深度學習在皮膚OCT醫(yī)學圖像中的應用

王?？? 馬瓊 蔡清裕 孫海洋 湯曉安 康宏向

摘 要：深度學習作為機器學習領域的重要研究方向，其強大的特征學習能力以及優(yōu)秀的可移植性使得深度學習技術滲入到科學研究的各個領域，尤其是深度學習中前沿領域的成果對醫(yī)學圖像的識別、分類、分割、量化等方面起到了積極作用。光學相干斷層掃描成像（OCT）技術具有非侵入、分辨率高的特點，能夠無創(chuàng)獲取生物組織內部微米級的高分辨率三維切面圖像，在生物醫(yī)學的眼科、血管、皮膚科等方面有著廣泛應用。本文首先介紹了OCT及深度學習的基本原理以及二者相結合在皮膚領域的應用優(yōu)勢，然后詳細闡述了深度學習在皮膚OCT醫(yī)學圖像領域的應用，主要包括在皮膚癌的分析分類、美容領域、指尖圖像的分割以及在損傷皮膚的定性定量評估中的應用。

關鍵詞：光學相干斷層掃描成像；醫(yī)學圖像；深度學習；皮膚疾?。痪矸e神經網絡

中圖分類號：Q-334 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼：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）

光學相干斷層掃描成像（optical coherence tomography，OCT）是一種非侵入性光學成像技術，自1991年發(fā)現以來發(fā)展迅速［1］。OCT能夠無創(chuàng)獲取生物組織微米級的高分辨率三維切面圖像［2］，在皮膚科有著很好的應用前景。近二十年來，臨床上不斷嘗試使用OCT評估皮膚結構，用于表皮、真皮、毛囊和汗腺等［3］皮膚組織的結構成像。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算機斷層掃描（computed tomography，CT）等常用輔助診斷成像技術無法實現的。

作為一種非侵入性光學成像方法，OCT在非侵入性診斷和疾病監(jiān)測方面具有相當大的應用場景。尤其在皮膚科領域，OCT已經在正常皮膚［4］、角化細胞癌［5］、黑色素瘤［6］、炎癥皮膚［7］的評估或識別中得到了應用。Boone等［8］基于3D OCT影像中的某些特殊特征設計了一種決策樹算法，用于從正常皮膚和鱗狀細胞癌中區(qū)分光化性角化病；Cobb等［9］使用中值濾波對皮膚損傷小鼠的OCT圖像去噪，在此基礎上使用Canny邊緣檢測算法分割OCT圖像，用以監(jiān)測皮膚傷口的愈合特征；Gao等［10］基于OCT圖像中強度、紋理和分形特征對黑色素瘤、基底細胞癌和色素痣進行分類，并使用廣義估計方程檢驗皮膚腫瘤之間的差異。上述研究證實了OCT在皮膚領域應用的可行性以及科學性，但臨床OCT圖像的分析通常需要經過培訓的專家來完成，高度依賴醫(yī)生的臨床經驗，且醫(yī)學影像的復雜性、皮膚病灶邊界模糊等會對診斷造成巨大的干擾。對于大量需要處理的皮膚OCT圖像，傳統處理方式的速度及精度無法滿足臨床應用的需要。

深度學習（deep learning，DL）作為機器學習（machine learning，ML）領域中的一個重要研究方向，解決了很多復雜的模式識別難題，在語音和圖像識別領域的效果要遠超之前的相關技術［11］。目前，深度學習在醫(yī)學圖像處理中的應用尤為廣泛，特別是深度學習中前沿領域的成果對醫(yī)學圖像的識別、分類、分割、量化等方面起到了積極作用［12］。將深度學習技術與皮膚OCT圖像處理相結合，利用深度學習的優(yōu)勢，建立自動化的皮膚疾病智能診斷系統，可以提升皮膚病變圖像的檢測效率，幫助皮膚科醫(yī)生快速準確地制定診療決策，能夠大大降低醫(yī)療人力成本［13］，對智能醫(yī)療的發(fā)展有著重要的意義，同時深度學習可推動OCT在臨床皮膚疾病診斷領域應用的進一步發(fā)展。

1 深度學習與OCT

1.1 深度學習在皮膚科的應用優(yōu)勢

深度學習作為機器學習的重要分支，在計算機視覺、語音識別、自然語言處理方面有著廣泛的應用［14］。深度學習在皮膚疾病診斷中具有兩大優(yōu)勢，一是有深度學習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、識別、分析、診斷的皮膚疾病影像處理任務可全部交給計算機高質量、高效率地完成［15］；二是基于深度學習的輔助診斷技術具有客觀、標準化的特點，并且可以發(fā)現人眼無法發(fā)現的高階特征信息，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］。卷積神經網絡（convolutional neural networks，CNN）作為主流深度學習模型之一，由多層感知機演化而來，具有局部感知和權值共享、降采樣等特點［15］，在圖像處理領域表現出色。CNN是一個擁有輸入層、卷積層、池化層、全連接層以及輸出層的多層結構（圖1）。經典的CNN包括AlexNet［17］、VGGNet［18］、GoogleNet［19］等。

1.2 OCT在皮膚科的應用優(yōu)勢

OCT基于光學相干原理，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時二維或三維成像，分辨率可達到微米量級，成像深度為毫米量級［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結構，通過樣品組織中射回來的光信號發(fā)生干涉效應，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系統結構［22］。OCT技術在皮膚疾病診斷中具有三大優(yōu)勢：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技術在保證高分辨率的同時，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可以對皮膚病變組織進行無創(chuàng)、原位、動態(tài)、實時的成像，可以動態(tài)監(jiān)測病變組織發(fā)展過程，已被證明在診斷和監(jiān)測皮膚疾病（包括惡性腫瘤和炎癥）中具有良好的實用性和精確度［24］。

2 深度學習在皮膚OCT圖像分類中的應用

2.1 在皮膚癌診斷中的應用

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%為基底細胞癌（basal cell carcinoma，BBC），其余大部分為鱗狀細胞癌（squamous cell carcinoma，SCC）［25］。近年來OCT逐步被應用于皮膚癌成像，Mandache等［26］將OCT和深度學習相結合，建立了一種計算機輔助診斷技術，對從莫氏手術、活檢以及常規(guī)切除組織中獲取的OCT圖像進行專家級的手工分割和標注，并在整張的OCT圖像上提取了大小為256×256的小塊圖像進行訓練。該研究提出了一個專用的網絡模型，使用了VGG的思想，并在Dropout層去除部分神經元以防止過擬合。研究結果表明，該模型對SCC病變區(qū)域的分類準確率可達到95.93%，對應的敏感性為95.20%，特異性為96.54%。該研究可實現對皮膚癌區(qū)域的自動診斷，從而加快手術速度，具有在臨床上應用的潛力。

Ho等［27］將全場OCT技術和深度學習相結合對SCC進行分類，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其進行降噪的基礎上用減少了參數的ResNet18進行訓練，以提升模型的訓練效果以及減少計算量。結果表明，模型的整體分類準確度超過了80.00%，具有在臨床上應用的潛力。

2.2 在皮膚美容領域中的應用

根據組織學分析，人體皮膚的老化主要是由真皮層特定結構的組織紊亂造成的。真皮基質質量可在一定程度上反應皮膚的老化狀態(tài)，因此，觀察真皮在衰老過程中的結構變化在皮膚美容方面具有重要價值［28］。Josselin等［29］對人體皮膚老化相關的真皮基質質量進行自動評估，使用OCT設備從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，并由經過培訓的專家根據4個等級對圖像進行打分；在此基礎上，學者使用深度學習模型MobileNet-V3在ImageNet數據集上進行預訓練，然后在15 993張圖像上進行訓練和測試，并按4個等級進行分類。研究結果表明，該模型對皮膚基質狀態(tài)的評分表現出良好性能，分類準確度達到了83.00%，召回率達到了82.00%，可輔助醫(yī)師評估老化相關的皮膚基質質量變化。

脫發(fā)是皮膚美容領域的常見問題，尋找準確可靠的方法監(jiān)測治療脫發(fā)進展是研發(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)測頭皮毛發(fā)以及毛囊數量的自動評估方法，使用OCT技術結合深度學習對毛發(fā)、毛囊數量自動計數。該方法可準確有效監(jiān)測頭發(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圖像并進行人工標記（其中20張由2名專家進行冗余標記），使用一種獨特設計的CNN進行評估。研究結果表明：深度學習系統預測毛囊數量的平均錯誤率為11.80%，而預測毛發(fā)數量的平均錯誤率為18.70%；OCT系統可以在3 s內捕獲一個頭皮位置圖像，經過訓練后的模型能夠在處理OCT掃描圖像后1 s內做出有效預測。該方法較人工評估方法節(jié)省了大量的時間和精力，可以作為一種監(jiān)測脫發(fā)治療進展的有效手段。

3 深度學習在皮膚OCT圖像分割中的應用

3.1深度學習對指尖皮膚OCT圖像分割

指紋識別作為生物特征識別的重要方式，已廣泛應用于我們的日常生活中?，F有的指紋采集技術測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，提取指尖內部特征成為指紋識別領域的一個重要趨勢［31］。OCT作為一種非侵入性、高分辨率的活體成像技術，已廣泛應用在指尖皮膚生物特征采集中，可測量皮膚表面、內部的信息，如內部指紋、汗腺等［32］（圖4）。

Ding等［33］使用定制的光譜域OCT系統（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，在此基礎上對采集到的OCT圖像使用BM3D方法進行降噪，并提出一種改進的U-Net模型即BCL-U-Net。該模型結合了混合空洞卷積、雙向長短期記憶網絡和殘差學習機制，對指尖OCT圖像進行分割。研究結果表明：與U-Net、3D U-Net、V-Net等比較，該模型在區(qū)域預測精度、輪廓提取精度上都表現更好，且其可以更好地識別汗腺；在內表面混合指紋匹配試驗中，等錯誤率為3.67%，驗證了內外部指紋的一致性；在此基礎上對皮膚條件較差的手指進行匹配試驗，結果表明，內部指紋的等錯誤率為2.47%，低于表面指紋，表明了內部指紋具有補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習的指尖OCT圖像亞表面指紋重構方法，使用HDCRes-34網絡將OCT采集到的B-scan圖像分割成角質層、脊部以及谷部3層，然后通過滑窗函數和權值函數重構算法，實現指紋重構（重構效果見圖5）。在該研究中，學者提出的網絡分割模型的平均像素準確率為0.956，平均交并比為0.873，證明了亞表面指紋在指紋識別領域的潛力和科學意義。

3.2 深度學習對損傷皮膚OCT分割

表皮和結痂檢測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，表皮和結痂厚度是判斷再上皮化是否正常的重要指標。為了解皮膚傷口愈合過程以及闡明治療對傷口愈合的加速作用，Ji等［35］對小鼠皮膚OCT圖像中的表皮和結痂區(qū)域進行人工標記，在傷口愈合的過程中（對照組及傷后第3天、第7天、第10天、第14天）使用多種深度學習模型對圖像進行分割（分割效果見圖6），并對模型的分割性能進行了定性和定量比較，用以對嚙齒動物皮膚損傷模型的愈合過程中表皮和結痂組織厚度的自動定量進行評估。研究表明，U-Net模型在分割目標結構的同時，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，且在各項評價指標上均優(yōu)于其他模型，尤其是在模型運行速度方面明顯快于其他CNN結構，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上構建了激光誘導的小鼠皮膚激光損傷模型，提出了一種基于深度神經網絡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制的U-Net模型針對小鼠正常皮膚的多層結構和損傷區(qū)域分別進行了精確分割，并對分割結果進行了比較分析。研究表明，基于雙注意機制的U-Net模型性能最佳，分割小鼠真皮層和損傷區(qū)域的Dice系數達到了0.90以上，分割脂肪層和肌肉層的Dice系數達到了0.80以上。該研究對未來皮膚損傷疾病的早期無創(chuàng)檢測和術后恢復檢測具有潛在的應用價值。

4 總結與展望

在皮膚科領域，相較于皮膚鏡等手段，OCT可以直觀地呈現出皮膚內部的組織結構形態(tài)，能夠無創(chuàng)采集皮下斷層圖像，可以針對皮膚病變組織進行無創(chuàng)、原位、動態(tài)、實時的成像，可以動態(tài)監(jiān)測病變組織的發(fā)展過程，已被證明在皮膚疾病的診斷中能夠較好地發(fā)揮實際效用。隨著深度學習逐漸應用到醫(yī)學圖像處理領域，以深度學習為基礎的醫(yī)學圖像處理系統能極大地降低人力成本、提升圖像處理速度。將深度學習與皮膚OCT技術相結合，在OCT能夠采集更豐富病灶信息的同時，利用深度學習實現皮膚疾病OCT圖像的自動分析，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。

本文綜述了深度學習在皮膚OCT圖像處理領域的應用。目前二者相結合的應用還處于起步階段，主要用于皮膚組織結構的分割與識別分類，如皮下指紋結構分割、皮膚損傷評估、皮膚癌的識別分類等。但將深度學習應用于皮膚OCT圖像處理還存在一些局限性：如當前的研究都是基于自行采集的數據集，并無公開的、標準的數據集供研究人員使用，數據標準、格式不一，同一類型的研究缺乏橫向對比；且由于OCT系統采用了干涉技術，受低相干光源和成像樣本自身結構的共同影響，成像過程中的散斑噪聲會影響成像質量，對后續(xù)深度學習模型的學習效果造成影響。同時，對比OCT在其他生物醫(yī)學領域的應用，如視網膜分割、血管識別評估等，已有使用深度學習方法對OCT圖像預處理的大量研究，如利用生成對抗網絡對圖像進行去噪等，類似研究在皮膚OCT領域尚未見報道。

未來，OCT技術將在成像分辨率、成像速度上進一步提高，會在皮膚領域得到進一步的應用，對于皮膚OCT圖像的處理、評估等需求也會大大提高。深度學習作為圖像處理領域的利器，勢必會越來越廣泛地應用到皮膚OCT圖像的處理中。結合深度學習領域的成果，愈發(fā)成熟的皮膚疾病自動分析技術將輔助醫(yī)師快速、準確地進行臨床診斷治療，推動智慧醫(yī)療的進一步發(fā)展。

參考文獻（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， 范應威， 馬瓊， 等. 光學相干斷層成像在臨床醫(yī)學中的應用［J］. 激光生物學報， 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. 基于深度學習的亞表面指紋重構［J］. 計算機學報， 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.