KR20160010414A - 환자가 의학적 상태에 의해 영향을 받을 때를 식별하기 위한 시스템들, 방법들, 및 컴퓨터-판독가능 매체 - Google Patents

환자가 의학적 상태에 의해 영향을 받을 때를 식별하기 위한 시스템들, 방법들, 및 컴퓨터-판독가능 매체 Download PDF

Info

Publication number
KR20160010414A
KR20160010414A KR1020157028204A KR20157028204A KR20160010414A KR 20160010414 A KR20160010414 A KR 20160010414A KR 1020157028204 A KR1020157028204 A KR 1020157028204A KR 20157028204 A KR20157028204 A KR 20157028204A KR 20160010414 A KR20160010414 A KR 20160010414A
Authority
KR
South Korea
Prior art keywords
patient
soft tissue
medical condition
external soft
affected
Prior art date
Application number
KR1020157028204A
Other languages
English (en)
Other versions
KR102028106B1 (ko
Inventor
데켈 겔브만
레오니드 카린스키
Original Assignee
에프디엔에이 인크.
에프디엔에이 (유케이) 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에프디엔에이 인크., 에프디엔에이 (유케이) 리미티드 filed Critical 에프디엔에이 인크.
Publication of KR20160010414A publication Critical patent/KR20160010414A/ko
Application granted granted Critical
Publication of KR102028106B1 publication Critical patent/KR102028106B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0013—Medical image data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/04—Babies, e.g. for SIDS detection
    • A61B2503/045—Newborns, e.g. premature baby monitoring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/06—Children, e.g. for attention deficit diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/04—Constructional details of apparatus
    • A61B2560/0475—Special features of memory means, e.g. removable memory cards
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Dermatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Dentistry (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템들, 방법들 및 컴퓨터-판독가능 매체가 개시된다. 예를 들어, 적어도 하나의 프로세서는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다. 프로세서는 또한 외부의 소프트 조직 이미지 정보의 평가를 수행하고, 적어도 부분적으로 평가에 기초하여 평가 결과 정보를 생성하도록 구성될 수 있다. 프로세서는 또한 적어도 부분적으로 평가 결과 정보에 기초하여 환자가 의학적 상태에 의해 영향을 받을 가능성을 예측하도록 구성될 수 있다.

Description

환자가 의학적 상태에 의해 영향을 받을 때를 식별하기 위한 시스템들, 방법들, 및 컴퓨터-판독가능 매체{SYSTEMS, METHODS, AND COMPUTER-READABLE MEDIA FOR IDENTIFYING WHEN A SUBJECT IS LIKELY TO BE AFFECTED BY A MEDICAL CONDITION}
관련 출원
본 출원은, 2013년 3월 13일 출원된 미국 가출원 제61/778,450호에 대한 우선권을 주장하며, 여기서 그 전체가 참조용으로 사용되었다.
본 개시는 이미지 분석 분야에 관한 것이다. 예를 들어, 환자가 이미지 분석을 이용하여 의학적 질환(medical condition)에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템들, 방법들, 및 컴퓨터-판독가능 매체가 개시된다.
세계 인구의 8% 이상을 집합적으로 감염시키는 수천 개의 알려진 희귀병들이 존재한다. 희귀병들은 종종 만성적, 진행성, 퇴행성, 및 생명에 위험성이다. 희귀병들에 의해 감염된 아이들은 종종 많은 연관된 의료 합병증에 걸리고, 중요한 시기 적절한 의료 간섭을 필요로 한다.
많은 희귀병들은 태생적, 선천적인 것에서 일반적이고, 증상성 기형들(symptomatic malformations)을 나타낸다. 증상성 기형들은 종종 희귀병의 첫 번째 신호이다. 자격있는 전문가에 의해 수행된 이형성 평가는 종종 질병을 인식하는데 있어서 핵심적인 역할을 한다. 하지만, 많은 질병들의 희귀성으로 인해, 기형학 전문가의 부족과, 임상 진단의 복잡성은 종종 다수의 의사들에게 트레이닝하는 적절하고 이해력 있는 기형학을 제공하는 것은 가능하지 않다. 희귀병들의 진단은 종종 특히, 관련 인지, 지식 및 경험이 부족한 의사들에 대해 매우 어렵다. 진단에 도달하지 않는 대부분의 아이들은 일반적으로, 신체 증상, 발달 장애, 지적 장애, 및 다른 의료 합병증이 그 가족들 또는 치료하는 의사에 의해 관찰될 때 생전에 나중에 진단된다. 이것은 아이들의 상태가 저하되도록 할 수 있는 관리받지 않고 치료받지 않은 질병을 초래할 수 있다.
질병들의 초기 식별은 종종 중요하다. 이에 따라, 사람이 의학적 질환에 의해 감염될 가능성이 있는 지의 여부를 효율적으로 그리고 비침습성으로 결정할 수 있는 시스템들 및 방법들이 필요하다.
본 개시에 따른 실시예들은 환자가 이미지 분석을 이용하여 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템들, 방법들 및 컴퓨터-판독가능 매체를 제공한다.
하나의 개시된 실시예에서, 환자가 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템이 개시된다. 시스템은 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는, 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고, 고정된 셀들의 분석, 시프팅 패치들(shifting patches)의 분석, 및 상대 측정들의 분석 중 적어도 하나를 이용하여 외부의 소프트 조직 이미지 정보의 제 1 평가를 수행하고, 적어도 부분적으로 제 1 평가에 기초하여 제 1 평가 결과 정보를 생성하고, 고정된 셀들의 분석, 시프팅 패치들의 분석, 및 상대 측정들의 분석 중 적어도 하나를 이용하여 외부의 소프트 조직 이미지 정보의 제 2 평가를 수행하고, 적어도 부분적으로 제 2 평가에 기초하여 제 2 평가 결과 정보를 생성하고, 적어도 부분적으로 제 1 평가 결과 정보 및 제 2 평가 결과 정보에 기초하여 환자가 의학적 질환에 의해 감염될 가능성을 예측하도록 구성된다.
다른 개시된 실시예에서, 환자가 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템이 개시된다. 시스템은 적어도 하나의 프로세서는 포함하고, 적어도 하나의 프로세서는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고, 외부의 소프트 이미지 정보를 복수의 영역들로 분리하고, 복수의 영역들 각각의 분석을 생성하고, 복수의 영역들의 분석들을 집합시키고, 환자가 집합된 분석들에 기초하여 의학적 질환에 의해 감염될 가능성을 결정하도록 구성된다.
다른 개시된 실시예에서, 환자가 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템이 개시된다. 시스템은 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고, 외부의 소프트 조직 이미지를 데이터베이스에서의 다른 환자들의 복수의 외부의 소프트 조직 이미지들과 비교하기 위해 이미지 정보 분석을 이용하고, 이미지 정보 분석에 기초하여, 외부의 소프트 조직 이미지 정보에 포함된 이형 특징들을 결정하고, 이형 특징들과 연관된 설명자들(descriptros)에 액세스하고, 설명자들 중 적어도 일부를 출력하도록 구성된다.
다른 개시된 실시예에서, 환자가 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템이 개시된다. 시스템은 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고, 외부의 소프트 조직 이미지 정보를 분석하고, 적어도 부분적으로 분석에 기초하여 외부의 소프트 조직 이미지 정보에서의 하나 이상의 외부의 소프트 조직 속성들을 식별하고, 복수의 의학적 질환들과 연관된 외부의 소프트 조직 속성들의 적어도 하나의 데이터베이스에 액세스하고, 하나 이상의 식별된 외부의 소프트 조직 속성들을 적어도 하나의 데이터베이스의 외부의 소프트 조직 속성들과 비교하고, 비교에 기초하여 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 질환에 관한 정보를 출력하도록 구성된다.
다른 개시된 실시예에서, 환자가 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템이 개시된다. 시스템은 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로세서는 제 1 시간에 리코딩된 환자의 제 1 외부의 소프트 조직 이미지를 반영하는 제 1 정보를 수신하고, 제 1 이미지 정보를 분석하고, 제 2 시간에 리코딩된 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 제 2 정보를 수신하고, 제 2 이미지 정보를 분석하고, 제 1 이미지 정보의 분석을 제 2 이미지 정보의 분석과 비교하고, 적어도 부분적으로 비교에 기초하여 환자가 의학적 질환에 의해 감염될 가능성을 예측하도록 구성된다.
개시된 실시예들에 관련된 추가 양상들은 후속하는 설명에서 부분적으로 설명될 것이고, 부분적으로 설명으로부터 이해될 것이거나, 개시된 실시예들의 실시에 의해 학습될 수 있다.
이전의 일반적인 설명 및 다음의 상세한 설명이 단지 예시적이고 설명적이고, 청구항들을 제한하지 않는다는 것이 이해될 것이다.
본 개시에 병합되고 본 개시의 부분을 구성하는 첨부 도면들은 다양한 개시된 실시예들을 예시한다.
도 1은 개시된 실시예들을 구현하는데 사용될 수 있는, 환자가 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템의 예를 도시한 도면.
도 2는, 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 2개의 평가들을 이용하여 환자가 의학적 질환에 의해 감염될 가능성을 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 3은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 이미지 분리를 이용하여 환자가 의학적 질환에 의해 감염될 가능성을 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 4는 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 환자의 적어도 하나의 상대적인 정보를 이용하여 환자가 의학적 질환에 의해 감염될 가능성을 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 5는 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 이형 특징들과 연관된 적어도 몇몇 설명자들을 출력하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 6은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 이미지 상의 적어도 백개의 한정된 장소들을 이용하여 환자가 의학적 질환에 의해 감염될 가능성을 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 7은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 이미지 상의 적어도 하나의 기형학의 표시들을 중첩하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 8은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 이형 특징들에 관한 정보를 식별하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 9는 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 질환에 관한 정보를 출력하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 10은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 2개의 상이한 시간들에서의 분석에 기초하여 환자가 의학적 질환에 의해 감염될 가능성을 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 11은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 2명의 환자들에 의해 가능성있게 소유된 이전에 인식되지 않은 의학적 질환을 결정하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 12는 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 건강 서비스 제공자와 건강 관리 전문가 사이의 통신들을 중재하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 13은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 환자의 이미지가 의학적 질환에 의해 감염될 가능성이 있는 임계치를 총족할 때 건강 관리 제공자에게 경고하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 14는 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 환자가 의학적 질환을 갖는 지의 여부를 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 15는 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 수행될 테스트들의 목록을 생성하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 16은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 심각도 점수에 기초하여 이형 특징이 의학적 질환을 나타내는 지의 여부를 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 17은 개시된 실시예들의 일부에 따라 의학적 질환 분석 시스템의 프로세서가 적어도 하나의 이형 특징을 감소시킴으로써 환자가 의학적 질환에 의해 감염될 가능성이 있는 지의 여부를 예측하기 위해 수행하도록 구성될 수 있는 동작들의 예를 도시한 도면.
도 18은 개시된 실시예들의 일부에 따라 이미지 처리 파이프라인의 예시적인 설명들을 도시한 도면.
도 19 내지 도 22는 개시된 실시예들의 일부에 따라 이미지 세그먼트화의 예시적인 설명을 도시한 도면.
도 23a 내지 도 23c는 개시된 실시예들의 일부에 따라 고정된 셀 분석의 예시적인 설명을 도시한 도면.
도 24는 개시된 실시예들의 일부에 따라 시프팅 패치 분석의 예시적인 설명을 도시한 도면.
도 25는 개시된 실시예들의 일부에 따라 상대 측정들의 예시적인 설명을 도시한 도면.
도 26은 개시된 실시예들의 일부에 따라 복수의 분석들의 예시적인 설명을 도시한 도면.
도 27은 개시된 실시예들의 일부에 따라 귀 분석의 예시적인 설명을 도시한 도면.
도 28은 개시된 실시예들의 일부에 따라 진단되지 않은 환자의 예시적인 설명을 도시한 도면.
이제 첨부도들에 예시되는 실시예들의 예에 대해 구체적으로 참조될 것이다. 가능할 때마다, 동일한 도면 부호들은 동일하거나 유사한 부분들을 언급하도록 도면 전체에 사용될 것이다.
도 1은, 개시된 실시예들에 따라 환자가 의학적 질환에 의해 감염될 가능성이 있을 때를 식별하기 위한 시스템(100)의 예를 도시한 도면이다. 환자는 특히, 남성 또는 여성 및 아이들 및 성인과 같은 임의의 사람 또는 유형의 사람을 포함할 수 있다. 아이들은 예를 들어, 신생아, 젖먹이(infant), 유아(toddler), 미취학 아동(preschooler), 취학 연령의 아이들, 또는 청소년을 포함할 수 있다. 예를 들어, 생일로부터 1달까지의 남성 또는 여성은 신생아로 언급될 수 있고, 1달로부터 1세까지의 남성 또는 여성은 젖먹이로 언급될 수 있고, 1세로부터 3세까지의 남성 또는 여성은 유아로 언급될 수 있고, 3세로부터 6세까지의 남성 또는 여성은 미취학 아동으로 언급될 수 있고, 6세로부터 12세까지의 남성 또는 여성은 취학 연령의 아이들로 언급될 수 있고, 12세로부터 18세까지의 남성 또는 여성은 청소년으로 언급될 수 있다. 성인은 예를 들어, 18세로부터 그 이후로의 남성 또는 여성을 포함할 수 있다. 하지만, 이들 나이 범위들은 단지 예시에 불과하다. 예를 들어, 19세의 사람은 특정한 정황들에서 청소년으로 언급될 수 있다.
의학적 상태는 특히, 임의의 의학적 질병을 포함할 수 있다. 의학적 상태를 소유하는 환자는 예를 들어, 유전적 증후군을 소유하는 것과 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함할 수 있다. 의학적 상태는 또한 특히, 임상적으로 인식가능한 특징들, 사인들, 증상들, 현상들, 또는 함께 종종 발생하는 다른 특징들의 임의의 연관을 포함할 수 있어서, 하나의 특성, 사인, 증상, 현상, 또는 다른 특징의 존재는 다른 것들의 가능한 존재를 암시하고, 나타내거나, 경고할 수 있다. 의학적 상태는 또한 시간이 지남에 따라 물리적 성장 및 전개에서의 하나 이상의 비정상적인 소견을 포함할 수 있다(예를 들어, 시간이 지남에 따라 전개하는 성장 결핍 및 안면 변형들). 예를 들어, 의학적 상태는 R.C.M. Hennekam 등의 옥스퍼드 대학 출판부, 2010, "Gorlin's syndromes of the head and neck"과, William Reardon의 옥스퍼드 대학출판부, 2008, "The Bedside Dysmorphologist,"와, Kenneth Lyons Jones의 WB Saunders, 2005 "Smith's Recognizable Patterns of Human Malformation,"에 개시된 의학적 상태들 중 하나 이상일 수 있고, 이들 모두는 그 전체가 참고용으로 본 명세서에 병합된다.
몇몇 실시예들에서, 의학적 상태는, 사람이 하나 이상의 기형적 특징들을 나타내도록 할 수 있는 하나 이상의 상태들을 포함한다. 기형적 특징은 예를 들어, 환자의 외형에 영향을 미치는 임의의 특징을 포함할 수 있다. 기형적 특징은 외부의 소프트 조직 기형학을 반영할 수 있다. 예를 들어, 의학적 상태는 아이들의 골격이 불규칙한 방식으로 형성하도록 할 수 있고, 이것은 아이들의 안면 외형이 또한 하나 이상의 기형적 특징에 의해 나타낼 수 있는 방식으로 비정상적이도록 할 수 있다. 예를 들어, 기형적 특징은 Allanson 등의 Am J Med Genet Part A 149A:2-5의, 2009년 "Elements of morphology: Introduction,"과, Allanson 등의 Am J Med Genet Part A 149A:6-28의, 2009년 "Elements morphology: Standard of terminology for the head and face"와, Carey 등의 Am J Med Genet Part A 149A:77-92, 2009년 "Elements of morphology: Standard terminology for the lips, mouth, and oral region"과, Hall 등의 Am J Med Genet Part A 149A:29-39의, 2009년 "Elements of morphology: Standard Terminology for the periorbital region"과, Hennekam 등의 Am J Med Genet Part A 149A:61-76의, 2009년 "Elements of morphology: Standard terminology for the Nose and philtrum,"과, Hunter 등의 Am J Med Genet Part A 149A:40-60의, 2009년 "Elements of morphology: Standard terminology for the ear,"과, Biesecker 등의 Am J Med Genet Part A 149A:93-127의, 2009년 "Elements of morphology: Standard terminology for the hands and feet,"에 개시된 하나 이상의 기형적 특징들일 수 있고, 이들 문헌 모두는 그 전체가 본 명세서에 참고용으로 병합된다.
시스템(100)은 특히, 적어도 하나의 프로세서(110), 적어도 하나의 메모리 디바이스(120), 적어도 하나의 입력 디바이스(130), 적어도 하나의 카메라(140), 및 적어도 하나의 출력 디바이스(150)를 포함할 수 있다. 프로세서(110)는 중앙 처리 유닛(CPU), 디지털 신호 프로세서(DSP), 전계 프로그래밍가능 게이트 어레이(FPGA), 그래픽 처리 유닛(GPU)의 전부 또는 부분일 수 있는 예를 들어, 하나 이상의 집적 회로, 마이크로칩, 마이크로제어기, 및 마이크로프로세서를 포함하는 적어도 하나의 입력 변수 상에서 동작을 수행하도록 구성될 수 있는 임의의 전기 회로, 또는 명령어들을 수행하거나 논리 동작들을 수행하는데 적합할 수 잇는 당업자에게 알려진 임의의 다른 회로를 포함할 수 있다. 다중 기능들은 단일 프로세서를 이용하여 달성될 수 있거나, 다중 관련 및/또는 관련되지 않은 기능들은 다중 프로세서들로부터 분리될 수 있다. 프로세서(110)는 예를 들어, 영구 메모리, ROM, EEPROM, EAROM, 플래쉬 메모리 디바이스들, 자기 디스크들, 자기 광학 디스크들, CD-ROM, DVD-ROM, 블루레이 등을 포함할 수 있는 메모리 디바이스(120)에 액세스하도록 구성될 수 있다. 메모리 디바이스(120)는 명령어들(즉, 소프트웨어 또는 펌웨어) 또는 다른 데이터를 포함할 수 있다. 프로세서(110)는 명령어들 및 데이터 저장 메모리 디바이스(120)를 수용할 수 있다. 따라서, 몇몇 실시예들에서, 프로세서(110)는 입력 데이터 상에서 동작하고 출력을 생성함으로써 기능들을 수행하기 위해 소프트웨어 또는 펌웨어를 실행할 수 있다. 하지만, 프로세서(110)는 또한 네트워크(도 1에 미도시)를 통해 원격으로 저장된 데이터를 수신하거나 액세스할 수 있다. 예를 들어, 디바이스(100)는 통신 디바이스(도 1에 미도시)를 포함할 수 있고, 이 통신 디바이스는, 프로세서(110)가 네트워크를 통해 서버 또는 사용자 디바이스 상에서 원격으로 저장된 데이터를 수신하거나 액세스하도록 할 수 있다. 더욱이, 프로세서(110)는 또한 예를 들어, 입력 데이터 상에서 동작하고 출력을 생성함으로써 프로세서들을 수행하는 전용 하드웨어 또는 애플리케이션 특정 집적 회로(ASIC)일 수 있다. 프로세서(110)는 전용 하드웨어, 하나 이상의 ASIC들, 하나 이상의 일반 목적의 프로세서들, 하나 이상의 DSP들, 하나 이상의 GPU들, 또는 디지털 정보를 처리할 수 있는 하나 이상의 다른 프로세서들의 임의의 조합일 수 있다. 예를 들어, 몇몇 실시예들에서, 프로세서(110)는 병렬 처리 성능을 제공할 수 있는 다중 프로세서들을 포함할 수 있다.
도 2는, 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(200)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세서(200)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(200)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 210). 예를 들어, 프로세서(110)는 카메라(140)에 의해 캡처된 환자의 외부 소프트 조직 이미지를 반영하는 정보를 수신할 수 있다. 카메라(140)는 특히, CCD 이미지 센서, CMOS 이미지 센서, 카메라, 광 센서, IR 센서, 초음파 센서, 근접 센서, 단파 적외선(SWIR) 이미지 센서, 반사도 센서, 또는 외부 소프트 조직 이미지를 캡처할 수 있는 임의의 다른 이미지 센서와 같은 하나 이상의 이미지 센서들을 포함할 수 있다. 이미지 센서는 단일 픽셀 데이터, 1차원 라인 데이터, 2차원 데이터, 또는 3차원 데이터와 같은 이미지 데이터의 임의의 양을 캡처하도록 구성될 수 있다. 카메라(140)는 고정 카메라, 모바일 카메라, 또는, 예를 들어 컴퓨터, 태블릿, 폼, 안경, 또는 임의의 다른 디바이스에 추가로 병합될 수 있는 임의의 다른 이미지 캡처 디바이스 또는 기기일 수 있다.
외부의 소프트 조직 이미지는 특히, 환자의 이미지 또는 환자의 임의의 부분을 포함할 수 있다. 몇몇 실시예들에서, 외부의 소프트 조직 이미지는 환자의 얼굴, 환자의 머리, 환자의 손, 및 환자의 다리 중 적어도 하나의 이미지를 포함할 수 있다. 하지만, 외부의 소프트 조직 이미지는 또한 머리 선, 이마, 눈 영역, 눈썹, 코, 눈, 중간-얼굴 영역, 인중 영역, 입, 귀, 아래턱 영역, 턱, 뺨, 목, 흉부, 중간-신체, 등, 몸통, 궁둥이, 성기, 손발, 관절, 손 및 손가락과 같은 환자의 다른 부분들을 포함할 수 있다. 몇몇 실시예들에서, 외부의 소프트 조직 이미지는 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰 및 후면 뷰 중 적어도 하나를 포함하는 두개골=안면 이미지이다. 본 명세서에 사용된 바와 같이, 두개골-안면 이미지는 환자의 두개골 또는 얼굴의 적어도 일부분을 포함하는 이미지이다. 전면 뷰는 환자의 얼굴의 전면의 이미지를 포함할 수 있다. 측면 뷰는 환자의 머리의 수직 중간 선으로부터 45도 각도(얼굴의 좌측 및/또는 우측으로)에 또는 대략 45도 각도로 찍은 이미지를 포함할 수 있다. 상부 뷰는 환자의 머리의 상부의 이미지를 포함할 수 있다. 후면 뷰는 환자의 머리의 후면의 이미지를 포함할 수 있다. 아래에 더 구체적으로 설명되는 바와 같이, 몇몇 실시예들에서, 외부의 소프트 조직 이미지는 기형학과 연관된다.
프로세서(110)에 의해 수신된 외부의 소프트 조직 이미지를 반영하는 정보는 외부의 소프트 조직 이미지 자체 또는 외부의 소프트 조직 이미지로부터 유도된 임의의 데이터를 포함할 수 있다{예를 들어, 카메라(140)에서의 개별적인 프로세서는 외부의 소프트 조직 이미지로부터 데이터를 유도할 수 있고, 유도된 데이터를 프로세서(110)에 송신할 수 있다}. 예를 들어, 외부의 소프트 조직 이미지가 아날로그 이미지이면(외부의 소프트 조직 이미지가 디지털 이미지로서 캡처될 수 있더라도), 외부의 소프트 조직 이미지를 반영하는 정보는 외부의 소프트 조직 이미지의 디지털 방식으로 변환된 버전을 포함할 수 있다. 외부의 소프트 조직 이미지를 반영하는 정보는 예를 들어, 벡터 이미지 또는 래스터 이미지일 수 있다. 외부의 소프트 조직 이미지를 반영하는 정보는 또한 예를 들어, 이미지의 하나 이상의 세기, 이미지에서의 에지의 하나 이상의 장소, 및 이미지에서의 하나 이상의 텍스처(textures)를 포함할 수 있는 외부의 소프트 조직 이미지로부터 유도된 파라미터들의 세트와 같은 비-이미지 데이터일 수 있다.
몇몇 실시예들에서, 프로세서(110)는 정보를 수신할 때 및/또는 정보를 수신한 후에 외부의 소프트 조직 이미지 정보를 전처리할 수 있다. 도 18은 프로세서(110)에 의해 수행될 수 있는 전처리 루틴의 일례를 도시한다. 도 18에 도시된 바와 같이, 프로세서(110)는 외부의 소프트 조직 이미지 정보의 얼굴 영역을 검출하고, 얼굴 영역에서의 다수의 포인트들을 검출하고, 얼굴 영역을 정렬하도록 구성될 수 있다. 얼굴 검출 루틴의 일례는 도 19 내지 도 22에 도시된다. 예를 들어, 도 20에 그래픽적으로 도시된 바와 같이, 프로세서(110)는, 선택적으로 이미지 정보에 걸쳐 서로 중첩할 수 있는 복수의 패치들(patches)(즉, 이미지 정보의 서브-영역들)을 먼저 위치시킴으로써 얼굴 영역을 검출하도록 구성될 수 있다. 각 패치에 대해, 설명자 벡터가 계산될 수 있다. 설명자 벡터는 예를 들어, 스케일-변경 특징 변환(SIFT), 배향된 경사도의 히스토그램(HOG), 자가-유사성 설명자, 국부 2진 패턴들의 히스토그램, 및 이미지 분석과 컴퓨터 비젼 분야에서 알려진 임의의 다른 결정가능한 특징 중 적어도 하나로부터 유도된 데이터를 포함할 수 있다.
얼굴 검출 루틴을 위한 트레이닝 단계 동안, 트레이닝 이미지들의 세트의 하나 이상의 영역들은 수동으로 개설될 수 있다. 예를 들어, 프로세서(110)는 머리의 윤곽, 및 얼굴 또는 얼굴의 측부 내의 하나 이상의 영역들(예를 들어, 눈, 코, 입, 귀 등의 윤곽)을 결정할 수 있다. 프로세서(110)는 머리의 윤곽의 무게 중심을 결정할 수 있다(윤곽 상의 포인트의 가중된 상대 위치가 0으로 합산되는 포인트). 프로세서(110)는 각 트레이닝 이미지의 각 패치에 대한 설명자 벡터를 추가로 결정할 수 있고, 데이터베이스에 설명자 벡터를 저장할 수 있다. 데이터베이스는 메모리 디바이스(120)에 의해 저장될 수 있거나, 예를 들어, 네트워크를 통해 프로세서(110)에 액세스가능한 원격 서버 상에 저장될 수 있다. 더욱이, 설명자 벡터와 연관된 각 패치의 중심에 대해 머리 형태의 무게 중심의 장소에 관한 정보는 또한 데이터베이스에 저장될 수 있다. 도 19는 복수의 패치들의 중심에 대해 머리 형태의 무게 중심의 장소에 관한 정보를 갖는 개설된 머리 형태의 일례를 도시한다.
얼굴 검출 루틴에 추가로 관련하여, 프로세서(110)는 가장 유사한 설명자 벡터(예를 들어, 25개의 가장 유사한 설명자 벡터들)의 세트를 결정하기 위해 트레이닝 이미지들의 패치들과 연관된 설명자 벡터들과 환자의 이미지 정보에서의 각 패치의 설명자 벡터를 비교하도록 구성될 수 있다. 비교를 수행하기 위해, 프로세서(110)는 메모리 디바이스(120)로부터 및/또는 네트워크를 통한 원격 소스로부터(예를 들어, 서버 또는 사용자 디바이스)로부터 이미지 정보에서의 각 패치의 설명자 벡터를 검색하도록 구성될 수 있고, 메모리 디바이스(120)로부터 및/또는 네트워크를 통한 원격 소스(예를 들어, 서버 또는 사용자 디바이스)로부터 트레이닝 이미지들의 패치들과 연관된 설명자 벡터를 검색하도록 구성될 수 있다. 프로세서(110)는 환자의 이미지 정보에서의 각 패치의 설명자 벡터와 트레이닝 이미지의 패치들과 연관된 설명자 벡터들 사이에서 유클리드 거리, 세비세브 거리, 치-스퀘어 거리, 및 만할라노비스 거리 중 하나 이상을 계산하도록 구성될 수 있다. 가장 유사한 설명자 벡터들의 세트는 예를 들어, 가장 짧은 유클리드 거리, 세비세브 거리, 치-스퀘어 거리, 또는 만할라노비스 거리와 연관된 그러한 설명자 벡터들을 포함할 수 있다. 가장 유사한 설명자 벡터들의 세트와 연관된 패치들은 데이터베이스로부터 검색될 수 있다. 데이터베이스로부터 검색된 각 패치는 환자의 이미지 정보의 무게 중심의 장소에 대한 하나의 보트(vote)를 제공할 수 있다. 보트는 데이터베이스로부터 패치를 검색하는데 사용된 이미지 정보에서의 패치의 장소에 주어진 패치와 연관된 트레이닝 이미지에서의 무게 중심의 상대적인 장소를 추가함으로써 결정될 수 있다. 본 정황에 사용된 보트는 환자의 이미지 정보의 무게 중심의 장소에 대한 하나의 추정치로 언급된다. 이미지 정보의 모든 패치들로부터의 모든 보트들은 일체화될 수 있고, 대부분의 지원을 갖는 장소는 머리의 무게 중심으로서 선택될 수 있다. 도 20은 설명된 보트 동작의 일례를 그래픽적으로 도시한다.
몇몇 실시예들에서, 환자의 이미지 정보에서의 각 패치에 대해, 선택된 무게 중심 장소로 가리키고 선택된 무게 중심으로부터 임계 거리 내에 있는 검색된 패치들의 세트에서의 패치들은 폐기될 수 있다. 나머지는 2가지 요소들에 비례하는 점수로 할당된다: 검색하는 패치 설명자 벡터와 검색된 패치 설명자 벡터 사이의 유사성, 및 검색된 패치에 의해 암시된 무게 중심 및 선택된 무게 중심 사이의 거리. 각 검색 패치(즉, 환자의 이미지 정보에서의 패치)에 대해, 검색된 패치들의 점수들은 누적될 수 있다. 임계 필터는 이미지 정보에서의 머리 형태의 전경 영역의 초기의 대략적인 추정치를 얻기 위해 검색 패치들 각각의 누적된 점수에 적용될 수 있다. 프로세서(110)는 차단된 형태를 생성하기 위해 초기 대략적인 추정치 상에 하나 이상의 형태학적 동작들을 적용하도록 구성될 수 있다. 그래픽적으로 도시된 바와 같이, 예를 들어, 도 21에서, 차단된 형태의 윤곽선은 제 1 세그먼트화 가정으로서 작용할 수 있다. 몇몇 실시예들에서, 프로세서(110)는 계산을 위한 시작 위치로서 제 1 세그먼트화 가정을 이용하여 평균 시프트 세그먼트화 알고리즘 및/또는 그랩컷(GrabCut) 세그먼트화 알고리즘을 이미지 정보에 적용하도록 구성될 수 있다.
몇몇 실시예들에서, 프로세서(110)는 검출된 머리 또는 얼굴 영역으로서 전술한 윤곽선을 이용할 수 있다. 하지만, 몇몇 실시예들에서, 결정은 추가로 다시 한정된다. 예를 들어, 몇몇 실시예들에서, 각 트레이닝 이미지의 윤곽선은 다음 중 하나 이상을 포함하는 벡터에 의해 나타날 수 있다: (i) 동일한 거리에서의 윤곽선을 따라 샘플링된 다수의 포인트들(예를 들어 50)의 (x, y) 좌표들로서, 제 1 포인트는 예를 들어, 윤곽선을 따라 최상위 초인트가 되도록 취해짐; (ii) 제 1 포인트의 장소뿐 아니라 각 포인트와 다음 포인트 사이의 (x, y) 좌표에서의 차이{예를 들어, (dx, 요)의 쌍들의 수는 최대 0까지 합산됨};. (iii) 윤곽선의 캡처된 영역의 무게 중심으로부터의 각 그러한 윤곽선 포인트의 거리, 및 무게 중심으로부터 윤곽선 포인트로의 광선의 각도; (iv) 무게 중심으로부터 윤곽선 상의 포인트들까지의 거리. 이미지 정보의 추정된 윤곽선을 다시 한정하기 위해, 프로세서(110)는 트레이닝 벡터들의 주요 성분들을 계산하기 위해 주요 성분들 분석을 이용할 수 있다. 추정된 윤곽선은 주요 성분들의 공간 상에 이를 투사함으로써 다시 한정될 수 있다.
프로세서(110)는, 이전에 결정된 윤곽선들의 하나 이상이 일관되는 영역들을 식별할 수 있다. 예를 들어, 밀집하게 샘플링된 광선은 모든 방향으로 무게 중심으로부터 투사될 수 있다. 예를 들어 도 22에 그래픽적으로 도시된 바와 같이, 각 광선은 다양한 윤곽선들을 교차할 수 있다. 프로세서(110)는 각광선의 얻어진 교차 장소들의 평균 및 표준 편차를 계산하도록 구성될 수 있다. 표준 편차가 임계치 아래인 경우(교차가 가깝고 윤곽선들이 광선을 따라 일관되는 것을 의미할 수 있음), 평균 포인트는 윤곽선에 대해 높은 신뢰 장소로서 사용될 수 있다. 복수의 광선으로부터의 높은 신뢰 장소들은 높은 신뢰 세그먼트들로 그룹화될 수 있고, 이것은 손실 부분들 및 다중 서브-세그먼트들을 갖는 윤곽을 생성할 수 있다. 손실 세그먼트들은 트레이닝 이미지들에서 머리 형태를 검사하고, 높은 신뢰 세그먼트들과 가장 일관적인 머리 형태를 선택하고, 선택된 머리 형태로부터의 값들을 손실 세그먼트에 복사함으로써 재구성될 수 있다.
이미지 정보의 얼굴 영역에서의 다수의 포인트들을 검출하기 위해, 프로세서(110)는 전술한 것과 유사한 보트 기술을 수행하도록 구성될 수 있다. 예를 들어, 전술한 윤곽선이 머리 형태 또는 얼굴 형태에 대한 것이지만, 동일한 배향들은 환자의 이미지 정보에서의 임의의 다른 한정가능 윤곽선에 대해 수행될 수 있다. 프로세서(110)는 예를 들어, 이미지 정보의 하나 이상의 윤곽선들 상의 포인트들(예를 들어, 환자의 얼굴, 눈, 눈썹, 코, 입, 및/또는 턱을 둘러싸는 포인트들)을 선택하도록 구성될 수 있다. 예를 들어, 프로세서(110)는 주어진 윤곽선을 따라 다수의 균일하게 이격된 포인트들을 선택하도록 구성될 수 있다.
얼굴 영역을 할당하기 위해, 프로세서(110)는 병진 이동, 회전 및 스케일링 동작의 하나 이상을 수행하도록 구성될 수 있어서, 결과적인 얼굴은 평균 얼굴 모델과 최대로 정렬된다. 몇몇 실시예들에서, 해당 영역들은 검출된 포인트들에 기초하여 결정된 대응하는 얼굴 영역들에 대한 알려진 연관에 기초하여 결정될 수 있다. 해당 영역들은 평균 얼굴 모델에 할당될 수 있다.
프로세서(110)는 고정된 셀 분석, 시프팅 패치 분석 및 상대 측정 분석 중 적어도 하나를 이용하여 외부의 소프트 조직 이미지 정보의 제 1 평가를 수행하도록 구성될 수 있다(단계 220). 고정된 셀 분석을 수행하기 위해, 프로세서(110)는 외부의 소프트 조직 정보 상에 복수의 셀들을 갖는 그리드를 중첩하고, 복수의 셀들 각각에 대한 설명자들을 계산하고, 벡터를 생성하기 위해 설명자들을 집합시키고, 의학적 상태와 이전에 진단된 다른 개인들의 외부의 소프트 조직 이미지로부터의 이전에 생성된 벡터들과 벡터를 비교하도록 구성될 수 있다.
셀들의 그리드의 중첩은 다수의 상이한 상보 및/또는 대안적인 옵션들을 포함할 수 있다. 예를 들어, 도 23a에 도시된 바와 같이, 프로세서(110)는 외부의 소프트 조직 이미지 정보 상의 복수의 셀들과 고정된 그리드를 중첩하도록 구성될 수 있다. 셀들의 고정된 그리드는 예를 들어, 외부의 소프트 조직 이미지 정보의 영역(예를 들어, 얼굴 영역) 상에 중첩된 복수의 인접한 정사각형, 직사각형, 또는 삼각형을 포함할 수 있다. 다른 예로서, 도 23b에 도시된 바와 같이, 프로세서(110)는 외부의 소프트 조직 이미지 정보의 이마 영역, 눈 영역, 코 영역, 중간-얼굴 영역, 귀 영역 및 입 영역 중 적어도 하나와 같이 특정한 한정된 영역 상에서 전술한 고정된 그리드의 셀들보다 더 작은 크기일 수 있는 셀의 작은 그리드를 중첩하도록 구성될 수 있다. 프로세서(110)는 외부의 소프트 조직 이미지 정보의 적어도 하나의 다른 영역(예를 들어, 최소한의, 또는 머리 영역과 같이 관련 정보가 얻어질 수 없는 영역은 셀의 작은 그리드와 중첩되지 않을 수 있다)을 디스카운트(discount)하도록 구성될 수 있다. 다른 예로서, 도 23c에 도시된 바와 같이, 프로세서(110)는 외부의 소프트 조직 이미지 정보 상에서 검출된 포인트들을 연결함으로써 생성된 복수의 삼각형 셀들을 중첩하도록 구성될 수 있다. 예를 들어, 프로세서(110)는 이미지 정보 상의 복수의 특징 포인트들을 결정하고 특징 포인트들을 연결하여 삼각형 영역들을 형성할 수 있다.
복수의 셀들 각각에 대한 설명자들을 계산하기 위해, 프로세서(110)는 예를 들어, 외부의 소프트 조직 이미지 정보와 연관된 세기, 텍스처, 및 에지 중 적어도 하나를 분석하도록 구성될 수 있다. 몇몇 실시예들에서, 각 셀에 대한 설명자는 예를 들어, SIFT, HOG, 자가-유사성 설명자, 국부 이진 패턴들의 히스토그램, 및 이미지 분석과 컴퓨터 비젼에 사용된 임의의 다른 유형의 특징 중 적어도 하나로부터 유도된 데이터를 포함하는 벡터이다.
벡터를 생성하기 위해 설명자들을 집합시키기 위해, 프로세서(110)는 예를 들어, 계산된 설명자들의 하나 이상을 포함하는 벡터를 생성하도록 구성될 수 있다. 예를 들어, 고정된 그리드에서의 셀과 조합된 각 설명자들은 벡터에 집합될 수 있고, 삼각형 셀들의 세트와 연관된 각 설명자들은 벡터에 집합될 수 있고, 또는 셀들의 작은 그리드와 연관된 각 설명자들은 벡터에 집합될 수 있다. 추가로 또는 대안적으로, 셀들의 하나보다 많은 세트가 생성되면(예를 들어, 고정된 그리드 및 삼각형 셀들의 세트가 모두 형성되고, 고정된 그리드 및 셀들의 작은 그리드 모두가 형성되고, 삼각형 셀들의 세트 및 고정된 그리드 모두가 형성되거나, 고정된 그리드, 삼각형 셀들의 세트, 및 작은 그리드 모두가 형성된다), 셀들의 다중 세트들의 설명자들을 포함하는 단일 벡터가 생성될 수 있다. 집합된 설명자들을 포함하는 벡터는 예를 들어, 조합된 외형 벡터로 언급될 수 있다.
벡터를 의학적 상태로 이전에 진단된 다른 개인들의 외부의 소프트 조직 이미지들로부터의 이전에 생성된 벡터들과 비교하기 위해, 프로세서(110)는 예를 들어 데이터베이스에 액세스하도록 구성될 수 있다. 데이터베이스는 예를 들어, 다른 개인들의 외부의 소프트 조직 이미지들의 고정된 셀 분석을 이용하여 생성된 벡터들을 포함할 수 있다. 데이터베이스는 환자 ID, 나이, 나이 그룹, 성별, 인종 그룹, 민족 그룹, 기형적 특징, 표현형 특징, 인체 측정적 측정들(제한 없이, 키, 무게, 머리 둘레, 얼굴 높이, 뼈 높이, 상부 얼굴 높이, 하부 얼굴 높이, 머리 길이, 머리 폭, 얼굴 폭, 마난디불라 폭, 전방 숨구멍 크기, 후방 숨구멍 크기, 내부 안각 거리, 외부 안각 거리, 안구내 거리, 눈 사이 거리, 눈꺼풀 틈 길이, 눈꺼풀 틈 높이, 눈꺼풀 틈의 경사도, 눈구멍 돌출부, 각막 치수들, 귀 길이, 귀 폭, 귀 돌출부, 귀 위치, 위 회전, 코 높이, 축주의 길이, 코 돌출부, 코 폭, 인중 길이, 인중 폭, 입 폭, ONC 각, 교합 차이, 및 턱 폭을 포함), 신체와 얼굴 랜드마크 사이의 상대 비율 및 비례, 알려진 진단, 의심스러운 진단, 변종 및/또는 유전학적 변이, 이미지의 소스, 통보된 동의, 포즈, 예시, 이미지의 품질, 인상 유형, 및 코호트(cohort)와 연관(예를 들어, 의학적 상태에 의해 영향을 받는 것으로 알려진 개인들의 그룹의 부분 또는 의학적 상태에 의해 영향을 받지 않는 것으로 알려진 개인들의 제어 그룹의 부분) 중 하나 이상에 의해 주석이 달릴 수 있다. 데이터베이스는 또한 예를 들어, 가족 일원(예를 들어, 형제, 부모, 자식, 사촌 등)인 데이터베이스에서의 개인들에 관한 데이터를 링크함으로써, 및/또는 개인에 대한 의학적 상태 또는 기형적 특징에 의해 영향을 받는 데이터베이스에서의 다른 가족 일원들(모측으로부터의 할머니의 자매)의 관계를 나타냄으로써 주석이 달릴 수 있다. 몇몇 실시예들에서, 비교시 사용된 이전에 생성된 벡터들은 공통적인 하나 이상의 주석들과 연관된다. 예를 들어, 이전에 생성된 벡터들은 환자와 동일한 나이, 성별 및 인종의 개인들과 연관된 이미지들로부터 유도된다는 것을 나타내는 주석과 연관될 수 있다. 추가로 또는 대안적으로, 비교시 사용된 이전에 생성된 벡터들은 환자의 의심스러운 기형적 특징 및/또는 의심스러운 의학적 상태와 연관될 수 있다. 즉, 예를 들어, 이전에 생성된 벡터들은 기형적 특징에 의해 영향을 받은 개인들, 기형적 특징에 대한 제어 그룹에서의 개인들, 의학적 상태에 의해 영향을 받은 개인들, 및 의학적 상태에 대한 제어 그룹에서의 개인들 중 하나 이상과 연관될 수 있다.
가장 유사한 이전에 생성된 벡터들(예를 들어, 25개의 가장 유사한 이전에 생성된 벡터들)의 세트와 연관된 데이터가 결정될 수 있다. 예를 들어, 가장 유사한 이전에 생성된 벡터들(예를 들어, 25개의 가장 짧은 계산된 거리와 연관된 25개의 이전에 생성된 벡터가 선택될 수 있다)의 세트를 결정하기 위해 데이터베이스에서의 이전에 생성된 벡터들과 조합된 외형 벡터 사이에서 프로세서(110)는 유클리드 거리, 세비세브 거리, 치-스퀘어 거리, 및 마할라노비스 거리 중 하나 이상을 계산하도록 구성될 수 있다.
가장 유사한 이전에 생성된 벡터의 세트는, 많은 이전에 생성된 벡터가 특정한 기형적 특징의 긍정적인 예와 어떻게 연관되는지(즉, 기형적 특징을 갖는 것으로 알려진 개인과 연관된 이전에 생성된 벡터), 그리고 많은 이전에 생성된 벡터가 특정한 기형적 특징의 부정적인 예와 어떻게 연관되는지(즉, 기형적 특징을 갖지 않는 것으로 알려진 개인과 연관된 이전에 생성된 벡터)를 결정하기 위해 분석{예를 들어, 데이터베이스와 연관된 서버 또는 프로세서(110)}될 수 있다. 다수의 긍정적인 예들 및 다수의 부정적인 예들에 기초하여, 확률 점수는 기형적 특징에 대해 결정될 수 있다. 본 명세서에 사용된 확률 점수는 확률을 반영하는 실제 확률 또는 몇몇 값일 수 있다. 예를 들어, 확률 점수는, 환자가 기형적 특징을 가질 가능성의 몇몇 표시를 제공할 수 있다. 예를 들어, 긍정적인 예들만이 가장 유사한 이전에 제공된 벡터들의 세트에 포함되면, 매우 높은 또는 최대 확률 점수가 결정된다(예를 들어, 100의 확률 점수). 부정적인 예들만이 포함되면, 가장 낮은 확률 점수가 결정된다(예를 들어, 1의 확률 점수). 긍정적인 및 부정적인 예들의 혼합이 포함되면, 확률 점수는 다수의 긍정적인 예들 및 다수의 부정적인 예들을 반영할 수 있다. 확률 점수는 다수의 긍정적인 및 부정적인 예들에 정비례하거나 하지 않을 수 있다. 예를 들어, 몇몇 실시예들에서, 긍정적인 예들의 임계 수가 얻어지면, 동일한 매우 높거나 최대의 확률 점수는 다수의 긍정적인 예들 또는 부정적인 예들에 관계없이 결정될 수 있다. 더욱이, 확률 점수는 긍정적인 값일 필요가 없다. 몇몇 실시예들에서, 확률 점수는 부정적인 점수일 수 있다. 더욱이, 모든 확률 점수는 100%까지 추가할 필요가 없다. 몇몇 실시예들에서, 확률 점수는 특정한 의학적 상태 또는 기형학의 기본적인 확률에 대해 대략 강세가 있는 임의의 실제 값의 점수일 수 있다.
몇몇 실시예들에서, 기형적 특징에 대한 확률 점수는 또한, 또는 대안적으로, 이전에 생성된 벡터들의 주어진 것에 대한 조합된 외형 벡터의 유사도에 기초하여 계산될 수 있다. 예를 들어, 동일한 수의 긍정적인 및 부정적인 예들이 검색되지만, 조합된 외형 벡터는 부정적인 예들과 연관된 이전에 생성된 벡터들보다 긍정적인 예들과 연관된 이전에 생성된 벡터들과 더 유사하면, 확률 점수는 비교적 높을 수 있다. 이와 대조적으로, 동일한 수의 긍정적인 및 부정적인 예들이 검색되지만, 조합된 외형 벡터는 긍정적인 예들과 연관된 이전에 생성된 벡터들보다 부정적인 예들과 연관된 이전에 생성된 벡터들과 더 유사하면, 확률 점수는 비교적 낮을 수 있다.
몇몇 실시예들에서, 프로세서(110)는 주어진 기형적 특징에 대한 하나 보다 많은 확률 점수를 계산할 수 있다. 예를 들어, 하나의 확률 점수는 모든 긍정적인 및 부정적인 예들을 동일하게 처리함으로써 결정될 수 있고, 다른 확률 점수는, 긍정적인 및 부정적인 예들에 대한 조합된 외형 벡터의 유사도를 고려하여 결정될 수 있다. 더욱이, 복수의 상이한 기형적 특징들에 대한 확률 점수는 동일하거나 실질적으로 동일한 방식으로 계산될 수 있다.
상기 고정된 셀 분석 설명이 기형적 특징을 언급하지만, 동일한 프로세스는 또한, 또는 대안적으로 하나 이상의 의학적 상태들에 대한 확률 점수를 결정하도록 수행될 수 있다. 예를 들어, 기형적 특징들에 대한 이전에 제공된 벡터들의 연관을 결정하기 보다, 프로세서(110)는 어떤 의학적 상태가 이전에 제공된 벡터들과 연관되는 지를 결정할 수 있다.
시프팅 패치 분석을 수행하기 위해, 프로세서(110)는 외부의 소프트 조직 이미지 정보 상에 복수의 밀집하게 이격되거나 중첩하는 패치들을 중첩하고, 각 복수의 패치들에 대한 설명자 벡터를 계산하고, 각 설명자 벡터를 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들에서의 유사한 영역으로부터의 이전에 생성된 벡터들과 비교하도록 구성될 수 있다.
도 24에 도시된 바와 같이, 외부의 소프트 조직 이미지 정보 상에 패치들을 중첩하기 위해, 프로세서(110)는 예를 들어, 선택적으로 가변 크기일 수 있는 다중의 밀집되게 이격되거나 중첩하는 패치들을 이미지 정보의 영역(예를 들어, 얼굴 영역) 상으로 중첩하도록 구성될 수 있다. 예를 들어, 제 1 크기의 정사각형 패치는 모든 가능한 위치에서(예를 들어, 정사각형 패치는, 패치가 모든 가능한 위치에 중첩될 때까지 모든 방향으로 하나의 픽셀만큼 시프트될 수 있다), 또는 가능한 위치들의 서브셋에서(예를 들어, 정사각형 패치는, 패치가 이미지 정보의 전체 영역에 걸쳐 중첩될 때까지 모든 방향으로 모든 방향으로 10개의 픽셀만큼 시프트될 수 있다) 이미지 정보의 영역 상에서 중첩될 수 있다. 몇몇 실시예들에서, 하나 이상의 상이한 크기의 정사각형 패치는 또한 이미지 정보의 영역 상에 중첩될 수 있다.
복수의 패치들 각각에 대한 설명자 벡터를 계산하기 위해, 프로세서(110)는 예를 들어, 스케일-변동 특징 변환(SIFT), 배향된 경사도의 히스토그램(HOG), 자가-유사성 설명자, 국부 이진 패턴의 히스토그램, 및 이미지 분석 및 컴퓨터 비젼에 사용된 임의의 다른 유형의 특징을 계산하도록 구성될 수 있다.
의학적 상태에 의해 영향을 받을 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들에서의 유사한 영역으로부터 이전에 생성된 벡터들과 각 설명자 벡터를 비교하기 위해, 프로세서(110)는 데이터베이스에 액세스하도록 구성될 수 있다. 예를 들어, 고정된 셀 분석에 대해 전술한 동일한 데이터베이스, 또는 유사한 데이터베이스는 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 개인들의 이미지들의 패치들에 대한 이전에 생성된 벡터들을 포함할 수 있다. 전술한 바와 같이, 환자 ID, 나이, 나이 그룹, 성별, 인종 그룹, 민족 그룹, 기형적 특징, 표현형 특징, 인체 측정적 측정들(제한 없이, 키, 무게, 머리 둘레, 얼굴 높이, 뼈 높이, 상부 얼굴 높이, 하부 얼굴 높이, 머리 길이, 머리 폭, 얼굴 폭, 마난디불라 폭, 전방 숨구멍 크기, 후방 숨구멍 크기, 내부 안각 거리, 외부 안각 거리, 안구내 거리, 눈 사이 거리, 눈꺼풀 틈 길이, 눈꺼풀 틈 높이, 눈꺼풀 틈의 경사도, 눈구멍 돌출부, 각막 치수들, 귀 길이, 귀 폭, 귀 돌출부, 귀 위치, 위 회전, 코 높이, 축주의 길이, 코 돌출부, 코 폭, 인중 길이, 인중 폭, 입 폭, ONC 각, 교합 차이, 및 턱 폭을 포함), 신체와 얼굴 랜드마크 사이의 상대 비율 및 비례, 알려진 진단, 의심스러운 진단, 변종 및/또는 유전학적 변이, 이미지의 소스, 통보된 동의, 포즈, 예시, 이미지의 품질, 인상 유형, 및 코호트(cohort)와이 연관(예를 들어, 의학적 상태에 의해 영향을 받는 것으로 알려진 개인들의 그룹의 부분 또는 의학적 상태에 의해 영향을 받지 않는 것으로 알려진 개인들의 제어 그룹의 부분) 중 하나 이상에 의해 주석이 달릴 수 있다. 데이터베이스는 또한 예를 들어, 가족 일원(예를 들어, 형제, 부모, 자식, 사촌 등)인 데이터베이스에서의 개인들에 관한 데이터를 링크함으로써, 및/또는 개인에 대한 의학적 상태 또는 기형적 특징에 의해 영향을 받는 데이터베이스에서의 다른 가족 일원들(모측으로부터의 할머니의 자매)의 관계를 나타냄으로써 주석이 달릴 수 있다.
프로세서(110)는 이미지 정보의 패치들과 연관된 설명자 벡터들 중 하나 이상을 데이터베이스에서의 이전에 생성된 벡터들과 비교할 수 있다. 비교는 데이터베이스와 연관된 서버에서 발생할 수 있거나, 예를 들어, 데이터베이스로부터 검색된 정보를 이용하여 프로세서(110)에 의해 직접 발생할 수 있다. 비교시 사용된 이전에 생성된 벡터들은 하나 이상의 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들 및 제어 그룹에서의 다른 개인들의 외부의 소프트 조직 이미지들에서의 설명자 벡터와 유사한 영역으로부터 나올 수 있다. 유사한 영역은 예를 들어, 동일하거나 실질적으로 동일한 방향으로 얼굴의 무게 중심으로부터 동일하거나, 실질적으로 동일한 거리인 데이터베이스에서의 이미지 정보에서의 패치를 포함할 수 있다. 유사한 영역은, 또한 예를 들어, 환자의 이미지 정보와 연관된 각 설명자 벡터와 연관된 패치와 동일한 기관 또는 유형의 영역과 연관되는 데이터베이스에서의 이미지 정보에서의 패치를 포함할 수 있다. 예를 들어, 환자의 이미지 정보의 특정 패치와 연관된 설명자 벡터가 코 영역 내에 있으면, 설명자 벡터는 또한 코 영역과 연관된 데이터베이스에서의 하나 이상의 설명자 벡터들에 비교될 수 있다. 몇몇 실시예들에서, 특정 기관 또는 유형의 영역의 무게 중심 및/또는 이미지 정보의 얼굴 영역의 무게 중심으로부터 비교적 멀리 있지 않은 무게 중심 장소를 가리키는 데이터베이스에서의 패치들만이 고려된다.
몇몇 실시예들에서, 설명자 벡터는 공통적인 하나 이상의 주석들과 연관되는 이전에 생성된 벡터들에 비교될 수 있다. 예를 들어, 비교시 사용된 이전에 생성된 벡터들은, 동일한 나이, 성별 및 무게의 개인들과 연관된 이미지들로부터 유도된다는 것을 나타내는 주석과 연관될 수 있다. 추가로 또는 대안적으로, 비교시 사용된 이전에 생성된 벡터들은 의심스러운 기형적 특징 및/또는 의심스러운 의학적 상태와 연관될 수 있다. 즉, 예를 들어, 이전에 생서된 벡터들은 기형적 특징에 의해 영향을 받은 개인들, 기형적 특징에 대한 제어 그룹에서의 개인들, 의학적 상태에 의해 영향을 받은 개인들, 및 의학적 상태에 대한 제어 그룹에서의 개인들 중 하나 이상과 연관될 수 있다.
데이터베이스에서의 가장 유사한 이전에 생성된 벡터들(예를 들어, 25개의 가장 유사한 이전에 생성된 벡터들)의 세트와 연관된 데이터가 결정될 수 있다. 예를 들어, 프로세스(110)는 가장 유사한 이전에 생성된 벡터들(예를 들어, 25개의 가장 짧은 계산된 거리와 연관된 25개의 이전에 생성된 벡터가 선택될 수 있다)의 세트를 결정하기 위해 데이터베이스에서의 이전에 생성된 벡터들과 각 설명자 벡터 사이에서 유클리드 거리, 세비세브 거리, 치-스퀘어 거리, 및 마할라노비스 거리 중 하나 이상을 계산하도록 구성될 수 있다. 각 설명자 벡터에 대한 가장 유사한 이전에 생성된 벡터의 세트와 연관된 데이터가 결정될 수도 있다. 데이터는, 예컨데 가장 유사한 이전에 생성된 벡터의 세트와 연관된 하나 이상의 의학적 상태 및/또는 하나 이상의 기형적 특징을 포함할 수도 있다.
가장 유사한 이전에 생성된 벡터의 세트는, 많은 이전에 생성된 벡터가 특정한 기형적 특징의 긍정적인 예와 어떻게 연관되는지(즉, 기형적 특징을 갖는 것으로 알려진 개인과 연관된 이전에 생성된 벡터), 그리고 많은 이전에 생성된 벡터가 특정한 기형적 특징의 부정적인 예와 어떻게 연관되는지(즉, 기형적 특징을 갖지 않는 것으로 알려진 개인과 연관된 이전에 생성된 벡터)를 결정하기 위해 분석{예를 들어, 데이터베이스와 연관된 서버 또는 프로세서(110)}될 수 있다. 다수의 긍정적인 예들 및 다수의 부정적인 예들에 기초하여, 확률 점수는 기형적 특징에 대해 결정될 수 있다. 예를 들어, 긍정적인 예들만이 가장 유사한 이전에 제공된 벡터들의 세트에 포함되면, 매우 높은 또는 최대 확률 점수가 결정된다(예를 들어, 100의 확률 점수). 예를 들어, 부정적인 예들만이 포함되면, 가장 낮은 확률 점수가 결정된다(예를 들어, 1의 확률 점수). 긍정적인 및 부정적인 예들의 혼합이 결정되면, 확률 점수는 다수의 긍정적인 예들 및 다수의 부정적인 예들을 반영할 수 있다. 하지만, 확률 점수는 다수의 긍정적인 및 부정적인 예들에 정비례하거나 하지 않을 수 있다. 예를 들어, 긍정적인 예들의 임계 수가 얻어지면, 몇몇 실시예들에서, 긍정적인 예들만이 발견된 것처럼 동일한 매우 높거나 최대의 확률 점수가 결정될 수 있다.
몇몇 실시예들에서, 기형적 특징에 대한 확률 점수는 또한, 또는 대안적으로, 이전에 생성된 벡터들의 주어진 것에 대한 조합된 외형 벡터의 유사도에 기초하여 계산될 수 있다. 예를 들어, 동일한 수의 긍정적인 및 부정적인 예들이 검색되지만, 조합된 외형 벡터는 부정적인 예들과 연관된 이전에 생성된 벡터들보다 긍정적인 예들과 연관된 이전에 생성된 벡터들과 더 유사하면, 확률 점수는 비교적 높을 수 있다. 이와 대조적으로, 동일한 수의 긍정적인 및 부정적인 예들이 검색되지만, 조합된 외형 벡터는 긍정적인 예들과 연관된 이전에 생성된 벡터들보다 부정적인 예들과 연관된 이전에 생성된 벡터들과 더 유사하면, 확률 점수는 비교적 낮을 수 있다. 따라서, 하나보다 많은 확률 점수는 주어진 기형적 특징에 대해 계산될 수 있다. 더욱이, 복수의 상이한 기형적 특징들에 대한 확률 점수는 동일하거나 실질적으로 동일한 방식으로 계산될 수 있다.
몇몇 실시예들에서, 기형적 특징에 대한 확률 점수는, 설명자 벡터와 연관된 패치와 연관된 무게 중심이 특정한 이전에 생성된 벡터와 연관된 패치와 연관된 무게 중심에 대응하는 정도에 의존할 수 있다. 예를 들어, 환자의 얼굴의 무게 중심은 설명자 벡터와 연관된 패치로부터 제 1 거리 및 방향일 수 있고, 이전에 제공된 이미지에서의 얼굴의 무게 중심은 특정한 이전에 생성된 벡터와 연관된 패치로부터 제 2 거리 및 방향일 수 있다. 특정한 이전에 생성된 벡터와 연관된 데이터(예를 들어, 기형적 특징의 긍정적인 또는 부정적인 예로부터 나오는 지의 여부에 상관없이)는 2개의 거리 및 방향이 대응하는 정도에 기초하여 확률 점수에 약간의 중요성을 가질 수 있다.
상기 시프팅 패치 분석 설계가 기형적 특징을 언급하지만, 동일한 프로세스는 또한 대안적으로 하나 이상의 의학적 상태들에 대한 확률 점수를 결정하도록 수행될 수 있다. 예를 들어, 기형적 특징들에 대한 이전에 제공된 벡터들의 연관을 결정하기 보다, 프로세서(110)는 어떤 의학적 상태가 이전에 제공된 벡터들과 연관되는 지를 결정할 수 있다.
상대 측정 분석을 수행하기 위해, 프로세서(110)는 외부의 소프트 조직 이미지 정보 내의 복수의 장소들 사이의 복수의 상대 측정들을 계산하고, 복수의 측정들에 대한 벡터를 생성하기 위해 복수의 측정들을 집합시키고, 벡터를 의학적 상태에 의해 영향을 받도록 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들로부터의 이전에 생서된 벡터들을 비교하도록 구성될 수 있다.
외부의 소프트 조직 이미지 정보 내의 복수의 장소들 사이의 복수의 상대 측정들을 계산하기 위해, 프로세서(110)는 외부의 소프트 조직 이미지 정보에서의 복수의 특징 포인트들을 검출하도록 구성될 수 있다. 예를 들어, 도 25에 도시된 바와 같이, 이미지 정보의 얼굴 영역에서의 복수의 포인트들은 예를 들어, 이미지 정보의 눈 영역들, 이마 영역, 코 영역, 입 영역, 및 턱 영역을 둘러싸는 하나 이상의 포인트들을 포함하면서, 검출될 수 있다. 이들 특징 포인트들은 예를 들어 전술한 동작들을 이용하여 검출될 수 있다.
특징 포인트들을 이용하여, 복수의 상대 측정들이 계산될 수 있다. 복수의 상대 측정들은 예를 들어, 특징 포인트들 사이의 하나 이상의 거리, 특징 포인트들의 세트들에 의해 형성된 각도들, 특징 포인트들의 세트들에 의해 형성된 영역의 크기, 특징 포인트들의 세트들에 의해 한정된 형태들, 거리, 각도 및 크기의 세트들에 의해 확립된 비율, 및 검출된 특징 포인트들을 이용하여 수행될 수 있는 임의의 다른 상대 측정들을 포함할 수 있다. 다른 상대 측정들은 예를 들어, 그 전체가 참고용으로 본 명세서에 병합되는, Hall 등의 옥스포드 대학 출판부, 2009, 제 2판, "Handbook of normal physical measurements,"에 개시된 임의의 측정들을 포함할 수 있다.
복수의 측정들에 대한 벡터를 생성하기 위해 복수의 측정들을 집합시키기 위해, 프로세서(110)는 계산된 상대 측정들의 하나 이상을 포함하는 벡터를 생성하도록 구성될 수 있다. 예를 들어, 각 상대 측정들은 단일 벡터에 집합될 수 있거나, 특정 유형(예를 들어, 거리 측정에 관련된 상대 측정)의 상대 측정 각각은 벡터에 집합될 수 있다.
의학적 상태에 의해 영향을 받을 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들에서의 유사한 영역으로부터 이전에 생성된 벡터들과 각 설명자 벡터를 비교하기 위해, 프로세서(110)는 데이터베이스에 액세스하도록 구성될 수 있다. 예를 들어, 고정된 셀 분석에 대해 전술한 동일한 데이터베이스, 또는 유사한 데이터베이스는 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 개인들의 이미지들의 패치들에 대한 이전에 생성된 벡터들을 포함할 수 있다. 전술한 바와 같이, 환자 ID, 나이, 나이 그룹, 성별, 인종 그룹, 민족 그룹, 기형적 특징, 표현형 특징, 인체 측정적 측정들(제한 없이, 키, 무게, 머리 둘레, 얼굴 높이, 뼈 높이, 상부 얼굴 높이, 하부 얼굴 높이, 머리 길이, 머리 폭, 얼굴 폭, 마난디불라 폭, 전방 숨구멍 크기, 후방 숨구멍 크기, 내부 안각 거리, 외부 안각 거리, 안구내 거리, 눈 사이 거리, 눈꺼풀 틈 길이, 눈꺼풀 틈 높이, 눈꺼풀 틈의 경사도, 눈구멍 돌출부, 각막 치수들, 귀 길이, 귀 폭, 귀 돌출부, 귀 위치, 위 회전, 코 높이, 축주의 길이, 코 돌출부, 코 폭, 인중 길이, 인중 폭, 입 폭, ONC 각, 교합 차이, 및 턱 폭을 포함), 신체와 얼굴 랜드마크 사이의 상대 비율 및 비례, 알려진 진단, 의심스러운 진단, 변종 및/또는 유전학적 변이, 이미지의 소스, 통보된 동의, 포즈, 예시, 이미지의 품질, 인상 유형, 및 코호트와 연관(예를 들어, 의학적 상태에 의해 영향을 받는 것으로 알려진 개인들의 그룹의 부분 또는 의학적 상태에 의해 영향을 받지 않는 것으로 알려진 개인들의 제어 그룹의 부분) 중 하나 이상에 의해 주석이 달릴 수 있다. 데이터베이스는 또한 예를 들어, 가족 일원(예를 들어, 형제, 부모, 자식, 사촌 등)인 데이터베이스에서의 개인들에 관한 데이터를 링크함으로써, 및/또는 개인에 대한 의학적 상태 또는 기형적 특징에 의해 영향을 받는 데이터베이스에서의 다른 가족 일원들(모측으로부터의 할머니의 자매)의 관계를 나타냄으로써 주석이 달릴 수 있다.
프로세서(110)는 이미지 정보의 패치들과 연관된 설명자 벡터들 중 하나 이상을 데이터베이스에서의 이전에 생성된 벡터들과 비교할 수 있다. 비교는 데이터베이스와 연관된 서버에서 발생할 수 있거나, 예를 들어, 데이터베이스로부터 검색된 정보를 이용하여 프로세서(110)에 의해 직접 발생할 수 있다.
몇몇 실시예들에서, 비교시 사용된 이전에 생성된 벡터들은 공통적인 하나 이상의 주석들과 연관된다. 예를 들어, 이전에 생성된 벡터들은 환자와 동일한 나이, 성별 및 인종의 개인들과 연관된 이미지들로부터 유도된다는 것을 나타내는 주석과 연관될 수 있다. 추가로 또는 대안적으로, 비교시 사용된 이전에 생성된 벡터들은 환자의 의심스러운 기형적 특징 및/또는 의심스러운 의학적 상태와 연관될 수 있다. 즉, 예를 들어, 이전에 생성된 벡터들은 기형적 특징에 의해 영향을 받은 개인들, 기형적 특징에 대한 제어 그룹에서의 개인들, 의학적 상태에 의해 영향을 받은 개인들, 및 의학적 상태에 대한 제어 그룹에서의 개인들 중 하나 이상과 연관될 수 있다.
가장 유사한 이전에 생성된 벡터들(예를 들어, 25개의 가장 유사한 이전에 생성된 벡터들)의 세트와 연관된 데이터가 결정될 수 있다. 예를 들어, 프로세서(110)는 가장 유사한 이전에 생성된 벡터들(예를 들어, 25개의 가장 짧은 계산된 거리와 연관된 25개의 이전에 생성된 벡터가 선택될 수 있다)의 세트를 결정하기 위해 데이터베이스에서의 이전에 생성된 벡터들과 조합된 외형 벡터 사이에서 유클리드 거리, 세비세브 거리, 치-스퀘어 거리, 및 마할라노비스 거리 중 하나 이상을 계산하도록 구성될 수 있다. 가장 유사한 이전에 생성된 벡터들의 세트와 연관된데이터는 예를 들어, 가장 유사한 이전에 생성된 벡터들의 세트와 연관된 하나 이상의 기형적 특징들 및/또는 하나 이상의 의학적 상태들을 포함할 수 있다. 예를 들어, 상대 측정들의 각 집합된 벡터에 대해, 가장 유사한 이전에 생성된 벡터들의 미리 한정된 수와 연관된 하나 이상의 기형적 특징들이 결정될 수 있다. 추가로 또는 대안적으로, 상대 측정들의 각 집합된 벡터에 대해, 가장 유사한 이전에 생성된 벡터들의 미리 한정된 수와 연관된 하나 이상의 의학적 상태들이 결정될 수 있다.
가장 유사한 이전에 생성된 벡터의 세트는, 많은 이전에 생성된 벡터가 특정한 기형적 특징의 긍정적인 예와 어떻게 연관되는지(즉, 기형적 특징을 갖는 것으로 알려진 개인과 연관된 이전에 생성된 벡터), 그리고 많은 이전에 생성된 벡터가 특정한 기형적 특징의 부정적인 예와 어떻게 연관되는지(즉, 기형적 특징을 갖지 않는 것으로 알려진 개인과 연관된 이전에 생성된 벡터)를 결정하기 위해 분석{예를 들어, 데이터베이스와 연관된 서버 또는 프로세서(110)}될 수 있다. 다수의 긍정적인 예들 및 다수의 부정적인 예들에 기초하여, 확률 점수는 기형적 특징에 대해 결정될 수 있다. 예를 들어, 긍정적인 예들만이 가장 유사한 이전에 제공된 벡터들의 세트에 포함되면, 매우 높은 또는 최대 확률 점수가 결정된다(예를 들어, 100의 확률 점수). 예를 들어, 부정적인 예들만이 포함되면, 가장 낮은 확률 점수가 결정된다(예를 들어, 1의 확률 점수). 긍정적인 및 부정적인 예들의 혼합이 결정되면, 확률 점수는 다수의 긍정적인 예들 및 다수의 부정적인 예들을 반영할 수 있다. 하지만, 확률 점수는 다수의 긍정적인 및 부정적인 예들에 정비례하거나 하지 않을 수 있다. 예를 들어, 긍정적인 예들의 임계 수가 얻어지면, 몇몇 실시예들에서, 긍정적인 예들만이 발견된 것처럼 동일한 매우 높거나 최대의 확률 점수가 결정될 수 있다.
몇몇 실시예들에서, 기형적 특징에 대한 확률 점수는 또한, 또는 대안적으로, 이전에 생성된 벡터들의 주어진 것에 대한 조합된 외형 벡터의 유사도에 기초하여 계산될 수 있다. 예를 들어, 동일한 수의 긍정적인 및 부정적인 예들이 검색되지만, 조합된 외형 벡터는 부정적인 예들과 연관된 이전에 생성된 벡터들보다 긍정적인 예들과 연관된 이전에 생성된 벡터들과 더 유사하면, 확률 점수는 비교적 높을 수 있다. 이와 대조적으로, 동일한 수의 긍정적인 및 부정적인 예들이 검색되지만, 조합된 외형 벡터는 긍정적인 예들과 연관된 이전에 생성된 벡터들보다 부정적인 예들과 연관된 이전에 생성된 벡터들과 더 유사하면, 확률 점수는 비교적 낮을 수 있다. 따라서, 하나보다 많은 확률 점수는 주어진 기형적 특징에 대해 계산될 수 있다. 더욱이, 복수의 상이한 기형적 특징들에 대한 확률 점수는 동일하거나 실질적으로 동일한 방식으로 계산될 수 있다.
몇몇 실시예들에서, 이전에 생성된 벡터들에 대한 비교는 직접 비교가 아닐 수 있다. 예를 들어, 이전에 생성된 벡터들은 인구에서의 다양한 상대 측정들에 관한 백분율을 결정하도록 분석될 수 있다. 프로세서(110)는, 상대 측정들이 집합된 벡터에서의 다양한 상대 측정들이 특정한 인구에서 어디에 있는 지를 결정할 수 있다. 프로세서(110)는 예를 들어, 인구에서의 환자의 특정한 기형적 특징의 백분위수를 결정할 수 있다(예를 들어, 얼굴 특징의 길이는 인구에 비교된다). 인구는 일반적인 인구일 수 있거나, 예를 들어, 환자의 양상(예를 들어, 환자의 나이, 성별, 인종 등)에 의해 한정된 몇몇 서브셋일 수 있다. 백분위수에 기초하여, 프로세서(110)는, 환자가 기형적 특징을 나타낼 가능성이 있고 기형적 특징의 확률 점수를 결정할 지의 여부를 결정할 수 있다. 프로세서(110)는 또한 또는 대안적으로 기형적 특징과 연관된 엄격함 점수를 결정하도록 구성될 수 있다. 예를 들어, 프로세서(110)가, 환자가 기형적 특징을 나타낼 가능성이 있다는 것을 결정하면, 환자와 연관된 결정된 백분위수에 기초하여 엄격함 점수에 대한 결정이 이루어질 수 있다.
간접적인 비교의 다른 예로서, 몇몇 실시예들에서, 하나 이상의 기형적 특징들은 하나 이상의 상대 측정들에 의해 직접 한정될 수 있다. 예를 들어, 이전에 생성된 벡터의 분석은, 삼각형 얼굴의 기형적 특징 또는 상향-경사 눈의 기형적 특징이 특징 포인트들의 세트에 의해 한정된 각도들의 하나 이상의 각도들 또는 범위들에 의해 한정될 수 있는 지를 증명할 수 있다. 따라서, 프로세서(110)는 예를 들어, 한정된 기형적 특징과 상대 측정들의 집합된 벡터를 비교할 수 있다. 확률 점수는 상대 측정들의 집합된 벡터가 한정된 기형적 특징을 측정하는 지의 여부 및/또는 상대 측정들의 집합된 벡터가 한정된 기형적 특징을 충족하는 정도에 기초하여 결정될 수 있다. 프로세서(110)는 또한 또는 대안적으로 기형적 특징과 연관된 엄격함 점수를 결정하도록 구성될 수 있다. 예를 들어, 프로세서(110)가, 환자가 기형적 특징을 나타낼 가능성이 있다는 것을 결정하면, 상대 측정들의 집합된 벡터가 한정된 기형적 특징을 충족하는 정도에 기초하여 엄격함 점수에 대한 결정이 이루어질 수 있다. 상대 측정들을 이용하여 결정된 확률 점수 및/또는 엄격함 점수는 공식화 절차에 기초하여 결정될 수 있다. 예를 들어, 몇몇 실시예들에서, 입-관련 측정들의 길이는 얼굴이 폭에 기초하여 공식화될 수 있다. 공식화 측정들은 한정된 기형적 특징을 이용하여 분석될 수 있다.
상기 상대 측정 분석 설명이 기형적 특징들을 언급하지만, 동일한 프로세스는 또한 또는 대안적으로 하나 이상의 의학적 상태들에 대한 확률 점수를 결정하도록 수행될 수 있다. 예를 들어, 기형적 특징에 대한 이전에 생성된 벡터들의 연관을 결정하기 보다, 프로세서(110)는, 어떤 의학적 상태들이 이전에 생성된 벡터들과 연관되는 지를 결정할 수 있다.
도 26은 상대 측정 분석에 사용될 수 있는 3개의 기술 각각의 예를 도시한다. 예를 들어, 특징 포인트들의 기하학적 위치는 정사각형 얼굴의 기형적 특징을 한정할 수 있다. 인중 길이 분포 곡선 상의 장소는 환자가 짧은 인중을 갖는다는 것을 주장할 수 있다. 상대 측정들의 집합된 벡터는 짧은 코의 2개의 긍정적인 예들 및 짧은 코의 하나의 부정적인 예와 가장 유사할 수 있다.
프로세서(110)는 적어도 부분적으로 제 1 평가에 기초하여 제 1 평가 결과 정보를 생성하도록 구성될 수 있다(단계 230). 프로세서(110)는 제 1 평가 결과를 생성하기 위해 제 1 평가로부터 유도된 데이터를 이용할 수 있다. 예를 들어, 전술한 바와 같이, 하나 이상의 기형적 특징들 및/또는 하나 이상의 의학적 상태들에 대한 하나 이상의 확률 점수는 제 1 평가에서 결정될 수 있다. 임의의 특정한 기형적 특징 및/또는 임의의 특정한 의학적 상태에 대한 복수의 확률 점수가 제 1 평가에서 결정되면, 특정한 기형적 특징 및/또는 특정한 의학적 상태에 대한 확률 점수가 조합될 수 있다. 일례로, 확률 점수의 평균이 결정될 수 있다. 다른 예로서, 특정한 기형적 특징 및/또는 특정한 의학적 상태들의 복수의 확률 점수는 특정한 기형적 특징 및/또는 특정한 의학적 상태에 기여된 다른 확률 점수를 출력하도록 교정되는 분류기에 입력될 수 있다. 예를 들어, 분류기는 확률 점수의 수신된 세트에 기초하여 특정한 기형적 특징 및/또는 특정한 의학적 상태의 단일 확률 점수 및/또는 엄격함 점수를 결정하기 위해 의학적 상태의 긍정적인 및 부정적인 예들로 트레이닝될 수 있다. 몇몇 실시예들에서, 분류기는 또한 또는 대안적으로 의학적 상태에 대한 확률 점수를 결정하기 위해 엄격함 점수의 세트를 수신하도록 구성될 수 있다.
프로세서(110)는 고정된 셀 분석, 시프팅된 패치 분석, 및 상대 측정 분석 중 적어도 하나를 이용하여 외부의 소프트 조직 이미지 정보의 제 2 평가를 수행하도록 구성될 수 있다(단계 240). 예를 들어, 제 1 평가가 고정된 셀 분석을 포함하면, 시프팅 패치 분석 또는 상대 측정 분석은 제 2 평가로서 수행될 수 있다. 제 1 평가가 시프팅 패치 분석을 포함하면, 고정된 셀 분석 또는 상대 측정 분석이 수행될 수 있다. 제 1 평가가 상대 측정 분석을 포함하면, 고정된 셀 분석 또는 시프팅 패치 분석은 제 2 평가로서 수행될 수 있다. 고정된 셀 분석, 시프팅 패치 분석, 및 상대 측정 분석은 단계(220)에 대해 전술한 것과 동일하거나 실질적으로 동일한 방식으로 수행될 수 있다.
몇몇 실시예들에서, 제 1 평가 및 제 2 평가는 동일한 일반적인 유형(예를 들어, 양쪽 모두 고정된 셀 분석일 수 있고, 양쪽 모두 시프팅 패치 분석일 수 있고, 또는 양쪽 모두 상대 측정 분석일 수 있다)일 수 있다. 그러한 실시예들에서, 평가들 중 하나는 예를 들어, 하나 이상의 기형적 특징들과 연관된 하나 이상의 확률 점수를 초래할 수 있는 반면, 평가들 중 다른 것은 예를 들어, 하나 이상의 의학적 상태들과 연관된 하나 이상의 확률 점수를 초래할 수 있다. 마찬가지로, 분석의 일반적인 유형들이 상이하더라도, 평가들 중 하나는 예를 들어 하나 이상이 기형적 특징과 연관된 하나 이상의 확률 점수를 초래할 수 있는 반면, 평가들 중 다른 것이 예를 들어 하나 이상의 의학적 상태들과 연관된 하나 이상의 확률 점수를 초래할 수 있다.
프로세서(110)는 적어도 부분적으로 제 2 평가에 기초하여 제 2 평가 결과 정보를 생성하도록 구성될 수 있다(단계 250). 프로세서(110)는 제 2 평가 결과를 생성하기 위해 제 2 평가로부터 유도된 데이터를 이용할 수 있다. 예를 들어, 하나 이상의 기형적 특징들 및/또는 하나 이상의 의학적 상태들에 대한 하나 이상의 확률 점수 및/또는 엄격함 점수는 하나 이상의 특정한 기형적 특징들 및/또는 의학적 상태들과 연관된 단일 확률 점수를 생성하기 위해 하나 이상의 분류기들을 이용하여 조합되는 제 2 평가에서 결정될 수 있다.
프로세서(110)는 적어도 부분적으로 제 1 평가 결과 및 제 2 평가 결과 정보에 기초하여 환자가 의학적 상태에 의해 영향을 받을 가능성을 예상하도록 구성될 수 있다(단계 260). 예를 들어, 제 1 평가 결과 정보가 하나 이상의 기형적 특징들과 연관된 하나 이상의 확률 점수를 포함하고, 제 2 평과 결과 정보가 하나 이상의 기형적 특징들과 연관된 하나 이상의 확률 점수를 포함하면, 프로세서(110)는 가능성을 결정하기 위해 정보를 분석하도록 구성될 수 있다. 대안적으로, 예를 들어, 제 1 평가 결과 정보가 하나 이상의 의학적 상태들과 연관된 하나 이상의 확률 점수를 포함하고, 제 2 평가 결과 정보가 하나 이상의 의학적 상태들과 연관된 하나 이상의 확률 점수를 포함하면, 프로세서(110)는 가능성을 결정하기 위해 정보를 분석하도록 구성될 수 있다. 대안적으로, 예를 들어, 제 1 평가 결과 정보가 하나 이상의 의학적 상태들과 연관된 하나 이상의 확률 점수를 포함하고, 제 2 평가 결과 정보가 하나 이상의 기형적 특징들과 연관된 하나 이상의 확률 점수를 포함하면, 프로세서(110)는 가능성을 결정하기 위해 정보를 분석하도록 구성될 수 있다. 마찬가지로, 예를 들어, 제 1 평가 결과 정보가 하나 이상의 기형적 상태들과 연관된 하나 이상의 확률 점수를 포함하고, 제 2 평가 결과 정보가 하나 이상의 의학적 상태들과 연관된 하나 이상의 확률 점수를 포함하면, 프로세서(110)는 가능성을 결정하기 위해 정보를 분석하도록 구성될 수 있다.
양쪽의 평가들이 기형적 특징들의 세트에 대한 확률 점수의 세트를 복귀시키면, 기형적 특징들의 세트에 대한 확률 점수의 세트는 특정한 의학적 상태들에 기여된 확률 점수를 출력하도록 교정되는 트레이닝된 분류기에 입력될 수 있다. 예를 들어, 분류기는 특정한 의학적 상태의 확률 점수를 결정하기 위해 의학적 상태의 긍정적인 및 부정적인 예들로 트레이닝될 수 있다.
양쪽의 평가들이 의학적 상태들의 세트에 대한 확률 점수의 세트를 복귀시키면, 특정한 의학적 상태들의 세트에 대한 확률 점수의 세트는 특정한 기형적 특징들에 기여된 확률 점수를 출력하도록 교정되는 트레이닝된 분류기에 입력될 수 있다. 예를 들어, 분류기는 특정한 의학적 상태의 확률 점수를 결정하기 위해 긍정적인 및 부정적인 예들로 트레이닝될 수 있다. 이러한 방식으로, 의학적 상태 가능성을 생성한 개별적인 평가들 중 임의의 하나보다 더 정밀한 의학적 상태 확률 점수가 결정될 수 있다.
평가들 중 하나가 기형적 특징들의 세트에 대한 확률 점수들의 세트로 복귀시키고 평가들 중 다른 것이 의학적 상태들의 세트에 대한 확률 점수의 세트를 복귀시키면, 하나의 평가로부터의 기형적 특징들의 세트에 대한 확률 점수의 세트, 및 다른 평가로부터의 특정한 의학적 상태들에 대한 확률 점수의 세트는 특정한 기형적 특징들에 기여된 다른 확률 점수를 출력하도록 교정되는 트레이닝된 분류기에 입력될 수 있다. 예를 들어, 분류기는 특정한 의학적 상태의 확률 점수를 결정하기 위해 긍정적인 및 부정적인 예들로 트레이닝될 수 있다.
몇몇 실시예들에서, 환자가 의학적 상태에 의해 영향을 받을 가능성의 초기 결정이 다시 한정될 수 있다. 예를 들어, 복수의 의학적 상태들의 가능성은 초기에 결정될 수 있다. 그런 후에, 하나 이상의 의학적 상태들의 다시 한정된 가능성은 다른 가능성들에 기초하여 결정될 수 있다. 예를 들어, 2개의 의학적 상태들이 일반적으로 함께 발생하도록 관련되면, 하나의 의학적 상태에 대한 낮은 확률 점수는 감소될 수 있고, 그렇지 않으면 다른 의학적 상태에 대한 높은 확률 점수가 감소된다. 유사하게, 2개의 의학적 상태들이 일반적으로 함께 발생하지 않도록 관련되면, 양쪽의 의학적 상태에 대한 높은 확률 점수는 양쪽의 확률이 감소되도록 할 수 있다. 더욱이, 예를 들어, 의학적 상태들의 세트가 높은 확률 점수를 갖도록 초기에 결정되지만, 공통적으로 다른 의학적 상태에 대해 오진단되는 것으로 알려지면, 세트에서의 각 의학적 상태의 확률 점수는 감소될 수 있고, 다른 의학적 상태의 확률 점수는 증가할 수 있다.
프로세서(110)는 의학적 상태의 가능성을 결정할 때 다른 데이터를 고려하도록 구성될 수 있다. 예를 들어, 2개보다 많은 평가들이 전술한 제 1 및 제2 평가들과 실질적으로 동일한 방식으로 수행될 수 있다. 프로세서(110)는 전술한 기술을 이용하여 추가 평가들을 분석하도록 구성될 수 있다. 더욱이, 환자와 연관된 특징들은 다른 소스들로부터 결정될 수 있다. 예를 들어, 의사는 예를 들어, 환자가 비교되는(예를 들어, 환자는 의사에 의해 제공된 하나 이상의 특징들을 공유하는 다른 개인들에 대해 비교될 수 있다) 데이터베이스에서의 이미지들을 한정하기 위해 사용되는 환자의 하나 이상의 알려진 특징들(예를 들어, 기형적 특징들, 생체 정보, 인구학적 정보 등)을 제공(예를 들어, 표시 또는 유형)할 수 있다.
도 3은, 프로세서(110)가 수행하도록 구성될 수 있는 예시적인 프로세스(300)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(300)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(300)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 310). 프로세서(110)는 예를 들어, 전술한 바와 같이 단계(210)와 동일한 방식으로 단계(310)를 수행하도록 구성될 수 있다.
프로세서(110)는 외부의 소프트 조직 이미지 정보를 복수의 영역들로 분리하도록 구성될 수 있다(단계 320). 예를 들어, 프로세서(110)는 외부의 소프트 조직 이미지 정보의 이마 영역, 외부의 소프트 조직 이미지 정보의 눈 주위 영역, 외부의 소프트 조직 이미지 정보의 코 영역, 외부의 소프트 조직 이미지 정보의 중간-얼굴 영역, 외부의 소프트 조직 이미지 정보의 귀 영역, 외부의 소프트 조직 이미지 정보의 입 영역 중 적어도 하나를 처리하도록 구성될 수 있고, 외부의 소프트 조직 이미지 정보의 적어도 하나의 다른 영역을 디스카운트하도록 구성될 수 있다. 외부의 소프트 조직 이미지에서의 특정한 영역들은 예를 들어, 전술한 임의의 기술에 따라 한정될 수 있다. 예를 들어, 도 23b에 도시된 바와 같이, 작은 그리드는 외부의 소프트 조직 이미지 정보의 코 영역에 적용될 수 있다. 코 영역 주위의 영역들은 예를 들어, 이들에 적용된 작은 그리드를 갖지 않음으로써 디스카운트될 수 있다.
더욱이, 환자의 얼굴과 연관된 영역들이 디스카운트되지만, 다른 영역들도 처리될 수 있다. 예를 들어, 외부의 소프트 조직 이미지 정보는 또한, 또는 대안적으로 귀 영역을 포함하는 환자의 측면 뷰를 포함할 수 있다. 도 27은 복수의 영역들로 추가로 분리되는 귀 영역의 예를 도시한다.
프로세서(110)는 각 복수의 영역들의 분석을 생성하도록 구성될 수 있다(단계 330). 예를 들어, 각 영역 내에서, 고정된 셀 분석 및 시프팅 패치 분석의 적어도 하나가 수행될 수 있다. 고정된 셀 분석 및 시프팅 패치 분석은 단계(220)에 대해 전술한 방식으로 수행될 수 있다. 전술한 바와 같이, 프로세서(110)는 각 복수의 영역들에 대한 설명자를 계산하도록 구성될 수 있다. 설명자는 예를 ㄷㄹ어, 고정된 셀 분석이 수행되는 경우 조합된 외형 벡터와, 시프팅 패치 분석이 수행되는 경우 설명자 벡터의 적어도 하나를 포함할 수 있다.
전술한 바와 같이, 프로세서(110)는 의학적 상태에 의해 영향을 받는 것으로 알려진 개인들의 이미지들로부터 유도된 데이터와 복수의 영역들을 비교하도록 구성될 수 있다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들이 추가 외부의 소프트 조직 이미지들로부터 이전에 생성된 설명자들과 그 설명자를 비교하도록 구성될 수 있다. 비교에 기초하여, 각 영역에 대해, 하나 이상의 기형적 특징들 및/또는 하나 이상의 의학적 상태들과 연관된 하나 이상의 확률 점수가 결정될 수 있다.
프로세서(110)는 복수의 영역들이 분석을 집합시키도록 구성될 수 있다(단계 340). 예를 들어, 코 영역의 분석은 코 영역과 연관된 기형적 특징들 및/또는 의학적 상태들에 관한 확률 점수의 제 1 세트를 초래할 수 있고, 귀 영역의 분석은 귀 영역과 연관된 기형적 특징들 및/또는 의학적 상태들에 관한 확률 점수의 제 2 세트를 초래할 수 있다. 확률 점수는 예를 들어, 전술한 기술을 이용하여 생성될 수 있다. 몇몇 실시예들에서, 확률 점수의 일부는 확률 점수를 조합함으로써 집합될 수 있다. 예를 들어, 특정한 기형적 특징들 및/또는 의학적 상태들은 코 영역 및 귀 영역 모두와 연관될 수 있다. 코 영역으로부터 결정된 특정한 기형적 특징 및/또는 의학적 상태에 대한 확률 점수 및, 귀 영역으로부터 결정된 특정한 기형적 특징 및/또는 의학적 상태에 대한 다른 확률 점수는 예를 들어 특정한 기형적 특징 및/또는 의학적 상태와 연관된 확률 점수를 반영하는 제 3 확률 점수를 생성하기 위해 특정한 기형적 특징 및/또는 의학적 상태의 긍정적인 및 부정적인 예들을 이용하여 트레이닝된 분류기에 입력될 수 있다. 집합의 결과로서, 예를 들어 단일 확률 점수는 기형적 특징들 및/또는 의학적 상태들이 세트에 대해 결정될 수 있다.
프로세서(110)는, 환자가 집합된 분석들에 기초하여 의학적 상태에 의해 영향을 받을 가능성을 결정하도록 추가로 구성될 수 있다(단계 350). 예를 들어, 단계(260)에 대해 전술한 동일하거나 실질적으로 동일한 방식으로, 하나 이상의 분류기들은 복수의 기형적 특징들 및/또는 의학적 상태들에 대한 점수들의 세트를 수신하도록 트레이닝될 수 있고, 환자가 의학적 상태에 의해 영향을 받을 가능성을 나타내는 점수를 출력할 수 있다.
몇몇 실시예들에서, 의학적 상태는 알려진 의학적 상태일 수 있다. 하지만, 일부 의학적 상태들은 알려지지 않은 유전학적 원인들을 가질 수 있다. 프로세서(110)는 의학적 상태를 야기하기 위해 기본적인 유전학적 변이를 가능성있게 식별하도록 구성될 수 있다. 예를 들어, 전술한 데이터베이스와 같은 데이터베이스는 알려지지 않은 유전학적 변이에 의해 야기된 의학적 상태와 연관된 개인들이 복수의 외부의 소프트 조직 이미지를 포함할 수 있다. 데이터베이스는 또한 알려지지 않은 유전학적 변이에 의해 야기된 의학적 상태를 갖는 개인들의 복수의 유전학적 변이 정보를 포함할 수 있다. 프로세서(110)는, 공통 기형학이 복수의 외부의 소프트 조직 이미지들의 적어도 일부의 장소에 존재하는 지의 여부를 결정하도록 추가로 구성될 수 있다. 예를 들어, 프로세서(110)는 하나 이상의 기형적 특징들을 결정하기 위해 전술한 방식으로 복수의 외부의 소프트 조직 이미지들을 분석하도록 구성될 수 있다. 공통 기형학은, 예를 들어 기형적 특징이 적어도 2개의 이미지들에서의 동일하거나 실질적으로 동일한 장소에 존재하는 경우 존재할 수 있다.
프로세서(110)는 적어도 하나의 공통 유전학적 변이를 식별하기 위해 복수의 유전학적 변이 정보를 분석하도록 추가로 구성될 수 있다. 공통 유전학적 변이는 예를 들어, 하나의 이미지와 연관된 유전자가 다른 이미지와 연관된 유전자에 매칭하는 결정을 포함할 수 있다. 프로세서(110)는 공통 유전학적 변이와 복수의 외부의 소프트 조직 이미지들의 장소를 비교하도록 추가로 구성될 수 있다. 예를 들어, 유전학적 변이가 이미지들에서의 공통 기형학적 장소를 포함하는 신체 부분에 영향을 미치는 것으로 알려지는 지의 결정이 이루어질 수 있다. 프로세서(110)는 데이터베이스에서, 복수의 외부의 소프트 조직 이미지들에서의 적어도 하나의 공통 장소와 복수의 유전학적 변이 정보에서의 적어도 하나의 공통 유전학적 변이를 연관시키도록 추가로 구성될 수 있다.
도 4는, 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(400)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바잇(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(400)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(400)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 410). 단계(410)는 전술한 바와 같이 단계(210)와 실질적으로 동일한 동작을 포함할 수 있다.
프로세서(110)는 의학적-상태 관련 정보를 생성하기 위해 환자의 외부의 소프트 조직 이미지 정보를 분석하도록 추가로 구성될 수 있다(단계 420). 예를 들어, 의학적-상태 관련 정보는 단계들(220 내지 260)에 대해 전술한 동일하거나 실질적으로 동일한 동작을 이용하여 생성될 수 있다. 하지만, 선택적으로, 하나의 분석은 단계들(220 내지 250)에 기재된 2개(또는 그 이상)의 분석보다 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석}. 의학적-상태 관련 정보는 예를 들어, 하나 이상의 기형적 특징들 및/또는 하나 이상의 의학적 상태들에 대한 하나 이상의 점수를 포함할 수 있다.
프로세서(110)는 추가 의학적-상태 관련 정보를 생성하기 위해 의학적 상태에 의해 영향을 받지 않는 것으로 알려진 환자의 적어도 하나의 친척의 외부의 소프트 조직 이미지 정보를 분석하도록 추가로 구성될 수 있다(단계 430). 예를 들어, 프로세서(110)는 친척과 연관된 하나 이상의 기형적 특징들과 연관된 하나 이상의 점수를 결정하도록 구성될 수 있다. 프로세서(110)는 예를 들어, 친척이 영향을 받지 않는 것으로 알려진 의학적 상태를 통상적으로 나타내는 높은 점수를 갖는 기형적 특징들을 식별하도록 구성될 수 있다. 몇몇 실시예들에서, 복수의 친척들의 외부의 소프트 조직 이미지 정보는 분석되고, 모든 친척들, 또는 친척이 영향을 받지 않는 것으로 알려진 의학적 상태를 통상적으로 나타내는 임계치보다 더 큰 친척들의 수에 대한 높은 점수를 갖는 기형적 특징들이 식별된다.
추가로, 또는 대안적으로, 프로세서(110)는 친척과 연관된 하나 이상의 의학적 상태들과 연관된 하나 이상의 점수를 결정하도록 구성될 수 있다. 예를 들어, 프로세서(110)는, 친척이 갖지 않는 것으로 알려진 의학적 상태와 연관된 점수를 결정하기 위해 일반적인 인구에 사용된 분류기를 초기에 이용할 수 있다. 하지만, 의학적 상태를 갖지 않는 친척에도 불구하고, 프로세서(110)는 친척과 연관된 이미지 정보의 분석에 기초하여 의학적 상태에 대한 높은 점수를 결정할 수 있다.
프로세서(110)는, 추가 의학적-상태 관련 정보에 공통인 의학적-상태 정보에서의 특징들을 디스카운트함으로써 환자가 의학적 상태에 의해 영향을 받을 가능성을 예상하도록 추가로 구성될 수 있다(단계 440). 예를 들어, 전술한 바와 같이, 프로세서(110)는 환자의 이미지 정보로부터 하나 이상의 기형적 특징들의 하나 이상의 점수를 결정할 수 있다. 하나 이상의 친척들의 식별된 기형적 특징들(예를 들어, 친척이 의학적 상태에 의해 영향을 받지 않는 것으로 알려진 것에도 불구하고 의학적 상태를 통상적으로 나타내는 높은 점수를 나타내는 친척의 기형적 특징)에 기초하여, 프로세서(110)는 특정한 의학적 상태와 연관된 분류기를 변형하거나 구성하도록 구성될 수 있다. 예를 들어, 특정한 기형적 특징에 대한 높은 점수가 통상적으로 의학적 상태의 확률을 증가시키는데 사용되지만, 친척이 특정한 기형적 특징에 대한 높은 점수를 갖고 의학적 상태를 갖지 않는 것으로 알려지는 경우, 분류기는, 기형적 특징이 무시되고, 의학적 상태의 가능성을 감소시키는데 사용되거나, 의학적 상태의 가능성의 결정에서 일반적인 인구보다 덜 강하게 사용되도록 변형되거나 구성될 수 있다. 다른 예로서, 프로세서(110)가, 친척이 의학적 상태에 의해 영향을 받지 않는 것으로 알려짐에도 불구하고 환자의 친척에 대한 의학적 상태에 대한 높은 점수를 결정하면, 프로세서(110)는 환자에 대한 의학적 상태에 대해 결정된 임의이 점수를 감소시킬 수 있다. 다른 예로서, 친척의 하나 이상의 이미지는 분류기를 트레이닝하도록 사용될 수 있다. 예를 들어, 의학적 상태에 의해 영향을 받지 않는 것으로 알려진 하나 이상의 친척의 하나 이상의 이미지는 분류기를 트레이닝할 때 부정적인 예들에 사용될 수 있다. 다른 예로서, 의학적 상태에 의해 영향을 받지 않는 것으로 알려진 하나 이상의 친척의 하나 이상의 기형적 특징과 상이한 환자의 기형적 특징만이 가능성 결정에 사용될 수 있다.
도 5는, 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(500)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(500)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(500)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 510). 프로세서(110)는 예를 들어 전술한 바와 같이, 단계(210)와 동일한 방식으로 단계(510)를 수행하도록 구성될 수 있다.
프로세서(110)는 데이터베이스에서의 다른 환자들의 복수의 외부의 소프트 조직 이미지들과 외부의 소프트 조직 이미지 정보를 비교하도록 이미지 정보 분석을 이용하도록 구성될 수 있다(단계 520). 예를 들어, 프로세서(110)는 이미지 정보 분석을 이용하도록 구성될 수 있고, 이미지 정보 분석은 고정된 셀 분석, 시프팅 패치 분석, 및 상태 측정 분석 중 적어도 하나를 포함한다. 고정된 셀 분석, 시프팅 패치 분석, 및 상태 측정 분석은 전술한 동일하거나 실질적으로 동일한 방식으로 수행될 수 있다. 전술한 바와 같이{예를 들어, 단계(220)에서}, 프로세서(110)는 나이, 성별, 및 인종 중 적어도 하나를 포함하는 복수의 목적 기준에 기초하여 외부의 소프트 조직 이미지 정보를 분석할 수 있다. 예를 들어, 환자와 동일한 나이, 성별 및 인종의 다른 환자들이 데이터베이스에서의 유일한 외부의 소프트 조직 이미지는 분석에 이용될 수 있다.
프로세서(110)는 이미지 정보 분석에 기초하여 외부의 소프트 조직 이미지 정보에 포함된 기형적 특징들을 결정하도록 추가로 구성될 수 있다(단계 530). 예를 들어, 전술한 바와 같이, 고정된 셀 분석, 시프팅 패치 분석, 및 상대 측정 분석 중 하나 이상은 분석되는 기형적 특징들의 세트에서 각 기형적 특징에 확률 점수를 할당하는데 사용될 수 있다.
프로세서(110)는 기형적 특징들과 연관된 설명자들에 액세스하도록 추가로 구성될 수 있다(단계 540). 몇몇 실시예들에서, 액세스된 설명자들은, 기형적 특징과 연관되고 적어도 하나의 의학적 상태의 잠재적인 표시자들인 단어들이 목록을 포함한다. 예를 들어, 액세스된 설명자들은 의학적 상태들을 검색하기 위한 복수의 데이터베이스와 호환되는 용어들을 포함할 수 있다. 기형적 특징들과 연관된 설명자들은 예를 들어, 질병 및 관련 건강 문제의 국제 통계 분류(예를 들어, ICD-9 또는 ICD-10), 인간 표현형 존재론(HPO), 및 의학책, 공개된 저널 문서, 및 컴퓨터화된 데이터세트들과 같은 기형적 특징들에 대한 설명자들이 다양한 다른 소스들을 포함하는 다양한 소스들로부터 얻어질 수 있다. 프로세서(110)는 상이한 소스(예를 들어, ICD-10에 사용된 특정한 기형적 특징에 대한 설명자는 HPO에 사용된 특정한 기형적 특징에 대한 설명자에 링크될 수 있다)로부터 얻어진 기형적 특징들과 연관된 설명자들에 링크하도록 구성될 수 있다. 기형적 특징에 대한 각 설명자는 예를 들어, 텍스처 설명 및 동의어의 목록을 포함할 수 있다. 몇몇 실시예들에서, HPO-기반의 설명자들은 기준 목록으로서 사용될 수 있고, 다른 소스들로부터의 모든 다른 록목들은 이에 매핑될 수 있다. HPO로부터 손실되는 기형적 특징의 용어가 있으면, 고유 HPO-형 숫자 식별자가 주어질 수 있고, 기준 목록에 추가될 수 있다. 몇몇 실시예들에서, 프로세서(110)는, HPO가 업데이트될 때를 결정할 수 있고, HPO가 업데이트되었는 지 결정됨에 기초하여, 기준 목록을 업데이트한다. 더욱이, 몇몇 실시예뜰에서, 액세스된 설명자들은 의학적 상태의 일반적인 외형의 적어도 하나의 설명을 포함하는 단어의 목록이다.
일례로, 6개의 높은 점수의 기형적 특징들은 환자의 이미지 정보에 대해 결정될 수 있다. 기형적 특징들에 대한 설명자들은 예를 들어, "Vermillion, Lower Lip, Thick", "Columella, High Insertion", "Hairline, High Anterior or Forehead, Tall", "Palpebral Fissure, Upslanted", "Eyebrow, Thick or Hypertrichosis of the Eyebrow or Bushy Eyebbrow", 및 "Philtrum, Tented"를 포함할 수 있다. 따라서, 각 설명자는 예를 들어, 기형적 특징의 이름(예를 들어, "Eyebrow, Thick") 및 기형적 특징(예를 들어, "Hypertrichosis of the Eyebrow")에 대한 가능한 대안들 포함할 수 있다.
프로세서(110)는 설명자들이 적어도 일부를 출력하도록 추가로 구성될 수 있다(단계 550). 예를 들어, 프로세서(110)는 설명자들의 적어도 일부를 출력 디바이스(150)에 출력하도록 구성될 수 있다. 출력 디바이스(150)는 예를 들어, 디스플레이일 수 있다. 몇몇 실시예들에서, 도 1에 도시된 바와 같이, 출력 디바이스(150)는 시스템(100)의 부분일 수 있다. 하지만, 다른 실시예들에서, 출력 디바이스(150)는 원격으로 위치될 수 있고, 프로세서(110)는, 출력 디바이스(150)를 포함하거나 출력 디바이스(150)와 통신하는 디바이스에 데이터를 송신하도록 구성될 수 있다. 디스플레이는 예를 들어, 텔레비전 세트, 컴퓨터 모니터, 헤드-장착 디스플레이, 방송 기준 모니터, 액정 디스플레이(LCD) 스크린, 발광 다이오드(LED) 기반의 디스플레이, LED-백라이트 LCD 디스플레이, 음극선관(CRT) 디스플레이, 전계 발광(ELD) 디스플레이, 전자 종이/잉크 디스플레이, 플라즈마 디스플레이 패널, 유기 발광 다이오드(OLED) 디스플레이, 박막 트랜지스터 디스플레이(TFT), 고성능 어드레싱 디스플레이(HPA), 표면-전도 전자-이미터 디스플레이, 양자 도트 디스플레이, 간섭 변조기 디스플레이, 스웹-부피 디스플레이, 탄소 나노튜브 디스플레이, 가변 초점 미러 디스플레이, 방사형 부피 디스플레이, 레이저 디스플레이, 홀로그래픽 디스플레이, 광 전계 디스플레이, 프로젝터 및 이미지가 투사되는 표면, 데이터의 프린트를 생성하도록 구성된 프린터, 또는 시각 정보를 출력하기 위한 임의의 다른 전자 디바이스 중 하나 이상을 포함할 수 있다.
출력 디바이스(150)는 또한 예를 들어 설명자들의 적어도 일부를 나타내는 오디오를 출력하도록 구성된 오디오 디바이스일 수 있다. 오디오 디바이스는 예를 들어 사운드 카드 및 하나 이상의 스피커들을 포함할 수 있다. 프로세서(110)는 예를 들어, 텍스트-음성 프로그램을 이용하여 설명자들의 적어도 일부를 오디오로 변환하도록 구성될 수 있따.
몇몇 실시예들에서, 설명자들은 목록에 제공될 수 있다. 몇몇 실시예들에서, 이미지는 설명자와 연관된 기형적 특징의 일반적인 장소를 나타내는 설명자 근처에 디스플레이될 수 있다. 예를 들어, 눈의 이미지는 "Eyhebrow, Thick"의 설명자에 나란히 디스플레이될 수 있다.
몇몇 실시예들에서, 설명자는 연관되는 기형적 특징에 또는 이에 가까운 장소에서 디스플레이될 수 있다. 예를 들어, 환자의 이미지 정보는 디스플레이 상에 제공될 수 있다. 설명자와 연관된 기형적 특징과 연관된 이미지 정보의 영역 위에 설명자가 디스플레이될 수 있다(예를 들어, "Eyebrow, Thick"는 설명자(예를 들어, "Eyebrow, Thick"는 이미지 정보의 눈 또는 눈썹 영역의 상부에 디스플레이될 수 있다).
도 6은, 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(600)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(600)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(600)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 610). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(610)를 수행하도록 구성될 수 있다.
프로세서(110)는 수신된 외부의 소프트 조직 이미지 정보에서의 적어도 백개의 장소들을 한정하도록 구성될 수 있고, 적어도 백개의 장소들에 관한 정보는 환자 정보를 구성한다(단계 620). 프로세서(110)는 특징 포인트들을 결정하기 위해 전술한 방식으로 적어도 백개의 특징 포인트들을 결정함으로써 적어도 백개의 장소들을 한정하도록 구성될 수 있다.
프로세서(110)는 또한 의학적 상태에 의해 영향을 받는 것으로 알려진 적어도 제 1 개인의 적어도 외부의 소프트 조직 이미지에서의 적어도 백개의 장소들을 한정하는 제 1 정보를 수신하고(단계 630), 의학적 상태에 의해 영향을 받는 것으로 알려진 적어도 제 2 개인의 적어도 외부의 소프트 조직 이미지에서의 적어도 백개의 장소들을 한정하는 제 2 정보를 수신(단계 640)하도록 구성될 수 있다. 환자 정보, 제 1 정보, 및 제 2 정보는 예를 들어, 적어도 백개의 장소들의 적어도 일부 사이에서 계산된 상대 측정 분석과 연관된 벡터 데이터, 비율 데이터, 거리 데이터, 각도 데이터, 영역 데이터, 및 형태 데이터를 포함할 수 있다.
프로세서(110)는 제 1 정보 및 제 2 정보와 환자 정보를 비교함으로써 환자가 의학적 상태에 의해 영향을 받을 가능성을 결정하도록 구성될 수 있다(단계 650). 예를 들어, 프로세서(110)는, 전술한 상대 측정 분석을 이용하여 제 1 정보 및 제 2 정보와 환자 정보를 비교함으로써 환자가 의학적 상태에 의해 영향을 받을 가능성을 결정하도록 구성될 수 있다.
몇몇 실시예들에서, 프로세서(110)는 특징 포인트들(예를 들어, 백개의 특징 포인트들)의 제 1 수를 초기에 한정할 수 있다. 특징 포인트들의 제 1 수는 프로세서(110)가 제 1 속도로 가능성을 구성하도록 할 수 있다. 하지만, 가능성 결정이 결론적이 아닌 결과(예를 들어, 가능성은 제 1 임계치보다 높지만 제 2 임계치 아래에 있다)이면, 상기 프로세스는 더 많은 시간을 요구하지만, 더 정밀할 수 있는 특징 포인트들(예를 들어, 백개의 특징 포인트들의 제 1 수보다 큰 특징 포인트들의 제 2 수로 반복될 수 있다.
도 7은 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(700)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(700)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(700)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 710). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 수행하도록 구성될 수 있다.
프로세서(110)는 의학적 상태에 대응하는 적어도 하나의 기형학과 연관될 장소들을 유사하게 식별하기 위해 외부의 소프트 조직 이미지 정보를 분석하도록 구성될 수 있다(단계 720). 예를 들어, 프로세서(110)는 전술한 방식으로 높은 확률 점수를 갖는 하나 이상의 기형적 특징들을 식별하도록 구성될 수 있다.
프로세서(110)는 외부의 소프트 조직 이미지 정보 상의 적어도 하나의 기형학의 표시자들을 중첩하도록 구성될 수 있다(단계 730). 예를 들어, 프로세서(110)는 적어도 하나의 기형학의 중첩된 표시와 함께 외부의 소프트 조직 이미지 정보를 디스플레이하기 위해 출력하도록 구성될 수 있다. 예를 들어, 이미지 정보에서 검출된 포인트들은 이미지 정보 상에 중첩될 수 있다. 다른 예로서, 높은 확률의 기형적 특징들과 연관된 이미지 정보에서의 영역들은 강조될 수 있다. 다른 예로서, 열 맵(heat map)은 이미지 정보 상에 중첩될 수 있어서, 낮은 점수를 갖는 기형적 특징과 연관된 외부의 소프트 조직 이미지 정보에서의 장소들에서, 제 1 반투명 컬러가 사용될 수 있는 반면, 높은 점수를 갖는 기형적 특징과 연관된 외부의 소프트 조직 이미지 정보에서의 장소들에서, 제 1 반투명 컬러와 상이한 제 2 반투명 컬러가 사용될 수 있다. 장소들은, 예를 들어 기형적 특징의 존재를 결정하는데 사용된 셀들 또는 패치들에 기초하여 선택될 수 있다. 몇몇 실시예들에서, 프로세서(110)는 더 어필하는 열 맵을 생성하기 위해 열 맵을 흐리게 하도록 구성될 수 있다.
도 8은 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(800)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(800)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(800)를 수행하도록 구성될 수 있다.
프로세서(110)는 대상의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 810). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(810)를 수행하도록 구성될 수 있다.
프로세서(110)는 외부의 소프트 조직 이미지 정보를 디스플레이하도록 구성될 수 있다(단계 820). 예를 들어, 프로세서(110)는 전술한 방식으로 구성되는 디스플레이에 외부의 소프트 조직 이미지 정보를 출력하도록 구성될 수 있다.
프로세서(110)는 사용자가 외부의 소프트 조직 이미지 정보의 영역을 선택하도록 하게 구성될 수 있다(단계 830). 예를 들어, 프로세서(110)는, 사용자가 디스플레이 상에 제공된 외부의 소프트 조직 이미지 정보의 영역을 선택하도록 하기 위해 구성될 수 있다. 몇몇 실시예들에서, 사용자에 의해 선택된 영역은 프로세서(110)가 선택을 검출한 후에 팽창될 수 있다.
프로세서(110)는 선택된 영역에서의 기형적 특징들에 관한 정보를 사용자에 대해 식별하도록 구성될 수 있다(단계 840). 예를 들어, 기형적 특징들에 관한 정보는 목록에 디스플레이될 수 있거나, 외부의 소프트 조직 이미지 정보 상에 중첩될 수 있다. 기형적 특징들의 목록은 예를 들어, 확률 점수의 내림차순 또는 오름차순에서 제공될 수 있다.
도 9는 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(900)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(900)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(900)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 910). 프로세서(110)는 예를 들어 전술한 단계(210)와 동일한 방식으로 단계(910)를 수행하도록 구성될 수 있다.
프로세서(110)는 외부의 소프트 조직 이미지 정보를 분석하도록 구성될 수 있다(단계 910). 예를 들어, 프로세서(110)는 단계들(220 내지 260)에 대해 전술한 동일하거나 실질적으로 동일한 방식을 이용하여 외부의 소프트 조직 이미지 정보를 분석할 수 있다. 하지만, 선택적으로, 단계들(220 내지 250)에 기재된 2개(또는 그 이상의) 분석보다 하나의 분석이 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석}. 예를 들어, 전술한 바와 같이, 프로세서(110)는 고정된 셀 분석, 시프팅 패치 분석 및 상대 측정 분석 중 적어도 하나를 수행하도록 구성될 수 있다.
프로세서(110)는 적어도 부분적으로 분석에 기초하여 외부의 소프트 조직 이미지 정보에서의 하나 이상의 외부의 소프트 조직 속성들을 식별하도록 구성될 수 있다(단계 930). 하나 이상의 외부의 소프트 조직 속성들은 예를 들어, 하나 이상의 기형적 특징들을 포함할 수 있다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 외부의 소프트 조직 이미지 정보에서의 잠재적인 외부의 소프트 조직 속성들을 식별하고, 이미지에서 잠재적인 외부의 소프트 조직 속성들이 나타낼 가능성을 반영하는 잠재적인 외부의 소프트 조직 속성들에 신뢰 레벨을 할당하도록 구성될 수 있다. 몇몇 실시예들에서, 프로세서(110)는, 어떤 외부의 소프트 조직 속성들이 각 의학적 상태의 표시자로서 각 외부의 소프트 조직 속성의 가중치를 고려함으로써 의학적 상태들의 표시자들인지를 식별하도록 구성될 수 있다. 예를 들어, 프로세서(110)는 높은 확률 점수 또는 미리 결정된 임계치 위의 확률 점수를 갖는 모든 기형적 특징들을 식별할 수 있다. 몇몇 실시예들에서, 각 외부의 소프트 조직 속성의 가중치는 각 외부의 소프트 조직 속성의 엄격함, 일반적인 인구에서의 각 외부의 소프트 조직 속성의 일반인, 및 의학적 상태에 대한 각 외부의 소프트 조직 속성의 관련성 중 적어도 하나를 포함한다.
프로세서(110)는 복수의 의학적 상태들과 연관된 외부의 소프트 조직 속성들의 적어도 하나의 데이터베이스에 액세스하도록 구성될 수 있다(단계 940). 예를 들어, 프로세서(110)는 예를 들어 단계(220)에서 전술한 동일한 방식으로 하나 이상의 기형적 특징들 및/또는 하나 이상의 의학적 상태들에 관한 데이터를 포함하는 데이터베이스에 액세스하도록 구성될 수 있다.
프로세서(110)는 적어도 하나의 데이터베이스의 외부의 소프트 조직 속성들과 하나 이상의 식별된 외부의 소프트 조직 속성들을 비교하도록 구성될 수 있다(단계 950). 예를 들어, 프로세서(110)는 예를 들어, 단계(220)에 전술한 동일한 방식으로 적어도 하나의 데이터베이스의 외부의 소프트 조직 속성들과 하나 이상의 식별된 외부의 소프트 조직 속성들을 비교하도록 구성될 수 있다. 비교는 하나 이상의 기형적 특징들과 연관된 하나 이상의 확률 점수를 생성할 수 있다.
프로세서(110)는 비교에 기초하여 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 정보를 출력하도록 구성될 수 있다(단계 960). 예를 들어, 전술한 바와 같이, 프로세서(110)는 의학적 상태의 확률 점수를 생성하기 위해 하나 이상의 기형적 특징들의 하나 이상의 확률 점수를 분류기에 입력하도록 구성될 수 있다. 몇몇 실시예들에서, 프로세서(110)는 분석에 직접 기초하여 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 추가 정보를 결정하고; 비교에 기초하여 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 정보 및 추가 정보를 출력하도록 구성될 수 있다. 예를 들어, 단계(260)에 기재된 바와 같이, 프로세서(110)는 초기 의학적 상태 가능성 및 기형적 특징 확률 점수의 세트 모두에 기초하여 의학적 상태의 가능성을 결정할 수 있다.
도 10은 적어도 하나의 프로세서가 수행하도록 구성될 수 있는 예시적인 프로세스(1000)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1000)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1000)를 수행하도록 구성될 수 있다.
프로세서(110)는 제 1 시간에 리코딩된 환자의 제 1 외부의 소프트 조직 이미지를 반영하는 제 1 정보를 수신하도록 구성될 수 있다(단계 1010). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(1010)를 수행하도록 구성될 수 있다.
프로세서(110)는 제 1 이미지 정보를 분석하도록 구성될 수 있다(단계 1020). 프로세서(110)는 예를 들어, 단계들(220 내지 260)에 대해 전술한 동일한 방식으로 제 1 이미지 정보를 분석하도록 구성될 수 있다. 하지만, 선택적으로, 단계들(220 내지 250)에 기재된 2개(또는 그 이상의) 분석들보다 하나의 분석이 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석만}. 예를 들어, 몇몇 실시예들에서, 분석은 고정된 셀 분석, 시프팅 패치 분석 및 상대 측정 분석 중 적어도 하나를 포함한다. 더욱이, 전술한 바와 같이, 몇몇 실시예들에서, 분석은 환자와 실질적으로 동일한 나이, 인종 및 성별 중 적어도 하나를 갖는 적어도 하나의 개인의 외부의 소프트 조직 이미지와의 제 1 소프트 조직 이미지 정보의 비교를 포함한다.
프로세서(110)는 제 2 시간에 리코딩된 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 제 2 정보를 수신하도록 구성될 수 있다(단계 1030). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(1010)를 수행하도록 구성될 수 있다. 제 2 시간은 예를 들어, 제 1 시간 이후의 시간의 미리 결정된 양, 또는 제 1 시간 이후의 비-스케줄링된(scheduled) 시간일 수 있다. 몇몇 실시예들에서, 프로세서(110)는 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 제 2 정보가 리코딩되어야 하는 경과를 보내도록 구성될 수 있다. 예를 들어, 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 제 2 정보가 시간의 미리 결정된 양 내에서 수신되지 않았으면, 경고는 환자의 의사에게 보내질 수 있다. 다른 예로서, 제 1 정보의 분석이 환자가 의학적 상태를 가질 낮은 확률이 있다는 표시를 제공하였으면, 경고는 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 제 2 정보가 시간의 미리 결정된 양 내에서 수신되지 않은 경우 보내질 수 있다.
프로세서(110)는 제 2 이미지 정보를 분석하도록 구성될 수 있다(단계 1040). 프로세서(110)는 예를 들어, 단계들(220 내지 260)에 대해 전술한 동일한 방식으로 제 2 이미지 정보를 분석하도록 구성될 수 있다. 하지만, 선택적으로, 단계들(220 내지 250)에 기재된 2개(또는 그 이상의) 분석보다는 하나의 분석이 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석}. 예를 들어, 몇몇 실시예들에서, 분석은 고정된 셀 분석, 시프팅 배치 분석, 및 상대 측정 분석 중 적어도 하나를 포함한다. 더욱이, 전술한 바와 같이, 몇몇 실시예들에서, 분석은 환자와 실질적으로 동일한 나이, 인종 및 성별 중 적어도 하나를 갖는 적어도 하나의 개인의 외부의 소프트 조직 이미지와의 제 2 소프트 조직 이미지 정보의 비교를 포함한다.
몇몇 실시예들에서, 프로세서(110)는 제 1 외부 소프트 조직 이미지 정보를 분석하고 제 2 외부의 소프트 조직 이미지 정보를 분석하기 위해 동일한 기술을 적용하도록 구성된다. 예를 들어, 제 1 시간에 적용된 기술은 환자가 이미징되는 다음 시간에 리코딩되고 재사용될 수 있다. 대안적으로, 몇몇 실시예들에서, 제 1 이미지 정보의 분석이 임의의 의학적 상태 가능성을 나타내지 않으면, 분석은, 제 2 외부의 소프트 조직 이미지 정보가 분석된 후에 제 2 시간에 변경될 수 있다. 다른 대안으로서, 예를 들어, 제 1 이미지 정보의 분석이 특정한 신체 부분(예를 들어, 귀)과 연관된 의학적 상태의 가능성이 있음을 나타내면, 제 2 이미지 정보의 분석은 특정한 신체 부분에 초점을 맞출 수 있다. 몇몇 실시예들에서, 프로세서(110)는 특정한 신체 부분의 하나 이상의 이미지들을 캡처하기 위해 제 2 외부의 소프트 조직 이미지를 캡처하는 것과 연관된 일행에게 경고하도록 구성될 수 있다. 따라서 제 2 외부의 소프트 조직 이미지는 특정한 신체 부분의 하나 이상의 이미지들을 포함할 수 있다.
프로세서(110)는 제 2 이미지 정보이 분석과 제 1 이미지 정보의 분석을 비교하도록 구성될 수 있다(단계 1050). 예를 들어, 제 1 이미지 정보 및 제 2 이미지 정보는 다수의 기형적 특징들에 대한 확률 점수를 포함할 수 있다. 프로세서(110)는 시간이 지남에 따라 기형적 특징들의 확률 점수에서의 변경을 결정하도록 구성될 수 있다. 제 1 이미지 정보 및 제 2 이미지 정보는 또한 예를 들어, 다수의 의학적 상태들에 대한 확률 점수를 포함할 수 있다. 프로세서(110)는 시간이 지남에 따라 의학적 상태들의 확률 점수에서의 변경을 결정하도록 구성될 수 있다.
다른 예로서, 제 1 이미지 정보 및 제 2 이미지 정보는 하나 이상의 기형적 특징들의 하나 이상의 엄격함 점수를 포함할 수 있다. 예를 들어, 제 1 이미지 정보 및 제 2 이미지 정보는 특징 포인트들, 거리들 사이의 비율, 각도들 사이의 빙ㄹ 등에 의해 형성된 특징 포인트들 사이의 하나 이상의 거리들, 각도들에 기초하여 하나 이상의 엄격함 점수를 포함할 수 있다. 따라서, 몇몇 실시예들에서, 프로세서(110)는 시간이 지남에 따라 속성의 엄격함에서의 변경을 결정하기 위해 의학적 상태의 진행을 모니터링하도록 구성될 수 있다.
프로세서(110)는, 환자가 적어도 부분적으로 비교에 기초하여 의학적 상태에 의해 영향을 받을 가능성을 예상하도록 구성될 수 있다(단계 1060). 예를 들어, 제 1 시간에서의 하나 이상의 기형적 특징들의 확률 점수 및 엄격함, 제 2 시간에서의 하나 이상의 기형적 특징들의 확률 점수 및 엄격함, 및/또는 제 1 시간으로부터 제 2 시간까지의 하나 이상의 기형적 특징들의 확률 점수 및 엄격함에서의 변경은 예를 들어, 의학적 상태의 긍정적인 및 부정적인 예들 상에서 트레이닝된 분류기에 입력될 수 있다. 예를 들어, 기형적 특징들의 세트와 연관된 엄격함 또는 확률 점수가 제 1 시간으로부터 제 2 시간까지 증가하고, 기형적 특징들이 의학적 상태와 연관되면, 의학적 상태에 대한 비교적 높은 가능성이 결정될 수 있따.
하지만, 엄격함에서의 모든 변경이 의학적 상태에 대한 높은 가능성을 초래할 필요는 없다. 예를 들어, 아이들 나이로서, 다양한 기형적 특징들의 일부 크기는 변경하도록 예상될 수 있다. 따라서, 몇몇 실시예들에서, 기형적 특징의 엄격함에서의 변경은 제 1 시간에서의 환자의 나이로부터 제 2 시간에서의 환자의 나이로 발생하는 알려진 변경에 비교될 수 있다(선택적으로, 제1 시간에서의 환자의 나이로부터 제 2 시간에서의 환자의 나이로 발생하는 알려진 변경은 환자의 성별, 인종, 및 환자를 나타내는 임의의 다른 카테고리 중 적어도 하나의 정황에서 검사될 수 있다). 제 1 시간에서의 환자의 나이로부터 제 2 시간에서의 환자의 나이로 발생하는 알려진 변경은 예를 들어, 데이터베이스에서의 이미지들을 분석하고 주어진 환자 인구에 대한 규준을 결정함으로써 결정될 수 있다. 따라서, 몇몇 실시예들에서, 기형적 특징의 엄격함에서의 변경이 예상된 변경으로부터 이탈되면, 환자가 의학적 상태에 의해 영향을 받을 높은 가능성이 예상될 수 있다. 기형적 특징의 엄격함에서의 변경이 예상된 변경으로부터 이탈되면, 환자가 의학적 상태에 의해 영향을 받을 낮은 가능성이 예상될 수 있다.
몇몇 실시예들에서, 프로세서(110)는, 제 1 시간으로부터 제 2 시간으로 확률 점수에서의 증가가 결정되면 제 2 시간에서 결정된 확률 점수를 증가시킬 수 있다. 몇몇 실시예들에서, 프로세서(110)는, 제 1 시간으로부터 제 2 시간으로 확률 점수에서의 감소가 결정되면 제 2 시간에서 결정된 확률 점수를 감소시킬 수 있다.
몇몇 실시예들에서, 정보의 복수의 추가 세트들은 복수의 추가 시간에서 리코딩된 복수의 추가 외부의 소프트 조직 이미지들을 반영하여 수신될 수 있다. 프로세서(110)는 복수의 추가 이미지들을 분석하고, 제1 소프트 조직 이미지 정보, 제 2 소프트 조직 이미지 정보, 및 소프트 조직 이미지 정보의 추가 세트의 분석을 비교하고, 환자가 제1 소프트 조직 이미지 정보, 제2 소프트 조직 이미지 정보, 및 소프트 조직 이미지 정보의 추가 세트들의 분석의 비교에 기초하여 의학적 상태에 의해 영향을 받을 가능성을 예상하도록 구성될 수 있다.
도 11은, 적어도 하나의 프로세서가 수행하도록 구성된 예시적인 프로세스(1100)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1100)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1100)를 수행하도록 구성될 수 있다.
프로세서(110)는 인식되지 않은 의학적 상태를 갖는 의심스러운 제 1 환자의 외부의 소프트 조직 이미지를 반영하는 제 1 정보를 수신하도록 구성될 수 있다(단계 1100). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(1100)를 수행하도록 구성될 수 있다.
프로세서(110)는 인식되지 않은 의학적 상태를 갖는 의심스러운 제 2 환자의 외부의 소프트 조직 이미지를 반영하는 제 2 정보를 수신하도록 구성될 수 있다(단계 1120). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(1120)를 수행하도록 구성될 수 있다.
프로세서(110)는 제 1 이미지 정보 및 제 2 이미지 정보를 비교하도록 구성될 수 있다(단계 1130). 예를 들어, 상대 측정 분석은 제 1 이미지 정보 및 제 2 이미지 정보에 대한 상대 측정의 벡터를 생성하는데 사용될 수 있다. 몇몇 실시예들에서, 제 1 이미지 정보는 새로운 환자와 연관되고, 제 2 이미지 정보는 이전에 제공된 개인과 연관된다. 따라서, 예를 들어, 도 28에 도시된 바와 같이, 제 1 이미지 정보와 연관된 상대 측정의 벡터는 데이터베이스(제 2 이미지 정보와 연관된 상대 측정의 벡터를 포함)에서의 상대 측정의 벡터들의 세트에 대해 비교될 수 있다. 다른 예로서, 프로세서(110)는 제 1 건강 관리 제공자로부터 제 1 이미지 정보를 수신하고, 제 2 건강 관리 제공자로부터 제 2 이미지 정보를 수신하도록 구성될 수 있다. 프로세서(110)는, 제 1 건강 관리 제공자가 제 2 건강 관리 제공자에 의해 제공된 이미지 정보에 액세스하도록 할 수 있지만, 제 2 건강 관리 제공자에 의해 제공된 텍스트 데이터(예를 들어, 환자 이름)로의 액세스를 거부할 수 있고, 그 반대로도 이루어질 수 있다.
프로세서(110)는, 비교에 기초하여, 제 1 환자 및 제 2 환자가 동일한 이전에 인식되지 않은 의학적 상태를 소유할 가능성이 있음을 결정하도록 구성될 수 잇다(단계 1140). 예를 들어, 프로세서(110)는, 제 1 이미지 정보 및 제 2 이미지 정보가 서로에 대한 유사성의 높은 정도와, 데이터베이스에서의 다른 이미지들에 대한 차이점이 높은 정도를 갖는 경우 제 1 환자 및 제 2 환자가 동일한 이전에 인식되지 않은 의학적 상태를 소유할 가능성이 있음을 결정하도록 구성될 수 있다. 이러한 유사성은 예를 들어, 상대 측정의 벡터들의 비교에 기초하여 결정될 수 있다(예를 들어, 도 28의 하부 우측에 그래픽적으로 도시된 바와 같이, 거리는 제 1 이미지 정보와 연관된 상대 측정의 벡터로부터 제 2 이미지 정보와 연관된 상대 측정의 벡터로 결정될 수 있다). 프로세서(110)는, 제 1 환자 및 제 2 환자가 동일한 이전에 인식되지 않은 의학적 상태를 소유할 가능성이 있는 경우 제 1 건강 관리 제공자가 제 2 건강 관리 제공자와 통신하도록 할 수 있다.
도 12는, 적어도 하나의 프로세서가 수행하도록 구성된 예시적인 프로세스(1200)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1200)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1200)를 수행하도록 구성될 수 있다.
프로세서(110)는, 적어도 하나의 건강 서비스 제공자가 의학적 상태에 관련된 제품들 또는 서비스들을 제공하는 의학적 상태에 의해 특정 개인이 영향을 받을 가능성을 결정하기 위해 컴퓨터-기반의 외부 소프트 조직 이미지 분석기를 이용하도록 구성될 수 있고, 컴퓨터-기반의 외부의 소프트 조직 이미지 분석기의 사용자는 건강 관리 전문가이다(단계 1210). 예를 들어, 프로세서(110)는, 단계들(210 내지 260)에 대해 전술한 동일한 동작들을 이용하여 특정한 개인이 의학적 상태에 의해 영향을 받을 가능성을 결정하도록 구성될 수 있다. 프로세서(110)는 하나 이상의 의학적 상태들과 제품들 또는 서비스들을 연관시키는 데이터 및 하나 이상의 건강 서비스 제공자들에 의해 제공된 제품들 또는 서비스들을 포함하는 데이터베이스에 액세스하도록 구성될 수 있다. 따라서, 의학적 상태의 가능성을 결정한 후에, 프로세서(110)는, 적어도 하나의 건강 서비스 제공자가 의학적 상태에 관련된 제품들 또는 서비스들을 제공할 지의 여부를 결정할 수 있다.
프로세서(110)는 건강 관리 전문가에 관한 정보를 식별하도록 구성될 수 있다(단계 1220). 예를 들어, 프로세서(110)는 건강 관리 전문가 접촉 정보, 교육, 훈련, 트레이닝, 의학적 상태에 대한 경험 등 중 하나 이상을 포함하는 정보를 식별하도록 구성될 수 있다.
프로세서(110)는, 특정 개인이 의학적 상태에 의해 영향을 받을 가능성에 기초하여 적어도 하나의 건강 서비스 제공자와 건강 관리 전문가 사이의 통신을 중재하도록 구성될 수 있다(단계 1230). 예를 들어, 중재는 임상 시도, 등록, 진단 및 제 2 옵션들에 관한 정보의 적어도 하나의 존재를 건강 관리 전문가에게 경고하는 중재를 포함할 수 있다. 경고는 예를 들어, 건강 관리 전문가의 전화 번호에 대한 문자 메시지를 이용하여, 건강 관리 전문가의 이메일 주소에 대한 이메일 메시지를 이용하여, 또는 건강 관리 전문가의 전화 번호에 대한 전화 호출을 이용하여 보내질 수 있다. 경고는 건강 서비스 제공자와 접촉(예를 들어, 문자 메시지, 이메일, 또는 전화 통신을 이용하여)할 옵션을 건강 관리 전문가에제 제공할 수 있다. 몇몇 실시예들에서, 프로세서(110)는, 가능성이 임계치보다 높은 경우 중재하도록 구성될 수 있다. 몇몇 실시예들에서, 프로세서(110)는 가능성에 따라 상이하게 중재하도록 구성될 수 있다. 예를 들어, 의학적 상태의 가능성이 통상적인 경우, 건강 관리 전문가만이 통신을 수신할 수 있다. 의학적 상태의 가능성이 높으면, 건강 서비스 제공자 및 건강 관리 전문가 모두는 통신을 수신할 수 있다.
도 13은, 적어도 하나의 프로세서가 수행하도록 구성된 예시적인 프로세스(1300)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1300)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1300)를 수행하도록 구성될 수 있다.
프로세서(110)는 의학적 상태를 갖는 개인들의 외부의 소프트 조직 이미지들의 데이터베이스를 유지하도록 구성될 수 있다(단계 1310). 예를 들어, 프로세서(110)는 전술한 임의의 데이터베이스에 따라 데이터베이스를 유지하도록 구성될 수 있다.
프로세서(110)는 건강 관리 제공자로부터 환자들의 외부의 소프트 조직 이미지들의 이미지 공급을 건강 관리 제공자로부터 수신하도록 구성될 수 있다(단계 1320). 예를 들어, 프로세서(110)는 단계(210)에 대해 전술한 동작들에 따라 이미지 공급에서의 각 이미지를 수신하도록 구성될 수 있다. 더욱이, 프로세서(110)는 각 수신된 이미지와 연관된 하나 이상의 기형적 특징 주석들을 수신하도록 구성될 수 있다. 기형적 특징 주석들은 예를 들어, 건강 관리 제공자에 의해, 또는 본 명세서에 기재된 임의의 다른 기술들에 의해 생성될 수 있다. 더욱이, 프로세서(110)는 각 수신된 이미지와 연관된 하나 이상의 의학적 상태들을 수신하도록 구성될 수 있다. 의학적 상태는 건강 관리 제공자에 의해 또는 본 명세서에 기재된 임의의 다른 기술들에 의해 생성될 수 있다.
프로세서(110)는 데이터베이스에서의 이미지들과 공급에서의 이미지들을 비교하기 위해 컴퓨터-기반의 외부의 소프트 조직 이미지 분석기를 이용하도록 구성될 수 있다(단계 1330). 예를 들어, 프로세서(110)는 단계들(220 내지 250)에 대해 전술한 동작들에 따라 데이터베이스에서의 이미지들과 공급에서의 각 이미지를 비교하도록 구성될 수 있다. 하지만, 선택적으로, 단계들(220 내지 250)에 기재된 2개(또는 그 이상의) 분석들보다 하나의 분석이 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석}. 몇몇 실시예들에서, 주석 달린 기형적 특징들 및 의학적 상태들은 분석을 한정하는데 사용될 수 있다. 예를 들어, 몇몇 실시예들에서, 주석 달린 기형적 특징들의 가능성만이 결정될 수 있다. 마찬가지로, 몇몇 실시예들에서, 각 이미지와 함께 수신된 의학적 상태들의 가능성만이 결정될 수 있다.
프로세서(110)는, 비교에 기초하여, 공급에서의 환자의 이미지가 의학적 상태에 의해 영향을 받을 가능성이 있는 임계치를 충족할 때를 결정하도록 구성될 수 있다(단계 1340). 예를 들어, 프로세서(110)는, 공급에서의 환자의 이미지가 단계(260)에 대해 전술한 동작들에 따라 의학적 상태에 의해 영향을 받을 임계치를 충족할 때를 결정하도록 구성될 수 있다.
프로세서(110)는 환자의 이미지가 임계치를 충족할 때 건강 관리 제공자에게 경고하도록 구성될 수 있다(단계 1350). 예를 들어, 프로세서(110)는 예를 들어, 문자 메시지, 전화 호출, 이메일 등을 이용하여 건강 관리 제공자에게 경고를 보내도록 구성될 수 있다. 다른 예로서, 프로세서(110)는 이미지를 캡처하기 위해 건강 관리 제공자에 의해 사용되는 디바이스의 디스플레이 상에서 경고를 제공하도록 구성될 수 있다. 경고는 예를 들어, 환자 이름 또는 다른 환자 식별자 및 경고를 개시한 의학적 상태에 관한 데이터를 포함할 수 있다. 의학적 상태에 관한 데이터는 예를 들어, 의학적 상태의 이름, 의학적 상태와 연관된 기형적 특징들, 의학적 상태에 대한 제안된 치료, 의학적 상태에 대한 제안된 추가 테스트들 등을 포함할 수 있다.
프로세서(110)는, 환자가 실제로 의학적 상태를 소유할 지에 기초하여 외부의 소프트 조직 이미지들의 데이터베이스에 이미지를 추가하도록 구성될 수 있다(단계 1360). 예를 들어, 프로세서(110)는 환자가 의학적 상태를 소유하는 건강 관리 제공자로부터의 확인을 수신하도록 구성될 수 있다. 확인은 예를 들어, 경고에 포함된 추가 테스트들에 기초할 수 있다.
몇몇 실시예들에서, 확인된 환자들의 이미지들 및/또는 확인된 환자들로부터유도된 데이터는 의학적 상태와 링크될 수 있다. 예를 들어, 데이터베이스는 의학적 상태를 갖는 확인된 환자 데이터에 주석을 달도록 구성될 수 있다. 확인된 환자 데이터는 의학적 상태의 긍정적인 예로서 의학적 상태에 대한 하나 이상의 뷴리기들을 트레이닝하는데 사용될 수 있다. 마찬가지로, 프로세서(110)는 또한, 환자가 의학적 상태를 소유하지 않는 표시를 건강 관리 제공자로부터 수신하도록 구성될 수 있다. 부정적인 환자 데이터는 부정적인 예(즉, 제어) 또는 잘못된 부정적인 예로서 의학적 상태에 대한 하나 이상의 분류기들을 트레이닝하는데 사용될 수 있다.
도 14는 적어도 하나의 프로세서가 수행하도록 구성된 예시적인 프로세스(1400)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1400)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1400)를 수행하도록 구성될 수 있다.
프로세서(110)는 데이터베이스에서, 의학적 상태를 갖는 개인들의 복수의 외부의 소프트 조직 이미지들을 연관시키도록 구성될 수 있다(단계 1410). 예를 들어, 프로세서(110)는 전술한 동작들에 따라 데이터베이스에서 의학적 상태를 갖는 개인들의 복수의 외부의 소프트 조직 이미지들을 연관시키도록 구성될 수 있다.
프로세서(110)는 의학적 상태를 예측하는 기형적 특징과 연관된 적어도 하나의 예측자 장소를 식별하기 위해 복수의 외부의 소프트 조직 이미지들을 분석하도록 구성될 수 있다(단계 1420). 예를 들어, 프로세서(110)는 전술한 동작들을 이용하여 하나 이상의 기형적 특징들을 검출하도록 구성될 수 있다. 프로세서(110)는, 의학적 상태를 갖는 개인들과 연관되는 다수의 외부의 소프트 조직 이미지들이 또한 예를 들어 동일하거나 유사한 장소에서 하나 이상의 동일한 기형적 특징들과 연관될 지의 여부를 결정하도록 구성될 수 있다.
프로세서(110)는 의학적 상태로 진단되지 않은, 환자의 외부의 소프트 조직 이미지를 수신하도록 구성될 수 있다(단계 1430). 예를 들어, 프로세서(110)는 단계(210)에 대해 전술한 동일한 동작들에 따라 환자의 외부의 소프트 조직 이미지를 수신하도록 구성될 수 있다.
프로세서(110)는 예측자 장소를 식별하기 위해 환자의 외부의 소프트 조직 이미지를 분석하도록 구성될 수 있다(단계 1440). 예를 들어, 프로세서(110)는 단계(1420)에서 식별된 기형적 특징에 대응하거나 이를 포함하는 환자의 외부의 소프트 조직 이미지 정보에서의 영역을 식별하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지에서의 예측자 장소와 복수의 외부의 소프트 조직 이미지들의 예측자 장소를 비교하고(단계 1450), 공통 기형학이 복수의 외부의 소프트 조직 이미지들 및 환자의 외부의 소프트 조직 이미지의 적어도 일부의 예측자 장소에 존재하는 지의 여부를 결정하도록(단계 1460) 구성될 수 있다. 예를 들어, 프로세서(110)는, 예측자 장소를 포함하는 환자의 외부의 소프트 조직 이미지의 영역이 복수의 외부의 소프트 조직 이미지들에서의 예측자 장소를 포함하는 하나 이상의 영역들과 유사할 지의 여부를 결정하도록 구성될 수 있다. 예를 들어, 프로세서(110)는, 하나 이상의 식별된 기형적 특징들이 예측자 장소를 포함하는 환자의 외부의 소프트 조직 이미지의 영역에 포함되는 지를 결정하도록 구성될 수 있다.
프로세서(110)는, 결정에 기초하여 환자가 의학적 상태를 갖는 지를 예측하도록 구성될 수 있다(단계 1470). 예를 들어, 하나 이상의 식별된 기형적 특징들이 환자의 외부의 소프트 조직 이미지에서의 예측된 장소에서 검출되면, 프로세서(110)는, 환자가 의학적 상태를 갖는 지를 예측할 수 있다. 유사하게, 프로세서(110)는, 충분한 수의 기형적 특징들이 충분한 수의 예측자 장소들에서 검출하는 경우 환자가 의학적 상태를 갖는 지를 예측하도록 구성될 수 있다.
도 15는, 적어도 하나의 프로세서가 수행하도록 구성된 예시적인 프로세스(1500)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1500)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1500)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 1510). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(1510)를 수행하도록 구성될 수 있다.
프로세서(110)는 기형학에 대한 외부의 소프트 조직 이미지 정보를 분석하도록 구성될 수 있다(단계 1520). 예를 들어, 프로세서(110)는 단계들(220 내지 250)에 대해 전술한 동일하거나 실질적으로 동일한 동작들을 이용하여 외부의 소프트 조직 이미지 정보를 분석하도록 구성될 수 있다. 하지만, 선택적으로, 단계들(220 내지 250)에 기재된 2개(또는 그 이상의)의 분석들보다 하나의 분석이 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석}.
프로세서(110)는 기형학과 연관된 복수의 잠재적인 의학적 상태들을 결정하도록 구성될 수 있다(단계 1530). 예를 들어, 프로세서(110)는 단계(260)에 대해 전술한 동일한 동작들을 이용하여 복수의 잠재적인 의학적 상태들을 결정하도록 구성될 수 있다.
프로세서(110)는, 개인이 복수의 잠재적인 의학적 상태들 중 적어도 하나를 소유할 지를 결정하기 위해 수행될 테스트들의 목록을 생성하도록 구성될 수 있다(단계 1540). 예를 들어, 프로세서(110)는 잠재적인 의학적 상태에 대한 진단 값을 갖는 모든 테스트들을 결정하도록 구성될 수 있다. 몇몇 실시예들에서, 프로세서(110)는 테스트의 가격, 테스트의 정확도, 복수의 잠재적인 의학적 상태와의 테스트의 호환성 중 적어도 하나에 기초하여 테스트들의 목록을 생성하도록 구성될 수 있다.
몇몇 실시예들에서, 프로세서(110)는 생성된 목록에 응답하여 선택된 이전 테스트들을 반영하는 정보를 수신할 수 있다. 수신된 정보에 기초하여, 프로세서(110)는 선택된 테스트들을 선호하도록 구성될 수 있다. 예를 들어, 하나의 테스트가 다른 테스트보다 더 비용이 많이 들면, 프로세서(110)는 더 저렴한 테스트를 먼저 출력하도록 초기에 구성될 수 있다. 하지만, 프로세서(110)가, 더 비용이 드는 테스트가 더 광범위하게 사용된다는 것을 나타내는 정보를 수신하면, 더 비용이 드는 테스트는 먼저 후속 생성된 목록들에 포함될 수 있다.
도 16은 적어도 하나의 프로세서가 수행하도록 구성된 예시적인 프로세스(1600)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1600)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1600)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 1610). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(1610)를 수행하도록 구성될 수 있다.
프로세서(110)는 외부의 소프트 조직 이미지 정보를 분석하도록 구성될 수 있다(단계 1620). 예를 들어, 프로세서(110)는 단계들(220 내지 250)에 대해 기재된 동일하거나 실질적으로 동일한 동작들을 이용하여 외부의 소프트 조직 이미지를 분석하도록 구성될 수 있다. 하지만, 선택적으로, 단계들(220 내지 250)에 기재된 2개(또는 그 이상의) 분석보다 하나의 분석이 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석}.
프로세서(110)는 분석에 기초하여, 기형적 특징이 존재하는 확률을 결정하도록 구성될 수 있다(단계 1630). 예를 들어, 프로세서(110)는 전술한 동작들을 이용하여 기형적 특징의 확률 점수를 결정하도록 구성될 수 있다.
프로세서(110)는 엄격함 점수를 기형적 특징에 할당하도록 구성될 수 있다(단계 1640). 예를 들어, 프로세서(110)는 상대 측정 분석에 기초하여 엄격도 점수를 기형적 특징에 할당하도록 구성될 수 있다. 예를 들어, 긴 인중 기형적 특징의 엄격함은 환자의 코, 입 및 얼굴의 길이 중 하나 이상과 연관된 특징 포인트들에 의해 한정된 길이에 대한 인중과 연관된 특징 포인트들에 의해 한정된 길이의 비율에 의해 측정될 수 있다. 몇몇 실시예들에서, 엄격도 점수는, 확률 점수가 결정된 후에 결정된다. 예를 들어, 몇몇 실시예들에서, 기형적 특징에 대한 확률 점수가 임계치보다 높으면, 엄격도 점수가 결정될 수 있다. 엄격도 점수는 기형적 특징에 대한 확률 점수의 함수로서(예를 들어, 더 높은 확률 점수는 더 높은 엄격도 점수를 수신할 수 있다), 또는 예를 들어, 기형적 특징의 다양한 미리 결정된 엄격도를 갖는 것으로 알려진 개인들로부터의 데이터 상에서 트레이닝된 제 2 분류자를 이용함으로써 결정될 수 있다.
프로세서(110)는, 기형적 특징이 엄격도 점수에 기초하여 의학적 상태를 나타낼 지를 예측하도록 구성될 수 있다(단계 1650). 예를 들어, 분류자는 기형적 특징들의 세트와 연관된 확률 점수 및 엄격함 점수를 수신하고 의학적 상태에 대한 확률 점수를 출력하기 위해 의학적 상태의 긍정적인 부정적인 예들 상에서 트레이닝될 수 있다. 프로세서(110)는 예를 들어, 기형적 특징의 엄격함 점수가 의학적 상태를 나타낼 지를 결정하기 위해 트레이닝된 식별자를 이용할 수 있다.
도 17은 적어도 하나의 프로세서가 수행하도록 구성된 예시적인 프로세스(1700)를 도시한다. 예를 들어, 전술한 바와 같이, 프로세서(110)는 메모리 디바이스(120)에 저장된 소프트웨어 또는 펌웨어를 실행함으로써 프로세스(1700)를 수행하도록 구성될 수 있거나, 전용 하드웨어 또는 하나 이상의 ASIC들을 이용하여 프로세스(1700)를 수행하도록 구성될 수 있다.
프로세서(110)는 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하도록 구성될 수 있다(단계 1710). 프로세서(110)는 예를 들어, 전술한 단계(210)와 동일한 방식으로 단계(1710)를 수행하도록 구성될 수 있다.
프로세서(110)는 외부의 소프트 조직 이미지 정보를 분석하고 제 1 기형적 속성 및 제 2 기형적 속성을 식별하도록 구성될 수 있다(단계 1720). 예를 들어, 프로세서(110)는 외부의 소프트 조직 이미지 정보를 분석하고, 단계들(220 내지 250)에 대해 전술한 동일하거나 실질적으로 동일한 동작들을 이용하여 외부의 소프트 조직 이미지 정보에서의 적어도 2개의 기형적 특징들을 식별하도록 구성될 수 있다. 하지만, 선택적으로, 단계들(220 내지 250)에 기재된 2개(또는 그 이상의) 분석보다 하나의 분석이 수행될 수 있다{예를 들어, 단계들(220 내지 230)에서의 분석}.
프로세서(110)는 제 1 기형적 속성이 제 2 기형적 속성보다 의학적 상태의 예측자인 가능성이 적은 지를 결정하도록 구성될 수 있다(단계 1730). 예를 들어, 프로세서(110)는, 제 1 기형적 속성이, 일반적으로 제 1 기형적 속성이 제 2 기형적 속성과 일치하지 않는 정보에 기초하여 제 2 기형적 속성보다 의학적 상태의 예측자일 가능성이 적은 지를 결정하도록 구성될 수 있다. 다른 예로서, 프로세서(110)는, 제 2 기형적 속성이, 일반적으로 제 1 기형적 속성이 환자의 가족 일원들 중에서 공통적인 정보에 기초하여 제 2 기형적 속성보다 의학적 상태의 예측자일 가능성이 적은 지를 결정하도록 구성될 수 있다. 다른 예로서, 프로세서(110)는, 제 1 기형적 속성이, 일반적으로 제 1 기형적 속성이 개인의 인종의 일원들 중에서 공통적인 정보에 기초하여 제 2 기형적 속성보다 의학적 상태의 예측자일 가능성이 적은 지를 결정하도록 구성될 수 있다. 다른 예로서, 프로세서(110)는, 제 1 기형적 속성이, 일반적으로 제 1 기형적 속성이 개인의 성별의 일원들 중에서 공통적인 정보에 기초하여 제 2 기형적 속성보다 의학적 상태의 예측자일 가능성이 적은 지를 결정하도록 구성될 수 있다.
프로세서(110)는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있는 지의 여부를 예측하도록 구성될 수 있고, 예측 동안, 제 1 기형적 속성이 디스카운트된다(단계 1740). 예를 들어, 프로세서(110)는, 환자가 단계(260)에 대해 전술한 실질적으로 동일한 동작들을 이용하여 의학적 상태에 영향을 받을 가능성이 있는 지를 예측하도록 구성될 수 있다. 하지만, 예측하는데 사용된 분류자는, 예를 들어 제 1 기형적 속성을 무시하거나, 감소된 가중치를 이에 제공하도록 구성될 수 있다.
명백함을 위해, 개별적인 실시예들의 정황에서 본 명세서에 기재된 특정한 특징들은 또한 단일 실시예와 조합하여 제공될 수 있다. 이와 반대로, 명확함을 위해, 단일 실시예의 정황에서 기재되는 다양한 특징들은 또한 다중의 실시예들에 개별적으로 또는 임의의 적합한 서브-조합으로 제공될 수 있다. 더욱이, 특징들이 특정 조합들에서 작용하는 것으로 기재되고 심지어 초기에 이와 같이 청구될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 몇몇 경우들에서 조합으로부터 실현될 수 있고, 청구된 조합은 서브 조합 또는 서브 조합이 변경에 관한 것이다.
특정 실시예들이 기재되었다. 다른 실시예들은 다음의 청구항의 범주 내에 있다.

Claims (198)

  1. 환자(subject)가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템으로서,
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고;
    고정된 셀들 분석, 시프팅 패치들 분석 및 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 1 평가를 수행하고;
    적어도 부분적으로 상기 제 1 평가에 기초하여 제 1 평가 결과 정보를 생성하고;
    상기 고정된 셀들 분석, 상기 시프팅 패치들 분석, 및 상기 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 2 평가를 수행하고;
    적어도 부분적으로 상기 제 2 평가에 기초하여 제 2 평가 결과 정보를 생성하고;
    적어도 부분적으로, 상기 제 1 평가 결과 정보 및 상기 제 2 평가 결과 정보에 기초하여 상기 의학적 상태에 의해 상기 환자가 영향을 받을 가능성을 예측하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  2. 제 1항에 있어서, 상기 적어도 하나의 프로세서는 또한,
    상기 고정된 셀들 분석, 상기 시프팅 패치들 분석, 및 상기 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 3 평가를 수행하고;
    적어도 부분적으로 상기 제 3 평가에 기초하여 제 3 평가 결과 정보를 생성하고;
    적어도 부분적으로, 상기 제 1 평가 결과 정보, 상기 제 2 평가 결과 정보 및 상기 제 3 평가 결과 정보에 기초하여 상기 의학적 상태에 의해 상기 환자가 영향을 받을 가능성을 예측하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  3. 제 1항에 있어서, 상기 제 1 평가 및 제 2 평가 중 적어도 하나는 상기 고정된 셀들 분석을 이용하여 수행되고, 또한, 상기 고정된 셀들 분석을 수행하기 위해, 상기 적어도 하나의 프로세서는 또한,
    상기 외부의 소프트 조직 이이지 정보 상에 복수의 셀들과 그리드를 중첩하고;
    상기 복수의 셀들 각각에 대한 설명자들을 계산하고;
    벡터를 생성하기 위해 상기 설명자들을 집합(aggregate)시키고;
    상기 의학적 상태로 이전에 진단된 다른 개인들의 외부의 소프트 조직 이미지들로부터 이전에 생성된 벡터들을 상기 벡터와 비교하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  4. 제 3항에 있어서, 상기 그리드를 중첩하기 위해, 상기 적어도 하나의 프로세서는 또한, 상기 외부의 소프트 조직 이미지 정보 상의 복수의 셀들과 고정된 그리드를 중첩하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  5. 제 3항에 있어서, 상기 그리드를 중첩하기 위해, 상기 적어도 하나의 프로세서는 또한, 상기 외부의 소프트 조직 이미지 정보 상에서 검출된 포인트들을 연결함으로써 생성된 복수의 삼각형 셀들을 중첩하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  6. 제 1항에 있어서, 상기 제 1 평가 및 상기 제 2 평가 중 적어도 하나는 상기 시프팅 패치들 분석을 이용하여 수행되고, 또한, 상기 시프팅 패치들 분석을 수행하기 위해, 상기 적어도 하나의 프로세서는 또한,
    상기 외부의 소프트 조직 이미지 정보 상의 복수의 밀집하게 이격되거나 중첩된 패치들을 중첩하고;
    상기 복수의 패치들 각각에 대한 설명자 벡터를 계산하고;
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들에서의 유사한 영역으로부터 이전에 생성된 벡터들과 각 설명자 벡터를 비교하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  7. 제 1항에 있어서, 상기 의학적 상태는 유전적 증후군(genetic syndrome)인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  8. 제 1항에 있어서, 상기 의학적 상태에 의해 영향을 받는 것은, 유전적 증후군의 소유 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  9. 제 1항에 있어서, 상기 제 1 평가 및 상기 제 2 평가 중 적어도 하나는 상기 상대 측정들 분석을 이용하여 수행되고, 또한, 상기 상대 측정들 분석을 수행하기 위해, 상기 적어도 하나의 프로세서는 또한,
    상기 외부의 소프트 조직 이미지 정보 내의 복수의 장소들 사이에서 복수의 상대 측정들을 계산하고,
    상기 복수의 측정들에 대한 벡터를 생성하기 위해 상기 복수의 측정들을 집합시키고,
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들로부터 이전에 생성된 벡터들과 상기 벡터를 비교하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  10. 제 1항에 있어서, 상기 외부의 소프트 조직 이미지 정보는 2차원 외부의 소프트 조직 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  11. 제 1항에 있어서, 상기 외부의 소프트 조직 이미지는 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  12. 제 1항에 있어서, 상기 외부의 소프트 조직 이미지는 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  13. 제 1항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  14. 제 1항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  15. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법으로서,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    고정된 셀들 분석, 시프팅 패치들 분석 및 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 1 평가를 수행하는 단계와;
    적어도 부분적으로 상기 제 1 평가에 기초하여 제 1 평가 결과 정보를 생성하는 단계와;
    상기 고정된 셀들 분석, 상기 시프팅 패치들 분석, 및 상기 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 2 평가를 수행하는 단계와;
    적어도 부분적으로 상기 제 2 평가에 기초하여 제 2 평가 결과 정보를 생성하는 단계와;
    적어도 부분적으로, 상기 제 1 평가 결과 정보 및 상기 제 2 평가 결과 정보에 기초하여 상기 의학적 상태에 의해 상기 환자가 영향을 받을 가능성을 예측하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  16. 제 15항에 있어서, 상기 고정된 셀들 분석, 상기 시프팅 패치들 분석, 및 상기 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 3 평가를 수행하는 단계와;
    적어도 부분적으로 상기 제 3 평가에 기초하여 제 3 평가 결과 정보를 생성하는 단계와;
    적어도 부분적으로, 상기 제 1 평가 결과 정보, 상기 제 2 평가 결과 정보 및 상기 제 3 평가 결과 정보에 기초하여 상기 의학적 상태에 의해 상기 환자가 영향을 받을 가능성을 예측하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  17. 제 15항에 있어서, 상기 제 1 평가 및 제 2 평가 중 적어도 하나는 상기 고정된 셀들 분석을 이용하여 수행되고, 상기 고정된 셀들 분석을 수행하는 단계는,
    상기 외부의 소프트 조직 이이지 정보 상에 복수의 셀들과 그리드를 중첩하는 단계와;
    상기 복수의 셀들 각각에 대한 설명자들을 계산하는 단계와;
    벡터를 생성하기 위해 상기 설명자들을 집합시키는 단계와;
    상기 의학적 상태로 이전에 진단된 다른 개인들의 외부의 소프트 조직 이미지들로부터 이전에 생성된 벡터들을 상기 벡터와 비교하는 단계를
    추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  18. 제 17항에 있어서, 상기 그리드를 중첩하는 단계는, 상기 외부의 소프트 조직 이미지 정보 상의 복수의 셀들과 고정된 그리드를 중첩하는 단계를 추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  19. 제 17항에 있어서, 상기 그리드를 중첩하는 단계는, 상기 외부의 소프트 조직 이미지 정보 상에서 검출된 포인트들을 연결함으로써 생성된 복수의 삼각형 셀들을 중첩하는 단계를 추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  20. 제 15항에 있어서, 상기 제 1 평가 및 상기 제 2 평가 중 적어도 하나는 상기 시프팅 패치들 분석을 이용하여 수행되고, 상기 시프팅 패치들 분석을 수행하는 단계는,
    상기 외부의 소프트 조직 이미지 정보 상의 복수의 밀집하게 이격되거나 중첩된 패치들을 중첩하는 단계와;
    상기 복수의 패치들 각각에 대한 설명자를 계산하는 단계와;
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들에서의 유사한 영역으로부터 이전에 생성된 설명자들과 각 설명자를 비교하는 단계를
    추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  21. 제 15항에 있어서, 상기 의학적 상태는 유전학적 증후군인, 환자가 의학적 태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  22. 제 15항에 있어서, 상기 의학적 상태에 의해 영향을 받는 것은, 유전적 증후군의 소유 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  23. 제 15항에 있어서, 상기 제 1 평가 및 상기 제 2 평가 중 적어도 하나는 상기 상대 측정들 분석을 이용하여 수행되고, 상기 상대 측정들 분석을 수행하는 단계는,
    상기 외부의 소프트 조직 이미지 정보 내의 복수의 장소들 사이에서 복수의 상대 측정들을 계산하는 단계와,
    상기 복수의 측정들에 대한 벡터를 생성하기 위해 상기 복수의 측정들을 집합시키는 단계와,
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들로부터 이전에 생성된 벡터들과 상기 벡터를 비교하는 단계를
    추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  24. 제 15항에 있어서, 상기 외부의 소프트 조직 이미지 정보는 2차원 외부의 소프트 조직 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  25. 제 15항에 있어서, 상기 외부의 소프트 조직 이미지는, 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  26. 제 15항에 있어서, 상기 외부의 소프트 조직 이미지는 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  27. 제 15항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  28. 제 15항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  29. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 비 일시적 컴퓨터-판독가능 매체로서, 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    고정된 셀들 분석, 시프팅 패치들 분석 및 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 1 평가를 수행하는 단계와;
    적어도 부분적으로 상기 제 1 평가에 기초하여 제 1 평가 결과 정보를 생성하는 단계와;
    상기 고정된 셀들 분석, 상기 시프팅 패치들 분석, 및 상기 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 2 평가를 수행하는 단계와;
    적어도 부분적으로 상기 제 2 평가에 기초하여 제 2 평가 결과 정보를 생성하는 단계와;
    적어도 부분적으로, 상기 제 1 평가 결과 정보 및 상기 제 2 평가 결과 정보에 기초하여 상기 의학적 상태에 의해 상기 환자가 영향을 받을 가능성을 예측하는 단계를
    포함하는 동작들을 수행하도록 하는 명령어들을 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  30. 제 29항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은,
    상기 적어도 하나의 프로세서로 하여금 또한,
    상기 고정된 셀들 분석, 상기 시프팅 패치들 분석, 및 상기 상대 측정들 분석 중 적어도 하나를 이용하여 상기 외부의 소프트 조직 이미지 정보의 제 3 평가를 수행하는 단계와;
    적어도 부분적으로 상기 제 3 평가에 기초하여 제 3 평가 결과 정보를 생성하는 단계와;
    적어도 부분적으로, 상기 제 1 평가 결과 정보, 상기 제 2 평가 결과 정보 및 상기 제 3 평가 결과 정보에 기초하여 상기 의학적 상태에 의해 상기 환자가 영향을 받을 가능성을 예측하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  31. 제 29항에 있어서, 상기 제 1 평가 및 제 2 평가 중 적어도 하나는 상기 고정된 셀들 분석을 이용하여 수행되고, 또한, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은, 상기 적어도 하나이 프로세서로 하여금 또한,
    상기 외부의 소프트 조직 이이지 정보 상에 복수의 셀들과 그리드를 중첩하는 단계와;
    상기 복수의 셀들 각각에 대한 설명자들을 계산하는 단계와;
    벡터를 생성하기 위해 상기 설명자들을 집합시키는 단계와;
    상기 의학적 상태로 이전에 진단된 다른 개인들의 외부의 소프트 조직 이미지들로부터 이전에 생성된 벡터들을 상기 벡터와 비교하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  32. 제 31항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한, 상기 외부의 소프트 조직 이미지 정보 상의 복수의 셀들과 고정된 그리드를 중첩하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  33. 제 31항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한, 상기 외부의 소프트 조직 이미지 정보 상에서 검출된 포인트들을 연결함으로써 생성된 복수의 삼각형 셀들을 중첩하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  34. 제 29항에 있어서, 상기 제 1 평가 및 상기 제 2 평가 중 적어도 하나는 상기 시프팅 패치들 분석을 이용하여 수행되고, 또한, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 외부의 소프트 조직 이미지 정보 상의 복수의 밀집하게 이격되거나 중첩된 패치들을 중첩하는 단계와;
    상기 복수의 패치들 각각에 대한 설명자를 계산하는 단계와;
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들에서의 유사한 영역으로부터 이전에 생성된 설명자들과 각 설명자를 비교하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  35. 제 29항에 있어서, 상기 의학적 상태는 유전학적 증후군인, 비 일시적 컴퓨터-판독가능 매체.
  36. 제 29항에 있어서, 상기 의학적 상태에 의해 영향을 받는 것은 유전적 증후군의 소유 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  37. 제 29항에 있어서, 상기 제 1 평가 및 상기 제 2 평가 중 적어도 하나는 상기 상대 측정들 분석을 이용하여 수행되고, 또한, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 외부의 소프트 조직 이미지 정보 내의 복수의 장소들 사이에서 복수의 상대 측정들을 계산하는 단계와,
    상기 복수의 측정들에 대한 벡터를 생성하기 위해 상기 복수의 측정들을 집합시키는 단계와,
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 외부의 소프트 조직 이미지들로부터 이전에 생성된 벡터들과 상기 벡터를 비교하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  38. 제 29항에 있어서, 상기 외부의 소프트 조직 이미지 정보는 2차원 외부의 소프트 조직 이미지인, 비 일시적 컴퓨터-판독가능 매체.
  39. 제 29항에 있어서, 상기 외부의 소프트 조직 이미지는, 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  40. 제 29항에 있어서, 상기 외부의 소프트 조직 이미지는 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 비 일시적 컴퓨터-판독가능 매체.
  41. 제 29항에 있어서, 상기 환자는 신생아 또는 아이들인, 비 일시적 컴퓨터-판독가능 매체.
  42. 제 29항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 비 일시적 컴퓨터-판독가능 매체.
  43. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템으로서,
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고;
    상기 외부의 소프트 조직 이미지 정보를 복수의 영역들로 분리하고;
    상기 복수의 영역들 각각의 분석을 생성하고;
    상기 복수의 영역들의 상기 분석을 집합시키고;
    상기 환자가 상기 집합된 분석들에 기초하여 상기 의학적 상태에 의해 영향을 받을 가능성을 결정하도록
    구성된, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  44. 제 43항에 있어서, 상기 복수의 영역들 각각의 분석을 생성하기 위해, 상기 적어도 하나의 프로세서는 또한, 상기 복수의 영역들을 상기 의학적 상태에 의해 영향을 받을 알려진 개인들의 이미지들로부터 유도된 데이터과 비교하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  45. 제 43항에 있어서, 상기 외부의 소프트 조직 이미지는 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  46. 제 43항에 있어서, 상기 외부의 소프트 조직 이미지는 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  47. 제 43항에 있어서, 상기 외부의 소프트 조직 이미지 정보를 복수의 영역들로 분리하기 위해, 상기 적어도 하나의 프로세서는 또한,
    상기 외부의 소프트 조직 이미지 정보의 이마 영역, 상기 외부의 소프트 조직 이미지 정보의 눈 주위 영역, 상기 외부의 소프트 조직 이미지 정보의 코 영역, 상기 외부의 소프트 조직 이미지 정보의 중간-얼굴 영역, 상기 외부의 소프트 조직 이미지 정보의 귀 영역, 및 상기 외부의 소프트 조직 이미지 정보의 입 영역 중 적어도 하나를 처리하고;
    상기 외부의 소프트 조직 이미지 정보의 적어도 하나의 다른 영역을 디스카운트(discount)하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  48. 제 43항에 있어서, 상기 적어도 하나의 프로세서는 또한, 상기 고정된 셀 분석 및 시프팅 패치 분석 중 적어도 하나를 수행하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  49. 제 43항에 있어서, 상기 복수의 영역들 각각의 분석을 생성하기 위해, 상기 적어도 하나의 프로세서는 또한, 상기 복수의 영역들 각각에 대한 설명자를 계산하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  50. 제 49항에 있어서, 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 결정하기 위해, 상기 적어도 하나의 프로세서는 또한, 상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 추가 외부 소프트 조직 이미지들로부터 이전에 생성된 설명자들과 상기 설명자를 비교하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  51. 제 49항에 있어서, 상기 설명자를 계산하기 위해, 상기 적어도 하나의 프로세서는 또한, 상기 외부의 소프트 조직 이미지 정보와 연관된 세기, 상기 외부의 소프트 조직 이미지 정보와 연관된 텍스처, 상기 외부의 소프트 조직 이미지 정보와 연관된 에지 중 적어도 하나를 분석하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  52. 제 43항에 있어서, 상기 외부의 소프트 조직 이미지 정보는 2차원 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  53. 제 43항에 있어서, 상기 의학적 상태는 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  54. 제 43항에 있어서, 상기 환자는 신생아 및 아이들 중 적어도 하나인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  55. 제 43항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  56. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법으로서,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 외부의 소프트 조직 이미지 정보를 복수의 영역들로 분리하는 단계와;
    상기 복수의 영역들 각각의 분석을 생성하는 단계와;
    상기 복수의 영역들의 상기 분석을 집합시키는 단계와;
    상기 환자가 상기 집합된 분석들에 기초하여 상기 의학적 상태에 의해 영향을 받을 가능성을 결정하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  57. 제 56항에 있어서, 상기 복수의 영역들 각각의 분석을 생성하는 단계는,
    상기 복수의 영역들을, 상기 의학적 상태에 의해 영향을 받을 알려진 개인들의 이미지들로부터 유도된 데이터와 비교하는 단계를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  58. 제 56항에 있어서, 상기 외부의 소프트 조직 이미지는 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  59. 제 56항에 있어서, 상기 외부의 소프트 조직 이미지는 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  60. 제 56항에 있어서, 상기 외부의 소프트 조직 이미지 정보를 복수의 영역들로 분리하는 단계는,
    상기 외부의 소프트 조직 이미지 정보의 이마 영역, 상기 외부의 소프트 조직 이미지 정보의 눈 주위 영역, 상기 외부의 소프트 조직 이미지 정보의 코 영역, 상기 외부의 소프트 조직 이미지 정보의 중간-얼굴 영역, 상기 외부의 소프트 조직 이미지 정보의 귀 영역, 및 상기 외부의 소프트 조직 이미지 정보의 입 영역 중 적어도 하나를 처리하는 단계와;
    상기 외부의 소프트 조직 이미지 정보의 적어도 하나의 다른 영역을 디스카운트하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  61. 제 56항에 있어서, 상기 적어도 하나의 프로세서는 또한, 상기 고정된 셀 분석 및 시프팅 패치 분석 중 적어도 하나를 수행하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  62. 제 56항에 있어서, 상기 복수의 영역들 각각의 분석을 생성하는 단계는, 상기 복수의 영역들 각각에 대한 설명자를 계산하는 단계를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  63. 제 62항에 있어서, 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 결정하는 단계는,
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 추가 외부 소프트 조직 이미지들로부터 이전에 생성된 설명자들과 상기 설명자를 비교하는 단계를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  64. 제 62항에 있어서, 상기 설명자를 계산하는 단계는,
    상기 외부의 소프트 조직 이미지 정보와 연관된 세기, 상기 외부의 소프트 조직 이미지 정보와 연관된 텍스처, 상기 외부의 소프트 조직 이미지 정보와 연관된 에지 중 적어도 하나를 분석하는 단계를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  65. 제 56항에 있어서, 상기 외부의 소프트 조직 이미지 정보는 2차원 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  66. 제 56항에 있어서, 상기 의학적 상태는 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  67. 제 56항에 있어서, 상기 환자는 신생아 및 아이들 중 적어도 하나인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  68. 제 56항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  69. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 비 일시적 컴퓨터-판독가능 매체로서, 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 외부의 소프트 조직 이미지 정보를 복수의 영역들로 분리하는 단계와;
    상기 복수의 영역들 각각의 분석을 생성하는 단계와;
    상기 복수의 영역들의 상기 분석을 집합시키는 단계와;
    상기 환자가 상기 집합된 분석들에 기초하여 상기 의학적 상태에 의해 영향을 받을 가능성을 결정하는 단계를
    포함하는 동작들을 수행하도록 하는 명령어들을 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  70. 제 69항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 복수의 영역들을 상기 의학적 상태에 의해 영향을 받을 알려진 개인들의 이미지들로부터 유도된 데이터와 비교하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  71. 제 69항에 있어서, 상기 외부의 소프트 조직 이미지는 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  72. 제 69항에 있어서, 상기 외부의 소프트 조직 이미지는 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 비 일시적 컴퓨터-판독가능 매체.
  73. 제 69항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 외부의 소프트 조직 이미지 정보의 이마 영역, 상기 외부의 소프트 조직 이미지 정보의 눈 주위 영역, 상기 외부의 소프트 조직 이미지 정보의 코 영역, 상기 외부의 소프트 조직 이미지 정보의 중간-얼굴 영역, 상기 외부의 소프트 조직 이미지 정보의 귀 영역, 및 상기 외부의 소프트 조직 이미지 정보의 입 영역 중 적어도 하나를 처리하는 단계와;
    상기 외부의 소프트 조직 이미지 정보의 적어도 하나의 다른 영역을 디스카운트하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  74. 제 69항에 있어서, 상기 적어도 하나의 프로세서는 또한, 상기 고정된 셀 분석 및 시프팅 패치 분석 중 적어도 하나를 수행하도록 구성되는, 비 일시적 컴퓨터-판독가능 매체.
  75. 제 69항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 복수의 영역들 각각에 대한 설명자를 계산하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  76. 제 75항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 의학적 상태에 의해 영향을 받는 것으로 이전에 결정된 다른 개인들의 추가 외부 소프트 조직 이미지들로부터 이전에 생성된 설명자들과 상기 설명자를 비교하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  77. 제 75항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 외부의 소프트 조직 이미지 정보와 연관된 세기, 상기 외부의 소프트 조직 이미지 정보와 연관된 텍스처, 상기 외부의 소프트 조직 이미지 정보와 연관된 에지 중 적어도 하나를 분석하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  78. 제 69항에 있어서, 상기 외부의 소프트 조직 이미지 정보는 2차원 이미지인, 비 일시적 컴퓨터-판독가능 매체.
  79. 제 69항에 있어서, 상기 의학적 상태는 유전적 증후군인, 비 일시적 컴퓨터-판독가능 매체.
  80. 제 69항에 있어서, 상기 환자는 신생아 및 아이들 중 적어도 하나인, 비 일시적 컴퓨터-판독가능 매체.
  81. 제 69항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 비 일시적 컴퓨터-판독가능 매체.
  82. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템으로서,
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고;
    상기 외부의 소프트 조직 이미지 정보를 데이터베이스에서의 다른 환자들의 복수의 외부의 소프트 조직 이미지들과 비교하기 위해 이미지 정보 분석을 이용하고;
    상기 이미지 정보 분석에 기초하여, 상기 외부의 소프트 조직 이미지 정보에 포함된 기형적 특징들을 결정하고;
    상기 기형적 특징들과 연관된 설명자들에 액세스하고;
    상기 설명자들의 적어도 일부를 출력하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  83. 제 82항에 있어서, 상기 적어도 하나의 프로세서는 또한, 노화, 성별 및 인종 중 적어도 하나를 포함하는 복수의 목적 기준에 기초하여 상기 외부의 소프트 조직 이미지 정보를 평가하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  84. 제 82항에 있어서, 상기 액세스된 설명자들은 기형적 특징들과 연관되고, 적어도 하나의 의학적 상태의 잠재적 표시자들인 단어들의 목록을 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  85. 제 82항에 있어서, 상기 액세스된 설명자들은, 의학적 상태들을 검색하기 위해 복수의 데이터베이스들과 호환가능한 용어들을 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  86. 제 82항에 있어서, 상기 액세스된 설명자들은, 의학적 상태의 일반적인 외형의 적어도 하나의 설명자를 포함하는 단어들의 목록인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  87. 제 82항에 있어서, 상기 의학적 상태는 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템
  88. 제 82항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  89. 제 82항에 있어서, 상기 의학적 상태는 외부의 소프트 조직 기형학을 특징으로 하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  90. 제 82항에 있어서, 상기 의학적 장애에 의해 영향을 받는 것은, 유전적 증후군을 소유하는 것 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  91. 제 82항에 있어서, 상기 이미지 정보 분석은, 고정된 셀들 분석, 시프팅 패치들 분석, 및 상대 측정들 분석 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  92. 제 82항에 있어서, 상기 적어도 하나의 프로세서는 또한, 확률 점수를 각 기형적 특징에 할당하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  93. 제 82항에 있어서, 상기 외부의 소프트 조직 이미지는, 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  94. 제 82항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  95. 제 82항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  96. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법으로서,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 외부의 소프트 조직 이미지 정보를, 데이터베이스에서의 다른 환자들의 복수의 외부의 소프트 조직 이미지들과 비교하기 위해 이미지 정보 분석을 이용하는 단계와;
    상기 이미지 정보 분석에 기초하여, 상기 외부의 소프트 조직 이미지 정보에 포함된 기형적 특징들을 결정하는 단계와;
    상기 기형적 특징들과 연관된 설명자들에 액세스하는 단계와;
    상기 설명자들의 적어도 일부를 출력하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  97. 제 96항에 있어서, 노화, 성별 및 인종 중 적어도 하나를 포함하는 복수의 목적 기준에 기초하여 상기 외부의 소프트 조직 이미지 정보를 평가하는 단계를 추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  98. 제 96항에 있어서, 상기 설명자들은 적어도 하나의 의학적 상태의 잠재적 표시자들인 기형적 특징들과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  99. 제 96항에 있어서, 상기 액세스된 설명자들은 의학적 상태들을 검색하기 위해 복수의 데이터베이스들과 호환가능한 용어들을 포함하는 단어들의 목록인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  100. 제 96항에 있어서, 액세스된 설명자들은 의학적 상태의 일반적인 외형의 적어도 하나의 설명자를 포함하는 단어들의 목록인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  101. 제 96항에 있어서, 상기 의학적 상태는 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법
  102. 제 96항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  103. 제 96항에 있어서, 상기 의학적 상태는 외부의 소프트 조직 기형학을 특징으로 하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  104. 제 96항에 있어서, 상기 의학적 장애에 의해 영향을 받는 것은 유전적 증후군을 소유하는 것 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  105. 제 96항에 있어서, 상기 이미지 정보 분석은 고정된 셀들 분석, 시프팅 패치들 분석, 및 상대 측정들 분석 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  106. 제 96항에 있어서, 확률 점수를 각 기형적 특징에 할당하는 단계를 추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  107. 제 96항에 있어서, 상기 외부의 소프트 조직 이미지는, 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  108. 제 96항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  109. 제 96항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  110. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 비 일시적 컴퓨터-판독가능 매체로서, 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 외부의 소프트 조직 이미지 정보를, 데이터베이스에서의 다른 환자들의 복수의 외부의 소프트 조직 이미지들과 비교하기 위해 이미지 정보 분석을 이용하는 단계와;
    상기 이미지 정보 분석에 기초하여, 상기 외부의 소프트 조직 이미지 정보에 포함된 기형적 특징들을 결정하는 단계와;
    상기 기형적 특징들과 연관된 설명자들에 액세스하는 단계와;
    상기 설명자들의 적어도 일부를 출력하는 단계를
    포함하는 동작들을 수행하도록 하는 명령어들을 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  111. 제 110항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한, 노화, 성별 및 인종 중 적어도 하나를 포함하는 복수의 목적 기준에 기초하여 상기 외부의 소프트 조직 이미지 정보를 평가하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  112. 제 110항에 있어서, 액세스된 설명자들은 적어도 하나의 의학적 상태의 잠재적 표시자들인 기형적 특징들과 연관되는, 비 일시적 컴퓨터-판독가능 매체.
  113. 제 110항에 있어서, 상기 액세스된 설명자들은 의학적 상태들을 검색하기 위해 복수의 데이터베이스들과 호환가능한 용어들을 포함하는 단어들의 목록인, 비 일시적 컴퓨터-판독가능 매체.
  114. 제 110항에 있어서, 액세스된 설명자들은 의학적 상태의 일반적인 외형의 적어도 하나의 설명자를 포함하는 단어들의 목록인, 비 일시적 컴퓨터-판독가능 매체.
  115. 제 110항에 있어서, 상기 의학적 상태는 유전적 증후군인, 비 일시적 컴퓨터-판독가능 매체.
  116. 제 110항에 있어서, 상기 환자는 신생아 또는 아이들인, 비 일시적 컴퓨터-판독가능 매체.
  117. 제 110항에 있어서, 상기 의학적 상태는 외부의 소프트 조직 기형학을 특징으로 하는, 비 일시적 컴퓨터-판독가능 매체.
  118. 제 110항에 있어서, 상기 의학적 장애에 의해 영향을 받는 것은 유전적 증후군을 소유하는 것 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  119. 제 110항에 있어서, 상기 이미지 정보 분석은 고정된 셀들 분석, 시프팅 패치들 분석, 및 상대 측정들 분석 중 적어도 하나를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  120. 제 110항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한, 확률 점수를 각 기형적 특징에 할당하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  121. 제 110항에 있어서, 상기 외부의 소프트 조직 이미지는, 상기 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  122. 제 110항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 비 일시적 컴퓨터-판독가능 매체.
  123. 제 110항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 비 일시적 컴퓨터-판독가능 매체.
  124. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템으로서,
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하고;
    상기 외부의 소프트 조직 이미지 정보를 분석하고;
    적어도 부분적으로 상기 분석에 기초하여 상기 외부의 소프트 조직 이미지 정보에서의 하나 이상의 외부의 소프트 조직 속성들을 식별하고;
    상기 복수의 의학적 상태들과 연관된 외부의 소프트 조직 속성들의 적어도 하나의 데이터베이스에 액세스하고;
    상기 하나 이상의 식별된 외부의 소프트 조직 속성들을, 상기 적어도 하나의 데이터베이스의 상기 외부의 소프트 조직 속성들과 비교하고;
    상기 비교에 기초하여 상기 환자에 의해 가능하게 소유된 적어도 하나의 의학적 상태에 관한 정보를 출력하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  125. 제 124항에 있어서, 상기 적어도 하나의 데이터베이스는, 복수의 데이터베이스들을 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  126. 제 124항에 있어서, 상기 하나 이상의 외부의 소프트 조직 속성들을 식별하기 위해, 상기 적어도 하나의 프로세서는 또한,
    상기 외부의 소프트 조직 이미지 정보에서 잠재적인 외부의 소프트 조직 속성들을 식별하고;
    상기 잠재적인 외부의 소프트 조직 속성들이 상기 이미지에서 나타날 가능성을 반영하는 상기 잠재적인 외부의 소프트 조직 속성들에 신뢰도 레벨을 할당하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  127. 제 124항에 있어서, 상기 적어도 하나의 프로세서는 또한,
    상기 분석에 직접 기초하여 상기 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 추가 정보를 결정하고;
    상기 비교 및 추가 정보에 기초하여 상기 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 정보를 출력하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  128. 제 124항에 있어서, 상기 하나 이상의 외부의 소프트 조직 속성들을 식별하기 위해, 상기 적어도 하나의 프로세서는 또한,
    어떤 외부의 소프트 조직 속성들이 각 의학적 상태의 표시자로서 각 외부의 소프트 조직 속성들의 가중치를 고려함으로써 의학적 상태들의 표시자들인지 식별하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  129. 제 128항에 있어서, 각 외부의 소프트 조직 속성의 가중치는, 각 외부의 소프트 조직 속성의 엄격함, 일반적인 인구에서의 각 외부의 소프트 조직 속성의 일반인, 의학적 상태에 대한 각 외부의 소프트 조직 속성의 관련성 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  130. 제 124항에 있어서, 상기 외부의 소프트 조직 이미지 정보를 분석하기 위해, 상기 적어도 하나의 프로세서는 또한,
    고정된 셀들 분석, 시프팅 패치들 분석, 및 상대 측정 분석 중 적어도 하나의 적어도 하나를 수행하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  131. 제 124항에 있어서, 상기 외부의 소프트 조직 이미지는, 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  132. 제 124항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  133. 제 124항에 있어서, 상기 의학적 상태는, 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  134. 제 124항에 있어서, 의학적 장애에 의해 영향을 받는 것은, 유전적 증후군을 소유하는 것 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  135. 제 124항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  136. 제 124항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  137. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법으로서,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 외부의 소프트 조직 이미지 정보를 분석하는 단계와;
    적어도 부분적으로 상기 분석에 기초하여 상기 외부의 소프트 조직 이미지 정보에서의 하나 이상의 외부의 소프트 조직 속성들을 식별하는 단계와;
    상기 복수의 의학적 상태들과 연관된 외부의 소프트 조직 속성들의 적어도 하나의 데이터베이스에 액세스하는 단계와;
    상기 하나 이상의 식별된 외부의 소프트 조직 속성들을, 상기 적어도 하나의 데이터베이스의 상기 외부의 소프트 조직 속성들과 비교하는 단계와;
    상기 비교에 기초하여 상기 환자에 의해 가능하게 소유된 적어도 하나의 의학적 상태에 관한 정보를 출력하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  138. 제 137항에 있어서, 상기 적어도 하나의 데이터베이스는 복수의 데이터베이스들을 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  139. 제 137항에 있어서, 상기 하나 이상의 외부의 소프트 조직 속성들을 식별하는 단계는,
    상기 외부의 소프트 조직 이미지 정보에서 잠재적인 외부의 소프트 조직 속성들을 식별하는 단계와;
    상기 잠재적인 외부의 소프트 조직 속성들이 상기 이미지에서 나타날 가능성을 반영하는 상기 잠재적인 외부의 소프트 조직 속성들에 신뢰도 레벨을 할당하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  140. 제 137항에 있어서,
    상기 분석에 직접 기초하여 상기 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 추가 정보를 결정하는 단계와;
    상기 비교 및 추가 정보에 기초하여 상기 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 정보를 출력하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  141. 제 137항에 있어서, 상기 하나 이상의 외부의 소프트 조직 속성들을 식별하는 단계는,
    어떤 외부의 소프트 조직 속성들이 각 의학적 상태의 표시자로서 각 외부의 소프트 조직 속성들의 가중치를 고려함으로써 의학적 상태들의 표시자들인지 식별하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  142. 제 141항에 있어서, 각 외부의 소프트 조직 속성의 가중치는 각 외부의 소프트 조직 속성의 엄격함, 일반적인 인구에서의 각 외부의 소프트 조직 속성의 일반인, 의학적 상태에 대한 각 외부의 소프트 조직 속성의 관련성 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  143. 제 137항에 있어서, 상기 외부의 소프트 조직 이미지 정보를 분석하는 단계는,
    고정된 셀들 분석, 시프팅 패치들 분석, 및 상대 측정 분석 중 적어도 하나의 적어도 하나를 수행하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  144. 제 137항에 있어서, 상기 외부의 소프트 조직 이미지는, 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  145. 제 137항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  146. 제 137항에 있어서, 상기 의학적 상태는 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  147. 제 137항에 있어서, 의학적 장애에 의해 영향을 받는 것은, 유전적 증후군을 소유하는 것 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  148. 제 137항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  149. 제 137항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  150. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 비 일시적 컴퓨터-판독가능 매체로서, 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금,
    상기 환자의 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 외부의 소프트 조직 이미지 정보를 분석하는 단계와;
    적어도 부분적으로 상기 분석에 기초하여 상기 외부의 소프트 조직 이미지 정보에서의 하나 이상의 외부의 소프트 조직 속성들을 식별하는 단계와;
    상기 복수의 의학적 상태들과 연관된 외부의 소프트 조직 속성들의 적어도 하나의 데이터베이스에 액세스하는 단계와;
    상기 하나 이상의 식별된 외부의 소프트 조직 속성들을, 상기 적어도 하나의 데이터베이스의 상기 외부의 소프트 조직 속성들과 비교하는 단계와;
    상기 비교에 기초하여 상기 환자에 의해 가능하게 소유된 적어도 하나의 의학적 상태에 관한 정보를 출력하는 단계를
    포함하는 동작들을 수행하도록 하는 명령어들을 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  151. 제 150항에 있어서, 상기 적어도 하나의 데이터베이스는 복수의 데이터베이스들을 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  152. 제 150항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 외부의 소프트 조직 이미지 정보에서 잠재적인 외부의 소프트 조직 속성들을 식별하는 단계와;
    상기 잠재적인 외부의 소프트 조직 속성들이 상기 이미지에서 나타날 가능성을 반영하는 상기 잠재적인 외부의 소프트 조직 속성들에 신뢰도 레벨을 할당하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  153. 제 150항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 분석에 직접 기초하여 상기 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 추가 정보를 결정하는 단계와;
    상기 비교 및 추가 정보에 기초하여 상기 환자에 의해 가능성있게 소유된 적어도 하나의 의학적 상태에 관한 정보를 출력하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  154. 제 150항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    어떤 외부의 소프트 조직 속성들이 각 의학적 상태의 표시자로서 각 외부의 소프트 조직 속성들의 가중치를 고려함으로써 의학적 상태들의 표시자들인지 식별하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  155. 제 154항에 있어서, 각 외부의 소프트 조직 속성의 가중치는, 각 외부의 소프트 조직 속성의 엄격함, 일반적인 인구에서의 각 외부의 소프트 조직 속성의 일반인, 의학적 상태에 대한 각 외부의 소프트 조직 속성의 관련성 중 적어도 하나를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  156. 제 150항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은 상기 적어도 하나의 프로세서로 하여금 또한,
    고정된 셀들 분석, 시프팅 패치들 분석, 및 상대 측정 분석 중 적어도 하나의 적어도 하나를 수행하는 단계를
    포함하는 추가 동작들을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  157. 제 150항에 있어서, 상기 외부의 소프트 조직 이미지는, 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  158. 제 150항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 비 일시적 컴퓨터-판독가능 매체.
  159. 제 150항에 있어서, 상기 의학적 상태는 유전적 증후군인, 비 일시적 컴퓨터-판독가능 매체.
  160. 제 150항에 있어서, 의학적 장애에 의해 영향을 받는 것은, 유전적 증후군을 소유하는 것 및 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  161. 제 150항에 있어서, 상기 환자는 신생아 또는 아이들인, 비 일시적 컴퓨터-판독가능 매체.
  162. 제 150항에 있어서, 상기 외부의 소프트 조직 이미지는 기형학과 연관되는, 비 일시적 컴퓨터-판독가능 매체.
  163. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템으로서,
    적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 프로세서는,
    제 1 시간에 리코딩된 환자의 제 1 외부의 소프트 조직 이미지를 반영하는 제 1 정보를 수신하고;
    상기 제 1 이미지 정보를 분석하고;
    제 2 시간에 리코딩된 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 제 2 정보를 수신하고;
    상기 제 2 이미지 정보를 분석하고;
    상기 제 1 이미지 정보의 분석을 상기 제 2 이미지 정보의 분석과 비교하고;
    적어도 부분적으로 상기 비교에 기초하여 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 예측하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  164. 제 163항에 있어서, 상기 의학적 상태는 외부의 소프트 조직 기형학을 특징으로 하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  165. 제 163항에 있어서, 상기 의학적 상태는 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  166. 제 163항에 있어서, 상기 의학적 상태는 유전적 증후군을 소유하는 것과, 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  167. 제 163항에 있어서, 상기 제 1 외부의 소프트 조직 이미지 정보의 분석 및 상기 제 2 외부의 소프트 조직 이미지 정보의 분석은, 고정된 셀들 분석, 시프팅 패치들 분석 및 상대 측정들 분석 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  168. 제 163항에 있어서, 상기 제 1 외부의 소프트 조직 이미지 정보의 분석 및 상기 제 2 외부의 소프트 조직 이미지 정보의 분석은, 상기 제 1 소프트 조직 이미지 정보 및 상기 제 2 소프트 조직 이미지 정보를, 환자와 실질적으로 동일한 나이, 인종 및 성별 중 적어도 하나를 갖는 적어도 하나의 개인의 외부의 소프트 조직 이미지와 비교하는 것을 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  169. 제 163항에 있어서, 상기 적어도 하나의 프로세서는 또한, 상기 제 1 외부의 소프트 조직 이미지 정보를 분석하고 상기 제 2 외부의 소프트 조직 이미지 정보를 분석하기 위해 동일한 기술을 적용하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  170. 제 163항에 있어서, 상기 적어도 하나의 프로세서는 또한, 시간이 지남에 따라 속성의 엄격함에서의 변경을 결정하기 위해 상기 의학적 상태의 진행을 모니터링하도록 구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  171. 제 163항에 있어서, 상기 적어도 하나의 프로세서는 또한,
    복수의 추가 시간에 리코딩된 복수의 추가 외부 소프트 조직 이미지들을 반영하는 정보의 복수의 추가 세트들을 수신하고;
    상기 복수의 추가 이미지들을 분석하고;
    상기 제 1 소프트 조직 이미지 정보, 상기 제 2 소프트 조직 이미지 정보, 및 상기 소프트 조직 이미지 정보의 추가 세트의 분석을 비교하고;
    상기 제 1 소프트 조직 이미지 정보, 상기 제 2 소프트 조직 이미지 정보, 및 상기 소프트 조직 이미지 정보의 추가 세트의 분석의 비교에 기초하여 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 예측하도록
    구성되는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  172. 제 163항에 있어서, 상기 외부의 소프트 조직 이미지는, 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  173. 제 163항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  174. 제 163항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 시스템.
  175. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법으로서,
    제 1 시간에 리코딩된 환자의 제 1 외부의 소프트 조직 이미지를 반영하는 제 1 정보를 수신하는 단계와;
    상기 제 1 이미지 정보를 분석하는 단계와;
    제 2 시간에 리코딩된 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 제 2 정보를 수신하는 단계와;
    상기 제 2 이미지 정보를 분석하는 단계와;
    상기 제 1 이미지 정보의 분석을 상기 제 2 이미지 정보의 분석과 비교하는 단계와;
    적어도 부분적으로 상기 비교에 기초하여 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 예측하는 단계를
    포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  176. 제 175항에 있어서, 상기 의학적 상태는 외부의 소프트 조직 기형학을 특징으로 하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  177. 제 175항에 있어서, 상기 의학적 상태는 유전적 증후군인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  178. 제 175항에 있어서, 상기 의학적 상태는 유전적 증후군을 소유하는 것과, 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  179. 제 175항에 있어서, 상기 제 1 외부의 소프트 조직 이미지 정보의 분석 및 상기 제 2 외부의 소프트 조직 이미지 정보의 분석은, 고정된 셀들 분석, 시프팅 패치들 분석 및 상대 측정들 분석 중 적어도 하나를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  180. 제 175항에 있어서, 상기 제 1 외부의 소프트 조직 이미지 정보의 분석 및 상기 제 2 외부의 소프트 조직 이미지 정보의 분석 단계는, 상기 제 1 소프트 조직 이미지 정보 및 상기 제 2 소프트 조직 이미지 정보를, 환자와 실질적으로 동일한 나이, 인종 및 성별 중 적어도 하나를 갖는 적어도 하나의 개인의 외부의 소프트 조직 이미지와 비교하는 단계를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  181. 제 175항에 있어서, 상기 제 1 외부의 소프트 조직 이미지 정보를 분석하고 상기 제 2 외부의 소프트 조직 이미지 정보를 분석하기 위해 동일한 기술을 적용하는 단계를 추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  182. 제 175항에 있어서, 시간이 지남에 따라 속성의 엄격함에서의 변경을 결정하기 위해 상기 의학적 상태의 진행을 모니터링하는 단계를 추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  183. 제 175항에 있어서,
    복수의 추가 시간에 리코딩된 복수의 추가 외부 소프트 조직 이미지들을 반영하는 정보의 복수의 추가 세트들을 수신하는 단계와;
    상기 복수의 추가 이미지들을 분석하는 단계와;
    상기 제 1 소프트 조직 이미지 정보, 상기 제 2 소프트 조직 이미지 정보, 및 상기 소프트 조직 이미지 정보의 추가 세트의 분석을 비교하는 단계와;
    상기 제 1 소프트 조직 이미지 정보, 상기 제 2 소프트 조직 이미지 정보, 및 상기 소프트 조직 이미지 정보의 추가 세트의 분석의 비교에 기초하여 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 예측하는 단계를
    추가로 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  184. 제 175항에 있어서, 상기 외부의 소프트 조직 이미지는, 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  185. 제 175항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  186. 제 175항에 있어서, 상기 환자는 신생아 또는 아이들인, 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 방법.
  187. 환자가 의학적 상태에 의해 영향을 받을 가능성이 있을 때를 식별하기 위한 비 일시적 컴퓨터-판독가능 매체로서, 적어도 하나의 프로세서에 의해 실행될 때, 상기 적어도 하나의 프로세서로 하여금,
    제 1 시간에 리코딩된 환자의 제 1 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 제 1 이미지 정보를 분석하는 단계와;
    제 2 시간에 리코딩된 환자의 제 2 외부의 소프트 조직 이미지를 반영하는 정보를 수신하는 단계와;
    상기 제 2 이미지 정보를 분석하는 단계와;
    상기 제 1 이미지 정보의 분석을 상기 제 2 이미지 정보의 분석과 비교하는 단계와;
    적어도 부분적으로 상기 비교에 기초하여 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 예측하는 단계를
    포함하는 동작들을 포함하도록 하는 명령어들을 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  188. 제 187항에 있어서, 상기 의학적 상태는 외부의 소프트 조직 기형학을 특징으로 하는, 비 일시적 컴퓨터-판독가능 매체.
  189. 제 187항에 있어서, 상기 의학적 상태는 유전적 증후군인, 비 일시적 컴퓨터-판독가능 매체.
  190. 제 187항에 있어서, 상기 의학적 상태는, 유전적 증후군을 소유하는 것과, 유전적 증후군의 캐리어인 것 중 적어도 하나를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  191. 제 187항에 있어서, 상기 제 1 외부의 소프트 조직 이미지 정보의 분석 및 상기 제 2 외부의 소프트 조직 이미지 정보의 분석은, 고정된 셀들 분석, 시프팅 패치들 분석 및 상대 측정들 분석 중 적어도 하나를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  192. 제 187항에 있어서, 상기 제 1 외부의 소프트 조직 이미지 정보의 분석 및 상기 제 2 외부의 소프트 조직 이미지 정보의 분석 단계는, 상기 제 1 소프트 조직 이미지 정보 및 상기 제 2 소프트 조직 이미지 정보를, 환자와 실질적으로 동일한 나이, 인종 및 성별 중 적어도 하나를 갖는 적어도 하나의 개인의 외부의 소프트 조직 이미지와 비교하는 단계를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  193. 제 187항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은, 상기 적어도 하나의 프로세서로 하여금 또한,
    상기 제 1 외부의 소프트 조직 이미지 정보를 분석하고 상기 제 2 외부의 소프트 조직 이미지 정보를 분석하기 위해 동일한 기술을 적용하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  194. 제 187항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은, 상기 적어도 하나의 프로세서로 하여금 또한,
    시간이 지남에 따라 속성의 엄격함에서의 변경을 결정하기 위해 상기 의학적 상태의 진행을 모니터링하는 단계를 포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  195. 제 187항에 있어서, 상기 적어도 하나의 프로세서에 의해 실행될 때, 상기 명령어들은, 상기 적어도 하나의 프로세서로 하여금 또한,
    복수의 추가 시간에 리코딩된 복수의 추가 외부 소프트 조직 이미지들을 반영하는 정보의 복수의 추가 세트들을 수신하는 단계와;
    상기 복수의 추가 이미지들을 분석하는 단계와;
    상기 제 1 소프트 조직 이미지 정보, 상기 제 2 소프트 조직 이미지 정보, 및 상기 소프트 조직 이미지 정보의 추가 세트의 분석을 비교하는 단계와;
    상기 제 1 소프트 조직 이미지 정보, 상기 제 2 소프트 조직 이미지 정보, 및 상기 소프트 조직 이미지 정보의 추가 세트의 분석의 비교에 기초하여 상기 환자가 상기 의학적 상태에 의해 영향을 받을 가능성을 예측하는 단계를
    포함하는 추가 동작을 수행하도록 하는, 비 일시적 컴퓨터-판독가능 매체.
  196. 제 187항에 있어서, 상기 외부의 소프트 조직 이미지는, 환자의 얼굴, 상기 환자의 두개골, 상기 환자의 손, 및 상기 환자의 발 중 적어도 하나의 이미지를 포함하는, 비 일시적 컴퓨터-판독가능 매체.
  197. 제 187항에 있어서, 상기 외부의 소프트 조직 이미지는, 전면 뷰, 측면 뷰, 각진 뷰, 상부 뷰, 및 후면 뷰 중 적어도 하나를 포함하는 두개골-얼굴 이미지인, 비 일시적 컴퓨터-판독가능 매체.
  198. 제 187항에 있어서, 상기 환자는 신생아 또는 아이들인, 비 일시적 컴퓨터-판독가능 매체.
KR1020157028204A 2013-03-13 2014-03-12 피험자가 의학적 상태에 의해 영향을 받을 때를 식별하기 위한 시스템들, 방법들, 및 컴퓨터-판독가능 매체 KR102028106B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201361778450P 2013-03-13 2013-03-13
US61/778,450 2013-03-13
PCT/IB2014/001235 WO2014140926A2 (en) 2013-03-13 2014-03-12 Systems, methods, and computer-readable media for identifying when a subject is likely to be affected by a medical condition

Publications (2)

Publication Number Publication Date
KR20160010414A true KR20160010414A (ko) 2016-01-27
KR102028106B1 KR102028106B1 (ko) 2019-10-04

Family

ID=51220607

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020157028204A KR102028106B1 (ko) 2013-03-13 2014-03-12 피험자가 의학적 상태에 의해 영향을 받을 때를 식별하기 위한 시스템들, 방법들, 및 컴퓨터-판독가능 매체

Country Status (13)

Country Link
US (10) US10016167B2 (ko)
EP (1) EP2973402B1 (ko)
JP (1) JP6422451B2 (ko)
KR (1) KR102028106B1 (ko)
CN (2) CN110009635B (ko)
AU (2) AU2014229498B2 (ko)
BR (1) BR112015022413A2 (ko)
CA (1) CA2905637C (ko)
DK (1) DK2973402T3 (ko)
ES (1) ES2743751T3 (ko)
HK (1) HK1220280A1 (ko)
RU (2) RU2714264C2 (ko)
WO (1) WO2014140926A2 (ko)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8251508B2 (en) 2008-01-14 2012-08-28 Syed Khizer Rahim Khaderi Method and system of enhancing ganglion cell function to improve physical performance
EP2395452A1 (en) * 2010-06-11 2011-12-14 Toyota Motor Europe NV/SA Detection of objects in an image using self similarities
US10946196B2 (en) 2012-11-16 2021-03-16 Stimscience Inc. System for variably configurable, adaptable electrode arrays and effectuating software
US20200155061A1 (en) * 2018-11-19 2020-05-21 Stimscience Inc. Neuromodulation method and system for sleep disorders
CA2905637C (en) * 2013-03-13 2022-04-05 Fdna Inc. Systems, methods, and computer-readable media for identifying when a subject is likely to be affected by a medical condition
CN103489107B (zh) * 2013-08-16 2015-11-25 北京京东尚科信息技术有限公司 一种制作虚拟试衣模特图像的方法和装置
US9833198B2 (en) * 2015-02-04 2017-12-05 Francis J. Stapleton System and method for obtaining an objective dental health analysis
US10395759B2 (en) 2015-05-18 2019-08-27 Regeneron Pharmaceuticals, Inc. Methods and systems for copy number variant detection
WO2016204778A1 (en) * 2015-06-19 2016-12-22 Palmer Family Trust Systems and methods of analyzing images
DE102015221876A1 (de) * 2015-11-06 2017-05-11 Siemens Healthcare Gmbh Verfahren zum Auswerten von medizinischen Bilddaten eines Untersuchungsobjekts
US10860887B2 (en) * 2015-11-16 2020-12-08 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object, and method and apparatus for training recognition model
NZ745249A (en) 2016-02-12 2021-07-30 Regeneron Pharma Methods and systems for detection of abnormal karyotypes
WO2017177188A1 (en) * 2016-04-08 2017-10-12 Vizzario, Inc. Methods and systems for obtaining, aggregating, and analyzing vision data to assess a person's vision performance
US10108784B2 (en) * 2016-08-01 2018-10-23 Facecontrol, Inc. System and method of objectively determining a user's personal food preferences for an individualized diet plan
US10327637B2 (en) 2017-06-08 2019-06-25 Fdna Inc. Systems, methods, and computer-readable media for patient image analysis to identify new diseases
EP3635595A1 (en) * 2017-06-08 2020-04-15 FDNA Inc. Systems, methods, and computer-readable media for gene and genetic variant prioritization
CN109255280A (zh) * 2017-07-14 2019-01-22 丽宝大数据股份有限公司 皮肤状态检测方法与电子装置
US20190021649A1 (en) * 2017-07-24 2019-01-24 Mike Van Snellenberg Device for non-invasive detection of skin problems associated with diabetes mellitus
US10769788B2 (en) * 2017-09-12 2020-09-08 Nantomics, Llc Few-shot learning based image recognition of whole slide image at tissue level
US11033463B2 (en) * 2017-10-20 2021-06-15 David A. Tesini Pacifier fitting system and method
US11036979B2 (en) * 2018-03-15 2021-06-15 Motorola Solutions, Inc. Device, system and method for generating an alert and an automatic search for a candidate subject
JP7312957B2 (ja) * 2018-06-21 2023-07-24 パナソニックＩｐマネジメント株式会社 肌評価装置、肌評価システム、肌評価方法、および肌評価のためのプログラムを格納したコンピュータ読み取り可能な記録媒体
US12057229B1 (en) * 2018-11-08 2024-08-06 Dartmouth-Hitchcock Clinic System and method for analyzing cytological tissue preparations
CN109947394B (zh) * 2019-03-11 2023-03-10 湖北工业大学 一种基于三角形覆盖的图像二维分形维数计算方法
CN111539960B (zh) * 2019-03-25 2023-10-24 华为技术有限公司 图像处理方法以及相关设备
US11779222B2 (en) 2019-07-10 2023-10-10 Compal Electronics, Inc. Method of and imaging system for clinical sign detection
US20210085204A1 (en) * 2019-09-24 2021-03-25 Biosense Webster (Israel) Ltd. 3d intracardiac activity presentation
WO2021087687A1 (zh) * 2019-11-04 2021-05-14 深圳迈瑞生物医疗电子股份有限公司 超声图像分析方法、超声成像系统和计算机存储介质
CN110960194B (zh) * 2019-12-18 2022-07-26 中科彭州智慧产业创新中心有限公司 一种耳相采集装置及采集方法
WO2022056013A1 (en) * 2020-09-08 2022-03-17 Kang Zhang Artificial intelligence for detecting a medical condition using facial images
WO2022225845A1 (en) * 2021-04-18 2022-10-27 Mary Hitchcock Memorial Hospital, For Itself And On Behalf Of Dartmouth-Hitchcock Clinic System and method for automation of surgical pathology processes using artificial intelligence
CN115120260A (zh) * 2022-06-28 2022-09-30 明峰医疗系统股份有限公司 一种具有体态识别功能的ct扫描系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030215120A1 (en) * 2002-05-15 2003-11-20 Renuka Uppaluri Computer aided diagnosis of an image set
US20080097942A1 (en) * 2004-07-26 2008-04-24 Koninklijke Philips Electronics, N.V. System and Method for Automated Suspicious Object Boundary Determination
US20140219526A1 (en) * 2013-02-05 2014-08-07 Children's National Medical Center Device and method for classifying a condition based on image analysis

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6024699A (en) * 1998-03-13 2000-02-15 Healthware Corporation Systems, methods and computer program products for monitoring, diagnosing and treating medical conditions of remotely located patients
AU5233099A (en) * 1998-07-24 2000-02-14 Jarg Corporation Search system and method based on multiple ontologies
US7912528B2 (en) * 2003-06-25 2011-03-22 Siemens Medical Solutions Usa, Inc. Systems and methods for automated diagnosis and decision support for heart related diseases and conditions
US20060200842A1 (en) 2005-03-01 2006-09-07 Microsoft Corporation Picture-in-picture (PIP) alerts
RU48147U1 (ru) * 2005-05-05 2005-09-27 Фролов Андрей Борисович Устройство для исследования состояния и коррекции систем функционирования организма человека
US7630947B2 (en) * 2005-08-25 2009-12-08 Siemens Medical Solutions Usa, Inc. Medical ontologies for computer assisted clinical decision support
RU2373835C2 (ru) * 2007-12-18 2009-11-27 Марина Юрьевна Якушева Способ диагностики предрасположенности к сахарному диабету второго типа
KR101806432B1 (ko) * 2008-03-26 2017-12-07 테라노스, 인코포레이티드 임상 결과를 평가하기 위한 방법 및 시스템
GB0909461D0 (en) * 2009-06-02 2009-07-15 Ge Healthcare Uk Ltd Image analysis
US8861800B2 (en) * 2010-07-19 2014-10-14 Carnegie Mellon University Rapid 3D face reconstruction from a 2D image and methods using such rapid 3D face reconstruction
US8379994B2 (en) * 2010-10-13 2013-02-19 Sony Corporation Digital image analysis utilizing multiple human labels
JP5878933B2 (ja) * 2011-01-05 2016-03-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 非対称性の自動定量化
US8693750B2 (en) * 2011-01-14 2014-04-08 Siemens Aktiengesellschaft Method and system for automatic detection of spinal bone lesions in 3D medical image data
CA2872841C (en) * 2011-05-09 2019-08-06 Catherine Grace Mcvey Image analysis for determining characteristics of animals and humans
US9098898B2 (en) * 2011-05-09 2015-08-04 Catherine Grace McVey Image analysis for determining characteristics of individuals
US9552637B2 (en) * 2011-05-09 2017-01-24 Catherine G. McVey Image analysis for determining characteristics of groups of individuals
US9355329B2 (en) * 2011-05-09 2016-05-31 Catherine G. McVey Image analysis for determining characteristics of pairs of individuals
US10176725B2 (en) * 2011-08-29 2019-01-08 Worcester Polytechnic Institute System and method of pervasive developmental disorder interventions
US20130158437A1 (en) 2011-12-14 2013-06-20 Sharon Moalem System For Diagnosing and Identifying Genetic Features, Genetic and Congenital Syndromes And Developmental Abnormalities
CA2763503A1 (en) 2012-01-16 2013-07-16 Sharon Moalem Computer program for the diagnosis of genetic syndromes and developmental abnormalities
CA2905637C (en) * 2013-03-13 2022-04-05 Fdna Inc. Systems, methods, and computer-readable media for identifying when a subject is likely to be affected by a medical condition
US20160205358A1 (en) 2013-08-29 2016-07-14 Fanpics, Llc Imaging attendees at event venues
US9661106B2 (en) 2013-12-04 2017-05-23 Facebook, Inc. Uploading and transcoding media files

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030215120A1 (en) * 2002-05-15 2003-11-20 Renuka Uppaluri Computer aided diagnosis of an image set
US20080097942A1 (en) * 2004-07-26 2008-04-24 Koninklijke Philips Electronics, N.V. System and Method for Automated Suspicious Object Boundary Determination
US20140219526A1 (en) * 2013-02-05 2014-08-07 Children's National Medical Center Device and method for classifying a condition based on image analysis

Also Published As

Publication number Publication date
HK1220280A1 (zh) 2017-04-28
US20170251983A1 (en) 2017-09-07
US10722181B2 (en) 2020-07-28
AU2018241162B2 (en) 2019-09-26
CN105378793A (zh) 2016-03-02
US9392977B2 (en) 2016-07-19
US20150374303A1 (en) 2015-12-31
DK2973402T3 (da) 2019-09-16
US20160324483A1 (en) 2016-11-10
AU2014229498B2 (en) 2018-07-05
US9668702B2 (en) 2017-06-06
EP2973402A2 (en) 2016-01-20
RU2648836C2 (ru) 2018-03-28
AU2018241162A1 (en) 2018-11-01
CA2905637A1 (en) 2014-09-18
US20150374304A1 (en) 2015-12-31
US9848829B2 (en) 2017-12-26
JP2016517291A (ja) 2016-06-16
US10165983B2 (en) 2019-01-01
US20150374305A1 (en) 2015-12-31
US10004463B2 (en) 2018-06-26
JP6422451B2 (ja) 2018-11-14
US20160321806A1 (en) 2016-11-03
WO2014140926A3 (en) 2015-01-08
US9579068B2 (en) 2017-02-28
KR102028106B1 (ko) 2019-10-04
CN105378793B (zh) 2019-05-21
US20180303432A1 (en) 2018-10-25
CA2905637C (en) 2022-04-05
RU2015140581A (ru) 2017-04-20
RU2018109281A (ru) 2019-02-26
US9504428B1 (en) 2016-11-29
US9597037B2 (en) 2017-03-21
US20170251984A1 (en) 2017-09-07
RU2018109281A3 (ko) 2019-02-26
EP2973402B1 (en) 2019-05-29
ES2743751T3 (es) 2020-02-20
US20160324482A1 (en) 2016-11-10
US10016167B2 (en) 2018-07-10
WO2014140926A2 (en) 2014-09-18
CN110009635B (zh) 2023-04-28
US20150374306A1 (en) 2015-12-31
BR112015022413A2 (pt) 2017-07-18
RU2714264C2 (ru) 2020-02-14
AU2014229498A1 (en) 2015-10-15
CN110009635A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
AU2018241162B2 (en) Systems, methods, and computer-readable media for identifying when a subject is likely to be affected by a medical condition
RU2011116406A (ru) Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера
Gilani et al. Geometric facial gender scoring: objectivity of perception
TWI811605B (zh) 情緒指標預測方法與系統
Tay et al. Use of facial morphology to determine nutritional status in older adults: opportunities and challenges
Xia et al. Deep learning‐based facial analysis for predicting difficult videolaryngoscopy: a feasibility study
JP7148657B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN113724236B (zh) 基于注意力机制的oct图像检测方法及相关设备
JP7440665B2 (ja) 網膜画像処理

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right