JoVE Journal > Medicine
Summary
Abstract
Introduction
Protocol
Results
Discussion
Disclosures
Acknowledgements
Materials
References
日本語

Automatically Generated
Please note that all translations are automatically generated. Click here for the English version.
Medicine

3次元光学イメージングによる臨床人体測定と体組成

Published: June 07, 2024
doi:
10.3791/66698
, , , , , ,
1Division of Physical Medicine and Rehabilitation, Department of Surgical Sciences,University of Turin, 2Pennington Biomedical Research Centre, 3Department of Surgical Sciences, Dentistry, Gynaecology and Paediatrics, Paediatric Unit,University of Verona, 4Department of Epidemiology,University of Hawaii Cancer Center

Summary

3次元光学イメージング用の市販のソリューションによる体のサイズ、形状、および組成の評価の手順により、正確で再現性のあるデータを迅速に収集できます。臨床医は、革新的で有用なバイオマーカー(「電子テープ」測定)の取得を患者の日常的な評価に実装して、患者の健康状態の特徴付けに役立てることができます。

Abstract

体のサイズと組成の評価は、健康なアスリートだけでなく、トレーニングやリハビリテーション戦略をパーソナライズするためのさまざまなタイプの患者の日常的な管理に一般的に含まれています。次のプロトコルで説明されているデジタル人体測定分析は、最近導入されたシステムで実行できます。これらの新しいツールとアプローチは、操作が非常に簡単で、正確で再現性のあるデータを迅速に収集できるため、臨床現場で広く使用される可能性を秘めています。1つのシステムは、重量測定プレートを備えた回転プラットフォーム、3台の赤外線カメラ、タワーに組み込まれたタブレットで構成され、もう1つのシステムは、ホルダーに取り付けられたタブレットで構成されています。画像キャプチャ後、両方のシステムのソフトウェアは、関連する人体測定変数と体組成変数を使用して、匿名化された3次元ヒューマノイドアバターを生成します。測定手順は簡単で、被験者を数分で検査でき、包括的なレポート(3次元スキャンと体のサイズ、形状、組成の測定を含む)が自動的に生成されます。

Introduction

人体測定は、人体の物理的測定値の研究です。身長、体重、長さ、皮膚のひだの厚さ、および周囲は、一般的に使用される人体測定尺度であり、内分泌および代謝障害の患者の調査や、アスリートの食事とトレーニングによって誘発される成長、老化、および体のサイズと組成の適応を監視するのに役立つことが証明されています1,2。例えば、ウエストとヒップの周囲長の評価は、肥満者の管理に役立つことが証明されました:両方の周囲は、全死因死亡率の予測因子と見なすことができる肥満の分布を評価します3。

四肢周囲は、虫垂除脂肪量の減少を検出および/または監視するための有用性(例えば、ふくらはぎ周囲は、低骨格筋およびサルコペニアを診断するための単純で実用的な骨格筋マーカーとして使用されます)1,2および、アスリートの身体能力と怪我のリスク、および患者の生活の質の両方に影響を与える四肢間の非対称性(例えば、 片側四肢腫脹を有するがん患者)1,2.さらに、体囲や皮膚のひだの厚さ1,2,4,5,6,7などの異なる人体測定尺度の組み合わせから脂肪量または無脂肪量を推定するために、過去数十年にわたって多数の人体測定学に基づく体組成予測モデルが提案されてきました。

従来の人体測定(つまり、テープベースおよびキャリパーベース)の測定は文化的または社会的に受け入れられない可能性があり、信頼性も低いため8、非侵襲的で再現性があり、有効なアプローチの開発と検証が必要でした。最近開発された3次元(3D)光学イメージングシステムは、非侵襲的で、正確で、かつ正確な測定を提供することを可能にし8,9,10,11、デジタル民生用カメラおよびスマートフォンは、患者および健康な被験者8,9,10,11を評価するために臨床および非臨床の場で使用するのに適した、使いやすく広く利用可能なツールを提供する、12、13、14、15、16、17、18、19、20。次のセクションで報告するプロトコルの目的は、医療現場 (患者を評価するため) と非臨床現場 (アスリートを評価するため) の両方で、ここ数年で普及した 3D 光学イメージングの 2 つの市販ソリューションを通じて、体のサイズ、形状、および組成を評価する手順を説明することです。

Protocol

このプロトコルは、トリノ21工科大学の研究公正ガイドラインに準拠しています。光学画像の取得は、地元の倫理委員会によって承認された調査研究内で行われ(データは 図1 と 図2の凡例で報告されています)、調査対象の被験者は書面による同意を与えました(研究への参加と匿名化された画像の公開)。 1. 課題の準備 注:このセクションで説明するすべてのプレスキャン準備は、テスト手順#1と#2で類似しています。 被験者に下着を着るか、体にフィットする最小限の衣服(男性の場合はショートパンツ、女性の場合はショートパンツとスポーツブラ)を着用するように依頼し、靴下、靴、アクセサリーを脱ぎ、髪を覆うためにスイムキャップを着用するように依頼します。 2. 試験手順#1の被験者登録 標準のスタディオメーターを使用して被写体の身長を測定します。 重量測定プレート付きの回転プラットフォーム、3台の赤外線カメラ、タワーに組み込まれたタブレットで構成されるシステム#1のタブレット( 材料表のアプリ#1とタブレット#1)にインストールされたアプリを起動します(図1A、B)。 氏名、メールアドレス、パスワード、性別(男性または女性を選択)、測定単位(米国またはメートル法を選択)、民族性(不特定、ヒスパニック/ラテン系、アメリカインディアンまたはアラスカ先住民、アジア人、黒人またはアフリカ系アメリカ人、ハワイ先住民またはその他の太平洋諸島民)を含む件名登録フォーム(補足図S1)に記入してください。 白人)、生年月日。 3つのチェックボックス(利用規約に同意、プライバシーポリシー、責任免除)にフラグを立て、[ 送信 ]ボタンをタップします。 被写体がスイムキャップを正しく着用していることを確認してから、[ 次へ ]ボタンをタップします。 被写体が適切な服装をしていることを確認してから、[ 次へ ]ボタンをタップします。 スキャナー領域がクリアであることを確認し(つまり、スキャン領域の外側に衣服を置き、スキャナーの視界に日光や反射物質がないことを確認します)、[ 次へ ]ボタンをタップします。 高さ測定フィールドに入力し、[次へ]ボタンをタップします。 オプションの追加指標(体脂肪率[ BF%]、 心拍数、収縮期血圧と拡張期血圧、細胞内水分と細胞外水分)に関連するフィールドに入力し、[ 送信 ]ボタンをタップします。 3. テスト手順#1 被験者に体重計に足を踏み入れ、足跡の上にできるだけ静止して(伸縮式のハンドルに触れずに上肢と手を両側に置いて)、体重(およびその分布)をキャプチャするように依頼します。 伸縮式ハンドルを握りながら、標準化されたAポーズ(肩をリラックスさせ、腕をまっすぐにして胴体から外転)で直立するように被験者に依頼し、以下の指示に従ってボディスキャンを実行します(図1A、B)。注:全身スキャンには~45秒かかり、その間、光コーディング深度センサーがプラットフォームが1回転するときに3D形状をキャプチャします。腕と脚がまっすぐになるまでハンドルを持ち上げます。 できるだけじっとしてください。 前を向いて頭を動かさないでください。 スキャンが完了するまで、ハンドルのボタンを押し続けます。 スキャンが完了したら、はかりから降ります。 被験者がスケールから外れたら、[ サインアウト ]ボタンをタップします。 4. 試験手順#2の被験者登録 スタディオメーター付きの標準スケールを使用して、被験者の身長と体重を測定します。 デスクトップまたはラップトップコンピュータにインストールされている最新のWebブラウザを使用して、システム#2のダッシュボード( 資料表の登録ダッシュボード)に移動します。 件名登録フォーム(補足図S2)に、氏名、電話番号、メールアドレス、年齢、性別(男性または女性を選択)、体重、身長を記入してください。 チェックボックスにフラグを立て(利用規約とプライバシーポリシーに同意)、「 サインアップ 」ボタンをタップまたはクリックしてアカウントの設定を完了します。 アカウント ビュー ページに、件名の一意のクイック レスポンス (QR) コード、電話番号、メール アドレスが表示されることを視覚化します。 QRコードの写真を撮ります(携帯電話など)。 5. テスト手順 #2 ホルダーに取り付けられたタブレット(タブレット#2と材料表のフロアスタンド)で構成されるシステム#2のタブレットにインストールされているアプリ(材料表のアプリ#2)を起動します。 タブレットの画面をタップしてQRコードを表示します。 スタートボタンをタップします。 被験者に音声指示を聞いてもらい、画面に表示されるガイドを見てください。 被験者に、タブレットから標準化された距離でカーペットの上に立つように依頼し、足ガイドの足(カーペットの上の黒い楕円形の記号)を画面に表示される緑色の足マーカーと揃えます(図2A)。 被験者に「正面Aポーズ」をとるように依頼します(そして、奇形のアバターを引き起こす可能性のある動きなしでポーズを維持する)10,22脚を分離し、腕を胴体から約45°の角度でアブダクションし、手を拳に閉じて正面の画像をキャプチャします(図2B)。 正面からの画像撮影後、被験者に足を合わせ、腕/手をまっすぐに横に置き(つまり、腕/手を胴体/太ももに揃えて)、まっすぐ前を向いて横方向の画像を撮影する「サイドポーズ」をとるように依頼します(図2C)。 横方向の画像キャプチャ後、スキャンが完了したことを被写体に伝えます(アプリは ありがとう 画面を表示します)。

Representative Results

画像キャプチャ後、システム#1のソフトウェアは、匿名化された3Dヒューマノイドアバター(図1C:点群は、約25,000の頂点と50,000の面を持つ三角形で接続されたメッシュに変換されます)と、長さ、円周、体積、表面積、および体組成の推定値を含む自動人体測定を生成します。システム#1のダッシュボードでは、各被験者が3Dスキャン(図1C)、体重、サイズ、形状の測定値(体型評価、胴囲、ウエストとヒップの比率、体幹と脚の体積比)、基礎代謝率と体組成の推定値(BF%、脂肪量、除脂肪体重)、および標準円周の測定値(首、 バスト、ウエスト、ヒップ、左右の上腕二頭筋、左右の前腕、左右の太もも、左右のふくらはぎ)。 さらに、姿勢とバランスの評価結果も視覚化でき、レポートに含められます。姿勢評価結果には、3Dスキャンの正面図、側面図、背面図が含まれ、関連するシフト(傾斜位置に移動する身体の一部と、それが任意の一方向に傾斜する速度として定義)と傾斜(前方、後方、左または右の「スライド」の動き、中心点からの位置のわずかな変化または変動として定義)測定値が含まれます。 i)正面図と背面図:矢状面(右半身と左半身の間の垂直線として表される)に対して測定値を右または左にシフトし、頭、肩、アンダーバスト、股関節、膝の横方向(水平面)に対する傾き率。ii)側面図:頭、肩、股関節、膝の前頭(冠状)平面(足首関節からの垂直線として表される)に対して測定値を前方または後方にシフトします。 バランス評価結果には、左右の足の前後部の立位姿勢時の体重配分が含まれます。システム #1 のダッシュボードでは、各サブジェクトをダウンロードすることもできます。OBJおよび.GIF画像ファイル、および. 表1にリストされている人体測定測定値と体組成の推定値を含むCSVファイル。 すべての体組成の推定値は、Mifflin-St. によると、基礎代謝率の推定値と体型指数の計算をそれぞれ取得する例外を除き、独自のアルゴリズムを使用して取得されます。Jeor方程式23 とKrakauer方程式24 は 、表2で報告されています。 画像キャプチャの後、システム#2のソフトウェアは、匿名化された3Dヒューマノイドアバター(図2D:点群は、約50,000の頂点と100,000の面を持つ三角形で接続されたメッシュに変換されます)と、長さ、円周、体積、表面積、および体組成の推定値を含む自動人体測定を生成します。システム#2のダッシュボード( 資料表のデータダウンロードダッシュボード)では、各被験者がダウンロードできます。OBJおよび.PNG画像ファイル、および次の3つの.CSV ファイル: 「App Measures.csv」ファイルは、次の人体測定および体組成の測定値を報告します:体重、体表面積、BF%、内臓脂肪組織、フィットネス指数、腕の除脂肪体重、脚の除脂肪体重、除脂肪体重、総骨ミネラル含有量、肩幅、背中の肩幅(背中の首を通る)、首の周囲、上腕、上腕二頭筋(右/左)、前腕(右/左)、手首(右/左)、 胸、アンダーバスト、バスト(ドロップ付き)、お腹、ウエスト、ペイントウエスト、ヒップ(背中の小さな部分から8インチ下がった)、シート、太もも(右/左)、ふくらはぎ(右/左)、後ろ首から腰までの長さ、袖の長さ(右/左)、股間の長さ、股下、アウトシーム(右/左)。 「Body Composition.csv」ファイルは、次の人体測定および体組成の測定値を報告します:体脂肪、体格指数、体表面積、骨ミネラル含有量、脂肪量指数、フィットネス指数、身長、除脂肪体指数、除脂肪体重、腕除脂肪量、脚除脂肪量、安静時代謝率、胃周囲長、内臓脂肪組織、ウエストと身長の比率、ウエストとヒップの比率、体重。 「Core Measures.csv」ファイルは、 表1にリストされている人体測定測定値を報告します。 すべての体組成の推定値は、Katch-McArdle 式25 と Harty et al.26 によって以前に開発および検証された 2 つの方程式に従ってそれぞれ取得される基礎代謝率推定と BF% 推定を除いて、独自のアルゴリズムを使用して取得されます。これらの2つの式(表2のBF%式1と式2)は、それぞれ腹囲<103.5cm(<40.75インチ)と≥103.5cm(≥40.75インチ)の個人に採用されます。以前の研究では、健康な成人のBF%推定のための式1の精度が実証されました15,26、最近、それが若いアスリートのBF%を(デュアルエネルギーX線吸収測定法に関して)過大評価していることがわかりました18。したがって、我々は、男女の若いサッカー選手のBF%の正確な推定値を提供するために、表2で報告された再パラメータ化(式3)を提案した18。 上記の体組成変数に加えて、虫垂除脂肪量 (ALM) は、McCarthy et al.27 が座りがちな被験者に対して最近提案したデバイス固有の方程式 (表 2 の男性の ALM 方程式 1 と女性の ALM 方程式 2) を通じて、システム #2 で実行されるスキャンについても推定できます (表 2 の男性の ALM 方程式 3 と女性の ALM 方程式 4 )18. 図3は、男性アスリート(ボディマス指数:26.0kg/m2:図3A,B)と肥満者(ボディマス指数:44.0kg/m2:図3C,D)で取得した代表的なアバターを、システム#1(図3A,C)とシステム#2(図3B,D)で取得したものです。両方の被験者の2回のスキャンについてシステム#1とシステム#2によって得られた人体測定と体組成の推定値を表3に報告します。 アスリートで得られた円周測定値は、2つのシステムで得られたスキャン間で異なりました(特に首、腕、腰、脚について:データは 表3で報告されています)。BF%値(2つのスキャンの平均)は、システム#1と#2で実行されたスキャンでそれぞれ19.1%と16.1%であり、除脂肪体重値(2つのスキャンの平均)は69.7 kgと72.2 kgでした。システム#2で実行されたスキャンのALM平均値は38.4kgでした。 肥満の人で得られた円周測定値は、2つのシステムで得られたスキャン間で異なりました(特に腰と脚の場合:データは 表3で報告されています)。BF%値(2つのスキャンの平均)は、システム#1と#2で実行されたスキャンでそれぞれ44.1%と46.3%であり、除脂肪率の値(2つのスキャンの平均)は67.9 kgと64.9 kgでした。システム#2で実行されたスキャンのALM平均値は25.1kgでした。 図1:システム#1で撮影された画像 (A,B)プラットフォームの回転中に代表的な男性被験者が想定し維持する標準化されたAポーズ、および(C)相対的な3Dアバター。光学画像の取得は、トリノ大学の倫理委員会によって承認された調査研究内で行われました(プロトコルn.0115311)。 この図の拡大版を表示するには、ここをクリックしてください。 図2:システム#2で撮影された画像 (A)システム#2のタブレットの画面に表示される緑色の足のマーカーと位置合わせされた足のガイドシンボル(カーペットの上の黒い楕円形のシンボル)がカーペットの上に立っている代表的な男性の被写体の画像。代表被写体の(B)正面画像と(C)側面画像、および(D)相対3Dアバターの取得。光学画像の取得は、トリノ大学の倫理委員会によって承認された調査研究内で行われました(プロトコルn.0115311)。 この図の拡大版を表示するには、ここをクリックしてください。 図3:システム#1および#2で取得された代表的なアバター (A,B)男性アスリートおよび(C,D)肥満の人(A,C)システム#1および(B,D)システム#2で調査。各被験者は、再配置された2回のスキャンを受けました:最初のスキャンから得られたアバターは、両方の被験者に対して示され、システム#1およびシステム#2によって得られた人体測定および体組成の推定値は 、両方の被験者の2回のスキャンで報告されています。光学画像の取得は、トリノ大学の倫理委員会(プロトコルn.0115311)および領土倫理委員会(CET-プロトコルn.0065654)によって承認された調査研究内で行われました。 この図の拡大版を表示するには、ここをクリックしてください。 表1:システム#1および#2のダッシュボードからダウンロード可能な拡張測定セット。この表をダウンロードするには、ここをクリックしてください。 表2:基礎代謝率、体脂肪率、および虫垂除脂肪体重の推定式。 基礎代謝率の推定:測定単位は、体重と除脂肪体重がkg、身長がcm、年齢が年です。体型指数の推定:測定単位は胴囲のm、身長は体重指数のkg / m2 です。体脂肪率の推定:性別は男性= 1および女性= 0としてコード化され、体表面積はcm2で測定され、circ.として示される残りのすべての変数はcmで測定されます。筋肉と胃のインデックスは、(右上腕二頭筋の循環 + 左の上腕二頭筋の循環 + 右大腿部の循環 + 右ふくらはぎの循環 + 左ふくらはぎの循環) / 最大胃循環として得られます。付属肢除脂肪体重推定:測定単位は、すべての円周と長さでcmです。表面積はcm2 。ボリュームはcm3 。重量のkg。年齢の年。この表の3つの方程式は、Minetto et al.18からのものです。略語:BMR =基礎代謝率;ABSI = 体型指数;BF% = 体脂肪率;circ. = 円周;ALM = 付属肢除脂肪体重;NHOPI = ハワイ先住民およびその他の太平洋諸島民。 この表をダウンロードするには、ここをクリックしてください。 テーブル3。2つの代表的な被験者(アスリート1人と肥満者1人)のそれぞれについて、2つのシステムによって得られた円周測定値と体組成の推定値。この表をダウンロードするには、ここをクリックしてください。 補足図S1:テスト手順#1の被験者登録フォーム。このファイルをダウンロードするには、ここをクリックしてください。 補足図S2:テスト手順#2の被験者登録フォーム。このファイルをダウンロードするには、ここをクリックしてください。

Discussion

この記事で紹介する手順は、以前に開発および検証された3D光学イメージング用の2つの市販のソリューションを通じて、体のサイズ、形状、および組成を評価するために使用できます9,10,11,12,13,14,15,16,17,18,19,20 .これらのソリューションは操作が簡単で、有効なデータを迅速に収集し、自動的にレポートに整理できます。さらに、提示されたシステムは、再現性のあるデータの収集を可能にします(私たちの2つの代表的なケースで両方のシステムで実行された2つのスキャンの結果の比較によって示唆され、以前の研究によって文書化されています)9、10、11、12、13、14、15、16、17、18、したがって、トレーニングまたは食事療法による変化を監視するために使用できます。

システム#2の重量は限られているため(タブレットとホルダーの合計で~4kg)、持ち運びが容易です。しかし、システム#2の限界は、2D画像から3Dアバターを生成すると、特に肥満の人(図3C、Dの代表例に示されているように)や体型の局所的な異常を呈する患者(例えば、 肥満手術後の患者で、厄介な皮膚過剰を呈する患者、または片側上肢または下肢リンパ浮腫のがん患者)。

両方のシステムでのスキャン取得には、十分なスペースを確保することが重要です:システム#1には157 x 198 cm、システム#2には86 x 166 cmのクリアエリアが必要です。さらに、システム#2では、鏡、光沢のあるポスター、または窓のない空白の壁の近くに被験者を配置する必要があります。どちらのシステムでも、カメラから自然光や反射面が見えないようにする必要があります。どちらのシステムも、スキャンを効果的に処理するために、一定で一貫したWi-Fiインターネット接続も必要です。

上記の手順の主な制限は、調査対象の被験者が立位をとれるように要求することです。したがって、これらのアプローチは、ベッドから起き上がることができない重症患者(重篤な神経障害のある患者や重篤な患者など)には使用できません。さらに、調査対象の被験者は、アバター10,22の形状を変化させ、体囲の推定にバイアスをかける可能性のある動きなしに、立位(すなわち、Aポーズおよびサイドポーズ)を維持できなければならない。

上述のパラメータの制限は、それらが独自のデバイス固有のアルゴリズムを使用して取得されることであり、これは、本体のサイズ、形状、および組成の測定値が特定のスキャンシステムに固有のものであることを意味する。したがって、異なるシステムで取得したデータを比較またはプールすることは、分析的(つまり、スキャナー間)のばらつきによって排除されます。一貫して、図3に示す代表的な2人の被験者で得られた円周測定値は、2つのシステム間で異なりました。しかし、この制限を克服するために、デバイスに依存しないソリューションがすでに開発されています:これらのソリューションは、3Dメッシュを再フォーマットおよび編集し、さまざまなランドマーク(脇の下、股間、足など)を自動的に検出し、ボディサイズの測定値を計算します28,29,30,31,32,33,34,35.上述の体組成パラメータのもう一つの制限は、それらが従来の人体測定学に基づく予測モデルを通じて得られることである。しかし、最近の研究では、従来の人体測定36,37を超えて体組成に関する情報をキャプチャするために、体型ベースのモデルが必要になる可能性があることが示されました。

いくつかの制限はありますが、デジタル人体測定アプローチは、臨床現場で使用する準備ができていると見なす必要があります。3Dイメージングシステムは、観察と触診による解剖学的ランドマークの特定に基づく手動(テープベースおよび/またはキャリパーベース)の測定と比較して、より許容できる非侵襲的な測定を提供します。さらに、3D光学スキャンは、研究や臨床現場で体のサイズや組成の評価に一般的に採用されている他の調査(磁気共鳴画像法やデュアルエネルギーX線吸収測定法など)と比較しても高速です。さらに、比較的安価で放射線を使用しないため、その後のスキャン(例えば、実験者が体の動きやアバターの形状に変化をもたらす可能性のある不適切な手足の配置に気付いた場合、画像取得を容易かつ迅速に繰り返すことができる)や繰り返しの調査に使用するのに安全であり、特別な集団(子供など、 青年、および妊婦)35,39。

したがって、臨床医は、革新的で有用なバイオマーカー(「電子テープ」測定および導出体組成推定)の取得を健康な被験者(例えば、アスリート)の日常的な評価に実装して、彼らの身体能力と傷害リスクの予測と特徴付けを支援することができる40,41,42,43また、怪我の回復を監視するため。例えば、脚力と除脂肪体重の対称性は、身体能力と(再)傷害リスクに影響を与える44。したがって、大腿部/ふくらはぎの周囲にある正常な対称性の回復は、プレーに戻るために考慮すべき一般的な目標に含めることができる45。患者の日常的な評価も、デジタル人体測定をヘルスケアに統合することで改善できます。体囲と形状の評価(軟組織と脂肪組織の内部分布によって駆動される)は、低質量の筋肉(例えば、サルコペニン性が疑われる患者)を検出したり、代謝性疾患のリスクを予測したり46、外科的処置の結果を評価したり、介入後の患者の進行を監視したりするのに役立ちます38.栄養成分が病態生理学の主要な要因である疾患を有する患者は、症状と併存疾患を軽減するために、体の大きさと組成を縦断的にモニタリングすることで特に恩恵を受けることができる47。例えば、ダイエットおよび/または薬物に基づく肥満の管理の場合、よく知られている「25/75の経験則」(すなわち、体重減少は通常25%の無脂肪体重減少と75%の脂肪減少であるという一般的な仮定)が介入の有効性を正確に説明していない可能性があるため、体重を監視するだけでは適切ではないかもしれない。さらに、ヘルスケアに統合されたデジタル人体測定は、ヘルスケアサービスを遠隔地に拡大し、それによって患者の支援とアドヒアランスを改善し、医療コストを削減する可能性を秘めています。

Disclosures

The authors have nothing to disclose.

Acknowledgements

著者らは、原稿作成に貴重なご協力をいただいたFederico Della Vecchia博士とAlessandro Cairo博士(トリノ大学)に感謝いたします。この研究は、Fondazione CRT(イタリア、トリノ)、トリノ大学(Fondo per la Ricerca Locale – ex-60%)、および国立衛生研究所(助成金R01DK109008、Shape UP!大人)。

Materials

System #1
Proscanner Fit3D Inc., San Mateo, CA, USA Version 5 "System #1" in the manuscript
Fit3D Proscanner app Fit3D Inc., San Mateo, CA, USA Version 5 "App #1" in the manuscript
CHUWI tablet PC Chuwi Technology Co., Ltd., Shenzhen, CHINA Hi10X "Tablet #1" in the manuscript
Fit3D dashboard Fit3D Inc., San Mateo, CA, USA https://dashboard.fit3d.com
System #2
Mobile Scanner 1 (MS-1) app Size Stream LLC, Cary, NC, USA Version 2 "System #2" in the manuscript
iPad Apple Inc., Cupertino, CA, USA 9th generation "Tablet #2" in the manuscript
iPad Floor Stand Displays2go LLC, Fall River, MA, USA SKU: TABFLATBBK www.displays2go.com/P-29987/Universal-Tablet-Floor-Stand-Anti-Theft-Locking-Kit
Size Stream registration dashboard  Size Stream LLC, Cary, NC, USA https://measure.mobilefit.sizestream.com
Size Stream data download dashboard  Size Stream LLC, Cary, NC, USA https://data.mobilefit.sizestream.com
DOWNLOAD MATERIALS LIST

References

  1. Heymsfield, S. B., Lohman, T., Wang, Z. M., Going, S. Human body composition-2nd edition. Human Kinetics. , (2005).
  2. Lohman, T. G., Milliken, L. A. ACSM’s Body composition assessment. Human Kinetics. , (2020).
  3. Ross, R., et al. Waist circumference as a vital sign in clinical practice: a Consensus Statement from the IAS and ICCR Working Group on Visceral Obesity. Nat Rev Endocrinol. 16 (3), 177-189 (2020).
  4. Heymsfield, S. B., Gonzalez, M. C., Lu, J., Jia, G., Zheng, J. Skeletal muscle mass and quality: evolution of modern measurement concepts in the context of sarcopenia. Proc Nutr Soc. 74 (4), 355-366 (2015).
  5. Marin-Jimenez, N., et al. Criterion-related validity of field-based methods and equations for body composition estimation in adults: a systematic review. Curr Obes Rep. 11 (4), 336-349 (2022).
  6. Duarte, C. K., et al. Prediction equations to estimate muscle mass using anthropometric data: a systematic review. Nutr Rev. 81 (11), 1414-1440 (2023).
  7. Jagim, A. R., et al. Validation of skinfold equations and alternative methods for the determination of fat-free mass in young athletes. Front Sports Act Living. 5, 1240252 (2023).
  8. Minetto, M. A., et al. Digital anthropometry for body circumference measurements: European phenotypic variations throughout the decades. J Pers Med. 12 (6), 906 (2022).
  9. Ng, B. K., Hinton, B. J., Fan, B., Kanaya, A. M., Shepherd, J. A. Clinical anthropometrics and body composition from 3D whole-body surface scans. Eur J Clin Nutr. 70 (11), 1265-1270 (2016).
  10. Bourgeois, B., et al. Clinically applicable optical imaging technology for body size and shape analysis: comparison of systems differing in design. Eur J Clin Nutr. 71 (11), 1329-1335 (2017).
  11. Heymsfield, S. B., et al. Digital anthropometry: a critical review. Eur J Clin Nutr. 72 (5), 680-687 (2018).
  12. Tinsley, G. M., Moore, M. L., Benavides, M. L., Dellinger, J. R., Adamson, B. T. 3-Dimensional optical scanning for body composition assessment: A 4-component model comparison of four commercially available scanners. Clin Nutr. 39 (10), 3160-3167 (2020).
  13. Tinsley, G. M., Moore, M. L., Dellinger, J. R., Adamson, B. T., Benavides, M. L. Digital anthropometry via three-dimensional optical scanning: evaluation of four commercially available systems. Eur J Clin Nutr. 74 (7), 1054-1064 (2020).
  14. Smith, B., et al. Anthropometric evaluation of a 3D scanning mobile application. Obesity (Silver Spring). 30 (6), 1181-1188 (2022).
  15. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Validity and reliability of a mobile digital imaging analysis trained by a four-compartment model. J Hum Nutr Diet. 36 (3), 905-911 (2023).
  16. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Evaluation of automated anthropometrics produced by smartphone-based machine learning: a comparison with traditional anthropometric assessments. Br J Nutr. 130 (6), 1077-1087 (2023).
  17. Wong, M. C., et al. Accuracy and precision of 3-dimensional optical imaging for body composition by age, BMI, and ethnicity. Am J Clin Nutr. 118 (3), 657-671 (2023).
  18. Minetto, M. A., et al. Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players. Sci Rep. 13 (1), 20734 (2023).
  19. Cataldi, D., et al. Accuracy and precision of multiple body composition methods and associations with muscle strength in athletes of varying hydration: The Da Kine Study. Clin Nutr. 43 (1), 284-294 (2024).
  20. Graybeal, A. J., et al. Smartphone derived anthropometrics: Agreement between a commercially available smartphone application and its parent application intended for use at point-of-care. Clinical Nutrition ESPEN. 59, 107-112 (2024).
  21. . Politecnico di Torino Available from: https://www.polito.it/sites/default/files/2023-05/Research%20Integrity%20POLITO_EN.pdf (2024)
  22. Sobhiyeh, S., et al. Hole filling in 3D scans for digital anthropometric applications. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 2752-2757 (2019).
  23. Mifflin, M. D., et al. A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. 51 (2), 241-247 (1990).
  24. Krakauer, N. Y., Krakauer, J. C. A new body shape index predicts mortality hazard independently of body mass index. PLoS One. 7 (7), e39504 (2012).
  25. Katch, F. I., McArdle, W. D. Validity of body composition prediction equations for college men and women. Am J Clin Nutr. 28 (2), 105-109 (1975).
  26. Harty, P. S., et al. Novel body fat estimation using machine learning and 3-dimensional optical imaging. Eur J Clin Nutr. 74 (5), 842-845 (2020).
  27. MCCarthy, C., et al. Smartphone prediction of skeletal muscle mass: model development and validation in adults. Am J Clin Nutr. 117 (4), 794-801 (2023).
  28. Loper, M., Mahmood, N., Romero, J., Pons-Moll, G., Black, M. J. SMPL: A skinned multi-person linear model. ACM Trans Graph. 34, 248 (2015).
  29. Sobhiyeh, S., et al. Digital anthropometry for body circumference measurements: Toward the development of universal three-dimensional optical system analysis software. Obes Sci Pract. 7 (1), 35-44 (2020).
  30. Sobhiyeh, S., et al. Digital anthropometric volumes: Toward the development and validation of a universal software. Med Phys. 48 (7), 3654-3664 (2021).
  31. Dechenaud, M. E., Kennedy, S., Sobhiyeh, S., Shepherd, J., Heymsfield, S. B. Total body and regional surface area: Quantification with low-cost three-dimensional optical imaging systems. Am J Phys Anthropol. 175 (4), 865-875 (2021).
  32. Wong, M. C., et al. A pose-independent method for accurate and precise body composition from 3D optical scans. Obesity (Silver Spring). 29 (11), 1835-1847 (2021).
  33. Tian, I. Y., et al. A device-agnostic shape model for automated body composition estimates from 3D optical scans. Med Phys. 49 (10), 6395-6409 (2022).
  34. Tian, I. Y., et al. Automated body composition estimation from device-agnostic 3D optical scans in pediatric populations. Clin Nutr. 42 (9), 1619-1630 (2023).
  35. Wells, J. C. K. Three-dimensional optical scanning for clinical body shape assessment comes of age. Am J Clin Nutr. 110 (6), 1272-1274 (2019).
  36. Ng, B. K., et al. Detailed 3-dimensional body shape features predict body composition, blood metabolites, and functional strength: the Shape Up! studies. Am J Clin Nutr. 110 (6), 1316-1326 (2019).
  37. Wong, M. C., et al. Monitoring body composition change for intervention studies with advancing 3D optical imaging technology in comparison to dual-energy X-ray absorptiometry. Am J Clin Nutr. 117 (4), 802-813 (2023).
  38. Wong, M. C., et al. Children and adolescents’ anthropometrics body composition from 3-D optical surface scans. Obesity (Silver Spring). 27 (11), 1738-1749 (2019).
  39. Morse, S., et al. Machine learning prediction of combat basic training injury from 3D body shape images. PLoS One. 15 (6), e0235017 (2020).
  40. Harty, P. S., et al. Military body composition standards and physical performance: historical perspectives and future directions. J Strength Cond Res. 36 (12), 3551-3561 (2022).
  41. Keith, D. S., et al. Anthropometric predictors of conventional deadlift kinematics and kinetics: a preliminary study. Int J Exerc Sci. 16 (1), 429-447 (2023).
  42. Smith, M., et al. Body shape and performance on the US Army Combat Fitness Test: Insights from a 3D body image scanner. PLoS One. 18 (5), e0283566 (2023).
  43. Hart, N. H., Nimphius, S., Spiteri, T., Newton, R. U. Leg strength and lean mass symmetry influences kicking performance in Australian football. J Sports Sci Med. 13 (1), 157-165 (2014).
  44. Ardern, C. L., et al. Consensus statement on return to sport from the First World Congress in Sports Physical Therapy, Bern. Br J Sports Med. 50 (14), 853-864 (2016).
  45. Bennett, J. P., et al. Three-dimensional optical body shape and features improve prediction of metabolic disease risk in a diverse sample of adults. Obesity (Silver Spring). 30 (8), 1589-1598 (2022).
  46. Heymsfield, S. B., Shapses, S. A. Guidance on energy and macronutrients across the life span. N Engl J Med. 390 (14), 1299-1310 (2024).

Tags

3D Optical ImagingAnthropometricsBody CompositionClinical AssessmentDigital AnthropometryHumanoid AvatarPersonalized TrainingRehabilitation StrategyWeight Measurement

Play Video
PDF
DOI
DOWNLOAD MATERIALS LIST
Cite This Article
Minetto, M. A., Busso, C., Ferraris, A., Pietrobelli, A., Shepherd, J. A., McCarthy, C., Heymsfield, S. B. Clinical Anthropometrics and Body Composition from 3-Dimensional Optical Imaging. J. Vis. Exp. (208), e66698, doi:10.3791/66698 (2024).
Download Citation
Reprints and Permissions

View Video

✖

To prove you're not a robot, please enter the text in the image below

CAPTCHA Image
Play CAPTCHA Audio
Refresh Image