BodyMAE: A Surface-Area Aware Masked Autoencoder for Body Composition Estimation from 3D Body Scans

Resumen Técnico: BodyMAE

Planteamiento del Problema
La evaluación precisa de la composición corporal (masa grasa, masa magra, contenido mineral óseo) es fundamental para el manejo de enfermedades metabólicas, musculoesqueléticas y relacionadas con el envejecimiento. Si bien las modalidades de referencia como la absorciometría de rayos X de energía dual (DXA) son precisas, son costosas, implican radiación ionizante y resultan poco prácticas para un monitoreo frecuente. Los escaneos corporales 3D de consumo ofrecen una alternativa de bajo costo y libre de radiación; sin embargo, extraer características de forma predictivas de estos escaneos es un desafío. Los enfoques existentes suelen reducir las superficies 3D a medidas antropométricas de 1D (por ejemplo, circunferencias), descartando el detalle geométrico, o dependen de procesos de visión 3D genéricos que ignoran la estructura anatómica y la escala métrica. Además, los métodos estándar de submuestreo de nubes de puntos (como el muestreo de Punto Más Lejano de conteo fijo o el muestreo basado en rejilla) no logran considerar la densidad de puntos no uniforme y los tamaños corporales variables inherentes a los escaneos del mundo real, lo que conduce a un espaciamiento físico inconsistente y a la pérdida de detalles geométricos finos necesarios para una regresión precisa.

Metodología
Los autores presentan BodyMAE, un autoencoder enmascarado consciente del área superficial y de autoaprendizaje supervisado, diseñado específicamente para escaneos corporales 3D de escala métrica. El flujo de trabajo consta de tres componentes principales:

1. Muestreo Ajustado al Área: Para abordar el problema de los diversos tamaños corporales, los autores proponen una estrategia de submuestreo que escala el número de puntos objetivo ($N$) con el área de superficie corporal estimada ($S$). Utilizando un modelo de empaquetamiento hexagonal, el número de puntos objetivo se calcula como $N = \text{round}(\frac{2}{\sqrt{3}} \cdot \frac{S}{h^2})$, donde $h$ es el espaciamiento entre muestras objetivo. Esto asegura que la densidad de puntos física permanezca constante entre sujetos de diferentes tamaños, estabilizando las estadísticas de los parches para el autoencoder enmascarado.
2. Codificador Enfocado en Larga Distancia: El modelo adopta Point Transformer v3 (PTv3) como su columna vertebral (backbone). A diferencia de los métodos de agregación local estándar, PTv3 divide la nube de puntos en parches grandes y no locales, permitiendo que los puntos se atiendan entre sí a través de regiones corporales distantes (por ejemplo, la simetría bilateral entre las piernas). Esto captura relaciones espaciales de largo alcance y detalles geométricos finos, manteniéndose eficiente en memoria.
3. Decodificador Ligero con Regularización Geométrica: El decodificador reconstruye los parches enmascarados (tasa de enmascaramiento del 70%) prediciendo las coordenadas de los puntos en un marco local. Para evitar la agrupación de puntos y asegurar reconstrucciones localmente uniformes, los autores introducen un término de Pérdida de Repulsión junto con la Distancia de Chamfer estándar. Esta pérdida penaliza los puntos predichos que están demasiado cerca unos de otros dentro de un parche, promoviendo la preservación de contornos de alta frecuencia sin dominar la optimización.

Tras el preentrenamiento, el modelo se ajusta (fine-tuning) para la estimación de la composición corporal. Los embeddings de los parches se agregan mediante pooling de máximo y promedio para formar un descriptor de forma a nivel de sujeto, el cual se concatena con características demográficas (edad, género, altura, peso, IMC) y se pasa a través de un Perceptrón Multicapa (MLP) compartido para predecir cuatro objetivos: porcentaje de grasa corporal, masa grasa, masa magra y contenido mineral óseo (BMC).

Contribuciones Clave

• Muestreo Consciente del Área Superficial: Una técnica de submuestreo novedosa que iguala el espaciamiento físico de los puntos entre sujetos escalando los conteos de muestras con el área de superficie, permitiendo que los transformers de parches fijos procesen cuerpos de diversos tamaños con un detalle geométrico comparable.
• Adaptación de PTv3: La aplicación de Point Transformer v3 a escaneos corporales 3D para capturar relaciones espaciales de largo alcance y geometría de grano fino utilizando una agregación física consistente.
• Pérdida de Repulsión: Un término de regularización durante la reconstrucción enmascarada que desincentiva la agrupación de puntos, complementando la Distancia de Chamfer para preservar contornos de alta frecuencia y estabilizar el preentrenamiento.
• Desempeño de Vanguardia (SOTA): Demostración de una precisión de predicción mejorada para los resultados de composición corporal en comparación con varios baselines, incluyendo arquitecturas no preentrenadas y otros métodos de autoaprendizaje supervisado.

Resultados
El modelo fue entrenado y evaluado en 917 pares de escaneos corporales 3D y reportes clínicos de DXA, abarcando cohortes de IMC normal, bariátrica y sarcopenia.

• Precisión de Predicción: BodyMAE logró una fuerte precisión en todas las métricas:
  • Porcentaje de Grasa: RMSE de 3.825 puntos porcentuales, $R^2$ de 0.908.
  • Masa Grasa: RMSE de 3.694 kg, $R^2$ de 0.968.
  • Masa Magra: RMSE de 3.608 kg, $R^2$ de 0.901.
  • Contenido Mineral Óseo (BMC): RMSE de 0.284 kg, $R^2$ de 0.754.
• Estabilidad de Características: En tareas de recuperación que evalúan la estabilidad de las características a través de escaneos repetidos del mismo sujeto, BodyMAE logró una precisión Top-1 del 90.131%, superando a otros baselines preentrenados (por ejemplo, Point-MAE con 83.524% y Point Contrast con 74.388%).
• Estudios de Ablación: Los experimentos confirmaron que tanto la columna vertebral PTv3 como la Pérdida de Repulsión contribuyen significativamente al desempeño. La combinación de muestreo ajustado al área, codificación de largo alcance y regularización geométrica local produjo los mejores resultados, particularmente para los resultados relacionados con la grasa.

Significancia
El artículo sostiene que la combinación de muestreo consciente de la escala, codificación relacional de largo alcance y regularización geométrica local permite una estimación precisa de la composición corporal a partir de escaneos corporales 3D. Los resultados validan que estas técnicas permiten al modelo aprender características de forma estables y conscientes de la escala que se correlacionan fuertemente con las mediciones derivadas de DXA. Al lograr una alta precisión sin radiación ionizante y demostrar una estabilidad de características superior en comparación con los marcos de preentrenamiento existentes, BodyMAE ofrece una base robusta para el monitoreo frecuente y no invasivo de la composición corporal tanto en entornos clínicos como domésticos. Los autores señalan que, si bien el enfoque es efectivo, actualmente está limitado por sesgos específicos de cada sitio y heterogeneidad de los escáneres, sugiriendo que el trabajo futuro debería centrarse en la validación multicéntrica y la generalización entre dispositivos.