王?？? 馬瓊 蔡清裕 孫海洋 湯曉安 康宏向

摘 要：深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的重要研究方向，其強(qiáng)大的特征學(xué)習(xí)能力以及優(yōu)秀的可移植性使得深度學(xué)習(xí)技術(shù)滲入到科學(xué)研究的各個(gè)領(lǐng)域，尤其是深度學(xué)習(xí)中前沿領(lǐng)域的成果對(duì)醫(yī)學(xué)圖像的識(shí)別、分類、分割、量化等方面起到了積極作用。光學(xué)相干斷層掃描成像（OCT）技術(shù)具有非侵入、分辨率高的特點(diǎn)，能夠無創(chuàng)獲取生物組織內(nèi)部微米級(jí)的高分辨率三維切面圖像，在生物醫(yī)學(xué)的眼科、血管、皮膚科等方面有著廣泛應(yīng)用。本文首先介紹了OCT及深度學(xué)習(xí)的基本原理以及二者相結(jié)合在皮膚領(lǐng)域的應(yīng)用優(yōu)勢(shì)，然后詳細(xì)闡述了深度學(xué)習(xí)在皮膚OCT醫(yī)學(xué)圖像領(lǐng)域的應(yīng)用，主要包括在皮膚癌的分析分類、美容領(lǐng)域、指尖圖像的分割以及在損傷皮膚的定性定量評(píng)估中的應(yīng)用。

關(guān)鍵詞：光學(xué)相干斷層掃描成像；醫(yī)學(xué)圖像；深度學(xué)習(xí)；皮膚疾??；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：Q-334 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)志碼：ADOI：10.3969/j.issn.1007-7146.2023.03.001

Application of Deep Learning in OCT Medical Images of Skin

WANG Changke1， 2， MA Qiong1， CAI Qingyu2， 3， SUN Haiyang2， 3， TANG Xiaoan2， KANG Hongxiang1*

（1. Institute of Radiation Medicine， Academy of Military Medicine， Academy of Military Sciences， Beijing 100850， China;

2. College of Information Engineering， Henan University of Science and Technology， Luoyang 471023， China; 3. Hunan SANY Industrial Vocational Technical College， Changsha 410129， China）

Abstract： As an important research direction in the field of machine learning， deep learning technology has been infiltrated into various fields of scientific research due to its powerful feature of learning ability and excellent portability. In particular， the achievements in the frontier fields of deep learning have played a positive role in the recognition， classification， segmentation and quantification of medical images. Optical coherence tomography （OCT） technology has the characteristics of non-invasive， high resolution， non-invasive acquisition of micron-level high resolution 3D sectional image of biological tissue， and has been widely used in ophthalmology， vascular， dermatology and other biomedical fields. This paper first introduces the basic principles of OCT and deep learning and the advantages of their combination in the field of skin， and then elaborates the application of deep learning in the field of skin OCT medical images， including the analysis and classification of skin cancer， beauty， fingertip image segmentation， and the qualitative and quantitative evaluation of damaged skin.

Key words： optical coherence tomography; medical imaging; deep learning; skin disease; convolutional neural network

（Acta Laser Biology Sinica， 2023， 32（3）： 193-199）

光學(xué)相干斷層掃描成像（optical coherence tomography，OCT）是一種非侵入性光學(xué)成像技術(shù)，自1991年發(fā)現(xiàn)以來發(fā)展迅速［1］。OCT能夠無創(chuàng)獲取生物組織微米級(jí)的高分辨率三維切面圖像［2］，在皮膚科有著很好的應(yīng)用前景。近二十年來，臨床上不斷嘗試使用OCT評(píng)估皮膚結(jié)構(gòu)，用于表皮、真皮、毛囊和汗腺等［3］皮膚組織的結(jié)構(gòu)成像。使用OCT輔助臨床皮膚疾病診斷能夠無創(chuàng)獲取活體皮下組織的病灶信息，是皮膚鏡和皮膚電子計(jì)算機(jī)斷層掃描（computed tomography，CT）等常用輔助診斷成像技術(shù)無法實(shí)現(xiàn)的。

作為一種非侵入性光學(xué)成像方法，OCT在非侵入性診斷和疾病監(jiān)測(cè)方面具有相當(dāng)大的應(yīng)用場景。尤其在皮膚科領(lǐng)域，OCT已經(jīng)在正常皮膚［4］、角化細(xì)胞癌［5］、黑色素瘤［6］、炎癥皮膚［7］的評(píng)估或識(shí)別中得到了應(yīng)用。Boone等［8］基于3D OCT影像中的某些特殊特征設(shè)計(jì)了一種決策樹算法，用于從正常皮膚和鱗狀細(xì)胞癌中區(qū)分光化性角化?。籆obb等［9］使用中值濾波對(duì)皮膚損傷小鼠的OCT圖像去噪，在此基礎(chǔ)上使用Canny邊緣檢測(cè)算法分割OCT圖像，用以監(jiān)測(cè)皮膚傷口的愈合特征；Gao等［10］基于OCT圖像中強(qiáng)度、紋理和分形特征對(duì)黑色素瘤、基底細(xì)胞癌和色素痣進(jìn)行分類，并使用廣義估計(jì)方程檢驗(yàn)皮膚腫瘤之間的差異。上述研究證實(shí)了OCT在皮膚領(lǐng)域應(yīng)用的可行性以及科學(xué)性，但臨床OCT圖像的分析通常需要經(jīng)過培訓(xùn)的專家來完成，高度依賴醫(yī)生的臨床經(jīng)驗(yàn)，且醫(yī)學(xué)影像的復(fù)雜性、皮膚病灶邊界模糊等會(huì)對(duì)診斷造成巨大的干擾。對(duì)于大量需要處理的皮膚OCT圖像，傳統(tǒng)處理方式的速度及精度無法滿足臨床應(yīng)用的需要。

深度學(xué)習(xí)（deep learning，DL）作為機(jī)器學(xué)習(xí)（machine learning，ML）領(lǐng)域中的一個(gè)重要研究方向，解決了很多復(fù)雜的模式識(shí)別難題，在語音和圖像識(shí)別領(lǐng)域的效果要遠(yuǎn)超之前的相關(guān)技術(shù)［11］。目前，深度學(xué)習(xí)在醫(yī)學(xué)圖像處理中的應(yīng)用尤為廣泛，特別是深度學(xué)習(xí)中前沿領(lǐng)域的成果對(duì)醫(yī)學(xué)圖像的識(shí)別、分類、分割、量化等方面起到了積極作用［12］。將深度學(xué)習(xí)技術(shù)與皮膚OCT圖像處理相結(jié)合，利用深度學(xué)習(xí)的優(yōu)勢(shì)，建立自動(dòng)化的皮膚疾病智能診斷系統(tǒng)，可以提升皮膚病變圖像的檢測(cè)效率，幫助皮膚科醫(yī)生快速準(zhǔn)確地制定診療決策，能夠大大降低醫(yī)療人力成本［13］，對(duì)智能醫(yī)療的發(fā)展有著重要的意義，同時(shí)深度學(xué)習(xí)可推動(dòng)OCT在臨床皮膚疾病診斷領(lǐng)域應(yīng)用的進(jìn)一步發(fā)展。

1 深度學(xué)習(xí)與OCT

1.1 深度學(xué)習(xí)在皮膚科的應(yīng)用優(yōu)勢(shì)

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的重要分支，在計(jì)算機(jī)視覺、語音識(shí)別、自然語言處理方面有著廣泛的應(yīng)用［14］。深度學(xué)習(xí)在皮膚疾病診斷中具有兩大優(yōu)勢(shì)，一是有深度學(xué)習(xí)的輔助可以大幅降低皮膚疾病診斷成本、提高效率以及節(jié)約醫(yī)療資源，原本需要人工分割、識(shí)別、分析、診斷的皮膚疾病影像處理任務(wù)可全部交給計(jì)算機(jī)高質(zhì)量、高效率地完成［15］；二是基于深度學(xué)習(xí)的輔助診斷技術(shù)具有客觀、標(biāo)準(zhǔn)化的特點(diǎn)，并且可以發(fā)現(xiàn)人眼無法發(fā)現(xiàn)的高階特征信息，提升疾病的診斷能力并提高診斷的正確率，在早期防治皮膚疾病中十分重要［20］。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）作為主流深度學(xué)習(xí)模型之一，由多層感知機(jī)演化而來，具有局部感知和權(quán)值共享、降采樣等特點(diǎn)［15］，在圖像處理領(lǐng)域表現(xiàn)出色。CNN是一個(gè)擁有輸入層、卷積層、池化層、全連接層以及輸出層的多層結(jié)構(gòu)（圖1）。經(jīng)典的CNN包括AlexNet［17］、VGGNet［18］、GoogleNet［19］等。

1.2 OCT在皮膚科的應(yīng)用優(yōu)勢(shì)

OCT基于光學(xué)相干原理，利用光的低相干原理獲取組織深度信息，通過掃描獲得生物組織的實(shí)時(shí)二維或三維成像，分辨率可達(dá)到微米量級(jí)，成像深度為毫米量級(jí)［21］。OCT以超發(fā)光二極管作為光源，邁克爾遜干涉儀為核心光學(xué)結(jié)構(gòu)，通過樣品組織中射回來的光信號(hào)發(fā)生干涉效應(yīng)，提取組織信息，形成組織圖像。圖2展示了基于邁克爾遜干涉儀的激光掃頻OCT系統(tǒng)結(jié)構(gòu)［22］。OCT技術(shù)在皮膚疾病診斷中具有三大優(yōu)勢(shì)：一是OCT不局限于皮膚病灶表面，能夠無創(chuàng)采集皮下斷層圖像，通過二維斷層圖像進(jìn)行三維重建，為皮膚疾病診斷提供重要的病灶信息［23］；二是OCT技術(shù)在保證高分辨率的同時(shí)，擁有更大的視場和更深的掃描深度，橫向、縱向分辨率為1～10 μm，掃描深度約2 mm；三是OCT可以對(duì)皮膚病變組織進(jìn)行無創(chuàng)、原位、動(dòng)態(tài)、實(shí)時(shí)的成像，可以動(dòng)態(tài)監(jiān)測(cè)病變組織發(fā)展過程，已被證明在診斷和監(jiān)測(cè)皮膚疾病（包括惡性腫瘤和炎癥）中具有良好的實(shí)用性和精確度［24］。

2 深度學(xué)習(xí)在皮膚OCT圖像分類中的應(yīng)用

2.1 在皮膚癌診斷中的應(yīng)用

皮膚癌是人類最常見的惡性腫瘤，以非黑色素瘤為主，其中80%為基底細(xì)胞癌（basal cell carcinoma，BBC），其余大部分為鱗狀細(xì)胞癌（squamous cell carcinoma，SCC）［25］。近年來OCT逐步被應(yīng)用于皮膚癌成像，Mandache等［26］將OCT和深度學(xué)習(xí)相結(jié)合，建立了一種計(jì)算機(jī)輔助診斷技術(shù)，對(duì)從莫氏手術(shù)、活檢以及常規(guī)切除組織中獲取的OCT圖像進(jìn)行專家級(jí)的手工分割和標(biāo)注，并在整張的OCT圖像上提取了大小為256×256的小塊圖像進(jìn)行訓(xùn)練。該研究提出了一個(gè)專用的網(wǎng)絡(luò)模型，使用了VGG的思想，并在Dropout層去除部分神經(jīng)元以防止過擬合。研究結(jié)果表明，該模型對(duì)SCC病變區(qū)域的分類準(zhǔn)確率可達(dá)到95.93%，對(duì)應(yīng)的敏感性為95.20%，特異性為96.54%。該研究可實(shí)現(xiàn)對(duì)皮膚癌區(qū)域的自動(dòng)診斷，從而加快手術(shù)速度，具有在臨床上應(yīng)用的潛力。

Ho等［27］將全場OCT技術(shù)和深度學(xué)習(xí)相結(jié)合對(duì)SCC進(jìn)行分類，從小鼠背部采集了正常、發(fā)育不良以及SCC 3類皮膚OCT圖像（圖3），在使用三維平均濾波對(duì)其進(jìn)行降噪的基礎(chǔ)上用減少了參數(shù)的ResNet18進(jìn)行訓(xùn)練，以提升模型的訓(xùn)練效果以及減少計(jì)算量。結(jié)果表明，模型的整體分類準(zhǔn)確度超過了80.00%，具有在臨床上應(yīng)用的潛力。

2.2 在皮膚美容領(lǐng)域中的應(yīng)用

根據(jù)組織學(xué)分析，人體皮膚的老化主要是由真皮層特定結(jié)構(gòu)的組織紊亂造成的。真皮基質(zhì)質(zhì)量可在一定程度上反應(yīng)皮膚的老化狀態(tài)，因此，觀察真皮在衰老過程中的結(jié)構(gòu)變化在皮膚美容方面具有重要價(jià)值［28］。Josselin等［29］對(duì)人體皮膚老化相關(guān)的真皮基質(zhì)質(zhì)量進(jìn)行自動(dòng)評(píng)估，使用OCT設(shè)備從57名不同年齡段（22歲到79歲之間，平均年齡為56歲）的志愿者面部采集圖像，并由經(jīng)過培訓(xùn)的專家根據(jù)4個(gè)等級(jí)對(duì)圖像進(jìn)行打分；在此基礎(chǔ)上，學(xué)者使用深度學(xué)習(xí)模型MobileNet-V3在ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，然后在15 993張圖像上進(jìn)行訓(xùn)練和測(cè)試，并按4個(gè)等級(jí)進(jìn)行分類。研究結(jié)果表明，該模型對(duì)皮膚基質(zhì)狀態(tài)的評(píng)分表現(xiàn)出良好性能，分類準(zhǔn)確度達(dá)到了83.00%，召回率達(dá)到了82.00%，可輔助醫(yī)師評(píng)估老化相關(guān)的皮膚基質(zhì)質(zhì)量變化。

脫發(fā)是皮膚美容領(lǐng)域的常見問題，尋找準(zhǔn)確可靠的方法監(jiān)測(cè)治療脫發(fā)進(jìn)展是研發(fā)有效脫發(fā)治療手段的挑戰(zhàn)之一。Urban等［30］提出了一種有效監(jiān)測(cè)頭皮毛發(fā)以及毛囊數(shù)量的自動(dòng)評(píng)估方法，使用OCT技術(shù)結(jié)合深度學(xué)習(xí)對(duì)毛發(fā)、毛囊數(shù)量自動(dòng)計(jì)數(shù)。該方法可準(zhǔn)確有效監(jiān)測(cè)頭發(fā)生長治療的過程。在該研究中，在14名患者的不同頭皮位置采集70張OCT圖像并進(jìn)行人工標(biāo)記（其中20張由2名專家進(jìn)行冗余標(biāo)記），使用一種獨(dú)特設(shè)計(jì)的CNN進(jìn)行評(píng)估。研究結(jié)果表明：深度學(xué)習(xí)系統(tǒng)預(yù)測(cè)毛囊數(shù)量的平均錯(cuò)誤率為11.80%，而預(yù)測(cè)毛發(fā)數(shù)量的平均錯(cuò)誤率為18.70%；OCT系統(tǒng)可以在3 s內(nèi)捕獲一個(gè)頭皮位置圖像，經(jīng)過訓(xùn)練后的模型能夠在處理OCT掃描圖像后1 s內(nèi)做出有效預(yù)測(cè)。該方法較人工評(píng)估方法節(jié)省了大量的時(shí)間和精力，可以作為一種監(jiān)測(cè)脫發(fā)治療進(jìn)展的有效手段。

3 深度學(xué)習(xí)在皮膚OCT圖像分割中的應(yīng)用

3.1深度學(xué)習(xí)對(duì)指尖皮膚OCT圖像分割

指紋識(shí)別作為生物特征識(shí)別的重要方式，已廣泛應(yīng)用于我們的日常生活中?，F(xiàn)有的指紋采集技術(shù)測(cè)量的都是皮膚的表皮特征，而皮膚的表皮特征可以被扭曲、偽造等方式篡改，因此，提取指尖內(nèi)部特征成為指紋識(shí)別領(lǐng)域的一個(gè)重要趨勢(shì)［31］。OCT作為一種非侵入性、高分辨率的活體成像技術(shù)，已廣泛應(yīng)用在指尖皮膚生物特征采集中，可測(cè)量皮膚表面、內(nèi)部的信息，如內(nèi)部指紋、汗腺等［32］（圖4）。

Ding等［33］使用定制的光譜域OCT系統(tǒng)（中心波長為1 310 nm，帶寬為85.6 nm的寬帶光源）采集人體指尖皮膚圖像，在此基礎(chǔ)上對(duì)采集到的OCT圖像使用BM3D方法進(jìn)行降噪，并提出一種改進(jìn)的U-Net模型即BCL-U-Net。該模型結(jié)合了混合空洞卷積、雙向長短期記憶網(wǎng)絡(luò)和殘差學(xué)習(xí)機(jī)制，對(duì)指尖OCT圖像進(jìn)行分割。研究結(jié)果表明：與U-Net、3D U-Net、V-Net等比較，該模型在區(qū)域預(yù)測(cè)精度、輪廓提取精度上都表現(xiàn)更好，且其可以更好地識(shí)別汗腺；在內(nèi)表面混合指紋匹配試驗(yàn)中，等錯(cuò)誤率為3.67%，驗(yàn)證了內(nèi)外部指紋的一致性；在此基礎(chǔ)上對(duì)皮膚條件較差的手指進(jìn)行匹配試驗(yàn)，結(jié)果表明，內(nèi)部指紋的等錯(cuò)誤率為2.47%，低于表面指紋，表明了內(nèi)部指紋具有補(bǔ)充或替代表面指紋的潛力。劉鳳等［34］提出了一種基于深度學(xué)習(xí)的指尖OCT圖像亞表面指紋重構(gòu)方法，使用HDCRes-34網(wǎng)絡(luò)將OCT采集到的B-scan圖像分割成角質(zhì)層、脊部以及谷部3層，然后通過滑窗函數(shù)和權(quán)值函數(shù)重構(gòu)算法，實(shí)現(xiàn)指紋重構(gòu)（重構(gòu)效果見圖5）。在該研究中，學(xué)者提出的網(wǎng)絡(luò)分割模型的平均像素準(zhǔn)確率為0.956，平均交并比為0.873，證明了亞表面指紋在指紋識(shí)別領(lǐng)域的潛力和科學(xué)意義。

3.2 深度學(xué)習(xí)對(duì)損傷皮膚OCT分割

表皮和結(jié)痂檢測(cè)在研究皮膚傷口的愈合過程以及再上皮化過程中具有重要意義，其中，表皮和結(jié)痂厚度是判斷再上皮化是否正常的重要指標(biāo)。為了解皮膚傷口愈合過程以及闡明治療對(duì)傷口愈合的加速作用，Ji等［35］對(duì)小鼠皮膚OCT圖像中的表皮和結(jié)痂區(qū)域進(jìn)行人工標(biāo)記，在傷口愈合的過程中（對(duì)照組及傷后第3天、第7天、第10天、第14天）使用多種深度學(xué)習(xí)模型對(duì)圖像進(jìn)行分割（分割效果見圖6），并對(duì)模型的分割性能進(jìn)行了定性和定量比較，用以對(duì)嚙齒動(dòng)物皮膚損傷模型的愈合過程中表皮和結(jié)痂組織厚度的自動(dòng)定量進(jìn)行評(píng)估。研究表明，U-Net模型在分割目標(biāo)結(jié)構(gòu)的同時(shí)，能最大限度減少其他低散射干擾組織和噪聲的影響，與其他模型（Res-U-Net、DeepLab-V3、PSP-Net和Seg-Net）相比，U-Net具有更高的分割精度，且在各項(xiàng)評(píng)價(jià)指標(biāo)上均優(yōu)于其他模型，尤其是在模型運(yùn)行速度方面明顯快于其他CNN結(jié)構(gòu)，每張圖像的處理速度僅為6.7 ms。

Gao等［36］在小鼠皮膚分層的基礎(chǔ)上構(gòu)建了激光誘導(dǎo)的小鼠皮膚激光損傷模型，提出了一種基于深度神經(jīng)網(wǎng)絡(luò)模型的激光皮膚損傷定量分析方法。該研究采用U-Net模型及多種加入注意力機(jī)制的U-Net模型針對(duì)小鼠正常皮膚的多層結(jié)構(gòu)和損傷區(qū)域分別進(jìn)行了精確分割，并對(duì)分割結(jié)果進(jìn)行了比較分析。研究表明，基于雙注意機(jī)制的U-Net模型性能最佳，分割小鼠真皮層和損傷區(qū)域的Dice系數(shù)達(dá)到了0.90以上，分割脂肪層和肌肉層的Dice系數(shù)達(dá)到了0.80以上。該研究對(duì)未來皮膚損傷疾病的早期無創(chuàng)檢測(cè)和術(shù)后恢復(fù)檢測(cè)具有潛在的應(yīng)用價(jià)值。

4 總結(jié)與展望

在皮膚科領(lǐng)域，相較于皮膚鏡等手段，OCT可以直觀地呈現(xiàn)出皮膚內(nèi)部的組織結(jié)構(gòu)形態(tài)，能夠無創(chuàng)采集皮下斷層圖像，可以針對(duì)皮膚病變組織進(jìn)行無創(chuàng)、原位、動(dòng)態(tài)、實(shí)時(shí)的成像，可以動(dòng)態(tài)監(jiān)測(cè)病變組織的發(fā)展過程，已被證明在皮膚疾病的診斷中能夠較好地發(fā)揮實(shí)際效用。隨著深度學(xué)習(xí)逐漸應(yīng)用到醫(yī)學(xué)圖像處理領(lǐng)域，以深度學(xué)習(xí)為基礎(chǔ)的醫(yī)學(xué)圖像處理系統(tǒng)能極大地降低人力成本、提升圖像處理速度。將深度學(xué)習(xí)與皮膚OCT技術(shù)相結(jié)合，在OCT能夠采集更豐富病灶信息的同時(shí)，利用深度學(xué)習(xí)實(shí)現(xiàn)皮膚疾病OCT圖像的自動(dòng)分析，可為皮膚疾病以及其他疾病的輔助診斷與治療提供重要參考。

本文綜述了深度學(xué)習(xí)在皮膚OCT圖像處理領(lǐng)域的應(yīng)用。目前二者相結(jié)合的應(yīng)用還處于起步階段，主要用于皮膚組織結(jié)構(gòu)的分割與識(shí)別分類，如皮下指紋結(jié)構(gòu)分割、皮膚損傷評(píng)估、皮膚癌的識(shí)別分類等。但將深度學(xué)習(xí)應(yīng)用于皮膚OCT圖像處理還存在一些局限性：如當(dāng)前的研究都是基于自行采集的數(shù)據(jù)集，并無公開的、標(biāo)準(zhǔn)的數(shù)據(jù)集供研究人員使用，數(shù)據(jù)標(biāo)準(zhǔn)、格式不一，同一類型的研究缺乏橫向?qū)Ρ?；且由于OCT系統(tǒng)采用了干涉技術(shù)，受低相干光源和成像樣本自身結(jié)構(gòu)的共同影響，成像過程中的散斑噪聲會(huì)影響成像質(zhì)量，對(duì)后續(xù)深度學(xué)習(xí)模型的學(xué)習(xí)效果造成影響。同時(shí)，對(duì)比OCT在其他生物醫(yī)學(xué)領(lǐng)域的應(yīng)用，如視網(wǎng)膜分割、血管識(shí)別評(píng)估等，已有使用深度學(xué)習(xí)方法對(duì)OCT圖像預(yù)處理的大量研究，如利用生成對(duì)抗網(wǎng)絡(luò)對(duì)圖像進(jìn)行去噪等，類似研究在皮膚OCT領(lǐng)域尚未見報(bào)道。

未來，OCT技術(shù)將在成像分辨率、成像速度上進(jìn)一步提高，會(huì)在皮膚領(lǐng)域得到進(jìn)一步的應(yīng)用，對(duì)于皮膚OCT圖像的處理、評(píng)估等需求也會(huì)大大提高。深度學(xué)習(xí)作為圖像處理領(lǐng)域的利器，勢(shì)必會(huì)越來越廣泛地應(yīng)用到皮膚OCT圖像的處理中。結(jié)合深度學(xué)習(xí)領(lǐng)域的成果，愈發(fā)成熟的皮膚疾病自動(dòng)分析技術(shù)將輔助醫(yī)師快速、準(zhǔn)確地進(jìn)行臨床診斷治療，推動(dòng)智慧醫(yī)療的進(jìn)一步發(fā)展。

參考文獻(xiàn)（References）：

［1］ HUANG D， SWANSON E A， LIN C P， et al. Optical coherence tomography［J］. Science， 1991， 254（5035）： 1178-1181.

［2］ 倪波， 范應(yīng)威， 馬瓊， 等. 光學(xué)相干斷層成像在臨床醫(yī)學(xué)中的應(yīng)用［J］. 激光生物學(xué)報(bào)， 2018， 27（6）： 481-497.

NI Bo， FAN Yingwei， MA Qiong， et al. Application of optical coherence tomography in clinical medicine［J］. Laser Biology Journal， 2018， 27（6）： 481-497.

［3］ PATHANIA Y S， SALERNI G， APALLA Z， et al. Non‐invasive diagnostic techniques in pigmentary skin disorders and skin cancer［J］. Journal of Cosmetic Dermatology， 2022， 21（2）： 444-450.

［4］ KIM K H， PIERCE M C， MAGULURI G， et al. In vivo imaging of human burn injuries with polarization-sensitive optical coherence tomography［J］. Journal of Biomedical Optics， 2012， 17（6）： 066012.

［5］ COLEMAN A J， PENNEY G P， RICHARDSSON T J， et al. Automated registration of optical coherence tomography and dermoscopy in the assessment of sub-clinical spread in basal cell carcinoma［J］. Computer Aided Surgery， 2014， 19（10）： 1-12.

［6］ RAJABI A， BITTAR J M， NASCIMENTO V， et al. Optical coherence tomography imaging of melanoma skin cancer［J］. Lasers in Medical Science， 2019， 34（2）： 411-420.

［7］ ALDAHAN A S， CHEN L， FERTIG R M， et al. Vascular features of nail psoriasis using dynamic optical coherence tomography［J］. Skin Appendage Disord， 2017， 33（2）： 102-118.

［8］ BOONE M， MARNEFFE A， SUPPA M， et al. High-definition optical coherence tomography algorithm for the discrimination of actinic keratosis from normal skin and from squamous cell carcinoma［J］. Journal of the European Academy of Dermatology & Venereology， 2015， 29（8）： 1606-1615.

［9］ COBB M J， CHEN Y， UNDERWOOD R A， et al. Noninvasive assessment of cutaneous wound healing using ultrahigh-resolution optical coherence tomography［J］. Journal of Biomedical Optics， 2006， 11（6）： 064002.

［10］ GAO W， ZAKHAROV V P， MYAKININ O， et al. Medical images classification for skin cancer using quantitative image features with optical coherence tomography［J］. Journal of Innovative Optical Health Sciences， 2016， 9（2）： 150628195857004.

［11］ LECUN Y， BENGIO Y， HINTON G， et al. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.

［12］ MAMOSHINA P， VIEIRA A， PUTIN E， et al. Applications of deep learning in biomedicine （Review）［J］. Molecular Pharmaceutics， 2016， 13（5）： 1445-1454.

［13］ HAN S， PARK I， CHANG S E， et al. Augment intelligence dermatology： deep neural networks empower medical professionals in diagnosing skin cancer and predicting treatment options for 134 skin disorders［J］. Journal of Investigative Dermatology， 2020， 140（9）： 1753-1761.

［14］ CHEN X， WANG X， ZHANG K， et al. Recent advances and clinical applications of deep learning in medical image analysis［J］. Medical Image Analysis， 2021， 79： 102444.

［15］ HEMAVATHI S， VELMURUGAN K J. Skin disease prediction and provision of medical advice using deep learning［J］. Journal of Physics Conference Series， 2021， 1724（1）： 012048.

［16］ ALJABRI M， ALGHAMDI M. Deep learning in neural networks： an overview［J］. Neural Networks， 2015， 61： 85-117.

［17］ KRIZHEVSKY A， SUTSKEVER I， HINTON G. ImageNet classification with deep convolutional neural networks［J］. Advances in Neural Information Processing Systems， 2012， 25（2）： 89-90.

［18］ SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［C］//3rd International Conference on Learning Representations （ICLR）， 2015： 1-14.

［19］ SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）， 2015： 1-9.

［20］ LI L F， WANG X， HU W J， et al. Deep learning in skin disease image recognition： a review［J］. IEEE Access， 2020， 8： 208264-208280.

［21］ TADROUS P J. Methods for imaging the structure and function of living tissues and cells： optical coherence tomography［J］. The Journal of Pathology， 2000， 191（2）： 115-119.

［22］ TOMLINS P H， WANG R K. Theory， developments and applications of optical coherence tomography［J］. Journal of Physics D-applied Physics， 2005， 38（15）： 2519-2535.

［23］ BREZINSKI M E， FUJIMOTO J G. Optical coherence tomography： high-resolution imaging in nontransparent tissue［J］. IEEE Journal of Selected Topics in Quantum Electronics， 2002， 5（4）： 1185-1192.

［24］ ZIOLKOWSKA M， PHILIPP C M， LIEBSCHER J， et al. OCT of healthy skin， actinic skin and NMSC lesions［J］. Medical Laser Application， 2009， 24（4）： 256-264.

［25］ HO C， CALDERON-DELGADO M， LIN M， et al. Classification of squamous cell carcinoma from FF-OCT images： data selection and progressive model construction［J］. Computerized Medical Imaging and Graphics， 2021， 93： 101992.

［26］ MANDACHE D， DALIMIER E， DURKIN J R， et al. Basal cell carcinoma detection in full field OCT images using convolutional neural networks［C］//2018 IEEE 15th International Symposium on Biomedical Imaging， 2018： 784-787.

［27］ HO C， CALDERON M， CHAN C， et al. Detecting mouse squamous cell carcinoma from submicron full-field optical coherence tomography images by deep learning［J］. Journal of Biophotonics， 2021， 14（1）： e202000271.

［28］ HAYDONT V， BERNARD B A， FORTUNEL N O. Age-related evolutions of the dermis： clinical signs， fibroblast and extracellular matrix dynamics［J］. Mechanisms of Ageing and Development， 2019， 177（2）： 150-156

［29］ JOSSELIN B， PAULINE R， SOPHIE G， et al. Utilizing deep learning for dermal matrix quality assessment on in vivo line-field confocal optical coherence tomography images［J］. Skin Research and Technology， 2022， 29（1）： 1-8.

［30］ URBAN G， FEIL N， CSUKA E， et al. Combining deep learning with optical coherence tomography imaging to determine scalp hair and follicle counts［J］. Lasers in Surgery and Medicine， 2020， 53（1）： 171-178.

［31］ CHENG Y， LARIN K V. Artificial fingerprint recognition by using optical coherence tomography with autocorrelation analysis［J］. Applied Optics， 2006， 45（36）： 9238-9245.

［32］ YU Y， WANG H， SUN H， et al. Optical coherence tomography in fingertip biometrics［J］. Optics and Lasers in Engineering， 2022， 151： 106868.

［33］ DING B， WANG H， CHEN P， et al. Surface and internal fingerprint reconstruction from optical coherence tomography through convolutional neural network［J］. IEEE Transactions on Information Forensics and Security， 2020， 16： 685-700.

［34］ 劉鳳， 張文天， 劉浩哲， 等. 基于深度學(xué)習(xí)的亞表面指紋重構(gòu)［J］. 計(jì)算機(jī)學(xué)報(bào)， 2021， 44（10）： 2033-2046.

LIU Feng， ZHANG Wentian， LIU Haozhe， et al. Subsurface fingerprint reconstruction based on deep learning［J］. Journal of Computer Science， 2021， 44（10）： 2033-2046.

［35］ JI Y， YANG S， ZHOU K， et al. Deep-learning approach for automated thickness measurement of epithelial tissue and scab using optical coherence tomography［J］. Journal of Biomedical Optics， 2022， 27（1）： 015002.

［36］ GAO T X， LIU S， FAN Y W， et al. Automatic segmentation of laser-induced injury OCT images based on a deep neural network model［J］. International Journal of Molecular Sciences， 2022， 23（19）： 11079-11091.