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

Résumé Technique : BodyMAE

Problématique
L'évaluation précise de la composition corporelle (masse grasse, masse maigre, teneur en minéraux osseux) est cruciale pour la gestion des maladies métaboliques, musculo-squelettiques et liées au vieillissement. Bien que les modalités de référence comme l'absorptiométrie à rayons X à double énergie (DXA) soient précises, elles sont coûteuses, impliquent des rayonnements ionisants et sont peu pratiques pour un suivi fréquent. Les scans corporels 3D grand public offrent une alternative à faible coût et sans radiation ; cependant, l'extraction de caractéristiques de forme prédictives à partir de ces scans est complexe. Les approches existantes réduisent souvent les surfaces 3D à des mesures anthropométriques 1D (ex. : circonférences), perdant ainsi les détails géométriques, ou s'appuient sur des pipelines de vision 3D génériques qui ignorent la structure anatomique et l'échelle métrique. De plus, les méthodes classiques de sous-échantillonnage de nuages de points (comme l'échantillonnage par point le plus éloigné à nombre fixe ou l'échantillonnage basé sur une grille) ne parviennent pas à prendre en compte la densité de points non uniforme et la variabilité de la taille des corps inhérentes aux scans réels, ce qui entraîne un espacement physique incohérent et une perte de détails géométriques fins nécessaires à une régression précise.

Méthodologie
Les auteurs introduisent BodyMAE, un auto-encodeur masqué (masked autoencoder) auto-supervisé, sensible à la surface, conçu spécifiquement pour les scans corporels 3D à échelle métrique. Le pipeline se compose de trois composantes clés :

1. Échantillonnage ajusté à la surface : Pour remédier au problème des tailles de corps variables, les auteurs proposent une stratégie de sous-échantillonnage qui fait varier le nombre de points cibles ($N$) en fonction de la surface corporelle estimée ($S$). En utilisant un modèle de compactage hexagonal, le nombre de points cibles est calculé comme $N = \text{round}(\frac{2}{\sqrt{3}} \cdot \frac{S}{h^2})$, où $h$ est l'espacement cible entre les échantillons. Cela garantit que la densité de points physique reste constante entre les sujets de tailles différentes, stabilisant ainsi les statistiques des patchs pour l'auto-encodeur masqué.
2. Encodeur focalisé sur le long terme : Le modèle adopte Point Transformer v3 (PTv3) comme architecture de base (backbone). Contrairement aux méthodes d'agrégation locale standard, PTv3 divise le nuage de points en larges patchs non locaux, permettant aux points de s'attendre mutuellement à travers des régions corporelles distantes (ex. : symétrie bilatérale entre les jambes). Cela capture les relations spatiales à longue portée et les détails géométriques fins tout en restant efficace en termes de mémoire.
3. Décodeur léger avec régularisation géométrique : Le décodeur reconstruit les patchs masqués (taux de masquage de 70 %) en prédisant les coordonnées des points dans un référentiel local. Pour éviter l'agrégation de points et assurer des reconstructions localement uniformes, les auteurs introduisent un terme de Perte de Répulsion (Repulsion Loss) aux côtés de la distance de Chamfer standard. Cette perte pénalise les points prédits qui sont trop proches les uns des autres au sein d'un patch, favorisant la préservation des contours à haute fréquence sans dominer l'optimisation.

Après le pré-entraînement, le modèle est affiné (fine-tuned) pour l'estimation de la composition corporelle. Les plongements de patchs (patch embeddings) sont agrégés via des regroupements max et mean pour former un descripteur de forme au niveau du sujet, qui est ensuite concaténé avec des caractéristiques démographiques (âge, sexe, taille, poids, IMC) et transmis à un perceptron multicouche (MLP) partagé pour prédire quatre cibles : le pourcentage de graisse corporelle, la masse grasse, la masse maigre et la teneur en minéraux osseux (BMC).

Contributions Clés

• Échantillonnage sensible à la surface : Une nouvelle technique de sous-échantillonnage qui égalise l'espacement physique des points entre les sujets en faisant varier le nombre d'échantillons avec la surface corporelle, permettant aux transformers à patchs fixes de traiter des corps de tailles diverses avec un niveau de détail géométrique comparable.
• Adaptation de PTv3 : L'application de Point Transformer v3 aux scans corporels 3D pour capturer les relations spatiales à longue portée et la géométrie fine grâce à une agrégation physique cohérente.
• Perte de Répulsion : Un terme de régularisation lors de la reconstruction masquée qui décourage l'agrégation de points, complétant la distance de Chamfer pour préserver les contours à haute fréquence et stabiliser le pré-entraînement.
• Performance de pointe (State-of-the-Art) : Démonstration d'une précision de prédiction améliorée pour les résultats de composition corporelle par rapport à diverses lignes de base, incluant des architectures non pré-entraînées et d'autres méthodes auto-supervisées.

Résultats
Le modèle a été entraîné et évalué sur 917 scans corporels 3D appariés et rapports cliniques DXA, couvrant des cohortes de IMC normal, bariatrique et de sarcopénie.

• Précision de prédiction : BodyMAE a atteint une forte précision sur tous les indicateurs :
  • Pourcentage de graisse : RMSE de 3,825 points de pourcentage, $R^2$ de 0,908.
  • Masse grasse : RMSE de 3,694 kg, $R^2$ de 0,968.
  • Masse maigre : RMSE de 3,608 kg, $R^2$ de 0,901.
  • Teneur en minéraux osseux (BMC) : RMSE de 0,284 kg, $R^2$ de 0,754.
• Stabilité des caractéristiques : Dans les tâches de recherche (retrieval) évaluant la stabilité des caractéristiques à travers des scans répétés du même sujet, BodyMAE a atteint une précision Top-1 de 90,131 %, surpassant les autres bases pré-entraînées (ex. : Point-MAE à 83,524 % et Point Contrast à 74,388 %).
• Études d'ablation : Les expériences ont confirmé que l'architecture PTv3 et la Perte de Répulsion contribuent de manière significative à la performance. La combinaison de l'échantillonnage ajusté à la surface, de l'encodage à longue portée et de la régularisation géométrique locale a produit les meilleurs résultats, particulièrement pour les résultats liés aux graisses.

Signification
L'article affirme que la combinaison de l'échantillonnage sensible à l'échelle, de l'encodage relationnel à longue portée et de la régularisation géométrique locale permet une estimation précise de la composition corporelle à partir de scans corporels 3D. Les résultats valident que ces techniques permettent au modèle d'apprendre des caractéristiques de forme stables et sensibles à l'échelle qui sont fortement corrélées aux mesures dérivées de la DXA. En atteignant une haute précision sans rayonnement ionisant et en démontrant une stabilité de caractéristique supérieure par rapport aux cadres de pré-entraînement existants, BodyMAE offre une base robuste pour un suivi fréquent et non invasif de la composition corporelle, tant en milieu clinique qu'à domicile. Les auteurs notent que bien que l'approche soit efficace, elle est actuellement limitée par des biais spécifiques aux sites et l'hétérogénéité des scanners, suggérant que les travaux futurs devraient se concentrer sur la validation multicentrique et la généralisation entre différents appareils.