1.基于机器学习的医学影像自动分类方法，其特征在于，包括以下步骤：采集医学影像数据，并增强医学影像数据数量，其中，通过基于量子干涉的生成对抗网络算法实现医学影像数据数量的增强；

所述量子干涉模拟的方式表示为： 式中，

ψc表示量子态，具体为，通过量子比特表达医学影像的不同可能状态； 为量子干涉模拟前的量子态； 为量子干涉模拟后的量子态；Uc()表示量子干涉器的操作单元；φc为量子干涉器的控制参数； 和 分别为振幅调制和相位调制参数，jc为量子态特征维度*的索引；i为虚数单位；

所述振幅调制和相位调制参数的计算方式表示为： 式中， 是由生成器网络根据输入医学影像数据动态生成的角度参数； 是从均匀分布U(0，

1)中随机采样得到的数值；

对提取增强后的所述医学影像数据数量进行降维处理；其中，采用基于松弛因子的自编码器算法作为特征降维模型；

所述基于松弛因子的自编码器算法的训练流程如下：初始化自编码的网络结构；

在模型训练之前，设置动态松弛因子的初值及其调整策略，动态松弛因子在训练过程中根据误差反馈进行调整，具体调整方式表示为：λr，t＝λr，0exp(‑αrint(t))，αr＞0式中，λr，t为第t个训练周期的松弛因子；λr，0为初始松弛因子；αr为松弛因子衰减率；int()表示当前迭代次数；

输入医学影像数据特征向量通过编码器转换为低维空间的表示；

计算自编码器的损失函数来评估当前自编码器网络的性能，自编码器的损失函数包括重构误差、降维误差和正则化项，计算方式表示为:式中，Lr()为自编码器的损失函数；

为解码器输出的重构数据，xr为编码器输入的医学影像数据特征向量，λr，t为第t个训练周期的松弛因子，Δzr表示编码器输出与其理想低维表示之间的偏差；|| ||为L2范数；Rr为自编码器的正则化项；

对降维后的特征进行分类，获得医学影像数据类别；其中，采用基于动态惩罚项的分数阶神经网络对特征降维后的医学影像数据进行分类，所述动态惩罚项是在分数阶神经网络的训练过程中对分数阶神经网络的权重进行惩罚约束；

所述基于动态惩罚项的分数阶神经网络的训练流程如下：初始化分数阶神经网络的参数；

输入经过降维处理后的医学影像数据特征到分数阶神经网络，通过分数阶激活函数进行处理，逐层传递至输出层，表示为： 式中， 是分数阶神经网络第l层的输出； 是分数阶神经网络第l‑1层的输出； 是分数阶激活函数； 是分数阶神经网络第l层激活函数的分数阶的阶数；⊙表示逐元素乘法；

为分数阶神经网络第l层的门控向量；

根据分数阶神经网络的实际输出和期望输出计算损失函数，具体计算方式表示为：式中，Lu( )为分数

阶神经网络的损失函数；yu，i是第i个样本真实标签的独热编码； 是分数阶神经网络对是第i个样本的分类输出；Lrea为分数阶神经网络的层数；λu是分数阶神经网络的正则化参数，控制权重衰减以防止过拟合； 表示第l层权重的Frobenius范数的平方；λg为门控向量正则化的权重，平衡模型复杂度与性能；|| ||1为L1范数；

通过反向传播算法，计算损失函数对每个参数的梯度，并更新分数阶神经网络的权重和偏置；根据损失函数调整分数阶参数，优化模型的学习效率和准确性，具体调整方式表示为： 式中，γeut是分数阶调整系数，用于控制分数阶参数的更新速度和幅度； 是损失函数相对于分数阶参数的梯度，用于指导分数阶参数的自适应调整。

2.如权利要求1所述的基于机器学习的医学影像自动分类方法，其特征在于，所述基于量子干涉的生成对抗网络算法，训练步骤包括：初始化生成对抗网络的生成器与判别器；

所述生成器通过量子态的准备阶段，模拟若干医学影像状态，其中，所述医学影像状态包括健康状况或病理特征的影像；通过基于量子干涉模拟策略，所述医学影像状态将被相干地叠加，生成具有新特性的第一医学影像数据；

生成器输出第一医学影像数据；所述第一医学影像数据通过混沌序列生成模块对影像的像素进行细微扰动，增加所述第一医学影像数据多样；

所述判别器通过学习识别所述第一医学影像数据与真实医学影像数据之间的差异，根据所述差异调整参数和提高识别精度；

重复迭代，直至所述生成器生成的所述第一医学影像数据让所述判别器难以区分真伪。

3.根据权利要求2所述的基于机器学习的医学影像自动分类方法，其特征在于，所述重复迭代过程中使用反向传播算法更新所述生成器参数和所述判别器参数，更新方式表示为： 式中，为本次迭代更新的生成器参数， 为本次迭代更新的判别器参数，ηc是生成对抗网络的学习率， 和 分别表示生成对抗网络的损失函数关于生成器参数和判别器参数的梯度， 为判别器的学习率， 和 分别为生成器和判别器的权重参数。

4.根据权利要求3所述的基于机器学习的医学影像自动分类方法，其特征在于，采用动态调整策略对判别器的所述学习率 进行调整，设 为生成对抗网络的损失函数关于判别器参数的梯度，表示为：

其中，判别器的学习率的计算方式表示为：

式中， 表示判别器的历史梯度的变化率，kc为判别器的调节敏感度参数，控制调节因子的响应速度，e为自然数；

在所述训练过程中，不断评估生成第一医学影像数据的质量和多样性，直至评估函数值大于预设数值时停止迭代。

5.根据权利要求2所述的基于机器学习的医学影像自动分类方法，其特征在于，增加所述第一医学影像数据多样；具体表示为：式中，Gc( )为生成器函数； 为生成

器的输出图像；Δc( )表示应用于图像的混沌扰动函数，βc是调节混沌扰动强度的系数；

为生成器在本次迭代生成的最终图像； 为量子干涉模拟后的量子态。

6.根据权利要求5所述的基于机器学习的医学影像自动分类方法，其特征在于，所述应用于图像的混沌扰动函数的计算利用混沌理论中的逻辑映射和双曲正切函数的结合。

7.根据权利要求1所述的基于机器学习的医学影像自动分类方法，其特征在于，基于松弛因子的自编码器算法模型，训练步骤包括：初始化自编码器网络结构，自编码包括编码器和解码器，其中，所述编码器将高维医学影像数据特征向量映射到低维表示空间，所述解码器从低维空间重构高维输入数据；

设置动态松弛因子的初值及其调整策略，其中，所述松弛因子根据误差反馈在训练过程中进行调整；

输入所述医学影像数据特征向量通过编码器转换为低维空间的表示，然后通过解码器重构为接近高维输入数据的输出；

计算自编码器的损失函数，包括重构误差、降维误差和正则化项；

根据损失函数进行反向传播，更新自编码器网络中的权重和偏置参数；

重复迭代上述步骤，直至满足预设的停止迭代条件。

8.根据权利要求7所述的基于机器学习的医学影像自动分类方法，其特征在于，基于松弛因子的自编码器算法模型，训练步骤还包括：所述损失函数的正则化项的计算方式表示为：

式中，|| ||F和|| ||1分别表

示Frobenius范数和L1范数，用于权重和偏置的正则化，ρr为自编码器的第一正则化项系数， 为编码器第l层的权重矩阵； 为编码器第l层的偏置，μr为自编码器的第二正则化项系数，Lcf为编码器的总层数，MRr表示通过编码器所有层的累积误差，Rr为自编码器的正则化项；

通过编码器所有层的累积误差的计算方式表示为：

式中， 表示第l层的前向传播函数，

为编码器第l‑1层隐藏层的输出， 为编码器第l层隐藏层的输出， 为编码器第1层的激活函数，γrec为局部重构误差的权重系数， 为低维空间的局部映射，xr为编码器输入的医学影像数据特征向量， 为解码器输出的重构数据；|| ||为L2范数；

自适应的低维表示，表示为：

式中， 为低维空间的局部映射，Wer

为编码器的权重矩阵；ber为编码器的偏置，Nr为当前批次输入到自编码器中样本集合，为第nr个邻居点， 为编码器第L层的激活函数， 为第r个医学影像数据点对第nr个邻居点的加权系数，满足 加权系数计算方式表示为：式中，σras为距离的尺度参数，控制邻域内

点对加权系数的影像范围。