面容是人类表型中重要的组成部分之一，对面容的识别和测量在临床诊疗标准的建立和异常面容的识别与诊断中具有重要意义。目前，人体测量学已成为一门可供独立研究的学科，而面容测量也已融入整形美容外科、颅颌面外科等学科的临床工作中，为疾病诊断和治疗提供重要参考。

随着人工智能技术的快速崛起，面容识别技术取得了重大突破，传统面容测量方式已逐步被取代，智能面容识别成为可能。目前，越来越多的软件实现了异常面容的自动化、便捷化诊断与识别，这进一步推动了面容测量学的智能化发展。

本文围绕面容测量这一主题，回顾了面容测量方法的演变及其发展，并着眼于人工智能，阐述在此新兴技术背景下，该领域面临的挑战及发展趋势。

1 传统面容测量学的发展

人类的表观形态是基因与环境复杂作用下的结果，对表型数据的了解、测量与对基因型的描述同等重要^[1]。面容作为颅颌面部分的直接外在表型，是识别个体特点最常见的方式，并能够在一定程度上反映个体的健康状况，甚至为疾病诊断提供线索^[2-3]，准确且客观对其进行描述和刻画成为临床研究的一个重要领域。在成像设备尚未普及时，研究者多采用直接测量法定量描述面容特点。随着数码摄像和三维成像的发展，二者均可快速捕捉面容图像，并永久储存、实现受试者不在场情况下的重复测量，故而快速取代了直接测量法的地位。目前常用的传统面容测量方法包括直接测量法、基于二维平面图像的面容测量法及基于3D体表成像设备的面容测量法。

1.1 直接测量法

面部的人体测量学方法及数据最早由口腔科医师为指导正畸治疗而开创^[4-5]。早在1969年，Farkas及其研究团队初次建立了面容测量学的线性指标和角度指标^[6-7]，通过游标卡尺在受试者面部使用直接测量法建立了可供临床参考的面部测量学数值^[4-5,8]，并通过直接对面部软组织进行测量探究了唐氏综合征、唇腭裂等疾病面容的特点^[8-9]。该团队不仅为颅颌面外科的评估方法开创了统一标准，还为整形重建领域提供了正常人群的参考数值。

随着面容测量学相关研究的广泛开展，游标卡尺在面部进行直接测量的方法成为面容测量的金标准，但该方法在应用于大规模人群、特殊人群时也涌现出诸多问题^[10-11]，比如需使用游标卡尺、软尺、量角器等工具进行全面的头面部软组织测量耗时较长，其准确性取决于被测量者的依从性、测量者是否对工具施加过大的压力等因素。因此，虽然直接面容测量法的准确性已得到认可，且广泛应用于临床诊疗过程，但面对大规模和依从性较差人群(如儿童、特殊疾病患者等)时仍显得捉襟见肘。

1.2 基于二维平面图像的面容测量法

随着数码相机的普及，二维数码软组织面容成像技术逐渐在临床诊疗过程中占据了重要地位。二维面容图像为术前规划、术中参考、手术效果评估和记录等提供了重要参考，而日渐标准化的摄影流程为通过二维图像实现较为精确的面容评估与测量提供了重要基础^[12-13]。二维测量技术可实现快速、无创地获取面容图像，并可直接进行测量，具有较好的适用性和可推广性。二维面部软组织的评估与分析应用于面部较为精确的组织(口唇区域、眼睑区域)时尤为广泛^[14-15]。

然而，基于二维图像面容测量的准确性存在争议。既往有研究者发现，与金标准直接测量法比较，二维平面图像法在面部结构尺寸的测量中可靠性和一致性均不容乐观^[16-18]。同时，因人体面容软组织表面为三维空间的立体结构，在应用二维摄像测量时必然会损失空间信息，使得测量结果与内容存有一定偏差。

此外，二维面容图像受光照和姿势变化、拍摄距离、设备参数等多方面因素的影响，不同的环境或设备可能拍摄的二维图像差别显著^[19]，不仅影响测量者对面部结构的判断，且可能使测量结果存在较大误差^[20-21]。即便如此，该方法仍然在大样本调查、特殊群体的面容测量及资源匮乏地区具有较大优势，是可推广性强、应用便捷的首选方法。

自21世纪初医学摄像标准建立以来，越来越多的研究者根据二维平面图像的面容测量结果对科学问题进行深入探究。

一方面，面容测量学标准的建立使研究者能够赋予“主观”感受以客观的测量学依据，比如将容貌较好的面容照片与容貌普通的面容照片进行测量、对比，可帮助医师了解人们感知“美”的客观依据，从而有助于制订面部美容整形策略^[22]；对不同种族人群面容的测量可为了解种族差异、甚至基因差异的客观表型提供数据支持^[23]。在疾病评估方面，多种面部畸形、面容表现异常的疾病通过二维面容测量数据首次被报道于世，如马凡综合征^[24-25]、艾卡迪综合征^[26]、阿克森费尔德-里格尔综合征^[27]、胎儿酒精综合征^[28]等，并帮助临床医师更加准确、客观地描述异常面容的特点。

另一方面，二维图像面容测量技术开启了面容流行病学调查、跟踪研究领域的范畴。通过对大量面容的拍摄与测量，研究者基于二维平面图像建立了中国汉族儿童眼部形态数据库，并分析了眼部特征随年龄发育的变化^[29]。在时间尺度上，通过对同一批儿童成长过程中二维面容图像的反复测量，研究者分析了特定地区儿童面部生长规律，定量评估了不同年龄段儿童的面容特点^[30]。至此，二维面容测量领域实现了正常与异常、美与丑、时间尺度上、不同地域间的定量面容描述。

1.3 基于3D体表成像设备的测量法

1.3.1 3D体表成像发展及原理

人类表型在空间中拥有复杂的三维结构、动态性和可变性，为适应此种立体空间场景下的测量需要，三维软组织成像设备和重建技术应运而生，为人体测量学的进步带来重大变革。在人体测量过程中，标志点的确定是必不可少且至关重要的流程。在直接测量法中，人体结构的解剖标志常需测量者反复触诊、体表标记，且准确性难以保证^[31-32]；在二维图像测量中，这些解剖标志点常受环境因素及被测量者姿态的影响^[19]。而在3D测量法中，面容形态不受被测量者姿势改变、拍摄距离的影响，且测量者可实现各个视角的检查与确认。

面容的3D测量经历了20余年的发展，不断涌现出新的成像技术、设备。最早应用于人类面容表型的3D测量工具于1994年被首次报道，研究者采用结构光扫描的方式量化面部表面形态、体积改变^[33]。随后，激光扫描、立体摄影法也分别于1995年、1996年相继涌现^[34-35]（表1）。

表1 三种3D体表成像设备的优劣势比较

激光扫描的技术原理是将激光束投射至被测物体表面产生干涉条纹，物体的数字图像信号可被相机捕获并转化为3D点云，进而实现模型表面的重建^[36]。激光扫描对静态物体、人体模型的扫描均表现出较高可靠性^[37]。日本Minolta公司生产的 Minolta Vivid 是临床常用的激光扫描仪，其可良好还原被扫描者的真实软组织表面特点^[38]，但难以在真实受试者中达到面容软组织测量的标准和理想精度^[39]。

结构光扫描是基于光学的三角测量原理，将结构光栅条纹投射至被测量物体，转化为测量条纹后被电耦合装置捕捉并计算出每个点的距离，从而创建被测量对象的3D形态信息^[40-41]。德国3D System 公司的 FaceSCAN 结构光扫描仪是临床应用最广泛的结构光扫描设备之一，可实现精度为0.1 mm的扫描，与直接测量法的误差约为1 mm，为临床可接受的范围^[42]。

立体摄影法基于双目视觉原理，通过多角度捕捉面部三维数据，包括软组织表面颜色、纹理和空间测量信息^[31,43]，从而实现面部测量，此种类型的设备目前在临床应用最为广泛，其中美国3dMD公司的3dMDface系统可覆盖360°的扫描范围，并在动态测量、纹理识别方面具有突出优势，使得面容结构标记点的识别更加准确，并广泛应用于皱纹、肤色等评估中，该设备测量准确性与直接测量法的误差亦在1 mm以内^[31]。美国Canfield Imaging公司生产的Vectra H系列3D成像设备通过重复拍摄不同角度的图像后进行粘合、拼接实现了3D体表成像的重建，在拥有较高测量精度的同时具有便携的优势^[44]。上述2种设备均经过可靠性和一致性验证，且设备之间拥有高度测量一致性^[45]。

在激光扫描、结构光扫描、立体摄影法3种成像设备之间的比较中，立体摄影法成像系统被认为是最精密、最稳定且拥有较好便携性的设备^[37,42,46]。近年来，随着三维成像技术的发展，与智能设备的融合使其可推广性进一步提升、使用成本明显降低。目前，在配置了3D摄像镜头的便携电子设备上，3D面容测量值已达到与Vectra系列较为一致的结果^[47]，虽然准确性仍受到环境及被测量者配合度的影响，但立体摄影在3D体表成像中的测量精度最高，是现阶段临床最常用的测量方式。

1.3.2 3D面容测量学的应用

在3D面容成像技术的基础上，研究者在重建的面容模型上可完成面容测量、评估、比较等过程，拓展了人们对面部软组织结构、变化的认知，为临床多领域研究提供了诸多可靠的客观参考。

通过对面部特征点进行测量和计算，3D测量学可为面部整形提供参考依据，帮助整形医生与患者共同制定个性化手术方案^[48-49]。

在衰老研究领域，3D测量技术可解释面部各器官随年龄的变化形式^[50-52]，展现了面部衰老的具体过程特点^[52]。

在整形美容领域，3D测量可实现面积、体积测量，在面部填充、绝缘微针等美容效果评估时提供客观、可靠的参考数值^[53-55]。

因此，3D体表成像技术应用于整形美容外科领域的诊断、治疗、评估过程中，一方面可为临床提供客观的评价标准，另一方面帮助人们更好地了解面部软组织结构的形成和演变。

3D面容测量在疾病诊疗领域也发挥着重要作用。在已知的遗传性疾病诊断中，3D面容测量方法有助于提供新的思路，发现尚未被发掘的面容特征^[56-57]。基于3D面容的疾病表型测量能更精准地定义面部异常，优化诊断过程。在对多系统受累的遗传性综合征诊断中，3D面容测量方法可制订供医生参考的面容参数^[58]，为疾病的早期诊断和早期干预提供依据。

在较为罕见的遗传性疾病中，患者面容特征较为隐蔽，难以通过临床医生主观评估^[59]，而3D面容测量也可为疾病的早期发现提供线索。

在代谢和内分泌疾病中，3D面容测量数据具有较高的精确度和可重复性，将其与临床指标相联系可帮助人们更好地认识疾病在面部软组织重塑过程中的原理和作用，为疾病评估、预后监测提供更多数据^[60]。

在3D面容测量学的基础上，基于面部参数测量结果的判别函数或算法也逐渐被开发^[61]，使疾病诊断的过程更加具有可推广性。

在对肢端肥大症面容的研究当中，3D测量学实现了时间尺度上对患者治疗效果进行随访评价^[62]，辅助临床医生了解面部软组织结构随病程的变化趋势。

在颅颌面外科的手术规划与术后评估中，3D图像可提供更为精确的测量数据，为唇腭裂、半侧颜面萎缩和硬皮病等单侧面容软组织畸形疾病的诊治提供了参考数值和客观评价指标^[63-65]。

目前，3D图像法已逐渐成为面容测量学中新的金标准，在临床诊断、预后监测、手术导航等过程中发挥重要作用。

综上所述，相较于传统直接测量法和二维平面测量法，3D面容测量可提供更多的空间信息，且其测量结果稳定性更好、准确性更高，通过对不同人群线性、角度指标的比较与量化，面积、体积测量的探索与验证，为临床认识疾病特点，辅助疾病诊断与评估提供了多维度信息。

2 人工智能背景下的面容测量

在多种疾病的诊疗中，面容特点或畸形通常是诊断的第一线索。传统面容特点识别方法依赖于临床医师的主观经验和专业知识。自人体测量学概念被提出后，对于面容受累疾病、特殊面容基因疾病和面容不对称性疾病的评估与诊断逐渐走向数字化、精确化时代。随着21世纪初“人脸识别”技术的突飞猛进，应用面容识别技术对疾病面容进行识别成为新的热门话题。基于深度学习等领域取得的进展，人工智能逐渐脱离传统面容测量的框架，实现了对面容的自动化评估。同时，随着面容识别技术的不断发展与更新，人工智能使得面部标记点识别过程趋向自动化、便捷化、快速化，开启了面容测量的新篇章。

2.1 人工智能直接识别异常面容

随着深度学习、主成分分析（PCA）等算法的建立和发展，越来越多的研究通过人工智能的方法直接识别特殊面容。PCA是应用最广泛的降维技术，可将复杂的面部特征降为数个主要的面容特点。此种方法实现起来简单、快速，识别结果具有可解释性，但伴随一定程度上的信息丢失。深度学习技术的开发使得大量基于神经网络的面容识别策略相继涌现，如卷积神经网络（CNN）、深度卷积神经网络（DCNN）、人工神经网络(ANN)，并逐渐应用于2D、3D图像的评估及多种疾病面容、异常面容的识别。但此种方法依赖于训练集和指令，需学者应用已知的数据集对计算机进行训练，从而得出面容识别的方法。

2.1.1 人工智能识别2D面容

在数码摄像广泛普及的时代，众多研究者尝试以二维面容图像或视频为基础建立健康与疾病的面容数据库，构建疾病面容的自动识别系统^[66]。唐氏综合征作为面容表型突出的遗传性疾病，被用于构建基于二维图像的面容识别系统中^[67]，并通过图像几何特征提取建立了多种算法，经验证具有良好的识别效果^[67-68]。

常见疾病因患者基数较大、人群分布广、可采集的二维图像多，通过机器学习方法对疾病或健康人群的二维面容图像实现自动分类是临床研究的热点之一^[69-70]。目前，基于二维图像的诊断系统已被开发并用于肥胖、肢端肥大症^[71]、面瘫^[72-73]、特纳综合征^[74]等疾病的自动识别。

2019年美国FDNA公司收集了包含约200种疾病面容的17 000余张二维图像，基于二维面容数据库构建了DeepGestalt面容识别系统，并开发了Face2Gene面容诊断的应用程序，该程序对于疾病表型分辨、疾病亚型分类展现出的准确率(Top10准确率为91%)优于临床医师（准确率为75%）^[66,75]，在临床遗传学、基因检测、精准医学等方面具有极大的应用潜力。得益于数码摄像的可及性，越来越多的特殊面容可通过网站、便携式设备进行早期识别、早期筛查，从而为疾病的早期干预提供了基础。

2.1.2 人工智能识别3D面容

除了基于数码摄影（2D图像）的面容识别，近年来，研究者尝试将视角聚焦于3D面容图像中。作为2D图像至3D图像的过渡，深度图像能够在二维网格状图像的基础上添加每个像素点的距离信息。基于此，以PCA和贝叶斯分类器为理论基础的疾病面容分类系统被逐步建立^[76]。进而，特殊面容识别与诊断逐渐涉足3D图像领域。

2022年Hartmann等^[77]应用ANN框架对3D图像上面部5种不同的表情进行分类，经验证准确性较高（准确率81.2%）。随后，在遗传综合征领域，Bannister团队对多种遗传综合征进行了基于PCA模型的训练，并得到多种遗传综合征面容的自动识别系统。在以3D面容图像为数据集的面容识别训练模型中，图像质量受环境和采集方法的影响较小，准确性较二维模型更高（准确率3D比2D：81.2%比68.0%），因此具有比同类二维模型更优的分类性能^[19]。然而，受限于三维面容数据库的缺失，构建三维面容训练集成为该领域面临的重要挑战，这极大程度上依赖于三维面容扫描设备的普及与迭代。

综上，尽管在过去20年间，面容自动识别系统实现了基于二维图像的分类识别，但由于二维图像所携带信息的局限性，同时由于配套设备尚未普及所致3D面容数据库难以建立，故面容自动识别准确度的提升遭遇瓶颈。未来研究方向：依赖人工智能技术的革新实现在小样本训练集下的准确识别，或进行3D面容数据库的完善，以实现更多空间信息的挖掘、识别。

2.2 面部标记点的自动识别

人工智能与面容测量学的结合可加速传统面容测量学的进程，同时也为更加先进、更具可解释性的面容识别策略奠定了基础。2018年Song等^[70]通过对特纳综合征面容标记点的分析，构建了基于PCA的特征提取策略，从而可对特纳综合征儿童进行识别，这是面容标记点识别技术在疾病面容评估中的首次亮相。然而，由于二维图像数据集通常缺乏比例尺和参照物，导致基于二维图像的面容自动测量、标记点自动识别无法从“定性”走向“定量”。

为解决上述局限性，研究者基于已成熟的2D面容识别技术和3D成像原理，将二维面容图像的识别算法迁移至3D空间中^[78-79]，从而实现了3D面容的自动标记点识别。但在3D向2D的降维过程中，空间信息损失使得3D图像丢失了更高维度的信息，其精度受二维空间中的识别技术所限制。

近年来，更多自动抓取的方法不断涌现，研究者尝试通过机器学习算法实现面部标记点的自动识别^[40,79-80]。2022年Fu等^[81]对胎儿酒精综合征患儿的面部标记点进行深度学习，自动实现了面部线性、角度等指标的测算，从而成功识别此类患儿的特征面容。随后，基于正常人群、半侧颜面萎缩人群、肢端肥大症人群、局限性硬皮病人群的面部特征点自动标记系统也相继涌现^[82-83]。

这些策略的实现多基于CNN或DCNN算法对标注的3D面容测量数据集进行训练，从而在3D面容中直接定位标记点。在构建自动取点系统的过程中，研究者发现该系统对特殊面容、非典型面容也能够进行较为准确的定位与标记，且结果与直接测量值的平均偏差不超过3 mm^[82]（表2）。

表2 人工智能在面容评估中的应用总结

尽管目前面部标记点自动识别系统仍受限于训练集样本大小，尚不能达到理想的精度^[79]，但随着3D测量技术的推广，自动面容标记技术不仅可为面部测量学提供更加快速简便的途径，还将为自动识别并评估面部面积、体积测量与评估打下坚实基础。

综上，人工智能在面容测量领域的应用主要为两个方面：特殊面容的自动分类和面容标记点的自动识别。在人工智能辅助面容分类中，基于2D面容图像的分类系统已达到与临床医师持平的准确率和稳定性，然而受限于2D图像的性质，无法对累及体积、侧面部的疾病进行良好识别。基于3D图像的面容技术具有更高的准确性，但受限于训练样本数量，现阶段在异常面容的准确识别与分类方面仍面临挑战。

基于此，研究者将目光转至对面容标记点的自动识别方面，开发了基于深度学习的自动三维面容标记点识别系统，并获得良好的精度、准确度。这为深入了解大样本3D面容特征、开发基于3D测量学的面容自动识别系统提供了支持。未来研究应着重于构建可靠的三维面容数据库，从而为提升3D面容识别准确性构建参考训练集；同时应开发基于小样本的面容识别体系，为罕见病、特殊疾病的识别提供保障。

3 小结与展望

人体测量学已成为面容研究中不可或缺的工具（图1）。

图1 面容测量学发展时间线总结

注：黄色为直接测量方法相关事件，蓝色为2D测量法相关事件，红色为3D测量法相关事件，紫色为人工智能与面容测量学结合相关事件

自面容测量学体系在直接测量法中建立以来，基于数码摄像的2D面容测量技术飞速涌现并得到了推广，标准的医学摄像共识也随之问世。随着3D测量法的出现，因其具备准确性高、可存储性的优势，已逐渐取代传统面容测量法^[88]。3D测量学数据可保存疾病面容更多维度的特征，在健康群体中已拥有较为完善的参考数据，在疾病识别、评估中具有较好的应用前景，并将成为面容测量领域的主流方法（表3）。

表3 面容测量学方法比较

在3D测量中，立体摄影法较激光扫描、结构光学设备具有更高的精度和准确度，成为新一代面容测量的金标准。更小巧、便携的测量设备，3D体表成像技术与移动通讯设备的结合等是未来重要的发展方向，为3D体表成像的推广、标准面容数据库的建立提供了技术方面的基础。

人工智能的快速发展开启了疾病面容诊断和评估的新时代。面容识别技术的应用将异常面容的识别变为触手可及的软件，但同时新的挑战也随之而来。在基于深度学习的面容识别方法中，结果的可解释性、算法的普适性成为限制其临床应用的关键问题。人工智能在面容标记点的自动识别中也具有重要应用价值。目前越来越多的面容标记点可被自动拾取、自动分析，标志着基于测量学的自动识别时代即将到来。

然而，由于三维设备尚未普及，未来需基于现有3D体表成像设备构建三维面容数据库，从而进一步提高识别结果的准确性和精确度。在数据库构建过程中，面容的隐私性、数据的全面性和公平性需应纳入考量范围。因此，在面容测量技术不断发展的背景下，将人工智能技术与最先进的面容测量技术相融合无疑成为面容测量学未来发展的重要方向。

借助自动标记点识别技术，3D面容将有望与CT、MRI等影像资料进行融合分析，构建多模态模型；同时，借助人工智能场景下的面容预测技术，演示个性化的面容在时间尺度上的变化已成为可能。未来，期待在3D面容测量学领域与人工智能进行更深入的融合、发展，实现更多特殊群体、特殊疾病的面容测量，以及更多维度、更加精准的自动测量，从而为面部结构重建提供可靠参考，使人们对疾病面容的认识更加深刻和全面。

参考文献

［1］Houle D, Govindaraju D R, Omholt S. Phenomics: the next challenge［J］. Nat Rev Genet, 2010, 11(12): 855-866.

［2］Baynam G, Bauskis A, Pachter N, et al. 3-Dimensional facial analysis-facing precision public health［J］. Front Public Health, 2017, 5: 31.

［3］Hammond P, Hannes F, Suttie M, et al. Fine-grained facial phenotype-genotype analysis in Wolf-Hirschhorn syndrome［J］. Eur J Hum Genet, 2012, 20(1): 33-40.

［4］Farkas L G, Posnick J C, Hreczko T M. Anthropometric growth study of the head［J］. Cleft Palate Craniofac J, 1992, 29(4): 303-308.

［5］Farkas L G, Katic M J, Forrest C R, et al. International anthropometric study of facial morphology in various ethnic groups/races［J］. J Craniofac Surg, 2005, 16(4): 615-646.

［6］Farkas L G, Hajnis K. Faciometer［J］. Panminerva Med, 1969, 11(4): 165-169.

［7］Venkatadri G, Farkas L G, Kooiman J. Multipurpose anthropometric facial anglemeter［J］. Plast Reconstr Surg, 1992, 90(3): 507-510.

［8］Farkas L G, Feiglová B, Klásková O. Several data of the analysis of 1,000 etiopathological questionnaires in patients with cleft lips and palates［J］. Panminerva Med, 1969, 11(1): 59-63.

［9］Farkas L G, Munro I R, Kolar J C. Abnormal measurements and disproportions in the face of Down's syndrome patients: preliminary report of an anthropometric study［J］. Plast Reconstr Surg, 1985, 75(2): 159-169.

［10］Zhuang Z Q, Landsittel D, Benson S, et al. Facial anthropometric differences among gender, ethnicity, and age groups［J］. Ann Occup Hyg, 2010, 54(4): 391-402.

［11］Du L L, Zhuang Z Q, Guan H Y, et al. Head-and-face anthropometric survey of Chinese workers［J］. Ann Occup Hyg, 2008, 52(8): 773-782.

［12］DiBernardo B E, Adams R L, Krause J, et al. Photographic standards in plastic surgery［J］. Plast Reconstr Surg, 1998, 102(2): 559-568.

［13］Yavuzer R, Smirnes S, Jackson I T. Guidelines for standard photography in plastic surgery［J］. Ann Plast Surg, 2001, 46(3): 293-300.

［14］Lin C S, Shaari R, Alam M K, et al. Photogrammetric analysis of nasolabial angle and mentolabial angle norm in Malaysian adults［J］. Bangladesh J Med Sci, 2013, 12(2): 209-219.

［15］Packiriswamy V, Kumar P, Rao K G M. Photogrammetric analysis of palpebral fissure dimensions and its position in Malaysian South Indian ethnic adults by gender［J］. N Am J Med Sci, 2012, 4(10): 458-462.

［16］Kook M S, Jung S, Park H J, et al. A comparison study of different facial soft tissue analysis methods［J］. J Craniomaxillofac Surg, 2014, 42(5): 648-656.

［17］Ghoddousi H, Edler R, Haers P, et al. Comparison of three methods of facial measurement［J］. Int J Oral Maxillofac Surg, 2007, 36(3): 250-258.

［18］Dindaroglu F, Kutlu P, Duran G S, et al. Accuracy and reliability of 3D stereophotogrammetry: a comparison to direct anthropometry and 2D photogrammetry［J］. Angle Orthod, 2016, 86(3): 487-494.

［19］Bannister J J, Wilms M, Aponte J D, et al. Comparing 2D and 3D representations for face-based genetic syndrome diagnosis［J］. Eur J Hum Genet, 2023, 31(9): 1010-1016.

［20］Van Vlijmen O J C, Maal T, Bergé S J, et al. A comparison between 2D and 3D cephalometry on CBCT scans of human skulls［J］. Int J Oral Maxillofac Surg, 2010, 39(2): 156-160.

［21］Anas I Y, Bamgbose B O, Nuhu S. A comparison between 2D and 3D methods of quantifying facial morphology［J］. Heliyon, 2019, 5(6): e01880.

［22］Sforza C, Laino A, D'Alessio R, et al. Soft-tissue facial characteristics of attractive and normal adolescent boys and girls［J］. Angle Orthod, 2008, 78(5): 799-807.

［23］Wang D, Qian G, Zhang M, et al. Differences in horizontal, neoclassical facial canons in Chinese (Han) and North American Caucasian populations［J］. Aesthetic Plast Surg, 1997, 21(4): 265-269.

［24］De Coster P, De Pauw G, Martens L, et al. Craniofacial structure in Marfan syndrome: a cephalometric study［J］. Am J Med Genet A, 2004, 131A(3): 240-248.

［25］Ting B L, Mathur D, Loeys B L, et al. The diagnostic value of the facial features of Marfan syndrome［J］. J Child Orthop, 2010, 4(6): 545-551.

［26］Sutton V R, Hopkins B J, Eble T N, et al. Facial and physical features of Aicardi syndrome: infants to teenagers［J］. Am J Med Genet A, 2005, 138A(3): 254-258.

［27］Maclean K, Smith J, St Heaps L, et al. Axenfeld-Rieger malformation and distinctive facial features: clues to a recognizable 6p25 microdeletion syndrome［J］. Am J Med Genet A, 2005, 132A(4): 381-385.

［28］Moore E S, Ward R E, Wetherill L F, et al. Unique facial features distinguish fetal alcohol syndrome patients and controls in diverse ethnic populations［J］. Alcohol Clin Exp Res, 2007, 31(10): 1707-1713.

［29］Cai X X, Chen Y, Li Q, et al. Anthropometric analysis on the ocular region morphology of children and young adults in Chinese Han population［J］. Ophthalmic Plast Reconstr Surg, 2019, 35(4): 326-332.

［30］Wen Y F, Wong H M, McGrath C P. A longitudinal study of facial growth of Southern Chinese in Hong Kong: comprehensive photogrammetric analyses［J］. PLoS One, 2017, 12(10): e0186598.

［31］Aynechi N, Larson B E, Leon-Salazar V, et al. Accuracy and precision of a 3D anthropometric facial analysis with and without landmark labeling before image acquisition［J］. Angle Orthod, 2011, 81(2): 245-252.

［32］Sforza C, Dellavia C, Tartaglia G M, et al. Morphometry of the ear in Down's syndrome subjects: a three-dimensional computerized assessment［J］. Int J Oral Maxillofac Surg, 2005, 34(5): 480-486.

［33］Bhatia G, Vannier M W, Smith K E, et al. Quantification of facial surface change using a structured light scanner［J］. Plast Reconstr Surg, 1994, 94(6): 768-774.

［34］Aung S C, Ngim R C K, Lee S T. Evaluation of the laser scanner as a surface measuring tool and its accuracy compared with direct facial anthropometric measurements［J］. Br J Plast Surg, 1995, 48(8): 551-558.

［35］Ras F, Habets L L, Van Ginkel F C, et al. Quantification of facial morphology using stereophotogrammetry--demonstration of a new concept［J］. J Dent, 1996, 24(5): 369-374.

［36］Moss J P, Linney A D, Grindrod S R, et al. A laser scanning system for the measurement of facial surface morphology［J］. Opt Lasers Eng, 1989, 10(3/4): 179-190.

［37］Gibelli D, Pucciarelli V, Caplova Z, et al. Validation of a low-cost laser scanner device for the assessment of three-dimensional facial anatomy in living subjects［J］. J Craniomaxillofac Surg, 2018, 46(9): 1493-1499.

［38］Cao R K, Chen B B, Xu H, et al. Accuracy of three-dimensional optical devices for facial soft-tissue measurement in clinical practice of stomatology: a PRISMA systematic review［J］. Medicine (Baltimore), 2022, 101(47): e31922.

［39］Kovacs L, Zimmermann A, Brockmann G, et al. Three-dimensional recording of the human face with a 3D laser scanner［J］. J Plast Reconstr Aesthet Surg, 2006, 59(11): 1193-1202.

［40］Al-Anezi T, Khambay B, Peng M J, et al. A new method for automatic tracking of facial landmarks in 3D motion captured images (4D)［J］. Int J Oral Maxillofac Surg, 2013, 42(1): 9-18.

［41］Ma L L, Xu T M, Lin J X. Validation of a three-dimensional facial scanning system based on structured light techniques［J］. Comput Methods Programs Biomed, 2009, 94(3): 290-298.

［42］Ye H Q, Lv L W, Liu Y S, et al. Evaluation of the accuracy, reliability, and reproducibility of two different 3D face-scanning systems［J］. Int J Prosthodont, 2016, 29(3): 213-218.

［43］Hajeer M Y, Millett D T, Ayoub A F, et al. Applications of 3D imaging in orthodontics: part I［J］. J Orthod, 2004, 31(1): 62-70.

［44］Gibelli D, Pucciarelli V, Cappella A, et al. Are portable stereophotogrammetric devices reliable in facial imaging? A validation study of VECTRA H1 device［J］. J Oral Maxillofac Surg, 2018, 76(8): 1772-1784.

［45］Camison L, Bykowski M, Lee W W, et al. Validation of the Vectra H1 portable three-dimensional photogrammetry system for facial imaging［J］. Int J Oral Maxillofac Surg, 2018, 47(3): 403-410.

［46］Pellitteri F, Scisciola F, Cremonini F, et al. Accuracy of 3D facial scans: a comparison of three different scanning system in an in vivo study［J］. Prog Orthod, 2023, 24(1): 44.

［47］Chong Y M, Liu X Y, Shi M, et al. Three-dimensional facial scanner in the hands of patients: validation of a novel application on iPad/iPhone for three-dimensional imaging［J］. Ann Transl Med, 2021, 9(14): 1115.

［48］Yi C R, Kim M J, Kim S C, et al. Comparison of facial proportions between eastern and western attractive young women［J］. J Craniofac Surg, 2020, 31(3): e303-e306.

［49］Kim Y C, Kwon J G, Kim S C, et al. Comparison of periorbital anthropometry between beauty pageant contestants and ordinary young women with Korean ethnicity: a three-dimensional photogrammetric analysis［J］. Aesthetic Plast Surg, 2018, 42(2): 479-490.

［50］Chong Y M, Li J Y, Liu X Y, et al. Three-dimensional anthropometric analysis of eyelid aging among Chinese women［J］. J Plast Reconstr Aesthet Surg, 2021, 74(1): 135-142.

［51］Modabber A, Peters F, Galster H, et al. Three-dimensional evaluation of important surgical landmarks of the face during aging［J］. Ann Anat, 2020, 228: 151435.

［52］Lambros V. Facial aging: a 54-year, three-dimensional population study［J］. Plast Reconstr Surg, 2020, 145(4): 921-928.

［53］Kim B R, Kim M, Kim J W, et al. Efficacy and safety of the micro-insulated needle radiofrequency device for reduction of submental fat［J］. Dermatol Surg, 2023, 49(4): 389-394.

［54］Nikolis A, Bertucci V, Solish N, et al. An objective, quantitative assessment of flexible hyaluronic acid fillers in lip and perioral enhancement［J］. Dermatol Surg, 2021, 47(5): e168-e173.

［55］Mailey B, Baker J L, Hosseini A, et al. Evaluation of facial volume changes after rejuvenation surgery using a 3-dimensional camera［J］. Aesthet Surg J, 2016, 36(4): 379-387.

［56］Dolci C, Sansone V A, Gibelli D, et al. Distinctive facial features in Andersen-Tawil syndrome: a three-dimensional stereophotogrammetric analysis［J］. Am J Med Genet A, 2021, 185(3): 781-789.

［57］Jayaratne Y S N, Elsharkawi I, Macklin E A, et al. The facial morphology in Down syndrome: a 3D comparison of patients with and without obstructive sleep apnea［J］. Am J Med Genet A, 2017, 173(11): 3013-3021.

［58］Ji C, Yao D, Li M Y, et al. A study on facial features of children with Williams syndrome in China based on three-dimensional anthropometric measurement technology［J］. Am J Med Genet A, 2020, 182(9): 2102-2109.

［59］Lin H C, Le Hoang P, Hutchinson A, et al. Alagille syndrome in a Vietnamese cohort: mutation analysis and assessment of facial features［J］. Am J Med Genet A, 2012, 158A(5): 1005-1013.

［60］Guo X P, Meng T, Huang J Z, et al. 3D facial analysis in acromegaly: gender-specific features and clinical correlations［J］. Front Endocrinol (Lausanne), 2018, 9: 722.

［61］Wang M H, Lin J D, Chang C N, et al. Acromegaly determination using discriminant analysis of the three-dimensional facial classification in Taiwanese［J］. Neuro Endocrinol Lett, 2017, 38(4): 301-309.

［62］Du F Z, Chen Q, Wang X J, et al. Long-term facial changes and clinical correlations in patients with treated acromegaly: a cohort study［J］. Eur J Endocrinol, 2021, 184(2): 231-241.

［63］Botticelli S, Pedersen T K, Küseler A, et al. Novel 3-D analysis for the assessment of cleft dimensions on digital models of infants with unilateral cleft lip and palate［J］. Cleft Palate Craniofac J, 2019, 56(1): 127-133.

［64］Desmedt D J, Maal T J, Kuijpers M A, et al. Nasolabial symmetry and esthetics in cleft lip and palate: analysis of 3D facial images［J］. Clin Oral Investig, 2015, 19(8): 1833-1842.

［65］Ganske I M, Langa O C, Mulliken J B. Philtral ridge projection in repaired unilateral cleft lip: Three-Dimensional anthropometry［J］. Plast Reconstr Surg, 2021, 147(1): 141-147.

［66］Gurovich Y, Hanani Y, Bar O, et al. Identifying facial phenotypes of genetic disorders using deep learning［J］. Nat Med, 2019, 25(1): 60-64.

［67］Cornejo J Y R, Pedrini H, Machado-Lima A, et al. Down syndrome detection based on facial features using a geometric descriptor［J］. J Med Imaging (Bellingham), 2017, 4(4): 044008.

［68］Zhao Q, Rosenbaum K, Okada K, et al. Automated down syndrome detection using facial photographs［J］. Annu Int Conf IEEE Eng Med Biol Soc, 2013, 2013: 3670-3673.

［69］Dhanamjayulu C, Nizhal U N, Maddikunta P K R, et al. Identification of malnutrition and prediction of BMI from facial images using real-time image processing and machine learning［J］. IET Image Process, 2022, 16(3): 647-658.

［70］Song W A, Lei Y, Chen S, et al. Multiple facial image features-based recognition for the automatic diagnosis of turner syndrome［J］. Comput Ind, 2018, 100: 85-95.

［71］Meng T, Guo X P, Lian W, et al. Identifying facial features and predicting patients of acromegaly using three-dimensional imaging techniques and machine learning［J］. Front Endocrinol (Lausanne), 2020, 11: 492.

［72］Guarin D L, Yunusova Y, Taati B, et al. Toward an automatic system for computer-aided assessment in facial palsy［J］. Facial Plast Surg Aesthet Med, 2020, 22(1): 42-49.

［73］Guarin D L, Dusseldorp J, Hadlock T A, et al. A machine learning approach for automated facial measurements in facial palsy［J］. JAMA Facial Plast Surg, 2018, 20(4): 335-337.

［74］Pan Z X, Shen Z, Zhu H J, et al. Clinical application of an automatic facial recognition system based on deep learning for diagnosis of Turner syndrome［J］. Endocrine, 2021, 72(3): 865-873.

［75］Latorre-Pellicer A, Ascaso Á, Trujillano L, et al. Evaluat-ing Face2Gene as a tool to identify Cornelia de Lange syndrome by facial phenotypes［J］. Int J Mol Sci, 2020, 21(3): 1042.

［76］Wilamowska K, Shapiro L, Heike C. Classification of 3D face shape in 22Q11.2 deletion syndrome［C］//Proceedings of the Sixth IEEE international conference on Symposium on Biomedical Imaging: From Nano to Macro. Piscataway, NJ: IEEE Press, 2009: 534-537.

［77］Hartmann T J, Hartmann J B J, Friebe-Hoffmann U, et al. Novel method for three-dimensional facial expression recognition using self-normalizing neural networks and mobile devices［J］. Geburtshilfe Frauenheilkd, 2022, 82(9): 955-969.

［78］Yang Y Y, Zhang M Y, Jin L, et al. Gender- and age-related characterization of lip morphology: a three-dimensi-onal analysis in a Chinese population［J］. Aesthet Surg J, 2023, 43(12): NP990-NP1000.

［79］Bannister J J, Crites S R, Aponte J D, et al. Fully automatic landmarking of syndromic 3D facial surface scans using 2D images［J］. Sensors (Basel), 2020, 20(11): 3171.

［80］Chong Y M, Xiao Y D, Li Z M, et al. Introduction and validation of an automatic and low-cost three-dimensional facial imaging system: a comparison to direct anthropometry and Vectra H1［J］. Quant Imaging Med Surg, 2023, 13(5): 2922-2932.

［81］Fu Z Y, Jiao J B, Suttie M, et al. Facial anatomical landmark detection using regularized transfer learning with application to fetal alcohol syndrome recognition［J］. IEEE J Biomed Health Inform, 2022, 26(4): 1591-1601.

［82］Chong Y M, Du F Z, Ma X D, et al. Automated anatomical landmark detection on 3D facial images using U-NET-based deep learning algorithm［J］. Quant Imaging Med Surg, 2024, 14(3): 2466-2474.

［83］Jiang C, Jiang F L, Xie Z K, et al. Evaluation of automated detection of head position on lateral cephalometric radiographs based on deep learning techniques［J］. Ann Anat, 2023, 250: 152114.

［84］Hsieh T C, Bar-Haim A, Moosa S, et al. GestaltMatcher facilitates rare disease matching using facial phenotype descriptors［J］. Nat Gene, 2022, 54(3): 349-357.

［85］Bannister J J, Wilms M, Aponte J D, et al. A Deep Invertible 3D Facial Shape Model For Interpretable Genetic Syndrome Diagnosis［J］. IEEE J Biomed Health Inform, 2022, 26(7): 3229-3239.

［86］Rouxel F, Yauy K, Boursier G, et al. Using deep-neural-network-driven facial recognition to identify distinct Kabuki syndrome 1 and 2 gestalt［J］. Eur J Hum Genet, 2022, 30(6): 682-686.

［87］Yang Y Y, Zhang M Y, An Y C, et al. Automated 3D perioral landmark detection using high-resolution network: artificial intelligence-based anthropometric analysis［J］. Aesthet Surg J, 2024, 44(8): NP606-NP612.

［88］Meintjes E M, Douglas T S, Martinez F, et al. A stereo-photogrammetric method to measure the facial dysmorphology of children in the diagnosis of fetal alcohol syndrome［J］. Med Eng Phys, 2002, 24(10): 683-689.

［89］Gross M M, Trotman C A, Moffatt K S. A comparison of three-dimensional and two-dimensional analyses of facial motion［J］. Angle Orthod, 1996, 66(3): 189-194.

［90］Goos M I M, Alberink I B, Ruifrok A C C. 2D/3D image (facial) comparison using camera matching［J］. Forensic Sci Int, 2006, 163(1/2): 10-17.

［91］Berssenbrügge P, Berlin N F, Kebeck G, et al. 2D and 3D analysis methods of facial asymmetry in comparison［J］. J Craniomaxillofac Surg, 2014, 42(6): e327-e334.

［92］Gašparovic B, Morelato L, Lenac K, et al. Comparing direct measurements and three-dimensional (3D) scans for evaluating facial soft tissue［J］. Sensors (Basel), 2023, 23(5): 2412.