一种基于深度重加权训练的医学图像分类方法

本发明公开了一种基于深度重加权训练的医学图像分类方法，在对早期深度神经网络进行训练时，将训练样本分为高置信度样本集和噪声样本集。在对后期深度神经网络进行训练时，通过噪声样本集得到一个预更新深度神经网络，用于获取实时更新的特征掩码，可以得到每个类别特征的特征权重，权重越高的特征对分类的重要性越高，具有特征可解释性。同时，通过给出动态变化的样本权重，选出对分类重要性高的关键样本，具有样本可解释性。另一方面，本发明利用高置信度样本和预更新深度神经网络对训练样本赋予动态变化的样本权重，可以提高类别数量较少的样本和正确标签样本的权重，从而纠正样本类别不平衡数据集或含有标签噪声数据集对模型训练的不良影响，提高了深度神经网络对不平衡数据集和含标签噪声数据集的鲁棒性。