Heute wollen wir über etwas sprechen, das selten im Gespräch über ästhetische Medizin vorkommt: die Wissenschaft hinter moderner Körpervisualisierung.
Wir setzten uns mit Endri Dibra, CEO von Arbrea-Labore, dessen Doktorarbeit an der ETH Zürich zur 3D-Körperrekonstruktion mittels Deep Learning eine der frühen Grundlagen für die Visualisierung von Körpertransformationen durch Chirurgen und Patienten legte.
Seine Forschungsarbeiten, HS-Nets: Schätzen der menschlichen Körperform anhand von Silhouetten mit Convolutional Neural Networks und Menschliche Gestalt aus Silhouetten mittels generativer HKS-Deskriptoren und Cross-Modal-Neuronalen Netzen, führte eines der ersten Deep-Learning-Systeme ein, das in der Lage war, einen vollständigen 3D-Körper eines Menschen aus nur zwei Fotos zu rekonstruieren, Jahre bevor generative KI und neuronales Rendering zu gängigen Themen wurden.
Interessanterweise hat die Relevanz dieser Arbeit im Laufe der Zeit nur noch zugenommen.
Als Endri diese Forschung 2016 veröffentlichte, war die visuelle Darstellung des Körpers noch weitgehend experimentell. Heute hat sich die medizinische Landschaft dramatisch verändert. Der Aufstieg von GLP-1-Medikamenten wie Ozempic und Wegovy führt zu schnellen Körpertransformationen, die Patienten zunehmend visuell und nicht nur numerisch verstehen wollen. Erkrankungen wie Lipödem finden endlich Eingang in die klinische Hauptdiskussion, was die Nachfrage nach besseren Werkzeugen zur kartografischen Darstellung, Verfolgung und Visualisierung des Körpers im Laufe der Zeit erhöht.
Über die Operation selbst hinaus erstrecken sich die Auswirkungen auf die Überwachung der Genesung, Kompressionskleidung, digitale Beratungen und das Vertrauen der Patienten während des gesamten Behandlungswegs. Was als Forschung zur Rekonstruktion des menschlichen Körpers aus Silhouetten begann, wird nun Teil der Infrastruktur für das digitale Verständnis der menschlichen Form in der Medizin.
Du kannst Endris Überlegungen zur Forschung und ihren langfristigen Auswirkungen auch in seinem kürzlichen Artikel nachlesen. LinkedIn-Post.
”Arbrea. Hört. Nie. Auf.
Dr. Endri DibraArbrea-Labore
Interview
Das Papier stellte eines der ersten Deep-Learning-Systeme vor, das aus nur zwei Fotografien einen vollständigen 3D-Körper rekonstruieren konnte. Warum war die Entscheidung für zwei Ansichten die entscheidende technische Wahl?
Damals stützten sich die meisten 3D-Rekonstruktionssysteme auf teure Scanner, viele synchronisierte Kameras oder stark kontrollierte Umgebungen. Das machte die Technologie klinisch schwer skalierbar oder für den alltäglichen Gebrauch geeignet. Die wichtigste Erkenntnis war, dass der menschliche Körper bereits eine riesige Menge an geometrischen Informationen in seiner Silhouette enthält. Eine Vorder- und Seitenansicht schränken die Körperform überraschend gut ein. Durch die Kombination dieser beiden Ansichten mit statistischen Körpermodellen und Deep Learning konnten wir einen realistischen 3D-Körper schätzen, ohne spezielle Hardware zu benötigen.
Zwei Bilder waren auch eine praktische Entscheidung. Wenn man Patienten bittet, zehn Bilder aufzunehmen oder externe Sensoren zu verwenden, sinkt die Akzeptanz sofort. Aber zwei Smartphone-Fotos sind einfach, schnell und global skalierbar. Dieses Prinzip prägt auch heute noch viele der Designentscheidungen, die wir bei Arbrea treffen.
Wie übersetzt sich das in was Arbrea Körper heute?
Die Kernphilosophie bleibt dieselbe: fortgeschrittene Körpervisualisierung in reale klinische Arbeitsabläufe zu integrieren.
Bei Arbrea Labs haben wir diese frühen Forschungskonzepte zu einer Echtzeitplattform für ästhetische und rekonstruktive Beratungen weiterentwickelt. Anstatt nur die Körpergeometrie zu rekonstruieren, Arbrea Körper kombiniert Computer Vision, KI, AR und Simulationstechnologie, um Chirurgen und Patienten während Beratungsgesprächen visuell zu unterstützen. Das Wichtige ist nicht nur Realismus. Es sind Vertrauen und Kommunikation.
Visualisierung schafft eine gemeinsame Sprache zwischen Chirurg und Patient. Die Technologie hilft, Unsicherheiten zu reduzieren und den Chirurgen im Mittelpunkt des Beratungsgesprächs zu halten. Was als akademische Forschung zu Silhouetten begann, entwickelte sich zu einem Werkzeug für die klinische Kommunikation.
Wohin das Ganze als Nächstes geht? Welches Problem muss noch gelöst werden?
Heute konzentrieren sich die meisten Systeme auf einen einzelnen Zeitpunkt: eine Konsultation, ein Scan, eine Simulation. Aber der menschliche Körper verändert sich kontinuierlich aufgrund von Alterung, Operationen, Hormonen, Gewichtsveränderungen, Schwangerschaft, Medikamenten wie GLP-1s, Genesungsprozessen oder medizinischen Zuständen wie Lipödem. Die eigentliche Herausforderung besteht darin, Systeme zu entwickeln, die diese Veränderungen im Laufe der Zeit verantwortungsvoll und genau verstehen und visualisieren können. Das erfordert mehr als nur Computergrafik. Es geht um Biomechanik, KI, datenschutzfreundliche Berechnungen, medizinische Validierung und patientenzentriertes Design. Es bedeutet auch, von statischer Visualisierung hin zu personalisiertem prädiktivem Modellieren zu gelangen.
Der Körper ist dynamisch. Digitale Medizin behandelt ihn noch weitgehend statisch.
Das Papier zeigte, dass Ihr System unter einer halben Sekunde pro Bild lief, um Größenordnungen schneller als alles andere zu dieser Zeit. Warum war Geschwindigkeit so wichtig?
Geschwindigkeit war entscheidend, weil Interaktion Verhalten verändert.
Wenn ein System Minuten braucht, um einen Körper zu rekonstruieren, wird es zu einem technischen Offline-Prozess. Wenn die Ergebnisse aber fast sofort erscheinen, wird es Teil eines natürlichen Gesprächs zwischen Arzt und Patient. Echtzeit-Feedback schafft Engagement.Ein Chirurg kann während des Beratungsgesprächs selbst Eingaben anpassen, Verhältnisse erklären, Optionen diskutieren und gemeinsam iterieren.
Das war eine der frühen Erkenntnisse, die später zu einem zentralen Punkt in Arbreas Produkten wurden: Latenz ist nicht nur eine technische Metrik. Sie verändert grundlegend das Nutzererlebnis und die Akzeptanz. Selbst heute ist die Erzielung einer hochwertigen Simulation direkt auf mobilen Geräten, ohne Patientendaten in die Cloud zu senden, eine unserer größten technischen Prioritäten.
Ihre Zeitung berichtete über einen Messfehler von rund 4 mm bei 16 Körpermaßen. Wie wichtig ist dieses Maß an Präzision, wenn es um Operationsplanung geht und nicht um die Anpassung von Kleidung?
Präzision ist wichtig, aber der Kontext ist noch wichtiger.
Menschliche Körper sind von Natur aus variabel. Schon klinische Messungen, die manuell von verschiedenen Fachleuten durchgeführt werden, können um mehrere Millimeter abweichen. Daher war ein durchschnittlicher Fehler von etwa 4 mm mit nur zwei RGB-Bildern zu dieser Zeit ein bedeutender Schritt, insbesondere angesichts der Geschwindigkeit und Zugänglichkeit des Systems.
Die chirurgische Planung befasst sich jedoch nicht nur mit absoluter Maßgenauigkeit. Es geht auch um Proportionalität, anatomische Konsistenz, Kommunikation und Erwartungsmanagement.
Das Ziel war nie, das chirurgische Urteilsvermögen zu ersetzen. Das Ziel war, die Kommunikation durch datengesteuerte Visualisierung zu verbessern.
Was ist Arbrea Körper?
Arbrea-Labore entwickelt KI-gestützte Visualisierungswerkzeuge für die ästhetische und rekonstruktive Medizin.
Arbrea Körper ermöglicht Chirurgen, Echtzeit-Körpersimulationen direkt auf mobilen Geräten und Tablets durchzuführen, ohne dass externe Scanner oder Cloud-basierte Verarbeitung erforderlich sind. Die Plattform ist darauf ausgelegt, Konsultationen, Patientenkommunikation, Behandlungsplanung und Längsschnittvisualisierung während des gesamten Patientenweges zu unterstützen. Basierend auf jahrelanger Forschung in den Bereichen Computer Vision, Deep Learning und Augmented Reality kombiniert die Technologie einen auf Privatsphäre ausgerichteten On-Device-KI-Ansatz mit klinisch orientierten Workflows.
Die übergreifende Vision ist die Schaffung eines einheitlichen digitalen Ökosystems, das Visualisierung, Beratung, Nachsorge und Patientenbindung über die gesamte ästhetische und rekonstruktive Reise hinweg verbindet.
Referenz
[1] Dibra, Endri, et al. “Hs-nets: Schätzung der menschlichen Körperform aus Silhouetten mit Convolutional Neural Networks.” 2016 vierte internationale Konferenz über 3D-Vision (3DV). IEEE, 2016.
EN 
PT 
IT 
ES 
DE