导语

血流指数（Blood Flow Index, BFi）是评估组织灌注和脑功能的重要生物标志物。漫射相关光谱（Diffuse Correlation Spectroscopy, DCS）作为一种非侵入性光学技术，可实现对BFi的实时监测。然而，传统DCS数据处理依赖曲线拟合，计算复杂、抗噪性差，限制了其在临床中的广泛应用。近年来，深度学习（Deep Learning, DL）技术的引入，为DCS数据处理带来了革命性变化。来自英国斯特拉斯克莱德大学（University of Strathclyde）的Day-Uei Li教授团队基于最新综述，系统梳理DL在DCS中的应用进展、挑战与未来方向。

Mingliang Pan, Quan Wang, Yuanzhe Zhang, Chenxu Li, and David Day-Uei Li.Deep learning techniques for diffuse correlation spectroscopy: A review.Journal of Innovative Optical Health SciencesOnline Ready

https://doi.org/10.1142/S1793545825300101

正文

DCS基本原理与传统方法瓶颈

DCS通过近红外光源照射组织，采集由红细胞运动引起的散射光强度波动，利用自相关函数 g2(τ) 提取BFi。传统方法如Levenberg-ndash;Marquardt或Nelder-ndash;Mead算法需迭代拟合，计算耗时且对噪声敏感，尤其在多层组织中用于脑血流监测时更为困难。

图1：DCS血流测量原理示意图.。(a) 半无限几何下的DCS仪器结构示意图；(b) 运动红细胞引起的光强波动；(c) 不同流速下的归一化强度自相关函数 g2(τ) 曲线。流速越快，曲线衰减越快。

深度学习模型在DCS中的快速崛起

自2019年首个LSTM模型用于DCS以来，研究人员已开发出多种DL架构，显著提升了BFi提取速度与鲁棒性：

●RNN / LSTM / ConvGRU：适用于时间序列 g2数据，适合动态血流监测。

●2D-CNN（MobileNetV2）：实现2300%的速度提升，适用于骨骼肌血流监测。

●DCS-NET（1D-CNN）：比传统模型快17,000倍，具备对噪声和光学参数变化的鲁棒性。

●轻量化ACNN + FPGA：首次实现床旁实时BFi推理，适合临床部署。

图7：三种深度学习模型架构对比。分别为基于RNN、2D-CNN（MobileNetV2）和LSTM的模型结构。它们以 g2(τ)为输入，直接输出血流指数（BFi），显著提升了计算速度与噪声鲁棒性。

图9：DCS-NET与轻量化ACNN模型架构。(a) DCS-NET：一种一维卷积神经网络，适用于半无限模型数据，推理速度极快；(b) ACNN：轻量化卷积神经网络，可部署于FPGA，首次实现床旁实时BFi推理。

训练数据策略与模型泛化能力

不同模型采用不同训练数据来源：

●解析模型（如半无限模型）

●蒙特卡洛模拟

●实验液体仿体数据

●合成噪声增强数据

这些选择影响模型的准确性与泛化能力。为适应不同硬件（如APD、SPAD阵列）和实验条件，训练数据需涵盖多种噪声水平和相干因子 β。

实时监测与硬件协同

实现真正实时DCS需解决采样率与信噪比的矛盾。SPAD阵列等多通道检测技术可大幅提升SNR，支持大源-探距离（如35 mm）和高频监测。结合FPGA实现的硬件相关器与片上DL推理，有望实现毫秒级BFi输出。

物理信息驱动与混合模型

未来DCS-DL发展将更注重物理一致性，如：

●物理约束损失函数

●可微分相关层

●不确定性与多任务输出

●适用于FPGA部署的轻量架构

展望：DL + 先进硬件 = 下一代DCS

结合Transformer、U-Net、时空网络等先进模型，以及多距离、时间分辨DCS等新硬件，DL有望推动DCS进入临床实时、深度分辨、多参数监测的新时代。

结语

深度学习正在重塑DCS的数据处理范式，使其从离线、易受干扰的拟合方法，迈向快速、鲁棒、适合床旁部署的智能分析工具。尽管仍面临数据标准、模型泛化、硬件集成等挑战，DL与DCS的深度融合将为非侵入性血流监测开辟广阔前景。

版权声明：

本文由《创新光学健康科学杂志（英文）》编辑部负责整理翻译。中文内容仅供参考，一切内容请以英文论文为准。欢迎转发分享本文，如需转载，请留言或联系jiohs@mail.hust.edu.cn。

支持单位：