本技术涉及医学影像分类，特别是涉及面向现实测试时自适应的医学影像分类方法、系统及设备。
背景技术：
1、深度学习已经在各种任务中取得了显著的成功，但在实际部署任务时，由于测试数据的域位移，模型的性能经常会下降。
2、目前提出采用测试时间自适应的方法以缓解这一问题，其核心是使用移域归一化统计量重新校准模型的批量归一化处理层(bacth normalization，bn层)，以解决bn层统计量和目标域不匹配的问题。但该方法假设测试数据是独立且同域分布(i.i.d)的，基于当前测试批次重新估计归一化统计量。在现实测试中，场景往往更加复杂，上述假设可能不成立，此外，实际测试时，测试数据中域转移的问题可能更严重。因此，针对现实测试，需要更稳健的适应方法。
3、为了将测试时间自适应的方法应用于更现实的场景，提出诸如连续域转移、混合域、时间相关、不平衡的类分布等方法，但上述方法仅在特定场景下进行了评估，缺乏统一、全面的性能评估基准。
4、基于此，亟需一种全面且广泛适应的统一测试时间自适应方法。
技术实现思路
1、本技术提供一种面向现实测试时自适应的医学影像分类方法、系统及设备，以解决上述问题。
2、在本技术实施例第一方面提供一种面向现实测试时自适应的医学影像分类方法，所述方法包括：
3、以域和类作为两个独立维度，基于原始医学影像，利用马尔可夫状态转移矩阵创建多种场景的生成医学影像测试集，每种场景为域和类各自的平衡性参数和时间相关性参数的一个组合，域和类各自的平衡性参数包括：平衡、不平衡；域和类各自的时间相关性参数包括：独立、非独立、连续；
4、将所述生成医学影像测试集中的影像依次输入目标医学影像分类模型，得到生成医学影像的分类结果，所述目标医学影像分类模型是将预训练的原始医学影像分类模型中的归一化层替换为平衡归一化层而得到的，其中，所述平衡归一化层用于对生成医学影像进行域预测，域预测结果用于得到生成医学影像的分类结果。
5、在本技术可选的一实施例中，所述目标医学影像分类模型还包括分类模块，所述方法还包括：
6、所述分类模块基于当前生成医学影像的特征和上一个生成医学影像的特征，得到第一分类概率；
7、利用预训练的原始医学影像分类模型的线性分类器，基于当前生成医学影像的特征，得到第二分类概率；
8、在所述第一分类概率大于所述第二分类概率时，以所述第一分类概率确定当前生成医学影像的分类结果；
9、在所述第一分类概率不大于所述第二分类概率时，以所述第二分类概率确定当前生成医学影像的分类结果。
10、在本技术可选的一实施例中，每个生成医学影像的分类结果是利用目标医学影像分类模型经过三次前向传播得到的，三次前向传播过程如下：
11、对生成医学影像执行第一次前向传播：在没有先验域和类信息的情况下，使用全局统计信息执行第一次前向传播，以获得所述生成医学影像的初始伪类标签；
12、对生成医学影像执行第二次前向传播：在以所述初始伪类标签为可用类标签的情况下，使用类统计信息和全局统计信息执行第二次前向传播，并更新类统计信息和全局统计信息，以及，利用第m个平衡归一化层对生成医学影像进行域预测，得到伪域标签；
13、对生成医学影像执行第三次前向传播：在得到伪域标签的情况下，使用域类统计信息和域统计信息执行第三次前向传播，得到生成医学影像的分类结果，并更新域类统计信息和域统计信息；
14、更新后的类统计信息、更新后的全局统计信息、更新后的域类统计信息和更新后的域统计信息用于对下一个生成医学影像进行分类。
15、在本技术可选的一实施例中，所述域和类各自的时间相关性参数，是按照以下步骤设置的：
16、在需要将域和类各自的时间相关性参数设置成独立的情况下，将域和类各自的时间相关性参数αi设置成1/n，i的取值范围是1到n，n表示医学影像关于域或类各自的类别总数；
17、在需要将域和类各自的时间相关性参数设置成连续的情况下，将域和类各自的时间相关性参数αi设置成1；
18、在需要将域和类各自的时间相关性参数设置成不独立的情况下，将域和类各自的时间相关性参数αi设置成大于1/n且小于1的值。
19、在本技术可选的一实施例中，所述域和类各自的平衡性参数，是按照以下步骤设置的：
20、在需要将域和类各自的平衡性参数设置成平衡的情况下，将域和类各自的平衡性参数β设置成1；
21、在需要将域和类各自的平衡性参数设置成不平衡的情况下，将域和类各自的平衡性参数β设置成大于1的值。
22、在本技术可选的一实施例中，所述马尔可夫状态转移矩阵定义如下：
23、
24、式中，k表示医学影像的状态数，状态数为域和类的类别总数的乘积；pij是指从状态i转移至状态j的概率，且i≠j，所述状态为任何一个域和一个类的组合，i和j的取值范围为1至k。
25、在本技术可选的一实施例中，以域和类作为两个独立维度，基于原始医学影像，利用马尔可夫状态转移矩阵创建多种场景的生成医学影像测试集，包括：
26、从原始医学影像集中选定一个原始医学影像，并确定初始状态s0；
27、按照马尔可夫状态转移矩阵中的转移概率，进行采样，得到下一个状态s1；
28、将下一个状态s1作为初始状态，按照马尔可夫状态转移矩阵中的转移概率，进行采样，直至得到预设长度的数据，作为多种场景的生成医学影像测试集。
29、在本技术实施例第二方面提供一种面向现实测试时自适应的医学影像分类系统，所述系统包括：
30、生成数据模块，用于以域和类作为两个独立维度，基于原始医学影像，利用马尔可夫状态转移矩阵创建多种场景的生成医学影像测试集，每种场景为域和类各自的平衡性参数和时间相关性参数的一个组合，域和类各自的平衡性参数包括：平衡、不平衡；域和类各自的时间相关性参数包括：独立、非独立、连续；
31、分类模块，用于将所述生成医学影像测试集中的影像依次输入目标医学影像分类模型，得到生成医学影像的分类结果，所述目标医学影像分类模型是将预训练的原始医学影像分类模型中的归一化层替换为平衡归一化层而得到的，其中，所述平衡归一化层用于对生成医学影像进行域预测，域预测结果用于得到生成医学影像的分类结果。
32、在本技术实施例第三方面提出一种电子设备，包括存储器、处理器及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述第一方面中任一项所述的面向现实测试时自适应的医学影像分类方法。
33、在本技术实施例第四方面提出一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述第一方面中任一项所述的面向现实测试时自适应的医学影像分类方法。
34、本技术包括以下优点：本技术提供一种面向现实测试时自适应的医学影像分类方法、系统及设备，以域和类作为两个独立维度，基于原始医学影像，利用马尔可夫状态转移矩阵创建多种场景的生成医学影像测试集，每种场景为域和类各自的平衡性参数和时间相关性参数的一个组合，域和类各自的平衡性参数包括：平衡、不平衡；域和类各自的时间相关性参数包括：独立、非独立、连续；将所述生成医学影像测试集中的影像依次输入目标医学影像分类模型，得到生成医学影像的分类结果，所述目标医学影像分类模型是将预训练的原始医学影像分类模型中的归一化层替换为平衡归一化层而得到的，其中，所述平衡归一化层用于对生成医学影像进行域预测，域预测结果用于得到生成医学影像的分类结果。本技术提出的面向现实测试时自适应的医学影像分类方法全面且适用范围广，且可以针对具体场景选择最合适的方法。
1.一种面向现实测试时自适应的医学影像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的面向现实测试时自适应的医学影像分类方法，其特征在于，所述目标医学影像分类模型还包括分类模块，所述方法还包括：
3.根据权利要求1所述的面向现实测试时自适应的医学影像分类方法，其特征在于，每个生成医学影像的分类结果是利用目标医学影像分类模型经过三次前向传播得到的，三次前向传播过程如下：
4.根据权利要求1所述的面向现实测试时自适应的医学影像分类方法，其特征在于，所述域和类各自的时间相关性参数，是按照以下步骤设置的：
5.根据权利要求1所述的面向现实测试时自适应的医学影像分类方法，其特征在于，所述域和类各自的平衡性参数，是按照以下步骤设置的：
6.根据权利要求1所述的面向现实测试时自适应的医学影像分类方法，其特征在于，所述马尔可夫状态转移矩阵定义如下：
7.根据权利要求6所述的面向现实测试时自适应的医学影像分类方法，其特征在于，以域和类作为两个独立维度，基于原始医学影像，利用马尔可夫状态转移矩阵创建多种场景的生成医学影像测试集，包括：
8.一种面向现实测试时自适应的医学影像分类系统，其特征在于，所述系统包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的面向现实测试时自适应的医学影像分类方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的面向现实测试时自适应的医学影像分类方法。
