JP2022516586A - ボディの分析 - Google Patents

Abstract

一態様において、デバイス１２を使用してボディ１４を分析するためのシステム１０が開示される。１つの構成及び実施形態では、デバイス１２は、コントローラ１８と、コントローラ１８を制御するための電子プログラム命令を記憶する記憶装置２０と、入力手段とを含む。一形態では、コントローラは、電子プログラム命令の制御下で、ボディ１４の少なくとも１つの表現を含む入力を、前記入力手段を介して受信し、入力に対して、データベース４０の使用を含む処理を行い、ボディ１４を分析し且つ分析に基づく出力を生成し、ディスプレイ２２を介して出力を通信するように、操作可能である。実施形態では、出力は、ヒトの画像を含む表現からの、個人の３次元（３Ｄ）のボディ形状及び関連するボディ計測値、組成、並びに健康リスク及びウェルネスリスクの推定を含む。【選択図】図１２

Description

本発明は、広く、ボディの分析に関する。

本発明は、ヒトのボディ（人体）を分析して、個人の３次元（３Ｄ）ボディ形状及びそれに関連するボディ組成並びに健康リスク及びウェルネスリスクの推定を提供することに特に言及して記載される。しかし、本発明は、この特定の使用分野に限定されず、他のもののボディに関して、追加及び／又は代替の目的のために分析を行うために使用することができることが理解される。

本明細書全体に亘る背景技術の議論は、係る背景技術が先行技術であるとみなされず、また、係る背景技術が広く知られている、又はオーストラリア若しくは世界の当該分野における技術常識の一部を構成しているとみなされるものではない。

本明細書で引用される特許又は特許出願を含む文献はいずれも、参照により本明細書に援用される。いかなる参照も、先行技術を構成するとは認められない。文献の議論は、それらの著者が主張することを述べており、出願人は、引用文献の正確性と適切性に異議を唱える権利を留保する。本明細書では多くの先行技術文献が参照されているが、この参照は、これらの文献のいずれも、オーストラリア又は他国における技術常識の一部を構成することを認めるものではないことが明確に理解される。

前糖尿病、慢性的な健康障害、若年死亡率、及び筋骨格障害の管理、治療、及びモニタリングは、世界的なヘルスケアの懸念を増大させており、世界中の政府に年間数兆ドルの費用が掛かっている。世界経済フォーラム（非特許文献１）が発表した最近の研究により、慢性疾患の管理だけでも、２０年以内に４６兆ドルを超えると推定された。

心血管疾患及びＩＩ型糖尿病などの非伝染性疾患（慢性疾患）が世界的なヘルスケアの懸念を高めていることが分かっている（非特許文献２及び非特許文献３）。肥満の測定特性である体脂肪蓄積は、世界保健機関（ＷＨＯ）によって、世界中の慢性疾患及びその関連死を減らすための主たる目標値として特定されている。個人のボディ形状／組成の測定を通じて直接的又は間接的に評価できる肥満は、慢性疾患の発症に関連しているという開示により、特に、研究者、保険会社、及び医療専門家が、慢性疾患のリスクを推定するのに、どの計測値を信頼するか、関連があるとするかを理解することが重要である。このことは重要であるので、より信頼性が高く、感度が高い、具体的なリスクの見積もりを作成でき、１）集団モニタリングと早期に個別化された介入による世界的な医療費の削減、及び２）保険基準の改善に対応する保険会社及び再保険会社によって支払われる請求額の削減をもたらす可能性がある。

１９８０年以来、心血管疾患と糖尿病の発症率が、世界中で上昇している（非特許文献４及び非特許文献５）。人類の歴史におけるこの比較的短い期間で、世界の糖尿病率は、驚くべきことに、１億８００万症例から４億２２００万症例に増加した。前糖尿病として分類される人数も劇的に増加しており、世界中で４億７０００万を超える人々が、２０３０年までに前糖尿病と診断されると予想されている（非特許文献６）。最近の統計では、膝関節と股関節の変形性関節症が、世界人口の高齢化に伴って、世界の医療費に甚大且つより大きな影響を及ぼしていることも示されている（非特許文献７）。現在の世界人口の中の高齢者数の増加に伴って、転倒リスクと、ヒトの老化プロセスによる過度の除脂肪筋量（ｌｅａｎ ｍｕｓｃｌｅ ｍａｓｓ）の喪失であるサルコペニアとに関連する医療費が急速に増加している。米国（ＵＳ）では、サルコペニアの有病率は、長期療養施設内の高齢者集団間で１４％～３３％であると推定された。米国におけるサルコペニアに関連する医療費は、２０００年に年間４２１億ドルと推定されている（非特許文献８）。

前糖尿病、慢性的な健康障害、死亡率（非特許文献１）、筋骨格障害、サルコペニア、及び転倒リスクに寄与するが修正可能な危険因子は、個人のボディ組成（即ち、除脂肪筋量、総脂肪量、中心部脂肪量（ｃｅｎｔｒａｌ ａｄｉｐｏｓｉｔｙ））である。

これらの憂慮すべき世界的傾向に対して、世界中の医療システムと政府機関は、そのような集団のボディ組成のモニタリングに、多くの時間と資金を投資し続けており、そうした集団のボディ組成（即ち、除脂肪体重、肥満、及び骨密度）に特別な関心を寄せている。また、政府及び関連医療専門家は、どの計測値が、前糖尿病、慢性疾患、死亡率、及び筋骨格障害の予測に関連しているかを理解することが重要である。このことは重要であるので、信頼性が高く、感度が高い、特定の相対的及び予測的な健康リスクの判定法と判定式を開発することができる。

慢性疾患と死亡率を予測するための主要なボディ組成測定は、中心部又は腹部の脂肪量の測定を中心としたものである（非特許文献９及び非特許文献１０）。中心部脂肪量の測定は、アンドロイド脂肪、ガイノイド脂肪、内臓脂肪、胴囲、及び腹囲対ヒップ比を含む。利用可能な多くの中心部脂肪量計測値のうち、内臓脂肪は、心臓病及び糖尿病などの慢性的な健康障害を発症する個人のリスクを予測するための重要なボディ組成変数として注目され始めている（非特許文献１１、非特許文献１２、及び非特許文献１３）。

正常で健康な集団と比較した場合、前糖尿病及び糖尿病の集団の間で、個人の合計及び中心部脂肪量の計測値が上昇していることを示す多くの研究がある。個人のボディ組成と前糖尿病及び糖尿病との間の関係により、相対的リスク又は予測式を開発して、ボディ組成及び参加者の関連する特徴、人体計測、及び疫学（即ち、前糖尿病及び糖尿病の状態）の情報から、個人の前糖尿病及び糖尿病リスクを推定することがある。前糖尿病又は糖尿病をスクリーニング又は診断するための現行の慣例法は、侵襲的で、痛みを伴い、時間と費用のかかる血液検査（即ち、空腹時血漿グルコース、ＨｂＡ１ｃ）であり、低コストで非侵襲的で正確な方法が、市場からの要請となっている。

例としてサルコペニアの効果的なモニタリングとスクリーニングのために、除脂肪ボディ組成測定、特に除脂肪筋量及び体肢除脂肪筋量が重要である（非特許文献１４）。除脂肪筋量、特に下肢の筋量も、高齢者の転倒リスクのスクリーニング及びモニタリングに重要である。転倒に関連した股関節又は骨盤骨折を起こす７０歳を超える集団では１年死亡率が９０％に増加することが開示されているので、この集団のスクリーニング及びモニタリングのための費用効果が高く正確な方法を有していることが重要である。

除脂肪筋量及び脂肪量などのボディ組成測定が、前糖尿病、慢性的な健康状態、死亡率、筋骨格障害の管理に特に重要である理由は、それらが変わり得る要因であるためである。個人が関連するボディ組成変数を簡単且つ手頃に測定できれば、健康リスク及びウェルネスリスクを改善できるボディ組成変数の変化に注視することができる。これにより、前糖尿病症の診断、慢性疾患、若年死亡率、筋骨格系疾患、及び転倒に関連するリスクが低減し、健康状態が改善され、健康関連の支出を低減することができる。しかし、これを効果的に行うには、理論上の理想に近似するボディ組成測定ツールが必要である。

一般の人々にとって、理想的なボディ組成測定ツールは、理論的には、まず、正しい変数、即ち、個人の一般的な健康と全体的なウェルビーイングに関連する変数を測定できることが必要である。

第２に、ボディ組成変数の測定は、手頃で、アクセスし易く、正確である必要がある。

理想的なボディ組成測定モデルの図を、図面の図１に示す。これは、現在市場にある先行技術の現状をよりよく理解し、本発明の実施形態が現在の市場ギャップをどのように埋めようとしているのかを理解するために、先行技術の文脈で使用される。

ボディ組成測定を推定できる効率的で手頃な使い易いツールがなければ、政府機関や医療提供者には、人々の生涯に亘って、慢性的な健康障害及び筋骨格障害の効果的なモニタリング及び／又は治療並びに個人の若年死亡のリスクに関する不完全な健康情報が与えられてしまう。これは、心臓病、前糖尿病、糖尿病、関節変形性関節症、サルコペニアなどの慢性的な健康障害及び筋骨格障害を予防、管理、及び治療し、若年死亡を予測する医療システムの能力にとって大きな障壁となる。

中心部脂肪量及び全身脂肪量並びに除脂肪筋量などのボディ組成変数の信頼性のあるインビボ測定のための確立された基準測定は、医用画像技術である（非特許文献１５）。これらの測定方法としては、限定されるものではないが、陽電子放出断層撮影（ＰＥＴ）、コンピューター断層撮影（ＣＴ）、二重エネルギー吸収測定法（ＤＸＡ）、及び磁気共鳴（ＭＲ）が挙げられる。１９９０年以来、大規模なサンプル集団の中心部脂肪の測定は、主に費用と時間のかかるＣＴ（非特許文献１６及び非特許文献１７）と、程度は低いがＭＲ（非特許文献１８）に限られている。近年の技術進歩の後、より低コストのＤＸＡシステムが全身及び中心部脂肪量の測定のために検証されている（非特許文献１９）。この近年の進歩により、医用画像処理に関連する費用と時間の浪費は軽減されているが、なくなってはいない。信頼性は高いものの、医用画像技術は費用がかかり、アクセスするのに病院の紹介状を必要とし、患者を有害な電離放射線に曝露させる可能性がある。図１に示すように、理想的なボディ組成測定ツールを参照すると、医用画像技術は、正確（１０２）ではあるが、手頃（１０３）ではなく、アクセスし易い（１０１）ものでもない。

ボディマス指数（ＢＭＩ）、腹囲周囲長（ＷＣ）、腹囲対ヒップ周囲比（ＷＨＲ）、ボディインピーダンス分析（ＢＩＡ）などの間接的なボディ組成推定方法は、費用対効果が高く、アクセスし易い方法であるが、高レベルの測定誤差を伴う。その理由は、間接的な推定方法はいずれも、ボディ組織の密度、分布、及び水分濃度に関連する複数の仮定を行うためである（非特許文献１４）。これらの仮定により、これらの方法は、肥満、高齢者、及び病理学的集団の間で特に誤ったものとなり、皮肉なことに、これらの集団は、大部分の機関が特定し、治療しようとしている集団コホートである。これらの要因が組み合わさって、慢性的な健康障害及び筋骨格障害の管理のための効果的な測定ツールとしての間接的なボディ組成法に著しい制約を与える。理想的なボディ組成測定ツールの文脈では、間接的なボディ組成推定方法は、手頃で（１０３）アクセスし易い（１０１）が、正確（１０２）ではない。

ＢＭＩが個人のボディ組成を正確に表しておらず、個人の慢性的な健康状態（非特許文献２０）及び死亡（非特許文献８）のリスクの評価のためには比較的不十分な測定値であることが十分に認識されているものの、ＢＭＩは依然として集団ベースの調査研究及び保険セクタにおける一般的な測定ツールである。また、自己申告による身長と体重の計測値がＢＭＩ計算に使用されることも一般的であり、これは、元々不正確な計測値に更に測定の不確かさを与えている。自己申告による身長と体重を個人のＢＭＩの計算に使用すると、誤分類が男性で２２．４％、女性で１８．０％の確率で生じる（非特許文献２１）。主たる計測値としてＢＭＩに依然として依存している集団調査員や保険会社にとって、正確で、アクセスし易く、手頃な測定ツールから個人の自己申告による身長と体重を推定及び検証する自動化された正確な方法は、集団ベースの研究及び保険セクタに大きな価値をもたらす。

２０００年以来、研究者らは、高精度の３Ｄ表面スキャナから得られた測定情報を組み込むことにより、測定の手頃さと、アクセスし易さと、正確さとを結び付けようと試みている。このアプローチの興味深い点は、３Ｄ人体を、ユーザによって手動で複数領域（即ち、上半身／胴体／下半身、腕、脚など）に誘導されるソフトウェアと一連の線形計測値、円周、表面、又はボリュームとを用いて、セグメント化できることである。ここから、様々なボリューム、表面積、円周、線形計測値、及び測定比を計算することができる。

線形回帰法を用いて、３Ｄ表面スキャナ計測値と測定比とを、参加者の特性情報（身長、体重、性別、年齢）と組み合わせて、インビボ医用画像技術から計算したボディ組成変数を推定する。これらの手法を使用する多くの回帰式が文献に公開されている。最も注目すべき式のうちの２つは、Ｌｅｅら（非特許文献２２）とＮｇら（非特許文献２３）によって公開された式であり、総体脂肪（Ｒ^２＝０．９５）と腹部脂肪（Ｒ^２＝０．７９－０．９４）を高精度で予測している。個人の健康リスクを分類するための重要な変数である内臓脂肪の推定値は、中程度の精度で得られている（Ｒ^２＝０．７２－０．７５）（非特許文献２１及び非特許文献２２）。

回帰を伴う３Ｄ表面スキャナの使用は、以下の５点の注目すべき制約を伴う。１）個人の３Ｄボディモデルを得るために、特殊な試験環境で、幾分高価で高精度の３Ｄボディ表面スキャナが必要である。２）これらの方法は、スキャンされた３Ｄデータを手動で処理する必要があり、その用途は、一般ユーザ又は訓練されていないユーザにとって制約となる。３）回帰ベースの計算モデルの適用は、大部分の場合、それが開発された同種の試験母集団に限定される。これは、一般に、統計学的検出力とモデル仕様が低いためである（即ち、過大／過小適合）（非特許文献２４）。４）個人のボディボリュームのセグメント化は、個人の解剖学的構造（即ち、関節の中心と解剖学的ランドマーク）によってガイドされない。それに代えて、単純な形状とボリュームが、個人の３Ｄボリュームデータに適合又は位置合わせされる。５）これらの３Ｄボリューム測定及び回帰ベースの方法は、依然として、予測された内臓脂肪から、医療で求められるレベルの精度（Ｒ^２＞０．９０）で、重大な健康リスク変数を予測することはできない。これらの制限を併せて考慮し、理想的なボディ組成測定ツールを参照すると、回帰による３Ｄスキャン方法は、限られたサイズの母集団に対して正確（１０２）であるが、全てのボディ組成変数に関して良好という訳ではなく、比較的手頃（１０３）であり、比較的アクセスし易い（１０１）。最も重要なことは、報告される最良の精度（例えば、内臓脂肪）は、交差検定タイプの分析に基づく方法、又は実際の適合データ又は訓練されたデータに基づいて精度が報告されるので、目に見えないデータ項目の精度が、報告されたものよりも低い方法の場合である。これは現在の技術による意図的なものではなく、より大きなデータサイズがないためである。理想的には、集団又はその一部の正確な分析とモデリングに、より大きなデータサイズが必要である。

特許文献１は、比較的手頃な３Ｄスキャナを設計することによって、手頃さ（１０３）とアクセスし易さ（１０１）の問題に対処しようとしているが、実際の３Ｄスキャンの精度は、人体のような回転し、変形可能な通気性のある形状のステッチの場合に、影響を受けることがあり、ボディ組成の推定は、公衆に利用可能な線形回帰式と組み合わせた正確なグローバルボリューム測定に限定され、例えば、Ｆａｒａｈｂａｋｈｓｈｉａｎらは、１世紀以上前に開発されたボディ組成を推定するためのＳｉｒｉ又はＢｒｏｚａｋの式のいずれかの使用について議論している。更に、計算されたボリュームは、解剖学的又は物理的に有効な骨関節による制約がないので、物理的には意味がない。

Ｓｅｌｅｃｔ Ｒｅｓｅａｒｃｈ Ｌｉｍｉｔｅｄは、複数の予め較正されたカメラを使用してヒトの視覚的なハル（ｈｕｌｌ）を作成する実験室ベースのシステムを開発し、特許文献２及び特許文献３に開示した。次いで、ハルを、専門家によって用手清浄し、アノテート後、ソフトウェアプログラムで処理し、様々なボリュームの層に分割する。彼らのアプローチは、線形回帰法と３Ｄボリューム測定及び参加者の特性情報を組み合わせて、個人のインビボのボディ組成を推定し、ボディの一部のボリュームの比率に着目して健康リスクを推定する。このアプローチは、同一分野の多くの科学者によって広く一般的に使用され、公開された。前記特許におけるＳｅｌｅｃｔ Ｒｅｓｅａｒｃｈ Ｌｉｍｉｔｅｄがもたらした主な貢献は、ボディボリュームインデックススキャナの名称のスキャニングシステムであった。数値積分における誤差と同様に、これらのボディボリューム又は幾何学的形状が正確ではなく、人体の微妙な個別のニュアンスに適合することができず、調査対象の解剖学的又は物理的に有効な骨又は関節による制約がなかったので、物理的に意味がなかった。

線形回帰と、前記Ｓｅｌｅｃｔ Ｒｅｓｅａｒｃｈ Ｌｉｍｉｔｅｄによるものを含む３Ｄスキャナ法の使用の制限として、以下の２点がある。ｉ）３Ｄスキャナを使用する必要があるため、これらの方法は、手頃さ及びアクセスし易さは、それ程高くならない、及びｉｉ）線形回帰ベースの式をボディボリュームと組み合わせて使用するので、異種の母集団に適用した場合の精度が制限される。更に、線形回帰では、世界中の人体の無限の形状と組成バリエーションをモデル化する自由度が制限される。更に、ボディ組成に関する既存の回帰ベースの発明はいずれも、解剖学的情報を補強せず、解剖学的に有効なボディセグメント又はそれらの技術における形状特性を含む実際のヒトの形状バリエーションも補強しない。これらの事項はいずれも、本明細書に開示される本発明の実施形態で考慮される。

したがって、従来技術に必要とされる限られた精度と複雑な設定を考慮すると、個人、保険会社、政府機関、医療提供者などにとって、依然、慢性的な健康状態、筋骨格障害、更には若年死亡率にポジティブな影響を及ぼす効果的なモニタリング及び／又は治療のための手頃で理想的なボディ組成モニタリングツールがないのが現状である。

本発明は、こうした背景に対して開発されたものである。

本発明の目的は、先行技術の不利な点の少なくとも１つ以上を克服又は改善すること、有用な代替を提供すること、又は消費者、政府機関、及び医療提供者に、情報に基づく又は商業的な選択を提供することにある。

本発明の他の目的及び利点は、例証及び実例として本発明の好ましい実施形態が開示される添付図面に関連する以下の記載から明らかとなる。

本発明の第１の広い態様によれば、ボディを分析するためのデバイスであって、
コントローラと、
前記コントローラを操作するための電子プログラム命令を記憶する記憶装置と、
入力手段と
を含み、
前記コントローラが、
前記ボディの少なくとも１つの表現（ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）を含む入力を、前記入力手段を介して受信し、
前記入力に対して、データベースの使用を含む処理を行い、前記ボディを分析し且つ前記分析に基づく出力を生成し、及び
前記出力を通信するように、
前記電子プログラムの命令によって操作可能であり且つガイドされるデバイスが提供される。

表現は、任意のタイプの数字及び／又は文字及び／又はデータ及び／又は画像の形式であることができる。

データベースの使用は、データベースへのアクセス及び／又はデータベースへの問合せを含み得る。

任意に、システムは、ユーザインターフェースを表示するためのディスプレイを含むことができ、前記コントローラは、電子プログラム命令の制御下で、前記ディスプレイを介して前記出力を表示することによって、前記出力を通信するように操作可能である。このように、文字、画像、メッシュ（ｍｅｓｈｅｓ）、３Ｄ、ビデオ、アイコン、仮想現実、及びグラフのうちの少なくとも１つを介して視覚化することができる。

任意に、デバイスが、システムの実施態様であることができる。

任意に、入力は、ボディの詳細を含む。詳細は、ボディのデータ及び／又は情報、ボディに関連する及び／又はボディに関するデータ及び／又は情報を含むことができる。データ及び／又は情報は、１以上のソースから、それを取得、受信、抽出、及び同定することのうちの１以上によって得ることができる。

任意に、ボディは人体又はその１以上の部分である。このような場合には、人体が個人のものである場合、出力は、個人の３Ｄボディ形状の推定値と、それに関連する人体計測、ボディ組成、並びに健康リスク及びウェルネスリスクの少なくとも１つを含むことができる。出力は、個人の推定値、即ち、形状、身体的、生態学的特性、及び／又は少なくとも１つの３次元（３Ｄ）形状とそれに関連する人体計測、ボディ組成、健康リスク及びウェルネスリスクを含むことができる。

任意に、ボディは、生物のボディ又はその１以上の部分である。

任意に、ボディは、無生物のボディ又はその１以上の部分である。

任意に、ボディは、人体である。

入力手段は、センサシステム又はセンサのセットの一部であり得る少なくとも１つのセンサを含むことができる。

任意に、表現は、ボディの視覚的、非視覚的、及び／又は非可視的な表現を含み、ボディの画像を含むことができる。係る実施形態では、少なくとも１つのセンサは、ボディの視覚的、非視覚的、及び／又は非可視的な表現を捕捉するように操作可能な画像化手段を含むことができる。画像化手段は、デジタルカメラであることができる。非視覚的な表現とは、例えば、ボディの行列又はベクトルの浮動小数点数などの視覚化できないデータを意味し得る。

センサのセット内の個々のセンサは、運動センサ、ジャイロスコープセンサ、重力センサ、赤外線センサ、深さセンサ、三次元イメージングセンサ、慣性センサ、及びマイクロエレクトロメカニカル（ＭＥＭＳ）センサ、画像化手段、加速度センサ、姿勢センサ、方位センサ、位置センサ、及び光源センサを含むことができる。

任意に、表現は、ボディの１以上の視覚的、非視覚的、及び／又は非可視的な表現を含む。係る実施形態では、１以上のセンサ（提供される場合）は、ボディの１以上の視覚的、非視覚的、及び／又は非可視的な表現を捕捉するように操作可能である１以上の画像化手段を含むことができる。更に、１以上のセンサは、平面への位置合わせを促進して精度を高めるために、ボディの１以上の視覚的、非視覚的、及び／又は非可視的な表現の捕捉中に使用するための姿勢データを提供するように操作可能である姿勢センサを含むことができる。

任意に、ボディは、カテゴリ及び／又はグループ及び／又はクラスに属する。

係る場合、データベースは、分析されるボディと同一及び／又は類似のカテゴリ及び／又はグループ及び／又はクラスに属する複数の異なるボディの詳細を含むことができる。詳細は、複数の異なるボディの各ボディのデータ及び／又は情報、それに関連する及び／又は関するデータ及び／又は情報を含むことができる。

カテゴリ及び／又はグループ及び／又はクラスがヒトを含む場合、データ及び／又は情報は、データベースにボディの詳細を提供する複数のヒトの参加者のそれぞれについて、１以上のヒトの医用画像、ボディ組成、人体計測、参加者の特性、参加者の属性、医学生理学情報、及び疫学情報を含むことができる。これは、収集を通して収集され、各参加者のそれぞれのボディの表現に関係付けられる。

カテゴリ及び／又はグループ及び／又はクラスがヒトを含む場合、データ及び／又は情報は、データベースにボディの詳細を提供する複数のヒトの参加者のそれぞれについて、１以上のヒトのビデオ、写真、完全及び／又は部分的なボディ形状又は表面スキャン、医用画像、ボディ組成、人体計測、参加者の特性、参加者の属性、医学生理学情報、及び疫学情報を含む。これは、収集を通して収集され、各参加者のそれぞれのボディの統一された表現に、関係付けられ、及び／又は位置合わせされ、及び／又はアラインメントされ、及び／又は一致させられる。

任意に、各参加者のそれぞれのボディの詳細及び表現の収集は、品質保証プロトコル並びに前処理プロセス及びステップにしたがって、データベースに情報を提供する各参加者のボディの詳細及び表現を捕捉することを含む。

任意に、各参加者のそれぞれのボディの詳細及び表現の収集は、好ましくは同時且つ並行して行われるが、異なる時間に行われる。これは、参加者ごとに行うことができる。

任意に、追加のデータが異なる時間間隔で収集され、経時で収集される参加者（ヒト）の形状とデータの時間的モデリングの作成及び／又は開発を可能にし、統計学的に意味のある診断トラッカを導き出し、物理的に意味のあるリスク分析及び／又は傾向を達成する。

データ及び／又は情報は、感覚的入力又はデバイスの内因性及び／又は外因性データ及び／又は情報を含むことができる。

任意に、データベースへの提供者の詳細は、品質保証並びに前処理の各ステップ及び各プロトコルにしたがって得られる。

任意に、各参加者のそれぞれのボディの詳細及び表現の収集は、品質保証及び前処理の各ステップにしたがって、データベースに情報を提供する各参加者のボディの詳細及び表現を捕捉することを含む。

品質保証及び前処理の各ステップは、データベース用の、１以上の画像、ビデオ、又はビデオフレーム、深さ画像を含む２．ｘＤ画像、及び／又は３Ｄボディスキャンの形式であることができるヒトの画像の捕捉段階に関連する技術を含むことができる。

品質保証及び前処理の各ステップは、データベース用の、人体計測データの捕捉段階に関連する技術を含むことができる。

品質保証及び前処理の各ステップは、データベース用の、動的データの捕捉段階に関連する技術を含むことができる。

任意に、処理は、統計分析及び／又は少なくとも１つのコンピュータビジョン（ＣＶ）、機械学習（ＭＬ）、及び／又は人工知能（ＡＩ）モデルによって実行される動作を含む。

前記動作は、
高度な多次元統計技術及び／又は機械学習技術及び／又はＡＩ技術を使用して収集されたデータと画像を分析し、外れ値として識別されたものを除外すること、
データタイプ及び／又はデータタイプに関係付けられた関連する出力の１以上のラベリングメカニズムに基づいて、データ及び画像を１以上のグループ、領域、タイプ、及びカテゴリのうちの１以上に分類、クラスタリング、グルーピングすること、
ボディの画像から特徴及び／又はランドマーク及び／又は解剖学的に重要なランドマーク及び／又はキーポイント及び／又は関節中心及び／又は骨の結合を推定すること、
医用イメージングから抽出された画像特徴及び／又は解剖学的特徴によって制約されたボディの画像からボディ部分のセグメンテーションを推定し、２Ｄ及び／又は３Ｄのボディ部分及び／又は２Ｄ及び／又は３Ｄの関心のある領域（ＲＯＩ）を確立すること、及び
２Ｄ及び／又は３Ｄの画像と形状の特徴、ラベル付けされた画像セグメント及び／又は画像クラスタとボディ形状を抽出すること、
のうちの少なくとも１つを含むことができる。

前記動作は、
高度な多次元統計技術及び／又は機械学習技術及び／又はＡＩ技術を使用して収集されたデータと画像を分析し、外れ値として識別されたものを除外すること、
データタイプ及び／又はデータタイプに関係付けられた関連する出力の１以上のラベリング及び／又はアノテーションメカニズムに基づいて、データ及び画像を１以上のグループ、領域、タイプ、特性、及びカテゴリに分類、クラスタリング、グルーピングすること、
ボディの任意のタイプの画像から、目立った特徴及び／又は解剖学的に重要なランドマークを含むランドマーク及び／又はキーポイント及び／又は関節中心及び／又は骨の結合を推定すること、
画像におけるクラスタ化されたバックグラウンドからボディを識別及びセグメント化すること、
医用画像から抽出された解剖学的特徴によって制約されたボディの画像からボディパーツセグメントを推定し、関心のある領域（ＲＯＩ）を確立すること、及び
画像又は一般的な形状特徴及びラベル付けされた画像セグメント及び／又は画像クラスタを抽出し、ボディデータとの対応を推定すること、
のうちの少なくとも１つを含むことができる。

前記処理は、ＣＶ／ＭＬ／ＡＩモデルが、ヒトの画像データ、ビデオ、２．ｘＤ又は３Ｄ画像から対象又はユーザ固有の解剖学的に重要なランドマーク、骨の結合、及び／又は関節中心を推定する処理技術を含むことができる。

前記処理は、ＭＬ／ＡＩモデルが、医用イメージングにより抽出された解剖学的特徴によって制約された３Ｄ画像を含むヒトの画像からボディ部分のセグメンテーションを推定し、対象又はユーザ固有の２Ｄ及び／又は３Ｄの関心のある領域を確立する処理技術を含むことができる。

前記処理は、ＭＬ／ＡＩモデルが、２Ｄ及び／又は３Ｄ画像及び形状特徴、並びにラベル付けされた画像セグメント及び／又は画像クラスタ、及び対応する２Ｄ及び／又は３Ｄのボディ形状及び／又はボディセグメントを抽出する処理技術を含むことができる。

前記処理は、ＭＬ／ＡＩモデルが、ヒトの画像データ、参加者の特性及び属性並びに医学生理学データを、個人のボディ組成のインビボにおける尺度及び物理的人体計測尺度と関係付ける、関連させる、及び／又は同時登録する処理技術を含むことができる。係る処理は、少なくとも、個人又はユーザ固有のヒトの画像データ、参加者の特性及び属性、並びに医学生理学データから様々なボディ組成及び人体計測尺度を正確に推定するように訓練されたアルゴリズムを使用することを含むことができる。

前記処理は、ＭＬ／ＡＩモデルが、ウェルネススコア／アクティビティをデータベース、２Ｄ及び／又は３Ｄのボディ画像、形状、ボディパーツ、ボディセグメント、及び／又は医療データと関係付ける／学習する処理技術を含むことができる。

前記処理は、ユーザの推定されたボディ組成及び人体計測が出力として表示される、及び／又はファイルとして保存される、及び／又はセキュアなウェブリンクを介して送信されるステップを含むことができる。

前記処理は、現在及び過去のボディ組成及びボディ計測値が、デバイス及び／又はクラウド内のストレージ及び／又はサーバから検索された後、経時で追跡され、出力として表示されるステップを含むことができる。

処理は、様々な健康とウェルネスの指標とリスクファクタの比較が出力として提供されるステップを含むことができ、前記出力は、限定されるものではないが、
ｉ）総体脂肪量又はセグメント体脂肪量、除脂肪量、内臓脂肪量、アンドロイド脂肪量、ガイノイド脂肪量、骨質量などの測定値の推定、
ｉｉ）体脂肪量に関する分類などの測定値の分類、例えば、痩せている、正常である、太り過ぎている、肥満であるなど；内臓脂肪の場合、例えば、低リスク、通常のリスク、上昇したリスク、高リスクなど、
ｉｉｉ）データベースに含まれる標準的な母集団分布との比較、
ｉｖ）訓練されたＭＬ／ＡＩモデルと、以下の特定ユーザの予測リスクアプローチ又は式に基づく推定：
ａ．ユーザが前糖尿病であるリスク、
ｂ．慢性健康疾患、筋骨格障害、死亡率、転倒リスクのユーザにおける上昇したリスク、
ｖ）ユーザが指示する、又は身長に対する推定低筋肉除脂肪体重比若しくはその他の関連する人体計測によって引き起こされるサルコペニアを検出するアプローチ、
のうちの１以上を含むことができる。

前記処理は、調整された介入が出力され、実施のために表示されるアプローチを含むことができる。これは、ポジティブな健康行動の変化を有益に促進することができ、個人の健康とウェルネスの結果の改善につながる可能性がある。

任意の光ディスプレイ、ユーザインタフェース、及び入力手段は、例えば、タッチスクリーンに統合することができる。或いは、これらは、別体であることもできる。

実施形態では、入力は、入力手段を介してユーザによって入力されるユーザの命令を含む。ユーザの命令は、動作を実行するためのコマンドを含むことができ、この場合、コントローラは、受信したユーザの命令にしたがって動作を実行するように電子プログラム命令の制御下で操作可能である。

実施形態では、電子プログラム命令は、ソフトウェアを含む。デバイスは、移動通信デバイスであることができ、この場合、ソフトウェアがインストールされているスマートフォン、ノートパソコン／タブレット／デスクトップコンピュータ、カメラ、又は携帯用メディアデバイスを含むことができる。ソフトウェアは、デバイスにダウンロードすることができる、及び／又はサーバ及び／又はサービスとしてのクラウド上で実行するソフトウェアアプリケーションとして提供することができる。

好ましくは、デバイスによって実施される操作は、ヒトの介入を必要とすることなしに自動的に行われる。

本発明の第２の広い態様によれば、ボディを分析するための方法であって、
コントローラを制御するための電子プログラム命令を記憶することと、
前記コントローラを、
ボディの少なくとも１つの表現（ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）を含む入力を、入力手段を介して受信し、及び
前記入力に対して、データベースにアクセスすることを含む処理を行い、前記ボディを分析し且つ前記分析に基づく出力を生成するように、
前記電子プログラム命令を介して制御することとを含む方法が提供される。

前記表現は、ボディの画像を含む視覚的表現、及び／又は視覚化することができないデータを意味する非視覚的表現を含み得る。

前記処理は、少なくとも１つのコンピュータビジョン（ＣＶ）、機械学習（ＭＬ）、及び／又は人工知能（ＡＩ）モデルによって実行される動作を含むことができる。

任意に、分析されるボディは、カテゴリ及び／又はグループ及び／又はクラスに属する。係る場合、データベースは、分析されるボディと同一及び／又は類似のカテゴリ及び／又はグループ及び／又はクラスに属する複数の異なるボディの詳細を含むことができ、この詳細は、複数のボディの各ボディのデータ及び／又は情報、複数のボディの各ボディに関連する及び／又は関するデータ及び／又は情報を含む。

カテゴリ及び／又はグループ及び／又はクラスがヒトを含む場合、データ及び／又は情報は、データベースに各ボディの詳細を提供する複数のヒトの参加者のそれぞれについて、ヒトのビデオ、写真、完全及び／又は部分的なボディ形状又は表面スキャン、医用画像、ボディ組成、人体計測、参加者の特性、参加者の属性、医学生理学情報、及び疫学情報のうちの１以上を含むことができ、これは、収集を通して収集され、各参加者のそれぞれのボディの統一された表現に、関係付けられ、及び／又は位置合わせされ、及び／又はアラインメントされ、及び／又は一致させられる。

任意に、各参加者のそれぞれのボディの詳細及び表現の収集は、同時且つ並行して行われるが、異なる時点で行うことができる。

任意に、追加のデータが異なる時間間隔で収集され、経時で収集される参加者（ヒト）の形状とデータの時間的モデリングの作成及び／又は開発を可能にし、統計学的に意味のある診断トラッカを導き出し、物理的に意味のあるリスク分析及び／又は傾向を達成する。

任意に、各参加者のそれぞれのボディの詳細及び表現の収集は、品質保証及び前処理の各プロセス及びステップにしたがって、データベースに情報を提供する各参加者のボディの詳細及び表現を捕捉することを含む。

処理は、統計分析及び／又は少なくとも１つのコンピュータビジョン（ＣＶ）、機械学習（ＭＬ）、及び／又は人工知能（ＡＩ）モデルによって実行される動作を含む。

前記動作は、
高度な多次元統計技術及び／又は機械学習技術及び／又はＡＩ技術を使用して収集されたデータと画像を分析し、外れ値として識別されたものを除外すること、
データタイプ及び／又はデータタイプに関係付けられた関連する出力の１以上のラベリング及び／又はアノテーションメカニズムに基づいて、データ及び画像を１以上のグループ、領域、タイプ、特性、及びカテゴリに分類、クラスタリングすること、
ボディの任意のタイプの画像から、目立った特徴及び／又は解剖学的に重要なランドマークを含むランドマーク及び／又はキーポイント及び／又は関節中心及び／又は骨の結合を推定すること、
画像におけるクラスタ化されたバックグラウンドからボディを識別及びセグメント化すること、
医用画像から抽出された解剖学的特徴によって制約されたボディの画像からボディパーツセグメントを推定し、関心のある領域（ＲＯＩ）を確立すること、及び
画像又は一般的な形状特徴及びラベル付けされた画像セグメント及び／又は画像クラスタを抽出し、ボディデータとの対応を推定すること、
のうちの少なくとも１つを含むことができる。

前記方法は、更に、電子プログラム命令を介してコントローラを制御し、前記ディスプレイを介して前記出力を表示することによって、前記出力を通信することを含むことができる。このように、文字、画像、メッシュ（ｍｅｓｈｅｓ）、３Ｄ、ビデオ、アイコン、仮想現実、及びグラフのうちの少なくとも１つを介して視覚化することができる。

前記方法は、更に、出力を通信することを含むことができる。前記通信は、ディスプレイを介して、及び／又はファイル上の、又は印刷された読み取り可能なデータとして出力を表示することを含むことができる。

任意に、ボディは個人のボディであり、出力は、個人の３Ｄボディ形状の推定値と、それに関連する人体計測、ボディ組成、並びに健康リスク及びウェルネスリスクの少なくとも１つを含むことができる。出力は、個人の推定値、即ち、形状、身体的、生態学的特性、及び／又は少なくとも１つの３次元（３Ｄ）形状とそれに関連する人体計測、ボディ組成、健康リスク及びウェルネスリスクを含むことができる。

本発明の第３の広い態様によれば、演算手段によって実行されるときに、本発明の第２の広い態様に係る前記方法を演算手段に実行させる命令が記憶されているコンピュータ可読記憶媒体が提供される。

本発明の第４の広い態様によれば、本発明の第２の広い態様に係る前記方法を実行するようにプログラムされている演算手段が提供される。

本発明の第５の広い態様によれば、演算システムによって受信及び解釈することができる少なくとも１つの命令を含むデータ信号であって、前記命令が、本発明の第２の広い態様に係る前記方法を実行させるデータ信号が提供される。

本発明の第６の態様によれば、本発明の第１の広い態様に係る前記デバイスを含む、ボディを画像化するシステムが提供される。

一実施形態では、本明細書に記載の方法を実行するためのコンピュータプログラム製品が提供される。

一実施形態では、プロセッサ上で実行されると、プロセッサに本明細書に記載の方法を実行させる、コンピュータで実行可能なコードを記録するための非一過性記録媒体が提供される。

一実施形態では、本明細書に記載の方法を実行するように構成されたシステムが提供される。

本発明の範囲内であり得る任意の他の形態があるにもかかわらず、以下、本発明をよりよく理解し、実施することができるようにするために、添付の図面を参照して、本発明の好ましい実施形態について記載するが、これらの実施形態は、単なる一例に過ぎない。

図１は、理想的なボディ組成測定モデルを示し、理想的なボディ組成測定ツールに必要とされるもののつながりを示す。

図２は、システムの第１の実施形態を使用する本発明の態様に係る方法の第１の実施形態の、ユーザによって完結される動作のフローチャートを示し、ヒトの画像から、ボディ組成並びに健康リスク及びウェルネスリスクを推定するためのデバイスの概要を示す。 図２は、システムの第１の実施形態を使用する本発明の態様に係る方法の第１の実施形態の、ユーザによって完結される動作のフローチャートを示し、ヒトの画像から、ボディ組成並びに健康リスク及びウェルネスリスクを推定するためのデバイスの概要を示す。 図３は、システムの第１の実施形態を使用する本発明の態様に係る方法の第１の実施形態の、ユーザによって完結される動作のフローチャートを示し、ヒトの画像から、ボディ組成並びに健康リスク及びウェルネスリスクを推定するためのデバイスの概要を示す。 図３は、システムの第１の実施形態を使用する本発明の態様に係る方法の第１の実施形態の、ユーザによって完結される動作のフローチャートを示し、ヒトの画像から、ボディ組成並びに健康リスク及びウェルネスリスクを推定するためのデバイスの概要を示す。

図４は、図２及び図３のシステムのＢＣＴデータベース４０のデータ収集及び処理に含まれるステップの一般概要を示す。

図５は、図２及び図３のシステムのＢＣＴデータベース用に収集されたデータのより詳細な説明を示す。

図６ａは、図２及び図３のシステムのデータ、医用画像、及びヒトの画像の各品質管理手順の一般概要を示す。 図６ｂは、図２及び図３のシステムのデータ、医用画像、及びヒトの画像の各品質管理手順の一般概要を示す。

図７は、図２及び図３のシステムのプロセスの医用画像からの解剖学的ランドマークの特定の一般概要を示す。関節の中心位置は右側の画像に見ることができる。関心のある領域は、左側の画像に見ることができる。

図８は、関節中心を推定するための図２及び図３のシステムのＭＬ／ＡＩアルゴリズムの訓練の概要を示す。

図９は、定義された関心のある領域と解剖学的ランドマークを示す。

図１０は、図２及び図３のシステムの前糖尿病、慢性健康疾患、及び死亡率の予測健康リスク式の一般的な概要を示す。

図１１は、図２及び図３のシステムの相対的健康リスク計算機の計算の例を示す。

図１２は、本発明の態様に係るデバイスの実施形態の概略図を示す。

図１３は、図２及び図３のシステムの簡略化されたシステム図を示す。

図１４ａ～図１４ｄは、図２及び図３のシステムのヒトの画像から対象又はユーザ固有の解剖学的情報及び関節を推定するように操作可能なＣＶ／ＭＬ／ＡＩモデルを訓練するための例示画像を示す。

図１５ａ及び図１５ｂは、図２及び図３のシステムのＢＣＴデータベース４０のデータを使用して訓練されたＣＶ／ＭＬ／ＡＩモデルを使用して、特定の正面及び側面のヒトの画像に基づいて、特定の解剖学的に重要なランドマーク及び関節中心がどのように推定されたかを示す。

図１６は、ボディパーツセグメンテーションに解剖学的ランドマークと関節中心を使用しない３Ｄセグメンテーションを示す。

図１７は、ボディパーツセグメンテーションに解剖学的ランドマークと関節中心を使用した３Ｄセグメンテーションを示す。

図１８は、特定のヒトの画像に対して１つのタイプの２Ｄ画像特徴がどのように準備されるかを表す例を示す。定義

以下の定義は、一般的な定義として提供されており、本発明の範囲をそれらの用語のみに限定するものではなく、以下の記載のよりよい理解のために提示される。

特段の断りがない限り、本明細書中で使用される技術用語及び科学用語はいずれも、本発明が属する分野の当業者によって通常理解される意味と同一の意味を有する。本明細書で使用される用語は、本明細書及び関連技術の文脈におけるそれらの意味と一致する意味を有し、本明細書中で明示的に定義されない限り、理想化された、又は過度に形式的な意味で解釈されないことが更に理解される。本発明の目的のために、更なる用語を以下に定義する。更に、本明細書で定義及び使用される定義はいずれも、辞書の定義、参照により援用される文書における定義、及び／又は定義された用語の意味に対して優先される理解される。但し、特定の用語の意味に関して疑いがない場合に限られ、このような場合には、用語の通常の辞書の定義及び／又は一般的な使用法が優先される。

本発明の目的のために、次の用語を以下に定義する。

冠詞「ａ」及び「ａｎ」は、本明細書では、冠詞の文法上の目的語の１つ又は複数（即ち、少なくとも１つ）を意味するために使用される。一例として、「ａｎ ｅｌｅｍｅｎｔ」は、１つの要素又は複数の要素を意味する。

用語「約」は、本明細書では、レファレンス量に対して３０％、好ましくは２０％、より好ましくは１０％変わる量を意味するために使用される。数値を修飾する用語「約」の使用は、その数値が精密な値として解釈されるべきではないことの明示的な指標に過ぎない。

本明細書全体を通して、文脈上特段の事情がない限り、用語「含む（ｃｏｍｐｒｉｓｅ、ｃｏｍｐｒｉｓｅｓ、ｃｏｍｐｒｓｉｎｇ）は、記載されたステップ若しくは要素又はステップ若しくは要素の群を含むことを意味し、他のステップ若しくは要素又はステップ若しくは要素の群を除外することを意味しないと理解される。

本明細書で使用される用語「含む（ｉｎｃｌｕｄｉｎｇ又はｗｈｉｃｈ ｉｎｃｌｕｄｅｓ又はｔｈａｔ ｉｎｃｌｕｄｅｓ）のいずれも、その用語に続く要素／特徴を少なくとも含むが、他のものを除外しないことを意味するオープンな用語である。したがって、「含む（ｉｎｃｌｕｄｉｎｇ）」は、「含む（ｃｏｍｐｒｓｉｎｇ）」と同義であり、「含む（ｃｏｍｐｒｓｉｎｇ）」を意味する。

特許請求の範囲並びに前記概要及び下記の説明において、「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「有する（ｃａｒｒｙｉｎｇ）」、「有する（ｈａｖｉｎｇ）」、「含む（ｃｏｎｔａｉｎｉｎｇ）」、「関与する（ｉｎｖｏｌｖｉｎｇ）」、「保持する（ｈｏｌｄｉｎｇ）」、「から構成される（ｃｏｍｐｏｓｅｄ ｏｆ）」などのあらゆる移行句は、オープンエンド、即ち、「含むがこれらに限定されない（ｉｎｃｌｕｄｉｎｇ ｂｕｔ ｎｏｔ ｌｉｍｉｔｅｄ ｔｏ）」を意味すると理解される。「からなる（ｃｏｎｓｉｓｔｉｎｇ ｏｆ）」及び「本質的にからなる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」単独の移行句のみが、それぞれクローズド又はセミクローズドな移行句であるものとする。

用語「リアルタイム」、例えば「リアルタイムデータの表示」は、システムの処理制限とデータを正確に測定するための所要時間とを考慮して、意図的な遅延なしにデータを表示することを意味する。

用語「略リアルタイム」、例えば「リアルタイム又は略リアルタイムデータを取得する」は、意図的な遅延なし（「リアルタイム」）又は実用的に可能な限りリアルタイムに近いデータの取得を意味する（即ち、データを取得及び記録又は送信するためのシステムの制約及び処理制限内で、意図的であるかどうかにかかわらず、僅かではあるが最小限の遅延を伴う）。

本明細書に記載されるものと類似又は同等の任意の方法及び材料を、本発明の実施又は試験に使用することができるものの、好ましい方法及び材料を記載する。本明細書に記載の方法、デバイス、及びシステムは、様々な方法で、様々な目的のために実施され得ることが理解される。ここでの記載は単なる例示である。

本明細書で使用される用語「例示的」は、質を示すのではなく、例を提供するという意味で使用される。即ち、「例示的な実施形態」は、例えば、望ましいモデルとして機能する又はその種の最良のものを表す、例示的な質の実施形態であるというのではなく、一例として提供される実施形態である。

本明細書で概説される様々な方法又はプロセスは、様々なオペレーティングシステム又はプラットフォームのいずれか１つを使用する１以上のプロセッサで実行可能なソフトウェアとしてコードすることができる。更に、係るソフトウェアは、いくつかの好適なプログラミング言語及び／又はプログラミング又はスクリプトツールのいずれかを使用して記述することができ、また、フレームワーク又は仮想マシン上で実行される実行可能な機械語コード又は中間コードとしてコンパイルすることができる。

この点に関して、様々な本発明の概念は、１以上のコンピュータ又は他のプロセッサで実行されるとき、前記様々な実施形態を実施する方法を実行する１以上のプログラムでエンコードされるコンピュータ可読記憶媒体（又は複数のコンピュータ可読記憶媒体）（例えば、コンピュータメモリ、１以上のフロッピーディスク、コンパクトディスク、光ディスク、磁気テープ、フラッシュメモリ、回路、フィールドプログラマブルゲートアレイ又は他の半導体デバイスにおける回路構成、又は他の非一過性媒体又は有形のコンピュータ記憶媒体）として具体化することができる。１以上のコンピュータ可読媒体は、持ち運び可能であり、その上に格納された１以上のプログラムを１以上の異なるコンピュータ又は他のプロセッサにロードして、前記本発明の様々な態様を実施することができる。

用語「プログラム」又は「ソフトウェア」は、本明細書中において一般的な意味で使用され、コンピュータ又は他のプロセッサをプログラムして、前記実施形態の様々な態様を実施するために使用できる任意のタイプのコンピュータコード又はコンピュータ実行可能命令のセットを意味する。更に、一態様によれば、実行されたときに、本発明の方法を実行する１以上のコンピュータプログラムは、単一のコンピュータ又はプロセッサに存在する必要はないが、いくつかの異なるコンピュータ又はプロセッサ間でモジュール方式で分散させ、本発明の様々な態様を実施することができることが理解される。

コンピュータ実行可能命令は、プログラムモジュールなど、１以上のコンピュータ又は他のデバイスによって実行される多くの形式であることができる。一般に、プログラムモジュールには、特定のタスクを実行する又は特定の抽象的データタイプを実行するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。典型的には、プログラムモジュールの機能は、様々な実施形態において、望むように組み合わせる又は分散されることができる。

また、データ構造は、任意の好適な形式でコンピュータ可読媒体に格納することができる。説明の簡略化のために、データ構造は、データ構造内の場所によって関連付けられたフィールドを有するように示されていることがある。係る関係は、同様に、フィールド間の関係を伝達するコンピュータ可読媒体内の場所に、フィールドのための記憶装置を割り当てることによって達成することができる。しかし、任意の好適なメカニズムを使用して、データ要素間の関係を確立するポインタ、タグ、又は他のメカニズムの使用を含む、データ構造のフィールド内の情報間の関係を確立することができる。

また、様々な発明の概念は、１以上の方法として具体化することができ、その例が提供される。方法の一部として実行される行為は、任意の適切な方法で順序付けることができる。したがって、例示的な実施形態において連続的な行為として示されていても、行為が図示される順序と異なる順序で実施される実施形態を構築することができ、これは、いくつかの行為を同時に実行することを含み得る。

本明細書及び特許請求の範囲で使用される句「及び／又は」は、そのように連結される要素の「いずれか又は両方」、即ち、ある場合には結合的に存在し、他の場合には分離的に存在する要素を意味すると理解される。「及び／又は」と共にリストされた複数の要素は、同じ方法で解釈される。即ち、要素の「１以上」がそのように連結される。「及び／又は」節によって具体的に特定される要素以外の他の要素は、それらが具体的に特定される要素に関連するかどうかにかかわらず、任意に存在することができる。したがって、非限定的な例として、「Ａ及び／又はＢ」という記載は、「含む（ｃｏｍｐｒｉｓｉｎｇ）」などのオープンエンドな用語と組み合わされると、一実施形態では、Ａのみ（任意に、Ｂ以外の要素を含む）、別の実施形態では、Ｂのみ（任意に、Ａ以外の要素を含む）、更に別の実施形態では、Ａ及びＢの両方（任意に、他の要素を含む）などを意味し得る。

本明細書及び特許請求の範囲で使用される「又は」は、前記定義された「及び／又は」と同じ意味を有すると理解される。例えば、リスト中の項目を区切る場合、「又は」又は「及び／又は」は、包括的であると解釈されるものとする。即ち、要素のいくつか又はリスト及び任意に、リストされていない更なる項目の少なくとも１つだけでなく、複数も含むものと解釈される。「の１つだけ（ｏｎｌｙ ｏｎｅ ｏｆ）」又は「の正確に１つ（ｅｘａｃｔｌｙ ｏｎｅ ｏｆ）」など、反対の意味を明確に示す用語、又は特許請求の範囲で使用される「からなる（ｃｏｎｓｉｓｔｉｎｇ ｏｆ）」のみが、要素のいくつか又はリストの正確に１つの要素を含むことを意味する。一般に、本明細書で使用される用語「又は」は、「いずれか（ｅｉｔｈｅｒ）」、「の一方（ｏｎｅ ｏｆ）」、「の一方のみ（ｏｎｌｙ ｏｎｅ ｏｆ）」、又は「の正確に１つ（ｅｘａｃｔｌｙ ｏｎｅ ｏｆ）」などの、排他的用語が先行するとき、排他的選択肢を示すものと解釈するものとする（即ち、「一方又は他方であるが両方ではない」）。「本質的にからなる（Ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」は、特許請求の範囲で使用されるとき、特許法の分野において使用される通常の意味を有するものとする。

本明細書及び特許請求の範囲で使用される句「少なくとも１つ」は、１以上の要素のリストに関して、要素のリスト中の任意の１以上から選択される少なくとも１つの要素を意味すると理解されるが、要素のリストに具体的にリストされる各要素の少なくとも１つを必ずしも含む必要はなく、要素のリスト中の要素の組合せを除外しない。この定義はまた、「少なくとも１つ」という句が言及する要素のリスト中で具体的に特定される要素以外の要素が、具体的に特定される要素に関連するかどうかにかかわらず、任意に存在し得ることを可能にする。したがって、非限定的な例として、「Ａ及びＢの少なくとも１つ」（又は、同じく「Ａ又はＢの少なくとも１つ」、又は同じく「Ａ及び／又はＢの少なくとも１つ」）は、一実施形態では、少なくとも１つのＡを含み（任意に複数のＡを含む）、Ｂが存在しない（任意に、Ｂ以外の要素を含む）、別の実施形態では、少なくとも１つのＢを含み（任意に複数のＢを含む）、Ａが存在しない（任意に、Ａ以外の要素を含む）、更に別の実施形態では、少なくとも１つのＡ（任意に複数のＡを含む）と少なくとも１つのＢ（任意に複数のＢを含む）とを含む（任意に他の要素を含む）などを意味し得る。

本明細書の目的のために、方法のステップが順に記載される場合、順序を解釈する他の論理的な方法がない限り、順序は、必ずしも各ステップがその順序で時系列に行われることを意味しない。

更に、本発明の特徴又は態様がマーカッシュ群で記載される場合、当業者は、本発明が、マーカッシュ群によって、マーカッシュ群の任意の個々のメンバ又はメンバのサブグループに関しても記載されていることを認識する。

実施形態の説明
以下の説明において、異なる実施形態における類似又は同一の参照番号は、同一又は類似の特徴を示す。

図２及び図３には、本発明の態様に係るデバイス１２を用いてボディを分析するために、図２（システム）に示されるシステム１０の第１の実施形態の使用時に実行される動作が示されている。

記載される実施形態では、ボディは、（システム１０のユーザである）ヒト１６のボディ１４である。

本発明は、個人の３次元（３Ｄ）ボディ形状及びそれに関連するボディ組成並びに健康リスク及びウェルネスリスクの推定を提供するために、特に、人体を分析することに言及して記載される。この推定は、（普遍性を制限することなく）画像及び／又は特徴及び／又はボディ形状及びその分子組成の生態学的及び物理的に有効なモデル又はアナロジの定義、説明、記述の１以上を行うことができる任意のタイプのデータ、表現、又は情報を用いて行われる。したがって、システム１０の実施形態は、ヒトの画像から、形状、ボディ組成、及び健康リスクを推定するためのものである。

本発明は、他のもののボディに関して、そして、更なる及び／又は別の意図若しくは目的のための分析を行うために用いることができることが理解される。

本発明は、分析されるボディ又は分析する意図若しくは方法に関して限定されないことが理解され、別の実施形態では、本発明は、更なる及び／又は別のもののボディの分析に、そして、更なる及び／又は別の意図のために記載するものに適用してもよい。実行に依存して、ボディは、生物のボディ若しくはその１以上の部分、又は非生物のボディ若しくはその１以上の部分であることができる。本発明の実施形態は、（記載される実施形態における）ヒトのみならず、家畜を含む動物など、あるボディと別のボディとの間にばらつきが存在するもののボディの分析に、特に適用することができる。

更に詳細に説明するように、本発明の実施形態は、本発明者らが開発した、ヒトの画像から個人の３次元（３Ｄ）ボディ形状及びそれに関連するボディ組成並びに健康リスク及びウェルネスリスクを推定するための方法を実行するシステム１０を含む。前記方法は、各種データ捕捉デバイスを使用して、参加者の詳細又は情報提供される人体の詳細（ヒトの画像、医用画像、医学生理学情報、参加者の特性及び属性、人体計測、並びに疫学データなど）の独自の多様なグローバル多次元データベースの収集を含む。次いで、新規且つ高度な統計学的手法であるコンピュータービジョン（ＣＶ）、機械学習（ＭＬ）、人工知能（ＡＩ）によるアプローチが、このデータベースを使用してヒトの画像を理解し、特徴的な形状及びそれに由来する特性を抽出して、人体形状やボディ組成、医学生理学情報、健康リスク及びウェルネスリスクに関係付ける。実施形態では、前記したことを容易にするプロセス全体が、厳密な品質保証プロトコルの下でオフラインで実行され、公衆及び科学者が利用できるスタンドアロンシステム又はアプリケーションを生成する。実施形態の発明されたシステム１０は、医療及び健康、フィットネス、保険、及び政府の各セクタ内のボディ組成並びに健康リスク及びウェルネスリスクを推定する手頃でアクセスし易い方法を提供する。

本発明の実施形態によって使用される高度な機械学習技術は、畳み込みニューラルネットワーク（ＣＮＮ）技術を含み得る。

本発明において本発明者らによって開発されたプロトコル及びプロセスは、実施形態では、こうした複雑なタイプのヒトデータタイプ及び構造を扱うことを可能にする。

概念的には、本発明の実施形態は、６つの広いレベルを含むと見ることができる。更に詳細に記載するように、いくつかのレベルは、実施形態で本発明を生成又は実行するために必要なあらゆるタイプの収集データの捕捉、制御、処理、加工、及び関係付けなどを行う動作を容易にするためにオフライン段階で実行される。他のレベルは、ヒトの画像などのデータのサブセットが捕捉、処理、出力、使用されて他のサブセットを予測する動作（例えば、ボディ組成の出力）を容易にするために、オンライン段階で実行される。

６つのレベルに関して、第１のオフラインのレベルは、様々なタイプのデータ捕捉デバイスを使用してヒトの画像を同時に収集しながら、ヒトの医用画像、ボディ組成、人体計測、身体的特徴及び属性、並びに医学生理学データ及び疫学データを含む、参加者又は情報提供される人体の詳細の世界規模での多様なデータベース収集に関する。本発明の実施形態の有利な特徴は、ヒトの画像を同時に収集しながら、ヒトの視覚画像、医用画像、ボディ組成、人体計測、身体的特徴及び属性、並びに医学生理学データ及び疫学データの大規模データベースの収集、準備、分析、及び処理を行うように操作可能なシステム１０の提供である。

第２のオフラインのレベルは、収集した多次元データの評価、修正、分析、準備、及び関係付けなどの動作を容易にする新しい高度な画像処理技術とデータ品質管理手順とに組み合わされる、データベースのデータの信頼性の高い統一された収集を提供する方法論的手順の開発に関する。

第３のオフラインのレベルは、ヒトの画像及び関連するヒトの特徴、参加者の特性、及び医学生理学の研究、分析、及び関係付けを行う動作を容易にし、それらを、ボディ組成データ、解剖学的骨関節（医用画像から）、解剖学的に有効なボディパーツセグメント（医用画像から）、及び３Ｄボディ形状（画像から再構築又は３Ｄ形状スキャナを介して取得）に関係付けられるように操作可能なコンピュータービジョン（ＣＶ）、機械学習（ＭＬ）、人工知能（ＡＩ）のアプローチ及びモデルの開発に関する。

前記動作は、
高度な多次元統計技術及び／又は機械学習技術及び／又はＡＩ技術を使用して収集されたデータと画像を分析し、外れ値として識別されたものを除外すること、
データタイプ及び／又はデータタイプに関係付けられた関連する出力の１以上のラベリングメカニズムに基づいて、データ及び画像を１以上のグループ、領域、タイプ、及びカテゴリのうちの１以上に分類、クラスタリング、グルーピングすること、
ボディの画像から、特徴及び／又はランドマーク及び／又は解剖学的に重要なランドマーク及び／又はキーポイント及び／又は関節中心及び／又は骨の結合を推定すること、
医用画像から抽出された画像特徴及び／又は解剖学的特徴によって制約されるボディの画像からボディパーツセグメンテーションを推定し、２Ｄ及び／又は３Ｄのボディパーツ及び／又は２Ｄ及び／又は３Ｄの関心のある領域（ＲＯＩ）を確立すること、
２Ｄ及び／又は３Ｄの画像と形状の特徴及びラベル付けされた画像セグメント及び／又は画像クラスタとボディ形状を抽出すること、
のうちの少なくとも１つを含むことができる。

前記動作は、
高度な多次元統計技術及び／又は機械学習技術及び／又はＡＩ技術を使用して収集されたデータと画像を分析し、外れ値として識別されたものを除外すること、
データタイプ及び／又はデータタイプに関係付けられた関連する出力の１以上のラベリング及び／又はアノテーションメカニズムに基づいて、データ及び画像を１以上のグループ、領域、タイプ、特性、及びカテゴリに分類、クラスタリングすること、
ボディの任意のタイプの画像から、目立った特徴及び／又は解剖学的に重要なランドマークを含むランドマーク及び／又はキーポイント及び／又は関節中心及び／又は骨の結合を推定すること、
画像におけるクラスタ化されたバックグラウンドからボディを識別及びセグメント化すること、
医用画像から抽出された解剖学的特徴によって制約されたボディの画像からボディパーツセグメントを推定し、関心のある領域（ＲＯＩ）を確立すること、及び
画像又は一般的な形状特徴及びラベル付けされた画像セグメント及び／又は画像クラスタを抽出し、ボディデータとの対応を推定すること、
のうちの少なくとも１つを含むことができる。

ＣＶ／ＭＬ／ＡＩは、本明細書に記載の実施形態のモデルに限定されず、本発明の代替の実施形態では、追加及び／又は代替のモデルを学習させることができ、分析しようとするボディ又はものに応じて出力が生成され、学習プロセスの制約は、分析しようとするボディ又はもの及びなされる決定にしたがって、本発明の実施における必要に応じ、追加及び／又は代替の訓練、試験、及び検証、及び記載された実施形態のデータよりも多い又は少ないデータ、追加及び／又は代替のタイプのデータを含むことができることが理解される。

第４のオンラインのレベルは、ヒトの画像及び関連するヒトの特徴、特性、及び医学生理学データを含む入力を捕捉するデバイス１２の使用に関する。デバイス１２は、新規なＣＶ、ＭＬ、及びＡＩアプローチと統合された制御モジュール及びアプリケーションに加えて、この画像を処理及び加工して特徴的な画像特徴、ランドマーク、キーポイント（マーカーとして視覚的に又はマーカーせずに、即ち、非視覚的に）を抽出し、ヒトの関節、骨の結合、ボディパーツセグメントを推定し、有効な３Ｄボディ形状を再構築することを含む動作を容易にするように操作可能であり、そのために使用される。

第５のオンラインのレベルは、オフラインで収集されるデータセット内のボディ組成並びに健康リスク及びウェルネスリスク、その他のパラメータを推定するために、オンラインで捕捉及び処理されたヒトの画像及び関連するヒトの特徴、参加者の特性、医学生理学データ、及び疫学データを処理することを含む動作を容易にするための、追加のＣＶ、ＭＬ、及びＡＩの各モデル及びアプローチ（オフラインで訓練されたデータと機械学習モデルによって駆動される）の使用に関する。

第６のオンラインのレベルは、個人が生涯に亘って健康とウェルネスを分類、評価、及びモニタリングできるようにすることを含む動作を容易にする、処理されたヒトの画像及び関連するヒトの特徴、参加者の特性及び医学生理学データ、３次元（３Ｄ）のボディ形状、推定されたボディ組成データ、並びに追加の健康データ及びウェルネスデータの使用に関し、これらはいずれも、前記第５のレベルの出力として分析、研究、及びモデル化される。

本発明は、医療及び健康、フィットネス、保険及び政府の各セクタのための、ヒトの画像データ及び他の個人データからの個人のボディ組成、人体計測、並びに健康リスク及びウェルネスリスクの推定に言及して記載されるが、他のもののボデイに関して、及び追加及び／又は代替の目的のために使用できることが理解される。更に、本発明の実施形態は、中心部（即ち、アンドロイド、ガイノイド、及び内臓脂肪）と全身脂肪量及び除脂肪筋量との間の関係を、糖尿病、心血管疾患、筋骨格障害（例えば、虚弱及び膝関節及び股関節の骨関節炎）、前糖尿病、若年死亡率、及びサルコペニアなどの慢性健康疾患の個人のリスクに結び付けるが、より広範囲のボディ組成、人体計測変数、及び医学生理学情報を推定し、医学健康及び医学研究セクタ内の他の関連する状態、障害、又は疾患に関連付けることができ、よりグローバルに、個人の健康リスク及びウェルネスリスクに分類されることが理解される。これらのボディ組成、人体計測変数、及び医学生理学情報としては、限定されるものではないが、例えば、臓器組織、筋肉組織、骨ミネラル密度、血圧、心拍数、血漿グルコース、ＨｂＡ１ｃ及び他の関連する血液／血漿情報が挙げられる。

デバイス１２は、ユーザ１６であるヒトによって持ち運ばれる。

図１２に示すように、デバイス１２は、適切な回路及び／又は連結を介して操作可能に接続されてデバイス１２が本明細書に記載の機能及び操作を実施できるようにする複数のコンポーネント、サブシステム、及び／又はモジュールを含む。デバイス１２は、本発明の実施形態に係るボディを分析するための方法などの適切なコンピュータ命令を受信、記憶、及び実行するのに必要な好適なコンポーネントを含む。

特に、図１２に示すように、デバイス１２は、この実施形態では、コントローラ１８と、コントローラ１８を制御又は操作するための電子プログラム命令、並びに情報及び／又はデータを記憶するための記憶装置２０とを含む演算手段と；ユーザインタフェース２４を表示するためのディスプレイ２２と；入力手段２６とを含み、これらは全て容器又は筐体２８内に収容される。

更に詳細に説明するように、コントローラ１８は、ボディ１４の少なくとも１つの表現を含む入力を入力手段を介して受信し、前記入力に対して、データベースの使用を含む処理を行い、前記ボディを分析し且つ前記分析に基づく出力を生成し、前記出力をディスプレイ２２を介して表示することによって前記出力を通信するように、電子プログラムの命令の制御下又は電子プログラムの命令によるガイドによって操作可能である。

特に、実施形態では、コントローラ１８は、ヒトの画像から形状及び健康リスクを推定するためのアプリケーションを制御及び実行するように操作可能である。

更に詳細に説明されるように、少なくとも１つの表現は、任意のタイプの数字及び／又は文字及び／又はデータ及び／又は画像の形式であることができる。

データベースの使用は、データベースへのアクセス及び／又はデータベースへの問合せを含み得る。

本発明の実施形態では、入力は、データ及び／又は情報を含むことができ、これらは、１以上のソースから、それを捕捉、検索、受信、抽出、及び同定することのうちの１以上によって取得することができる。データの１以上のソースは、記憶装置２０、及び／又はデバイス１２から離れた他の場所に存在することができる。データ及び／又は情報は、感覚的入力又はデバイスに由来する内因性及び／又は外因性データ及び／又は情報を含むことができる。

実施形態では、本体１４は、カテゴリ及び／又はグループ及び／又はクラスに属する。データベースは、分析されるボディと同一及び／又は類似のカテゴリ及び／又はグループ及び／又はクラスに属する複数の異なるボディの詳細を含み得る。前記詳細は、複数の異なるボディの各ボディのデータ及び／又は情報、それに関連する及び／又は関するデータ及び／又は情報を含むことができる。

実施形態のように、カテゴリ及び／又はグループ及び／又はクラスがヒトを含む場合、データ及び／又は情報は、データベースにそれぞれのボディの詳細を提供する複数のヒトの参加者のそれぞれについて、ヒトの医用画像、ボディ組成、人体計測、参加者の特性、参加者の属性、医学生理学情報、及び疫学情報のうちの１以上を含むことができ、これは、各参加者のそれぞれのボディの表現が収集され関係付けられる間に収集される。

カテゴリ及び／又はグループ及び／又はクラスがヒトを含む場合、データ及び／又は情報は、データベースにそれぞれのボディの詳細を提供する複数のヒトの参加者のそれぞれについて、ヒトのビデオ、写真、完全及び／又は部分的なボディ形状又は表面スキャン、医用画像、ボディ組成、人体計測、参加者の特性、参加者の属性、医学生理学情報、及び疫学情報のうちの１以上を含むことができる。これは、収集を通して収集され、各参加者のそれぞれのボディの統一された表現に、関係付けられ、及び／又は位置合わせされ、及び／又はアラインメントされ、及び／又は一致させられる。

コントローラ１８は、プロセッサの形態の処理手段を含む。

記憶装置２０は、読み出し専用メモリ（ＲＯＭ）及びランダムアクセスメモリ（ＲＡＭ）を含む。

デバイス１２は、ＲＯＭ又はＲＡＭに保持され得る命令を受信することができ、プロセッサによって実行することができる。プロセッサは、以下に更に詳細に記載される通り、命令の処理／実行、及びデバイス１２を通じたデータ及び情報の流れの管理を含む動作を、電子プログラム命令の制御下で実行するように操作可能である。

この実施形態では、デバイス１２のための電子プログラム命令は、ボディ分析アプリと呼ばれることがある単一のスタンドアロンソフトウェアアプリケーション（アプリ）又はモジュールを介して提供される、及び／又は他のアプリ内に含まれる又は実行されるソフトウェア開発キット（ＳＤＫ）、及び／又はサーバ及び／又はクラウド上で実行されるサービスとして提供される。記載される実施形態では、前記アプリ及び／又はＳＤＫ及び／又はサービスは、商標名ＢＣＴ^ＴＭとして販売されており、ウェブサイト（又は他の好適な電子デバイスプラットフォーム）からダウンロードする、又はデバイス１２の記憶装置２０に保存若しくは記憶する、及び／又はＡｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍ Ｉｎｔｅｒｆａｃｅ （ＡＰＩ）を介して実行することができる。

本発明の好ましい実施形態では、デバイス１２は、モバイル通信デバイスであり、商標名ＩＰＨＯＮＥ（登録商標）としてＡｐｐｌｅ Ｉｎｃによって、又はＡｎｄｒｏｉｄ、ＷＥＢＯＳ、Ｗｉｎｄｏｗｓ、若しくは他の携帯アプリプラットフォームを有するＮｏｋｉａ Ｃｏｒｐｏｒａｔｉｏｎ若しくはＳａｍｓｕｎｇ Ｇｒｏｕｐなどの他のプロバイダによって販売されているものなどのスマートフォンを含む。或いは、デバイス１０は、商標名ＩＰＡＤ（登録商標）若しくはＩＰＯＤ ＴＯＵＣＨ（登録商標）としてＡｐｐｌｅ Ｉｎｃによって、又はＨｅｗｌｅｔｔ－Ｐａｃｋａｒｄ Ｃｏｍｐａｎｙ若しくはＤｅｌｌ，Ｉｎｃなどの他のプロバイダによって販売されているパソコン、ノートパソコン、又はタブレットなどの他の演算手段、或いは他の好適なデバイスを含むことができる。

また、デバイス１２は、コマンドを発行することができるオペレーティグシステムを含み、アプリと相互作用して本明細書に記載する本発明の実施形態に係るそれぞれのステップ、機能、及び／又は手順を含む動作をデバイス１２が実行するように配置される。オペレーティグシステムは、デバイス１２に適したものであることができる。例えば、デバイス１２がＩＰＨＯＮＥ（登録商標）スマートフォンを含む場合、オペレーティグシステムはｉＯＳであることができる。

図１３に示すように、デバイス１２は、サーバ、パソコン、端子、ワイヤレス若しくはハンドヘルド演算デバイス、有線通信デバイス、又は携帯電話などのモバイル通信デバイスなどの１以上の遠隔デバイス３２に様々に接続し得る１以上の通信リンク３０を介して通信するように操作可能である。複数の通信リンク３０のうちの少なくとも１つは、電気通信ネットワークを通じて外部演算ネットワークに接続され得る。

記載される実施形態では、遠隔デバイス３２は、管理者が所有及び操作する演算システム３４に加えて、他人が所有及び／又は操作する他のデバイス１２を含む。

管理者の演算システム３４は、実施形態ではサーバ３６の形態を有する。サーバ３６を用いて、本発明の実施形態に係るボディを分析するシステム及び方法、並びに目的を達成する方法などのアプリケーション及び／又はシステムサービスを実行することができる。

実施形態では、サーバ３６は、クラウドコンピューティングを介して実行され、適切なリソース及びインフラストラクチャを備えたクラウドベースのプラットフォーム上に保持される。代替の実施形態では、一元管理されるアドミニストレーションセンタに物理的に位置させることができる。

デバイス１２と同様に、サーバ３６を支持するインフラストラクチャは、適切な電子プログラム命令を受信、記憶、及び実行するのに必要な好適なコンポーネントを含む。前記コンポーネントは、サーバプロセッサ、リードオンリーメモリ（ＲＯＭ）及びランダムアクセスメモリ（ＲＡＭ）を含むサーバストレージ、１以上のサーバ入力／出力デバイス、例えば、ディスクドライブ、並びに関連するサーバユーザインタフェースの形態の処理手段を含む。遠隔通信デバイス３２（デバイス１２を含む）は、１以上の通信リンク３０を介してサーバ３６と通信するように配置される。

サーバ３６は、ＲＯＭ、ＲＡＭ、又はディスクドライブに保持され得る命令を受信することができ、サーバプロセッサによって実行することができる。サーバプロセッサは、以下に更に詳細に記載する通り、演算システム３４を通じた命令の処理／実行並びにデータ及び情報のフローの管理を含む動作を、電子プログラム命令の制御下で実行するように操作可能である。

サーバ３６は、その記憶装置に存在する複数のデータベース又はデータバンクにアクセスするためのコマンドを発行することができるサーバオペレーティングシステムを含む。この実施形態では、２つの係るデータベース又はデータバンクが提供され、１つは、ＲＵデータベース３８と称されることがある、システム１０の登録ユーザ（ＲＵ）のデータベースであり；１つは、ＢＣＴデータベース４０と称されることがある下記データベースである。オペレーティングシステムは、データベース３８及び４０並びにサーバソフトウェアのセット／スイートの１以上のコンピュータプログラムと相互作用して、本明細書に記載する本発明の実施形態に係るそれぞれのステップ、機能、及び／又は手順を含む動作をサーバ３６に実行させるように配置される。

アプリ、サーバソフトウェアセットのコンピュータプログラム、並びにデバイス１２及びサーバ３６の演算コンポーネントのための他の電子命令又はプログラムは、当業者に周知である通り、任意の好適な言語で書くことができる。例えば、ＩＰＨＯＮＥ（登録商標）スマートフォンを含むデバイス１２において操作する場合、ボディ分析アプリは、Ｏｂｊｅｃｔｉｖｅ－Ｃ言語で書くことができる。本発明の実施形態では、電子プログラム命令は、実行又は実施形態の要件に応じて、スタンドアロンアプリケーションとして、一式又は複数のアプリケーションとして、ネットワークを介して提供することができる、又はミドルウェアとして追加することができる。

本発明の別の実施形態では、ソフトウェアは、１以上のモジュールを含んでいてよく、ハードウェアで実行され得る。係る場合、例えば、モジュールは、それぞれ当技術分野において周知である以下の技術：データシグナルに対する論理関数を実行するための論理ゲートを有する離散論理回路、適切な組合せ論理ゲートを有する特定用途向け集積回路（ＡＳＩＣ）、プログラマブルゲートアレイ（ＰＧＡ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのうちのいずれか１つ又は組合せを用いて実行することができる。

それぞれの演算手段は、プログラム可能論理コントローラ（ＰＬＣ）、デジタル信号プロセッサ（ＤＳＰ）、マイクロコントローラ、パソコン、ノートパソコン、若しくはタブレット、又は専用サーバ若しくはネットワークサーバを含む任意の好適な種類のシステムであることができる。

それぞれのプロセッサは、演算手段に関連する幾つかのプロセッサの中でも、任意の特別注文又は市販のプロセッサ、中央処理デバイス（ＣＰＵ）、データシグナルプロセッサ（ＤＳＰ）、又は補助プロセッサであることができる。本発明の実施形態では、処理手段は、例えば、半導体ベースのマイクロプロセッサ（マイクロチップの形態）又はマクロプロセッサであることができる。

本発明の実施形態では、それぞれの記憶装置は、揮発性メモリ素子（例えば、ランダムアクセスメモリ（ＲＡＭ）、例えば、動的ランダムアクセスメモリ（ＤＲＡＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ））、及び不揮発性メモリ素子（例えば、読取り専用メモリ（ＲＯＭ）、消去及びプログラム可能読取り専用メモリ（ＥＰＲＯＭ）、電子的消去及びプログラム可能読取り専用メモリ（ＥＥＰＲＯＭ）、プログラム可能読取り専用メモリ（ＰＲＯＭ）、テープ、コンパクトディスク読み取り専用メモリ（ＣＤ－ＲＯＭ）等）のうちのいずれか１つ又は組合せを含むことができる。それぞれの記憶装置は、電子、磁気、光学、及び／又は他の種類の記憶媒体を組み込むことができる。更に、それぞれの記憶装置は、分散構成を有することができ、この場合、様々なコンポーネントは互いに離れて位置しているが、処理手段によってアクセスすることができる。例えば、ＲＯＭは、デバイス１２の操作を制御するために処理手段によって実行される様々な命令、プログラム、ソフトウェア、又はアプリケーションを記憶し得、ＲＡＭは、操作の変数又は結果を一時的に記憶することができる。

ソフトウェアアプリケーションを用いるコンピュータの使用及び操作は、当業者に周知であるので、本発明に関連する場合を除いて本明細書に更に詳細に記載する必要はない。

更に、任意の好適な通信プロトコルを用いてデバイス１２の任意のサブシステム又はコンポーネント、サーバ３６の任意のサブシステム又はコンポーネント、並びにデバイス１２及びサーバ３６及び他のデバイス又はシステム（有線及び無線を含む）の間の接続及び通信を容易にすることができるが、これは当業者に周知であるので、本発明に関連する場合を除いて本明細書に更に詳細に記載する必要はない。

用語「記憶する」、「保持する」、及び「保存する」、又は類似の用語が本発明に関連して用いられる場合、これらは、後で検索するために記憶手段、デバイス、又は媒体において永続的に及び／又は一時的に、また、例えば実行される処理操作の一部として瞬間的に又は即時的に、データ又は情報を保管する又は保持することに対する言及を含むと理解される。

更に、用語「システム」、「デバイス」、及び「機器」が本発明に関連して用いられる場合、互いに近接、分離、統合、又は離散して位置し得る、機能的に関連するか、又は相互作用する、相互関連する、相互依存する、若しくは関連するコンポーネント又はエレメントの任意の群に対する言及を含むと理解される。

更に、本発明の実施形態では、用語「決定する」は、関連するデータ又は情報を受信するか又はアクセスすることを含むと理解される。

本発明の実施形態では、ユーザインタフェース２４及びユーザ入力手段２６を表示するためのディスプレイ２２がタッチスクリーン４２に統合されている。別の実施形態では、これらコンポーネントは、離散エレメント又はアイテムとして提供することができる。

タッチスクリーン４２は、デバイス１２のディスプレイ領域内におけるタッチの存在及び位置を感知又は検出するように操作可能である。タッチスクリーン４２の感知された「タッチ」は、コマンド又は命令としてデバイス１２に入力され、コントローラ１８に通信される。ユーザ入力手段２６はタッチスクリーンを含むことには限定されず、本発明の別の実施形態では、入力、コマンド、又は命令を受信し、制御された相互作用を提供するための任意の適切なデバイス、システム、又は機器、例えば、キーパッド若しくはキーボード、ポインティングデバイス、又は複合デバイス、並びにボイスアクチベーション、音声及び／又は思想制御、及び／又はホログラフィー／投影イメージングを含むシステムを使用できることが理解される。

また、デバイス１２のセンサシステム又はセンサのセット４４の一部である少なくとも１つのセンサを介して入力を受信することができる。センサのセット４４内の個々のセンサは、デバイス１２、周囲環境、又はこれらに関連若しくは接続しているコンポーネント、システム、若しくはデバイスの１以上の特徴、特性、及びパラメータに関連又は関係するセンサデータ及び／又は情報をモニタリング、感知、及び捕捉若しくは収集又は測定するように操作可能である。例えば、センサのセット４４は、デバイス１２の状態及び／又はデバイス１２の周囲環境の状態に関係するセンサデータを感知及び収集するように操作可能である。実施形態では、デバイス１２の状態は、デバイス１２の位置を含む。実施形態では、デバイス１２の状態は、更に、デバイス１２の速力及び／又は速度を含む。センサのセット４４は、加速度センサ及び姿勢センサ、方位センサ及び位置センサを含む慣性センサシステムを含む。本発明の別の実施形態は、運動センサ、赤外線センサ、深さセンサ、三次元イメージングセンサ、慣性センサ、光源センサ、及びマイクロエレクトロメカニカル（ＭＥＭＳ）センサを含む、追加及び／又は別のセンサを含むことができる。

加速度センサは、デバイス１２の加速度を測定し、加速度データを作成するように操作可能である。例えば、加速度センサは、加速度計であることができる。姿勢センサは、デバイス１２の姿勢の変化速度（即ち、角速度）を測定し、姿勢データを作成するように操作可能である。例えば、姿勢センサは、ジャイロスコープであることができる。方位センサは、地球の磁極に対する方位を求め、方位データを作成するように操作可能である。例えば、方位センサは、電子コンパスであることができる。位置センサは、デバイス１２の位置を求め、位置データを作成するように操作可能である。例えば、位置センサは、全地球測位システム（ＧＰＳ）であることができる。係るセンサの使用及び操作は、当業者に周知であるので、本発明に関連する場合を除いて本明細書に更に詳細に記載する必要はない。

第１の表現であることができる少なくとも１つの表現は、ボディ１４の１以上の視覚的表現を含むことができる。記載する実施形態では、第１の表現は、ボディ１４の視覚的表現のセットを含む。したがって、センサのセット４４は、視覚的表現を含む画像を捕捉するように操作可能であるデジタルカメラの形態の画像化手段を含む。カメラは、実施形態においてデバイス１２と統合されている。画像化手段は、静止画及び／又は動画の取得を容易にする任意の好適なシステム又はデバイスを含むことができる。例えば、デバイス１２がＩＰＨＯＮＥ（登録商標）スマートフォンを含む場合、画像化手段は、ｉＳｉｇｈｔ（商標）カメラであることができる。カメラの使用及び操作は、当業者に周知であるので、本発明に関連する場合を除いて本明細書に更に詳細に記載する必要はない。

このように、デバイス１２は、ユーザ１６のボディ１４の任意のタイプ又は任意のヒトの形状表現の画像を捕捉するように操作可能である。

本発明の実施形態では、少なくとも１つの表現は、ボディの非視覚的及び／又は非可視的表現を含み得る。

コントローラ１８は、分析アプリ（図２のステップ２０１）などのアプリケーションを実行させることによって、ユーザ１６及び実行されている分析に関するユーザ入力（図２のステップ２０２）を収集及び処理するように操作可能である。実施形態では、ユーザ入力は、人口統計情報及び他の参加者の特性及び属性、医学生理学データ及び活動データを含む。更に、限定されるものではないが、性別、年齢、民族性、フィットネス、病歴、及び医学生理学データ（例えば、心拍数、血圧、ヘモグロビン、血糖値、及び活動データを収集するためのスマートウォッチ又は他のデバイスへの操作可能な接続を介して）などの詳細も含む。本発明の実施形態は、これらの入力の全てを必要とはしないが、ＡＩ／ＭＬプロセスに提供される追加情報は、実施形態のボディ組成及び人体計測推定の精度を改善する。更に、より多くの情報があれば、実施形態では、個人は、相対的な健康リスク及びウェルネスリスク並びに予測される健康リスク及びウェルネスリスクを推定するときに、高レベルの精度を有するので有利である。

デバイス１２は、用いられる知覚技術に適切なコンピュータチップ（集積回路）、トランシーバ／レシーバアンテナ、及びソフトウェアを含む、記載されるパフォーマンス及び操作を促進する動作可能に連結／接続されたコンポーネントを含む。

センサのセット４４の１以上のセンサは、デバイス１２と統合されていてよく、場合によっては、ＩＰＨＯＮＥ（登録商標）スマートフォンを含む。或いは、デバイス１２は、上記センサのセット４４のうちの１以上と操作可能に接続されていてもよい。

また、デバイスデータベース４６又はデータバンクは、記憶装置２０に存在し、アプリの制御下でコントローラ１８によってアクセス可能である。コントローラ１８は、必要に応じて、デバイスデータベース４６と相互作用して、本明細書に記載される本発明の実施形態に係るそれぞれのステップ、機能、及び／又は手順を含む動作をデバイス１２に実行させるように配置される。

例えば、サーバ３６のＢＣＴデータベース４０など、１以上の遠隔システム又はデバイス３２のそれぞれの記憶装置に存在する１以上の遠隔データベースモジュールに離れて記憶又は保存された詳細は、１以上の通信リンク３０を介してデバイス１２によってアクセス可能である。コントローラ１８は、必要なときに使用するために利用可能な離れて記憶されているコンテンツを作成するために１以上の遠隔データベースとのユーザインタラクションを容易にするように配置される。

記載されるデータベースはいずれも、任意の好適な記憶装置に存在することができ、前記記憶装置は、ソリッドステートドライブ、ハードディスクドライブ、光学ドライブ、又は磁気テープドライブを包含し得ることが理解される。記載されるデータベースは、単一の物理記憶装置に存在することができ、複数の記憶装置又はモジュールにまたがって広がっていてもよい。

当業者によく知られているように、情報及びデータをデバイスデータベース４６に読み込むか又は前記データベースから読み出すことができるようにするために、デバイスデータベース４６をコントローラ１８に接続し、データ通信させる。任意の好適なデータベース構造を用いることができ、１以上のデータベースが存在することができる。本発明の実施形態では、デバイスデータベース４６は、収集及び／又は提示される電子プログラム命令及び任意の他のデータ又は情報と同様に、（例えば、記憶装置２０における）デバイス１２のコンポーネントとしてローカルに、又は遠隔サーバなどにおいて離れて提供することができる。

同様に、当業者によく知られているように、データをＲＵデータベース３８及びＢＣＴデータベース４０に読み込む又は前記データベースから読み出すことができるようにするために、ＲＵデータベース３８及びＢＣＴデータベース４０の両方をサーバ３６に接続し、データ通信させる。任意の好適なデータベース構造を用いることができる。ＲＵデータベース３８及びＢＣＴデータベース４０のいずれか一方又は両方は、ソフトウェアのサーバセットと同様に、（例えば、記憶装置における）サーバ３６のコンポーネントとしてローカルに、又は遠隔サーバなどにおいて離れて提供することができる。実施形態では、ネットワーククライアントサーバアプリケーションを有するために幾つかのコンピュータをこのようにセットアップすることができる。記載する実施形態では、ＲＵデータベース３８及びＢＣＴデータベース４０のそれぞれを、シングルデータベース構造のパーティションとしてサーバ３６の記憶装置内部に記憶する。本発明の別の実施形態では、より多い又はより少ないデータベースが存在することができる。

次に、システム１０の具体的なコンポーネントについて更に詳細に記載する。

ＢＣＴデータベース４０
更に詳細に説明するように、ＢＣＴデータベース４０は、ヒトの医用画像、ボディ組成、人体測定、参加者の特徴及び属性、医学生理学情報及び疫学情報の統合された大量且つ多様な世界規模のデータベースを含み、これらは、各参加者のヒトの画像を同時に収集する間に収集される。ＢＣＴデータベース４０は、ヒトの内因性及び外因性のボディ及び健康に関する豊富な情報を有する。

ＢＣＴデータベース４０の確立は、本発明の説明された実施形態の重要なコンポーネントである。世界最大で最も認知されているデータセットである全国健康栄養検査調査（ＮＨＡＮＥＳ）（前記データタイプの全てではないがその一部は、異なる時間に収集される）などの既存のデータベースとは異なり、本発明の実施形態では、自身のボディの詳細をＢＣＴデータベース４０に提供する各参加者の場合、多次元データタイプが同時且つ並行して収集される一方、ヒトの画像も収集されて、統合されたＢＣＴデータベース４０の基盤を形成する（本発明の実施形態では、これは、追加のデータを収集するために、異なる時点で、又は一定期間に亘って行うことができる）。これについて、以下、図面の図４及び図５を参照して更に詳細に記載する。

実施形態では、全てのヒトデータ収集は、体系的で、倫理的で、経験的に検証された、国際的に認められた標準及びデータ品質管理手順に基づいて構築されている。これは、実施形態の３つの重要な開発要件を確実に達成することを目的としている。即ち、ｉ）変数間の高い測定忠実度。ｉｉ）大容量で不均一なデータベース用のマルチレベルで安全なデータ記憶装置。ｉｉｉ）正確で再現性のある予測能力。

本発明の実施形態は、ＣＶ、ＭＬ／ＡＩアプローチ及びモデルが、個人の人体計測及びボディ組成を正確に推定できるようにするために、グローバルな又は世界の集団を代表する、情報を提供するヒトの参加者の大規模な異種サンプルのボディの詳細を収集することを必要とする。ＢＣＴデータベース４０に、それぞれのボディの詳細を提供する参加者は、例えば、性別、年齢、民族性、フィットネス状態、及び健康状態を含む、多種多様な参加者の特性及び属性について層別化される。民族としては、白人、ヒスパニック、中東、アジア、インド、及びアフリカが挙げられるが、これらに限定されない。実施形態では、不均一な世界規模の集団における同種コホートの大規模サンプルが必要であるので、統一された計測値間の参加者レベルの分散及び共分散を正しくモデル化することができる。これらの統一されたデータ収集のスケールは、本発明の実施形態に固有であり、有利なことには、世界の人口から医学生理学情報、参加者の特性及び属性、人体計測及びボディ組成、並びに疫学的データを同時に収集しながら、２Ｄ、３Ｄ、又は４Ｄ画像の収集のための統一されたデータ収集プロトコルを提示する。

本発明の実施形態のこの部分は、医療及び健康、フィットネス、保険、及び政府の各セクタにおいて特に有利である。その理由は、より広い医療技術分野内の他の技術では、較正された実験室環境で高価な３Ｄスキャン技術を使用しないと、正確で（１０２）、アクセスし易く（１０１）、手頃な（１０３）ヒトボディ表現を得ることができないからである。これに関して、本発明の記載された実施形態は、図１を参照して前述した理想的なボディ組成推定方法の３つの利点の全てを達成することができる。事実、先行技術の全てではないにしても大部分は、医用ボディ組成スキャンと同等の精度を達成できておらず、このことが、本発明の実施形態の動機となった。

本発明の実施形態では、ＢＣＴデータベース４０に情報を提供する各参加者について、それぞれのボディの詳細の６つの一般的な計測が並行して行われ、これが、ＢＣＴデータベース４０の基礎を形成する（図面の図５に示される）。これらの詳細としては、
ｉ）例えば、性別、年齢、民族性、フィットネス、及び病歴を含む、参加者の特性及び属性（ステップ５０１）、
ｉｉ）例えば、体重、身長、腹囲、臀部、胸、大腿、上腕骨、腓腹筋、及び股下などを含む、参加者の人体計測（ステップ５０２）、
ｉｉｉ）例えば、写真、ビデオ、深さ画像、３Ｄスキャン又は３Ｄ再構成点群又はメッシュのうちの１つ以上を含む、２Ｄ、３Ｄ・・・ｎＤ画像又は他のボディ表現データ（ステップ５０３）を含む表現、
ｉｖ）例えば、焦点距離、３Ｄの姿勢及び配向（例えば、ジャイロデータ）、解像度、サイズ、及び深さ、視野、回転、及び座標系に関する変換を含む画像捕捉デバイスの内因性及び外因性パラメータ（ＤＥＸＡ／ＤＸＡスキャナなどの医用画像の場合、これらのパラメータは、較正パターン及び幻肢（ｐｈａｎｔｏｍ）に照合させるデータ、実際の世界での計測値（例えば、ｃｍ又はインチ単位）に照合させるスキャナのピクセルサイズなどの追加データを含むことができる。）、
ｖ）例えば、心拍数、収縮期及び拡張期血圧、ＶＯ２ｍａｘ、例えば、血糖値、血中乳酸値、体温、呼吸、ゲノム用の血液サンプルのうちの１以上を含む医学生理学的計測値（ステップ５０７）、
ｖｉ）例えば、ＰＥＴ、ＣＴ、ＭＲＩ、及びＤＸＡのうちの１以上を含む医用画像データ（ステップ５０８）、及び
ｖｉｉ）例えば、前糖尿病、心血管疾患、関節変形性関節症、死亡率、転倒発生率のうちの１以上を含む疫学データ（ステップ５０９）が挙げられる。

ＢＣＴデータベースに記録される詳細の測定は、「並行」且つ「同時」に行われる。本発明の実施形態の文脈において、一般に、飲料摂取、食品摂取、脱水、又は糞便などの自然なヒトのプロセスが、例えば、得られる計測値に影響を及ぼさないような、収集されるデータにとって実行可能な期間内に（好ましくは短い期間内に）データが記録されることを意味する。例えば、脱水は、ボディ組成スキャナの正確さに影響を与えると報告されており、一般的に言えば、ボディ形状又は体重の未制御変化を最小限に抑制又は低減するため、前述のボディデータを短期間で取得することが重要であり、したがって、データ計測期間は、同時且つ並行であることが重要である。したがって、これらの用語は、リアルタイムで同時を意味することに限定されるものではなく、飲料摂取、食品摂取、脱水、又は糞便などの自然なヒトのプロセスが、例えば、得られる計測値に影響を及ぼさないような、収集されるデータにとって実行可能な期間内を意味する。

本発明の実施形態では、追加のデータが異なる時間間隔で収集され、有利なことに、経時で収集される参加者（ヒト）の形状とデータの時間的モデリングの作成及び／又は開発を可能にし、統計学的に意味のある診断トラッカを導き出し、物理的に意味のあるリスク分析及び／又は傾向を達成する。

実施形態では、ＢＣＴデータベース４０は、Ｈｅａｌｔｈ Ｉｎｓｕｒａｎｃｅ Ｐｏｒｔａｂｉｌｉｔｙ ａｎｄ Ａｃｃｏｕｎｔａｂｉｌｉｔｙ Ａｃｔ （ＨＩＰＰＡ）に準拠したデータベースであり、全てのデータが、世界保健機関（ＷＨＯ）によって概説される関連ガイドラインにしたがい、人類による研究の倫理基準及び手順に則って、ＢＣＴデータベース４０に収集、処理、及び格納される。収集されたヒトのデータはいずれも、実施形態では、ヒトのデータが取得される地域の国家、地方、及び制度上の規制及び方針の倫理基準にしたがう。技術的観点から、これは、本発明の実施形態の技術が、収集された（収集される）ヒトのデータからの１以上の基準に基づいて、個人をグローバル、ローカルに対してクラスタリング及び比較を行うことが可能になり有利である。

実施形態では、ＢＣＴデータベース４０にコンパイルされたデータの品質管理のために、例えば、性別、年齢、フィットネス、病歴、及び民族性などの参加者の特性及び属性データを含む、情報を提供する参加者のそれぞれのボディの詳細が収集される。これらは、データの階層化とクラスタリングに使用される。

実施形態では、前述したように、例えば、セグメントの円周及びセグメントの長さなどの人体計測データが、各参加者について記録される（ステップ５０２）。各計測は、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｔａｎｄａｒｄｓ ｆｏｒ Ａｎｔｈｒｏｐｏｍｅｔｒｉｃ Ａｓｓｅｓｓｍｅｎｔ（ＩＳＡＫ）にしたがって行われる。実施形態では、これに関して各計測は２回行われる。２つの計測値が互いに２％を超えて異なる場合は、第３の計測値を取得する。第３の計測値に最も近い計測値が、第３のデータポイントの２％以内にある場合、この計測値が採用され、他方の計測値は破棄される。この実施形態では、正確で再現性のあるＣＶ／ＭＬ／ＡＩの各モデル及び技術の訓練及び開発にとって重要であるので、このデータが正しく収集されることが重要である。これにより、体囲計測値の推定と３Ｄボディ形状の生成が可能になり、これらの推定の分野の専門家による外部検証も可能になり有利である。したがって、本発明の実施形態は、ＭＬ／ＡＩモデルの訓練のために、２Ｄ／３Ｄボディ形状、医学生理学情報、及び参加者の特性情報に加えて、人体計測を組み込んでおり有利である。更に、追加の試験では、資格のあるＩＳＡＫの専門家の計測値が、外れ値又はバイアスの特定、特定の計測値の信頼性を表すスコア因子を計測者に割り当てるための平均値の差などの統計学的検定を受ける。係るプロセスは、また、ＭＬ予測及び回帰モデルの訓練、検証、及び検定に必要な強力且つ信頼性の高いデータの特定に有利である。

有利なことに、本発明の実施形態では、ボディの詳細を提供する各参加者のそれぞれのボディのヒトの画像の形態である表現は、ＢＣＴデータベース４０のために収集された詳細の他の重要なデータ、特に医用画像と並行して収集される。記載される実施形態では、ヒトの２Ｄ又は３Ｄ画像データを捕捉するプロセスは、手頃な手段としてスマートフォンデバイス（ステップ５０３）を使用して行われるが、全てのプロセス及びプロトコルはまた、３Ｄスキャナ、ステレオスコピック、フォトグラフィック、又はビデオデバイスなど、様々なデバイスによって収集されたヒトの２Ｄ、３Ｄ、又は４Ｄ画像又はボディ表現データに適用可能であることが理解される。これらとしては、限定されるものではないが、ａ）スマートデバイス、ｂ）タブレット、ｃ）ＰＣ又はラップトップ、ｄ）ウェブカメラ、ｅ）高解像度及び低解像度のデジタルカメラ、ｆ）高解像度及び低解像度のデジタルビデオレコーダ、ｇ）高速及び低速ビデオ（即ち、５０Ｈｚ及び１０，０００Ｈｚ）、ｈ）光電子デバイス、ｉ）赤外線写真、ｊ）熱イメージング、及びｋ）パッシブ及びアクティブステレオスコピックモーション捕捉システムなどのデバイスが挙げられる。３Ｄは、３Ｄ形状表現及び経時変化する２Ｄ表現も意味する。４Ｄは、経時変化する３Ｄ表現も意味する。

実施形態では、オフライン段階の間、及び２Ｄ、３Ｄ、又は４Ｄイメージングの収集時点で、各参加者は、信頼性の高い写真撮影及びビデオ記録を達成するために考案されたプロトコルにしたがって準備、ガイドされ、いくつかの基準にしたがう。これは、照明及びバックグラウンドノイズなどの環境要因（例えば、参加者と同一のボリュームで現れるオブジェクト）の制御を含む。参加者はいずれも、標準化された衣服を着用する必要がある。実施形態では、これは、形状適合性の性質を有し、スキャナデータを変更しない材料で形成されており、画像又はボディ表現データが個人のボディ形状を正確に反映することを可能にする。これらの基準は、実施形態では、オフライン段階で正確なグラウンドトゥルースデータにとって重要であるが、オンライン段階では、個人は、現実的な緩和された基準にしたがうように指示され、次いで、発明された新たなＣＶ、ＭＬ／ＡＩアプローチが、本明細書で更に詳細に説明される、システム１０の使用時に生じる様々なバックグラウンド及び他の困難な事項に対処することが重要である。

オフライン段階では、２Ｄ、３Ｄ・・・ｎＤ画像デバイスの焦点距離、姿勢（ピッチ、ロール、及びヨー）、画像の解像度、深さ、及び高さも記録される。実際に、通常、デバイスの全ての固有パラメータが実施形態に記録される。このデータは、ヒトの画像の並進及び回転又は一般的な投影、規格化、及び前処理（ステップ５０３）、及びそれらの対応する医用画像との位置合わせ及びアラインメント（ステップ５１０）に必要であるので、この実施形態にとって重要な計測値である。これは、ＢＣＴデータベース４０がヒトの画像データを、ヒトの画像データの２Ｄ及び３Ｄセグメンテーションのための医用画像データに位置合わせする、本発明の実施形態の更なる有利な特徴である。

実施形態では、医学生理学的計測値などの変数（ステップ５０７）もまた、ヒトの画像、医用画像、及びボディ組成データと並行して測定される詳細である。医学生理学データとしては、限定されるものではないが、ＢＣＴデータベース４０に情報を提供する参加者のそれぞれのボディのａ）心拍数、ｂ）収縮期及び弛緩期血圧、ｃ）ＶＯ_２ｍａｘ、ｄ）血糖、Ｈｂ１（Ａｃ）、及び血中乳酸の各レベルなどのための血液サンプル、ｅ）体温、ｆ）呼吸、及びｇ）ゲノムが挙げられる。再度述べるが、これらを並行して計測することが、医学生理学データを、統合されたモジュール／システムでヒトの画像、人体計測、及び疫学データと共に使用して、個人のボディ組成、前糖尿病、慢性的な健康状態、筋骨格障害、及び死亡リスクを予測する実施形態、実施にとって有利である。

実施形態では、医用画像データを収集し、ヒトの画像と並べて位置合わせ／アラインメントさせることが有利なプロセスであり、実施形態では、これらの２つのデータセットを（それぞれの参加者のボディについて）互いに位置合わせすることが重要である。医用画像データ（ステップ５０８）から、ｉ）個人の全身骨格データ／ボディ形状の画像（ステップ５１０）とｉｉ）ボディ組成データ（ステップ５１１）の両方が導かれる。実施形態では、医用画像データが、単一の較正された医用画像装置から得られる全身形状、骨格、及びボディ組成データの両方を含むことが重要である。ユニーク且つ有利なことに、これは、関節及び解剖学的ランドマーク推定並びにセグメンテーション手順をガイドし、これらは、以下で更に詳細に記載されるが、個人の全身及びセグメント化された２Ｄ画像及び３Ｄ形状からボディ組成を推定するために使用される。

実施形態では、疫学データは、データ収集（断面）期間中に各参加者から得られ、且つデータ収集後の離散時間間隔（例えば、１年、２年、４年、８年、１６年）で前向きに得られる。経時で繰り返される同一参加者の疫学データは、より正確な予測健康モデルの開発を可能にするため有利であり、医療従事者及び研究者によって現在使用される予測式で提示される誤差を更に補正する。疫学データは、例えば、１）個人による自己申告、２）個人の個人医療記録、３）政府のデータベースなど、４）自動的に検出されたデータ、例えば、スマートフォン又は画像及び／又は他の処理を介して得られたデータなど、様々な場所から取得できる。自己申告データの場合、実施形態では、これらは、個人のあるタイプの医療記録と相互参照することによって検証される必要がある。実施形態では、疫学データはいずれも、認可された医療機関によって検証され、前糖尿病、慢性健康疾患、筋骨格障害、及び死亡率の全ての予測ＭＬモデル及び式が堅牢であり、高レベルの特異性及び感度を確実に満たそうとすることが重要である。疫学データとしては、例えば、前糖尿病、糖尿病、心血管疾患、癌、死亡率、転倒、除脂肪筋組織量の有意な減少、関節変形性関節症の発症の診断が挙げられるが、これらに限定されない。

これは、本発明の実施形態の別の有利な特徴である。これに関して、現在の先行技術の多くは、形状及びボリュームを個人のボディの３Ｄ表現に適合させることによってボディ組成を計算し、次いで、自由度が制限された線形回帰法を使用して、ボリュームと形状との間の関係を、ＭＲＩ又はＣＴスキャンから計測されたボディ組成出力にモデル化する。実施形態のように、医用画像（ステップ５１０）から得られた個人の解剖学的構造を、個人の２Ｄ又は３Ｄ表現に位置合わせする試みは行っていない。このことは、個人の２Ｄ及び３Ｄ形状を高い信頼性で繰り返しセグメント化する能力の過去のアプローチの制限を浮き彫りにする。その理由は、対象固有の解剖学的情報がこれらのアプローチのガイドに使用されていないからである。実施形態のアプローチにおいて解剖学的に（例えば関節を使用して）ガイドされたデータ、形状、及びボディパーツを有することはまた、あるヒトと別のヒトとの間の正確で公正且つ統計的に意味のある比較、又は経時的なヒトの変化を追跡及び比較することを可能にする。

ＢＣＴデータベース４０ 品質保証と新たな医療及びヒトの画像処理技術の説明
更に詳細に説明するように、ＢＣＴデータベース４０の医用画像及び医療データの捕捉段階に関して、品質保証及び前処理の各ステップが開発されている（図６ａ）。特に、品質保証及び前処理技術は、ＢＣＴデータベース用の画像、ビデオ又はビデオフレーム、深さ画像を含む２．ｘＤ画像、及び３Ｄボディスキャンの形態であり得るヒトの画像の捕捉段階に関するＢＣＴデータベース４０のために開発されている（図６ｂ）。ＢＣＴデータベース４０用の人体計測データの捕捉段階に関する品質保証及び前処理の各ステップが開発されている。更に、ＢＣＴデータベース４０用の動的データの捕捉段階に関する品質保証及び前処理の各ステップが開発されている。

ＨＩＰＡＡ準拠のＢＣＴデータベース４０内への記憶装置受け入れ前に、収集されたデータは、本発明の実施形態に固有の品質保証プロトコル及び本発明の実施形態に固有のヒト及び医用画像の画像処理技術で処理され、解剖学的ランドマーク及び関心のある領域を特定する。これらのデータ品質管理手順及び画像処理技術は、実施形態では、医用画像データのヒトの画像データへの正しい位置合わせと、ボディ組成及び慢性的な健康障害及び筋骨格障害のリスクを高い特異性と感度で予測する信頼できるＭＬ／ＡＩモデルの開発にとって重要である。

図面の図６を参照すると、品質保証プロトコルにしたがって、受信された医学生理学情報、人体計測、及びボディ組成の詳細の全てが、ＢＣＴデータベース４０に受け付けられる前にデータ確認アルゴリズムを使用してチェックされる（ステップ６０１）。ここで、ＢＣＴデータベース４０に受け付けられる前に、各医学生理学情報、人体計測、及びボディ組成変数（ステップ６０２）が、過去に収集されたデータのグローバルデータベースのガウス分布と比較される（ステップ６０３）。次いで、医用画像確認アルゴリズム（ステップ６０４）は、２Ｄ及び３Ｄ医用画像データの質を検証する（ステップ６０５）。

図面の図７に示すように、画像処理技術により、解剖学的ランドマークが医用画像から特定される。まず、医用画像のぞれぞれを、訓練された研究者によって視覚的に評価した。この目視検査中に、各医用画像の特定の解剖学的ランドマークが２次元（ｘ，ｙデカルト座標）又は３次元（ｘ，ｙ，ｚデカルト座標）でデジタル化される。これは、医用画像が、２Ｄ（ＤＸＡなど）又は３Ｄ（ＭＲＩやＣＴなど）で収集されたかによって異なる。特定される具体的な解剖学的ランドマークは、上肢と下肢の関節の中心（即ち、手首、肘、肩、臀部、膝、足首）（７０２）と、大腿骨頸部の中点である。更に、腸骨稜の最上部（即ち、骨盤）と下顎骨の下縁（即ち、顎）を二分する線又は平面、Ｔ１２／Ｌ１椎骨の高さと脚の指節骨の下縁を記録する（７０１）。

視覚的に定義された２Ｄ又は３Ｄ座標（７０２）とベクトル／平面（７０１）を備えた十分に大きな医用画像のサンプルが照合されると、個人の解剖学的構造を定義する関節の中心位置、ベクトル及び平面を、医用画像データから特定するために必要な手順を半自動化するためにＭＬ／ＡＩモデルが開発された。図面の図８を参照すると、実施形態では、ＭＬ／ＡＩモデルの入力（８０１）変数は、参加者特性データ（８０４）、実験的に測定された人体計測データ（８０３）、及びスケーリングされた２Ｄ又は３Ｄ医用画像（８０２）である。ＭＬ／ＡＩモデルの出力（８０６）は、手首、肘、肩、臀部、膝関節、足首関節、及び大腿骨頸部の中点（８０８）のユーザ定義の２Ｄ又は３Ｄ座標でスケーリングされた２Ｄ又は３Ｄ医用画像データである。出力としては、腸骨稜の最上部、下顎骨の下縁、Ｔ１２／Ｌ１椎骨の高さと脚の下縁を二分するベクトル又は平面が挙げられる（８０７）。これらの出力は、ＢＣＴデータベース４０に保存される。

図面の図９を参照すると、これらの参加者固有の解剖学的に関連する関節の中心と平面を使用して、全身形状（９０１）を特定の関心のある領域にセグメント化又は「カット」する。実施形態では、これらの関心のある領域（ＲＯＩ）としては、
ｉ）腕：顎の下の平面、肩関節の中心、骨盤より上の平面、及び脚より下の平面を通る平面。
ｉｉ）脚：セグメントの近位部は、骨盤の上の側方境界から大腿骨頸部の中点を通る平面を使用して定義される。このセグメントの遠位部は、脚の下縁になる。
ｉｉｉ）頭：顎の下の平面の上のボリューム。
ｉｖ）体幹：この領域は、腕、脚、及び頭を引いた全身として定義される（９０２）。
ｖ）アンドロイド領域：骨盤の上面と下顎骨（即ち、顎）の下面との間の垂直方向の長さ（Ｙ軸）の２０％の、骨盤の上面と平行面との間のボリューム（９０３）。
ｖｉ）ガイノイド領域：骨盤の上面（平面Ａ）の下方に位置する、アンドロイド領域の垂直方向の長さ（Ｙ軸）の１．５倍に位置する面と、平面Ａより下方の、アンドロイド領域の長さの２倍の平行面との間のボリューム（９０４）。
ｖｉｉ）内臓領域：内臓領域は、アンドロイド領域に含まれる。アンドロイド領域は、内臓脂肪と皮下脂肪の両方を含み、皮下脂肪は、腹腔の周りに不均一な層を形成する。この皮下脂肪のボリュームが計算され、次いで、アンドロイド領域の総アンドロイド脂肪から減じられ、内臓脂肪が得られる（９０５）。

この実施形態では、これらのセグメント及び領域が参加者間で確実にセグメント化されることが重要である。その理由は、２Ｄ及び３Ｄのこれらの形状を、ＭＬ／ＡＩモデルの他の入力変数と共に使用して、個人のセグメント及び全身組成（即ち、総セグメント及び領域の除脂肪量及び脂肪量）を予測するからである。

本発明の実施形態で使用されるこの解剖学的ガイドアプローチは、有利なことに、ＢＣＴデータベース４０の全てのヒトの医用画像が、単純化された幾何学形状ではなく、参加者固有の解剖学的情報（即ち、関節中心及び解剖学的ランドマーク）を用いる２Ｄ又は３Ｄ座標（７０２）、ベクトル及び又は面（７０１）で数学的に定義される。幾何学的なヒトの形状が、ＤＥＸＡ、ＣＴ、又はＭＲＩスキャンを使用して得られたヒト及びそれに関連する医用画像の生態学的に有効な表現であるためには、解剖学的定義に準拠し、医療スキャンに見られる正確な物理的ランドマーク（例えば、関節）を表現できる必要がある。実施形態では、ボディ組成の特性及び値は、ヒトの標準的な幾何学的形状（例えば、３Ｄ形状スキャン）のみに依存するだけでなく、有効な関節中心などの解剖学的データも必要とする。

実施形態のＢＣＴデータベース４０は、世界最大の米国のデータベースである全国健康栄養検査調査（ＮＨＡＮＥＳ）などの多くの既存のデータベースと比較した場合に、それが有する視覚的、医学的、及び他の臨床的及び物理的統計情報データが豊富でユニークなタイプであることから、ユニークなデータである。実施形態では、ＢＣＴデータは、世界の様々な地域から収集され、その分野の専門家によって独立して検証される。

ボディ形状と構成を学習し、ヒトの画像に関係付けるＣＶ、ＭＬ、及びＡＩの技術とモデル
前記概説及び記載したステップ、即ち、
ｉ）ヒトの画像が医用画像及び他のデータと並行して収集される、大規模で不均一なデータベース（即ち、ＢＣＴデータベース４０）の収集、
ｉｉ）収集されたデータの高レベル品質の保証、及び
ｉｉｉ）医用及びヒトの画像を定義する正確な解剖学的関節と指定されたＲＯＩの使用は、実施形態は、ｉ）十分であり、ｉｉ）データ入力がＣＶ／ＭＬ／ＡＩアルゴリズムを訓練して、個人のボディ組成と人体計測を繰り返し正確に予測できるようにするのに十分に正確であり、ｉｉｉ）正確な解剖学的関節と品質保証プロトコルの使用により、データの堅牢で正確な統一表現を可能にするのに重要であることが分かった。統一された表現は、本発明の実施形態でＣＶ及びＭＬを使用するときの重要なプロセスである。簡単に言うと、統一された表現とは、全参加者にとって一意で同一の階層構造を使用してデータ又は画像を表現する方法である。非常に簡単な例として、ＭＬモデルに必要な画像サイズ（Ｍ×Ｎ）であり、臀部中央の位置を中心とする必要がある場合には、そのサイズが（Ｍ×Ｎ）になり、臀部中央の位置が中心に配置されるように、任意の画像サイズの参加者画像を規格化又は事前加工する必要がある。

実施形態の関係付け又は関係付けることは、ボディ形状及び組成とヒトの画像との間の関係の例である。他の実施形態では、追加の及び／又は代替の関係が可能である。これらは、各参加者のそれぞれのボディの統一された表現に、位置合わせされる、及び／又はアラインメントされる、及び／又は一致させられることを含むことができる。

実施形態では、ＢＣＴデータベース４０の様々なコンポーネント間の関係の機械知能学習を使用し、ＢＣＴデータベース４０に情報を提供し、格納されている参加者の詳細の、ヒトの画像及びそれに関連する参加者の特性及び属性、並びに医学生理学情報から、ボディ組成及び体囲の推定を可能にする、オフラインで開発された４つのプロセス（１以上の異なるＣＶ／ＭＬ／ＡＩモデルを含み得る）が存在する。

図面の図３を参照すると、第１のプロセスは、オフラインで開発されたＣＶ／ＭＬ／ＡＩモデル（ステップ３０２）を含み、ヒトの画像から対象又はユーザ固有の解剖学的情報及び関節を推定することができ、そのように操作可能であるモデルである。ＢＣＴデータベース４０のデータは、このモデルを訓練するために使用される。図１４ａ～図１４ｄに示すように、関節とボディ組成を含む医用画像と、同時に収集されたヒトの画像との両方を有することは、ヒトの画像だけから関節と解剖学的ランドマークの両方を推定するようにＣＶ／ＭＬ／ＡＩモデルを訓練することができる。

特に、図１４ａ～図１４ｄに示される画像は、機械学習訓練用に強調表示された関節（図１４ｂ）を含む元の医用画像（図１４ａ）を示す。これらの関節により、ＭＬ／ＡＩアルゴリズムは、ヒトの姿勢に関係なく（即ち、姿勢一定）、骨格とボディ組成の画像に対してそれぞれ示される（図１４ｃ）と（図１４ｄ）の関心のある領域を定義できる。

図１５ａ及び図１５ｂに示される図は、ＢＣＴデータベース４０のデータを使用して訓練されたＣＶ／ＭＬ／ＡＩモデルを使用して、特定の正面及び側面のヒトの画像に基づいて、特定の解剖学的に重要なランドマーク及び関節中心がどのように推定されたかを示す。

関節中心及び解剖学的ランドマークの推定は、本発明の実施形態のプロセスの有利な特徴であり、ボディ組成及びボディ計測推定値の正確さに改善をもたらす。また、開発されたＣＶ／ＭＬ／ＡＩモデルは、図示されているものよりも多くの関節中心を推定することができる。

第２のプロセス（ステップ３０２）は、前述の図９に示されるＲＯＩに基づいて、これらの解剖学的ランドマークを使用してボディパーツセグメンテーションを推定するために開発されたモデルを有する。ボディのこれらのＲＯＩとセグメントが必要であり、本発明の実施形態では、システム１０によって用いられて、全身及びセグメントの除脂肪量、総脂肪測定値及び中心部脂肪測定値、並びにボディの周囲、面積、体積、及び総ボディ重量などの人体計測などの様々なボディ組成推定値を推定することができる。

このセグメンテーションの方法は、このプロセスに有利である。本発明の実施形態より前は、３Ｄスキャナからボディ組成を推定するために使用されるボディのセグメンテーションは、図１６に示されるようにボディを特定領域に切断することに基づいていた。解剖学的ランドマーク及び関節情報は、実施形態のように決定及び使用されていなかった。

セグメンテーションのこの有利な方法を介して、システム１０は操作可能であり、解剖学的ランドマーク及び関節を推定することができ、したがって、実際の関節情報が利用可能な医用画像をセグメント化するときと同様の方法でボディをセグメント化することができる。２種類の方法の違いは、図１６と図１７の画像を比較することで確認でき、これらは、ボディパーツセグメンテーションに解剖学的ランドマークと関節中心を使用しない場合（図１６）と使用した場合（図１７）の３Ｄセグメンテーションを示す。

第３のプロセス（ステップ３０３）は、ＣＶ／ＭＬ／ＡＩモデルを訓練するために使用されるＢＣＴデータベース４０のデータ用に、特徴、ラベル画像、２Ｄ及び３Ｄボディ形状を抽出するためのＢＣＴデータベース４０のデータの処理を含む。これらの特徴が特定のヒトの画像に対してどのように準備されるかを表す例を、図１８に示す。

第４のプロセス（ステップ３０４）は、ボディ組成とボディ計測値の推定値を生成するために、抽出された特徴及びラベル画像、２Ｄ及び３Ｄボディ形状を、他の医学生理学情報、参加者の特性及び属性と組み合わされるＢＣＴデータベース４０のデータに用いるＭＬ／ＡＩモデルの訓練を含む。

参加者の非視覚的データのモデリングアプローチによる予備的結果、及び実施形態のシステム１０を使用する参加者の２Ｄ画像のみを使用することは、３Ｄスキャナと、Ｎｇら（Ｎｇ ｅｔ ａｌ． （２０１６）．Ｃｌｉｎｉｃａｌ ａｎｔｈｒｏｐｏｍｅｔｒｉｃｓ ａｎｄ ｂｏｄｙ ｃｏｍｐｏｓｉｔｉｏｎ ｆｒｏｍ ３Ｄ ｗｈｏｌｅ－ｂｏｄｙ ｓｕｒｆａｃｅ ｓｃａｎｓ．）により公開された最新アプローチとに基づく線形回帰を使用して達成された結果と同程度に正確であることが分かった。また、本発明者らの予備的結果のサンプルサイズは、現在の技術水準で使用されているサイズよりも大きいので、より大きなサンプルサイズに亘って同一の正確さを維持し、標準的な画像のみを使用するので、アプローチはより広範に亘る。

ＢＣＴデータベース４０のサイズ及び多様性が増すにつれて、システム１０のプロセス及び画像特徴抽出技術は、正確さが向上した、堅牢で、改良され、微調整されたＭＬモデルをもたらす。これは、異なるデータ間の相互関係が統計的に意味があり、有効であるためである。

ヒトの画像から形状及び健康リスクを推定するためのアプリケーションを制御及び実行するコントローラ１８を備えたデバイス１２
アプリがデバイス１２にインストールされると、又は本発明のソフトウェアが記憶され実行されるＳＤＫ若しくはサービスが呼び出されるとと、コントローラ１８は、カメラを介して捕捉される画像などのセンサのセット４４のセンサを介して感知されるデータ及び／又は情報を含む情報及び／又はデータ、デバイス１２及びシステム１０の操作に関する命令及びコマンドを入力又は捕捉できるようにする一連のナビゲーション可能な電子ページ、スクリーン、及びフォームを、タッチスクリーン４２を介してデバイス１２のユーザ１６に提示するように、分析アプリの制御下で操作可能になる。

記載される実施形態では、サーバ３６のサーバソフトウェアセットは、ウェブサーバアプリケーション、レジストレーション及びリクエストアプリケーション、画像処理アプリケーション、通信アプリケーション、インボイス／請求書作成アプリケーション、及び支払処理アプリケーションを含む。

更に詳細に記載されるように、サーバソフトウェアセットのそれぞれのアプリケーションを介して、サーバ３６は、以下を含む機能及び動作を実行するように操作可能である：ユーザデータの登録及び共有；データの抽出、データの変換、及びアプリを介して受信されるデータとの結合を含むデータの処理；並びにアプリインタフェースを通過する全てのリアルタイムデータ。

ウェブサーバアプリケーションは、ウェブページ又は他の電子ページ若しくは画面などの専用ウェブサイトを介して、システム１０の既存のユーザ又は潜在ユーザにシステム１０に関するコンテンツを配信するように操作可能である。このウェブサイトは、通信ネットワークを介してシステム１０とデータ通信するように操作可能に連結される、ノートパソコン又はスマートフォン（実施形態におけるデバイス１２を含む）などのインターネット接続可能なモバイル通信デバイスのウェブブラウザを介してアクセス可能である。記載される実施形態では、データ通信の手段は、インターネットを介しているが、本発明の他の実施形態では他の手段、例えば、直接接続を使用することができる。

コンテンツは、健康とウェルネスに関する一般的な情報、例えば、ＹｏｕＴｕｂｅ（登録商標）、Ｆａｃｅｂｏｏｋ^ＴＭ、及び／又はＴｗｉｔｔｅｒ^ＴＭとして提供されているサービスを含む、フォーラム又は媒体のうちの適切な１つ又は組合せを介して配信される公告及び販促又は広報情報を含むことができる。

アクセス可能なウェブページは、ユーザによってシステム１０の初回使用時に完了されるオンライン登録ページ１１０、及びリクエストページ１１２を含む。ウェブサイトアプリケーションは、システムの潜在ユーザがユーザとして手動で自身を登録又は記録して、パーソナルアカウントを作成し、システム１０からの出力をリクエストして、デバイス１２のディスプレイ２２を介して表示することができるように操作可能である。実施形態では、出力は、ユーザの３次元（３Ｄ）ボディ形状及びそれに関連するボディ組成並びに健康リスク及びウェルネスのリスクの推定値を含む。出力は、ユーザの形状、身体的、生態学的特性、及び／又は少なくとも１つの３次元（３Ｄ）形状とそれに関連する人体計測、ボディ組成、並びに健康リスク及びウェルネスリスクの推定値を含むことができる。出力されたユーザのボディ形状は、ボディの第２の表現と称されることがあり、ユーザのボディのパーソナライズされた対象固有の画像、又はそれに近い若しくは正確なパーソナライズされた対象固有の画像を含むことができる。提供された画像はアバターと称されることがある。このように、文字、画像、メッシュ、３Ｄ、ビデオ、アイコン、仮想現実、及びグラフのうちの少なくとも１つを介する分析の視覚化を、出力に示すことができる。

これは、登録及び要求ページ１１０及び１１２を介して、ユーザ登録及び要求情報のそれぞれを含む電子登録及び要求フォームの形式で、通信をユーザが完了し、サーバ３６に送信する（ステップ２０１及び２０２）ことによって容易になる。

ユーザ登録情報は、以下を含む、ユーザ及びそのボディに関する情報及び／又はデータを含む詳細を含む。

１）ユーザの同定及び連絡先の詳細：ユーザの同定及び通信を容易にする細目。これら細目は、ユーザの非公開フルネーム、システム１０を使用するときのためのユーザネーム、非公開の自宅住所、転送対応のために用いられる物理アドレス及び／又は電子メールアドレス、連絡先電話番号、認証情報（例えば、パスワード）、並びに適用可能な場合、任意の他の固有の及び／又は関連する識別情報を含むことができる。システム１０を用いて作成されるアバターに関する対応及び請求書作成を含む情報は、ユーザと通信するためのシステム１０によって用いられる。

２）ユーザのボディの詳細：ユーザのボディに関する情報及び／又はデータ。記載する実施形態では、これは、性別／ジェンダー、高さ、重量、衣類サイズ（例えば、数例を挙げると、Ｓ、Ｍ、Ｌ、ＸＬ、又はＸＸＬ）、年齢／誕生日、及び民族を含むボディの形態計測データを含む。本発明の別の実施形態では、ユーザのボディに関連及び／又は関係する追加の及び／又は別の詳細をリクエストすることができる。

３）請求書作成及び支払詳細：請求書を作成し、ユーザがシステム１０を使用するための支払を行う責任がある債務者（人）から支払を受け取るのを容易にする詳細。請求書作成の詳細は、例えば、処理及び支払のための課金通知を含む転送対応のために用いられる物理アドレス及び／又は電子メールアドレスを含むことができる。支払詳細は、実施形態における分析の実行及び推定の提供などのシステム１０を介して実行される動作に関連するアイテムを購入するために記憶及び使用される、債務者のクレジットカードアカウントなどの金融口座の詳細を含むことができる。例えば、本発明の実施形態において、ＰａｙＰａｌ及びＢｉｔｃｏｉｎ（ＢＴＣ）サービスが挙げられるが、これらに限定されない、追加の及び／又は別の支払処理プラットフォームを使用することもできる。

リクエスト情報は、第１の表現を含む。既に記載した通り、この実施形態では、第１の表現は、ボディ１４の視覚的表現のセットを含む。好ましくは、視覚的表現のセット内の視覚的表現は、ボディ１４の様々な図を含み、これらは、対照的な実質的にクラッタ／ノイズを含まない（即ち、非ビジーな）バックグラウンドの前に位置するボディ１４で捕捉される（ステップ２０３～２０５）。特に、記載する実施形態では、視覚的表現のセットは、非限定的な例として、ボディ１４の２枚の写真を含み、第１の写真はボディ１４の正面であり、第２の写真はボディ１４の側面である。２枚の写真の捕捉及びアップロードを容易にするために、リクエストページ１１２を介して、ユーザ１６は、画像捕捉画面１１４にアクセスすることができる。画像捕捉画面によって、アップロードする前に写真を捕捉し、再吟味することができるようになり、前記画面は、プロセスを通してユーザを導くための１以上のサブ画面を含むことができる。記載する実施形態では、デバイス１２は、画像化アプリの制御下でコントローラ１８を介して、精度を高めるために画像を確実に垂直面で撮影するために（デバイス１２の姿勢を計算する姿勢センサの）内部ジャイロスコープを介して作成される姿勢データを含むデータを使用するように操作可能である。

前記プロセスは、ヒトの画像、ビデオ、２．ｘＤ又は３Ｄ画像を収集するための画像捕捉ステップを含む。記載された実施形態では、少なくとも、正面写真及び側面写真を含むが、ビデオ又はバースト写真などの他のヒトの画像を含むこともできる。

これは、ＭｙＦｉｚｉｑ Ｌｔｄの名における国際特許出願の公開された明細書である国際公開第２０１６／０８６２６６号、又はそれから国内段階に移行した特許／出願に記載されている画像捕捉ステップであることができる。

本発明の別の実施形態では、ユーザ登録及びリクエスト情報は、別の又は追加の詳細、情報、及び／又はデータを含むことができる。

ウェブサーバアプリケーション及び登録アプリケーションを含むサーバソフトウェアセットのアプリケーションを介して収集された全てのデータ及び情報は、本明細書に記載する通り使用するためにシステム１０内で分配される。

ＲＵデータベース３８は、複数のＲＵレコードを有する。各ＲＵレコードは、そのために作成される出力などのＲＵに関連する他の情報と共に、上記の登録及びリクエスト情報を含むシステム１０のＲＵのアカウントに関係するＲＵ情報のセットを含む。

サーバ３６は、（専用ウェブサイト又は本明細書に記載する他の手段を介して送信される）ユーザ登録及びリクエスト情報を含む通信のレシートを感知又は検出するように操作可能である感知手段を有する。このような情報のレシートを感知したとき、サーバ３６は、データベースマネジメントモジュール又はアプリケーションを含む、サーバソフトウェアセットの関連するアプリケーションの制御下で、そのプロセッサを介して、ＲＵデータベース３８における記録（及びＢＣＴデータベース４０における記録）を作成し、追加し、管理するように、また、受信されたデータ及び情報にしたがって本明細書に記載する動作を実行するように操作可能である。

また、潜在ユーザは、例えば、サーバソフトウェアのセットのソフトウェアの動作によって自動で捕捉し、ＲＵデータベース３８に入力するためにｅメール、ファックス、若しくは他の通信（Ｆａｃｅｂｏｏｋ^ＴＭ又はＴｗｉｔｔｅｒ^ＴＭなどのソーシャルネットワーキングサービスを介することができる）を介してユーザ登録情報を提供することによって、又はデータ入力担当者若しくは管理者の他の従業員によって、自身をユーザとして登録又は記録することができる。

登録成功後、ＲＵは、続いて、オンラインアクセス又は「ログイン」ページを介してシステム１０にアクセスし、ユーザが適切な識別及びセキュリティ承認（例えば、ユーザネーム及び関連するパスワード）を入力すると、システム１０にアクセスできるようになることに留意すべきである。

画像処理アプリケーションは、送信されたユーザボディの詳細及びボディ１６の第１の表現を受信及び処理するように操作可能である。

前記処理は、画像検査及び処理ステップを担当するＭＬモデルを含み、ボディの第１の表現の１つのタイプに存在するヒトの画像が、まず、任意に表示されるガイド枠又は画像マスク内に、ヒト及びそのボディ要素が存在するかについて検査される。画像又は表現が検査に合格すると、画像内の他のオブジェクトからヒトを区別するように訓練された別のＭＬモデルが、バックグラウンドシーンからヒトの画像のみをセグメント化する（図１８）。本発明の実施形態では、ＭｙＦｉｚｉｑ Ｌｔｄの名における国際特許出願の公開された明細書である国際公開第２０１６／０８６２６６号、又はそれから国内段階に移行した特許／出願に記載されているものなどの初期画像検査及び処理ステップ、又は図２に説明され示されるその改良バージョンを含むことができる。

次に、システム１０は、ヒトの画像（又は、受信された場合、ビデオ、２．ｘＤ又は３Ｄ画像）から関節を推定するための処理ステップを実行するように操作可能である。このステップは、オフラインで開発された、（ステップ３０１を参照して）前述したＭＬ／ＡＩモデルを使用する。これらは、ヒトの画像から、対象又はユーザ固有の解剖学的情報と関節を推定するために構築されている（図１５ａ、図１５ｂも参照）。

次いで、システム１０は、ヒトの画像からボディーパーツセグメンテーションを推定し、前のステップの関節及び解剖学的ランドマーク、並びにオフラインで開発された、（ステップ３０２を参照して）前述したＣＶ／ＭＬ／ＡＩモデルを使用して、関心のある２Ｄ及び３Ｄ領域を確立する処理ステップを実行するように操作可能である。

次いで、システム１０は、開発され、（ステップ３０３を参照して）前述したＭＬ／ＡＩモデルを使用して、特徴、ラベル画像、２Ｄ及び３Ｄのボディ形状を抽出する処理ステップを実行するように操作可能である。

次いで、システム１０は、ＭＬ／ＡＩモデルが、前のステップで計算され、収集されたヒトの画像、特徴、ラベル、及び２Ｄ及び３Ｄのボディ形状を用いて、（ステップ３０４を参照して）前述したボディ組成及びボディ計測値を推定する処理ステップを実行するように操作可能である

次いで、システム１０は、推定されたボディ組成及びボディ形状が、ユーザの傾向、及び過去（存在する場合）及び現在の推定値に基づき将来予測されるボディ組成と共に、ディスプレイ２２を介してユーザに出力及び表示される。

通信アプリケーションは、サーバ３６とそれと通信するデバイスとの間の通信を可能にするように操作可能である。係る通信は、本明細書に記載する通信を含み、ｅメール、ポップアップ通知、及びＳＭＳメッセージを含む任意の適切な種類であってよく、セキュリティを高めるために暗号化してもよい。

ユーザは、作成された電子画面及びページ上に提供されるそれぞれのナビゲーションインタフェースエレメントボタンの実行を介して、前記電子画面及びページに進んだり戻ったりすることを含むナビゲートを行うことができる。特に、それを介してユーザがシステム１０を制御することができるインタフェースエレメントボタンを有するナビゲーションバー１１６が提供される。記載される実施形態では、そのようなものとしては、新たな画像の撮影（システムによって行われる新たな分析を有すること／新たな出力推定値を生成すること）；及びシステム１０からサインアウト／退出することを含む。

インボイス／請求書作成アプリケーションは、システム１０の使用にしたがって支払うべき量を含む、各登録されたユーザに対するインボイスを作成するように操作可能である。

支払処理アプリケーションは、各インボイスについての支払を受領するように操作可能である。

本発明の実施形態では、システム１０によって実施される記載した操作、追加の操作、及び／又は別の操作のうちの１以上は、ヒトの介入を必要とすることなしに自動的に行われる。

推定されたボディ組成と人体計測に基づく健康リスク計算機
以下では、処理されたヒトの画像、関連するヒトの特徴、推定された３次元（３Ｄ）ボディ形状、人体計測、ボディ組成データが、ユーザによって入力された参加者の特性及び医学生理学情報と共に、システム１０によってどのように使用され、ユーザが自身の健康リスク及びウェルネスリスクを分類、評価、及びモニタリングすることができるかを概説する。

オフライン段階では、体脂肪分類は、ＢＣＴデータベース４０からのインビボパーセント体脂肪（ＰＢＦ）カットオフを使用して開発され、他の公開データベース及び内臓脂肪分類からのデータは、ＢＣＴデータベース４０からのインビボ内臓脂肪（ＶＦ）カットオフを使用して開発される。データ及びカットオフは、参加者の特性及び属性、医学生理学情報及び疫学情報（即ち、性別、年齢、民族性、健康状態、フィットネス、など）の組合せについて層別化される。

オフライン段階では、十分なデータを提供するための文献の体系的なレビューを行うことを含む、ピアレビューされた信頼性のある文献からの疫学データと、前糖尿病、糖尿病、心血管疾患、筋骨格障害、死亡率、及び転倒リスク式を開発するためのＢＣＴデータベース４０からの疫学的データとを使用して予測リスク式が開発される。

予測リスク式の概要を図１０に示す。個人の予測健康リスクスコア（Ｐ－ＨＲＳ）（１００１）、例えば、糖尿病又は心血管疾患の推定は、参加者の特性及び属性（ＰＡ）、ボディ形状（ＢＳ）、医学生理学情報（ＭＰ）、及びボディ組成（ＢＣ）（１００２）の関数である。これらのカテゴリのそれぞれにおける特定の従属変数は、事前定義された信頼区間（ＣＩ）（即ち、９０％、９５％、９９％など）（１００４）で関連するハザード比（ＨＲ）（１００３）を有する。ＨＲは、健康及びウェルネスのイベントが発生する可能性だけでなく、各イベントのタイミングも考慮するため、好ましい。ＨＲがユーザに好まれない場合は、リスク比とオッズ比も利用することができる。従属変数（ＤＶ）（１００５）及び対応するＨＲ（ＣＩ）は、個人が評価することに関心のある健康リスク及びウェルネスリスク、即ち、前糖尿病になるリスク、慢性疾患又は筋骨格障害を発症するリスク、若年死亡率、又は転倒の発生率（即ち、１年、５年、１０年など）に依存する。各ＤＶのＨＲ（ＣＩ）は、ＢＣＴデータベース４０に格納された疫学データと、ピアレビューされた文献との両方から与えられる。

オフライン段階では、ＢＣＴデータベース４０の様々なコンポーネント間の様々な統計学的関係の機械知能学習を使用して、ヒトの画像、関連する参加者の特性及び属性、並びに推定されたボディ組成及びボディ周囲から医学生理学情報と疫学情報を予測できるモデルが開発された。

オンライン段階では、ディスプレイ２２を使用して、ユーザに以下の情報を表示する。
ｉ）推定体脂肪及び推定内臓脂肪を体脂肪分類と比較して、体脂肪の一般的な分類、例えば、痩せている、正常である、太り過ぎている、及び肥満である、を表示すると共に、内臓脂肪の一般的な分類、例えば、低リスク、通常のリスク、上昇したリスク、及び高リスクを表示する。
ｉｉ）推定されたボディ組成出力及び／又は推定された周囲出力を、参加者の特性及び属性並びに医学生理学情報（即ち、性別、年齢、民族性、健康状態、フィットネスなど）の任意の組合せについて、ＢＣＴデータベース４０に含まれる標準的な人口分布と比較し、人口分布内のどこにいるかをユーザに示す。
ｉｉｉ）参加者の属性、ボディ形状、医学生理学情報、及びボディ組成の関数である個人の相対的健康リスクスコア（ＲＨＲＳ）の推定値。これらの各カテゴリに使用される特定の変数は、個人が前糖尿病、慢性疾患、筋骨格障害、死亡率、又は転倒リスクの相対的リスクを評価しているかどうかに依存する。個人の全体的なＲＨＲＳは、スコアが健康リスクの連続体の下端にある場合は低く、スコアが健康リスクの連続体の上端にある場合は高くなる（例えば、図１０を参照）。
ｉｖ）ユーザが前糖尿病であるというリスクの上昇をオフラインで計算した予測リスク式及び／又はＭＬ／ＡＩモデルに基づく推定値。
ｖ）慢性健康疾患のリスクの上昇をオフラインで計算した予測リスク式及び／又はＭＬ／ＡＩモデルに基づく推定値。
ｖｉ）筋骨格障害、死亡率、及び転倒リスクの上昇をオフラインで計算した予測リスク式及び／又はＭＬ／ＡＩモデルに基づく推定値。
ｖｉｉ）ユーザによって指向された（ｄｉｒｅｃｔｅｄ）、又は身長に対する推定低筋肉除脂肪量によるサルコペニアを検出するためのステップ。

オンライン段階では、システム１０は、ユーザが、推定されたボディ組成又は最新及び経時の計測値に対するボディの計測値の変化を追跡するように操作可能である。

オンライン段階では、様々な予測リスク式と体脂肪／内臓脂肪分類から計算された推定値の使用が、「リスクのある」ユーザを特定する機能をもたらし、ユーザの生涯に亘って早期に個人向けとされた介入を奨励し、ユーザの短期及び長期の健康リスク及びウェルネスリスク状態を改善する助けとなる。

次に、本発明の実施形態の前記及び他の特徴及び利点について、使用時のシステム１０を参照して更に記載する。

対象となるヒトは、前記登録プロセスを介してシステムのユーザとして登録され、その結果、ユーザアカウントが与えられる。

その後、（ここで登録された）ユーザは、前記した通りにシステム１０にアクセスし、これを使用して分析を行って、個人の３Ｄボディ形状及びそれに関連するボディ組成並びに健康リスク及びウェルネスリスクの推定を提供する１以上の出力を生成する。

経時的に、ユーザは、体内の変化を示す、係る推定値のシーケンスを作成することができる。係るセルフモニタリングを頻繁に行うことを介して、ユーザは、パーソナルヘルス及びウェルネスの目標への進展を評価することができるので、前記目標を達成する可能性が高くなる。

本発明の記載された実施形態は、本明細書で先に強調し、説明したように、いくつかの利点を提供することが理解される。

理想的なボディ組成測定ツールを提供しようとする文脈において、システム１０は、スマートフォンなどの携帯可能で容易に利用可能なデバイスに組み込むことができるので、記載された実施形態は、手頃で（１０３）、アクセスし易く（１０１）、正確でもある（１０２）ことが分かる。これは、ＢＣＴデータベース４０の収集と、様々な品質保証及び医用画像／ヒト画像処理技術と、本発明の実施形態が正確であると同時に手頃でアクセスし易いことを可能にする有利なＣＶ、ＭＬ及びＡＩ技術の開発との組合せである。

本発明の実施形態は、実際の３Ｄ形状、画像、ビデオ、及び医用画像、並びに他の多くの特性が全て同時に収集されるので、個人の情報量に制限がないデータベースを提供する。

記載された実施形態のアプローチは、ほぼ完全に自動化されており、先行技術とは異なって、機械学習モデルを含む高次モデルを使用して、対象を、その形状及び他の特性に関して特徴付ける又は記述することに加えて、対象の解剖学的構造を考慮する。

本発明の実施形態の別の重要な利点は、異なるセンサによって捕捉された異なるデータタイプ及び画像の位置合わせ及びアラインメントである。現在のセンシング及びイメージング技術、例えば、国際公開第２０１６／０７２９２６ Ａ１号に開示された研究、及びその中で調査された文献は、一般に、あるＭＲＩ画像と別のＭＲＩ画像又は医用画像との位置合わせ又はアラインメントの試みを行った。この研究では、両方のＭＲＩ画像を、同一のＭＲＩ装置によって、同一人物で、同一姿勢で、１回のスキャンセッションで取得する。ＣＴスキャンを扱う場合も同様である。本発明とは異なって、そのアプローチは、ヒトの実際のカラー画像／写真を捕捉、利用しない。事実、このアプローチのために開発された方法論では、カラーカメラ画像が利用可能であったとしても、ヒトのＭＲＩをカラーカメラ画像にアラインメントさせることができず、また、ヒトは、各画像で異なる姿勢と向きを有するので、このアプローチが問題に対処することを不可能にする。更に、ＭＲＩスキャナとフォトカメラは完全に異なるセンサを使用するので、画像の検知又は捕捉のプロセスを物理的に表すために異なるモデルを必要とする。国際公開第２０１６／０７２９２６ Ａ１号に開示された研究は、全身ＭＲＩスキャンを扱う臨床医に向上したアプローチを提供することが意図されていた（したがって、その出願の明細書で使用される「全量（ｗｈｏｌｅ ｖｏｌｕｍｅ）」という用語は、リットルなどの実際の量を意味しない）。また、そのアプローチは、いくつか例を挙げると、骨の構造と密度、脂肪量、除脂肪量水などのボディ組成データの計算を可能にするために、よりよいラボ用ＭＲＩ画像を提供することであった。このアプローチは、正確にアラインメントされたＭＲＩ画像をよりよく視覚化して、同一領域又は特定の画像クラスタを正確に追跡し、よりよい評価を行うことも意図されていた。本発明は、ＭＲＩシステムなどのシステムとは異なり、動作も異なる。記載された実施形態では、本発明は、スマートフォンなどの携帯デバイスで実行され、発明された基礎となるアプローチ及びアルゴリズムは、ほぼ完全に自動化されてデバイス内で統合及び実行される。それらは、（ｉ）対象の特性データ（例えば、身長、体重、年齢、国籍など）、（ｉｉ）ボディ組成データを含むＭＲＩデータ、及び（ｉｉｉ）ＭＲＩ画像と、スマートデバイスカメラ又は他のカメラによって撮影された対象（ヒト）の画像との位置合わせを用いて得られる新規且つ進歩的なアプローチに基づく。これらの様々なタイプのデータ、又はそれらから抽出された特徴が全て組み合わされ、アラインメントされ、同時登録されて、対象固有のモデルを形成し、ＡＩと機械学習の手法に対象間の差を理解、学習させ、対象を過去にモデル化した対象と比較するときの予測を改善するようにする。本発明と国際公開第２０１６／０７２９６ Ａ１号に記載されている研究との間の別の決定的な違いは、アラインメントプロセス中に骨を変形させることである。本発明の記載された実施形態は、骨などの変形する剛体要素の物理学に反し、人体の生態学的意味に影響を与えるので、アラインメント／位置合わせ中に骨の変形を行わない。

米国特許第８，５８８，４９５ Ｂ２号明細書で、Ｇｕｐｔａらは、医用画像データセットを使用して自動診断を行うために開発され、特許請求されたシステムを記載している。彼らは、生成的及び識別的学習を使用して、ＣＴ及びＭＲＩ医用画像のデータアトラスを作成したが、いずれも、主に画像強度を使用してアトラスを作成したＧｕｐｔａらにより２０１０年に採用された方法に基づく標準的な統計分析である。国際公開第２０１６／０７２９２６ Ａ１号に開示される研究と同様に、Ｇｕｐｔａらの研究は、医用画像に対する医用画像の位置合わせのみを扱っている。しかし、本発明の記載された実施形態は、カメラ（例えば、スマートフォン）によって撮影されたヒトの画像と、それらの医用画像とを扱い、位置合わせ、アラインメント、及び一致させて、統一された表現を作成する。複雑さは、２つの完全に異なるセンサ（例えば、ＭＲＩ／ＰＥＴ及びカメラ）からの画像を処理及び同時登録するときに生じる。また、本発明の記載された実施形態におけるセグメンテーションプロセスは、ノイズの多いバックグラウンドからヒトの画像をセグメント化すること、及びセグメント化された画像をヒトの関連する医用画像にアラインメントすることを扱う。本発明の前述の実施形態では、３Ｄボディ形状を異なる部分にセグメント化するために、別のタイプのセグメンテーションが考案及び実行される。これらのプロセスは、医用画像のセグメントが、ＣＡＤなどの既存のソフトウェアを利用して切り取られ、それらから診断を分類するＧｕｐｔａらの発明で概説されているセグメンテーションプロセスとは異なる。重要なことに、本発明の記載された実施形態では、リスク分析又は診断プロセスは、必要に応じた頻度で撮影できる標準的なカメラ画像のみを使用する携帯型スマートデバイスによって達成されるが、Ｇｕｐｔａらの研究は、自動診断を行うために実際のＭＲＩスキャンを必要とし、これは高価で、繰り返し放射線被曝するリスクがあるため定期的に得ることができない。

本明細書に記載する本発明の変形及び変更は、その趣旨及び範囲から逸脱することなしに明らかになることを当業者は理解するであろう。当業者に明らかになる変形及び変更は、本明細書に記載する発明の広い範囲及び範疇内であるとみなされる。

米国特許公開第２０１８／０１３７６４０ Ａ１号明細書（Ｆａｒａｈｂａｋｈｓｈｉａｎら（Ｎａｋｅｄ Ｌａｂｓ） 米国特許第８，３７４，６７１ Ｂ２号明細書 欧州特許第１９９３４４３ Ｂ１号明細書

Ｋａｔｅ Ｋｅｌｌａｎｄ． Ｃｈｒｏｎｉｃ ｄｉｓｅａｓｅ ｔｏ ｃｏｓｔ ＄４７ ｔｒｉｌｌｉｏｎ ｂｙ ２０３０： ＷＥＦ． Ｐｕｂｌｉｓｈｅｄ ｏｎ－ｌｉｎｅ， １９ Ｓｅｐｔｅｍｂｅｒ ２０１１ ＧＢＤ ２０１６ Ｃａｕｓｅｓ ｏｆ Ｄｅａｔｈ Ｃｏｌｌａｂｏｒａｔｏｒｓ． Ｇｌｏｂａｌ， ｒｅｇｉｏｎａｌ， ａｎｄ ｎａｔｉｏｎａｌ ａｇｅ－ｓｅｘ ｓｐｅｃｉｆｉｃ ｍｏｒｔａｌｉｔｙ ｆｏｒ ２６４ ｃａｕｓｅｓ ｏｆ ｄｅａｔｈ， １９８０－２０１６： ａ ｓｙｓｔｅｍａｔｉｃ ａｎａｌｙｓｉｓ ｆｏｒ ｔｈｅ Ｇｌｏｂａｌ Ｂｕｒｄｅｎ ｏｆ Ｄｉｓｅａｓｅ Ｓｔｕｄｙ ２０１６． Ｔｈｅ Ｌａｎｃｅｔ． ３９０（１０１００）：１１５１－１２１０ ＷＨＯ． Ｇｌｏｂａｌ ａｃｔｉｏｎ ｐｌａｎ ｆｏｒ ｔｈｅ ｐｒｅｖｅｎｔｉｏｎ ａｎｄ ｃｏｎｔｒｏｌ ｏｆ ｎｏｎｃｏｍｍｕｎｉｃａｂｌｅ ｄｉｓｅａｓｅｓ ２０１３－２０２０． Ｇｅｎｅｖａ， Ｓｗｉｔｚｅｒｌａｎｄ： Ｗｏｒｌｄ Ｈｅａｌｔｈ Ｏｒｇａｎｉｚａｔｉｏｎ， ２０１３． Ｋｅｙｓ， Ａ．， Ｋａｒｖｏｎｅｎ， Ｎ．， Ｋｉｍｕｒａ， Ｎ．， Ｔａｙｌｏｒ， Ｈ．Ｌ． Ａｎａｎｄ， Ｓ． ａｎｄ Ｙｕｓｕｆ， Ｓ． （２０１１）． Ｓｔｅｍｍｉｎｇ ｔｈｅ ｇｌｏｂａｌ ｔｓｕｎａｍｉ ｏｆ ｃａｒｄｉｏｖａｓｃｕｌａｒ ｄｉｓｅａｓｅ． Ｔｈｅ Ｌａｎｃｅｔ． ３７７（９７６５）：５２９－５３２． ＮＣＤ Ｒｉｓｋ Ｆａｃｔｏｒ Ｃｏｌｌａｂｏｒａｔｉｏｎ （２０１６）． Ｗｏｒｌｄｗｉｄｅ ｔｒｅｎｄｓ ｉｎ ｄｉａｂｅｔｅｓ ｓｉｎｃｅ １９８０： ａ ｐｏｏｌｅｄ ａｎａｌｙｓｉｓ ｏｆ ７５１ ｐｏｐｕｌａｔｉｏｎ－ｂａｓｅｄ ｓｔｕｄｉｅｓ ｗｉｔｈ ４・４ ｍｉｌｌｉｏｎ ｐａｒｔｉｃｉｐａｎｔｓ． Ｔｈｅ Ｌａｎｃｅｔ． ３８７（１００２７）：１５１３－１５３０． Ｔａｂａｋ， Ａ．Ｇ．， Ｈｅｒｄｅｒ， Ｃ．， Ｒａｔｈｍａｎｎ， Ｗ Ｂｒｕｎｎｅｒ， ＥＪ．， Ｋｉｖｉｍａｋｉ， Ｍ． （２０１２）． Ｐｒｅｄｉａｂｅｔｅｓ： Ａ ｈｉｇｈ－ｒｉｓｋ ｓｔａｔｅ ｆｏｒ ｄｅｖｅｌｏｐｉｎｇ ｄｉａｂｅｔｅｓ． ３７９（９８３３）： ２２７９－２２９０． Ａｌｌｅｎ， Ｋ． ａｎｄ Ｇｏｌｉｇｈｔｌｙ， Ｙ．， ２０１５ Ｅｐｉｄｅｍｉｏｌｏｇｙ ｏｆ ｏｓｔｅｏａｒｔｈｒｉｔｉｓ： ｓｔａｔｅ ｏｆ ｔｈｅ ｅｖｉｄｅｎｃｅ Ｃｒｕｚ－Ｊｅｎｔｏｆｔ ＡＪ， Ｌａｎｄｉ Ｆ， Ｓｃｈｎｅｉｄｅｒ ＳＭ， ｅｔ ａｌ． Ｐｒｅｖａｌｅｎｃｅ ｏｆ ａｎｄ ｉｎｔｅｒｖｅｎｔｉｏｎｓ ｆｏｒ ｓａｒｃｏｐｅｎｉａ ｉｎ ａｇｅｉｎｇ ａｄｕｌｔｓ： ａ ｓｙｓｔｅｍａｔｉｃ ｒｅｖｉｅｗ． Ｒｅｐｏｒｔ ｏｆ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓａｒｃｏｐｅｎｉａ Ｉｎｉｔｉａｔｉｖｅ （ＥＷＧＳＯＰ ａｎｄ ＩＷＧＳ）． Ａｇｅ Ａｇｅｉｎｇ． ２０１４； ４３：７４８－７５９ ＷＨＯ； Ｐｉｓｃｈｏｎ ｅｔ ａｌ． （２００８）． Ｇｅｎｅｒａｌ ａｎｄ Ａｂｄｏｍｉｎａｌ Ａｄｉｐｏｓｉｔｙ ａｎｄ Ｒｉｓｋ ｏｆ Ｄｅａｔｈ ｉｎ Ｅｕｒｏｐｅ． Ｎ Ｅｎｇｌ Ｊ Ｍｅｄ ２００８； ３５９：２１０５－２１２０． ＤＯＩ： １０．１０５６／ＮＥＪＭｏａ０８０１８９１ Ｊａｃｏｂｓ ｅｔ ａｌ． （２０１０）． Ｗａｉｓｔ Ｃｉｒｃｕｍｆｅｒｅｎｃｅ ａｎｄ Ａｌｌ－Ｃａｕｓｅ Ｍｏｒｔａｌｉｔｙ ｉｎ ａ Ｌａｒｇｅ ＵＳ Ｃｏｈｏｒｔ． Ａｒｃｈ Ｉｎｔｅｒｎ Ｍｅｄ． ２０１０ Ａｕｇ ９；１７０（１５）：１２９３－３０１． Ｄｉｎｇ Ｙ．， Ｇｕ Ｄ．， Ｚｈａｎｇ Ｙ．， Ｈａｎ Ｗ．， Ｌｉｕ Ｈ．， Ｑｕ Ｑ． （２０１５）． Ｓｉｇｎｉｆｉｃａｎｔｌｙ ｉｎｃｒｅａｓｅｄ ｖｉｓｃｅｒａｌ ａｄｉｐｏｓｉｔｙ ｉｎｄｅｘ ｉｎ ｐｒｅｈｙｐｅｒｔｅｎｓｉｏｎ． ＰＬｏＳ Ｏｎｅ． １０；１０（４）：ｅ０１２３４１４ Ｈａｎｌｅｙ ＡＪ， Ｗａｇｅｎｋｎｅｃｈｔ ＬＥ， Ｎｏｒｒｉｓ ＪＭ， Ｂｒｙｅｒ－Ａｓｈ Ｍ， Ｃｈｅｎ ＹＩ， Ａｎｄｅｒｓｏｎ ＡＭ， Ｂｅｒｇｍａｎ Ｒ， Ｈａｆｆｎｅｒ ＳＭ． Ｉｎｓｕｌｉｎ ｒｅｓｉｓｔａｎｃｅ， ｂｅｔａ ｃｅｌｌ ｄｙｓｆｕｎｃｔｉｏｎ ａｎｄ ｖｉｓｃｅｒａｌ ａｄｉｐｏｓｉｔｙ ａｓ ｐｒｅｄｉｃｔｏｒｓ ｏｆ ｉｎｃｉｄｅｎｔ ｄｉａｂｅｔｅｓ： ｔｈｅ Ｉｎｓｕｌｉｎ Ｒｅｓｉｓｔａｎｃｅ Ａｔｈｅｒｏｓｃｌｅｒｏｓｉｓ Ｓｔｕｄｙ （ＩＲＡＳ） Ｆａｍｉｌｙ ｓｔｕｄｙ． Ｄｉａｂｅｔｏｌｏｇｉａ ５２： ２０７９－２０８６， ２００９ Ｇｈｒｏｕｂｉ， Ｓ．， Ｅｌｌｅｕｃｈ， Ｈ．， Ｇｕｅｒｍａｚｉ， Ｍ．， Ｋａｆｆｅｌ， Ｎ．， Ｆｅｋｉ， Ｈ．；Ａｂｉｄ， Ｍ．， Ｂａｋｌｏｕｔｉ， Ｓ．；Ｅｌｌｅｕｃｈ， Ｍ． Ｈ． （２００７）． "Ａｂｄｏｍｉｎａｌ ｏｂｅｓｉｔｙ ａｎｄ ｋｎｅｅ ｏｓｔｈｅｏａｒｔｈｒｉｔｉｓ"． Ａｎｎａｌｅｓ ｄｅ Ｒｅａｄａｐｔａｔｉｏｎ ｅｔ ｄｅ Ｍｅｄｅｃｉｎｅ Ｐｈｙｓｉｑｕｅ． ５０ （８）： ６６１－６６６． ｄｏｉ：１０．１０１６／ｊ．ａｎｎｒｍｐ．２００７．０３．００５． Ｍａｔｔｈｅｗ Ｊ． Ｄｅｌｍｏｎｉｃｏ， ＰｈＤ， ＭＰＨ， ａｎｄ Ｄａｒｒｅｎ Ｔ． Ｂｅｃｋ， ＰｈＤ． （２０１７）．Ｔｈｅ Ｃｕｒｒｅｎｔ Ｕｎｄｅｒｓｔａｎｄｉｎｇ ｏｆ Ｓａｒｃｏｐｅｎｉａ： Ｅｍｅｒｇｉｎｇ Ｔｏｏｌｓ ａｎｄ Ｉｎｔｅｒｖｅｎｔｉｏｎａｌ Ｐｏｓｓｉｂｉｌｉｔｉｅｓ． Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆ Ｌｉｆｅｓｔｙｌｅ Ｍｅｄｉｃｉｎｅ． Ｄｕｒｅｎ， Ｄ．， Ｓｈｅｒｗｏｏｄ， Ｒ．， Ｃｚｅｒｗｉｎｓｋｉ， Ｓ． ｅｔ ａｌ． （２００８）． Ｂｏｄｙ Ｃｏｍｐｏｓｉｔｉｏｎ Ｍｅｔｈｏｄｓ： Ｃｏｍｐａｒｉｓｏｎｓ ａｎｄ Ｉｎｔｅｒｐｒｅｔａｔｉｏｎ． Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ ２（６）：１１３９－１１４６． Ｆｏｘ ＣＳ， Ｍａｓｓａｒｏ ＪＭ， Ｈｏｆｆｍａｎｎ Ｕ ｅｔ ａｌ． Ａｂｄｏｍｉｎａｌ ｖｉｓｃｅｒａｌ ａｎｄ ｓｕｂｃｕｔａｎｅｏｕｓ ａｄｉｐｏｓｅ ｔｉｓｓｕｅ ｃｏｍｐａｒｔｍｅｎｔｓ： ａｓｓｏｃｉａｔｉｏｎ ｗｉｔｈ ｍｅｔａｂｏｌｉｃ ｒｉｓｋ ｆａｃｔｏｒｓ ｉｎ ｔｈｅ Ｆｒａｍｉｎｇｈａｍ Ｈｅａｒｔ Ｓｔｕｄｙ． Ｃｉｒｃｕｌａｔｉｏｎ １１６：３９－４８， ２００７． Ｌｉｕ Ｊ， Ｆｏｘ ＣＳ， Ｈｉｃｋｓｏｎ ＤＡ， Ｍａｙ ＷＤ， Ｈａｉｒｓｔｏｎ ＫＧ， Ｃａｒｒ ＪＪ， Ｔａｙｌｏｒ ＨＡ． Ｉｍｐａｃｔ ｏｆ ａｂｄｏｍｉｎａｌ ｖｉｓｃｅｒａｌ ａｎｄ ｓｕｂｃｕｔａｎｅｏｕｓ ａｄｉｐｏｓｅ ｔｉｓｓｕｅ ｏｎ ｃａｒｄｉｏｍｅｔａｂｏｌｉｃ ｒｉｓｋ ｆａｃｔｏｒｓ： ｔｈｅ Ｊａｃｋｓｏｎ Ｈｅａｒｔ Ｓｔｕｄｙ． Ｊ Ｃｌｉｎ Ｅｎｄｏｃｒｉｎｏｌ Ｍｅｔａｂ ９５： ５４１９－５４２６， ２０１０． Ｎｅｅｌａｎｄ ＩＪ， Ｔｕｒｅｒ ＡＴ， Ａｙｅｒｓ ＣＲ， Ｐｏｗｅｌｌ－Ｗｉｌｅｙ ＴＭ， Ｖｅｇａ， ＧＬ Ｆａｒｚａｎｅｈ－Ｆａｒ Ｒ， ｅｔ ａｌ． Ｄｙｓｆｕｎｃｔｉｏｎａｌ Ａｄｉｐｏｓｉｔｙ ａｎｄ ｔｈｅ Ｒｉｓｋ ｏｆ Ｐｒｅｄｉａｂｅｔｅｓ ａｎｄ Ｔｙｐｅ ２ ｄｉａｂｅｔｅｓ ｉｎ Ｏｂｅｓｅ Ａｄｕｌｔｓ． ＪＡＭＡ． ２０１２； ３０８（１１）： １１５０－１１５９． Ｋａｕｌ Ｓ， Ｒｏｔｈｎｅｙ ＭＰ， Ｐｅｔｅｒｓ ＤＭ， ｅｔ ａｌ． Ｄｕａｌ－ｅｎｅｒｇｙ Ｘ－ｒａｙ ａｂｓｏｒｐｔｉｏｍｅｔｒｙ ｆｏｒ ｑｕａｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｖｉｓｃｅｒａｌ ｆａｔ． Ｏｂｅｓｉｔｙ ２０１２； Ｄｏｉ：１０．１０３８： １－６． Ｂｒａｙ ｅｔ ａｌ． （２００８）． Ｒｅｌａｔｉｏｎ ｏｆ ｃｅｎｔｒａｌ ａｄｉｐｏｓｉｔｙ ａｎｄ ｂｏｄｙ ｍａｓｓ ｉｎｄｅｘ ｔｏ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｄｉａｂｅｔｅｓ ｉｎ ｔｈｅ Ｄｉａｂｅｔｅｓ Ｐｒｅｖｅｎｔｉｏｎ Ｐｒｏｇｒａｍ． Ｓｐｅｎｃｅｒ ｅｔ ａｌ． （２００１）．Ｖａｌｉｄｉｔｙ ｏｆ ｓｅｌｆ－ｒｅｐｏｒｔｅｄ ｈｅｉｇｈｔ ａｎｄ ｗｅｉｇｈｔ ｉｎ ４８０８ ＥＰＩＣ－Ｏｘｆｏｒｄ ｐａｒｔｉｃｉｐａｎｔｓ． Ｐｕｂｌｉｃ Ｈｅａｌｔｈ Ｎｕｔｒｉｔｉｏｎ： ５（４）， ５６１－５６５ Ｌｅｅ ｅｔ ａｌ． （２０１４）． Ｐｒｅｄｉｃｔｉｖｅ Ｅｑｕａｔｉｏｎｓ ｆｏｒ Ｃｅｎｔｒａｌ Ｏｂｅｓｉｔｙ ｖｉａ Ａｎｔｈｒｏｐｏｍｅｔｒｉｃｓ， Ｓｔｅｒｅｏｖｉｓｉｏｎ Ｉｍａｇｉｎｇ ａｎｄ ＭＲＩ ｉｎ Ａｄｕｌｔｓ． Ｎｇ ｅｔ ａｌ． （２０１６）． Ｃｌｉｎｉｃａｌ ａｎｔｈｒｏｐｏｍｅｔｒｉｃｓ ａｎｄ ｂｏｄｙ ｃｏｍｐｏｓｉｔｉｏｎ ｆｒｏｍ ３Ｄ ｗｈｏｌｅ－ｂｏｄｙ ｓｕｒｆａｃｅ ｓｃａｎｓ． ＭｃＬｅａｎ， Ｄ．， Ｒｅｄｆｅｒｎ， Ｄ．， ａｎｄ Ｐｙｐｅｒ， Ｋ． （２０１４）． Ａ Ｓｕｒｖｅｙ ｏｆ Ｒｅｇｒｅｓｓｉｏｎ Ｍｅｔｈｏｄｓ ｆｏｒ Ｐｒｏｘｙ Ｆｕｎｃｔｉｏｎｓ． Ｍｏｏｄｙ’ｓ Ａｎａｌｙｔｉｃｓ Ｒｅｓｅａｒｃｈ． Ｃｏｎｓｕｌｔａｎｃｙ ｒｅｐｏｒｔ： Ｂ＆Ｈ Ｒｅｓｅａｒｃｈ Ｉｎｓｕｒａｎｃｅ ＥＲＳ．

Claims (27)

1. ボディを分析するためのデバイスであって、
   コントローラと、
   前記コントローラを操作するための電子プログラム命令を記憶する記憶装置と、
   入力手段と
   を含み、
   前記コントローラが、
   前記ボディの少なくとも１つの表現（ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）を含む入力を、前記入力手段を介して受信し、
   前記入力に対して、データベースの使用を含む処理を行い、前記ボディを分析し且つ前記分析に基づく出力を生成し、及び
   前記出力を通信するように、
   前記電子プログラムの命令によって操作可能であり且つガイドされることを特徴とするデバイス。
2. 前記表現が、前記ボディの画像を含む視覚的表現、及び／又は視覚化できないデータを意味する非視覚的表現を含む請求項１に記載のデバイス。
3. 前記処理が、少なくとも１つのコンピュータビジョン（ＣＶ）アプローチ、機械学習（ＭＬ）、及び／又は人工知能（ＡＩ）モデルによって実行される動作を含む請求項１から２のいずれかに記載のデバイス。
4. 分析される前記ボディが、カテゴリ及び／又はグループ及び／又はクラスに属し、前記データベースが、分析される前記ボディと同一及び／又は類似のカテゴリ及び／又はグループ及び／又はクラスに属する複数の異なるボディの詳細を含み、前記詳細が、前記複数の異なるボディの各ボディの、各ボディに関連する及び／又は各ボディに関するデータ及び／又は情報を含む請求項１から３のいずれかに記載のデバイス。
5. 前記カテゴリ及び／又はグループ及び／又はクラスがヒトを含み、前記データ及び／又は情報が、前記データベースに各ボディの詳細を提供する複数のヒトの参加者のそれぞれについて、ヒトのビデオ、写真、完全及び／又は部分的なボディ形状又は表面スキャン、医用画像、ボディ組成、人体計測、参加者の特性、参加者の属性、医学生理学情報、及び疫学情報のうちの１以上を含み、前記１以上が、収集を通して収集され、各参加者のそれぞれのボディの統一された表現に、関係付けられ、及び／又は位置合わせされ、及び／又はアラインメントされ、及び／又は一致させられる請求項４に記載のデバイス。
6. 各参加者のそれぞれのボディの詳細及び表現の収集が、好ましくは、同時且つ並行して行われる請求項５に記載のデバイス。
7. 追加のデータが、異なる時間間隔で収集され、経時で収集される参加者の形状とデータの時間的モデリングの開発を可能にし、統計学的に意味のある診断トラッカを導き出し、物理的（ｐｈｙｓｉｃａｌｌｙ）に意味のあるリスク分析を達成する請求項６に記載のデバイス。
8. 各参加者のそれぞれのボディの詳細及び表現の収集が、品質保証プロトコル及び前処理プロセス及びステップにしたがって、前記データベースに情報を提供する各参加者のボディの詳細及び表現を捕捉することを含む請求項５から７のいずれかに記載のデバイス。
9. 請求項２から３のいずれかに従属する請求項８に記載のデバイスにおいて、
   前記動作が、
   高度な多次元統計技術及び／又は機械学習技術及び／又はＡＩ技術を使用して、収集された前記データと画像を分析し、外れ値として識別されたものを除外すること、
   データタイプ及び／又は前記データタイプに関係付けられた関連する出力の１以上のラベリング及び／又はアノテーションメカニズムに基づいて、前記データ及び画像をグループ、領域、タイプ、特性、及びカテゴリのうちの１以上に分類、クラスタリングすること、
   前記ボディの任意のタイプの画像から、目立った特徴及び／又は解剖学的に重要なランドマークを含むランドマーク及び／又はキーポイント及び／又は関節中心及び／又は骨の結合を推定すること、
   画像におけるクラスタ化されたバックグラウンドから前記ボディを識別及びセグメント化すること、
   医用画像から抽出された解剖学的特徴によって制約されたボディの画像からボディパーツセグメントを推定し、関心のある領域（ＲＯＩ）を確立すること、及び
   画像又は一般的な形状特徴及びラベル付けされた画像セグメント及び／又は画像クラスタを抽出し、ボディデータとの対応を推定すること、
   のうちの少なくとも１つを含むデバイス。
10. ユーザインターフェースを表示するためのディスプレイを含み、前記コントローラが、前記電子プログラム命令のガイダンスの下、前記ディスプレイを介して前記出力を表示することによって前記出力を通信するように操作可能であり、前記ディスプレイが、文字、画像、メッシュ（ｍｅｓｈｅｓ）、３Ｄ、ビデオ、アイコン、仮想現実、及びグラフのうちの少なくとも１つを介して前記分析を視覚化して表示する請求項１から９のいずれかに記載のデバイス。
11. 前記ボディが個人のボディであり、前記出力が、前記個人の推定値である、形状、身体的、生態学的特性、及び／又は少なくとも１つの３次元（３Ｄ）形状とそれに関連する人体計測、ボディ組成、健康リスク及びウェルネスリスクを含む請求項１から１０のいずれかに記載のデバイス。
12. ボディを分析するための方法であって、
    コントローラを制御するための電子プログラム命令を記憶することと、
    前記コントローラを、
    ボディの少なくとも１つの表現（ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）を含む入力を、入力手段を介して受信し、及び
    前記入力に対して、データベースの使用を含む処理を行い、前記ボディを分析し且つ前記分析に基づく出力を生成するように、
    前記電子プログラム命令を介して制御することとを含むことを特徴とする方法。
13. 前記表現が、前記ボディの画像を含む視覚的表現、及び／又は視覚化できないデータを意味する非視覚的表現を含む請求項１２に記載の方法。
14. 前記処理が、少なくとも１つのコンピュータビジョン（ＣＶ）、機械学習（ＭＬ）、及び／又は人工知能（ＡＩ）モデルによって実行される動作を含む請求項１２から１３のいずれかに記載の方法。
15. 分析される前記ボディが、カテゴリ及び／又はグループ及び／又はクラスに属し、前記データベースが、分析される前記ボディと同一及び／又は類似のカテゴリ及び／又はグループ及び／又はクラスに属する複数の異なるボディの詳細を含み、前記詳細が、前記複数のボディの各ボディの、各ボディに関連する及び／又はボディに関するデータ及び／又は情報を含む請求項１２から１４のいずれかに記載の方法。
16. 前記カテゴリ及び／又はグループ及び／又はクラスがヒトを含み、前記データ及び／又は情報が、前記データベースに各ボディの詳細を提供する複数のヒトの参加者のそれぞれについて、ヒトのビデオ、写真、完全及び／又は部分的なボディ形状又は表面スキャン、医用画像、ボディ組成、人体計測、参加者の特性、参加者の属性、医学生理学情報、及び疫学情報のうちの１以上を含み、前記１以上は、収集を通して収集され、各参加者のそれぞれのボディの統一された表現に、関係付けられ、及び／又は位置合わせされ、及び／又はアラインメントされ、及び／又は一致させられる請求項１５に記載の方法。
17. 各参加者のそれぞれのボディの詳細及び表現の収集が、好ましくは、同時且つ並行して行われる請求項１６に記載の方法。
18. 追加のデータが、異なる時間間隔で収集され、経時で収集される参加者の形状とデータの時間的モデリングの開発を可能にし、統計学的に意味のある診断トラッカを導き出し、物理的に意味のあるリスク分析を達成する請求項１７に記載のデバイス。
19. 各参加者のそれぞれのボディの詳細及び表現の収集が、品質保証プロトコル及び前処理プロセス及びステップにしたがって、前記データベースに情報を提供する各参加者のボディの詳細及び表現を捕捉することを含む請求項１６から１８のいずれかに記載の方法。
20. 請求項１３から１４のいずれかに従属する請求項１９に記載の方法において、
    前記動作が、
    高度な多次元統計技術及び／又は機械学習技術及び／又はＡＩ技術を使用して、収集された前記データと画像を分析し、外れ値として識別されたものを除外すること、
    データタイプ及び／又は前記データタイプに関係付けられた関連する出力の１以上のラベリング及び／又はアノテーションメカニズムに基づいて、前記データ及び画像をグループ、領域、タイプ、特性、及びカテゴリのうちの１以上に分類、クラスタリングすること、
    前記ボディの任意のタイプの画像から、目立った特徴及び／又は解剖学的に重要なランドマークを含むランドマーク及び／又はキーポイント及び／又は関節中心及び／又は骨の結合を推定すること、
    画像におけるクラスタ化されたバックグラウンドから前記ボディを識別及びセグメント化すること、
    医用画像から抽出された解剖学的特徴によって制約されたボディの画像からボディパーツセグメントを推定し、関心のある領域（ＲＯＩ）を確立すること、及び
    画像又は一般的な形状特徴及びラベル付けされた画像セグメント及び／又は画像クラスタを抽出し、ボディデータとの対応を推定すること、
    のうちの少なくとも１つを含む方法。
21. ディスプレイを介して前記出力を表示することによって前記出力を通信するように、前記電子プログラム命令を介して、前記コントローラを制御することを含み、前記ディスプレイが、文字、画像、メッシュ（ｍｅｓｈｅｓ）、３Ｄ、ビデオ、アイコン、仮想現実、及びグラフのうちの少なくとも１つを介して前記分析を視覚化して表示する請求項１２から２０のいずれかに記載の方法。
22. 前記ボディが個人のボディであり、前記出力が、前記個人の推定値である、形状、身体的、生態学的特性、及び／又は少なくとも１つの３次元（３Ｄ）形状とそれに関連する人体計測、ボディ組成、健康リスク及びウェルネスリスクを含む請求項１２から２０のいずれかに記載の方法。
23. 演算手段によって実行されるときに、請求項１２から２２のいずれかに記載の方法を演算手段に実施させる命令が記憶されていることを特徴とするコンピュータ可読記憶媒体。
24. 請求項１２から２２のいずれかに記載の方法を実行するようプログラムされていることを特徴とする演算手段。
25. 演算システムによって受信及び解釈することができる少なくとも１つの命令を含むデータ信号であって、前記命令が、請求項１２から２２のいずれかに記載の方法を実施させることを特徴とするデータ信号。
26. ボディを分析するためのシステムであって、請求項１から１１のいずれかに記載のデバイスを含むことを特徴とするシステム。
27. 前記ボディの少なくとも１つの表現が、任意のタイプの数字及び／又は文字及び／又はデータ及び／又は画像の形式である請求項１から１１のいずれかに記載のデバイス。
    
    

Images