1.一种基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法，其特征在于，所述方法包括如下步骤：

1)数据预处理

对于带肿瘤边缘勾勒标签及病理标签的胰腺囊性良/恶性肿瘤CT图，根据其勾勒标签获得包含肿瘤及周边组织信息的bounding‑box，在包含肿瘤区域的最小矩形框基础上，向外拓展设定个像素点，作为数据集；

采用基于深度学习的分类模型对所获数据集进行易分类和易混淆的二分类任务，用多个分类模型在该数据集上进行k‑fold交叉训练、测试；若某一样本在各分类器中都能被正确分类，则该样本被归类为易分类的胰腺肿瘤样本A；若某一样本在任一分类器中被分类错误，则该样本被归类为易混淆的胰腺肿瘤样本B；

分类性能最好的分类模型，被采用为后续阶段的分类器；

2)对易混淆数据集B的增广

对数据集B，将良性肿瘤区域的前景图构成数据集X(x1,x2,…,xi，i为带良性肿瘤的样本的数量)，背景图构成数据集Y(y1,y2,…,yi)和Z(z1,z2,…,zi)；恶性肿瘤样本的前景图构成P(p1,p2,…,pj,j为带恶性肿瘤的样本的数量)，背景图构成Q(q1,q2,…,qj)和R(r1,r2,…,rj)，其中，Y和Q对应包含肿瘤的最小矩形框与样本边界之间的区域，即外侧背景区域)；Z和R对应该矩形框与肿瘤边界之间的区域，即内侧背景区域；

采用条件生成对抗网络cGAN对B进行增广，通过对具有相同病理标签的肿瘤勾勒标签内的区域和周边组织区域的融合及微调，所得样本可直接用于后续的分类训练；

设应用于良性样本增广的cGAN为cGAN1，应用于良性样本增广的cGAN为cGAN2，训练采用了基于半监督学习的方法，见公式(1)：LcGAN1‑sup＝||(xn△yn△zn)–G1(xn△yn)||LcGAN1‑unsup＝log(D1(xn△yn△zn))+log(1‑D1(G1(xm△yn)))LcGAN2‑sup＝||(pa△qa△ra)–G2(pa△qa)||LcGAN2‑unsup＝log(D2(pa△qa△ra))+log(1‑D2(G2(pb△qa)))LcGAN1＝LcGAN1‑sup+λLcGAN1‑unsupLcGAN2＝LcGAN2‑sup+λLcGAN2‑unsup                          (1)其中，G是cGAN的生成器，D是cGAN的辨别器，n和m是样本X，Y和Z的序号下标，1≤n,m≤i,n≠m；a和b是样本P，Q和R的序号下标，1≤a,b≤j,a≠b；λ为权重超参；G1和G2根据输入的外侧背景图和前景图，对内侧背景图进行合成，训练好的生成器可根据不同的外侧背景图*

和前景图，得到符合临床表征的内侧背景图，将得到的合成样本归类为B；

*

3)在数据集A和B上的多通道网络中后层参数微调*

基于迁移学习的多通道分类器微调是在数据集B和数据集A上进行的；

经该阶段训练后的网络，对三个通道中层网络层的参数进行固定，深层网络层的参数在下一阶段进行更新；

4)在数据集A和B上的多通道网络深层网络参数微调*

多通道分类器微调是在数据集A和B上进行的，数据集B中带易混淆肿瘤的CT图较B而言较少，此时，三个中后端通道的参数更新策略与步骤3)的更新策略相同；

经该阶段训练后的网络，网络内的所有参数被固定；

5)胰腺肿瘤分类

对训练好的单前端‑三中后端分类器，在应用阶段，输入带肿瘤的胰腺样本，得到三个分类结果，分别对应通道1至3；当第一个分类结果为良性或恶性时，该结果即为最终的预测结果；当第一个分类结果为易混淆样本时，最终预测结果有通道2和3共同决定：当通道2和3预测结果一致时，即都为良性或恶性，则该结果为预测结果；当这两个通道的预测结果不一致时，则输入样本需要穿刺测试才能确定病理。

2.如权利要求1所述的基于局部背景增广和多通道迁移学习的胰腺肿瘤分类方法，其特征在于，所述步骤3)中，将预训练分类器的浅层网络层参数进行固定，对参数可微调的中层和深层网络层进行复制，得到前端为单通道，中后端为三通道的深度学习分类器，三通道*

分别命名为中后端通道‑1，中后端通道‑2和中后端通道‑3，中后端通道‑1对来自A和B的样*

本执行良性/易混淆/恶性肿瘤的三分类任务，此时，B中样本的类别标签为易混淆；当输入* *

样本来自B时，中后端通道‑2还对其执行良性/恶性分类任务，此时，B中样本的类别标签为良性/恶性；

利用网络输出的预测标签和真实标签之间的损失值，两个通道的参数被更新；

*

B中样本在两个通道中的特征图被用于求差值特征图，由于通道1期望得到易混淆良恶性样本间的共性，通道2期望得到易混淆良恶性样本之间的差异；因此，两者相减可去同求异，得到易混淆良恶性样本的特征差值图，该特征差值图被用于中后端通道‑3的训练，此*

时，B中样本的类别标签为良性/恶性。