1.一种基于类原型匹配软伪标签的半监督医学图像分类方法,其特征在于:包括以下步骤:步骤一、将公开医学图像分类数据集进行划分,分为训练集、测试集以及验证集,并在训练集中划分标记数据集和未标记数据集,对所有图像及对应的标签数据进行预处理;
步骤二、构建医学图像分类网络模型Fθ(·),包括:输入层、深层卷积层、降采样层、输出层;
步骤三、构建标记缓存队列Q;
步骤四、基于步骤二和步骤三中构建的医学图像分类网络模型Fθ(·)和标记缓存队列Q设计损失函数,其中包括:有监督损失ls、无监督损失lu以及未标记数据之间的一致性损失lc;
步骤五、以一定批次数量采样所述步骤一中标记数据集和未标记数据集;
步骤六、对所述步骤五中的标记图像进行弱增强,对所述步骤五中的未标记图像进行弱增强和强增强;
步骤七、将所述步骤六中获得的弱增强后的标记图像,弱增强和强增强后的未标记图像分别输入医学图像分类网络模型,并获得对应的嵌入;
步骤八、缓存队列以动态更新的方式为将当前批次经过弱增强后的标记数据的嵌入和标签入队列,队满以后从缓存空间中删除最早入队列的嵌入和对应的标签,再让新的标记数据的嵌入和标签入队列;
步骤九、根据所述步骤八中的标记缓存队列,根据有标签样本嵌入的均值,计算不同类别的原型;
步骤十、根据所述步骤七中的弱增强未标记图像的嵌入与强增强未标记图像的嵌入以及步骤九中的各类别原型,预测未标记图像的伪标签,得到弱增强伪标签y′与强增强伪标签y″;
步骤十一、根据所述步骤十得到的弱增强伪标签y′与强增强伪标签y″,将两者混合后得到的 作为所有未标记数据的真实标签;
步骤十一、将批次大小为B的强增强和弱增强后的未标记数据记为χu集合和批次大小同样也为B的弱增强后的标记数据集χl利用Concat(·)函数合并之后,再使用Shuffle(·)函数随机打乱后的混合数据记为W;
步骤十二、将弱增强后的标记数据χl与混合数据W中的未标记样本以及它们对应的真实标签和伪标签输入mixup模块进行线性混合,利用不断更新损失的混合数据对网络进行训练;
步骤十三、计算有监督损失ls;
步骤十四、计算无监督损失lu;
步骤十五、计算无标记数据的一致性损失lc;
步骤十六、反向传播更新医学图像分类模型参数,并保存最佳的医学图像分类模型;
步骤十七、使用测试集中的图像对所述步骤十六的最佳的医学图像分类模型进行分类性能测试,并最后得到对所有测试医学图像的平均AUC、敏感度、特异度、准确率和F1‑Score。