1.一种轻量级CNN结合迁移学习的医学图像分类方法，其特征在于，具体包括如下步骤：

步骤(1)获取医学图像数据集，并对其预处理，之后将预处理后的医学图像数据集按照一定比例划分得到训练集、验证集以及测试集；

步骤(2)构建预训练好的MobileNetV2网络并进行微调，对MobileNetV2网络的损失函数使用L2正则化进行处理，通过贝叶斯优化方法调整MobileNetV2网络中的超参数，之后利用训练集对MobileNetV2网络进行训练，利用验证集对MobileNetV2网络进行验证，得到重新训练好的MobileNetV2网络；

步骤(3)将测试集输入重新训练好的MobileNetV2网络，得到分类结果。

2.根据权利要求1所述的一种轻量级CNN结合迁移学习的医学图像分类方法，其特征在于，所述步骤(1)中对医学图像数据集进行预处理，包括调整大小，使用高斯模糊和直方图均衡化进行增强处理，具体如下：

(1.1)将医学图像数据集中的每一幅图像调整尺寸大小至224像素*224像素；

(1.2)利用高斯滤波器对调整尺寸后的图像进行高斯模糊处理；

(1.3)对高斯模糊后的图像进行直方图均衡化处理，得到直方图均衡化后的图像。

3.根据权利要求2所述的一种轻量级CNN结合迁移学习的医学图像分类方法，其特征在于，所述(1.2)利用高斯滤波器对调整尺寸后的图像进行高斯模糊处理，具体包括：(1.21)设置滑动窗口模板，所述窗口模板是一个长宽都为M像素的正方形窗口，设置窗口模板的中心点为坐标原点，进而得到窗口模板中剩余点的坐标；

(1.22)利用二维高斯函数计算窗口模板中每一个点各自对应的二维高斯函数值；其中，二维高斯函数值G(x,y)为：其中，(x,y)表示窗口模板中的点的坐标；σ表示高斯半径；

(1.23)分别计算窗口模板中每个点各自对应的权重，具体为先计算窗口模板中所有点的二维高斯函数值之和，再将每个点的二维高斯函数值除以窗口模板中所有点的二维高斯函数值之和，从而得到窗口模板中每个点各自对应的权重；

(1.24)计算窗口模板中心点的高斯模糊值，具体为先计算窗口模板中每个点的灰度值与自身对应的权重之乘积，再对所有乘积求和，从而得到该窗口模板中心点的高斯模糊值；

(1.25)对调整尺寸后的图像的所有点重复(1.21)‑(1.24)，得到高斯模糊后的图像；

其中，对于边界点而言，没有达到窗口模板大小，此时将该边界点与该边界点的对称边界点进行拼接，从而得到窗口模板大小。

4.根据权利要求2所述的一种轻量级CNN结合迁移学习的医学图像分类方法，其特征在于，(1.3)所述对高斯模糊后的图像进行直方图均衡化处理，具体包括：首先对高斯模糊后的图像统计每一个灰度级所对应的像素个数；其中，nk表示灰度级为k的像素个数，k表示灰度级，k＝0,1...,255；

其次对高斯模糊后的图像计算每一个灰度级所对应的灰度分布频率值pk：pk＝nk/N

其中，N表示图像的总像素数；

然后对每一个灰度级统计各自对应的灰度累计分布频率值sk：其中，i＝0表示从灰度级0开始；

最后对高斯模糊后的图像计算每一个灰度级经过直方图均衡化后各自对应的灰度级：k'＝[sk*255+0.5]

式中，k'表示灰度级k经过直方图均衡化后对应的灰度级；

将图像的灰度级k替代为经过直方图均衡化后对应的灰度级k'，得到直方图均衡化后的图像。

5.根据权利要求1所述的一种轻量级CNN结合迁移学习的医学图像分类方法，其特征在于，所述步骤(2)具体包括：

(2.1)搭建在ImageNet上预训练好的MobileNetV2网络；

(2.2)对MobileNetV2网络的损失函数使用L2正则化进行处理，防止模型过拟合；

(2.3)遍历MobileNetV2网络中底层的Z个瓶颈层中的全部权重参数，并将所述Z个瓶颈层中的全部权重参数的requires grade的属性设置为False，由此固定所述Z个瓶颈层中的全部权重参数，其中，Z是整数，表示选择的瓶颈层的个数，且0

(2.4)利用贝叶斯优化方法调整MobileNetV2网络中的超参数，所述超参数包括学习率、衰减指数、L2正则化参数和迭代次数中的至少一个，以网络分类的精确度作为评价指标，选择精确度最高的超参数作为MobileNetV2网络的超参数，并在此基础上使用训练集训练MobileNetV2网络，利用验证集验证MobileNetV2网络，进而得到重新训练好的MobileNetV2网络；

在训练过程中，训练每进行一个周期就在验证集上进行验证，保存验证集上准确度最高的MobileNetV2网络作为训练好的MobileNetV2网络。

6.根据权利要求5所述的一种轻量级CNN结合迁移学习的医学图像分类方法，其特征在于，(2.2)所述对MobileNetV2网络的损失函数使用L2正则化进行处理，公式如下：式中，L表示L2正则化后的MobileNetV2网络的损失函数；Ein是未加入L2正则化项的原始MobileNetV2网络的损失函数；λ是正则化参数；J是L2正则化权值向量w中元素的总个数；

wj代表L2正则化权值向量w中第j个元素。