基于批通道归一化和语义增强的多中心医学图像分类方法

本发明属于医学图像分类技术领域，具体是一种基于批通道归一化和语义增强的多中心医学图像分类方法。首先，获取多中心的医学图像，并进行预处理；然后，以COVID‑Net网络为主干网络，在COVID‑Net网络的与PEPX模块相连的各个卷积层之后分别嵌入一个特定域批量通道归一化模块，得到多中心分类模型；所述特定域批量通道归一化模块对每个中心的数据分别从批量和通道两个维度进行归一化，再对两个维度的归一化结果进行融合，得到归一化后的特征图；最后，对多中心分类模型进行训练，在训练过程中利用隐式语义数据增强算法对待馈送到全连接层的特征进行增强，将训练后的多中心分类模型用于多中心医学图像的分类。将每个中心作为一个特定域，获取不同中心数据的统计信息，使模型能够捕捉不同中心的数据分布变化，有效缓解了跨中心的数据异质性问题。