基于迁移学习与Adam黄金矿工优化算法的子宫内膜疾病组织病理学图像分类研究

为解决子宫内膜癌早期诊断难题，研究人员提出了一种结合迁移学习(TL-CNN)与Adam黄金矿工优化(AdGRO)的创新模型。通过自适应加权均值滤波(AWMF)预处理和方向性连接网络(DConn-Net)分割，整合局部边界求和模式(LBSP)和局部Gabor二值模式直方图序列(LGBPHS)特征，最终实现91.876%的准确率。该研究为组织病理学图像分析提供了鲁棒性强的新方法。

　　

这项突破性研究将迁移学习卷积神经网络(TL-CNN)与创新的Adam黄金矿工优化算法(AdGRO)相结合，开创了子宫内膜癌智能诊断新范式。研究团队首先采用自适应加权均值滤波器(AWMF)对组织病理学图像进行去噪预处理，随后通过方向性连接网络(DConn-Net)精准分割病灶区域。特征提取阶段创新性地融合了局部边界求和模式(LBSP)和局部Gabor二值模式直方图序列(LGBPHS)特征，充分捕捉细胞形态学特征。特别值得注意的是，模型采用Xception网络的超参数配置，并通过AdGRO算法（融合Adam优化器与黄金矿工搜索策略）进行训练优化。在K_sample8测试集上，模型展现出91.876%的惊人准确率，真阳性率(TPR)达93.987%，真阴性率(TNR)为89.876%，显著超越现有方法。该技术为临床医生提供了可靠的AI辅助诊断工具，有望大幅提升子宫内膜癌的早期检出率。