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

Resumo Técnico: BodyMAE

Problema
A avaliação precisa da composição corporal (massa gorda, massa magra, conteúdo mineral ósseo) é crítica para o gerenciamento de doenças metabólicas, musculoesqueléticas e relacionadas ao envelhecimento. Embora modalidades de referência como a absorciometria de raio-X de dupla energia (DXA) sejam precisas, elas são dispendiosas, envolvem radiação ionizante e são impraticáveis para monitoramento frequente. Scans corporais 3D de baixo custo oferecem uma alternativa livre de radiação e de baixo custo; no entanto, extrair características de forma preditivas desses scans é um desafio. Abordagens existentes frequentemente reduzem superfícies 3D a medidas antropométricas 1D (ex: circunferências), descartando detalhes geométricos, ou dependem de pipelines de visão 3D genéricos que ignoram a estrutura anatômica e a escala métrica. Além disso, métodos padrão de amostragem de nuvem de pontos (como o Farthest Point Sampling de contagem fixa ou amostragem baseada em grade) falham em considerar a densidade de pontos não uniforme e os tamanhos corporais variáveis inerentes aos scans do mundo real, levando a um espaçamento físico inconsistente e à perda de detalhes geométricos refinados necessários para uma regressão precisa.

Metodologia
Os autores introduzem o BodyMAE, um autoencoder mascarado consciente da área de superfície, autossupervisionado e projetado especificamente para scans corporais 3D de escala métrica. O pipeline consiste em três componentes principais:

1. Amostragem Ajustada pela Área: Para abordar a questão dos variados tamanhos corporais, os autores propõem uma estratégia de downsampling que escala a contagem de pontos alvo ($N$) com a área de superfície corporal estimada ($S$). Usando um modelo de empacotamento hexagonal, o número alvo de pontos é calculado como $N = \text{round}(\frac{2}{\sqrt{3}} \cdot \frac{S}{h^2})$, onde $h$ é o espaçamento inter-amostra alvo. Isso garante que a densidade física de pontos permaneça constante entre sujeitos de diferentes tamanhos, estabilizando as estatísticas dos patches para o autoencoder mascarado.
2. Codificador com Foco de Longo Alcance: O modelo adota o Point Transformer v3 (PTv3) como seu backbone. Diferente dos métodos de agregação local padrão, o PTv3 divide a nuvem de pontos em grandes patches não locais, permitindo que os pontos atentem uns aos outros através de regiões corporais distantes (ex: simetria bilateral entre as pernas). Isso captura relações espaciais de longo alcance e detalhes geométricos refinados, mantendo-se eficiente em termos de memória.
3. Decoder Leve com Regularização Geométrica: O decoder reconstrói os patches mascarados (taxa de mascaramento de 70%) prevendo as coordenadas dos pontos em um frame local. Para evitar o agrupamento de pontos e garantir reconstruções localmente uniformes, os autores introduzem um termo de Perda de Repulsão (Repulsion Loss) ao lado da Distância de Chamfer padrão. Esta perda penaliza pontos previstos que estão muito próximos uns dos outros dentro de um patch, promovendo a preservação de contornos de alta frequência sem dominar a otimização.

Após o pré-treinamento, o modelo é ajustado (fine-tuning) para a estimativa da composição corporal. Os embeddings dos patches são agregados via pooling de máximo e média para formar um descritor de forma ao nível do sujeito, que é concatenado com características demográficas (idade, sexo, altura, peso, IMC) e passado através de um MLP (Perceptron de Camada Multicamadas) compartilhado para prever quatro alvos: percentual de gordura corporal, massa gorda, massa magra e conteúdo mineral ósseo (BMC).

Principais Contribuições

• Amostragem Consciente da Área de Superfície: Uma técnica de downsampling inovadora que equaliza o espaçamento físico de pontos entre os sujeitos ao escalar as contagens de amostras com a área de superfície, permitindo que transformers de patch fixo processem corpos de variados tamanhos com detalhes geométricos comparáveis.
• Adaptação do PTv3: A aplicação do Point Transformer v3 a scans corporais 3D para capturar relações espaciais de longo alcance e geometria refinada usando agregação física consistente.
• Perda de Repulsão (Repulsion Loss): Um termo de regularização durante a reconstrução mascarada que desencoraja o agrupamento de pontos, complementando a Distância de Chamfer para preservar contornos de alta frequência e estabilizar o pré-treinamento.
• Desempenho de Estado da Arte: Demonstração de melhoria na precisão de predição para resultados de composição corporal em comparação com várias baselines, incluindo arquiteturas não pré-treinadas e outros métodos autossupervisionados.

Resultos
O modelo foi treinado e avaliado em 917 pares de scans corporais 3D e relatórios clínicos de DXA, abrangendo coortes de IMC normal, bariátrica e sarcopenia.

• Precisão de Predição: O BodyMAE alcançou forte precisão em todas as métricas:
  • Percentual de Gordura: RMSE de 3,825 pontos percentuais, $R^2$ de 0,908.
  • Massa Gorda: RMSE de 3,694 kg, $R^2$ de 0,968.
  • Massa Magra: RMSE de 3,608 kg, $R^2$ de 0,901.
  • Conteúdo Mineral Ósseo (BMC): RMSE de 0,284 kg, $R^2$ de 0,754.
• Estabilidade de Características: Em tarefas de recuperação que avaliam a estabilidade de características entre scans repetidos do mesmo sujeito, o BodyMAE alcançou uma acurácia Top-1 de 90,131%, superando outras baselines pré-treinadas (ex: Point-MAE com 83,524% e Point Contrast com 74,388%).
• Estudos de Ablação: Experimentos confirmaram que tanto o backbone PTv3 quanto a Perda de Repulsão contribuem significativamente para o desempenho. A combinação de amostragem ajustada pela área, codificação de longo alcance e regularização geométrica local gerou os melhores resultados, particularmente para desfechos relacionados à gordura.

Significância
O artigo afirma que a combinação de amostragem consciente de métricas, codificação relacional de longo alcance e regularização geométrica local permite a estimativa precisa da composição corporal a partir de scans corporais 3D. Os resultados validam que essas técnicas permitem que o modelo aprenda características de forma estáveis e conscientes de escala que se correlacionam fortemente com medições derivadas de DXA. Ao alcançar alta precisão sem radiação ionizante e demonstrar superior estabilidade de características em comparação com estruturas de pré-treinamento existentes, o BodyMAE oferece uma base robusta para o monitoramento frequente e não invasivo da composição corporal tanto em ambientes clínicos quanto domésticos. Os autores observam que, embora a abordagem seja eficaz, ela é atualmente limitada por vieses específicos de cada local e heterogeneidade de scanners, sugerindo que trabalhos futuros devem focar em validação multicêntrica e generalização entre dispositivos.