技術(shù)特征：

1.一種結(jié)合深層特征提取和淺層特征提取的醫(yī)學(xué)圖像分類方法，其特征在于步驟如下：

步驟1：訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型、詞袋模型和BP神經(jīng)網(wǎng)絡(luò)：

步驟1a：從每一幅訓(xùn)練醫(yī)學(xué)圖像中隨機(jī)提取若干個(gè)大小為L(zhǎng)×L圖像子塊，使用雙線性插值算法將所有的圖像子塊的尺寸調(diào)整一致；

步驟1b：采用隨機(jī)梯度下降方法使用圖像子塊去訓(xùn)練一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型；提取深度卷積神經(jīng)網(wǎng)絡(luò)的全連接層作為深層特征；

步驟1c：采用快速魯棒特征算法SURF提取圖像子塊中的關(guān)鍵點(diǎn)，使用尺度不變特征算子計(jì)算關(guān)鍵點(diǎn)附近局部信息的特征，采用向量量化算法VQ將全部關(guān)鍵點(diǎn)附近局部信息特征聚類構(gòu)成詞袋模型；將全部關(guān)鍵點(diǎn)附近局部信息特征映射到不同類聚，計(jì)算這些特征歸屬不同類別的頻率直方圖，將頻率直方圖作為淺層特征；

步驟1d：將每一個(gè)圖像子塊的深層特征和淺層特征拼接在一起，然后將所有的拼接特征訓(xùn)練一個(gè)BP神經(jīng)網(wǎng)絡(luò)；

步驟2：從待分類醫(yī)學(xué)圖像中隨機(jī)提取若干個(gè)大小為L(zhǎng)×L圖像子塊，使用雙線性插值算法將所有的圖像子塊的尺寸調(diào)整一致；

步驟3：將圖像子塊輸入到訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型，提取深度卷積神經(jīng)網(wǎng)絡(luò)的全連接層作為深層特征；

步驟4：將圖像子塊輸入到訓(xùn)練好的詞袋模型，提取詞袋模型的頻率直方圖作為淺層特征；

步驟5：將每個(gè)圖像子塊的深層特征和淺層特征拼接在一起，將拼接特征輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到每個(gè)圖像子塊的類別；

步驟6：基于多數(shù)表決的原則對(duì)待分類醫(yī)學(xué)圖像進(jìn)行分類：即將待分類醫(yī)學(xué)圖像歸入從其上提取的最多圖像子塊所屬的類別。

2.根據(jù)權(quán)利要求1所述的一種結(jié)合深層特征提取和淺層特征提取的醫(yī)學(xué)圖像分類方法，其特征在于所述的其中W為測(cè)試圖像的寬度、H為測(cè)試圖像的高度。

3.根據(jù)權(quán)利要求1所述的一種結(jié)合深層特征提取和淺層特征提取的醫(yī)學(xué)圖像分類方法，其特征在于步驟1b中訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型中：網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.6，最大迭代次數(shù)為500，每一批訓(xùn)練所用的樣本量為50。

4.根據(jù)權(quán)利要求1所述的一種結(jié)合深層特征提取和淺層特征提取的醫(yī)學(xué)圖像分類方法，其特征在于步驟1d中訓(xùn)練時(shí)采用批訓(xùn)練模式，每一批包括50個(gè)樣本，設(shè)置網(wǎng)絡(luò)學(xué)習(xí)率為3，動(dòng)量比設(shè)置為0.5，最大迭代步數(shù)為100。