1.一种医学图像分类方法,其特征在于,所述方法包括:获取医学图像,将所述医学图像作为训练样本;
构建通道信息交互感知网络,所述通道信息交互感知网络包括输入网络、特征提取网络和输出网络;所述特征提取网络包括卷积网络模块和通道信息交互感知模块;所述卷积网络模块用于提取训练样本的图像特征图;所述通道信息交互感知模块用于根据接收到的特征信息判断上一通道信息交互感知模块是否生成注意力通道权重值信息,得到判断结果;根据判断结果确定对所述图像特征图进行特征提取的支路;并根据特征提取支路、上一个模块反馈的注意力通道权重值信息以及当前模块提取的特征信息,确定通道信息交互感知特征和注意力通道权重值;所述输出网络用于接收所述通道信息交互感知特征,得到医学图像的类别;
根据所述训练样本对所述通道信息交互感知网络进行训练得到医学图像分类模型;
获取待测医学图像;
将所述待测医学图像输入到所述医学图像分类模型中,得到医学图像的类别。
2.根据权利要求1所述的方法,其特征在于,根据所述训练样本对所述通道信息交互感知网络进行训练得到医学图像分类模型,包括:将所述训练样本输入到所述输入网络,得到卷积特征;
将所述卷积特征输入到所述特征提取网络,得到通道信息交互感知特征和注意力通道权重值;
将所述通道信息交互感知特征输入到输出网络,输出分类预测结果,根据所述分类预测结果和所述训练样本进行反向训练,得到医学图像分类模型。
3.根据权利要求2所述的方法,其特征在于,所述特征提取网络由第一卷积网络、第一通道信息交互感知模块、第二卷积网络、第二通道信息交互感知模块、第三卷积网络以及第三通道信息交互感知模块、第四卷积网络依次连接组成;所述第一通道信息交互感知模块、所述第二通道信息交互感知模块以及所述第三通道信息交互感知模块是具有相同的网络结构的通道信息交互感知模块;
所述第一卷积网络包括a个卷积网络模块,所述第二卷积网络包括b个卷积网络模块,所述第三卷积网络包括c个卷积网络模块,所述第四卷积网络包括d个卷积网络模块,其中a、b、c、d为大于0的整数;
将所述卷积特征输入到所述特征提取网络,得到通道信息交互感知特征和注意力通道权重值,包括:
将所述卷积特征输入到第一卷积网络中,输出第一卷积特征;
将所述第一卷积特征输入到所述通道信息交互感知模块中,得到第一通道信息交互感知特征和第一注意力通道权重值;
将所述第一通道信息交互感知特征输入到第二卷积网络中,输出第二卷积特征;
将所述第二卷积特征和所述第一注意力通道权重值输入到所述第二通道信息交互感知模块中,得到第二通道信息交互感知特征和第二注意力通道权重值;
将所述第二通道信息交互感知特征输入到所述第三卷积网络中,输出第三卷积特征;
将所述第三卷积特征和所述第二注意力通道权重值输入到所述第三通道信息交互感知模块中,得到第三通道信息交互感知特征和注意力通道权重值;
将所述第三通道信息交互感知特征输入到所述第四卷积网络中,得到通道信息交互感知特征。
4.根据权利要求3所述的方法,其特征在于,所述通道信息交互感知模块包括:卷积网络模块、第一支路以及第二支路;所述第一支路包括全局平均池化层,所述第二支路包括全局平均池化层、全连接层以及卷积层标准化模块;
将所述第二卷积特征和所述第一注意力通道权重值输入到所述通道信息交互感知模块中,得到第二通道信息交互感知特征和第二注意力通道权重值,包括:将所述第二卷积特征和所述第一注意力通道权重值输入到所述第二通道信息交互感知模块中,得到第二信息特征输出;
判断第二信息特征输出是否包括所述第一注意力通道权重值信息,得到判断结果;
当判断结果为包括时:将所述第二卷积特征输入到所述卷积网络模块进行特征提取,得到第二注意力特征;并将所述第二注意力特征输入到第二支路的全局平均池化层,得到第二池化注意力特征;将所述第一注意力通道权重值输入到所述第二支路的全连接层,并将全连接层输出的特征经过层标准化和第二激活函数,得到第二层标准化注意力通道权重值;并将所述第二池化注意力特征与所述第二层标准化注意力通道权重值进行融合,并将融合得到的特征输入到所述第二支路的卷积层标准化模块,得到第二卷积注意力特征;将所述第二卷积注意力特征通过第一激活函数进行激活,得到第二注意力映射;
当判断结果为不包括时:将第二卷积特征输入到所述卷积网络模块进行特征提取,得到第二注意力特征;将所述第二注意力特征输入到第一支路的全局平均池化层,得到第二池化注意力特征;并将所述第二池化注意力特征通过第一激活函数进行激活,得到第二注意力映射;
将第二卷积特征与所述第二注意力映射融合在一起,得到的第二通道信息交互感知特征;
将所述第二池化注意力特征和所述第二注意力映射融合在一起,得到第二注意力通道权重值。
5.根据权利要求4所述的方法,其特征在于,所述第一激活函数为Sigmoid函数,所述第二激活函数为ReLU激活函数。
6.根据权利要求2所述的方法,其特征在于,所述输出网络包括:全局平均池化层以及全连接层;
将所述通道信息交互感知特征输入到输出网络,输出分类预测结果,根据所述分类预测结果和所述训练样本进行反向训练,得到医学图像分类模型,包括:将所述卷积特征图输入到所述输出网络的全局平均池化层,得到池化特征图;
将所述池化特征图输入到所述输出网络的全连接层输出的特征值使用Softmax进行计算,输出分类预测结果;
根据所述分类预测结果和所述训练样本进行反向训练,得到医学图像分类模型。
7.根据权利要求1‑6任意之一所述的方法,其特征在于,所述卷积网络模块由卷积核为
1×1的卷积批处理标准化模块、卷积核为3×3的卷积批处理标准化模块以及卷积核为1×1的卷积批处理标准化模块依次连接组成;所述卷积批处理标准化模块是由卷积层、批处理标准化层和ReLU激活函数组成的复合结构。
8.一种医学图像分类装置,其特征在于,所述装置包括:数据获取模块,用于获取医学图像,将所述医学图像作为训练样本;
网络构建模块,用于构建通道信息交互感知网络,所述通道信息交互感知网络包括输入网络、特征提取网络和输出网络;所述特征提取网络包括卷积网络模块和通道信息交互感知模块;所述卷积网络模块用于提取训练样本的图像特征图;所述通道信息交互感知模块用于根据接收到的特征信息判断上一通道信息交互感知模块是否生成注意力通道权重值信息,得到判断结果;根据判断结果确定对所述图像特征图进行特征提取的支路;并根据特征提取支路、上一个模块反馈的注意力通道权重值信息以及当前模块提取的特征信息,确定通道信息交互感知特征和注意力通道权重值;所述输出网络用于接收所述通道信息交互感知特征,得到医学图像的类别;
医学图像分类模型确定模块,用于根据所述训练样本对所述通道信息交互感知网络进行训练得到医学图像分类模型;
医学图像的类别确定模块,用于获取待测医学图像;将所述待测医学图像输入到所述医学图像分类模型中,得到医学图像的类别。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。