Learning-based methods have been proved to perform well in a variety of areas in the biomedical field, such as biomedical image segmentation, and histopathological image analysis. Deep learning, as the most recently presented approach of learning-based methods, has attracted more and more attention. For instance, massive researches of deep learning methods for image reconstructions of computed tomography (CT) and magnetic resonance imaging (MRI) have been reported, indicating the great potential of deep learning for inverse problems. Optical technology-related medical imaging modalities including diffuse optical tomography (DOT), fluorescence molecular tomography (FMT), bioluminescence tomography (BLT), and photoacoustic tomography (PAT) are also dramatically innovated by introducing learning-based methods, in particular deep learning methods, to obtain better reconstruction results. This review depicts the latest researches on learning-based optical tomography of DOT, FMT, BLT, and PAT. According to the most recent studies, learning-based methods applied in the field of optical tomography are categorized as kernel-based methods and deep learning methods. In this review, the former are regarded as a sort of conventional learning-based methods and the latter are subdivided into model-based methods, post-processing methods, and end-to-end methods. Algorithm as well as data acquisition strategy are discussed in this review. The evaluations of these methods are summarized to illustrate the performance of deep learning-based reconstruction.

中文翻译：

---

基于学习的光学断层扫描方法的简要回顾

基于学习的方法已被证明在生物医学领域的多个领域表现良好，例如生物医学图像分割和组织病理学图像分析。深度学习作为最近提出的基于学习的方法，受到了越来越多的关注。例如，针对计算机断层扫描 (CT) 和磁共振成像 (MRI) 图像重建的深度学习方法的大量研究已经被报道，表明深度学习在逆问题方面的巨大潜力。通过引入基于学习的方法，特别是深度学习方法，包括漫反射光学断层扫描 (DOT)、荧光分子断层扫描 (FMT)、生物发光断层扫描 (BLT) 和光声断层扫描 (PAT) 在内的与光学技术相关的医学成像模式也得到了显着创新, 以获得更好的重建效果。这篇综述描述了基于学习的 DOT、FMT、BLT 和 PAT 的光学断层扫描的最新研究。根据最近的研究，应用于光学层析成像领域的基于学习的方法分为基于内核的方法和深度学习方法。在这篇综述中，前者被视为一种传统的基于学习的方法，而后者又细分为基于模型的方法、后处理方法和端到端方法。本综述讨论了算法和数据采集策略。总结这些方法的评估以说明基于深度学习的重建的性能。根据最近的研究，应用于光学层析成像领域的基于学习的方法分为基于内核的方法和深度学习方法。在这篇综述中，前者被视为一种传统的基于学习的方法，而后者又细分为基于模型的方法、后处理方法和端到端方法。本综述讨论了算法和数据采集策略。总结这些方法的评估以说明基于深度学习的重建的性能。根据最近的研究，应用于光学层析成像领域的基于学习的方法分为基于内核的方法和深度学习方法。在这篇综述中，前者被视为一种传统的基于学习的方法，而后者又细分为基于模型的方法、后处理方法和端到端方法。本综述讨论了算法和数据采集策略。总结这些方法的评估以说明基于深度学习的重建的性能。前者被认为是一种传统的基于学习的方法，而后者又细分为基于模型的方法、后处理方法和端到端方法。本综述讨论了算法和数据采集策略。总结这些方法的评估以说明基于深度学习的重建的性能。前者被认为是一种传统的基于学习的方法，而后者又细分为基于模型的方法、后处理方法和端到端方法。本综述讨论了算法和数据采集策略。总结这些方法的评估以说明基于深度学习的重建的性能。