Neue Methode revolutioniert die Analyse der Körperzusammensetzungsanalyse unter Verwendung von 3D -Bildgebung und tiefem Lernen

Eine kürzlich durchgeführte Studie führt eine innovative Methode zur Analyse der Körperzusammensetzung mithilfe fortschrittlicher 3D -Bildgebung und Deep -Lern -Techniken ein. Dieser Ansatz zielt darauf ab, genauere Bewertungen der Körperfett- und Muskelverteilung vorzunehmen, die für das Verständnis von Gesundheitsrisiken im Zusammenhang mit verschiedenen Erkrankungen von entscheidender Bedeutung sind.

Die Studie, „3D Figolutional Deep Learning für nichtlineare Einschätzung der Körperzusammensetzung aus der Morphologie des Ganzkörpers“, verfasst von Forschern des Pennington Biomedical Research Center, der University of Washington, der University of Hawaii und der University of California-San Francisco wurde kürzlich in veröffentlicht in NPJ Digitalmedizinein Journal of the Nature Portfolio.

Diese Studie führt einen innovativen Ansatz ein, bei dem tiefe, nichtlineare Methoden zur Verbesserung der Schätzung von Körperzusammensetzungsparametern verwendet werden, wodurch die Genauigkeit früherer linearer Modelle übertrifft. Dieser Fortschritt bietet Potenzial zur Verbesserung der Bewertungen in klinischen Umgebungen und Forschungsanwendungen.

Zu den Autoren des „3D -Faltungsabschnitts für die nichtlineare Einschätzung der Körperzusammensetzung aus der Ganzkörpermorphologie“ gehörten Dr. Steven Heymsfield, Dr. Isaac Tian, ​​Dr. Jason Liu und Dr. Brian Curless; Dr. Michael Wong von Hawaii, Nisa Kelly, Yong Liu und Dr. John Shepherd; und Dr. Andrea K. Garber von der Universität von Kalifornien-San Francisco.

Dr. Steven Heymsfield verfügt über umfangreiche Erfahrungen in der menschlichen Fettleibigkeit, der Regulierung der Energiebilanz und der Entwicklung von Methoden zur Bewertung der Körperzusammensetzung. Seine Beiträge zu diesem Gebiet waren entscheidend, um das Verständnis des menschlichen Stoffwechsels und die Anwendung neuer Technologien wie der optischen 3D -Bildgebung in der medizinischen Forschung voranzutreiben. „

Dr. John Kirwan, Executive Director von Pennington Biomedical

Diese Entwicklung stellt einen Schritt nach vorne bei der medizinischen Bildgebung und Gesundheitsbewertung dar und bietet Klinikern und Forschern ein zuverlässigeres Instrument zur Bewertung der Körperzusammensetzung und der damit verbundenen Gesundheitsrisiken.

„Um einfach und schnell eine detaillierte digitale Karte der Körperform einer Person zu erstellen und diese Informationen dann zu verwenden, um nicht nur genaue Schätzungen ihrer Körperzusammensetzung und gesundheitliche Risiken zu erzeugen, sondern auch entsprechende 3D -Bilder, sondern vor wenigen Jahren fast unvorstellbar“, sagte Dr. Heymsfield, Professor für Metabolismus und Körperzusammensetzung bei Pennington Biomedical. „Technologische Fortschritte wie diese erfordern Fähigkeiten von einer breiten Palette von Wissenschaftlern, und ich freue mich, hier bei Pennington Biomedical die Möglichkeit zu haben, mit Kollegen aus dem ganzen Land und der Welt zusammenzuarbeiten.“

Zu den wichtigsten Highlights der Studie gehören:

• Erweiterte Bildgebung: Die Forscher nutzten die 3D -Bildgebungstechnologie, um detaillierte Darstellungen der Form des Körpers zu erfassen.
• Deep Learning Application: Durch die Anwendung ausgefeilter Deep -Lern -Algorithmen erreichte die Studie im Vergleich zu herkömmlichen Methoden genauere Schätzungen der Körperzusammensetzung.
• Gesundheitliche Auswirkungen: Eine genaue Analyse der Körperzusammensetzung ist für die Bewertung von Gesundheitsrisiken im Zusammenhang mit Fettleibigkeit, Herz -Kreislauf -Erkrankungen und anderen Stoffwechselstörungen von wesentlicher Bedeutung.

Diese Ergebnisse sind Ergebnisse aus der Form! Studien, finanziert durch AKG: Nichd #R01HD082166, National Institutes of Health NORC Center Grants (P30DK072476, Pennington/Louisiana und P30DK040561, Harvard); JAS: Nationales Institut für Diabetes und Verdauung und Nierenerkrankungen (NIDDK) (R01DK109008 und R01DK111698). Um den vollständigen Artikel zu lesen, besuchen Sie

Quellen: