Расчет площади поверхности тела человека: Площадь поверхности тела (метод Дюбуа)

ПРАЙМ PubMed | База данных площади поверхности человеческого тела и формула оценки

Ссылка

Yu, Chi-Yuang, et al.«База данных площади поверхности человеческого тела и формула оценки». Ожоги: Журнал Международного общества ожоговых травм, vol. 36, нет. 5, 2010, стр. 616-29.

Ю С.И., Линь С.Х., Ян Ю.Х. База данных площади поверхности человеческого тела и формула оценки. Бернс . 2010;36(5):616-29.

Yu, CY, Lin, CH, & Yang, YH (2010). База данных площади поверхности человеческого тела и формула оценки. Ожоги: Журнал Международного общества ожоговых травм , 36 (5), 616-29.https://doi.org/10.1016/j.burns.2009.05.013

Yu CY, Lin CH, Yang YH. База данных площади поверхности человеческого тела и формула оценки. Бернс. 2010;36(5):616-29. PubMed PMID: 19

TY — JOUR T1 — База данных площади поверхности человеческого тела и формула оценки. AU — Ю,Чи-Юан, AU — Линь, Цзин-Хуа, AU — Ян, Йи-Сюэ, Y1 — 08.11.2009/ ПЯ — 27.02.2009/получил PY — 19 мая 2009 г. / исправлено PY — 28.05.2009/принято PY — 2009/11/11/entrez PY — 11.11.2009/опубликовано PY — 2011/2/12/medline СП — 616 ЭП — 29 JF-Burns: журнал Международного общества ожоговых травм Джо — Бёрнс ВЛ — 36 ИС — 5 N2 — В этом исследовании была создана база данных площади поверхности человеческого тела (ППТ) и формула оценки на основе данных трехмерного (3D) сканирования.Для каждого пола было отобрано по 135 испытуемых. Выборка была стратифицирована по пяти параметрам роста и трем массам тела в соответствии с предыдущим опросом. Трехмерная форма поверхности тела была измерена с использованием инновационного трехмерного сканера тела и сканера рук/ног с высоким разрешением, общая площадь поверхности тела (BSA) и сегментарная площадь поверхности тела (SBSA) были рассчитаны на основе суммирования каждой крошечной треугольной площади треугольные сетки сканируемой поверхности; и точность измерения BSA ниже 1%. Результаты BSA и шестнадцати SBSA были сведены в таблицы в пятнадцати стратах для мужчин, женщин и всего (два пола вместе).Данные %SBSA также использовались для пересмотра новых диаграмм Лунда и Браудера. Сравнение BSA показывает, что BSA в этом исследовании сравним с Du Bois и Du Bois, но меньше, чем у Tikuisis et al. Разница может быть связана с разницей в размерах тела между образцами. Сравнение SBSA показывает, что различия SBSA между этим исследованием и диаграммой Лунда и Браудера колеблются от 0,00% до 2,30%. Была получена новая формула оценки BSA, BSA=71,3989 x H(0,7437) x W(0,4040).Проверка точности показала, что эта формула имеет меньшую ошибку оценки, чем формула Дюбуа и Дюбуа; и значительно лучше, чем другие формулы оценки BSA. СН — 1879-1409 гг. UR — https://www.unboundmedicine.com/medline/citation/19

Основа для анализа площади поверхности всего тела с одной точки зрения

Образец цитирования: Piccirilli M, Doretto G, Adjeroh D (2017) Основа для анализа площади поверхности всего тела с одной точки зрения.ПЛОС ОДИН 12(1): e0166749. https://doi.org/10.1371/journal.pone.0166749

Редактор: Серхио Гомес, Университет Ровира и Виргили, ИСПАНИЯ

Поступила в редакцию: 31 декабря 2015 г.; Принято: 3 ноября 2016 г.; Опубликовано: 3 января 2017 г.

Авторские права: © 2017 Piccirilli et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные содержатся в документе и в его файлах вспомогательной информации.

Финансирование: Авторы не получали специального финансирования для этой работы.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

1 Введение

Точное определение площади поверхности всего тела (WBSA) является темой, которая активно изучается на протяжении последнего столетия. Здесь мы используем WBSA (в отличие от BSA), чтобы подчеркнуть тот факт, что мы стремимся к точной оценке всей площади тела.Начиная с первоначальной оценки Дюбуа и Дюбуа в 1916 году [1] и заканчивая недавней работой [2] и, несмотря на множество критических замечаний [3], WBSA привлекла большое внимание, главным образом благодаря большому разнообразию его приложений. Для многих клинических целей WBSA является лучшим показателем метаболической массы, чем масса тела, поскольку на него меньше влияет аномальная жировая масса [4]. WBSA используется в медицине и фармакологии для оценки дозировки лекарств [1], поскольку она пропорциональна скорости абсорбции лекарств [5], WBSA и для определения стратегий для противоопухолевых препаратов и оценки дозы облучения [6, 7].WBSA использовали в качестве нормализующего фактора скорости клубочковой фильтрации (СКФ) [8], [4] и для количественной оценки площади ожогов кожи [9–11]. В [2, 8] WBSA использовался для учета различных размеров тела у пациентов с аортальным стенозом. Здесь площадь аортального клапана (AVA) делится на площадь поверхности тела для расчета индексированной AVA (AVAindex). Другие области, где часто используется BSA, включают: пластическую хирургию [12], индустрию моды [13] и эргономичный дизайн [14].

Некоторые показатели состояния здоровья, такие как ожирение, являются важными факторами риска ряда сердечно-сосудистых заболеваний, а также ранней смерти.Таким образом, существует медицинский интерес к надежному, дешевому и простому способу мониторинга рисков для здоровья путем превращения физиологических наблюдений в количественные показатели. Помимо индекса массы тела (ИМТ), основного показателя ожирения [15, 16], WBSA может играть не менее важную роль в определении состояния здоровья. Однако WBSA является мерой площади поверхности, в отличие от ИМТ, который является составным атрибутом. Этот факт является принципиальным, так как WBSA можно более точно оценить с помощью методов компьютерного зрения, чем с помощью веса и роста.WBSA может легко преодолеть обычные проблемы с ИМТ, а именно невозможность зафиксировать распределение массы тела и неспособность отличить безжировую массу от жировой.

Исторически единственным простым способом получить эту меру (WBSA) является использование некоторых эмпирических формул, учитывающих только два параметра человеческого тела (массу тела и рост). Большое разнообразие форм тела, состава тела и рас делает использование фиксированной формулы весьма сомнительным. Таким образом, был непрерывный поток усилий по размещению разных людей [11, 17–20].Другой недавний подход заключается в использовании прямых измерений с помощью трехмерного (3D) сканера всего тела. Проблема в том, что такие сканеры, как правило, очень дороги, сотни тысяч долларов, и должны использоваться обученным персоналом, что ограничивает их доступность для пользователей.

1.1 WBSA: измерения и оценка

Общие методы расчета WBSA основаны на некоторых хорошо известных формулах. Наиболее широко используемая формула для расчета WBSA была разработана Дюбуа и Дюбуа в 1916 году [1].Слепки из гипса для 9 человек были разрезаны на мелкие кусочки в попытке измерить площадь поверхности кожи в двух измерениях. [Затем была рассчитана площадь поверхности тела/кожи каждого человека, и Дюбуа и Дюбуа определили, что WBSA связана с ростом и весом по формуле: ], где W и H — вес (в кг) и рост (в см) испытуемого. Примечательно, что эта формула была получена только от 9 испытуемых, один из которых был ребенком.Поскольку тела испытуемых, исследованных в разгар Первой мировой войны, вряд ли будут похожи на пациентов современного общества, Мостеллер в 1987 г. предложил новый расчет WBSA [21].

В настоящее время проводится множество исследований, связанных с проверкой значимых различий между измерениями WBSA, полученными с помощью трехмерного (3D) сканера всего тела (критериальная мера), и оценками, полученными из каждого уравнения WBSA, выявленного в систематических обзорах [22], [23]. ], [20], [24], [25].В этих исследованиях используемые 3D-сканеры часто громоздки и медленны, и с ними должен работать специально обученный персонал. Формулы все еще используются, но появляется множество корректирующих факторов, позволяющих адаптировать формулы к сегодняшним особым случаям (например, к очень тучным людям) [17–19] или к расе [11], [20]. Verbraecken и коллеги [17] изучили WBSA на основе формулы Мостеллера при нормальной массе тела (ИМТ, ​​20–24,9 кг/м), избыточной массе тела (ИМТ, ​​25–29,9 кг/м) и ожирении (ИМТ, ​​>30 кг/м). ) взрослых (старше 18 лет) по сравнению с другими формулами, полученными эмпирическим путем.При ожирении вес увеличивается без пропорционального увеличения роста. Следовательно, вполне возможно, что уравнения для прогнозирования WBSA, которые включают коэффициенты роста, могут систематически неправильно рассчитывать WBSA для пациентов с ожирением. Поскольку многие клинически важные измерения индексируются по WBSA, систематические ошибки в оценке WBSA могут неблагоприятно повлиять на клиническую помощь пациентам с ожирением. Точно так же работа в [18] и [19] показала, что хорошо известные формулы WBSA (Дюбуа и Дюбуа) не могут предсказать WBSA в крайних пределах нормального диапазона веса (10–80 кг).Различные сценарии проанализированы в [11, 20, 26], каждый из которых требует различных модификаций базовой формулы WBSA.

1.1.1 Измерения с помощью сканера тела.

Альтернативой использованию формул WBSA является 3D-сканирование всего тела. Есть три основных проблемы с лазерными 3D-сканерами: стоимость, скорость и требования к физическому пространству. Классические лазерные 3D-сканеры используют лазерный луч для освещения поверхности. В то же время приемник регистрирует искажение луча на поверхности и вычисляет соответствующую глубину.Луч должен покрыть все пространство поверхности, и на это требуется время. Это требует, чтобы объект был почти неподвижен, а небольшие движения могут привести к ошибкам в реконструкции. Современные лазерные сканеры достаточно быстры, чтобы избежать этого искажения, но все же требуют большого помещения для размещения устройства.

Результатом операции сканирования обычно являются «сырые» данные в виде трехмерного ( x , y , z ) облака точек. Чтобы восстановить поверхность сетки из необработанных данных, необходимо применить алгоритм реконструкции поверхности.Без информации о лице невозможно связать вершины с лицом и, таким образом, вычислить площадь поверхности. Трехмерные данные после реконструкции поверхности дополняются информацией, отличной от ( x , y , z ) точек. Реконструкция с треугольниками, например, соответствует множеству маленьких треугольников через каждые 3 точки облака. Тогда вычисление площади всей поверхности тела сводится к простому суммированию площадей всех треугольников, составляющих сетку.Это решение, к сожалению, не так надежно и эффективно, как кажется. Ключевые проблемы при 3D-сканировании тела включают закрытые области [24], регистрацию частей тела [17], [27], сложность устройства и портативность. Ю и др. [24] предоставили более подробный анализ некоторых из этих проблем.

1.1.2 Камеры глубины.

Современные камеры глубины становятся меньше, точнее и дешевле. Этот класс устройств возглавляет известный Microsoft Kinect для XBox [28]. Это устройство позволяет получать 3D-данные в простых домашних условиях.Удивительный результат был сообщен Weiss et al в [27]. Имея только одно устройство в домашних условиях, они разрабатывают систему, способную реконструировать трехмерную сетку, используя четыре вида объекта. Эта методология позволила избежать использования громоздких 3D-сканеров, но все же имеет некоторые ограничения. Для получения множества различных взглядов на предмет требуется надежный процесс регистрации. Более того, зарегистрированные представления используются для подгонки модели, в данном случае модели SCAPE [29], для построения параметризованной модели тела. Этот процесс, к сожалению, по-прежнему требует значительных вычислительных ресурсов.Метод в [27] требует почти 1 час для реконструкции модели тела. Решение, принятое некоторыми, заключается в использовании нескольких источников данных: RGB, карт глубины, датчиков давления и т. Д., Разрабатывая индивидуальное решение для конкретной задачи. В [30] Палмеро и др. представили рекомендацию по автоматической системе сна с использованием RGB, информации о глубине и давлении. К сожалению, на систему такого рода без использования модели тела может сильно повлиять поза субъекта и деформация мягких тканей в зависимости от позы.Недавно Лопер и др. [31] представили инновационную структуру обратного рендеринга, способную ускорить процесс регистрации, используя преимущества современной архитектуры графического процессора. Метод значительно быстрее, чем [27], с почти такой же точностью, но более подвержен ошибкам в процессе дифференцирования, если среда не имеет хороших ограничений. Сложная проблема для методов 3D-сканирования и для датчиков глубины в целом заключается в том, как измерить закрытые области.

1.2 Проблема

Два основных направления работы над WBSA (корректирующие коэффициенты для формул и трехмерные методы) имеют общую проблему: оба требуют обученного персонала.На самом деле, стандартные расчеты WBSA и BMI используют уравнения прогнозирования, которые точны только для пациентов, сходных по размеру с первоначальными субъектами исследования. Использование формул довольно интуитивно понятно, учитывая традиционный способ, которым врачи оценивают пациента по весу и росту. Однако эта оценка упускает из виду фундаментальный компонент: состав тела. Рассмотрим поведение индекса массы тела (ИМТ) между спортсменами и людьми с избыточным весом. Оба имеют ИМТ выше 25, но один из них является здоровым спортивным субъектом, а другой имеет избыточный вес.Этот индекс, к сожалению, не позволяет различать людей с разным процентным содержанием жира в организме. Этот факт является распространенной проблемой при измерении оценки дозы облучения [6] для людей с ожирением, где неправильная оценка площади поверхности приведет к недостаточной дозировке лечения. Чтобы избежать этого просчета, только обученный персонал может установить, когда уравнение прогнозирования является достаточно точным или когда следует использовать поправочный коэффициент для данного субъекта. В то же время классические 3D-сканеры тела, дающие более точную оценку, также не могут использоваться без присмотра.Использование обученного персонала, которое может быть дорогостоящим, может привести к человеческим ошибкам и не всегда осуществимо, как в сценарии автоматической оценки. Более простой, быстрый и надежный метод определения WBSA может дать некоторые существенные преимущества. Более того, у формул есть некоторые проблемы с применимостью к молодым людям (младше 15 лет) [32], людям с ожирением [17] и представителям разных рас [26], [11]. Поиск новых вариаций или корректирующих терминов для формул очень дорог, потому что использование старомодной техники с обертками и формами из гипса или использование современных 3D-сканеров потребует нахождения этих предметов, а затем затратить больше времени на процесс измерения .К сожалению, использование обычных наборов 3D-данных, таких как CAESAR 3D [33], не решает проблему. Фактически, эти наборы данных ограничены в предметном разнообразии. Использование наборов данных из разных стран может быть решением, но это дорого, и такие наборы данных не всегда доступны.

1.2.1 Предыдущая работа.

Разработка системы машинного зрения, способной решить проблему расчета WBSA с одного вида, не так проста. Анализ поверхности — это основной шаг, необходимый для определения площади поверхности всего тела (WBSA) с помощью алгоритмов компьютерного зрения.Поверхностный анализ является ключевой темой в компьютерной графике, и литература по этому вопросу очень обширна. Мы фокусируемся на анализе WBSA по 3D-данным. В предыдущих работах использовались громоздкие сканеры на основе структурированного света [34], трехмерного фотонного сканирования [35] или портативных стереоустройств [36]. Набор изображений тела фиксируется в нескольких проекциях [37], и после длительной задержки обработки они получают общую форму тела. Общий конвейер в этих методах состоит из следующих этапов: извлечение силуэта, формирование очищенного облака точек, сглаживание поверхности, реконструкция сетки и горизонтальные поперечные сечения [35], [38].В [37] форма тела реконструируется по изображениям, полученным в нескольких проекциях. Однако установка приобретения довольно нереалистична. В методе использовался поворотный стол, на котором позирует манекен. Эту среду трудно реализовать с реальным человеческим субъектом. Позиционирование объекта на поворотном столе требует очень ограниченной среды, что невозможно на практике. Использование сетчатого представления для человека не является новым в классическом процессе 3D-сканирования [20, 39, 40], однако в литературе нет работ, в которых анализировалась бы WBSA по отношению к различным углам обзора.

1.2.2 Наше решение: виртуальные предметы и виртуальная среда.

Учитывая эти многочисленные проблемы, мы решили подойти к расчету WBSA с помощью необычной для этой области методики. Наша цель может быть резюмирована следующей идеей. Используя простое устройство Kinect, мы хотим получить точный расчет WBSA для любого человека, независимо от различий в поле, расе, степени ожирения , при этом субъект просто стоит лицом к устройству без наблюдения обученного персонала .Мы хотим использовать только одно устройство, которое может получить только одно изображение объекта, упрощая настройку, необходимую для точной оценки, и делая возможной точную оценку в домашних условиях. Устройство получит только видимую часть тела, а последующий этап прогнозирования реконструирует общую WBSA.

К сожалению, чтобы быть надежной, описываемая система нуждается в обучающих данных, представляющих большое количество форм тела со значительным разнообразием. Поскольку сбор такого большого количества данных является дорогостоящим, трудоемким и очень сложным, мы «виртуализируем» наш обучающий набор, предлагая таким образом структуру, основанную на виртуальных объектах, компьютерном зрении и методах компьютерной графики для анализа и измерения WBSA.В рамках этой структуры, которая мотивирована аналогичными подходами сообщества компьютерного зрения [41], мы создаем большое количество виртуальных субъектов (данные 3D-сетки), которые могут фиксировать изменения формы и размера тела в зависимости от пола, расы и возраста. .

Чтобы получить такой же результат реального 3D-съемки, как в клинике, нам нужно смоделировать процесс получения. Этот этап представляет собой основную часть системы, способную реконструировать один вид тела (сторону, которую просматривала камера) из всей сетки, погруженной в виртуальную трехмерную комнату.Анализ 3D-данных с одной точки зрения, как правило, вдали от поверхности, усложняет задачу, поскольку можно получить и проанализировать только видимую часть тела. Однако использование виртуальной среды и виртуальных субъектов дает огромное преимущество, поскольку мы можем одновременно контролировать искажение, вызванное процессом сбора данных, и высокую изменчивость измерений тела при получении бесконтактным устройством. С помощью этой настройки мы пытаемся найти взаимосвязь между площадью поверхности, вычисленной с одной точки обзора (мы называем это площадью поверхности тела, VBSA), и площадью поверхности всего тела (WBSA) в зависимости от положения камеры (расстояния и ориентация, см. систему отсчета, принятую на рис. 1), через различные формы тела.Изучение этого отношения будет чрезвычайно полезным, поскольку, используя только одно представление, мы можем быстрее предсказать WBSA субъекта. Однако представленная структура может быть полезна для изучения более общей проблемы, такой как поведение VBSA в более свободной среде, такой как среда видеонаблюдения. В этой настройке положение тела по отношению к камере, поза тела, внутренние параметры камеры и искажение объектива камеры играют огромную роль в конечном измерении.Предлагаемая виртуальная среда учитывает все эти параметры в одной уникальной модели, способной вычислять WBSA из одного вида (одна 3D-камера не может измерить WBSA тела за один снимок).

1.3 Вклад

Сегодня существует множество устройств с очень хорошими возможностями визуализации, и многие из них портативны и легко доступны в готовом виде. Weiss et al [27] показывают, что можно достичь точности, аналогичной громоздким 3D-лазерным сканерам, с одним недорогим датчиком глубины.Однако для того, чтобы воспользоваться преимуществами этих новых устройств и разработать новые алгоритмы, сбор данных часто является большим препятствием. Таким образом, наш вклад — это среда компьютерного зрения, способная анализировать трехмерные данные, поступающие от этих устройств, и моделировать процесс сбора данных. Мы применяем разработанную структуру к очень часто возникающей проблеме здравоохранения: оценке площади поверхности всего тела. Мы показываем, что с помощью разработанной схемы можно получить точную оценку WBSA, используя только один вид тела, даже для субъектов с избыточным весом или для определенной категории субъектов, для которых WBSA с формулами особенно проблематичен.Представленную структуру можно использовать для тестирования новых методов и обучения алгоритмов машинного обучения для использования в различных сценариях, например, в отделении неотложной помощи для обнаружения ожогов.

2 Материалы и методы

На рис. 2 показан основной конвейер для предлагаемой структуры. Начальным шагом является создание виртуальной популяции субъектов. Эта виртуальная популяция должна отражать статистические характеристики реальной популяции со всеми возможными формами субъектов, присутствующими в природе.Этот этап представлен первыми двумя блоками на рис. 2. Сначала мы генерируем наборы параметров, которые определяют каждое предметное тело (параметрическая модель). Эти параметры используются на втором этапе для синтеза сетки. Впоследствии виртуальная среда будет обрабатывать сетку, получая облако точек в результате операции трассировки лучей на сетке с учетом положения камеры (расстояния, ориентации) по отношению к объекту. Наконец, выполняется реконструкция поверхности и статистический анализ для вычисления параметров модели для прогноза.

2.1 Наборы данных

Человеческое тело может принимать разные формы в зависимости от возраста, пола, расы и состояния здоровья, а также может принимать различные позы: это нежесткий объект. Хотя была проделана значительная работа по снижению сложности анализа формы тела, это все еще остается открытой проблемой. Подход, который кажется наиболее многообещающим, заключается в использовании параметрической модели, которая может описывать тело с помощью набора параметров. В нашем решении мы используем параметрическую модель для определения каждого субъекта, затем графический движок создаст окончательную сетку с учетом параметров модели и данных о позе тела.Здесь мы больше сосредоточимся на анализе формы без движения, что является наиболее распространенной ситуацией в клинике врача. Однако одну и ту же структуру можно использовать для отслеживания и анализа объектов в разных позах.

2.1.1 3D-модель тела и каркас виртуального тела.

Одной из самых популярных нежестких параметрических моделей тел является метод SCAPE [29]. SCAPE — это основанный на данных метод построения модели человеческого тела, которая охватывает вариации как формы, так и позы. Метод основан на представлении, которое включает в себя как шарнирные, так и нежесткие деформации.Обучение в модели состоит из двух операций: изучение модели деформации позы от субъекта с несколькими позами и изучение модели формы от многих субъектов с нейтральной позой. Разделение деформации формы и позы в модели SCAPE имеет серьезное ограничение: 3D-сетки разных людей могут изменяться аналогичным образом при одной и той же смене позы. Были предприняты различные усилия для повышения точности и ограничений модели SCAPE. В своей работе мы используем другую модель тела.Makehuman [42] (MH) — это приложение для трехмерной компьютерной графики с открытым исходным кодом, предназначенное для создания прототипов фотореалистичных гуманоидов для использования в трехмерной компьютерной графике. MH использует преимущества 3D-морфинга. Начиная со стандартной (уникальной) базовой сетки человека, сетка может быть преобразована в большое разнообразие субъектов (мужчин, женщин, африканцев, кавказцев, азиатов, взрослых, детей и т. д.), полученных с помощью линейной интерполяции различных целевых моделей. Используя эту технику, почти возможно воспроизвести объекты с очень разными формами тела.MH использует графический интерфейс с ползунками, которые могут изменять основные параметры: рост, вес, пол, этническую принадлежность и мышечную массу (соотношение жира и мышц), называемые макропараметрами, и измерения частей тела, называемые микропараметрами. Макро- и микропараметры составляют наборы параметров, которые определяют каждый предмет. MH специально разработан для моделирования виртуальных людей как персонажей виртуальной реальности и игр с простой и полной системой поз, которая включает в себя симуляцию мышечных движений. Мы модифицируем MH для наших нужд, создав два синтетических 3D-набора данных с антропометрическими измерениями субъектов.

2.2 Поколение виртуальных (синтетических) людей

MakeHuman ранее использовался для создания набора данных реалистичных человеческих тел. Основные применения были в генерации человеческой популяции для примерки кроватей [43], для изучения случайного леса в системе компьютерного зрения [44, 45] и для позиционирования камеры [46]. Насколько нам известно, это первое применение в здравоохранении.

С помощью MakeHuman можно создать объект, сохранить параметры и экспортировать сетку.Полезные доступные опции включают добавление текстуры кожи и одежды как части модели. В нашей работе мы включили текстуру кожи европеоида у всех субъектов в наборах данных, как показано на рисунках 3 и 4, но анализ кожи не был частью нашей работы. Мы полностью избегаем использования одежды в этом проекте. То есть предполагается, что все субъекты обнажены или одеты в облегающую одежду. MH не предоставляет инструмент для создания популяции человеческих тел, но имеет очень удобный интерфейс для манипулирования одним телом.Это очень полезно для среды компьютерной графики, где вы создаете несколько объектов с большой детализацией, но бесполезно в нашем сценарии. Таким образом, мы разработали плагин MH, способный создавать тела и экспортировать их в виде файлов сетки (obj). С помощью этого плагина мы можем создавать тысячи тел за относительно небольшое время (~ 2 часа 30 минут на четырехъядерном процессоре для 20000 объектов). Кроме того, мы используем инструмент измерения MH для создания таблицы измерений тела в стиле NHANES [47]. Мы создаем два набора данных: полностью случайный виртуальный набор данных (19995 субъектов) и один, полученный из набора данных NHANES [47], который мы называем виртуальным набором данных NHANES (12471 субъект).В таблице 1 показана статистика по двум наборам данных.

2.2.1 Виртуальный набор данных NHANES.

Целью этого виртуального набора данных является имитация реальной человеческой популяции. Поскольку мы можем легко получить наборы данных с измерениями частей тела (CAESAR 1-D [33], NHANES [47]), мы решили использовать эти измерения для построения соответствующих виртуальных субъектов, состоящих из 3D-данных (сетка, состоящая из четырехугольников для MH). В частности, мы используем субъектные измерения, доступные из набора данных National Health and Nutrition Examination Survey III (NHANES III) [47].Мы выбрали 500 субъектов из NHANES в возрасте от 15 до 75 лет (таблица A в файле S1). Используя измерения тела, мы создаем соответствующее параметризованное тело, а затем 3D-сетку. Параметры, используемые для генерации, включают пол, возраст, рост, расу, размер груди, высоту бедра, длину плеча, окружность плеча, окружность бедра и окружность талии. MH представляет все макропараметры и некоторые микропараметры как нормализованное значение от 0 до 1. Для некоторых из этих параметров мы знаем диапазон, используемый MH, и в этом случае мы можем восстановить реальную меру.Для некоторых мы не делаем. Мы решили разрешить этим параметрам быть переменными в диапазоне данных. Первая причина этого заключается в том, что, поскольку MH использует нормализованный вес, нормализация веса NHANES с диапазоном MH может ввести в заблуждение. Вторая причина заключается в первоначальной цели этого проекта: изучить WBSA, связанную с формой тела. Изменение веса и соотношения мышц при неизменности остальных параметров похоже на изменение массы тела субъекта. Но в то же время, изменяя соотношение мышцы/жир, мы получаем толстую версию и тощую версию одного и того же человека.Это очень интересно, поскольку с его помощью можно узнать, как WBSA меняется в зависимости от веса и соотношения мышц и жира. На самом деле, анализируя набор данных NHANES [47], мы обнаруживаем, что многие люди очень похожи, и мы не смогли получить более крупные и непрерывные вариации формы. Таким образом, мы создали популяцию, состоящую из исходных субъектов плюс 25 вариаций каждого субъекта, всего 12500 субъектов для набора данных Virtual NHANES.

2.2.2 Набор виртуальных случайных данных.

Виртуальный набор данных NHANES предназначен для имитации реальной популяции и состоит из субъектов, полученных из набора данных NHANES, с ограниченными вариациями. Поскольку нам также нужен очень сложный набор данных, содержащий любые возможные варианты форм тела, с некоторыми телами, которые трудно найти в реальной популяции, мы решили создать его. Этот набор данных, который мы называем Virtual Random , создается с использованием всего диапазона возможных вариаций параметров в движке MH.Чтобы создать этот набор данных, мы сгенерировали случайные значения для следующих макропараметров (рост, пол, раса, вес и соотношение мышц). Чтобы увеличить изменчивость полученных тел, мы сгенерировали эти параметры, используя равномерное распределение, а не нормальное распределение. Распределения параметров реальных популяций ближе к нормальному распределению, однако использование равномерного распределения гарантирует большее количество субъектов в крайних точках возможных диапазонов. На самом деле, как показано в [48], WBSA испытуемых в экстремальных ситуациях (т.грамм. дети и очень тучные субъекты) могут создать серьезные проблемы в прогнозировании. Однако, чтобы избежать создания объектов, слишком непохожих на реальные человеческие тела, мы ограничиваем случайно сгенерированные параметры некоторыми возможными интервалами. Набор данных Virtual Random важен для оценки эффективности предлагаемого подхода для экстремальных форм и размеров тела. На рис. 5 показаны распределения WBSA для набора данных Virtual NHANES и наборов данных Virtual Random.

2.3 Виртуальная среда (камера)

Создание двух виртуальных наборов данных мотивировано главным образом сложностью сбора 3D-изображений реальных объектов. Использование генеративного подхода, основанного на данных, делает анализ и разработку 3D-методов менее сложной задачей. В дополнение к генеративному методу и полному использованию созданных предметов мы создали виртуальную лабораторию, состоящую из установки виртуальной камеры. Виртуальная среда является основным инструментом для анализа трехмерной сетки тела.Он может имитировать реальный процесс сбора данных с помощью большого количества устройств, не только датчиков новых камер глубины, но и стереосистем, традиционных 2D-камер и всех устройств, которые можно смоделировать с помощью модели камеры с точечным отверстием [49].

В 3D-анимации виртуальная камера — это функция программного обеспечения для анимации, которая работает и ведет себя так же, как камера или цифровая камера в реальных ситуациях. Виртуальная камера основана на математических расчетах, которые определяют, как будет отображаться объект в зависимости от местоположения и угла наклона виртуальной камеры.Как и в случае с реальной камерой, при работе с виртуальной камерой в программах 3D-анимации вы можете использовать такие функции, как панорамирование и масштабирование, а также изменять фокус и фокусные точки. Метод, который мы использовали в нашей виртуальной камере, представляет собой простой метод raycasting [50]. При литье лучей геометрические лучи прослеживаются от глаза наблюдателя (камеры) для выборки объекта (субъекта) в направлении луча. Точки пересечения лучей и объекта (тела) составляют (x, y, z) положения поверхности объекта (тела).В этой форме луча (отличной от объемного луча) лучи обнаруживают только точки первого пересечения (точки, обращенные к камере), а не второго пересечения (точки, которые не обращены к камере).

Используя эту настройку виртуальной камеры, мы можем имитировать процесс получения виртуального тела с помощью камеры глубины (3D-сканер, XBOX Kinect, камера TOF). Виртуальная среда позволяет нам изменять положение камеры относительно тела (панорамирование, наклон, масштабирование). Мы можем использовать разные модели камер с разными полями зрения (FOV) и моделями шума.Типичным артефактом с камерами глубины является наличие дыр в полученном облаке точек. Этот тип шума очень важно учитывать в нашем анализе, поскольку он непосредственно влияет на поверхность и, следовательно, на площадь поверхности. Как мы покажем позже, представленная виртуальная камера, хотя и основана на хорошо известных технологиях компьютерной графики, представляет некоторые новшества, адаптированные для анализа WBSA, способные учитывать различные источники шума: устройство, окклюзии тела, процесс реконструкции и другие.

Виртуальная среда предназначена для того, чтобы иметь возможность анализировать большое количество субъектов.Следуя этой идее, он включает в себя подпрограмму, способную загружать информацию об объектах по одному за раз, генерировать соответствующий результат облака точек приведения лучей и сохранять WBSA, VBSA и измерения тела в таблицах cvs/xlsx с соответствующими настройками ( углы, разрешение, модель шума, параметры камеры). Виртуальная среда может генерировать различные выходные данные исследуемого объекта: облако точек, сетку, грани исходной сетки, видимые с одного направления (наземная правда), реконструированную сетку из облака точек одного вида, площадь реконструированного объекта (только область, видимая с направления камеры), и список лиц, видимых с одного вида.

2.3.1 Модель камеры.

Метод raycasting дает только основу для реконструкции вида с учетом положения камеры. Для имитации реальной камеры нам необходимо добавить в алгоритм raycasting информацию о характеристиках объектива камеры, а именно о внутренних параметрах [49]. Мы используем модель камеры-обскуры для описания процесса получения изображения, который в основном используется для параметризации большого количества камер. Модель камеры-обскуры определяет геометрическую взаимосвязь между трехмерной точкой и ее соответствующей двумерной проекцией на плоскость изображения.Это геометрическое отображение из 3D в 2D часто называют перспективной проекцией. Обозначим центр перспективной проекции (точку, в которой пересекаются все лучи) как оптический центр или центр камеры, а линию, перпендикулярную плоскости изображения, проходящую через оптический центр, как оптическую ось. Кроме того, точка пересечения плоскости изображения с оптической осью называется главной точкой. Камера-обскура (см. рис. 6) моделирует перспективную проекцию трехмерных ( X , Y , Z ) точек на плоскость изображения ( x , y ) и может быть описана следующим образом: (1) (2) где f — фокусное расстояние фотоаппарата, т.е.е., расстояние между плоскостью изображения и отверстием.

Внутренние/внешние параметры . Полная модель камеры может быть представлена ​​следующим соотношением.

Матрица Π ₀ является канонической проекционной матрицей. Матрица К состоит из собственных параметров камеры. Здесь f — это фокусное расстояние камеры, s _x и s _y дают относительный аспект каждого пикселя. o _x и o _y указывают координаты центра изображения. s _θ — перекос формы пикселя, т. е. его отклонение от выровненного по оси прямоугольника. Матрица г определяет позу камеры. Элементы g составляют внешние параметры камеры (положение центра камеры относительно мировых координат). Здесь R — матрица вращения 3×3, а T — вектор в .Эти две величины представляют вращение и перемещение камеры относительно мировой координаты. Чтобы найти все параметры (матрицы K и g ) модели камеры, нам необходимо откалибровать камеру [51]. В нашем случае это 2.5D камера. В устройстве такого типа информация, получаемая датчиком, представляет собой не хроматическую информацию (RGB), а значение интенсивности, пропорциональное расстоянию до точки P (см. рис. 6). Однако эти устройства по-прежнему следуют модели камеры-обскуры [49], но процедура калибровки камеры отличается [52], [53], а окончательные параметры остаются такими же, как в приведенном выше уравнении.

Мы калибруем Microsoft Kinect для Xbox [28] с помощью метода, описанного в [53], и используем внутренние данные калибровки для имитации этой камеры в нашей виртуальной среде. Помимо внутренних параметров модели обскуры, виртуальная среда также должна учитывать другое неидеальное поведение устройства. Геометрические характеристики камеры фиксируются в модели камеры, но нам необходимо учитывать электрические характеристики датчика. Датчик и подключенные к нему электрические компоненты преобразуют свет в электрические сигналы, а затем в цифровые сигналы (интенсивность уровней серого).В этом процессе сигнал обычно искажается шумом, что в случае устройства 2.5D приводит к искажению поверхностей.

Для устранения шума на карте глубины можно использовать ряд общих методов, и некоторые из них оказались очень эффективными. Однако в нашей виртуальной среде цель состоит в том, чтобы имитировать реальную камеру, используя модель, способную воспроизвести поведение реальной камеры. Мы реализуем метод, предложенный Нгуеном и др. [54]. Этот метод измеряет поперечное и осевое распределение шума в зависимости от расстояния и угла Kinect от наблюдаемой поверхности.Используя эту процедуру, мы можем смоделировать различные сценарии, добавить шум к окончательному измерению и реализовать стратегии шумоподавления, способные уменьшить влияние шума на расчет WBSA.

2.4 Площадь поверхности всего тела с одного ракурса

Площадь поверхности всего тела (WBSA) — это двумерная площадь поверхности кожи тела. В нашем случае мы используем сетку виртуальных объектов в качестве аппроксимации кожи и соответствующую область в качестве WBSA. Общие сетки состоят из вершин, граней и ребер.Грани можно рассматривать как двумерные многоугольники с заданными вершинами, которые составляют поверхность трехмерного объекта. На рис. 7 показано каркасное представление используемой сетки тела. Объект, полученный с помощью 3D-сканера, может иметь около 50 000 лиц. Вычисление общей площади сетки — это не что иное, как сумма двумерных площадей каждой грани [55]. Вычисление площади можно выполнить с помощью обычных геометрических формул, используя длины ребер каждой грани. К сожалению, в этой, казалось бы, простой операции есть некоторые сложности.Как уже упоминалось, человеческое тело может принимать самые разные позы и принимать разные формы под разными углами наблюдения. В этой ситуации окклюзии и кривизна поверхности делают расчет площади с одного вида более сложной задачей. Результатом метода ray cast является облако точек, полученное при пересечении лучей с объектом (рис. 8). Плотность облака точек зависит от разрешения датчика и расстояния от камеры (уравнение 2). Чтобы вычислить площадь поверхности из облака точек, нам нужно восстановить поверхность сетки.Литература по этой теме обширна, особенно по компьютерной графике. Традиционные методы включают марширующие кубы [56], реконструкцию поверхности Пуассона [57], жадную реконструкцию поверхности [58]. К сожалению, этот процесс может генерировать дополнительный шум и неудобства в виде топологических ошибок, дыр и искажений поверхности. Однако, чтобы проанализировать отношение WBSA-VBSA без шума реконструкции, нам необходимо вычислить площадь треугольников сетки, видимых для камеры, непосредственно из исходной сетки без каких-либо искажений, создав то, что мы считаем исходным значением VBSA.Использование ванильной реализации алгоритма приведения лучей не позволит получить значения для областей, а только положение (x, y, z) лучей, пересекающих сетку. Простым, но эффективным вкладом является использование списка идентификаторов треугольников (ID). Идентификатор треугольника — это уникальный код, связанный с одним и только одним треугольником сетки. Для каждого луча, падающего на поверхность сетки, мы получаем идентификатор треугольника (ID), отличный от точки (x, y, z), лежащей на поверхности треугольника.Набор точек будет составлять точку облака, идентификаторы треугольников будут составлять список видимых треугольников. Мы упорядочиваем, сортируем и исключаем несколько идентификаторов, так как несколько лучей могут попадать в один и тот же треугольник. Наконец, мы получаем площади треугольников в списке из исходной сетки. Эта процедура даст нам «наземную правду» VBSA без каких-либо дополнительных шумов из-за промежуточной обработки. Этот метод дает очень точные результаты, но может завышать реальную площадь, если в сетке мало треугольников (грубое разрешение).На самом деле, если треугольник частично виден, этот метод все равно будет вычислять всю площадь треугольника. Однако, поскольку каждая сетка тела состоит примерно из 28000 треугольников, вклад каждого треугольника очень мал, а часть треугольника имеет еще меньший вклад. Решение состоит в том, чтобы увеличить количество треугольников, используя алгоритм подразделения поверхности. Список треугольников очень важен, потому что мы можем изучать взаимосвязь WBSA-VBSA и положение камеры без аддитивного шума, исходящего от сенсора, процесса реконструкции поверхности или шейдеров.Без ограничения общности представленный вклад чрезвычайно полезен для изучения нового алгоритма машинного обучения, устойчивого к большому количеству помех.

Рис. 8. Облако точек, полученное в виртуальной среде.

Субъект 8 из набора данных Virtual NHANES в точке θ = 60° ϕ = 60° при взгляде под разными углами. На этих снимках можно увидеть недостающие части тела из-за операции рейкастинга, учитывая положение камеры.

https://дои.org/10.1371/journal.pone.0166749.g008

Еще одна типичная проблема с современными камерами глубины — проблема отражения от поверхности. Когда поверхность объекта является отражающей или освещена сильным источником ИК-излучения (Солнце), на полученной карте глубины поверхности появляются раздражающие дыры. Были представлены различные методы «заполнения» отверстий [59], но это может быть очень сложно, когда поверхность может принимать очень сложную форму. Такие отражения или полупрозрачные материалы были тщательно смоделированы с помощью методов raycasting.Добавляя в виртуальную среду источник света, отличный от камеры, мы можем воспользоваться моделями затенения для лучшей формализации проблемы. Более надежным решением будет использование подхода, основанного на данных, способного изучить деформацию поверхности, закрытые области и артефакты из-за зашумленных данных. Наша разработанная система представляет собой основу, способную обучить так определенную систему машинного обучения. Имея список наблюдаемых треугольников, мы можем случайным образом выбрать подмножество и исключить некоторые треугольники из списка.В то же время мы можем стереть соответствующие точки из облака точек. Эффект — создание дыр в карте глубины с получением обычного артефакта датчика глубины. Определенная генерирующая система, управляемая данными, может легко обучить алгоритм машинного обучения под наблюдением. Еще одним приложением является анализ нового алгоритма реконструкции, способного справляться с более сложными ситуациями. Например, в этой структуре мы можем получить наземную истину площади поверхности непосредственно из исходной сетки, затем мы можем рассчитать искажение, вносимое алгоритмом реконструкции, и ошибку прогнозирования с помощью VBSA.В нашей структуре все эти процессы можно рассматривать отдельно, каждый со своей собственной моделью аддитивного шума.

2.4.1 Расчет площади поверхности.

В качестве приложения представленной структуры мы анализируем взаимосвязь между WBSA и VBSA при изменении положения камеры. Начальное значение площади поверхности для всей сетки было рассчитано в плагине MH и сохранено в таблицах (см. Таблицу B в 4.4). После операции приведения лучей нам нужно рассчитать видимую площадь поверхности, VBSA, исходя из видимой части меша.Учитывая ребра u и v (см. рис. 9) треугольника, для получения площади поверхности мы используем стандартное соотношение: (4) где × обозначает векторное произведение двух векторов u и v , а | | обозначает величину перекрестного произведения. Величина векторного произведения — это площадь параллелограмма, ребра которого имеют длины u и v (см. рис. 9). Это в два раза больше площади треугольника, ребра которого равны и и и .Результатом этой операции является площадь поверхности одного треугольника. Наша исходная сетка MH состоит примерно из 28000 граней, но, учитывая простоту этой операции, ее можно сделать практически в реальном времени.

2.4.2 Состав WBSA-VBSA.

Получив площадь поверхности тела вида из заданного вида, скажем, VBSA ( θ , ϕ ), следующим шагом будет анализ отношения WBSA-VBSA. Du Boise и Du Boise [1] рассчитывают WBSA как сумму площадей различных частей тела.В [24] подразделение дано по процессу приобретения, где на лобную часть тела приходится более 50% (52%) WBSA. Аналогичным образом мы разлагаем WBSA на наблюдаемую площадь поверхности тела (VBSA) и ненаблюдаемую или отсутствующую. Цель состоит в том, чтобы вывести WBSA из VBSA: (5) где вектор c содержит неизвестные задачи предсказания. Подход заключается в следующем. Мы обрабатываем тела, созданные в наборе данных Virtual NHANES и наборе данных Virtual Random, с помощью виртуальной среды, размещая камеру в разных местах, которые охватывают телесный угол, охватывающий все возможные виды камеры на тело.Положения камеры находятся в телесном угле в пределах −90 ≤ θ ≤ 90 и −90 ≤ ϕ ≤ 90. Поскольку виртуальные наборы данных состоят из симметричных объектов, мы ограничиваем азимутальный угол с левой стороны охвата объекта углы от передней левой стороны к задней левой стороне (см. рис. 1). Мы ограничиваем позу тела позой по умолчанию на рис. 7, сохраняя постоянное расстояние между объектами и камерой (4,3 метра). Это расстояние было найдено эмпирическим путем при рассмотрении самого высокого субъекта в наборе данных.

2.5 Статистический анализ

Результатом виртуальной среды является пара VBSA-WBSA для каждого вида камеры (таблица B в файле S1). Чтобы найти связь между WBSA и VBSA, нам нужно принять статистическую модель, которая будет использоваться для вывода. Из первого графика зависимости VBSA от WBSA (рис. 10) видно, что модель линейной регрессии потенциально может дать хорошие результаты. Вектор c ( θ , ϕ ), который является функцией положения камеры θ , ϕ , состоит из параметров линейной регрессии: (6) где c ₀ — точка пересечения, а c ₁ — линейный коэффициент площади обзора.Учитывая определенное расположение камеры ( θ , ϕ ), для нахождения линейных параметров нам нужно решить задачу наименьших квадратов: (7)

Чтобы избежать проблемы переобучения в прогнозе, мы используем k -кратную перекрестную проверку, где k = 10. Результатом является вектор c линейных коэффициентов как функция двух углов. Повторяем обучение для разных разделов набора данных: мужчины, женщины, дети, взрослые, маленького роста ( S ≤ 140 см ), нормального роста ( S = 140 − 200 см ), большого роста ( S > 200 см ).Еще одним интересным анализом является использование некоторых измерений в прогнозе. Как видно из корреляционной матрицы в таблице 2, некоторые измерения сильно коррелируют с WBSA ( ρ > 0,9). Мы проводим этот анализ с целью показать возможные выгоды от использования некоторых измерений тела. Из соотношения в уравнении 5 расширение линейного метода наименьших квадратов для нескольких входных данных принимает форму: (8) где вектор c = { c ₀ , c ₁ , …, c _n } состоит из неизвестных параметров линейной регрессии.Улучшение производительности с использованием антропометрических измерений строго зависит от точности этих измерений. Теоретически с помощью системы, способной с высокой точностью регистрировать другие измерения, можно получить более точный прогноз. Однако часто это не так, потому что дыры и окклюзии играют решающую роль в точности. Мы сообщаем результаты регрессии без учета какой-либо ошибки измерения.

3 результатов

3.1 Сгенерированные виртуальные наборы данных

На рис. 7 показана модель сетки для одного из сгенерированных объектов, а на рис. 5 показано распределение WBSA в наборах данных.Примеры мужчин и женщин в наборе данных с разным соотношением мышц и жира показаны на рисунках 3 и 4. MH определяет текстуру для данного субъекта на основе пола, возраста и расы. Также можно добавить некоторые другие структуры, такие как короткие или длинные волосы, однако в данной работе эта функция не использовалась. В таблице 1 показаны составы сгенерированных наборов данных. Мы включили информацию о наборе данных EORTC (Европейская организация по исследованию и лечению рака [7, 60]) для сравнения. Для сгенерированных наборов данных WBSA вычисляется по исходной сетке.Для EORTC WBSA рассчитывается с использованием традиционных формул. Набор данных Virtual Random имеет заметно большую дисперсию, включающую множество разновидностей предметов. Набор данных Virtual Random содержит субъектов, которых трудно найти в общей популяции (обратите внимание, что на рис. 5 слева есть субъекты с WBSA, приближающейся к 400 дм ² !). У EORTC средний показатель WBSA выше, чем у Virtual NHANES. Поскольку EORTC рассматривает больных раком, в его состав входят почти исключительно взрослые. Вместо этого наши наборы данных состоят из большого количества возрастов.

3.2 Представление BSA сильно коррелирует с WBSA

Сначала мы проанализировали корреляцию между доступными величинами (WBSA, VBSA и измерениями тела). В таблице 2 показана корреляционная матрица для анализируемых величин для всех субъектов в наборе данных Virtual Random для ( θ = 0°, ϕ = 0°). Мы используем ρ Спирмена в качестве нашей статистики. WBSA сильно коррелирует с VBSA ( ρ = 0,9992). WBSA также сильно коррелирует ( ρ > 0.9) со следующими величинами: рост, обхват бедер, фронт груди. Другие показатели, имеющие высокую корреляцию ( ρ > 0,8) с WBSA, включают: окружность талии, окружность бюста, окружность под грудью и окружность шеи. Корреляция между WBSA и ростом тривиальна, поскольку рост является одним из параметров, напрямую связанных с площадью поверхности тела (все формулы WBSA основаны на росте и весе). Корреляция является интересным индикатором, поскольку она может помочь нам определить, какие параметры могут дать лучший прогноз WBSA.

3.3 Линейный регрессионный анализ

На рис. 10 показана диаграмма рассеяния с использованием VBSA (ось X) и WBSA (ось Y). Каждый предмет представлен точкой в ​​координате (VBSA, WBSA). Отношение явно линейное, поэтому мы анализируем характеристики модели линейной регрессии. Мы используем модель R-регрессии DAAG Tool [61], чтобы найти неизвестные модели. Мы используем k -кратную (k = 10) перекрестную проверку для расчета ошибки прогноза для линейных моделей, определенных в уравнениях 5 и 8, повторяя эксперименты с использованием различных разделов данных (все испытуемые, мужчины, женщины, взрослые, дети, маленький рост, нормальный рост, большой рост).На рисунках 11 и 12 и в таблицах C-AF в файле S1 показаны результаты этого прогноза. Каждая строка в таблицах соответствует ориентации камеры по отношению к объекту. Для каждого испытуемого анализировались углы θ = 0°, 30°, 45°, 60°, 90°, 120°, 135°, 150°, 180° по азимуту и ​​ ϕ = 0°, ±30°, ±45°, ±60°, ±90° по углу места. Для ϕ = ±90° у нас было только θ = 0°, так как изменение азимутального угла не повлияет на область обзора. Мы сообщаем (в файле S1) некоторые статистические показатели, необходимые для оценки проверки соответствия, такие как t-значение, стандартное отклонение и различные ошибки прогнозирования, заданные R: остаточная стандартная ошибка (SE), среднеквадратическая ошибка перекрестной проверки (RMSE). ), среднеквадратическая ошибка предсказания перекрестной проверки (MSPE), средняя абсолютная ошибка предсказания перекрестной проверки (MAPE).

Рис. 11. Результаты на основе набора данных Virtual Random.

Влияние ориентации камеры (азимут и высота) на коэффициент прогнозирования VBSA (справа) и на среднеквадратичную ошибку перекрестной проверки (слева): (a) все субъекты; (b) Все субъекты с ростом; (c) Взрослые субъекты; (d) Детские предметы.

https://doi.org/10.1371/journal.pone.0166749.g011

Рис. 12. Ошибки прогнозирования WBSA по углу места.

ϕ = 0°: (a) Использование виртуального случайного набора данных, (b) Виртуальный набор данных NHANES.Результаты для разных групп: все испытуемые, взрослые, дети, маленького, нормального, большого роста. Без роста.

https://doi.org/10.1371/journal.pone.0166749.g012

Модель линейной регрессии проверяется с использованием графика QQ (рис. S1) остатков и путем проверки того, что предположение о постоянной дисперсии (гомоскедастичность) необходимо для наименьшей среднеквадратичной оценки выполняется. Мы показываем полный анализ в файле S1.

3.4 Влияние расстояния до камеры

Расстояние от датчика глубины до объекта может существенно повлиять на предполагаемую WBSA.Мы предположили фиксированное расстояние, как в реальном клиническом сценарии, когда субъект стоит перед камерой. В этой ситуации расстояние определяется полем зрения камеры. Чтобы разместить большое количество объектов с разным ростом, мы вычисляем расстояние от объекта до центра камеры, используя модель обскуры: [49]: (9) где ψ — вертикальное поле зрения датчика глубины, а D — расстояние от объекта до центра камеры.Мы находим, что расстояние 4,3 метра может вместить всех субъектов в двух наборах данных. Представленные результаты относятся к стандартному расстоянию 4,3 метра. В файле S1 мы сообщаем результаты для разных расстояний в диапазоне 3,5–5 метров. Интересно отметить, что на расстоянии менее 4,3 метра некоторые тела не помещаются в кадр, что является типичной ситуацией в системе видеонаблюдения с фиксированной камерой. Результаты показывают, что отношение WBSA-VBSA быстро отклоняется от линейности. Расстояние сильно влияет на конечный результат, так как точность датчика ухудшается с расстоянием по квадратичному закону [54].В нашем анализе такое поведение заметно из анализа ошибок реконструкции, где мы комбинируем различные компоненты шума.

3.5 Влияние азимута и угла места на расчет WBSA

Как и ожидалось, ориентация камеры (захваченная по азимуту θ и высоте ϕ ) оказывает существенное влияние на расчет WBSA. На рисунках 11(a) и 13(a) (см. также таблицы в файле S1) показано изменение линейного коэффициента VBSA и регрессии RMSE (среднеквадратическая ошибка) в зависимости от изменения азимутального угла для различных углов места.

Рис. 13. Результаты на основе набора данных Virtual NHANES.

Влияние ориентации камеры (азимут и угол места) на коэффициент прогнозирования VBSA (справа) и на среднеквадратичное значение перекрестной проверки (слева): (а) все субъекты; (b) Все субъекты с ростом; (c) Взрослые субъекты; (d) Детские предметы.

https://doi.org/10.1371/journal.pone.0166749.g013

Для азимутального угла θ = 0° субъекты появляются с максимальной площадью (VBSA) тела, обращенного к камере, и линейным коэффициентом (vbsa) имеет минимальное значение.При увеличении азимутального угла до θ = 90° VBSA уменьшается, а линейный коэффициент увеличивается. При θ = 90° площадь, обращенная к камере, минимальна, так как это угол, при котором камера может видеть только одну сторону тела. При изменении азимутального угла от 90° до 180° форма тела аналогична фронтальной части, но из-за положения тела разница в площади окклюзии имеет значение: VBSA увеличивается, так как площадь, обращенная к камере, увеличивается, а VBSA коэффициент уменьшается.Для ошибки перекрестной проверки (рис. 11 (а) слева) RMSE имеет особое поведение. Для всех азимутальных углов θ ≤ 90° ошибка увеличивается, но достигает максимума при θ = 60°, а не при θ = 90°, как предсказывалось. Это неожиданное поведение подтверждается для углов места ϕ = 30°, 45°, 60°. Интуитивно азимутальный угол с наименьшей точностью должен быть θ = 90°, потому что тело представляет наименьшую площадь для камеры. Вместо этого это верно для угла θ = 60°.Объяснение такого поведения заключается в том, что для этого угла тело представляет больше перекрывающихся областей. Для обратного угла θ = 150° (обратного по отношению к 90°) этого не происходит, т.к. плечи слегка согнуты вверх и, следовательно, таким образом, площадь окклюзии уменьшается. Такое поведение происходит не для каждого угла возвышения. При ϕ = 0° самая низкая точность достигается при θ = 90°. Причина в том, что при совмещении камеры с центром тела максимальное перекрытие наблюдается при θ = 90°, но с увеличением высоты все меньше и меньше площади обращены к камере, поэтому может появляться больше артефактов.

При изменении угла места, как и при изменении угла азимута, камера просматривает меньшую площадь. Но, в отличие от азимутального случая, это поведение не является линейным и гладким, как описано выше. На самом деле, наблюдая за графиками на рис. 14, мы видим, что коэффициент VBSA не всегда увеличивается линейно. См. результаты при θ = 30°, 45°, 60°. Для этих углов области перекрытия из-за левой руки и ноги играют роль нелинейной составляющей, заставляющей отношение отклоняться от линейности.Пересечение имеет максимум примерно при θ = 60°. Перехват связан со смещением прогноза, смещением, добавляемым при линейном увеличении VBSA. WBSA и VBSA линейно коррелированы. Для θ = 60° много окклюзий, и ноги перекрываются. В этой ситуации мы регистрируем наибольшую ошибку предсказания.

Рис. 14. Результаты на основе набора данных Virtual Random.

Влияние ориентации камеры (азимут и угол места) на коэффициент прогнозирования VBSA (справа) и на рассчитанный WBSA CV RMSE (слева).а) Все предметы. (b) Все предметы с ростом. (c) Взрослые субъекты. (d) Дети.

https://doi.org/10.1371/journal.pone.0166749.g014

Чтобы оценить прогноз, мы использовали k -кратную перекрестную проверку. Мы случайным образом составляем складки, используя функцию из пакета CVTOOL в R [61]. Мы измеряем эффективность прогнозирования BSA с точки зрения ошибок прогнозирования: среднеквадратическая ошибка (RMSE) при k -кратной перекрестной проверке, обозначенная в таблицах как CV RMSE, а также CV MSPE (среднеквадратичная ошибка прогнозирования) и CV MAPE ( средняя абсолютная ошибка предсказания).Поскольку WBSA и VBSA рассчитываются из сетки с базовой единицей измерения в дециметрах ( дм ), WBSA выражается в дециметрах в квадрате ( дм ² ). Среднеквадратическая ошибка перекрестной проверки (CV RMSE) также выражается в квадрате дециметра, а средняя абсолютная ошибка предсказания перекрестной проверки (CV MAPE) выражается в процентах (%). CV RMSE варьируется от максимального значения 5,5 дм ² , когда камера находится в неблагоприятном положении 90° по углу места, до минимального 0.71 дм ² . Их можно рассматривать относительно среднего WBSA, для виртуального набора данных среднее значение составляет 167 90 297 дм 90 298 90 302 2 90 303, а относительная ошибка составляет 0,6%. Поведение CV RMSE не прямолинейно, но похоже, что оно связано с закрытыми областями и, следовательно, с положением камеры. Во всех прогнозах CV RMSE был выше для положения камеры перед объектом (азимут 0–90) и, как правило, имеет высокое значение около θ = 60°.Однако наибольшее значение имеет угол возвышения 90°, когда камера может видеть в основном след объекта. В этом случае компонент роста полностью отсутствует на изображении, но прогноз все еще может получить достойную оценку для людей с ожирением.

3.6 Регресс с ростом

Поскольку WBSA зависит от роста и с учетом высокой корреляции (см. Таблицу 2), мы ожидаем улучшения результатов за счет включения роста в модель прогнозирования (уравнение 8). На рис. 11(b), 12 и 13(b) показано влияние включения роста в модель.В целом, мы получаем меньшую ошибку предсказания для большинства проанализированных углов, как видно на рис. 12, хотя в некоторых случаях улучшение может быть не таким значительным, например, когда азимутальный угол θ удаляется от 90°. Хотя не всегда возможно определить рост с точной точностью, это не тот случай в клинике врача, где контролируемая среда всегда позволяет обнаружить. Однако в более неограниченных условиях следует учитывать ошибку определения роста и ее влияние на оценку WBSA.Это выходит за рамки данной работы.

3.7 Регрессия с группировкой

Мы исследуем работу системы для различных определенных категорий людей. Мы сгруппировали наших виртуальных субъектов в 5 разных классов (мужчины/женщины, взрослые/дети, маленького/нормального/большого роста) и используем эти разделы для изучения линейной системы. Затем, используя 10-кратную перекрестную проверку, мы вычисляем ошибку прогноза. На рис. 11–15 показаны коэффициент VBSA, ошибка RMSE и сравнение ошибок для случаев с группировкой и без нее.Группировка по-разному влияет на ошибку предсказания. Удивительно, но группировка не всегда приводила к улучшению. На самом деле ошибки для взрослых кажутся больше, чем ошибки, полученные для всех испытуемых. Вместо этого у нас есть некоторые улучшения для детей, маленького роста и нормального роста. Использование роста в групповых моделях приводит к значительному улучшению для большинства групп (см. рис. 11 и 13).

4 Обсуждение

В этой работе мы представили интегрированную структуру компьютерного зрения, позволяющую вывести взаимосвязь между площадью поверхности всего тела (WBSA) и видимой площадью поверхности тела (VBSA) для заданной точки зрения субъекта.В этом разделе мы обсудим некоторые наблюдения из полученных результатов. На рис. 11, 13(b) и 12 показаны ошибки предсказания WBSA для различных экспериментальных настроек с использованием двух наборов данных. Другие графики, показывающие поведение ошибки WBSA, можно найти в файле S1. На всех графиках предсказания WBSA мы видим логически интуитивную закономерность: ошибка остается низкой для азимутальных углов от 0 — 45° до 135 — 180°, но выше для углов 60 — 150°. Исходя из этого общего поведения, мы обсудим ряд интересных наблюдений, некоторые из которых не столь очевидны.Некоторые из них очень трудно наблюдать.

4.1 Передний VBSA против заднего VBSA

Интересным наблюдением является разница в поведении VBSA (и, следовательно, вычисленного WBSA) при взгляде на объект спереди или сзади. Как сообщается в [1] и [24], на долю фронта приходится более 50% всего WBSA. Как видно из СКО (рис. 11(а) и 11(б)), ошибки из задней части всегда уступают ошибкам из соответствующих углов спереди.Объяснений может быть несколько. Поскольку руки слегка согнуты вперед, окклюзии больше, если смотреть на сетку спереди. Кроме того, передняя часть человеческого тела и, следовательно, сетка имеют гораздо больше изогнутых поверхностей спереди, и, следовательно, их сложнее моделировать. Это можно отметить, сравнивая СКО самцов и самок: несмотря на некоторую неравномерность поведения (у самцов СКО выше при θ = 90°, чем при θ = 60°), среднее СКО для самцов ниже, для фронтальные углы (0° ≤ θ ≤ 90°), чем у самок.

4.2 Нелинейность в зависимости WBSA-VBSA

На рис. 11, 12 и 13 показано увеличение СКО по мере приближения азимутального угла к 90°. Такое же поведение можно наблюдать при приближении угла места ϕ к ±90°. Интуитивно понятно, что для этих углов VBSA вряд ли может вывести WBSA объекта. В этих ситуациях существует много перекрывающихся областей, отличных от обычных окклюзий (стопы, подмышки, промежность и т. д.), что приводит к более высокой ошибке линейного предсказания, поэтому отношение VBSA-WBSA отклоняется от линейности.На рис. 16 показано соотношение VBSA-WBSA для двух наборов данных при θ = 60° ϕ = 60°. Заметим, что для этих углов не выполняется условие гомоскедастичности (постоянная дисперсия). Люди с маленьким WBSA имеют маленькую дисперсию, в то время как у больших людей она очень большая. В этой ситуации все еще можно использовать линейную модель, предполагая, что мы допускаем небольшое снижение производительности для субъектов с небольшим WBSA, но это сильно повлияет на производительность для субъектов с высоким WBSA. На рис. 12 показаны характеристики линейной модели для различных категорий.Для высоких и очень высоких значений WBSA необходимо рассмотреть другой подход (нелинейный).

4.3 Оценка измерений WBSA

Измерение WBSA реальных людей очень сложно, часто трудоемко, громоздко и неудобно для субъекта (например, форма парижской салфетки). Таким образом, доступность наземных данных в исследованиях WBSA всегда является проблемой. В такого рода исследованиях должны быть измерены реальные люди, чтобы установить основную истину. Вместо этого наш метод использует наземную правду о виртуальных субъектах.Мы создаем эти предметы, убедившись, что они очень близки к реальным людям. Мы предложили генеративный подход, основанный на данных, обычно используемый в компьютерной графике, а в последнее время — в средах искусственного интеллекта и машинного обучения [41, 62]. Предлагаемая структура может имитировать реальную среду с реальными предметами и реальными устройствами с учетом всех возможных искажений и артефактов, присутствующих в реальном процессе. В этой виртуальной среде у нас есть полный контроль над различными компонентами, и это идеально подходит для изучения реальных процессов и изучения алгоритмов машинного обучения.Однако мы по-прежнему не можем сравнивать наши изученные алгоритмы с традиционными методами (например, формулами и 3D-сканером) из-за нехватки достоверных данных. Например, прямое сравнение выученных моделей с формулами будет некорректной задачей, поскольку мы не знаем, какой метод ближе к реальной мере. Использование одновременного 3D-сканера и Microsoft Kinect приведет к той же проблеме. Эта ситуация, однако, может быть полезна для сравнения изученной системы с реальным сценарием.Несмотря на то, что очень важно понимать точность 3D-сканера и настройки, использованные при сборе данных, к сожалению, в настоящее время у нас нет такой возможности, и мы призываем любую исследовательскую лабораторию протестировать и улучшить нашу структуру, которая созданный из инструментов с открытым исходным кодом.

4.4 Реконструкция

Как объяснялось в Разделе 2.4.1, получение WBSA основано на расчете площади треугольной сетки. Субъекты в наборах данных уже представлены в виде сетки с WBSA, рассчитанным с помощью плагина MH.Однако результат луча представляет собой облако точек, как показано на рис. 3 и 8. Фундаментальным шагом в определении VBSA является реконструкция поверхности. Поскольку реконструкция поверхности является горячей темой в компьютерной графике и выходит за рамки наших целей в этой работе, мы решили изучить ее влияние с помощью только одного известного алгоритма: жадного алгоритма реконструкции поверхности [58]. В этом эксперименте мы используем настройку по умолчанию, которая должна дать хорошие результаты.

Перед применением алгоритма реконструкции промежуточным этапом является вычисление нормалей точек.Для этого мы использовали алгоритм на основе интегральных изображений [63], реализованный на библиотеке PCL. Мы оценили время реконструкции в ≈ 0,5 с в среднем для одного субъекта (субъекты с большим количеством перекрывающихся областей замедляют алгоритм). На рис. 15 показана ошибка перекрестной проверки для линейной регрессии с использованием VBSA, рассчитанного по реконструированной поверхности для всех субъектов. На рис. 17 показано влияние ошибки реконструкции на прогноз WBSA для заданной ориентации камеры и для различных классов объектов в наборе данных Virtual Random.Заметим, что при указанном угле места ϕ = 0° ошибки в целом еще ниже для азимутального угла 0° ≤ θ ≤ 45° и 135° ≤ θ ≤ 180° (менее примерно 6 % для MAPE и менее примерно 5,0 для RMSE). Эти результаты показывают ошибку реконструкции как аддитивный шум на VBSA. Этот шум состоит из двух основных компонентов. Во-первых, это ошибка из-за нормального вычисления точек. На самом деле, ошибки в нормальном направлении повлияют на последующую реконструкцию поверхности.К сожалению, из-за очень сложной природы человеческого тела и дополнительной сложности, связанной с видом в перспективе в операции ray cast, вычисление нормалей не так просто. Отсутствие соседних точек, поверхности со странными углами из-за нежесткой природы тела делают эту операцию более сложной и подверженной ошибкам. На рис. 8(d) показан результат нормального расчета. Операция реконструкции поверхности является вторым источником шума. Эта базовая операция отвечает за преобразование необработанного или базового представления предмета (т.е. облако точек данных) в закрытую сетку коллектора. Одной из основных проблем алгоритмов реконструкции поверхности является заполнение отверстий. Дыра в структуре сетки, возможно, вызвана зазорами в структуре сетки, которые, если их оставить нетронутыми, приведут к образованию поверхности с многочисленными зубчатыми границами. Это явление является основным источником ошибок при расчете площади поверхности. На самом деле, поскольку мы просто вычисляем площади отдельных треугольников, ошибочная реконструкция добавит границы, которые увеличат вычисленную площадь поверхности.Такое поведение наблюдалось во время установки программного обеспечения. Чтобы исправить этот эффект, мы выполнили сглаживание методом наименьших квадратов и выборку с вокселями перед окончательной реконструкцией.

Рис. 17. Результаты на основе набора данных Virtual Random.

Влияние ошибки реконструкции сетки на прогноз WBSA для заданной ориентации камеры (азимут и высота): Введите коэффициент прогнозирования VBSA (справа) и среднеквадратичную ошибку CV (слева): (a) все субъекты. б) взрослые субъекты. (c) детские предметы.

https://дои.org/10.1371/journal.pone.0166749.g017

Обычно каждый алгоритм реконструкции поверхности тестируется с использованием SSD или аналогичных мер. К сожалению, поскольку вычисление площади поверхности основано на вычислении площади треугольника, обычные измерения не всегда учитывают реконструированную топологию конечной сетки. Эти искажения в топологии могут резко ухудшить расчет площади поверхности.

Все эти методы точны и позволяют получить достоверную поверхность, однако они требуют значительного времени для реконструкции частичной поверхности объекта.Моделирование датчика глубины дает нам то, что называется организованным облаком точек (точки (x, y, z) организованы в виде матрицы, как пиксели изображения), и мы можем использовать более быстрые и простые методы для реконструкции. например [64].

Объем и площадь поверхности человеческого тела, Мировая популяция живой материи

Когда врачи принимают пациентов, они почти всегда сначала измеряют два показателя: рост и вес. Да, они хотят отслеживать прогресс своего пациента, но, что более важно, им необходимо понимать объем и площадь поверхности тела пациента для назначения лекарств.3. Итак, если вы сжижаете мой объем, я мог бы заполнить чуть больше двух с половиной кубических футов.

Я попросил детей рассчитать свои кубические футы с помощью калькуляторов после того, как они сначала оценили свой сжиженный объем. Затем они записали всех членов своей семьи, друзей, домашних животных (у животных такая же плотность, как и у людей) и т. д. для тестирования в течение недели. Спросить кого-то о его весе легко, если вы дадите ему контекст: «Я провожу математический/научный эксперимент, чтобы определить кубические футы человеческого тела.3. Я показал им (страница 4 их PDF-файлов), как такой куб будет выглядеть наложенным в Нью-Йорке. Его размер в кубе составит всего 1007 метров, и он покроет небольшую часть нижнего Манхэттена. Я даже показал, как будет выглядеть самое высокое здание в мире, Бурдж-Халифа в Дубае, и Эмпайр-стейт-билдинг в сравнении с общим кубическим населением мира.

Затем я попросил детей сделать предположения о том, как объем человеческой популяции соотносится с другими объемами растений, насекомых, рыб и даже бактерий.Большинство думало, что эти другие живые организмы будут больше, чем люди, но потом я показал им фактическое сравнение, и они были поражены. Растения, объем которых составляет 450 гигатонн, в 7500 раз больше человеческого объема. Даже насекомые почти в 17 раз превышают наш объем. Таким образом, они пришли к выводу, что люди довольно незначительны по объему, но такое высокое влияние на эти другие живые организмы. Они пришли к выводу, что люди несут большую ответственность.

Я попросил их рассчитать кубические метры самых крупных животных, таких как синий кит, китовая акула, слоны и так далее.

Наконец, для детей старшего возраста мы рассмотрели формулу Моллестера для расчета площади поверхности тела (ППТ) в квадратных метрах и квадратных футах. Это еще один расчет, который врачи используют для введения лекарств. Мы с детьми представляли, что нас расплющит паровой каток. Какую площадь займет наша кожа? В классе у меня был квадратный метр, чтобы они могли строить такие предположения. Расчет находится на странице 6 PDF-файла, и вы увидите пример моего BSA, показывающий 1.2. Для расчета требуется как вес, так и рост, каждый из которых необходимо перевести в килограммы и сантиметры соответственно. Для перевода фунтов в килограммы нужно разделить на 2,2, а для перевода из дюймов в сантиметры — умножить на 2,54. Конечно, для БСА нужны калькуляторы и много аккуратной записи.

Получайте удовольствие от человеческого объема и площади поверхности и уважайте своих врачей, они одни из великих математиков.

Приложение

Размер

Объем_и_Поверхность_Площадь_Человеческого_Тела_Мир_Население_всех_Живых_Материй. No related posts. 0 comments on “Расчет площади поверхности тела человека: Площадь поверхности тела (метод Дюбуа)” Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Comment * Name * Email * Website Hit enter to search or ESC to close Поиск » Рубрики Новые Передатчики Радиолюбителям Схемы Электроника Разное 2019 © Все права защищены. Карта сайта