、三台红外摄像头以及集成于塔架中的平板电脑组成，另一种系统则由安装在支架上的平板电脑构成。图像采集后，两种系统的软件均可生成一个去标识化的三维人体模型，并提供相应的身体测量和体成分参数。测量过程十分简单：受试者可在几分钟内完成检测，并自动生成一份综合报告（包括三维扫描图像以及身体尺寸、形态和体成分的测量结果）。

引言

人体测量学是对人体物理尺寸的研究。身高、体重、长度、皮褶厚度和围度是常用的人体测量指标，这些指标在内分泌和代谢紊乱患者的调查中具有重要价值，同时也可用于监测生长、衰老以及饮食和训练引起的运动员体型和身体成分的适应性变化1,2。例如，腰围和臀围的评估在肥胖个体的管理中具有重要意义：这两个围度可反映脂肪分布情况，而脂肪分布可作为全因死亡率的预测指标3。

在康复医学和运动医学中，肢体围度常被用于检测和（或）监测附肢瘦体重的减少（例如，小腿围度被用作诊断骨骼肌减少和肌少症的一种简单且实用的骨骼肌指标）1,2，以及评估影响运动员身体表现和受伤风险、患者生活质量的肢体间不对称性（例如，单侧肢体肿胀的癌症患者）1,2。此外，在过去几十年中，已提出大量基于人体测量学的身体成分预测模型，通过结合不同的体格测量指标（如身体围度或皮褶厚度）来估算脂肪量或去脂体重1,2,4,5,6,7。

由于传统的人体测量学方法（即基于卷尺和卡尺的测量）可能在文化或社会上不易被接受，且可靠性较差8，因此有必要开发并验证非侵入性、可重复且有效的测量方法。近年来发展的三维（3D）光学成像系统能够提供非侵入性、精确且准确的测量结果8,9,10,11，同时，数码消费相机和智能手机也提供了易于使用且广泛可用的工具，适用于临床和非临床环境中对患者及健康受试者进行评估8,9,10,11,12,13,14,15,16,17,18,19,20。本节所报告方案的目的是描述通过两种近年来在医疗环境（用于评估患者）和非临床环境（用于评估运动员）中广泛应用的商用3D光学成像解决方案，对人体体型、体形和身体成分进行评估的操作流程。

方案

本方案遵循都灵理工大学的研究诚信指南21。光学图像的获取是在经当地伦理委员会批准的研究项目范围内进行的（相关数据见图1和图2图注），受试者已签署书面知情同意书（同意参与研究及发表匿名化图像）。

1. 受试者准备

注意：本节所述的所有扫描前准备工作在测试程序#1和#2之间是相似的。

  1. 要求受试者穿着内衣或最少且贴身的衣物（男性穿短裤，女性穿短裤和运动文胸），脱掉袜子、鞋子和所有配饰，并佩戴泳帽以覆盖头发。

2. 测试程序 #1 的受试者注册

  1. 使用标准身高计测量受试者的身高。
  2. 启动安装在平板电脑上的应用程序（应用程序#1 和平板电脑#1） 材料表系统#1的组成部分，包括一个带有称重板的旋转平台、三个红外相机，以及集成在塔架内的平板电脑（图1A，B).
  3. 填写受试者登记表（补充图 S1），包括名字、姓氏、电子邮箱地址、密码、性别（选择男性或女性）、计量单位（选择美国单位或公制单位）、种族（选择以下类别之一：未指明、西班牙裔/拉丁裔、美国印第安人或阿拉斯加原住民、亚洲人、黑人或非裔美国人、夏威夷原住民或其他太平洋岛屿居民、高加索人种）、出生日期。
  4. 勾选三个复选框（服务条款协议接受、隐私政策、责任豁免），然后点击 提交 按钮。
  5. 确认受试者正确佩戴泳帽后，轻敲 下一步 按钮。
  6. 确认受试者穿着合适的服装，然后轻触 下一步 按钮
  7. 确认扫描区域已清空（即衣物远离扫描区域，且扫描仪视野内无阳光或反光材料），然后点击 下一步 按钮
  8. 填写 身高测量 字段，然后轻触 下一步 按钮。
  9. 填写与可选附加指标相关的字段（体脂率 % [BF%] 心率、收缩压和舒张压、细胞内液和细胞外液），然后轻敲 提交 按钮。

3. 测试程序 #1

  1. 让受试者踏上体重秤，双脚站在脚印标记处（上肢自然下垂，双手置于身体两侧，不接触伸缩手柄），保持静止约 10 秒，以采集体重（及其分布）数据。
  2. 让受试者保持标准 A 姿势直立（肩部放松，双臂伸直并外展于躯干两侧），同时握住伸缩手柄，按照以下说明进行全身扫描（图 1A、B）。
    注：一次完整的全身扫描约需 45 秒，在此期间，随着平台旋转一周，光编码深度传感器将捕捉人体的三维形态。
    1. 抬起手柄，使双臂和双腿伸直。
    2. 尽可能保持静止不动。
    3. 头部保持不动，目视前方。
    4. 按下并持续按住手柄上的按钮，直至扫描完成。
    5. 扫描完成后，从体重秤上走下。
  3. 受试者离开体重秤后，点击 退出登录 按钮。

4. 测试程序#2的受试者注册

  1. 使用带有身高计的标准体重秤测量受试者的身高和体重。
  2. 在台式机或笔记本电脑上使用任意现代网络浏览器，访问系统 #2 的仪表板（见材料表中的注册仪表板）。
  3. 填写受试者注册表单（补充图 S2），包括名字、姓氏、电话号码、电子邮箱地址、年龄、性别（选择男性或女性）、体重和身高。
  4. 勾选复选框（接受使用条款和隐私政策），然后点击或轻触注册按钮以完成账户设置。
  5. 查看显示受试者唯一快速响应（QR）码、电话号码和电子邮箱地址的账户页面。
  6. 拍摄该 QR 码的照片（例如使用手机）。

5. 测试程序 #2

  1. 启动应用程序（应用程序 #2） 材料表) 安装在系统#2平板上的软件，系统#2由安装在支架上的平板（平板#2和落地支架）组成 材料表).
  2. 轻触平板电脑屏幕，显示二维码。
  3. 轻敲 开始 按钮
  4. 要求受试者聆听音频指导并观看屏幕上提供的示意图。
  5. 让受试者站在地毯上，与平板电脑保持标准化距离，双脚置于地毯上的脚部引导标记（黑色椭圆形符号）处，并与屏幕上显示的绿色脚部标记对齐图2A).
  6. 要求受试者采取一种 "正面A字姿势" （并保持姿势不动，以避免因动作导致生成的虚拟形象失真）10,22 双腿分开，双臂从躯干向外展开约呈45°角，双手握拳，以获取正面图像（图2B).
  7. 在完成正面图像采集后，让受试者摆出 "侧身姿势" 双脚并拢，手臂/手部伸直置于身体两侧（即手臂/手部与躯干/大腿平行紧贴），面部正向前方，以获取侧位图像图2C).
  8. 侧位图像采集完成后，告知受试者扫描已结束（应用程序会显示一个 谢谢 屏幕

结果

图像采集完成后，系统#1的软件会生成一个去标识化的三维类人虚拟形象（图1C：点云数据被转换为由三角形连接而成的网格，包含约25,000个顶点和50,000个面），并自动进行人体测量，包括长度、围度、体积、表面积以及身体成分估算。系统#1的仪表板可为每位受试者提供可视化功能（并支持下载报告），内容包括三维扫描图像（图1C）、体重、体型和形态的测量结果（即体型评分、腰围、腰臀比、躯干与下肢体积比）、基础代谢率和身体成分估算值（即体脂率、脂肪质量、去脂体重），以及标准围度测量值（颈围、胸围、腰围、臀围、左右上臂、左右前臂、左右大腿、左右小腿）。

此外，姿势与平衡评估的结果也可进行可视化展示，并包含在报告中。姿势评估结果包括三维扫描的正面、侧面和背面视图，以及相关的偏移（定义为身体某部分进入倾斜位置的程度，以及在任意单一方向上的倾斜速率）和倾斜（定义为相对于中心点向前、向后、向左或向右的“滑动”运动，即位置的轻微变化或偏离）测量值：i）正面与背面视图：相对于矢状面（以左右半身之间的一条垂直线表示）的左右偏移测量值，以及头部、肩部、乳房下缘、髋部、膝部相对于横断面（水平面）的倾斜百分比；ii）侧面视图：头部、肩部、髋部和膝部相对于额状面（冠状面，以踝关节向上延伸的垂直线表示）的前后偏移测量值。

平衡评估结果包括站立姿势下左右脚前后区域的体重分布情况。系统#1的仪表板还允许每位受试者下载.OBJ和.GIF图像文件，以及包含人体测量数据和身体成分估算值的.CSV文件。 表1.

所有身体成分估算均通过专用算法获得，基础代谢率估算和身体形态指数计算除外，二者分别依据 Mifflin-St. Jeor 方程得出23 以及Krakauer方程24 报道于 表2.

图像采集完成后，系统#2的软件会生成一个去标识化的三维类人形虚拟形象（图2D：点云数据被转换为由三角形连接的网格，包含约50,000个顶点和100,000个面），并自动进行人体测量，包括长度、围度、体积、表面积以及身体成分估算。系统#2的仪表板（见材料表中的数据下载仪表板）允许为每位受试者下载.OBJ和.PNG图像文件，以及以下三个.CSV文件：

“App Measures.csv”文件报告了以下人体测量学和身体成分测量数据：体重、体表面积、体脂百分比（BF%）、内脏脂肪组织、健身指数、手臂瘦体重、腿部瘦体重、去脂体重、总骨矿物质含量、肩宽、背肩宽（经后颈测量）、颈围、上臂围、肱二头肌围（右/左）、前臂围（右/左）、腕围（右/左）、胸围、下胸围、乳房围（含下垂量）、胃部围、腰围、绘画腰围、臀围（从背部最窄处向下8英寸处测量）、坐姿臀围、大腿围（右/左）、小腿围（右/左）、后颈至腰长、袖长（右/左）、胯下长度、内缝线长、外缝线长（右/左）。

“Body Composition.csv”文件报告了以下人体测量和身体成分数据：体脂率、体重指数、体表面积、骨矿物质含量、脂肪质量指数、健康指数、身高、去脂体重指数、去脂体重、上肢去脂质量、下肢去脂质量、静息代谢率、腹部周长、内脏脂肪组织、腰高比、腰臀比、体重。

“Core Measures.csv”文件报告了表1中列出的人体测量数据。

所有身体成分的估算均采用专有算法，但基础代谢率的估算和体脂百分比（BF%）的估算除外，这两项分别根据Katch-McArdle公式25以及Harty等人先前开发并验证的两个公式26进行。这两个公式（表2中的BF%公式1和公式2）分别适用于腹部周长小于<103.5 cm（<40.75英寸）和大于等于103.5 cm（≥40.75英寸）的个体。尽管先前的研究已证明公式1在健康成年人体脂百分比估算中的准确性15,26，但我们最近发现，该公式在青年运动员中相对于双能X射线吸收测定法高估了体脂百分比18。因此，我们提出了重新参数化的公式（公式3，见表2），以准确估算男女青年足球运动员的体脂百分比18。

除了上述列出的身体成分变量外，还可以通过麦卡锡（McCarthy）等人最近为久坐人群提出的一种设备特异性方程，估算使用系统#2扫描获得的四肢骨骼肌质量（ALM）27（见表2中的男性ALM方程1和女性ALM方程2）。我们已将该方程调整，用于青年运动员的ALM估算（见表2中的男性ALM方程3和女性ALM方程4）18。

图3展示了在一名男性运动员（体重指数：26.0 kg/m2：图3A、B）和一名肥胖个体（体重指数：44.0 kg/m2：图3C、D）中使用系统#1（图3A、C）和系统#2（图3B、D）获得的代表性虚拟形象。两位受试者各进行两次扫描，其通过系统#1和系统#2获得的人体测量数据及体成分估算结果见表3。

该运动员在两种系统扫描中测得的围度存在差异（尤其是颈部、手臂、臀部和腿部：数据见表3）。系统#1和系统#2扫描所得体脂率（BF%）值（两次扫描的平均值）分别为19.1%和16.1%，瘦体重值（两次扫描的平均值）分别为69.7 kg和72.2 kg。使用系统#2进行扫描所得ALM平均值为38.4 kg。

在肥胖个体中，两种系统扫描所得的围度测量值存在差异（尤其是腰围和腿部：数据见表3）。系统#1和系统#2扫描得到的体脂百分比（BF%）值（两次扫描的平均值）分别为44.1%和46.3%，瘦体重值（两次扫描的平均值）分别为67.9 kg和64.9 kg。使用系统#2进行扫描所得的四肢瘦体重（ALM）平均值为25.1 kg。

身体成分分析；三维身体扫描设置及结果，显示人体测量数据。
图1：使用系统#1拍摄的图像。（A,B）代表性男性受试者在平台旋转过程中保持的标准A字姿势，以及（C）对应的三维虚拟形象。光学图像的采集是在经都灵大学伦理委员会批准的研究项目（协议编号：0115311）中进行的。请点击此处查看该图的放大版本。

身体扫描过程、姿态检测示意图，显示姿势分析和三维模型生成。
图2：使用系统#2拍摄的图像。（A）一名代表性男性受试者站在地毯上，脚部引导符号（地毯上的黑色椭圆形符号）与系统#2平板屏幕上显示的绿色脚部标记对齐。获取该代表性受试者的（B）正面图像和（C）侧面图像，以及（D）相应的三维虚拟形象。光学图像的采集是在经都灵大学伦理委员会批准的研究项目（编号：0115311）范围内进行的。请点击此处查看此图的放大版本。

三维解剖建模中比较A-D型人体体型的人体质量指数示意图。
图3：使用系统#1和系统#2获得的代表性虚拟形象。（A,B）男性运动员和（C,D）肥胖个体，分别使用（A,C）系统#1和（B,D）系统#2进行检测。每位受试者均进行了两次扫描，并在两次扫描之间重新定位：两次扫描中均展示第一次扫描生成的虚拟形象，而系统#1和系统#2对两位受试者两次扫描所得的人体测量学及体成分估算结果见表3。光学图像的采集是在经都灵大学伦理委员会（编号0115311）和地方伦理委员会（CET - 编号0065654）批准的研究项目范围内进行的。请点击此处查看该图的放大版本。

表1：可从系统#1和#2的仪表板下载的扩展测量数据集。 请点击此处下载该表格。

表2：基础代谢率、体脂百分比和四肢瘦体重的估算公式。 基础代谢率估算：体重和瘦体重单位为kg，身高单位为cm，年龄单位为年。身体形态指数（ABSI）估算：腰围和身高单位为m，体重指数单位为kg/m2。体脂百分比估算：性别编码为男性=1，女性=0；体表面积单位为cm2；其余标注为circ.的变量单位均为cm。肌肉-腹部指数计算公式为（右肱二头肌围度 + 左肱二头肌围度 + 右大腿围度 + 左大腿围度 + 右小腿围度 + 左小腿围度）/ 最大腹部围度。四肢瘦体重估算：所有围度单位为cm，长度单位为cm，表面积单位为cm2，体积单位为cm3，体重单位为kg，年龄单位为年。本表中三个公式来源于Minetto等18。缩写：BMR = 基础代谢率；ABSI = 身体形态指数；BF% = 体脂百分比；circ. = 围度；ALM = 四肢瘦体重；NHOPI = 夏威夷原住民及其他太平洋岛民。请点击此处下载该表格。

表3. 两名代表性受试者（一名运动员和一名肥胖个体）通过两种系统获得的周长测量值和身体成分估算值。 请点击此处下载该表格。

补充图 S1：测试程序 #1 的受试者登记表。 请点击此处下载该文件。

补充图 S2：测试程序#2的受试者登记表。 请点击此处下载该文件。

讨论

本文介绍的方法可通过两种已开发并验证过的商用3D光学成像解决方案，用于评估身体尺寸、体型和身体成分9,10,11,12,13,14,15,16,17,18,19,20。这些解决方案操作简便，能够快速采集有效数据，并自动整理生成报告。此外，所介绍的系统可采集具有可重复性的数据（如本研究中两个代表性案例分别使用两种系统进行两次扫描的结果对比所示，并由先前研究证实）9,10,11,12,13,14,15,16,17,18,19,20，因此可用于监测训练或饮食干预引起的变化。

由于系统#2重量较轻（平板电脑及支架总重约4 kg），便于携带。然而，系统#2的局限性在于，从2D图像生成3D虚拟形象时，所得3D重建结果的准确性可能低于系统#1，尤其在肥胖个体（如图3 C,D所示代表性示例）或存在局部体型异常的患者中（例如减重手术后存在明显皮肤冗余的患者，或单侧上肢或下肢淋巴水肿的癌症患者）。

足够的空间对于两种系统的扫描采集至关重要：系统#1需要157 x 198 cm的清晰区域，系统#2需要86 x 166 cm的清晰区域。此外，系统#2要求受试者靠近一面空白墙壁放置，且墙壁上不得有镜子、反光海报或窗户。两种系统均要求摄像头视野内不得有自然阳光照射，也不得存在反光表面。两种系统还需要稳定且持续的Wi-Fi网络连接，以有效处理扫描数据。

上述方法的主要局限性在于，要求受试者能够保持站立姿势。因此，这些方法无法用于无法下床的重症患者（如神经系统严重受损的患者或危重患者）。此外，受试者必须能够在测量过程中保持静止的站立姿势（即A字姿势和侧身姿势），避免任何可能改变虚拟形象形状10,22并影响身体围度估算结果的动作。

上述参数的一个局限性在于，它们是通过专有的设备特定算法获得的：这意味着体型、体形和身体成分的测量结果仅适用于特定的扫描系统。因此，由于分析上的差异（即不同扫描仪之间），无法对使用不同系统获取的数据进行比较或合并。与此一致的是，本研究中两名代表性受试者在图3中显示的围度测量值在两个系统之间存在差异。然而，目前已开发出与设备无关的解决方案以克服这一局限性：这些方案可对三维网格进行重新格式化和编辑，随后自动识别不同的解剖标志点（如腋窝、腹股沟和足部），并自动计算体型测量值28,29,30,31,32,33,34,35。上述身体成分参数的另一个局限性在于，它们是通过基于传统人体测量学的预测模型获得的。然而，最近的研究表明，可能需要基于体形的模型来获取超越传统人体测量学方法的身体成分信息36,37。

尽管存在一些局限性，数字人体测量方法已可被视为适用于临床环境。3D成像系统可提供非侵入性测量，相较于基于解剖标志点观察和触诊的手动测量（如卷尺和/或卡尺测量），更容易被接受。此外，与其他常用于科研和临床环境中进行体型与身体成分评估的检测方法（如磁共振成像和双能X线吸收测定法）相比，3D光学扫描速度更快。同时，由于该技术相对成本较低且无辐射，因此适用于后续扫描（例如，若实验人员发现受试者身体移动或肢体位置不当导致虚拟形象形态改变，可方便快速地重复图像采集），也适用于重复性检测38，并且在特殊人群（如儿童、青少年和孕妇）中使用也是安全的35,39。

因此，临床医生可在对健康个体（如运动员）的常规评估中引入创新且有用的生物标志物（"e-tape" 测量值及由此推导出的身体成分估算），以辅助预测和评估其身体机能表现及受伤风险40,41,42,43，同时可用于监测损伤恢复情况。 例如，腿部力量和瘦体重的对称性会影响身体机能表现以及（再次）受伤风险44。因此，恢复大腿/小腿围度的正常对称性可作为考虑恢复运动的总体目标之一45。 通过将数字化人体测量整合到医疗保健中，也可提升对患者的常规评估水平。对身体围度和形态（由软组织和脂肪组织的内部分布决定）的评估，有助于识别肌肉质量偏低的情况（例如疑似患有肌肉减少症的患者），预测代谢性疾病风险46，评估手术效果，以及监测干预措施后的患者进展38。对于营养因素在其病理生理过程中起关键作用的疾病患者，通过长期监测身体尺寸和身体成分，可有效减轻症状并改善共病状况47。例如，在采用饮食和/或药物治疗肥胖的情况下，仅监测体重可能并不恰当，因为广为人知的"25/75经验法则"（即通常假设减重过程中25%为去脂体重减少，75%为脂肪减少）可能无法准确反映干预效果38，而基于人体测量的方法可揭示肌肉与脂肪减少的相对比例，从而更准确地评估干预成效。此外，将数字化人体测量整合进医疗体系，有望将医疗服务扩展至偏远地区，从而提升患者照护质量与依从性，并降低医疗成本。

披露

A.P. 和 S.B.H. 在 Tanita Corporation 的医学顾问委员会任职。其余作者声明无利益冲突。

致谢

作者感谢都灵大学的 Federico Della Vecchia 博士和 Alessandro Cairo 博士在稿件撰写过程中提供的宝贵支持。本研究得到了意大利都灵 CRT 基金会、都灵大学（地方科研基金 - ex-60%）以及美国国立卫生研究院（资助号 R01DK109008，Shape UP! Adults）的资助。

材料

本文使用的材料清单
姓名公司目录编号评论
系统 #1
ProscannerFit3D 公司，美国加利福尼亚州圣马特奥版本 5"文稿中的“系统 #1”"
Fit3D Proscanner 应用程序Fit3D 公司，美国加利福尼亚州圣马特奥版本 5"文稿中的“应用程序 #1”"
CHUWI 平板电脑驰为科技有限公司，中国深圳Hi10X"文稿中的“平板 #1”"
Fit3D 仪表板Fit3D 公司，美国加利福尼亚州圣马特奥https://dashboard.fit3d.com
系统 #2
移动扫描仪 1（MS-1）应用程序Size Stream 有限责任公司，美国北卡罗来纳州凯里版本 2"文稿中的“系统 #2”"
iPad苹果公司，美国加利福尼亚州库比蒂诺第 9 代"文稿中的“平板 #2”"
iPad 地面支架Displays2go 有限责任公司，美国马萨诸塞州福尔里弗货号：TABFLATBBKwww.displays2go.com/P-29987/Universal-Tablet-Floor-Stand-Anti-Theft-Locking-Kit
Size Stream 注册仪表板 Size Stream 有限责任公司，美国北卡罗来纳州凯里https://measure.mobilefit.sizestream.com
Size Stream 数据下载仪表板 Size Stream 有限责任公司，美国北卡罗来纳州凯里https://data.mobilefit.sizestream.com

参考文献

  1. Heymsfield, S. B., Lohman, T., Wang, Z. M., Going, S. Human body composition-2nd edition. Human Kinetics. , Champaign, IL, USA. (2005).
  2. Lohman, T. G., Milliken, L. A. ACSM's Body composition assessment. Human Kinetics. , Champaign, IL, USA. (2020).
  3. Ross, R., et al. Waist circumference as a vital sign in clinical practice: a Consensus Statement from the IAS and ICCR Working Group on Visceral Obesity. Nat Rev Endocrinol. 16 (3), 177-189 (2020).
  4. Heymsfield, S. B., Gonzalez, M. C., Lu, J., Jia, G., Zheng, J. Skeletal muscle mass and quality: evolution of modern measurement concepts in the context of sarcopenia. Proc Nutr Soc. 74 (4), 355-366 (2015).
  5. Marin-Jimenez, N., et al. Criterion-related validity of field-based methods and equations for body composition estimation in adults: a systematic review. Curr Obes Rep. 11 (4), 336-349 (2022).
  6. Duarte, C. K., et al. Prediction equations to estimate muscle mass using anthropometric data: a systematic review. Nutr Rev. 81 (11), 1414-1440 (2023).
  7. Jagim, A. R., et al. Validation of skinfold equations and alternative methods for the determination of fat-free mass in young athletes. Front Sports Act Living. 5, 1240252(2023).
  8. Minetto, M. A., et al. Digital anthropometry for body circumference measurements: European phenotypic variations throughout the decades. J Pers Med. 12 (6), 906(2022).
  9. Ng, B. K., Hinton, B. J., Fan, B., Kanaya, A. M., Shepherd, J. A. Clinical anthropometrics and body composition from 3D whole-body surface scans. Eur J Clin Nutr. 70 (11), 1265-1270 (2016).
  10. Bourgeois, B., et al. Clinically applicable optical imaging technology for body size and shape analysis: comparison of systems differing in design. Eur J Clin Nutr. 71 (11), 1329-1335 (2017).
  11. Heymsfield, S. B., et al. Digital anthropometry: a critical review. Eur J Clin Nutr. 72 (5), 680-687 (2018).
  12. Tinsley, G. M., Moore, M. L., Benavides, M. L., Dellinger, J. R., Adamson, B. T. 3-Dimensional optical scanning for body composition assessment: A 4-component model comparison of four commercially available scanners. Clin Nutr. 39 (10), 3160-3167 (2020).
  13. Tinsley, G. M., Moore, M. L., Dellinger, J. R., Adamson, B. T., Benavides, M. L. Digital anthropometry via three-dimensional optical scanning: evaluation of four commercially available systems. Eur J Clin Nutr. 74 (7), 1054-1064 (2020).
  14. Smith, B., et al. Anthropometric evaluation of a 3D scanning mobile application. Obesity (Silver Spring). 30 (6), 1181-1188 (2022).
  15. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Validity and reliability of a mobile digital imaging analysis trained by a four-compartment model. J Hum Nutr Diet. 36 (3), 905-911 (2023).
  16. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Evaluation of automated anthropometrics produced by smartphone-based machine learning: a comparison with traditional anthropometric assessments. Br J Nutr. 130 (6), 1077-1087 (2023).
  17. Wong, M. C., et al. Accuracy and precision of 3-dimensional optical imaging for body composition by age, BMI, and ethnicity. Am J Clin Nutr. 118 (3), 657-671 (2023).
  18. Minetto, M. A., et al. Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players. Sci Rep. 13 (1), 20734(2023).
  19. Cataldi, D., et al. Accuracy and precision of multiple body composition methods and associations with muscle strength in athletes of varying hydration: The Da Kine Study. Clin Nutr. 43 (1), 284-294 (2024).
  20. Graybeal, A. J., et al. Smartphone derived anthropometrics: Agreement between a commercially available smartphone application and its parent application intended for use at point-of-care. Clinical Nutrition ESPEN. 59, 107-112 (2024).
  21. Politecnico di Torino. , Available from: https://www.polito.it/sites/default/files/2023-05/Research%20Integrity%20POLITO_EN.pdf (2024).
  22. Sobhiyeh, S., et al. Hole filling in 3D scans for digital anthropometric applications. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 2752-2757 (2019).
  23. Mifflin, M. D., et al. A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. 51 (2), 241-247 (1990).
  24. Krakauer, N. Y., Krakauer, J. C. A new body shape index predicts mortality hazard independently of body mass index. PLoS One. 7 (7), e39504(2012).
  25. Katch, F. I., McArdle, W. D. Validity of body composition prediction equations for college men and women. Am J Clin Nutr. 28 (2), 105-109 (1975).
  26. Harty, P. S., et al. Novel body fat estimation using machine learning and 3-dimensional optical imaging. Eur J Clin Nutr. 74 (5), 842-845 (2020).
  27. MCCarthy, C., et al. Smartphone prediction of skeletal muscle mass: model development and validation in adults. Am J Clin Nutr. 117 (4), 794-801 (2023).
  28. Loper, M., Mahmood, N., Romero, J., Pons-Moll, G., Black, M. J. SMPL: A skinned multi-person linear model. ACM Trans Graph. 34, 248(2015).
  29. Meshcapade Me. , Available from: http://meshcapade.me (2024).
  30. Sobhiyeh, S., et al. Digital anthropometry for body circumference measurements: Toward the development of universal three-dimensional optical system analysis software. Obes Sci Pract. 7 (1), 35-44 (2020).
  31. Sobhiyeh, S., et al. Digital anthropometric volumes: Toward the development and validation of a universal software. Med Phys. 48 (7), 3654-3664 (2021).
  32. Dechenaud, M. E., Kennedy, S., Sobhiyeh, S., Shepherd, J., Heymsfield, S. B. Total body and regional surface area: Quantification with low-cost three-dimensional optical imaging systems. Am J Phys Anthropol. 175 (4), 865-875 (2021).
  33. Wong, M. C., et al. A pose-independent method for accurate and precise body composition from 3D optical scans. Obesity (Silver Spring). 29 (11), 1835-1847 (2021).
  34. Tian, I. Y., et al. A device-agnostic shape model for automated body composition estimates from 3D optical scans. Med Phys. 49 (10), 6395-6409 (2022).
  35. Tian, I. Y., et al. Automated body composition estimation from device-agnostic 3D optical scans in pediatric populations. Clin Nutr. 42 (9), 1619-1630 (2023).
  36. Wells, J. C. K. Three-dimensional optical scanning for clinical body shape assessment comes of age. Am J Clin Nutr. 110 (6), 1272-1274 (2019).
  37. Ng, B. K., et al. Detailed 3-dimensional body shape features predict body composition, blood metabolites, and functional strength: the Shape Up! studies. Am J Clin Nutr. 110 (6), 1316-1326 (2019).
  38. Wong, M. C., et al. Monitoring body composition change for intervention studies with advancing 3D optical imaging technology in comparison to dual-energy X-ray absorptiometry. Am J Clin Nutr. 117 (4), 802-813 (2023).
  39. Wong, M. C., et al. Children and adolescents' anthropometrics body composition from 3-D optical surface scans. Obesity (Silver Spring). 27 (11), 1738-1749 (2019).
  40. Morse, S., et al. Machine learning prediction of combat basic training injury from 3D body shape images. PLoS One. 15 (6), e0235017(2020).
  41. Harty, P. S., et al. Military body composition standards and physical performance: historical perspectives and future directions. J Strength Cond Res. 36 (12), 3551-3561 (2022).
  42. Keith, D. S., et al. Anthropometric predictors of conventional deadlift kinematics and kinetics: a preliminary study. Int J Exerc Sci. 16 (1), 429-447 (2023).
  43. Smith, M., et al. Body shape and performance on the US Army Combat Fitness Test: Insights from a 3D body image scanner. PLoS One. 18 (5), e0283566(2023).
  44. Hart, N. H., Nimphius, S., Spiteri, T., Newton, R. U. Leg strength and lean mass symmetry influences kicking performance in Australian football. J Sports Sci Med. 13 (1), 157-165 (2014).
  45. Ardern, C. L., et al. Consensus statement on return to sport from the First World Congress in Sports Physical Therapy, Bern. Br J Sports Med. 50 (14), 853-864 (2016).
  46. Bennett, J. P., et al. Three-dimensional optical body shape and features improve prediction of metabolic disease risk in a diverse sample of adults. Obesity (Silver Spring). 30 (8), 1589-1598 (2022).
  47. Heymsfield, S. B., Shapses, S. A. Guidance on energy and macronutrients across the life span. N Engl J Med. 390 (14), 1299-1310 (2024).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章