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

Sintesi Tecnica: BodyMAE

Problematica
La valutazione accurata della composizione corporea (massa grassa, massa magra, contenuto minerale osseo) è fondamentale per la gestione di malattie metaboliche, muscoloscheletriche e legate all'invecchiamento. Sebbene le modalità di riferimento come la densitometria assorbimetrica a raggi X a doppia energia (DXA) siano accurate, esse sono costose, comportano l'uso di radiazioni ionizzanti e risultano impraticabili per un monitoraggio frequente. Le scansioni corporee 3D commerciali offrono un'alternativa a basso costo e priva di radiazioni; tuttavia, estrarre caratteristiche di forma predittive da queste scansioni è complesso. Gli approcci esistenti spesso riducono le superfici 3D a misure antropometriche 1D (ad esempio, le circonferenze), scartando il dettaglio geometrico, oppure si affidano a pipeline di visione 3D generiche che ignorano la struttura anatomica e la scala metrica. Inoltre, i metodi standard di campionamento delle nuvole di punti (come il Farthest Point Sampling a numero fisso o il campionamento basato su griglia) non riescono a tenere conto della densità di punti non uniforme e delle dimensioni corporee variabili intrinseche nelle scansioni del mondo reale, portando a una spaziatura fisica incoerente e alla perdita di dettagli geometrici fini necessari per una regressione accurata.

Metodologia
Gli autori introducono BodyMAE, un autoencoder mascherato (masked autoencoder) auto-supervisionato, consapevole della superficie, progettato specificamente per scansioni corporee 3D in scala metrica. La pipeline consiste in tre componenti principali:

1. Campionamento Regolato sull'Area: Per affrontare il problema delle diverse dimensioni corporee, gli autori propongono una strategia di sottocampionamento che scala il numero target di punti ($N$) con l'area superficiale corporea stimata ($S$). Utilizzando un modello di impacchettamento esagonale (hex-packing), il numero target di punti è calcolato come $N = \text{round}(\frac{2}{\sqrt{3}} \cdot \frac{S}{h^2})$, dove $h$ è l'intervallo di campionamento target. Ciò garantisce che la densità fisica dei punti rimanga costante tra soggetti di diverse dimensioni, stabilizzando le statistiche dei patch per l'autoencoder mascherato.
2. Encoder Focalizzato su Lungo Raggio: Il modello adotta Point Transformer v3 (PTv3) come backbone. A differenza dei metodi di aggregazione locale standard, PTv3 divide la nuvola di punti in ampi patch non locali, permettendo ai punti di prestare attenzione l'uno all'altro attraverso regioni corporee distanti (ad esempio, la simmetria bilaterale tra le gambe). Ciò cattura le relazioni spaziali a lungo raggio e i dettagli geometrici fini pur rimanendo efficiente dal punto di vista della memoria.
3. Decoder Leggero con Regolarizzazione Geometrica: Il decoder ricostruisce i patch mascherati (rapporto di mascheramento del 70%) predicendo le coordinate dei punti in un frame locale. Per prevenire l'aggregazione dei punti e garantire ricostruzioni localmente uniformi, gli autori introducono un termine di Perdita di Repulsione (Repulsion Loss) insieme alla standard Distanza di Chamfer. Questa perdita penalizza i punti predetti che sono troppo vicini tra loro all'interno di un patch, promuovendo la preservazione dei contorni ad alta frequenza senza dominare l'ottimizzazione.

Dopo il pre-addestramento, il modello viene perfezionato (fine-tuning) per la stima della composizione corporea. Gli embedding dei patch vengono aggregati tramite pooling max e mean per formare un descrittore di forma a livello di soggetto, che viene poi concatenato con i dati demografici (età, genere, altezza, peso, BMI) e passato attraverso un MLP (Multi-Layer Perceptron) condiviso per predire quattro target: percentuale di grasso corporeo, massa grassa, massa magra e contenuto minerale osseo (BMC).

Contributi Chiave

• Campionamento Consapevole della Superficie: Una nuova tecnica di sottocampionamento che equalizza la spaziatura fisica dei punti tra i soggetti scalando il numero di campioni con l'area superficiale, consentendo ai transformer a patch fissi di elaborare corpi di diverse dimensioni con dettagli geometrici comparabili.
• Adattamento di PTv3: L'applicazione di Point Transformer v3 alle scansioni corporee 3D per catturare relazioni spaziali a lungo raggio e la geometria fine utilizzando un'aggregazione fisica coerente.
• Perdita di Repulsione: Un termine di regolarizzazione durante la ricostruzione mascherata che scoraggia l'aggregazione dei punti, completando la Distanza di Chamfer per preservare i contorni ad alta frequenza e stabilizzare il pre-addestramento.
• Prestazioni allo Stato dell'Arte: Dimostrazione di una migliore accuratezza predittiva per i risultati della composizione corporea rispetto a varie baseline, inclusi gli architetture non pre-addestrate e altri metodi auto-supervisionati.

Risultati
Il modello è stato addestrato e valutato su 917 scansioni 3D accoppiate a report clinici DXA, coprendo coorti con BMI normale, bariatrica e sarcopenia.

• Accuratezza della Predizione: BodyMAE ha raggiunto un'elevata accuratezza in tutte le metriche:
  • Percentuale di Grasso: RMSE 3,825 punti percentuali, $R^2$ 0,908.
  • Massa Grassa: RMSE 3,694 kg, $R^2$ 0,968.
  • Massa Magra: RMSE 3,608 kg, $R^2$ 0,901.
  • Contenuto Minerale Osseo (BMC): RMSE 0,284 kg, $R^2$ 0,754.
• Stabilità delle Caratteristiche: Nei compiti di recupero (retrieval) che valutano la stabilità delle caratteristiche attraverso scansioni ripetute dello stesso soggetto, BodyMAE ha raggiunto un'accuratezza Top-1 del 90,131%, superando altre baseline pre-addestrate (ad esempio, Point-MAE con l'83,524% e Point Contrast con il 74,388%).
• Studi di Ablazione: Gli esperimenti hanno confermato che sia il backbone PTv3 che la Perdita di Repulsione contribuiscono significativamente alle prestazioni. La combinazione di campionamento regolato sull'area, codifica a lungo raggio e regolarizzazione geometrica locale ha prodotto i risultati migliori, in particolare per i risultati legati al grasso.

Significatività
L'articolo sostiene che la combinazione di campionamento consapevole della metrica, codifica relazionale a lungo raggio e regolarizzazione geometrica locale consenta una stima accurata della composizione corporea dalle scansioni corporee 3D. I risultati validano il fatto che queste tecniche permettano al modello di apprendere caratteristiche di forma stabili e consapevoli della scala che correlano fortemente con le misurazioni derivate da DXA. Raggiungendo un'elevata accuratezza senza radiazioni ionizzanti e dimostrando una stabilità delle caratteristiche superiore rispetto agli esistenti framework di pre-addestramento, BodyMAE offre una base robusta per il monitoraggio frequente e non invasivo della composizione corporea sia in contesti clinici che domestici. Gli autori osservano che, sebbene l'approccio sia efficace, è attualmente limitato da bias specifici del sito e dall'eterogeneità degli scanner, suggerendo che il lavoro futuro dovrebbe concentrarsi sulla validazione multicentrica e sulla generalizzazione tra diversi dispositivi.