利用深度学习分割技术对面部卟啉和皮脂进行紫外诱导荧光成像分析

《Photodiagnosis and Photodynamic Therapy》：Ultraviolet-induced fluorescence mapping of facial porphyrin and sebum using deep-learning segmentation

痤疮是一种由痤疮丙酸杆菌代谢产生的卟啉和皮脂过度分泌引起的慢性炎症性皮肤病。本研究比较了UNet和pix2pix两种深度学习模型在紫外荧光成像中检测痤疮相关物质（卟啉和皮脂）的效能。通过294例面部紫外荧光图像的实验分析，发现UNet在单类（合并检测）和双类（分别检测）分割任务中均表现出更稳定的性能，尤其在低荧光强度情况下，IoU（交并比）达到0.2106（卟啉）和0.1024（皮脂），显著优于pix2pix的0.124（单类）和0.0715-0.1119（双类）。研究证实UNet的编码器-解码器结构在融合全局语义和局部空间特征方面更具优势，而pix2pix的生成对抗机制在复杂场景中易产生假阳性。该成果为开发基于智能手机的便携式痤疮检测系统提供了理论依据和技术参考。

　　这项研究聚焦于利用深度学习技术对皮肤在紫外光下的荧光图像进行自动分割，以识别与痤疮发展密切相关的两种成分——卟啉和皮脂。传统方法在检测这些成分时存在诸多限制，如对光照条件和肤色差异的高度敏感性，以及对图像噪声的不稳定性，这些因素往往使得手动调整成为必要，降低了检测的效率和一致性。因此，研究者探索了两种不同的深度学习模型，即传统的分割网络UNet和基于生成对抗网络的pix2pix，以评估它们在该特定任务中的表现。

卟啉和皮脂在紫外光照射下会发出特定颜色的荧光，分别为红橙色和白色。这些成分的存在和分布对于评估痤疮的严重程度具有重要意义。卟啉的产生与痤疮丙酸杆菌（P. acnes）的代谢活动密切相关，而皮脂的分泌则反映了皮脂腺的功能状态。因此，准确检测和量化这些成分有助于临床医生更好地理解痤疮的发病机制，并制定个性化的治疗方案。然而，传统的检测方法依赖于特定的临床设备，这些设备往往价格昂贵且受限于专有的硬件和软件，限制了其在普通医疗环境中的应用。

研究团队采用了一种标准化的方法，使用三星Galaxy S21智能手机搭配外部紫外光源（DermLite DL5）进行数据采集。该设备能够提供安全且可控的紫外照射，从而激发皮肤中卟啉和皮脂的荧光信号。为了确保图像质量，所有图像均在暗室环境下拍摄，环境光强度控制在低于2勒克斯的水平。同时，通过调整图像的亮度，增强了荧光区域与背景的对比度，以提高检测的清晰度。

在数据预处理阶段，研究者对图像进行了裁剪和调整，确保所有图像都包含完整的面部区域，并且分辨率适配不同模型的输入要求。此外，为了提高模型的鲁棒性，研究团队引入了多种数据增强技术，包括随机水平翻转、旋转、裁剪、调整饱和度、亮度和对比度，以及模拟JPEG压缩效应。这些步骤有助于模型适应不同光照条件和图像质量的变化，从而提升其在实际应用中的表现。

研究采用的两个模型——UNet和pix2pix——分别代表了两种不同的深度学习范式。UNet是一种确定性分割模型，其编码器-解码器结构结合了跳跃连接，能够有效捕捉图像的全局语义信息和局部空间特征。这种设计使得UNet在检测小而稀疏的荧光信号时表现出色。相比之下，pix2pix是一种基于条件生成对抗网络（cGAN）的模型，通过对抗训练机制优化分割结果。虽然pix2pix在图像到图像的转换任务中表现良好，但在本研究中，它在某些情况下表现出较高的假阳性率，特别是在荧光信号较弱或缺失的区域。

实验结果显示，UNet在单类分割任务中表现出更稳定的性能，尤其是在荧光信号较弱或完全缺失的情况下。而pix2pix则在这些情况下容易误判，检测出本不存在的信号。定量分析表明，UNet在单类和双类分割任务中均优于pix2pix，其在单类任务中的平均IoU（交并比）为0.198，而在双类任务中，卟啉的IoU为0.2106，皮脂的IoU为0.1024。相比之下，pix2pix在单类任务中的IoU仅为0.124，而在双类任务中，其表现更为不稳定。

在双类分割任务中，UNet能够更准确地区分两种成分，这在临床评估中具有重要意义。通过对不同个体的分析，研究团队发现，由于卟啉和皮脂在紫外光下的颜色差异较大，UNet在检测卟啉时的性能优于皮脂。然而，皮脂由于颜色与周围皮肤相似，检测难度较高，导致其IoU值相对较低。这表明，在实际应用中，需要进一步优化模型以提高对皮脂的检测精度。

尽管UNet在检测性能上表现优异，但研究团队也指出了该研究的局限性。首先，数据集的多样性不足，所有样本均来自韩国人群，且年龄和性别分布不均。其次，数据采集仅使用了一种智能手机型号，这可能影响模型在不同设备上的泛化能力。此外，测试集的选取基于人工观察，而非随机抽样，这可能导致一定的偏差。因此，未来的研究应致力于扩大数据集的多样性，引入更多不同肤色和年龄组的样本，并采用更广泛的设备进行测试。

在实际应用方面，该研究为基于深度学习的皮肤分析提供了一种可行的解决方案。通过使用标准智能手机和便携式紫外光源，研究人员开发了一种可扩展且易于获取的检测方法，适用于临床和消费者场景。这种方法不仅降低了设备成本，还提高了检测的可及性，使得更多人群能够受益于基于荧光成像的皮肤分析技术。

综上所述，这项研究通过对比两种深度学习模型在卟啉和皮脂检测中的表现，验证了深度学习在皮肤荧光成像分析中的可行性。研究结果表明，UNet在检测稳定性方面优于pix2pix，尤其在处理弱荧光或无荧光区域时表现更佳。此外，双类分割方法能够提供更详细的检测信息，有助于临床医生更准确地评估痤疮的成因。然而，为了进一步提升模型的适用性和可靠性，未来的研究需要克服数据集多样性不足和设备限制等问题。