计算机断层扫描（CT）成像能够捕捉胰腺及其周围结构的详细横截面图像，为医学专业人员提供有价值的信息。由于胰腺疾病（尤其是胰腺癌）的复杂性，胰腺 CT 图像的分类面临重大挑战。这些挑战包括肿瘤特征的细微差异、不规则的肿瘤形状以及复杂的成像特征，这些都阻碍了准确且早期的诊断。图像噪声和图像质量的差异也使分析工作更加复杂。为了解决这些分类问题，人们常常采用先进的医学成像技术、优化算法和深度学习方法。
本文提出了一种强大的分类模型 —— 深度优化网络（DeepOptimalNet），它将优化算法和深度学习技术相结合，以处理与胰腺肿瘤相关的成像特征的可变性和细微差异。该模型采用综合方法来加强对医学 CT 图像的分析，首先应用高斯平滑滤波器（GSF）进行降噪和特征增强。它引入了改进的印鱼优化算法（MROA）来提高胰腺癌组织分割的准确性和效率，强调了改进后的优化算法对诸如不规则肿瘤形状等特定挑战的适应性。
本文还利用基于残差网络 50（ResNet-50）的深度迁移卷积神经网络（DTCNN）进行特征提取，借助迁移学习提高 CT 图像中的预测准确性。ResNet-50 强大的特征提取能力与 CT 图像中的故障诊断特别相关。随后，研究重点转向基于多模态学习的深度级联卷积神经网络（DCCNN-ML），用于 CT 图像中胰腺癌的分类。
DeepOptimalNet 方法强调了深度学习技术、多模态学习和级联架构在应对胰腺癌成像中固有的复杂性和细微差异方面的优势，最终实现更准确、更可靠的分类。所提出的 DeepOptimalNet 模型达到了 99.3% 的准确率、99.1% 的灵敏度、99.5% 的特异性和 99.3% 的 F 分数，在胰腺肿瘤分类方面超越了现有模型。其基于 MROA 的分割方法改善了边界描绘，而结合 ResNet-50 的 DTCNN 则增强了对小肿瘤和低对比度肿瘤的特征提取能力。基准验证证实，与传统深度学习方法相比，该模型具有更优异的分类性能、更低的假阳性率和更高的诊断可靠性。
