1.一种肺结核CT图像分类方法，其特征在于，所述肺结核CT图像分类方法包括：

获取有标注肺结核CT图像数据集和待预测图像；

基于Mask RCNN模型构建初始肺结核CT图像分类模型；

获取所述初始肺结核CT图像分类模型的第一训练参数；

将所述有标注肺结核CT图像数据集输入所述初始肺结核CT图像分类模型进行训练，得到第一个RPN网络的多任务损失值，第一预测的多任务损失值与第一肺结核CT图像分类模型；

若所述第一个RPN网络的多任务损失值和所述第一预测的多任务损失值达到预设值，将所述第一肺结核CT图像分类模型作为训练好的肺结核CT图像分类模型；若所述第一个RPN网络的多任务损失值和所述第一预测的多任务损失值未达到预设值，则根据所述第一个RPN网络的多任务损失值和所述第一预测的多任务损失值更新所述第一训练参数，得到第二训练参数，根据所述第二训练参数与所述有标注肺结核CT图像数据集训练所述第一肺结核CT图像分类模型，得到第二个RPN网络的多任务损失值，第二预测的多任务损失值与第二肺结核CT图像分类模型；

若所述第二个RPN网络的多任务损失值和所述第二预测的多任务损失值达到预设值，将所述第二肺结核CT图像分类模型作为所述训练好的肺结核CT图像分类模型；若所述第二个RPN网络的多任务损失值和所述第二预测的多任务损失值未达到预设值，则根据所述第二个RPN网络的多任务损失值和所述第二预测的多任务损失值更新所述第二训练参数，得到第三训练参数，依次类推，直至迭代次数达到预先设置的最大迭代次数或迭代得到的RPN网络的多任务损失值和预测的多任务损失值达到预设值，得到所述训练好的肺结核CT图像分类模型；

将所述待预测图像输入所述训练好的肺结核CT图像分类模型，得到所述待预测图像的肺结核CT图像分类结果。

2.根据权利要求1所述肺结核CT图像分类方法，其特征在于，所述将所述有标注肺结核CT图像数据集输入所述初始肺结核CT图像分类模型进行训练，得到第一个RPN网络的多任务损失值的计算公式为：其中，Lcls表示前景背景分类损失，Lreg表示锚点anchor回归损失，pi表示第i个锚点anchor预测为真实标签的概率， 表示当为正样本时为1负样本为0，ti表示预测第i个锚点anchor的边界框回归参数， 表示第i个锚点anchor对应的真实标注框回归参数，Ncls表示一个batch‑size中所有样本的数量，Nreg表示锚点anchor位置的个数，λ表示系数参数，表示鲁棒的损失函数，x表示预测值和真实值之间的误差值。

3.根据权利要求2所述肺结核CT图像分类方法，其特征在于，所述第一预测的多任务损失值包括分类损失值、边界框回归损失值和掩膜损失值；其中，所述分类损失值和所述边界框回归损失值通过如下方式计算：u u

L(p,u,t ,v)＝Lcls(p,u)+λ[u≥1]Lloc(t ,v)

Lcls(p,u)＝‑log pu

其中，p表示分类器预测的softmax概率分布p＝(p0,...,pk)，u表示对应目标的真实类u别标签，t表示边界框回归器预测的真实类别标签u的回归参数，v表示对应真实目标的边界框回归参数，λ表示系数参数，[u≥1]表示艾弗森括号，(x,y)表示检测出的目标框的中心u点的坐标，w表示目标框的宽度，h表示目标框的高度，L(p,u,t ,v)表示分类和边界框回归u损失值，Lcls(p,u)表示分类损失值，Lloc(t ,v)表示边界框回归损失值。

4.根据权利要求3所述肺结核CT图像分类方法，其特征在于，所述掩膜损失值通过如下方式计算：c

其中，Lmask表示掩膜损失值，1表示当第c个通道对应目标的真实类别时为1，否则为0；C表示掩膜的个数，z表示当前位置的为0或者1的掩膜的标签值，f表示当前位置的输出值，m表示掩膜尺寸值。

5.根据权利要求4所述肺结核CT图像分类方法，其特征在于，所述将所述有标注肺结核CT图像数据集输入所述初始肺结核CT图像分类模型进行训练，得到第一肺结核CT图像分类模型，包括：将所述有标注肺结核CT图像数据集输入所述初始肺结核CT图像分类模型，得到肺结核CT图像分类数据，其中，所述肺结核CT图像分类数据包括病灶的种类、病灶的种数、各种类病灶的数量、病灶的位置、病灶的大小和各病灶检测的概率；

将所述肺结核CT图像分类数据进行整合，得到肺结核CT图像分类数据集；

根据所述肺结核CT图像分类数据集训练所述初始肺结核CT图像分类模型，得到所述第一肺结核CT图像分类模型。

6.根据权利要求5所述肺结核CT图像分类方法，其特征在于，所述将所述肺结核CT图像分类数据进行整合，得到肺结核CT图像分类数据集的计算公式为：nk＝Class_num(Get_result(result),ck)

pk＝Posibility(Get_result(result),ck)

q＝In_result(Get_result(result),c1)+In_result(Get_result(result),c2)+...其中，result表示一次检测的结果变量，Get_result()函数表示查询出结果中所有病灶信息，ck表示第k种病灶,In_result()函数表示确定查询出的结果中是否含有某种类的病灶信息，nk表示第k种病灶的数目，pk表示第k种病灶的概率，l表示病灶的位置，d预先设置的辅助值。

7.根据权利要求1所述肺结核CT图像分类方法，其特征在于，所述获取有标注肺结核CT图像数据集，包括：采集肺部计算机断层扫描图像，并将所述肺部计算机断层扫描图像通过格式转换方法转换成基础格式图像；

对所述基础格式图像进行均值滤波、小波去噪和高斯滤波，得到去噪后图像；

对所述去噪后图像通过直方图均衡化和饱和度对比度调节方法进行数据增强，得到数据增强后图像；

对所述数据增强后图像进行线性和非线性变换，得到归一化后图像；

将所述归一化后图像通过labelme进行图像标注，得到所述有标注肺结核CT图像数据集，其中，所述有标注肺结核CT图像数据集的标注包括干酪性病灶、树芽征病灶、实变病灶和空洞病灶。

8.一种肺结核CT图像分类系统，其特征在于，所述肺结核CT图像分类系统包括：

图像获取模块，用于获取有标注肺结核CT图像数据集和待预测图像；

分类模型构建模块，用于基于Mask RCNN模型构建初始肺结核CT图像分类模型：获取所述初始肺结核CT图像分类模型的第一训练参数；

分类模型训练模块，用于将所述有标注肺结核CT图像数据集输入所述初始肺结核CT图像分类模型进行训练，得到第一个RPN网络的多任务损失值，第一预测的多任务损失值与第一肺结核CT图像分类模型；若所述第一个RPN网络的多任务损失值和所述第一预测的多任务损失值达到预设值，将所述第一肺结核CT图像分类模型作为训练好的肺结核CT图像分类模型；若所述第一个RPN网络的多任务损失值和所述第一预测的多任务损失值未达到预设值，则根据所述第一个RPN网络的多任务损失值和所述第一预测的多任务损失值更新所述第一训练参数，得到第二训练参数，根据所述第二训练参数与所述有标注肺结核CT图像数据集训练所述第一肺结核CT图像分类模型，得到第二个RPN网络的多任务损失值，第二预测的多任务损失值与第二肺结核CT图像分类模型，若所述第二个RPN网络的多任务损失值和所述第二预测的多任务损失值达到预设值，将所述第二肺结核CT图像分类模型作为所述训练好的肺结核CT图像分类模型；若所述第二个RPN网络的多任务损失值和所述第二预测的多任务损失值未达到预设值，则根据所述第二个RPN网络的多任务损失值和所述第二预测的多任务损失值更新所述第二训练参数，得到第三训练参数，依次类推，直至迭代次数达到预先设置的最大迭代次数或迭代得到的RPN网络的多任务损失值和预测的多任务损失值达到预设值，得到所述训练好的肺结核CT图像分类模型；

分类结果输出模块，用于将所述待预测图像输入所述训练好的肺结核CT图像分类模型，得到所述待预测图像的肺结核CT图像分类结果。

9.一种肺结核CT图像分类设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种肺结核CT图像分类方法。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种肺结核CT图像分类方法。