1.一种基于生成型张量网络的医学图像分类系统，其特征在于：包括数据集处理模块、模型训练模块、模型测试模块和模型应用模块；

所述数据集处理模块用于对医学图像源数据集中各种标签的图像样本进行预处理，并将其划分为训练集和测试集；

所述模型训练模块用于采用训练集对生成型张量网络分类器进行训练，直到参数收敛，得到对应于各种标签的矩阵乘积状态；所述模型训练模块包括模型搭建单元和训练单元；

所述模型搭建单元用于搭建生成型张量网络分类器；所述生成型张量网络分类器的损失函数设计为：

其中， 表示训练集， 表示训练集 的样本个数，X表示训练集 中的各个样本，P(X)表示各个样本的概率分布；

在正交条件下，P(X)表示为：其中，表示样本X的矩阵乘积状态， 表示正交中心张量， 表示正交中心，表示正交中心张量的矩阵乘积状态自身的内积；

基于量子态的损失函数的梯度定义为：|ψ>表示映射到Hilbert空间中的多体量子态，|X>表示一张图像样本被映射到Hilbert空间中的量子态；

所述训练单元用于初始化生成型张量网络分类器的超参数；以及，进一步读取训练集中的图像样本，并采用特征映射函数将其特征映射到Hilbert空间；

以及，

进一步初始化环境张量，构造正交矩阵乘积状态；以及，进一步往返移动正交中心，更新环境张量；以及，进一步计算当前正交中心张量的梯度并更新正交中心张量；以及，进一步计算损失函数值，并判断损失函数值是否小于阈值，若是则保存生成型张量网络分类器的各个参数，若否则重新往返移动正交中心、更新环境张量；

所述训练单元采用的特征映射函数为：其中，x表示输入的一幅图像样本，υs(x)表示将该图像样本映射到Hilbert空间的第s维向量，d表示向量υs(x)的维度，xi表示该图像样本第i个位置的像素；

所述训练单元更新正交中心张量 遵循：其中，η是学习率， 为当前正交中心张量的梯度；

所述模型测试模块用于采用测试集对训练完成的生成型张量网络分类器进行测试；

所述模型应用模块用于将即时医学图像进行如图像样本相同的预处理后输入测试完成的生成型张量网络分类器，该测试完成的生成型张量网络分类器用于将各种分类标签的矩阵乘积状态分别与即时医学图像在Hilbert空间的像素向量进行内积，获得其在Hilbert空间中的多个保真度，并将保真度最大的类别作为标签分类的结果。

2.如权利要求1所述的一种基于生成型张量网络的医学图像分类系统，其特征在于：所述数据集处理模块包括采样压缩单元、灰度转化单元、归一化单元和数据集划分单元；

所述采样压缩单元用于对医学图像源数据集中所有图像样本进行降采样压缩；

所述灰度转化单元用于将压缩后的所有图像样本转换为灰度图；

所述归一化单元用于对所有灰度图添加高斯噪声后将像素归一化到0到1之间；

所述数据集划分单元用于将归一化后的医学图像源数据集按照预设比例划分为训练集和测试集。

3.如权利要求2所述的一种基于生成型张量网络的医学图像分类系统，其特征在于：所述训练单元初始化的超参数包括物理键、虚拟键上限、特征映射函数、收敛阈值、最大迭代次数、要训练的标签。

4.如权利要求1所述的一种基于生成型张量网络的医学图像分类系统，其特征在于，所述训练单元采用的特征映射函数为：υs(x)＝(xi,1‑xi)其中，x表示输入的一幅图像样本，υs(x)表示将该图像样本映射到Hilbert空间的第s维向量，xi表示该图像样本第i个位置的像素。