CN110009635B - 用于在对象可能受医学状况影响时进行鉴别的系统、方法和计算机可读介质 - Google Patents

Abstract

公开了用于在对象可能受医学状况影响时进行鉴别的系统、方法和计算机可读介质。例如，至少一个处理器可配置为接收反映对象的外部软组织图像的信息。该处理器还可配置为对外部软组织图像信息执行评估并且至少部分地基于该评估生成评估结果信息。该处理器还可配置为至少部分地基于该评估结果信息预测对象受医学状况影响的可能性。

Description

用于在对象可能受医学状况影响时进行鉴别的系统、方法和计算机可读介质

本申请是申请日为2014年03月12日、题为“用于在对象可能受医学状况影响时进行鉴别的系统、方法和计算机可读介质”的发明专利申请201480023541.4的分案申请。

相关申请

本申请要求2013年3月13日提交的美国临时申请第61/778,450号的优先权，其通过引用而整体合并于此。

技术领域

本申请涉及图像分析领域。例如，公开了用于在对象(subject)可能受医学状况(medical condition)影响时使用图像分析来进行鉴别的系统、方法和计算机可读介质。

背景技术

存在数千种已知的罕见病(rare disease)，其总共影响全球8％以上的人口。罕见病通常都是慢性、进展性(progressive)、退行性(degenerative)和危及生命的。受罕见病影响的儿童常常遭受多种伴随的医学并发症，并且需要关键且及时的医疗干预。

许多罕见病是遗传引起的、先天的，并且呈现出各种有症状的畸形(symptomaticmalformation)。有症状的畸形常常是罕见病的第一征兆。由合格专家进行的畸形评估(dysmorphic evaluation)常常是识别疾病时的关键因素。但是，由于很多疾病的罕见性、畸形学(dysmorphoiogy)专家的稀缺、以及临床诊断的复杂性，通常不可能对大量医师(physician)进行恰当和全面的畸形学培训。罕见病的诊断通常是非常困难的，尤其是对于缺乏相关意识、知识和经验的医师而言更是如此。大多数被确诊的儿童一般是在生命的后期，当其家人或治疗医师发现了身体症状、发育迟缓、智力障碍和其它医学并发症时，才被诊断出来的。这可能导致未控制且未治疗的、会引起儿童状况恶化的疾病。

疾病的早期鉴别通常是关键的。因此，需要能有效地且非侵入式地确定人是否可能受医学状况影响的系统和方法。

发明内容

与本申请一致的实施例提供了用于在对象可能受医学状况影响时使用图像分析来进行鉴别的系统、方法和计算机可读介质。

在一所公开的实施例中，公开了一种用于在对象可能受医学状况影响时进行鉴别的系统。所述系统包括至少一个处理器，其配置为接收反映对象的外部软组织图像的信息，使用锚定单元分析、移位补片分析和相对测量分析中的至少一种对外部软组织图像信息执行第一评估，至少部分地基于所述第一评估而生成第一评估结果信息，使用锚定单元分析、移位补片分析和相对测量分析中的至少一种对外部软组织图像信息执行第二评估，至少部分地基于所述第二评估而生成第二评估结果信息，以及至少部分地基于所述第一评估结果信息和所述第二评估结果信息预测所述对象受医学状况影响的可能性。

在另一所公开的实施例中，公开了一种用于在对象可能受医学状况影响时进行鉴别的系统。所述系统包括至少一个处理器，其配置为接收反映对象的外部软组织图像的信息，将外部软组织图像信息分成多个区域，生成对所述多个区域中的每个区域的分析，聚集所述多个区域的分析，以及基于所聚集的分析确定所述对象受医学状况影响的可能性。

在另一所公开的实施例中，公开了一种用于在对象可能受医学状况影响时进行鉴别的系统。所述系统包括至少一个处理器，其配置为接收反映对象的外部软组织图像的信息，使用图像信息分析来比较所述外部软组织图像信息和数据库中的其他对象的多个外部软组织图像，基于所述图像信息分析确定所述外部软组织图像信息中包括的畸形特征，访问与所述畸形特征相关联的描述符，以及输出所述描述符中的至少一些。

在另一所公开的实施例中，公开了一种用于在对象可能受医学状况影响时进行鉴别的系统。所述系统包括至少一个处理器，其配置为接收反映对象的外部软组织图像的信息，分析外部软组织图像信息，至少部分地基于所述分析而识别所述外部软组织图像信息中的一个或多个外部软组织特性，访问与多个医学状况相关联的外部软组织特性的至少一个数据库，将一个或多个所识别出的外部软组织特性与所述至少一个数据库的外部软组织特性进行比较，以及基于所述比较而输出关于所述对象可能具有的至少一个医学状况的信息。

在另一所公开的实施例中，公开了一种用于在对象可能受医学状况影响时进行鉴别的系统。所述系统包括至少一个处理器，其配置为接收反映在第一时间记录的对象的第一外部软组织图像的第一信息，分析第一图像信息，接收反映在第二时间记录的对象的第二外部软组织图像的第二信息，分析第二图像信息，将对第一图像信息的分析与对第二图像信息的分析进行比较，以及至少部分地基于所述比较来预测对象受医学状况影响的可能性。

与所公开的实施例相关的其它方面将在下面的描述中得到部分说明，并且将从该描述部分地得到理解，或者可以通过实践所公开的实施例而得到领会。

将理解，前面的概要描述和下面的详细描述二者都仅是示例性和说明性的，而不是对权利要求的限制。

附图说明

被并入本申请中并且构成本申请一部分的附图示出了所公开的各种实施例。附图中：

图1示出了用于在对象可能受医学状况影响时进行鉴别的示例系统，其可用于实施所公开的实施例。

图2示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以使用两次评估来预测对象受医学状况影响的可能性的示例操作。

图3示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以使用图像划分(image division)来预测对象受医学状况影响的可能性的示例操作。

图4示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以使用对象的至少一个亲属(relative)的信息来预测对象受医学状况影响的可能性的示例操作。

图5示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以输出与畸形特征相关联的至少一些描述符(descriptor)的示例操作。

图6示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以使用图像上的至少一百个定义位置来预测对象受医学状况影响的可能性的示例操作。

图7示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以在图像上叠加至少一个畸形的指示的示例操作。

图8示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以识别关于选定区域中的畸形特征的信息的示例操作。

图9示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以输出关于对象可能具有的至少一个医学状况的信息的示例操作。

图10示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以基于两个不同时间的分析来预测对象受医学状况影响的可能性的示例操作。

图11示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以确定两个对象可能具有的先前未识别出的医学状况的示例操作。

图12示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以协调(mediate)健康服务提供方(health service provider)和医疗保健专家(healthcare professional)之间的通信的示例操作。

图13示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以在对象的图像满足可能受医学状况影响的阈值时提醒医疗保健提供方的示例操作。

图14示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以预测对象是否具有医学状况的示例操作。

图15示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以生成将要执行的测试的列表的示例操作。

图16示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以基于严重度得分(severity score)来预测畸形特征是否指示医学状况的示例操作。

图17示出了根据所公开实施例中的一些实施例，医学状况分析系统的处理器可配置为执行以通过不考虑(discount)至少一个畸形特征来预测对象是否可能受医学状况影响的示例操作。

图18示出了根据所公开实施例中的一些实施例的图像处理流水线(pipeline)的示例图。

图19-22示出了根据所公开实施例中的一些实施例的图像分割(segmentation)的示例图。

图23A-23C示出了根据所公开实施例中的一些实施例的锚定单元分析(anchoredcell analysis)的示例图。

图24示出了根据所公开实施例中的一些实施例的移位补片分析(shifting patchanalysis)的示例图。

图25示出了根据所公开实施例中的一些实施例的相对测量分析(relativemeasurements analysis)的示例图。

图26示出了根据所公开实施例中的一些实施例的多种分析的示例图。

图27示出了根据所公开实施例中的一些实施例的耳部分析的示例图。

图28示出了根据所公开实施例中的一些实施例的未确诊患者分析的示例图。

具体实施方式

现在，将对此在附图中示出的示例实施例详细地做出参考。只要可能，将贯穿附图使用相同的附图标记来指示相同或相似的部分。

图1是示出了与所公开的实施例一致的、用于在对象可能受医学状况影响时进行鉴别的示例系统100的图。对象可包括但不限于任何人或任何类型的人，诸如男性或女性、以及儿童或成人。儿童可包括例如新生儿、婴儿、幼儿(toddler)、学前儿童、学龄儿童或青少年。例如，从出生至1月龄的男孩或女孩可称为新生儿，从1月龄至1周岁的男孩或女孩可称为婴儿，从1周岁至3周岁的男孩或女孩可称为幼儿，从3周岁至6周岁的男孩或女孩可称为学前儿童，从6周岁至12周岁的男孩或女孩可称为学龄儿童，并且从12周岁至18周岁的男孩或女孩可称为青少年。成人可包括例如18周岁及以上的男性或女性。然而，这些年龄范围仅用于举例。例如，在某些环境下，19周岁的人也可称为青少年。

医学状况可包括但不限于任何医学疾病。对象具有医学状况可包括例如具有遗传综合征和是遗传综合征的携带者中的至少一种。医学状况还可包括但不限于与临床可识别的特征、征兆、症状、现象、或常常一起发生的其它特性的任何关联，以致于一个特征、征兆、症状、现象、或其它特性的存在可以暗示、指示、或提醒其它项的可能存在。医学状况还可包括随时间产生的身体生长和发育中的一个或多个异常发现(例如，随时间产生的生长缺陷和颅面变形)。例如，医学状况可以是在下列文献中披露的医学状况中的一个或多个：R.C.M.Hennekam等人的“Gorlin’s syndromes of the head and neck”，2010，牛津大学出版社；William Reardon的“The Bedside Dysmorphologist”，2008，牛津大学出版社；以及Kenneth Lyons Jones的“Smith’s Recognizable Patterns of Human Malformation”，2005，WB Saunders，全部上述文献通过引用而整体合并于此。

在一些实施例中，医学状况包括可导致人表现出一个或多个畸形特征的一个或多个状况。畸形特征可包括例如影响对象的外形(appearance)的任何特征。畸形特征可以例如反映外部软组织畸形。例如，医学状况可导致儿童的颅骨以非常规的方式形成，其可能引起儿童的面部外形以可通过一个或多个畸形特征进行描述的方式而也是不规则的。例如，畸形特征可以是在下列文献中披露的畸形特征中的一个或多个：Allanson等人的“Elements of morphology:Introduction”，2009，Am J Med Genet Part A 149A:2-5；Allanson等人的“Elements morphology:Standard of terminology for the head andface”，2009，Am J Med Genet Part A 149A:6-28；Carey等人的“Elements ofmorphology:Standard terminology for the lips,mouth,and oral region”，2009，Am JMed Genet Part A 149A:77-92；Hall等人的“Elements of morphology:StandardTerminology for the periorbital region”，2009，Am J Med Genet Part A149A:29-39；Hennekam等人的“Elements of morphology:Standard terminology for the Nose andphiltrum”，2009，Am J Med Genet Part A 149A:61-76；Hunter等人的“Elements ofmorphology:Standard terminology for the ear”，2009，Am J Med Genet Part A 149A:40-60；以及Bieseeker等人的“Elements of morphology:Standard terminology for thehands and feet”，2009，Am J Med Genet Part A 149A:93-127，全部上述文献通过引用而整体合并于此。

系统100可包括但不限于至少一个处理器110、至少一个存储器件120、至少一个输入器件130、至少一个相机140、以及至少一个输出器件150。处理器110可包括可配置为对至少一个输入变量执行操作的任何电子电路，例如包括一个或多个集成电路、微芯片、微控制器和微处理器，其可以是中央处理单元(CPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、或本领域技术人员已知的可适于运行指令或执行逻辑运算的任何其它电路的全部或一部分。可以使用单个处理器来实现多种功能，或者可以在多个处理器之间划分多个相关和/或不相关的功能。处理器110可配置为访问存储器件120，存储器件120可包括例如持久性存储器、ROM、EEPROM、EAROM、闪存器件、磁盘、磁光盘、CD-ROM、DVD-ROM、蓝光盘等。存储器件120可含有指令(即，软件或固件)或其它数据。处理器110可接收存储器件120中储存的指令和数据。因此，在一些实施例中，处理器110可运行软件或固件，从而通过对输入数据进行操作并且生成输出来执行各功能。然而，处理器110还可通过网络(图1未示出)接收或访问远程储存的数据。例如，设备100可包括通信器件(图1未示出)，其使得处理器110能够通过网络接收或访问远程储存在服务器或用户设备上的数据。此外，处理器110还可以是例如专用硬件或特定用途集成电路(ASIC)，其通过对输入数据进行操作并且生成输出来执行各处理。处理器110可以是专用硬件、一个或多个ASIC、一个或多个通用处理器、一个或多个DSP、一个或多个GPU、或者一个或多个能够处理数字信息的其它处理器的任意组合。例如，在一些实施例中，处理器110可包括能提供并行处理能力的多个处理器。

图2示出了至少一个处理器可配置为进行执行的示例处理200。例如，如上所述，处理器110可配置为通过运行存储器件120中储存的软件或固件来执行处理200，或者可配置为利用专用硬件或一个或多个ASIC来执行处理200。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤210)。例如，处理器110可接收通过相机140捕捉的反映对象的外部软组织图像的信息。相机140可包括但不限于一个或多个图像传感器，诸如CCD图像传感器、CMOS图像传感器、摄像头、光传感器、IR传感器、超声传感器、接近传感器、短波红外(SWIR)图像传感器、反射率传感器、或者能够捕捉外部软组织图像的任何其它图像传感器。图像传感器可配置为捕捉任何量值(quantity)的图像数据，诸如单像素数据、一维线数据、二维数据、或三维数据。相机140可以是固定相机、移动相机、或者任何其它图像捕捉器件或装置，其可例如被进一步合并到计算机、平板、电话、眼镜或任何其它设备中。

外部软组织图像可包括但不限于对象或对象任何部分的图像。在一些实施例中，外部软组织图像可包括对象的面部、对象的颅部、对象的手部和对象的足部中的至少一个的图像。然而，外部软组织图像还可包括对象的其它部分，例如，诸如发际线(hairline)、前额、眼部区域、眉毛、鼻子、眼睛、面中区、人中区、口、耳朵、颌区、下巴、脸颊、颈、胸、体中区(mid-body)、背部、躯干、臀部、生殖器、肢体、关节、手和手指。在一些实施例中，外部软组织图像是颅面图像，其包括正视图、侧视图、斜视图、俯视图和后视图中的至少一个。在这里使用时，颅面图像是包括对象的颅部或面部的至少一部分的图像。正视图可包括对象的面部的正面的图像。侧视图可包括以与对象的头的垂直中线成或大约成45度角(向面部的左侧和/或右侧)所拍摄的图像。俯视图可包括对象的头部的顶部的图像。后视图可包括对象的头部的背面的图像。如下面更详细地描述的那样，在一些实施例中，外部软组织图像与畸形相关联。

处理器110接收的、反映外部软组织图像的信息可包括外部软组织图像本身或者从外部软组织图像得到的任何数据(例如，相机140处的单独处理器可从外部软组织图像得到数据并且将所得到的数据发送到处理器110)。例如，如果外部软组织图像是模拟图像(虽然外部软组织图像也可被捕捉为数字图像)，那么反映外部软组织图像的信息可包括外部软组织图像的数字转换版本。反映外部软组织图像的信息可以是例如矢量图像或光栅图像。反映外部软组织图像的信息还可以是非图像数据，诸如从外部软组织图像得到的一组参数，其可包括例如图像的一个或多个强度、图像中边缘的一个或多个位置、以及图像中的一个或多个纹理(texture)。

在一些实施例中，处理器110可在其接收到信息时和/或在其接收到信息后对外部软组织图像信息进行预处理。图18示出了可由处理器110执行的预处理例程(routine)的一个示例。如图18所示，作为预处理例程的一部分，处理器110可配置为检测外部软组织图像信息的面部区域，检测面部区域中的多个点，以及对准(align)面部区域。面部检测例程的一个示例示于图19-22中。例如，如图20所图示的那样，处理器110可配置为通过首先将可选地可彼此交叠的多个补片(即，图像信息的子区域)置于图像信息上来检测面部区域。对于每个补片，可计算描述符矢量。描述符矢量可包括例如从尺度不变特征变换(SIFT)、方向梯度直方图(HOG)、自相似性描述符、局部二值模式直方图、以及在图像分析和计算机视觉领域中已知的任何其它可确定特征中的至少一个所得到的数据。

在面部检测例程的训练阶段期间，可以手动勾勒一组训练图像的一个或多个区域的轮廓(outline)。例如，处理器110可确定头部以及面部或面部侧面中的一个或多个区域的轮廓(例如，眼睛、鼻子、嘴巴、耳朵等的轮廓)。处理器110可确定头部的轮廓的质心(例如，轮廓上各点的加权相对位置总和为零处的点)。处理器110还可确定每个训练图像的每个补片的描述符矢量，并且将描述符矢量储存在数据库中。该数据库可由存储器件120进行储存，或者可以储存在例如处理器110可通过网络访问的远程服务器上。此外，关于头部形状的质心相对于与描述符矢量相关联的每个补片的中心的位置的信息也可储存在数据库中。图19示出了具有关于头部形状的质心相对于多个补片的中心的位置的信息的勾勒出轮廓的头部形状的示例。

进一步关于面部检测例程，处理器110可配置为将对象的图像信息中的每个补片的描述符矢量和与训练图像的补片相关联的描述符矢量相比较，以确定一组最相似的描述符矢量(例如，25个最相似的描述符矢量)。为了执行该比较，处理器110可配置为从存储器件120和/或通过网络从远程来源(例如，服务器或用户设备)取回图像信息中的每个补片的描述符矢量，并且可配置为从存储器件120和/或通过网络从远程来源(例如，服务器或用户设备)取回与训练图像的补片相关联的描述符矢量。处理器110可配置为计算对象的图像信息中的每个补片的描述符矢量和与训练图像的补片相关联的描述符矢量之间的欧氏(Euclidean)距离、切比雪夫(Chebyshev)距离、卡方(chisquare)距离和马氏(Mahalanobis)距离中的一个或多个。该组最相似的描述符矢量可包括例如与最短的欧氏距离、切比雪夫距离、卡方距离或马氏距离相关联的那些描述符矢量。可以从数据库取回与该组最相似的描述符矢量相关联的补片。从数据库取回的每个补片可提供用于对象的图像信息的质心位置的一次投票(vote)。投票可通过将与给定补片相关联的训练图像中的质心的相对位置加到用于从数据库取回补片的图像信息中的补片的位置来确定。在此上下文中使用时，投票指的是用于对象的图像信息的质心位置的一种估算(estimate)。来自图像信息的所有补片的全部投票可以被整合(integrate)，并且具有最多支持的位置可以被选作头部的质心。图20图示了所描述的投票操作的示例。

在一些实施例中，对于对象的图像信息中的每个补片，该组取回的补片中指向所选择的质心位置并且离所选择的质心在阈值距离内的补片可以被丢弃。剩余的补片可被分配有得分，该得分与两个元素成正比：主取补片(retrieving patch)描述符矢量和被取回补片(retrieved patch)描述符矢量之间的相似度、以及所选质心和由被取回补片暗示的质心之间的距离。对于每个主取补片(即，对象的图像信息中的补片)，被取回补片的得分可以累积。阈值过滤器可应用到每个主取补片的累积得分，以获得图像信息中的头部形状的前景(foreground)区域的初始粗略估算。处理器110可配置为对初始粗略估算应用一个或多个形态学运算，以产生闭合形状。如例如图21中所图示的那样，闭合形状的周线(contour)可用作第一分割假设(segmentation hypothesis)。在一些实施例中，处理器110还可配置为使用该第一分割假设作为计算的开始位置，来向图像信息应用均值移位分割算法和/或迭代图割(GrabCut)分割算法。

在一些实施例中，处理器110可使用上述周线作为所检测的头部或面部区域。然而，在一些实施例中，该确定步骤被进一步细化(refine)。例如，在一些实施例中，每个训练图像的周线可由含有下列各项中的一个或多个的矢量来表示：(i)沿周线以相等距离采样的多个点(例如，50个点)的(x,y)坐标，其中第一点取为例如沿周线的最顶部的点；(ii)第一点的位置以及每个点与下一点之间的(x,y)坐标差(例如，总和为零的多个(dx,dy)对)；(iii)每个这样的周线点离周线的捕获区域的质心的距离以及从质心到周线点的辐线(ray)的角度；以及(iv)从质心到周线上的点的距离。为了细化图像信息的估算周线，处理器110可采用主分量分析(Principal Components Analysis)来计算训练矢量的主分量。可通过将估算的周线投影到主分量的空间上来细化估算周线。

处理器110可识别其中先前确定的周线中的一个或多个周线一致的区域。例如，密集采样的辐线可以从质心沿所有方向投射。如例如图22中所图示的那样，每条辐线可与各个周线相交。处理器110可配置为计算每条辐线的所得交点位置的均值和标准差。如果标准差在阈值以下(这可能意味着各交点是接近的，并且沿辐线方向各周线是一致的)，则均值点可用作周线的高置信位置。来自多条辐线的高置信位置可以分组为高置信片段(segment)，其可产生具有缺失部分和多个子片段的周线。可以通过检查训练图像中的头部形状，选择与高置信片段最一致的头部形状，并且将来自所选头部形状的值复制到缺失片段中，来重构缺失片段。

为了检测图像信息的面部区域中的多个点，处理器110可配置为执行与上述技术类似的投票技术。例如，虽然上述周线是关于头部形状或面部形状的，但是可以针对对象的图像信息中的任何其它可定义周线来执行同样的操作。处理器110可配置为例如选择图像信息的一个或多个周线上的点(例如，围绕对象的面部、眼睛、眉毛、鼻子、嘴巴和/或下巴的点)。例如，处理器110可配置为沿给定周线选择多个均匀间隔开的点。

为了对准(align)面部区域，处理器110可配置为执行平移、旋转和缩放操作中的一个或多个，使得所得到的面部最大程度地对准平均面部模型。在一些实施例中，关注区域可以基于它们与根据所检测的点确定的对应面部区域的已知关联性来得以确定。然后，关注区域可以对准到平均面部模型。

处理器110可配置为使用锚定单元分析(anchored cell analysis)、移位补片分析和相对测量分析中的至少一种来执行外部软组织图像信息的第一评估(步骤220)。为了执行锚定单元分析，处理器110可配置为将具有多个单元(cell)的格栅(grid)覆盖在外部软组织信息上，计算多个单元中的每个单元的描述符，聚集描述符以生成矢量，并且将该矢量与先前生成的矢量进行比较，所述先前生成的矢量来自先前确诊为具有医学状况的其他个体的外部软组织图像。

覆盖单元的格栅可包括多个不同的补充和/或替代选项。例如，如图23A所示，处理器110可配置为将具有多个单元的固定格栅覆盖在外部软组织图像信息上。多个单元的固定格栅可包括例如多个相邻的方形、矩形或三角形，其被覆盖在外部软组织图像信息的区域(例如，面部区域)上。作为另一示例，如图23B所示，处理器110可配置为在外部软组织图像信息的特定的定义区域(诸如，前额区域、眶周区域、鼻子区域、面中区域、耳部区域和口部区域)上覆盖多个单元的小格栅，所述单元可以在尺寸上小于上述固定格栅的单元。处理器110可配置为不考虑(discount)外部软组织图像信息的至少一个其它区域(例如，极少或没有相关信息可从其获得的区域，诸如头发区域，可以不被覆盖有多个单元的小格栅)。作为另一示例，如图23C所示，处理器110还可配置为覆盖多个三角形单元，其通过连接在外部软组织图像信息上检测到的各点而产生。例如，处理器110可确定图像信息上的多个特征点并且连接这些特征点以形成三角形区域。

为了计算多个单元中的每个单元的描述符，处理器110可配置为例如分析与外部软组织图像信息相关联的强度、纹理和边缘中的至少一种。在一些实施例中，每个单元的描述符是矢量，其包括例如从SIFT、HOG、自相似性描述符、局部二值模式直方图、以及在图像分析和计算机视觉中使用的任何其它类型特征中的至少一种所得到的数据。

为了聚集各描述符以生成矢量，处理器110可配置为例如创建包括所计算的描述符中的一个或多个的矢量。例如，与固定格栅中的一单元相关联的每个描述符可聚集成一矢量，与一组三角单元相关联的每个描述符可聚集成一矢量，或者与多个单元的小格栅相关联的每个描述符可聚集成一矢量。附加地或替代地，如果创建了多于一组单元(例如，形成了固定格栅和一组三角单元二者，形成了固定格栅和多个单元的小格栅二者，形成了一组三角单元和多个单元的小格栅二者，或者形成了固定格栅、一组三角单元和小格栅全部)，那么可创建包括多组单元的描述符的单个矢量。包括所聚集的描述符的矢量可称为例如组合外形矢量。

为了将该矢量与来自先前确诊为具有医学状况的其他个体的外部软组织图像的先前生成矢量进行比较，处理器110可配置为例如访问数据库。数据库可包括例如利用其他个体的外部软组织图像的锚定单元分析生成的矢量。数据库可用下列的一或多项予以注释：患者ID、年龄、年龄组、性别、种群(ethnic group)、族群(race group)、畸形特征、表型特征(phenotypic feature)、人体测量(anthropometric measurement)(包括但不限于身高、体重、头围、面部高度、颅骨高度、上脸部高度、下脸部高度、头长、头宽、脸宽、颌宽(mandibular width)、前囟门大小(anterior fontanelle size)、后囟门大小、内眦间距(inner canthal distance)、外眦间距、瞳间距(interpupillary distance)、眼眶间距(interorbital distance)、睑裂长度(palpebral fissure length)、睑裂高度、睑裂斜度、眼眶突起(orbital protrusion)、角膜尺度(corneal dimension)、耳长、耳宽、耳突起(earprotrusion)、耳位(ear position)、耳旋(ear rotation)、鼻高、鼻柱(columella)长、鼻突起、鼻宽、人中(philtrum)长、人中宽、嘴宽、ONC角、上下颌差距(maxillomandibulardifferential)、以及下颌(mandible)宽)、躯体界标和面部界标之间的相对比率和比例、已知诊断、疑似诊断、突变和/或遗传变异、图像来源(source of image)、知情同意(informedconsent)、姿态(pose)、照明、图像质量、表达类型(expression type)以及与同生群(cohort)(例如，已知未受医学状况影响的个体的对照组的一部分或已知受到医学状况影响的个体的群组的一部分)的关联。数据库还可通过例如以下方式进行注释：将关于数据库中作为家庭成员(例如，兄弟姐妹、父母、子女、表兄弟姐妹等)的个体的数据进行关联，和/或表明数据库中受医学状况或畸形特征影响的其它家庭成员与个体的关系(例如，来自母亲一方的外祖母的姐妹)。在一些实施例中，比较中使用的先前生成矢量与一个或多个共有的注释相关联。例如，先前生成矢量可关联有一注释，该注释表明它们源自和与对象具有相同年龄、性别和种族的个体相关联的图像。附加地或替代地，比较中使用的先前生成矢量可与对象的疑似畸形特征和/或疑似医学状况相关联。也就是说，例如，先前生成矢量可与下列各项中的一个或多个相关联：受畸形特征影响的个体、畸形特征的对照组中的个体、受医学状况影响的个体、以及医学状况的对照组中的个体。

可确定与一组最相似的先前生成矢量(例如25个最相似的先前生成矢量)相关联的数据。例如，处理器110可配置为计算组合外形矢量与数据库中的先前生成矢量之间的欧氏距离、切比雪夫距离、卡方距离和马氏距离中的一个或多个，以确定一组最相似的先前生成矢量(例如，可以选择与25个最短计算距离相关联的25个先前生成矢量)。

可以(例如，在与数据库相关联的服务器处，或者由处理器110)分析该组最相似的先前生成矢量，以确定该先前生成矢量中有多少个与特定畸形特征的阳性病例相关联(也就是说，与已知具有畸形特征的个体相关联的先前生成矢量)，以及该先前生成矢量中有多少个与特定畸形特征的阴性病例相关联(也就是说，与已知不具有畸形特征的个体相关联的先前生成矢量)。基于阳性病例的数量和阴性病例的数量，可确定畸形特征的概率得分。在这里使用时，概率得分可以是实际概率或反映概率的某种值。例如，概率得分可提供对象具有畸形特征的可能性的某种指示。例如，如果在该组最相似的先前给出矢量中仅包括阳性病例，那么可以确定非常高或最大的概率得分(例如，概率得分100)。如果仅包括阴性病例，那么可以确定非常低的概率得分(例如，概率得分1)。如果包括阳性病例和阴性病例的混合，那么概率得分可反映阳性病例的数量和阴性病例的数量。概率得分可以或可以不与阳性病例和阴性病例的数量直接成正比。例如，在一些实施例中，如果获得了阈值数量的阳性病例，那么可以确定相同的非常高或最大的概率得分，而与阳性病例或阴性病例的数量无关。此外，概率得分不一定是正值。在一些实施例中，概率得分也可以是负值。此外，所有的概率得分不一定加起来为100％。在一些实施例中，概率得分可以是任何实值得分，其关于某个医学状况或畸形的潜在概率大致上是单调的。

在一些实施例中，也可以，或者替代地，基于组合外形矢量与先前生成矢量中的给定一个的相似程度来计算畸形特征的概率得分。例如，如果取回了相等数量的阳性病例和阴性病例，但是与和阴性病例相关联的先前生成矢量相比，组合外形矢量更类似于和阳性病例相关联的先前生成矢量，那么概率得分可较高。相反，如果取回了相等数量的阳性病例和阴性病例，但是与和阳性病例相关联的先前生成矢量相比，组合外形矢量更类似于和阴性病例相关联的先前生成矢量，那么概率得分可较低。

在一些实施例中，处理器110可针对给定畸形特征计算多于一个概率得分。例如，可以通过均等地处理全部阳性和阴性病例来确定一个概率得分，并且可以确定考虑到组合外形矢量与阳性和阴性样本的相似度的另一个概率得分。此外，可以以相同或基本相同的方式来计算多个不同畸形特征的概率得分。

虽然上面的锚定单元分析描述提及了畸形特征，但是相同的处理也可以，或者替代地，被执行来确定一个或多个医学状况的概率得分。例如，并非要确定先前给出矢量与畸形特征的关联性，处理器110可确定哪个医学状况与先前给出矢量相关联。

为了执行移位补片分析，处理器110可配置为将多个密集间隔开的或交叠的补片覆盖在外部软组织图像信息上，计算多个补片中的每个补片的描述符矢量，并且将每个描述符矢量与先前生成矢量相比较，该先前生成矢量来自先前确定为受医学状况影响的其他个体的外部软组织图像中的类似区域。

如图24所示，为了将补片覆盖在外部软组织图像信息上，处理器110可配置为例如将多个密集间隔开的或交叠的补片(其可选地可具有变化的尺寸)覆盖到图像信息的一区域(例如，面部区域)上。例如，第一尺寸的方形补片可以在每个可行的位置处覆盖在图像信息的该区域上(例如，方形补片可以沿每个方向移位一个像素，直到补片被覆盖在每个可行的位置中)，或者在可行位置的子集处覆盖在图像信息的该区域上(例如，方形补片可以沿每个方向移位十个像素，直到补片被覆盖在图像信息的整个区域上)。在一些实施例中，一个或多个不同尺寸的方形补片也可以覆盖在图像信息的该区域上。

为了计算多个补片中的每个补片的描述符矢量，处理器110可配置为例如计算从尺度不变特征变换(SIFT)、方向梯度直方图(HOG)、自相似性描述符、局部二值模式直方图、以及在图像分析和计算机视觉中使用的任何其它类型特征中的至少一种所得到的数据。

为了将每个描述符矢量与来自先前确定为受医学状况影响的其他个体的外部软组织图像中的类似区域的先前生成矢量相比较，处理器110可配置为访问数据库。例如，与上面关于锚定单元分析描述的相同的数据库，或类似数据库，可包括先前确定为受医学状况影响的个体的图像的补片的先前生成矢量。如上所述，数据库可以用各种数据来对先前生成矢量进行注释，例如，所述各种数据诸如下列项中的一个或多个：患者ID、年龄、年龄组、性别、种群、族群、畸形特征、表型特征、人体测量(包括但不限于身高、体重、头围、面部高度、颅骨高度、上脸部高度、下脸部高度、头长、头宽、脸宽、颌宽、前囟门大小、后囟门大小、内眦间距、外眦间距、瞳间距、眼眶间距、睑裂长度、睑裂高度、睑裂斜度、眼眶突起、角膜尺度、耳长、耳宽、耳突起、耳位、耳旋、鼻高、鼻柱长、鼻突起、鼻宽、人中长、人中宽、嘴宽、ONC角、上下颌差距、以及下颌宽)、躯体界标和面部界标之间的相对比率和比例、已知诊断、疑似诊断、突变和/或遗传变异、图像来源、知情同意、姿态、照明、图像质量、表达类型以及与同生群(例如，已知未受医学状况影响的个体的对照组的一部分或已知受到医学状况影响的个体的群组的一部分)的关联。数据库还可通过例如以下方式进行注释：将关于数据库中作为家庭成员(例如，兄弟姐妹、父母、子女、表兄弟姐妹等)的个体的数据进行关联，和/或表明数据库中受医学状况或畸形特征影响的其它家庭成员与个体的关系(例如，来自母亲一方的外祖母的姐妹)。

处理器110可将与图像信息的补片相关联的一个或多个描述符矢量与数据库中的先前生成矢量相比较。该比较可发生在与数据库相关联的服务器处，或者可以直接由处理器110利用例如从数据库取回的信息来进行。比较中使用的先前生成矢量可以来自与先前确定为受一个或多个医学状况影响的其他个体和对照组中的其他个体的外部软组织图像中的描述符矢量相似的区域。相似区域可包括例如数据库中的图像信息中的补片，该补片沿相同或基本相同的方向离面部的质心具有相同或基本相同的距离。相似区域还可包括例如数据库中的图像信息中的补片，该补片与关联到和对象的图像信息相关联的相应描述符矢量的补片关联相同的器官或区域类型。例如，如果与对象的图像信息的特定补片相关联的描述符矢量在鼻子区域内，那么该描述符矢量可以与数据库中的也与鼻子区域相关联的一个或多个描述符矢量相比较。在一些实施例中，仅数据库中的指向离图像信息的面部区域的质心和/或特定器官或类型的区域的质心相对不远的质心位置的补片被考虑。

在一些实施例中，描述符矢量可以仅与和一个或多个共有的注释相关联的先前生成矢量相比较。例如，比较中使用的先前生成矢量可关联到表明它们源自与相同年龄、性别和体重的个体相关联的图像的注释。附加地或替代地，比较中使用的先前生成矢量可以与疑似畸形特征和/或疑似医学状况相关联。也就是说，例如，先前生成矢量可以与受畸形特征影响的个体、畸形特征的对照组中的个体、受医学状况影响的个体、以及医学状况的对照组中的个体中的一个或多个相关联。

可以确定与数据库中的一组最相似的先前生成矢量(例如，25个最相似的先前生成矢量)相关联的数据。例如，处理器110可配置为计算每个描述符矢量与数据库中的先前生成矢量之间的欧氏距离、切比雪夫距离、卡方距离和马氏距离中的一个或多个，以确定一组最相似的先前生成矢量(例如，可以选择与25个最短计算距离相关联的25个先前生成矢量)。可以确定用于每个描述符矢量的与该组最相似的先前生成矢量相关联的数据。该数据可包括例如与该组最相似的先前生成矢量相关联的一个或多个畸形特征和/或一个或多个医学状况。

可以(例如，在与数据库相关联的服务器处，或者由处理器110)分析该组最相似的先前生成矢量，以确定该先前生成矢量中有多少个与特定畸形特征的阳性病例相关联(也就是说，与已知具有畸形特征的个体相关联的先前生成矢量)，以及该先前生成矢量中有多少个与特定畸形特征的阴性病例相关联(也就是说，与已知不具有畸形特征的个体相关联的先前生成矢量)。基于阳性病例的数量和阴性病例的数量，可确定畸形特征的概率得分。例如，如果仅取回阳性病例，那么可以确定非常高或最大的概率得分(例如，概率得分100)。如果例如仅取回阴性病例，那么可以确定非常低的概率得分(例如，概率得分1)。如果确定了阳性病例和阴性病例的混合，那么概率得分可反映阳性病例的数量和阴性病例的数量。然而，概率得分可以或可以不与阳性病例和阴性病例的数量直接成正比。例如，如果获得了阈值数量的阳性病例，那么在一些实施例中，可以确定就像仅发现阳性病例那样相同的非常高或最大的概率得分。

在一些实施例中，也可以，或者替代地，基于描述符矢量与先前生成矢量中的给定一个的相似程度来计算畸形特征的概率得分。例如，如果取回了相等数量的阳性病例和阴性病例，但是与和阴性病例相关联的先前生成矢量相比，描述符矢量更类似于和阳性病例相关联的先前生成矢量，那么概率得分可较高。相反，如果取回了相等数量的阳性病例和阴性病例，但是与和阳性病例相关联的先前生成矢量相比，描述符矢量更类似于和阴性病例相关联的先前生成矢量，那么概率得分可较低。因此，可以针对给定畸形特征来计算多于一个概率得分。而且，可以以相同或基本相同的方式来计算多个不同畸形特征的概率得分。

在一些实施例中，畸形特征的概率得分还可取决于和与描述符矢量关联的补片相关联的质心对应于和与特定的先前生成矢量相关联的补片相关联的质心的程度。例如，对象的面部的质心可以离与描述符矢量相关联的补片在第一距离和方向处，并且先前给出图像中的面部的质心可以离与特定的先前生成矢量相关联的补片在第二距离和方向处。与该特定的先前生成矢量相关联的数据(例如，不论其来自于畸形特征的阳性病例还是阴性病例)可基于两个距离和方向对应的程度而或多或少对概率得分有意义。

虽然上面的移位补片分析描述提及了畸形特征，但是相同的处理也可以，或者替代地，被执行来确定一个或多个医学状况的概率得分。例如，并非要确定先前给出矢量与畸形特征的关联性，处理器110可确定哪个医学状况与先前给出矢量相关联。

为了执行相对测量分析，处理器110可配置为计算外部软组织图像信息内的多个位置之间的多个相对测量，聚集该多个测量以生成用于该多个测量的矢量，以及将该矢量与来自先前确定为受医学状况影响的其他个体的外部软组织图像的先前生成矢量相比较。

为了计算外部软组织图像信息内的多个位置之间的多个相对测量，处理器110可配置为检测外部软组织图像信息中的多个特征点。例如，如图25所示，可检测图像信息的面部区域中的多个点，包括例如围绕图像信息的眼睛区域、眉毛区域、鼻子区域、嘴巴区域和下巴区域的一个或多个点。这些特征点可利用例如上面描述的操作来检测。

利用特征点，可计算多个相对测量。多个相对测量可包括例如特征点之间的一个或多个距离，特征点的集合形成的角度，特征点的集合形成的区域的尺寸，特征点的集合定义的形状，距离、角度和尺寸的集合确立的比率，以及可利用所检测的特征点执行的任何其它相对测量。其它相对测量可包括例如Hall等人在“Handbook of normal physicalmeasurements”，第二版，2009，牛津大学出版社中公开的任何测量，该文献通过引用而整体合并于此。

为了聚集多个测量以生成用于该多个测量的矢量，处理器110可配置为创建包括所计算的相对测量中的一个或多个的矢量。例如，每个相对测量可被聚集到单个矢量中，或者某种类型的相对测量(例如，涉及距离测量的相对测量)中的每个可被聚集到单个矢量中。

为了将该矢量与来自先前确定为受医学状况影响的其他个体的外部软组织图像的先前生成矢量相比较，处理器110可配置为访问数据库。例如，与上面关于锚定单元分析和移位补片分析描述的相同的数据库，或类似数据库，可包括先前确定为受医学状况影响的个体的相对测量的先前生成矢量。如上所述，数据库可以用各种数据来对先前生成矢量进行注释，例如，所述各种数据诸如下列项中的一个或多个：患者ID、年龄、年龄组、性别、种群、族群、畸形特征、表型特征、人体测量(包括但不限于身高、体重、头围、面部高度、颅骨高度、上脸部高度、下脸部高度、头长、头宽、脸宽、颌宽、前囟门大小、后囟门大小、内眦间距、外眦间距、瞳间距、眼眶间距、睑裂长度、睑裂高度、睑裂斜度、眼眶突起、角膜尺度、耳长、耳宽、耳突起、耳位、耳旋、鼻高、鼻柱长、鼻突起、鼻宽、人中长、人中宽、嘴宽、ONC角、上下颌差距、以及下颌宽)、躯体界标和面部界标之间的相对比率和比例、已知诊断、疑似诊断、突变和/或遗传变异、图像来源、知情同意、姿态、照明、图像质量、表达类型以及与同生群(例如，已知未受医学状况影响的个体的对照组的一部分或已知受到医学状况影响的个体的群组的一部分)的关联。数据库还可通过例如以下方式进行注释：将关于数据库中作为家庭成员(例如，兄弟姐妹、父母、子女、表兄弟姐妹等)的个体的数据进行关联，和/或表明数据库中受医学状况或畸形特征影响的其它家庭成员与个体的关系(例如，来自母亲一方的外祖母的姐妹)。

处理器110可将相对测量的聚集矢量与数据库中的先前生成矢量相比较。该比较可发生在与数据库相关联的服务器处，或者可以直接由处理器110利用例如从数据库取回的信息来进行。

在一些实施例中，比较中使用的先前生成矢量可以与一个或多个共有的注释相关联。例如，比较中使用的先前生成矢量可关联到表明它们源自与相同年龄、性别和体重的个体相关联的图像的注释。附加地或替代地，比较中使用的先前生成矢量可以与疑似畸形特征和/或疑似医学状况相关联。也就是说，例如，比较中使用的先前生成矢量可以与受畸形特征影响的个体、畸形特征的对照组中的个体、受医学状况影响的个体、以及医学状况的对照组中的个体中的一个或多个相关联。

可以针对相对测量的至少一个聚集矢量来确定与数据库中的一组最相似的先前生成矢量(例如，25个最相似的先前生成矢量)相关联的数据。例如，处理器110可配置为计算相对测量的聚集矢量与数据库中的先前生成矢量之间的欧氏距离、切比雪夫距离、卡方距离和马氏距离中的一个或多个，以确定一组最相似的先前生成矢量(例如，可以选择与25个最短计算距离相关联的25个先前生成矢量)。与该组最相似的先前生成矢量相关联的数据可包括例如与该组最相似的先前生成矢量相关联的一个或多个畸形特征和/或一个或多个医学状况。例如，对于相对测量的每个聚集矢量，可以确定与预定数量的最相似的先前生成矢量相关联的一个或多个畸形特征。附加地或替代地，对于相对测量的每个聚集矢量，可以确定与预定数量的最相似的先前生成矢量相关联的一个或多个医学状况。

可以(例如，在与数据库相关联的服务器处，或者由处理器110)分析该组最相似的先前生成矢量，以确定该先前生成矢量中有多少个与特定畸形特征的阳性病例相关联(也就是说，与已知具有畸形特征的个体相关联的先前生成矢量)，以及该先前生成矢量中有多少个与特定畸形特征的阴性病例相关联(也就是说，与已知不具有畸形特征的个体相关联的先前生成矢量)。基于阳性病例的数量和阴性病例的数量，可确定畸形特征的概率得分。例如，如果仅取回阳性病例，那么可以确定非常高或最大的概率得分(例如，概率得分100)。如果例如仅取回阴性病例，那么可以确定非常低的概率得分(例如，概率得分1)。如果确定了阳性病例和阴性病例的混合，那么概率得分可反映阳性病例的数量和阴性病例的数量。然而，概率得分可以或可以不与阳性病例和阴性病例的数量直接成正比。例如，如果获得了阈值数量的阳性病例，那么在一些实施例中，可以确定就像仅发现阳性病例那样相同的非常高或最大的概率得分。

在一些实施例中，也可以，或者替代地，基于相对测量的聚集矢量与先前生成矢量中的给定一个的相似程度来计算畸形特征的概率得分。例如，如果取回了相等数量的阳性病例和阴性病例，但是与和阴性病例相关联的先前生成矢量相比，相对测量的聚集矢量更类似于和阳性病例相关联的先前生成矢量，那么概率得分可较高。相反，如果取回了相等数量的阳性病例和阴性病例，但是与和阳性病例相关联的先前生成矢量相比，相对测量的聚集矢量更类似于和阴性病例相关联的先前生成矢量，那么概率得分可较低。因此，可以针对给定畸形特征来计算多于一个概率得分。而且，可以以相同或基本相同的方式来计算多个不同畸形特征的概率得分。

在一些实施例中，与先前生成矢量的比较可以不是直接比较。例如，可以分析先前生成矢量，以确定关于人群(population)中各种相对测量的百分数。处理器110可确定相对测量的聚集矢量中各种相对测量落在特定人群内的情况。例如，处理器110可确定对象的特定畸形特征在人群内的百分数(例如，将面部长度的特征与人群相比较)。人群可以是一般人群，或者可以是由例如对象的一方面(例如，对象的年龄、性别、种族等)定义的某种子集。基于该百分数，处理器110可确定对象是否可能表现出畸形特征，并且确定畸形特征的概率得分。处理器110还可以，或者替代地，配置为确定与畸形特征相关联的严重度得分。例如，如果处理器110确定对象可能表现出畸形特征，那么可以基于所确定的与对象相关联的百分数来确定严重度得分。

作为间接比较的另一示例，在一些实施例中，可以由一个或多个相对测量来直接定义一个或多个畸形特征。例如，先前生成矢量的分析可表明，三角形面部畸形特征或上斜眼畸形特征可由一组特征点所定义的一个或多个角度或角度范围来定义。因此，处理器110可例如将相对测量的聚集矢量与已定义的畸形特征相比较。可基于相对测量的聚集矢量是否满足所定义的畸形特征和/或相对测量的聚集矢量满足所定义的畸形特征的程度来确定概率得分。处理器110还可以，或者替代地，配置为确定与畸形特征相关联的严重度得分。例如，如果处理器110确定对象可能表现出畸形特征，那么可以基于相对测量的聚集矢量满足所定义的畸形特征的程度来确定严重度得分。利用相对测量确定的概率得分和/或严重度得分可以基于归一化过程(normalization procedure)来确定。例如，在一些实施例中，与嘴相关的测量的长度可基于面部宽度来归一化。然后可以利用所定义的畸形特征来分析归一化后的测量。

虽然上面的相对测量分析描述提及了畸形特征，但是相同的处理也可以，或者替代地，被执行来确定一个或多个医学状况的概率得分。例如，并非要确定先前生成矢量与畸形特征的关联性，处理器110可确定哪个医学状况与先前生成矢量相关联。

图26示出了可用于相对测量分析的三种技术中的每一种的示例。例如，特征点的几何位置可定义方形面部畸形特征。人中长度分布曲线上的位置可表明对象具有短的人中。相对测量的聚集矢量可最类似于短鼻子的两个阳性病例和短鼻子的一个阴性病例。

处理器110可配置为至少部分地基于第一评估来生成第一评估结果信息(步骤230)。处理器110可利用从第一评估得到的数据来生成第一评估结果。例如，如上所述，可以在第一评估中确定一个或多个畸形特征和/或一个或多个医学状况的一个或多个概率得分。如果在第一评估中确定了任何特定畸形特征和/或任何特定医学状况的多个概率得分，那么可以组合该特定畸形特征和/或特定医学状况的概率得分。作为一示例，可以确定概率得分的平均值。作为另一示例，可以将特定畸形特征和/或特定医学状况的多个概率得分输入到分类器(classifier)中，分类器被校准(calibrate)来输出归因于特定畸形特征和/或特定医学状况的另一概率得分。例如，可以用医学状况的阳性病例和阴性病例来训练分类器，从而基于所接收的一组概率得分来确定特定畸形特征和/或特定医学状况的单个概率得分和/或严重度得分。在一些实施例中，分类器还可以，或者替代地，配置为接收一组严重度得分从而确定医学状况的概率得分。

处理器110可配置为利用锚定单元分析、移位补片分析和相对测量分析中的至少一种来执行外部软组织图像信息的第二评估(步骤240)。例如，如果第一评估包括锚定单元分析，那么可以执行移位补片分析或相对测量分析作为第二评估。如果第一评估包括移位补片分析，那么可以执行锚定单元分析或相对测量分析。如果第一评估包括相对测量分析，那么可以执行锚定单元分析和移位补片分析作为第二评估。可以以与上面关于步骤220描述的相同或基本相同的方式来执行锚定单元分析、移位补片分析和相对测量分析。

在一些实施例中，第一评估和第二评估可以是相同的大类的(例如，两者可以是锚定单元分析，两者可以是移位补片分析，或者两者可以是相对测量分析)。在这样的实施例中，评估之一可产生例如与一个或多个畸形特征相关联的一个或多个概率得分，而评估中的另一个可产生例如与一个或多个医学状况相关联的一个或多个概率得分。类似地，即使分析的大类不同，评估之一也可产生例如与一个或多个畸形特征相关联的一个或多个概率得分，而评估中的另一个可产生例如与一个或多个医学状况相关联的一个或多个概率得分。

处理器110可配置为至少部分地基于第二评估来产生第二评估结果信息(步骤250)。处理器110可利用从第二评估得到的数据来生成第二评估结果。例如，可以在第二评估中确定一个或多个畸形特征和/或一个或多个医学状况的一个或多个概率得分和/或严重度得分，其利用一个或多个分类器被组合以生成与一个或多个特定畸形特征和/或医学状况相关联的单个概率得分。

处理器110可配置为至少部分地基于第一评估结果信息和第二评估结果信息来预测对象受医学状况影响的可能性(步骤260)。例如，如果第一评估结果信息包括与一个或多个畸形特征相关联的一个或多个概率得分，并且第二评估结果信息包括与一个或多个畸形特征相关联的一个或多个概率得分，那么处理器110可配置为分析该信息以确定该可能性。替代地，例如，如果第一评估结果信息包括与一个或多个医学状况相关联的一个或多个概率得分，并且第二评估结果信息包括与一个或多个医学状况相关联的一个或多个概率得分，那么处理器110可配置为分析该信息以确定该可能性。替代地，例如，如果第一评估结果信息包括与一个或多个医学状况相关联的一个或多个概率得分，并且第二评估结果信息包括与一个或多个畸形特征相关联的一个或多个概率得分，那么处理器110可配置为分析该信息以确定该可能性。类似地，例如，如果第一评估结果信息包括与一个或多个畸形特征相关联的一个或多个概率得分，并且第二评估结果信息包括与一个或多个医学状况相关联的一个或多个概率得分，那么处理器110可配置为分析该信息以确定该可能性。

如果两个评估返回用于一组畸形特征的一组概率得分，那么用于该组畸形特征的该组概率得分可被输入到训练过的分类器，该分类器被校准为输出归因于特定医学状况的一概率得分。例如，该分类器可被用医学状况的阳性和阴性病例训练以确定该特定医学状况的概率得分。

如果两个评估返回用于一组医学状况的一组概率得分，那么用于特定医学状况的该组概率得分可被输入到训练过的分类器，该分类器被校准为输出归因于该特定医学状况的另一概率得分。例如，该分类器可被用阳性和阴性病例训练以确定该特定医学状况的概率得分。以此方式，与产生医学状况可能性的个体评估中的任何一个相比，可以确定更精确的医学状况概率得分。

如果评估之一返回用于一组畸形特征的一组概率得分并且评估中的另一个产生用于医学状况的一组概率得分，那么来自一评估的用于该组畸形特征的该组概率得分和来自另一评估的用于特定医学状况的该组概率得分可被输入到训练后的分类器，该分类器被校准为输出归因于特定医学状况的另一概率得分。例如，该分类器可被用阳性和阴性病例训练以确定该特定医学状况的概率得分。

在一些实施例中，对象受医学状况影响的可能性的初始确定可被修正。例如，可初始地确定多个医学状况的可能性。然后，可基于其它可能性来确定医学状况中的一个或多个的修正可能性。例如，如果两个医学状况是相关的以使得它们一般一起发生，那么用于一医学状况的低概率得分可减小用于另一医学状况的本来高的概率得分。类似地，如果两个医学状况是相关的以使得它们一般不一起发生，那么用于两个医学状况的高的概率得分可导致两个概率得分都减小。此外，例如，如果一组医学状况初始地被确定为具有高的概率得分，但是其通常已知是另一医学状况的误诊，那么该组中的每个医学状况的概率得分可减小并且另一医学状况的概率得分可增大。

处理器110可配置为当确定医学状况的可能性时还考虑其它数据。例如，可以以与上述第一和第二评估基本相同的方式来执行多于两个评估。处理器110可以配置为利用上述技术来分析附加的评估。此外，可以从其它来源确定与对象相关联的特征。例如，医师可以提供(例如，口授或打字)对象的一个或多个已知特征(例如，畸形特征、履历信息(biographical information)、人口统计信息等)，其被用于例如限制对象所比较的数据库中的图像(例如，对象可以仅被与共享由医师提供的特征中的一个或多个的其他个体相比较)。

图3示出了处理器110可以配置为执行的示例性处理300。例如，如上所述，处理器110可以被配置为通过运行储存在存储器件120中的软件或固件来执行处理300，或者可以被配置为利用专用硬件或一个或多个ASIC来执行处理300。

处理器110可以被配置为接收反映对象的外部软组织图像的信息(步骤310)。处理器110可以被配置为例如以与上述步骤210相同的方式执行步骤310。

处理器110可以被配置为把外部软组织图像信息分成多个区域(步骤320)。例如，处理器110可以被配置为处理外部软组织图像信息的前额区域、外部软组织图像信息的眶周区域、外部软组织图像信息的鼻子区域、外部软组织图像信息的面中区域、外部软组织图像信息的耳部区域、以及外部软组织图像信息的口部区域中的至少一种，并且不考虑外部软组织图像信息的至少一个其它区域。外部软组织图像信息中的特定区域可以根据例如任何上述技术来定义。例如，如图23B所示，小格栅可以应用到外部软组织图像信息的鼻子区域。围绕鼻子区域的区域可以通过例如不把小格栅应用到它们而不被考虑。

另外，虽然论述了与对象的面部相关联的区域，但是也可以处理其它区域。例如，外部软组织图像信息还可以，或者替代地，包括对象的包括耳部区域的侧视图。图27示出了被进一步分成多个区域的耳部区域的示例。

处理器110可以被配置为生成多个区域中的每个区域的分析(步骤330)。例如，在每个区域内，可以执行锚定单元分析和移位补片分析中的至少一种。锚定单元分析和移位补片分析可以以上面关于步骤220描述的方式进行。如上所述，处理器110可以被配置为计算多个区域中的每一个的描述符。描述符可以包括例如组合外形矢量，如果执行锚定单元分析的话，和描述符矢量，如果执行移位补片分析的话，中的至少一个。

如上所述，处理器110可以被配置为将该多个区域与来源于已知受医学状况影响的个体的图像的数据进行比较。例如，如上所述，处理器110可以配置为将描述符与先前确定为受医学状况影响的其他个体的附加外部软组织图像的先前生成描述符相比较。基于该比较，针对每个区域，可以确定与一个或多个畸形特征和/或一个或多个医学状况相关联的一个或多个概率得分。

处理器110还可被配置为聚集多个区域的分析(步骤340)。例如，鼻子区域的分析可以产生和与鼻子区域相关联的畸形特征和/或医学状况相关的第一组概率得分，而耳部区域的分析可以产生和与耳部区域相关联的畸形特征和/或医学状况相关的第二组概率得分。概率得分可以例如利用上面描述的技术产生。在一些实施例中，一些概率得分可以通过组合概率得分而被聚集。例如，特定畸形特征和/或医学状况可以与鼻子区域和耳部区域二者相关联。从鼻子区域确定的用于特定畸形特征和/或医学状况的概率得分和从耳部区域确定的用于特定畸形特征和/或医学状况的另一概率得分可被输入到利用例如特定畸形特征和/或医学状况的阳性和阴性病例训练的分类器，以生成反映与特定畸形特征和/或医学状况相关联的概率得分的第三概率得分。作为聚集的结果，例如可以针对一组畸形特征和/或医学状况来确定单个概率得分。

处理器110还可配置为基于所聚集的分析确定对象受医学状况影响的可能性(步骤350)。例如，以与上面关于步骤260描述的相同或基本相同的方式，一个或多个分类器可被训练为接收用于多个畸形特征和/或医学状况的一组得分并且输出表示对象受医学状况影响的可能性的得分。

在一些实施例中，医学状况可以是已知的医学状况。然而，一些医学状况可能具有未知的遗传原因。处理器110可配置为识别可能导致医学状况的潜在遗传变异。例如，诸如上述数据库之类的数据库可包括与由未知遗传变异导致的医学状况相关联的个体的多个外部软组织图像。数据库还可包括具有由未知遗传变异导致的医学状况的个体的多个遗传变异信息。处理器110还可配置为确定在多个外部软组织图像中的至少一些的位置处是否存在共有畸形。例如，处理器110可配置为以上述方式分析多个外部软组织图像，以确定一个或多个畸形特征。例如，如果在至少两个图像中的相同或基本相同位置处存在一畸形特征，那么可能存在共有畸形。

处理器110还可配置为分析多个遗传变异信息以识别至少一个共有遗传变异。共有遗传变异可包括例如确定与一个图像相关联的基因和与另一个图像相关联的基因的匹配。处理器110还可配置为比较具有共有遗传变异的多个外部软组织图像的位置。例如，可以确定是否已知遗传变异影响含有图像中的共有畸形位置的躯体部分。处理器110还可配置为在数据库中关联多个外部软组织图像中的至少一个共有位置和多个遗传变异信息中的至少一个共有遗传变异。

图4示出了至少一个处理器可配置为执行的示例性处理400。例如，如上所述，处理器110可配置为通过运行储存在存储器件120中的软件或固件来执行处理400，或者可配置为利用专用硬件或一个或多个ASIC来执行处理400。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤410)。步骤410可包括与上述步骤210基本相同的操作。

处理器110还可配置为分析对象的外部软组织图像信息以生成医学状况相关信息(步骤420)。例如，可利用与上面关于步骤220-260描述的相同或基本相同的操作生成医学状况相关信息。然而，可选地，可执行仅一个分析(例如，步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。医学状况相关信息可包括例如用于一个或多个畸形特征和/或一个或多个医学状况的一个或多个得分。

处理器110还可配置为分析对象的已知未受医学状况影响的至少一个亲属的外部软组织图像信息以生成附加的医学状况相关信息(步骤430)。例如，处理器110可配置为确定与和该亲属相关联的一个或多个畸形特征相关联的一个或多个得分。处理器110可配置为识别例如具有高得分的畸形特征，其通常指示该亲属已知不受其影响的医学状况。在一些实施例中，分析多个亲属的外部软组织图像信息并且识别针对所有亲属或者大于阈值的多个亲属具有高得分的畸形特征，其一般指示亲属已知不受其影响的医学状况。

附加地或替代地，处理器110可配置为确定与和该亲属相关联的一个或多个医学状况相关联的一个或多个得分。例如，处理器110初始地可利用用于一般人群的分类器来确定与亲属已知不具有的医学状况相关联的得分。然而，尽管该亲属不具有该医学状况，但是处理器110可能基于与该亲属相关联的图像信息的分析而确定该医学状况的高得分。

处理器110还可配置为通过不考虑医学状况信息中的、与附加医学状况相关信息共有的特征来预测对象受医学状况影响的可能性(步骤440)。例如，如上所述，处理器110可确定来自对象的图像信息的一个或多个畸形特征的一个或多个得分。基于一个或多个亲属的所识别的畸形特征(例如，表现出通常指示医学状况的高得分的亲属的畸形特征，尽管已知该亲属未受该医学状况影响)，处理器110可配置为修改或构建与特定医学状况相关联的分类器。例如，如果特定畸形特征的高得分通常用于增大医学状况的概率，但是该亲属具有该特定畸形特征的高得分但却已知没有该医学状况，那么分类器可被修改或构建为使得该畸形特征被忽略，被用于减小医学状况的可能性，或者被在确定医学状况的可能性时与针对一般人群相比以更低的权重来使用。作为另一示例，如果处理器110确定对象亲属的医学状况的高得分，但是该亲属已知未受该医学状况影响，那么处理器110可减小针对对象的该医学状况确定的任何得分。作为另一示例，亲属的一个或多个图像可用于训练分类器。例如，已知未受医学状况影响的一个或多个亲属的一个或多个图像可以在训练分类器时用作阴性病例。作为另一示例，仅对象的与已知未受医学状况影响的一个或多个亲属的一个或多个畸形特征不同的畸形特征可用于可能性确定中。

图5示出了至少一个处理器可配置为执行的示例性处理500。例如，如上所述，处理器110可配置为通过运行储存在存储器件120中的软件或固件来执行处理500，或者可配置为使用专用硬件或一个或多个ASIC来执行处理500。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤510)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤510。

处理器110可配置为使用图像信息分析来比较外部软组织图像信息和数据库中的其他对象的多个外部软组织图像(步骤520)。例如，处理器110可配置为使用图像信息分析，其中图像信息分析包括锚定单元分析、移位补片分析和相对测量分析中的至少一种。锚定单元分析、移位补片分析和相对测量分析可以以与上述相同或基本相同的方式执行。如上所述(例如，在步骤220中)，处理器110可基于多个客观标准来分析外部软组织图像信息，该客观标准包括年龄、性别和种族中的至少一个。例如，可以在分析中仅使用数据库中与对象相同年龄、性别和种族的其他对象的外部软组织图像。

处理器110还可配置为基于图像信息分析确定外部软组织图像信息中包括的畸形特征(步骤530)。例如，如上所述，锚定单元分析、移位补片分析和相对测量分析中的一个或多个可用于向被分析的一组畸形特征中的每个畸形特征分配概率得分。

处理器110还可配置为访问与畸形特征相关联的描述符(步骤540)。在一些实施例中，所访问的描述符包括与畸形特征相关联的、并且是至少一个医学状况的潜在指示符的字的列表。例如，所访问的描述符可包括与用于检索医学状况的多个数据库可兼容的项。与畸形特征相关联的描述符可例如从多种来源获得，该多种来源包括例如畸形和有关健康问题的国际统计分类(International Statistical Classification of Diseases andRelated Health Problems)(例如，ICD-9或ICD-10)、人类表型本体论(Human PhenotypeOntology，HPO)以及描述畸形特征的各种其它来源，诸如医学书籍、公开期刊杂志、以及计算机化数据集。处理器110可配置为关联从不同来源获得的与畸形特征相关联的描述符(例如，ICD-10中使用的特定畸形特征的描述符可被关联到HPO中使用的该特定畸形特征的描述符)。畸形特征的每个描述符可包括例如纹理描述(textural description)和同物异名(synonym)列表。在一些实施例中，基于HPO的描述符可用作参考列表，并且来自其它来源的所有其它列表可映射到其上。如果有HPO中缺失的畸形特征术语，那么可赋予其唯一的类HPO的数字标识符并且将其添加到参考列表中。在一些实施例中，处理器110可确定何时HPO被更新，并且基于确定HPO已经更新而更新参考列表。而且，在一些实施例中，访问的描述符是包括医学状况的一般外形(general appearance)的至少一个描述的字的列表。

作为一示例，针对对象的图像信息可确定六个高得分的畸形特征。这些畸形特征的描述符可包括例如“朱红色，下唇，厚”，“鼻柱，高插入(High Insertion)”，“发际线，高前部(High Anterior)或前额，高度大”，“睑裂，上斜”，“眉毛，密或眉毛多毛症或眉毛浓密”、以及“人中，深槽状”。因此，每个描述符可包括例如畸形特征的名称(例如，“眉毛，密”)和畸形特征的可能代替语(alternative)(例如，“眉毛多毛症”)。

处理器110还可配置为输出描述符中的至少一些(步骤550)。例如，处理器110可配置为输出至少一些描述符至输出器件150。输出器件150可以是例如显示器。在一些实施例中，如图1所示，输出器件150可以是系统100的一部分。然而，在另一些实施例中，输出器件150可以位于远程位置处，并且处理器110可配置为发送数据至包括输出器件150或与输出器件150通信的设备。显示器可包括例如下列中的一个或多个：电视机、计算式监视器、头戴式显示器、广播参考监视器、液晶显示器(LCD)屏幕、基于发光二极管(LED)的显示器、LED背光LCD显示器、阴极射线管(CTR)显示器、电致发光(ELD)显示器、电子书/墨水显示器、等离子显示面板、有机发光二极管(OLED)显示器、薄膜晶体管显示器(TFT)、高性能寻址显示器(HPA)、表面导电电子发射器显示器、量子点显示器、干涉调制器显示器、扫描体显示器(swept-volume display)、碳纳米管显示器、变焦镜显示器、发射波长(emissive volume)显示器、激光显示器、全息显示器、光场显示器、投影仪和图像投射表面、配置为生成数据的打印输出的打印机、或者用于输出可视信息的任何其它电子设备。

输出器件150也可以是配置为输出表示例如至少一些描述符的音频的音频器件。音频器件可包括例如声卡和一个或多个扬声器。处理器110可配置为例如利用文本到语音程序来将至少一些描述符转化成音频。

在一些实施例中，描述符可呈现在列表中。在一些实施例中，图像可显示在描述符附近，该描述符指示与该描述符相关联的畸形特征的大致位置。例如，眼睛的图像可显示在描述符“眉毛，密”旁边。

在一些实施例中，描述符可显示在与其相关联的畸形特征的位置处或附近。例如，对象的图像信息可呈现在显示器上。描述符(例如“眉毛，密”)可显示在图像信息的与和该描述符相关联的畸形特征相关联的区域上方(例如，“眉毛，密”可显示在图像信息的眼睛或眉毛区域上方)。

图6示出了至少一个处理器可配置为执行的示例性处理600。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理600，或者可配置为利用专用硬件或一个或多个ASIC来执行处理600。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤610)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤610。

处理器110可配置为在所接收的外部软组织图像信息中定义至少一百个位置，其中关于该至少一百个位置的信息构成对象信息(步骤620)。处理器110可配置为通过确定以上述用于确定特征点的方式确定至少一百个特征点来定义至少一百个位置。

处理器110还可配置为接收第一信息(步骤630)和接收第二信息(步骤640)，第一信息在已知受医学状况影响的至少第一个体的至少一外部软组织图像中定义至少一百个位置，并且第二信息定义已知受医学状况影响的至少第二个体的至少一外部软组织图像中的至少一百个位置。对象信息、第一信息和第二信息可包括例如在至少一百个位置中的至少一些位置之间计算的相对测量分析所关联的矢量数据、比率数据、距离数据、角度数据、面积数据和形状数据。

处理器110可配置为通过将对象信息与第一信息和第二信息相比较来确定对象受医学状况影响的可能性(步骤650)。例如，处理器110可配置为通过利用上述相对测量分析将对象信息与第一信息和第二信息相比较来确定对象受医学状况影响的可能性。

在一些实施例中，处理器110可初始地定义第一数量的特征点(例如，一百个特征点)。第一数量的特征点可允许处理器110以第一速度确定可能性。然而，如果可能性确定是不确定的结果(例如，可能性在第一阈值之上但是在第二阈值之下)，那么可以用比第一数量的特征点更多的第二数量的特征点(例如，一千个特征点)来重复上述处理，其需要更多时间，但是可以更精确。

图7示出了至少一个处理器可配置为执行的示例性处理700。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理700，或者可配置为利用专用硬件或一个或多个ASIC来执行处理700。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤710)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤710。

处理器110可配置为分析外部软组织图像信息以识别可能与和医学状况相对应的至少一个畸形相关联的位置(步骤720)。例如，处理器110可配置为以上述方式识别具有高概率得分的一个或多个畸形特征。

处理器110可配置为在外部软组织图像信息上叠加至少一个畸形的指示符(步骤730)。例如，处理器110可配置为向显示器输出外部软组织图像信息以及叠加的至少一个畸形的指示。例如，图像信息中检测到的点可叠加在图像信息上。作为另一示例，图像信息中的与高概率畸形特征相关联的区域可被高亮显示。作为另一示例，热图可叠加在图像信息上，使得在外部软组织图像信息中的与具有低得分的畸形特征相关联的位置处，可使用第一半透明颜色，而在外部软组织图像信息中的与具有高得分的畸形特征相关联的位置处，可使用与第一半透明颜色不同的第二半透明颜色。可基于例如用于确定畸形特征是否存在的单元或补片来选择位置。在一些实施例中，处理器110可配置为模糊化该热图以产生更引人注意的热图。

图8示出了至少一个处理器可配置为执行的示例性处理800。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理800，或者可配置为利用专用硬件或一个或多个ASIC来执行处理800。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤810)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤810。

处理器110可配置为显示外部软组织图像信息(步骤820)。例如，处理器110可配置为向以上述方式配置的显示器输出外部软组织图像信息。

处理器110可配置为使用户能够选择外部软组织图像信息的一区域(步骤830)。例如，处理器110可配置为使用户能够选择显示器上呈现的外部软组织图像的一区域。在一些实施例中，用户所选择的区域可在处理器110检测到该选择之后被放大。

处理器110可配置为向用户识别关于所选区域中的畸形特征的信息(步骤840)。例如，畸形特征有关的信息可显示在列表中或者可叠加到外部软组织图像信息上。畸形特征的列表可例如以概率得分的降序或升序的方式呈现。

图9示出了至少一个处理器可配置为执行的示例性处理900。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理900，或者可配置为利用专用硬件或一个或多个ASIC来执行处理900。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤910)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤910。

处理器110可配置为分析外部软组织图像信息(步骤920)。例如，处理器110可配置为利用与上面关于步骤220-260描述的相同或基本相同的操作来分析外部软组织图像信息。然而，可选地，可以执行仅一个分析(例如，步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。例如，如上所述，处理器110可配置为执行锚定单元分析、移位补片分析和相对测量分析中的至少一个。

处理器110可配置为至少部分地基于该分析而识别外部软组织图像信息中的一个或多个外部软组织特性(步骤930)。一个或多个外部软组织特性可包括例如一个或多个畸形特征。例如，如上所述，处理器110可配置为识别外部软组织图像中的潜在外部软组织特性并且向潜在外部软组织特性分配反映潜在外部软组织特性出现在图像中的可能性的置信度等级。在一些实施例中，处理器110可配置为通过考虑作为每个医学状况的指示符的每个外部软组织特性的权重来识别哪些外部软组织特性是医学状况的指示符。例如，处理器110可识别具有高概率得分或预定阈值以上的概率得分的所有畸形特征。在一些实施例中，每个外部软组织特性的权重包括每个外部软组织特性的严重度、每个外部软组织特性在一般人群中的普遍度、以及每个外部软组织特性与医学状况的相关度中的至少一个。

处理器110可配置为访问与多个医学状况相关联的外部软组织特性的至少一个数据库(步骤940)。例如，处理器110可配置为例如以与上述步骤220相同的方式访问包含与一个或多个畸形特征和/或一个或多个医学状况相关的数据的数据库。

处理器110可配置为将一个或多个所识别的外部软组织特性与所述至少一个数据库的外部软组织特性相比较(步骤950)。例如，处理器110可配置为例如以与上述步骤220中相同的方式将一个或多个所识别的外部软组织特性与至少一个数据库中的外部软组织特性相比较。该比较可生成与一个或多个畸形特征相关联的一个或多个概率得分。

处理器110可配置为基于该比较输出关于对象可能具有的至少一个医学状况的信息(步骤960)。例如，如上所述，处理器110可配置为将一个或多个畸形特征的一个或多个概率得分输入到分类器中，以生成医学状况的概率得分。在一些实施例中，处理器110可配置为直接基于该分析来确定关于对象可能具有的至少一个医学状况的附加信息；并且基于该比较和该附加信息来输出关于对象可能具有的至少一个医学状况的信息。例如，如步骤260所述，处理器110可基于初始医学状况可能性和一组畸形特征概率得分来确定医学状况的可能性。

图10示出了至少一个处理器可配置为执行的示例性处理1000。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1000，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1000。

处理器110可配置为接收反映在第一时间记录的对象的第一外部软组织图像的第一信息(步骤1010)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤1010。

处理器110可配置为分析第一图像信息(步骤1020)。例如，处理器110可配置为以与上述步骤220-260相同的方式分析第一图像信息。但是，可选地，可以执行仅一个分析(例如，仅仅是步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。例如，在一些实施例中，该分析包括锚定单元分析、移位补片分析和相对测量分析中的至少一种。此外，如上所述，在一些实施例中，分析包括将第一软组织图像信息与具有和对象基本相同的年龄、种族和性别中的至少一个的至少一个个体的外部软组织图像相比较。

处理器110可配置为接收反映在第二时间记录的对象的第二外部软组织图像的第二信息(步骤1030)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤1030。第二时间可以例如在第一时间之后的预定时间量，或者是第一时间之后的一非安排时间。在一些实施例中，处理器110可配置为发送应记录反映对象的第二外部软组织图像的第二信息的提醒。例如，如果在预定时间量内还没有收到反映对象的第二外部软组织图像的第二信息，则可以向对象的医师发送提醒。作为另一示例，如果对第一信息的分析表明存在患者具有医学状况的低概率，那么如果在预定时间量内还未收到反映对象的第二外部软组织图像的第二信息，则可发送提醒。

处理器110可配置为分析第二图像信息(步骤1040)。处理器110可配置为例如以与上述步骤220-260相同的方式分析第二图像信息。然而，可选地，可以执行仅一个分析(例如，步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。例如，在一些实施例中，分析包括锚定单元分析、移位补片分析和相对测量分析中的至少一个。此外，如上所述，在一些实施例中，分析包括将第二软组织图像信息与具有和对象基本相同的年龄、种族和性别中的至少一个的至少一个个体的外部软组织图像进行比较。

在一些实施例中，处理器110配置为应用相同的技术来分析第一外部软组织图像信息和分析第二外部软组织图像信息。例如，在第一时间应用的技术可被记录并且在下次对对象成像时重复使用。替代地，在一些实施例中，如果第一图像信息的分析没有表明任何医学状况的可能性，那么在分析第二外部软组织图像信息的第二时间处可以改变分析。作为另一替代，如果例如对第一图像信息的分析表明存在与特定躯体部分(例如，耳朵)相关联的医学状况的可能性，那么对第二图像信息的分析可聚焦于该特定躯体部分。在一些实施例中，处理器110可配置为提醒与捕获第二外部软组织图像相关联的一方以捕获该特定躯体部分的一个或多个图像。因此，第二外部软组织图像可包括该特定躯体部分的一个或多个图像。

处理器110可配置为比较对第一图像信息的分析和对第二图像信息的分析(步骤1050)。例如，第一图像信息和第二图像信息可包括多个畸形特征的概率得分。处理器110可配置为确定畸形特征的概率得分随时间的改变。第一图像信息和第二图像信息还可包括例如多个医学状况的概率得分。处理器110可配置为确定医学状况的概率得分随时间的改变。

作为另一示例，第一图像信息和第二图像信息还可包括一个或多个畸形特征的一个或多个严重度得分。例如，第一图像信息和第二图像信息可包括基于特征点之间的距离、特征点形成的角度、距离之间的比值、角度之间的比值等中的一项或多项的一个或多个严重度得分。因此，在一些实施例中，处理器110可配置为监视医学状况的进展以确定特性严重度随时间的变化。

处理器110可配置为至少部分地基于该比较来预测对象受医学状况影响的可能性(步骤1060)。例如，在第一时间处一个或多个畸形特征的概率得分和严重度、在第二时间处一个或多个畸形特征的概率得分和严重度、和/或一个或多个畸形特征的概率得分和严重度从第一时间到第二时间的变化可被输入到关于例如医学状况的阳性和阴性病例训练后的分类器。例如，如果与一组畸形特征相关联的概率得分或严重度从第一时间到第二时间增大了，并且这些畸形特征与一医学状况相关联，那么可以确定该医学状况的较高可能性。

然而，并非所有的严重度变化都将一定导致医学状况的高可能性。例如，在儿童年龄，各种畸形特征的某种尺寸可能预期会发生变化。因此，在一些实施例中，畸形特征严重度的变化可与从对象在第一时间的年龄到对象在第二时间的年龄而发生的已知变化相比较(可选地，从对象在第一时间的年龄到对象在第二时间的年龄而发生的已知变化可以在对象的性别、种族和描述该对象的任何其它范畴中的至少一个的情景中予以检查)。从对象在第一时间的年龄到对象在第二时间的年龄而发生的已知变化可以例如通过分析数据库中的图像并且确定给定患者人群的范例(norm)来确定。因此，在一些实施例中，如果畸形特征的严重度变化偏离所预期的变化，那么可以预测对象受医学状况影响的可能性高。如果畸形特征的严重度变化没有偏离所预期的变化，那么可以预测对象受医学状况影响的可能性低。

在一些实施例中，如果确定了从第一时间到第二时间概率得分增大，那么处理器110可增大在第二时间处确定的概率得分。在一些实施例中，如果确定了从第一时间到第二时间概率得分减小，那么处理器110可减小在第二时间处确定的概率得分。

在一些实施例中，可接收反映在多个附加时间记录的多个附加外部软组织图像的多组附加信息。处理器110可配置为分析多个附加图像，比较对第一软组织图像信息、第二软组织图像信息和多组附加的软组织图像信息的分析，并且基于对第一软组织图像信息、第二软组织图像信息和多组附加的软组织图像信息的分析的比较来预测对象受医学状况影响的可能性。

图11示出了至少一个处理器可配置为执行的示例性处理1100。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1100，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1100。

处理器110可配置为接收反映疑似具有未识别的医学状况的第一对象的外部软组织图像的第一信息(步骤1110)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤1110。

处理器110可配置为接收反映疑似具有未识别的医学状况的第二对象的外部软组织图像的第二信息(步骤1120)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤1120。

处理器110可配置为比较第一图像信息和第二图像信息(步骤1130)。例如，可使用相对测量分析来生成第一图像信息和第二图像信息的相对测量的矢量。在一些实施例中，第一图像信息与新对象相关联，而第二图像信息与先前出现的个体相关联。因此，例如，如图28所示，与第一图像信息相关联的相对测量的矢量可以与数据库中的一组相对测量的矢量(包括与第二图像信息相关联的相对测量的矢量)相比较。作为另一示例，处理器110可配置为从第一医疗保健提供方接收第一图像信息和从第二医疗保健提供方接收第二图像信息。处理器110可使得第一医疗保健提供方能够访问由第二医疗保健提供方提供的图像信息，但是拒绝对第二医疗保健提供方提供的文本数据(例如，患者姓名)的访问，反之亦然。

处理器110可配置为基于该比较来确定第一对象和第二对象可能具有相同的先前未识别的医学状况(步骤1140)。例如，处理器110可配置为如果第一图像信息和第二图像信息具有高度的彼此相似性以及和数据库中的其它图像的高度不相似性，那么确定第一对象和第二对象可能具有相同的先前未识别的医学状况。相似度可例如基于对相对测量的矢量的比较来确定(例如，如图28的右下部所图示的那样，可以确定从与第一图像信息相关联的相对测量的矢量到与第二图像信息相关联的相对测量的矢量的距离)。如果确定第一对象和第二对象可能具有相同的先前未识别的医学状况，那么处理器110可使得第一医疗保健提供方能够与第二医疗保健提供方通信。

图12示出了至少一个处理器可配置为执行的示例性处理1200。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1200，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1200。

处理器110可配置为使用基于计算机的外部软组织图像分析器来确定特定个体受医学状况影响的可能性，对于该医学状况，至少一个健康服务提供方提供与该医学状况相关的产品或服务，其中基于计算机的外部软组织图像分析器的用户是医疗保健专家(步骤1210)。例如，处理器110可配置为使用与上面关于步骤210-260描述的相同的操作来确定特定个体受医学状况影响的可能性。处理器110可配置为访问包括一个或多个健康服务提供方提供的产品或服务以及将产品或服务与一个或多个相关医学状况相关联的数据的数据库。因此，在确定医学状况的可能性之后，处理器110可确定是否至少一个健康服务提供方提供与该医学状况相关的产品或服务。

处理器110可配置为识别关于医疗保健专家的信息(步骤1220)。例如，处理器110可配置为识别包括医疗保健专家联系信息、教育、专业技能、培训、关于该医学状况的经验等中的一个或多个的信息。

处理器110可配置为基于特定个体受医学状况影响的可能性而协调至少一个健康服务提供方与医疗保健专家之间的通信(步骤1230)。例如，协调可包括向医疗保健专家提醒关于临床试验、注册(registries)、诊断和第二意见的信息中的至少一种的存在。提醒可例如使用文本消息发送到医疗保健专家的电话号码，使用电子邮件发送到医疗保健专家的电子邮件地址、或者使用电话呼叫发送到医疗保健专家的电话号码。提醒可向医疗保健专家提供(例如，使用文本消息、电子邮件或电话通信)联系健康服务提供方的选项。在一些实施例中，处理器110可配置为如果可能性在阈值以上则进行协调。在一些实施例中，处理器110可配置为根据可能性而不同地进行协调。例如，如果医学状况的可能性中等，那么仅医疗保健专家可接收通信。如果医学状况的可能性高，那么健康服务提供方和医疗保健专家都可接收通信。

图13示出了至少一个处理器可配置为执行的示例性处理1300。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1300，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1300。

处理器110可配置为维护具有医学状况的个体的外部软组织图像的数据库(步骤1310)。例如，处理器110可配置为根据任何上述数据库来维护一数据库。

处理器110可配置为从医疗保健提供方接收来自医疗保健提供方的对象的外部软组织图像的图像馈送(feed)(步骤1320)。例如，处理器110可配置为根据上面关于步骤210描述的操作而接收图像馈送中的每幅图像。而且，处理器110可配置为接收与每幅所接收的图像相关联的一个或多个畸形特征注释。畸形特征注释可由例如医疗保健提供方或由这里描述的任何其它技术生成。而且，处理器110可配置为接收与每幅所接收的图像相关联的一个或多个医学状况。医学状况可由医疗保健提供方或由这里描述的任何其它技术来生成。

处理器110可配置为使用基于计算机的外部软组织图像分析器来比较馈送中的图像和数据库中的图像(步骤1330)。例如，处理器110可配置为根据上面关于步骤220-250描述的操作来比较馈送中的每幅图像和数据库中的图像。然而，可选地，可以执行仅一个分析(例如，步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。在一些实施例中，注释的畸形特征和医学状况可用于限制该分析。例如，在一些实施例中，可以仅确定注释的畸形特征的可能性。类似地，在一些实施例中，可以仅确定随每幅图像接收的医学状况的可能性。

处理器110可配置为基于该比较来确定馈送中的对象的图像何时满足可能受医学状况影响的阈值(步骤1340)。例如，处理器110可配置为根据上面关于步骤260描述的操作来确定馈送中的对象的图像何时满足可能受医学状况影响的阈值。

处理器110可配置为当对象的图像满足阈值时提醒医疗保健提供方(步骤1350)。例如，处理器110可配置为利用例如文本消息、电话呼叫、电子邮件等向医疗保健提供方发送提醒。作为另一示例，处理器110可配置为将提醒呈现在医疗保健提供方用于捕获该图像的设备的显示器上。提醒可包括例如患者姓名或其它患者标识符以及关于触发提醒的医学状况的数据。关于医学状况的数据可包括例如医学状况的名称、与医学状况相关联的畸形特征、对医学状况的建议治疗、对医学状况的建议附加测试等。

处理器110可配置为基于对象是否实际上具有医学状况而将图像添加到外部软组织图像的数据库中(步骤1360)。例如，处理器110可配置为接收来自医疗保健提供方的关于对象具有医学状况的确认。该确认可基于例如提醒中包括的附加测试。

在一些实施例中，所确认的对象的图像和/或源自于所确认的对象的数据可以与医学状况关联。例如，数据库可配置为用医学状况来注释所确认的对象的数据。然后，所确认的对象的数据可作为医学状况的阳性病例用来训练用于该医学状况的一个或多个分类器。类似地，处理器110还可配置为从医疗保健提供方接收关于对象不具有医学状况的指示。然后，阴性对象数据可作为阴性病例(即，对照例)或假阳性病例用来训练用于该医学状况的一个或多个分类器。

图14示出了至少一个处理器可配置为执行的示例性处理1400。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1400，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1400。

处理器110可配置为在数据库中关联具有医学状况的个体的多个外部软组织图像(步骤1410)。例如，处理器110可配置为根据上述操作在数据库中关联具有医学状况的个体的多个外部软组织图像。

处理器110可配置为分析多个外部软组织图像以识别与预示医学状况的畸形特征相关联的至少一个预示符位置(步骤1420)。例如，处理器110可配置为利用上述操作来检测一个或多个畸形特征。处理器110可配置为确定与具有医学状况的个体相关联的多个外部软组织图像是否也与例如在相同或相似位置的一个或多个相同畸形特征相关联。

处理器110可配置为接收未诊断有医学状况的对象的外部软组织图像(步骤1430)。例如，处理器110可配置为根据与上面关于步骤210描述的相同的操作来接收对象的外部软组织图像。

处理器110可配置为分析对象的外部软组织图像以识别预示符位置(步骤1440)。例如，处理器110可配置为识别对象的外部软组织图像信息中的与步骤1420中识别的畸形特征对应或者包含其的区域。

处理器110可配置为将多个外部软组织图像的预示符位置与对象的外部软组织图像中的预示符位置相比较(步骤1450)，并且确定在多个外部软组织图像中的至少一些和对象的外部软组织图像的预示符位置处是否存在共有畸形(步骤1460)。例如，处理器110可配置为确定对象的外部软组织图像的含有预示符位置的区域是否类似于多个外部软组织图像中的含有预示符位置的区域中的一个或多个。例如，处理器110可配置为确定所识别的畸形特征中的一个或多个被包含在对象的外部软组织图像的含有预示符位置的区域中。

处理器110可配置为基于该确定来预测对象是否具有医学状况(步骤1470)。例如，如果在对象的外部软组织图像中的所预测的位置处检测到所识别的畸形特征中的一个或多个，那么处理器110可预测对象具有医学状况。类似地，处理器110可配置为如果在足够数量的预示符位置处检测到足够数量的畸形特征，则预测对象具有医学状况。

图15示出了至少一个处理器可配置为执行的示例性处理1500。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1500，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1500。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤1510)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤1510。

处理器110可配置为针对畸形来分析外部软组织图像信息(步骤1520)。例如，处理器110可配置为使用与上面关于步骤220-250描述的相同或基本相同的操作来分析外部软组织图像信息。然而，可选地，可以执行仅一个分析(例如，步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。

处理器110可配置为确定与畸形相关联的多个潜在医学状况(步骤1530)。例如，处理器110可配置为使用与上面关于步骤260描述的相同的操作来确定多个潜在医学状况。

处理器110可配置为生成待执行以确定个体是否具有多个潜在医学状况中的至少一个的测试的列表(步骤1540)。例如，处理器110可配置为确定对于潜在医学状况具有诊断价值的所有测试。在一些实施例中，处理器110可配置为基于测试价格、测试准确性和测试与多个潜在医学状况的兼容性中的至少一种来生成测试的列表。

在一些实施例中，处理器110可响应于所生成的列表来接收反映选择过的先前测试的信息。基于所接收的信息，处理器110可配置为支持(favor)所选测试。例如，如果一个测试比另一个测试更贵，处理器110可初始配置为首先输出较便宜的测试。然而，如果处理器110接收到指示更昂贵的测试被更广泛使用的信息，那么对于随后生成的列表可以首先包括该更昂贵的测试。

图16示出了至少一个处理器可配置为执行的示例性处理1600。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1600，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1600。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤1610)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤1610。

处理器110可配置为分析外部软组织图像信息(步骤1620)。例如，处理器110可配置为使用与上面关于步骤220-250描述的相同或基本相同的操作来分析外部软组织图像信息。然而，可选地，可以执行仅一个分析(例如，步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。

处理器110可配置为基于该分析而确定存在畸形特征的概率(步骤1630)。例如，处理器110可配置为使用上述操作来确定畸形特征的概率得分。

处理器110可配置为向畸形特征分配严重度得分(步骤1640)。例如，处理器110可配置为基于相对测量分析向畸形特征分配严重度得分。例如，可通过与人中相关联的特征点定义的长度对与对象的鼻子、口和脸高度中的一个或多个相关联的特征点定义的长度的比值来度量长人中畸形特征的严重度。在一些实施例中，在确定概率得分之后确定严重度得分。例如，在一些实施例中，如果畸形特征的概率得分在阈值以上，则然后可确定严重度得分。严重度得分可确定为畸形特征的概率得分的函数(例如，更高的概率得分可收到更高的严重度得分)，或者通过使用第二分类器来确定，第二分类器是例如基于来自已知具有畸形特征的各种预定严重度的个体的数据来训练后的。

处理器110可配置为基于严重度得分来预测畸形特征是否指示医学状况(步骤1650)。例如，分类器可基于医学状况的阳性和阴性病例被训练为接收与一组畸形特征相关联的概率得分和严重度得分，并且输出医学状况的概率得分。处理器110例如可使用训练后的分类器来确定畸形特征的严重度得分是否指示医学状况。

图17示出了至少一个处理器可配置为执行的示例性处理1700。例如，如上所述，处理器110可配置为通过运行储存于存储器件120中的软件或固件来执行处理1700，或者可配置为利用专用硬件或一个或多个ASIC来执行处理1700。

处理器110可配置为接收反映对象的外部软组织图像的信息(步骤1710)。处理器110可配置为例如以与上述步骤210相同的方式执行步骤1710。

处理器110可配置为分析外部软组织图像信息并且识别第一畸形特性和第二畸形特性(步骤1720)。例如，处理器110可配置为分析外部软组织图像信息并且使用与上面关于步骤220-250描述的相同或基本相同的操作来识别外部软组织图像信息中的至少两个畸形特征。然而，可选地，可以执行仅一个分析(例如，步骤220-230中的分析)，而不是步骤220-250中描述的两个(或更多)分析。

处理器110可配置为确定第一畸形特性与第二畸形特性相比更不可能是医学状况的预示符(步骤1730)。例如，处理器110可配置为基于第一畸形特性一般不与第二畸形特性同时发生的信息来确定第一畸形特性与第二畸形特性相比更不可能是医学状况的预示符。作为另一示例，处理器110可配置为基于第一畸形特性在对象的家族成员中是普遍的这一信息来确定第一畸形特性与第二畸形特性相比更不可能是医学状况的预示符。作为另一示例，处理器110可配置为基于第一畸形特性在个体的种族成员中是普遍的这一信息来确定第一畸形特性与第二畸形特性相比更不可能是医学状况的预示符。作为另一示例，处理器110可配置为基于第一畸形特性在个体的性别的成员中是普遍的这一信息来确定第一畸形特性与第二畸形特性相比更不可能是医学状况的预示符。

处理器110可配置为预测对象是否可能受医学状况影响，其中在预测期间，第一畸形特性不被考虑(步骤1740)。例如，处理器110可配置为使用与上面关于步骤260描述的基本相同的操作来预测对象是否可能受医学状况影响。然而，用于进行预测的分类器可配置为忽略第一畸形特性或者赋予其减小的权重。

为了清楚而在说明书中在单独实施例的上下文中描述的某些特征也可以在单个实施例中组合地提供。相反，为了简洁而在单个实施例的上下文中描述的各个特征也可以在多个实施例中单独地或者以任何适当子组合提供。此外，尽管特征可能在上面描述为以某种组合来起作用，甚至一开始在权利要求中主张为如此，但是来自所主张的组合的一个或多个特征在某些情况下可以从该组合去除，所主张的组合可涉及子组合或子组合的变型。

已经描述了特定实施例。其它实施例在所附权利要求的范围内。

Claims (20)

1.一种计算机实施的用于分析软组织的图像像素并且确定存在遗传变异的可能性的方法，所述方法包括：

通过处理电路接收人群电子信息，所述人群电子信息反映人群值集，所述人群值集对应于与具有至少一种遗传变异的多个个体相关联的多个颅面外部软组织图像中的像素，其中每个人群值集对应于所述多个颅面外部软组织图像的每个中的至少一组像素之间的关系；

使用所述人群值集生成所述多个颅面外部软组织图像中的每一个的电子特性；

在电子数据库中，将具有至少一种遗传变异的所述多个个体的所述多个颅面外部软组织图像中的每一个的电子特性相关联；

通过所述处理电路分析所述多个颅面外部软组织图像中的每一个的电子特性以识别至少一个人群预示符位置，所述预示符位置与预示所述至少一种遗传变异的外部软组织属性相关联；

通过所述处理电路接收对象相关的电子信息，所述对象相关的电子信息反映与对象的颅面外部软组织图像的像素对应的对象相关值集，其中所述对象相关值集对应于所述对象的颅面外部软组织图像中的至少一组像素之间的关系；

通过所述处理电路分析所述对象相关的电子信息，以识别与所述人群预示符位置对应的对象预示符位置；

将与对应于所述人群预示符位置的像素相关联的信息与对应于所述对象预示符位置的像素相关联的信息进行比较；

通过所述处理电路确定在所述对象预示符位置和所述人群预示符位置之间是否存在共同畸形；以及

通过所述处理电路基于确定是否存在共同畸形来预测所述对象是否具有遗传变异。

2.如权利要求1所述的计算机实施的方法，其中，在接收时，所述对象未被诊断为患有医学状况。

3.如权利要求1所述的计算机实施的方法，其中，所述对象的颅面外部软组织图像包括正视图、侧视图、斜视图、俯视图和后视图中的至少一个。

4.如权利要求1所述的计算机实施的方法，其中，通过所述处理电路接收对象相关的电子信息包括另外接收与所述对象的手和所述对象的足中的至少一个相关联的信息。

5.如权利要求1所述的计算机实施的方法，其中，分析所述电子特性包括使用锚定单元分析、移位补片分析和相对测量分析中的至少一种来检测所述畸形特征的位置。

6.如权利要求1所述的计算机实施的方法，其中，所述对象的颅面外部软组织图像包括二维颅面外部软组织图像。

7.如权利要求1所述的计算机实施的方法，其中，所述对象是新生儿或儿童。

8.如权利要求1所述的计算机实施的方法，其中，所述遗传变异的存在包括具有遗传综合征和是遗传综合征的携带者中的至少一种。

9.一种用于在对象可能受医学状况影响时进行鉴别的电子设备，所述设备包括：

至少一个存储器，用于存储计算机可执行的指令；以及

至少一个处理器，配置为运行所存储的指令，从而：

接收人群电子信息，所述人群电子信息反映人群值集，所述人群值集对应于与具有遗传变异的多个个体相关联的多个颅面外部软组织图像中的像素，其中每个人群值集对应于所述多个颅面外部软组织图像的每个中的至少一组像素之间的关系；

使用所述人群值集生成所述多个颅面外部软组织图像中的每一个的电子特性；

在电子数据库中，将所述多个个体的所述多个颅面外部软组织图像中的每一个的电子特性相关联；

分析所述多个颅面外部软组织图像中的每一个的电子特性以识别至少一个人群预示符位置，所述预示符位置与预示所述遗传变异的畸形特征相关联；

接收对象相关的电子信息，所述对象相关的电子信息反映与正在进行遗传变异评估的对象的颅面外部软组织图像的像素对应的对象相关值集，其中所述对象相关值集对应于所述对象的颅面外部软组织图像中的至少一组像素之间的关系；

分析所述对象相关的电子信息，以识别与所述人群预示符位置对应的对象预示符位置；

将与对应于所述人群预示符位置的像素相关联的信息与对应于所述对象预示符位置的像素相关联的信息进行比较；

确定在所述对象预示符位置和所述人群预示符位置之间是否存在共同畸形；以及

基于确定是否存在共同畸形来预测所述对象是否具有遗传变异。

10.如权利要求9所述的电子设备，其中，在接收反映与所述对象的颅面外部软组织图像的像素对应的值集的电子信息之前，所述对象未被诊断为患有所述医学状况。

11.如权利要求9所述的电子设备，其中，所述至少一个处理器还被配置为在数据库中存储具有多种遗传综合症的个体的面部图像的特性。

12.如权利要求9所述的电子设备，其中，所述人群预示符位置包括多个人群预示符位置。

13.如权利要求9所述的电子设备，其中，受医学状况影响包括具有遗传综合征和是遗传综合征的携带者中的至少一种。

14.如权利要求9所述的电子设备，其中，所述至少一个处理器还配置为如果在阈值数量的对象预示符位置中检测到阈值数量的畸形特征，则预测所述对象具有所述医学状况。

15.如权利要求9所述的电子设备，其中，所述至少一个处理器还配置为使用锚定单元分析、移位补片分析和相对测量分析中的至少一种来确定所述对象中的畸形特征的位置。

16.一种用于在对象可能受遗传变异影响时进行鉴别的非暂时性计算机可读介质，所述非暂时性计算机可读介质包括指令，所述指令在由至少一个处理器运行时使所述至少一个处理器执行如下操作：

接收人群电子信息，所述人群电子信息反映人群值集，所述人群值集对应于与具有遗传变异的多个个体相关联的多个颅面外部软组织图像中的像素，其中每个人群值集对应于所述多个颅面外部软组织图像的每个中的至少一组像素之间的关系；

使用所述人群值集生成所述多个颅面外部软组织图像中的每一个的电子特性；

在电子数据库中，将所述多个个体的所述多个颅面外部软组织图像中的每一个的电子特性相关联；

分析所述多个颅面外部软组织图像中的每一个的电子特性以识别至少一个人群预示符位置，所述预示符位置与预示所述遗传变异的畸形特征相关联；

接收对象相关的电子信息，所述对象相关的电子信息反映与正在进行遗传变异评估的对象的颅面外部软组织图像的像素对应的对象相关值集，其中所述对象相关值集对应于所述对象的颅面外部软组织图像中的至少一组像素之间的关系；

分析所述对象相关的电子信息，以识别与所述人群预示符位置对应的对象预示符位置；

将与对应于所述人群预示符位置的像素相关联的信息与对应于所述对象预示符位置的像素相关联的信息进行比较；

确定在所述对象预示符位置和所述人群预示符位置之间是否存在共同畸形；以及

基于确定是否存在共同畸形来预测所述对象是否具有遗传变异。

17.如权利要求16所述的非暂时性计算机可读介质，其中，所述多个个体具有多种遗传综合征。

18.如权利要求16所述的非暂时性计算机可读介质，其中，所述指令在由所述至少一个处理器运行时还使所述至少一个处理器执行附加操作，所述附加操作包括如果在阈值数量的对象预示符位置中检测到阈值数量的畸形特征，则预测所述对象具有所述遗传变异。

19.如权利要求16所述的非暂时性计算机可读介质，其中，受所述遗传变异影响包括具有遗传综合征和是遗传综合征的携带者中的至少一种。

20.如权利要求16所述的非暂时性计算机可读介质，其中，所述对象未被诊断为患有所述遗传变异。

Images