深度卷积神经网络测量体重指数的照片分析

医学信息学解锁26（2021）100727使用深度卷积神经网络从照片中A. Pantanowitza，E.Cohenb，c，d，P.新泽西州，埃克塞特Crowtherf，V.Aharonsona，B.罗斯曼g，D.M. 鲁宾a南非约翰内斯堡金山大学电气信息工程学院生物医学工程研究小组b法国斯特拉斯堡大学CNRS，UMR 7178 «Institut Pluridisciplinaire Hubert CURIEN »cMRC/Wits健康发展途径研究股，南非约翰内斯堡金山dCNRS，UMR 7206 «Eco-anthropologie »，Muséum NationaleCentre for Exercise Science and Sports Medicine，Faculty of Health Sciences，University of the Witwatersrand，Johannesburg，SouthAfricafDepartment of Chemical Pathology，National Health Laboratory Service and University of the Witwatersrand，Johannesburg，SouthAfricagSchool of Computer Science and Applied Mathematics，University of the Witwatersrand，Johannesburg，South AfricaA R T I C L E I N F O关键词：拟人体质指数计算机视觉深度卷积神经网络机器学习A B S T R A C T肥胖是一个重要的公共卫生问题，而体重指数是一个有用的，常见的和方便的措施。然而，身体质量指数需要获得准确的规模和测距仪的测量，并可以通过分析照片更方便。它可以应用于包含一个以上个人的照片，从而进行人口筛查。我们使用卷积神经网络从一项有161名参与者的研究中的照片中确定体重指数。数据中的参与者数量相对较少，这是医学中的一个常见问题，通过生成轮廓图像来减少照片中的信息来解决。我们成功地确定了身体质量指数对于预测值和实际值之间具有高度相关性的未知测试数据，相关性测量值大于0.93，平均绝对误差为1.20。1. 介绍肥胖导致发病率和死亡率增加[1]，因为它与许多疾病有关，如高血压、2糖尿病、冠状动脉疾病、血脂异常、各种癌症、哮喘和非酒精性脂肪性肝炎[2]。因此，肥胖是一个主要的公共卫生问题，在低收入和中等收入以及高收入国家的流行率都在增加[3]。因此，准确评估人群肥胖水平对于监测患病率和发病率以及评估人群干预措施至关重要。它还将允许将资金和所需的基础设施分配给肥胖和相关合并症水平高的地区。最常用的测量全身脂肪量的方法是体重指数（BMI）.这是一种方便的测量方法，使用体重和身高，以kg scinm2表示，肥胖定义为BMI≥ 30kg scinm2。当前获得该数据的方法需要适当校准的测量设备，并且当应用于大量参与者时可能是耗时的。有因此，需要用于测量BMI的替代的、快速的和准确的技术，其可以容易地应用于大规模人口调查。一个可能的替代办法是通过照片来评估体重和身高。这可能更方便（如[4]所示），允许个人使用基于手机的相机获取图像以进行进一步处理。因此，本研究的目的是使用机器从简单的摄影图像中生成BMI数据。学习2. 背景身体质量指数（BMI）是评估肥胖的最简单和最常用的方法之一，尽管存在一些缺点[5]。 其他拟人测量，如腰围，是疾病的另一个重要指标，在考虑心血管结局时具有临床重要性[6，7]。其他研究机构审查委员会于2018年7月11日获得威特沃特斯兰德大学人类研究伦理委员会（医学）的批准∗ 通讯作者。电子邮件地址：adam.pantanowitz@wits.ac.za（A. Pantanowitz），emmanuel.cohen@wits.ac.za（E.Cohen）。https://doi.org/10.1016/j.imu.2021.100727接收日期：2021年5月17日;接收日期：2021年9月3日;接受日期：2021年9月3日2021年9月15日网上发售2352-9148/© 2021由Elsevier Ltd.发布这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuA. Pantanowitz等人医学信息学解锁26（2021）1007272图1.一、 一组 任意的四张 匿名的全彩色照片， 来自161名 研究参与者。扫描仪和多点云图像的生成已被用于计算各种人体测量测量[16]。一项类似的研究使用Kinect系统来获取数据[17]。这些程序需要专门的成像技术，然而，有一项研究使用面部摄影作为代理，通过深度学习确定BMI [18]。最近已经从全身照片中获得了这些结果的改进[4]，但这种方法以身体轮廓生成和骨架标记的形式使用机器学习，而不是仅从源图像中学习3. 方法我们利用剪影图像来确定参与者的BMI，使用图像处理和机器学习（卷积神经网络）。深度学习通常需要大量的数据集才能有效地学习[19]。然而，在这项研究中，由于参与者的数量，数据受到限制。为了提高小数据集的有效性，从原始照片中生成轮廓图像。这大大减少了图像的信息和复杂性，允许二进制图像作为生成的基础在本节中，我们考虑了数据集和方法，以便从轮廓图像中生成BMI的估计值。 然后，我们考虑用于生成BMI估计值的机器学习方法。3.1. 参与者从161名（79名女性）喀麦隆和塞内加尔参与者那里收集了人体测量数据和全彩色图像。参与者被选择为育龄但未怀孕的人，并且基于不同的肉眼观察结果从两个等位基因组中选择。图二、 对手工生成的 图像集执行的预处理。表明颈围是另一种有用重要人体形态学测量[8尽管如此，BMI仍然是一个广泛而重要的临床指标，尽管存在缺点[12]，并且计算简单[13]。评估肥胖患病率的人口调查使用校准的体重秤和测距仪测量BMI，或者通过电话联系参与者并询问他们的体重和身高[14]。这些方法可能相对昂贵且耗时且易于出错，特别是后者。因此，需要测量BMI的替代方法，该方法使用准确和快速的技术，并且可以应用于大样本量。其中一种方法是从摄影图像中提取人体测量数据。在这方面，一项研究使用双能X射线吸收测定法（DEXA）全身扫描生成的人体轮廓，使用主动形状建模（ASM）技术计算全身脂肪量[15]。此外，使用3D全身表面的方法基于环境的表型和不同的基因型[20]。每个参与者都有几张全彩色正面照片。图1提供了研究中使用的源照片的样本。 虽然试图实现照片的一致性，但照明，颜色，位置和其他差异的变化是显而易见的。在这项研究中，只使用了单一的正面图像。3.2. 图像预处理和轮廓生成由于参与者数量较少，有必要通过尽可能标准化轮廓图像来进一步降低复杂性，作为机器学习的预处理步骤。这个过程简化了机器学习问题，因为需要学习的参数更少，从而使我们能够更有效地利用较小的数据集。通过手工标记图像（白色背景，参与者的黑色轮廓）手动生成161名参与者的轮廓图像。这些手工生成的图像是不均匀的，并且包含伪影（例如地面上的胶带标记;参与者阴影的变化;蓝色地板边界的边缘;以及A. Pantanowitz等人医学信息学解锁26（2021）1007273图3.第三章。 从161名 研究参与者中随机抽取四张剪影图像。四个随机选择的剪影图像显示为图中的例子。3 .第三章。由于人为因素，图像随后被裁剪（在脚本中），见图4。从s2中随机抽取四个预处理的、自动生成的轮廓图像（稍微放大，实际上是64× 64像素）。窗帘上的阴影）。尽管拍摄图像的条件是受控的，但由于衣服和皮肤之间的边界、背景的图案、 以及上述文物在各种光照条件下拍摄的照片之间也存在差异，具有不同的变焦和模糊度。在摄影过程中，参与者的服装、位置和灯光也会发生变化。此外，参与者在两个不同的受控环境中拍照。由于图像来自现有研究，因此无法在更均匀的条件下重复成像。关键是，由于参与者的数量有限，我们 不希望丢弃任何源数据。我们的方法最终允许提取可用的数据，尽管上述所有的可变性。为了实现这一点，因此，如下所述处理图像。该过程如图所示。二、请注意，图像不反映尺寸/细节，仅出于说明目的而显示（例如，伪影不能 观察）。所有参与者的图像，无论男女，都被组合在一起。图像以150 × 150的统一分辨率（该组中最低的常见分辨率）转换为PNG格式，并以20%的阈值来减少伪影。 用平均和单独的滤波器将图像转换为灰度。然后对灰色通道图像取反以使其反转（黑色背景，白色轮廓）。清除周围的空白空间。在此之后，图像被修改为1864英尺高的固定高度（图像中最低的公共高度），同时保持纵横比。最后，将得到的均匀灰度图像用黑色填充，以产生大小为2000 × 2000的最后，这些图像被减少到64 × 64，以生成所使用的集合，���随机选择的四个剪影图像的样本���如图所示。 四、3.3. 数据集的组成在许多机器学习应用中，离群值被删除[21]或替换[22]以产生更好的预测结果。在当前的研究中没有这样做，原因有三：首先，在这种情况下，离群值是有效的（事实上，人们可以争辩说，在临床上检测高或低BMI比落入统计学“正常”范围内的BMI更有价值出于这些原因，除了保持极端完整的标准化之外，数据没有被操纵或预处理以提高预测性能。本研究中使用的数据是为了生成身体量表而收集的，并且要求许多参与者的BMI在20到30之间。数据集中存在固有偏倚，因为BMI数据遵循反映一般人群BMI的偏态分布[23]。为了说明数据集中的偏差，图。图6显示了BMI数据的分布图，显示大多数参与者的BMI在正常范围内（18.8-25.0）。图5显示了完整数据集（全部160名参与者）的累积分布图。该图显示了一个尖锐的图五、 根据表 6 中 的六个 分类定义，突出显示BMI区域的累积分布图。A. Pantanowitz等人医学信息学解锁26（2021）1007274表1用于Gabor-RF特征生成的Gabor滤波器参数。参数值ksize [2，4，6，8]���[2，5，8]���[0，���������424���[0，���������424���[0.05，0.5]图六、 代表数 据 集中BMI分布的直方图。在数据较多的区域，梯度（上升较快）。因此，该图显示大多数参与者的BMI在20和30之间（约85%）。大约有20%的病例BMI> 30，而BMI20的病例不到10%3.4. 机器学习处理后的轮廓图像和地面实况BMI数据作为工作数据集导入，前者作为输入， 系统，后者是输出（目标）。深度学习通常需要大量的数据。近年来，图像数据已被用于生成卷积神经网络（CNN）分类算法（如[24，25]）。创建二进制轮廓图像大大减少了处理所需的信息进行优化以最大化测试集，同时保持验证集大小足以允许提前停止和充分测试。为了呈现结果，应用适当的启发式分割（具有随机种子），其中60%（96个参与者）的数据被分割用于训练，20%（32个参与者）用于验证，并且20%（33个参与者）用于测试。还测试了这种分离的多种变化。存在依赖于随机子集样本的结果方差。具有合理性能的最小训练大小（基于小于0.2的验证误差）被发现至少为大约50个用于训练的参与者图像（所绘制样本的参与者是代表性的），其余的构成验证集。BMI数据使用标准标度（BMI= 26.40，BMI= 5.75）进行标准化，根据经验观察，这表明性能优于稳健的标度器和常规标准化。3.5. 使用经典机器学习进行机器学习模型是用不同的特征选择算法构建的--Gabor滤波器（Gabor）和直方图（HOG）。然后，这两个特征集都用于训练和测试 随 机 森 林 （ RF ） [26] ， XGBoost （ XGB ） [27] 和 支 持 向 量 机（SVM）[28]回归器。这产生了被评估的六个模型的排列，即Gabor-RF、HOG-RF、Gabor-XGB、HOG-XBG、Gabor-SVM和HOG-SVM。该方法利用了更经典的机器学习，通过Gabor和HOG的特征提取生成一个对模型有用的特征向量。Gabor滤波器通常用于各种计算机视觉应用中的特征提取[29通过生成、检查和选择来选择用于特征生成的每个参数。我们使用了相当广泛的表2用于HOG-RF特征生成的HOG参数。参数值方向4每单元像素数（4，4）每个区块的单元格（1，1）变量的情况下的Gabor滤波器，以尝试生成最佳的功能作为一部分的集合。以下各节描述了每种方法的特征生成3.5.1. 用于特征生成的第一个考虑的模型包括Gabor滤波器（应用于 用于特征生成的原始图像通过在单个特征向量中生成训练集、验证集和测试集来实现Gabor滤波器，并为每个图像生成表1中3.5.2. 用于特征生成的梯度直方图用于HOG特征生成的参数在表2中给出。3.5.3. 优化由Gabor和HOG生成的相应特征向量用于训练和测试模型的六种排列中的每一种的不同回归量。优化过程通过一至五轮对超参数进行随机搜索对每个模型进行优化，得到每个模型的参数。在每次优化中，40次迭代运行2次交叉验证 为每个.在每一轮优化过程中，超参数搜索空间被缩小，以找到每个模型的最佳超参数。每个模型都使用验证数据集进行了优化，不要通过将一个模型暴露于比其他模型更多的数据来使第4节中的比较分析产生偏差。然后使用训练数据集训练模型，并使用看不见的测试数据进行测试3.5.4. 卷积神经网络在 Keras 中 实 现 了 一 个 二 维 卷 积 神 经 网 络 （ CNN ） ， 使 用TensorFlow对模型进行深度学习。我们使用修改后的MiniVGGNet，它是最初由[35]提出这是基于[36]中的VGGNet和MiniVGGNet在各种图像处理应用中取得了成功[37]，包括医疗[38通过验证性能的经验测量，对[36]中提出的架构进行了一些更改。这些变化是：• 将滤波器的数量从三个减少到两个，并将滤波器大小减少到（4，8）• 修改所述输出层以在所述单个输出节点之前包括附加的四节点线性层• 修改以通过将密集节点折叠为单个输出（从其进行回归）来执行回归任务。由于CNN的大多数应用都是使用softmax分类器的分类任务[41]，因此根据[36]的这种修改允许从这种架构回归。A. Pantanowitz等人医学信息学解锁26（2021）1007275见图7。 模型架构。表3在看不见的（测试）数据上预测BMI的各种模型之间的比较MetricGabor-RFHOG-RFGabor-XGBHOG-XGB支持向量机HOG-SVMCNN均方误差15.35 21.97 19.43 24.55 12.21 12.28 7.35最大误差13.65 15.73 11.85 13.39 11.77 10.35 9.15测定系数（μ2）0.66 0.52 0.57 0.46 0.73 0.73解释方差0.66 0.52 0.59 0.46 0.73 0.73 0.73Pearson系数该架构利用初始输入滤波器之后的两个该实现也不同于原始的VGGNet [35]，因为增加了[36]提倡的块Normalisation层。然后，该体 系 结 构 对 卷 进 行 加 密 ， 然 后 是 FC => DROPOUT => BN =>DROPOUT，然后是另一个FC => DROPOUT层。最后，该模型满足本实现中使用的自定义两阶段回归 CNN架构和模型结构导出如图所示。7 .第一次会议。该模型接受图像作为输入（大小为128 × 64）。最终架构的变化（如更改大小卷积窗口的数目、密集节点的数目和丢失率）。实现了足够的性能，因此模型结构搜索是非穷举的。该模型使用均方误差（MSE）损失函数。GridSearch允许为训练选择最佳的超参数，学习和衰减率会产生很大的差异 算法是否收敛最佳参数是亚当算法，学习率为0.01，衰减为1 ×10−5。使用源图像和0到1之间的标准化BMI3.5.5. 数据增强CNN使用生成的图像流（混合原始图像和增强图像）进行训练，并且在原始图像和增强图像之间的分割方面没有严格的比例。增强图像在训练过程中实时生成，生成图像的数量没有上限：当在足够的训练时期内均方误差验证损失最小化时，训练停止（在这种情况下，耐心标准设置为30个时期）。训练的批量大小为80，每epoch的步长为训练集长度的0.25倍，最多200 epoch。然而，由于基于数据性能的验证的提前停止，训练提前终止。使用盆地跳跃算法[42]优化数据增强参数，以最大限度地提高数据增强过程的有用性。跳池算法首先使用一系列参数，然后逐渐减少通过几轮测试。该算法称为优化适应度函数，以最小的验证损失为目标，改变旋转和宽度移位范围。适应度函数被反复调用新的值，CNN被训练，验证损失被测量和优化。这个过程导致低参数的旋转（2μ m）和宽度为0.02的平移（这些值恰好类似于原始图像集中的变化）以及水平图像反射。大于3°旋转的增强，或诸如高度变化的增强，会降低性能。即使在没有增广的情况下，模型也会收敛。然而，由于数据的缺乏，增强的实施导致可变的，但通常是边际的误差改善，这取决于数据分割。4. 结果我们实现并测试了经典的机器学习模型置换和CNN，以比较每个机器学习管道表示数据的能力。4.1. 比较模型表3中的结果表明，CNN是实施和测试的最佳模型。它在均方误差上的性能优于2倍以上，产生较低的最大误差，并且在拟合度量（如确定系数（CO_2））上的性能更好。���因此，研究的其余部分利用CNN模型进行分析。4.2. k倍交叉验证我们实现了K折交叉验证[43]，以便使用完整的数据集来测试模型，而不是保留的子集，在第4.3节中进行了讨论。结果显示了所用折叠的平均均方误差（MSE）。如表4所示，Gabor特征的平均性能略优于HOG特征，但结果相似。在测试的经典模型中，SVM表现最好，A. Pantanowitz等人医学信息学解锁26（2021）1007276表4各种考虑模型的K折交叉验证结果模型5交叉验证平均误差10折交叉验证平均误差哈博尔-RF 0.29 0.26HOG-RF 0.38 0.37哈博尔-XGB 19.78 10.27HOG-XGB 7.56 0.66Gabor-SVM 0.20 0.26HOG-SVM 0.29 0.32美国有线电视新闻网表5BMI预测性能在100个训练和测试周期中的结果，其中使用相 同的随机种子（30）进行分组。指标平均结果最佳结果验证损失0.124 0.0625Pearson平均绝对误差（MAE）1.66 1.20均方根误差（RMSE）2.16 1.52见图8。 未知数据的预测与实际BMI散点图。其中最好的经典机器学习模型是Gabor-SVM。XGB表现不佳，因为回归输出中的一到两个非常大的偏差会影响性能结果。CNN大大优于其他模型约一个数量级。因此，CNN方法比其他方法产生了显着的性能改进，因此CNN形成了进一步研究的基础。4.3. 详细的CNN结果该系统允许在测试值和预测测试值之间的100次运行中以平均高于0.928的Pearson相关系数预测BMI，并且对于许多训练/测试周期都高于此。足够低的验证性能（0.2及以下）是模型收敛的信号，并且随后得到稳健的预测结果。在某些运行中，我们实现了低于0.05的验证性能，特别是当分配更多训练数据时。 当然，这代表了验证和测试数据样本数量的折衷。表5列出了几个指标的汇总性能结果。图8表示模型的预测性能图9显示了实际与预测BMI数据的平均差图，显示平均差为-0.05（大多数测试运行中低于1），尽管1.96标准差带因运行而异。作为有效性测试，我们对三个随机选择的参与者的测试数据进行了任意旋转，并绘制了三个参与者旋转输入的预测模型输出。测试（看不见的）图像旋转的结果如图10所示，并且将实际参与者BMI指示为直线。估计的BMI与见图9。给定模型的结果和实际数据的平均差图。 身份线代表预测和实际BMI值之间的完美一致性，Deming回归由结果确定。图10个。 模型对 测 试 输 入 图 像 旋 转 5 次 的 预 测 输 出 。表6肥胖的分类[44]。类别BMI范围定义1BMI 18.5体重不足218.5≥BMI 25正常体重325≥ BMI 30超重430≥ BMI 35 I类肥胖535≥ BMI 40 II级肥胖6 40≥ BMI III级肥胖0℃和360℃下的实际数据良好（如预期）。除此之外，在合理BMI值的普通范围之外通常存在较差的输出，其中轮廓以某个角度出现。在180° C左右有一个区域，值正常化回到合理范围（因为这些可能被认为是更广泛的参与者）。 有趣的是，旋转显示随着图像旋转，预期BMI增加，这一发现与BMI似乎随着旋转而增加的直觉一致。所使用的六个范畴的定义就是这种范畴分析 如[44]所示，见表6。的混淆矩阵给定运行的试验数据列于表7中。 大多数值落在对角线上，有些溢出到相邻的类别中。然而，估计值很接近，我们看到这一点是因为六项分析使用了严格的数字界限。4.4. 男女分析CNN回归性能是通过对男性和女性参与者进行100次试验来考虑的。在每次试验中，训练和测试数据被随机分割，没有种子（以相同的比例，60%训练，20%验证，20%测试）。一个新的CNN正在训练A. Pantanowitz等人医学信息学解锁26（2021）1007277表7给定建模运行的预测测试数据的混淆矩阵5.1. 未来工作预测类别1 2 3 4 5 6照片被保存的参与者人数1 1 0 0 0 0 02 2 7 2 0 0 03 0 2 7 3 0 04 0 0 0 8 0 05 0 0 0 0 0 06 0 0 0 0 1 0表8按男性和女性参与者划分的CNN回归性能平均值为88次有效试验。女性参与者男性参与者参加人数Pearson解释方差0.77 0.68最大误差7.51 5.68均方误差10.33 7.44测定系数（ε2）0.73 0.61直到验证误差最小化，耐心为30。在100次试验中获得了多个度量的结果并取平均值由于实例数量相对较少，因此有必要对结果进行平均，因为试验中任一组的离群值都会对结果产生重大影响产生102个值的模型<0被视为无效并被排除，因为这些模型任意更差，并在训练过程中指示失败。 剩余88次有效运行，评价指标的平均值见表8。很明显，性能相对相似，但该模型���错误度量更高在女性中。我们假设这组结果可以用方差来解释，因为在完整的数据集中，女性的BMI方差为40.26，而男性为23.16。因此，误差可能会随着分布的扩大而增大，但预测能力也会随着模型更能代表所代表的BMI之间的更大方差而增大在图像中。5. 讨论我们提出了一种基于在某种标准化环境中拍摄的个人参与者图像的方法。我们预期，有可能将这些技术应用于大型群体一张照片中的人，以及那些被成像的人，在非理想和非标准设置中（例如来自手机的简单照片）。此外，如果参与者不在统一的紧密粘附的长筒袜服装中，这将混淆他们的解剖学元素，从而使BMI预测/推断成为更困难的问题。这个问题将需要使用更多的图像，以便尽可能地考虑服装的变化。参与者着装的控制性在这项研究中是一个简单的BMI检测使用照片的使能者。需要对此进行进一步研究，例如在更广泛的真实世界图像数据集上进行研究[4]。在输入数据中有足够的可变性，并利用面部信息，对于参与者（如[18]中的研究中所使用的），服装问题可能是可解决的，尽管可能不太准确。利用大数据集和现代图像处理，将这些原理扩展到一般公共卫生领域是可行的。在一张照片中观察多个参与者，快速测量人群肥胖程度的能力将构成公共卫生研究的宝贵工具其他人体测量指标，例如但不限于腰围，也可以从照片中推断出来，因为其中一些指标比BMI更能预测疾病[45]。可用性低，导致测试集有限。这与上述获取数据的挑战是一致的。因此，需要进行工作以获得更多的测试图像，或者以生成更多训练数据的方式利用数据，从而释放合法数据用于测试。 数据增强确实在一定程度上实现了这一点，在一定程度上改善了验证误差，从而提高了BMI预测性能。所进行的研究专门针对BMI。有很多机会将这项工作扩展到其他人体测量措施[16]，但这项概念验证工作表明，目前研究领域[15，16]对专用设备的要求可能不会是必要的。在更标准的条件下（更一致的照明;相同的背景），源数据图像将理想地被重新拍摄，同时减少伪影（例如地面上的胶带标记;确保有或没有阴影的一致性;蓝色地板边界的边缘;以及窗帘中的阴影）。由于所描述的可变性和问题，图像确实在图像处理中提出了一些挑战。校正这些将使得单个分割算法能够更容易地应用于识别每个参与者的轮廓存在与估计相关的一定程度的误差，这确实意味着可能发生表2中所示的BMI类别的错误分类。然而，有了更多的数据，系统就可以变得更加健壮变化，我们可以预期误差会减小。在未来的工作中，可以对系统误差等特征明确的误差进行调整。6. 结论快速测量大规模人群肥胖程度的能力将成为公共卫生研究的一个有价值的工具，在公共卫生筛查中。我们已经成功地实现了一个系统，从参与者的摄影图像的小数据集预测BMI。我们通过从照片中创建轮廓来降低图像的复杂性，这使我们能够使用CNN从相对较小的数据集进行深度学习来获得BMI的准确预测。 这一方法可能导致一种公共卫生筛查工具，以协助支持/衡量地方性肥胖或营养不良地区的卫生举措。使用在我们的过程中的轮廓提供了匿名的额外好处人们越来越关注利用替代信息源来方便、快速和廉价地评估人体测量变量。我们已经展示了使用照片来使用机器学习确定BMI，并相信这种方法可以很容易地应用于其他身体测量。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作确认作者要感谢Amazon Web Services提供的AWS计算信用，这部分支持了这项研究。A. Pantanowitz等人医学信息学解锁26（2021）1007278引用[1]Di Angelantonio E， ShN B ， Wormser D ， Gao P， Kaptoge S， Berrington deGonzalez A ， Cairns B ， Huxley R ， Joshy G ， Lewington S ， et al. Global BMImortality collaboration body-mass index and all-cause mortality ： individual-participant-data meta-analysis of 239 prospective studies in four continents.Lancet 2016;388（10046）：776-https://doi.org/10.1016/[2]放大图片作者：James W.偏执狂Lancet 2005;366（9492）：1197-[3]非传染性疾病风险因素协作和其他。 趋势 成人 体重 1975年至2014年 200个国家的索引：对1698个国家的汇总分析以人口为基础的测量研究，有1902万参与者。 柳叶刀2016;387（10026）：1377-https://doi.org/10.1016/S0140-[4]蒋明，郭国.从人体图像进行体重分析。 IEEE Trans Inf Forensics Secur 2019;14（10）：2676https://doi.org/[5]Adab P，Pallan M，Whincup PH. BMI是肥胖的最佳衡量标准吗？ 2018年，[在线]可用：https://doi.org/10.1136/bmj.k1274。[6]Freiberg MS，Pencina MJ，D'agostino RB，Lanier K，Wilson PW，Vasan RS. 用体 重 指 数 与 腰 围 鉴 别 血 管 风 险 。 Obesity2008;16 （ 2 ） ：463https://doi.org/10.1038/oby.2007.75[7]Walls HL，Stevenson CE，Mannan HR，Abdullah A，Reid CM，McNeilJJ，Peeters A. 比 较 BMI 和 腰 围 的 趋 势 。 Obesity 2011;19 （ 1 ） ：216https://doi.org/10.1038/oby.2010.149[8]张文辉，张文辉.颈围和腰围在重度肥胖患者中的临床应用比较Endocrine Res2017;42（1）：6-14，[Online]Available：https：//doi.org/10.3109/07435800.2016.1155598。[9]Joshipura K，Muñoz Torres F，VergaraJ， Palacios C，Pérez CM.颈围可能是标 准 人 体 测 量 的 更 好 替 代 方 法 JDiabetes Res 2016;2016. [ 在 线 ] 网 址 ：https://doi.org/10.1155/2016/6058916。[10] Hingorjo MR，Qureshi MA，Mehdi A.颈围作为肥胖的有用标志：与体重指数和腰围的比较。 JPMA-JPak Med Assumption2012;62（1）：36.[11] Vallianou NG ， Evangelopoulos AA ， Bountziouka V ， Vogiatzakis ED ， BonouMS，BarbetseasJ， Avgerinos PC，Panagiotakos DB.颈围与甘油三酯相关，与HDL胆固醇呈负相关，BMI和腰围除外。Diabetes/Metabolism Res Rev 2013;29（1）：90https://doi.org/10.1002/dmrr.2369[12] Daniels SR. BMI 在 临 床 环 境 中 的 应 用 。 儿 科 2009;124 （ 补 充 1 ） ：S35https://doi.org/10.1542/peds.2008-[13] 布莱克本，小雅各布斯D.评论：身体质量指数（BMI）的起源和演变：持续的传奇。IntJEpidemiol2014;43（3）：665https://doi.org/10.1093/ije/dyu061[14] Brettschneider A-K，Schienkiewitz A，Schmidt S，Ellert U，Kurth B-M.德国4-10岁儿童超重和肥胖的最新患病率基于电话的KiGGS波1在校正父母报告中的偏倚后的结果。EurJPediatrics2017;176（4）：547https://doi.org/10.1007/s00431-017-2861-8[15] Xie B，Avila JI，Ng BK，Fan B，Loo V，Gilsanz V，Hangartner T，KalkwarfHJ，Lappe J，Oberfield S，et al. Accurate body composition measures fromwhole-body silhouettes. Med Phys 2015;42 （ 8 ） ： 4668-77 ， [Online]Available：https：//doi. org/10.1118/1.4926557。[16] Heymsfield SB，Bourgeois B，Ng BK，Sommer MJ，Li X，Shepherd JA.数字人 体 测 量 学 ： 一 个 批 判 性 的 评 论 。 EurJ Clin Nutri 2018;72 （ 5 ） ：680https://doi.org/10.1038/s41430-018-0145-7[17] [10] Nahavandi D，Jubbakr A，Haggag H，Hossny M，Nahavandi S，FilippendiD.使用深度神经网络评估身体质量指数的无障碍kinect系统。2017年IEEE国际系统工程研讨会IEEE;2017年，第1-6页https://doi.org/10.1109/TIFS.2019.2904840[18] 2005年10月27日，李文辉. Face-to-BMI：使用计算机视觉在社交媒体上推断体重指数。在：第十一届国际AAAI网络和社交媒体会议;2017年。[19] 放大图片作者：J.通过通用数据增强来改进深度学习。2018年IEEE计算智能研讨会系列。IEEE; 2018年，第1542https://doi.org/10.1109/SSCI.2018.8628742[20] Cohen E ， Bernard JY， Ponty A， Ndao A， Amougou N， Saïd-Mohamed R，Pasquet P.用于评估非洲人群体重感知的体型量表的开发和验证。PLoS One2015;10（11）：e0138983，[在线]可从https://doi.org/10.1371/journal.pone.0138983获得。[21] Li W，Mo W，Zhang X，SquiersJJ， Lu Y，Sellke EW，Fan W，DiMaio JM，Thatcher JE.离群值检测和去除提高了多光谱烧伤诊断成像的机器学习方法的准 确 性 。 J Biomed Opt 2015;20 （ 12 ） ： 121305 ， [ 在 线 ] 可 访 问 ：https://doi.org/10.1117/1.JBO.20.12。一二一三○五。[22] Maniruzzaman M，Rahman MJ，Al-MehediHasan M，Suri HS，Abedin MM，El-Baz A，Suri JS.使用机器学习进行准确的糖尿病风险分层：缺失值和离群值的作用。JMed Syst 2018;42（5）：1https://doi.org/10.1007/s10916-018-0940-7[23] 张伟，王伟，王伟.双胞胎体重指数（BMI）偏态相关性的微分模型。PLoS One2018;13（3）：e0194968，[在线]可访问：https://doi.org/10.1371/journal.pone.0194968。[24] 黄文辉，李宏，李伟.使用深度卷积神经网络的迁移学习进行数字乳腺摄影肿瘤分类 。医 学 影 像 学 杂 志 2016;3 （ 3 ） ： 034501 ， [ 在 线 ] 可 访 问 ：https://doi.org/10.1117/1.JMI.3.3。034501。[25] 杨伟，李晓，李晓，陈晓. 用于成像逆问题的深度卷积神经网络。IEEE TransImage Process 2017;26（9）：4509https://doi.org/10.1109/TIP.2017.2713099[26] 布雷曼湖随机森林MachLearn2001;45（1）：5https://doi.org/10.1023/A:1010933404324[27] 陈T，Guestrin C. Xgboost：一个可扩展的树提升系统。在：第22届Acm Sigkdd知识发现和数据挖掘国际会议论文集; 2016年。第785- 794页。[在线]网址：https://doi.org/10.1145/2939672。2939785[28] Cortes C ， Vapnik V. 支 持 向 量 网 络 。 Mach Learn 1995;20 （ 3 ） ：273https://doi.org/10.1007/BF00994018[29] Shariaty F，Mousavi M. CAD系统在自动检测中的应用肺结节