1.一种肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，包括以下步骤：获取采集到的肺部医学影像数据进行预处理；

基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；

获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较；通过终端输出分类处理结果。

2.如权利要求1所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，所述获取采集到的肺部医学影像数据进行预处理，其中，预处理过程包括：灰度化处理、噪声抑制处理、图像增强处理、检测结节处理。

3.如权利要求2所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，其中，所述肺部恶性肿瘤数据分类模型使用ResNet‑18做为骨干网络。

4.如权利要求3所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，所述使用ResNet‑18做为骨干网络，具体包括：以ResNet‑18为基础，建立骨干网络，除去ResNet‑18最后的全连接层，所述骨干网络包含一个7×7卷积层，一个BN层，一个3×3最大池化层、4个残差块和一个全局平均池化层。

5.如权利要求1所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，具体步骤包括：对每个数据样本xi输出两个512维的向量分别作为特征空间中均值ui和标准差σi，训练过程中，利用重参数化技巧模拟特征空间中的随机采样得到特征向量si＝μi+εσi,ε～N(0,Ι)，其中I为单位矩阵，即ε服从标准正态分布，并且使用损失函数L＝Lsoftmax+λLkl进行优化；

实际应用中，使用已求得的均值ui表征特征向量si；

其中，每个数据样本xi在特征空间的表示zi为高斯分布；

为分类损失；

N为训练集样本数，yi表示第i个训练样本的真实标签，si指的是模型为第i个样本在特征空间的向量表示，C表示分类问题中的总类别数，Wc表示与第c类相关联的权重向量，表示与第yi类相关联的权重向量；

为KL正则化项；

2

λ为正则化系数，μ为均值，σ为方差，该损失函数的目标是最小化真实分布和模型分布之间的KL散度。

6.如权利要求5所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果，具体包括：根据所述不确定性估计值与经验阈值的比较，得出医学影像为正域、负域、边界域的分类结果；其中，所述不确定性估计值小于所述经验阈值时，得出医学影像为正域或医学影像为负域的分类结果；所述不确定性估计值大于或等于所述经验阈值时，得出医学影像为边界域的分类结果。

7.一种肺部恶性肿瘤医学影像数据分类处理系统，应用于如权利要求1至权利要求6任一项所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，包括数据采集模块、数据预处理模块、模型建立训练模块、数据处理输出模块和分类处理结果查询模块；其中，所述数据采集模块，用于采集病患基本信息和通过医疗设备采集所拍摄到的病患肺部医学影像数据；

所述数据预处理模块，用于对采集到的肺部医学影像数据进行灰度化处理、噪声抑制处理、图像增强处理、检测结节处理；

所述模型建立训练模块，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；

所述数据处理输出模块，用于获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。