1.基于卷积神经网络的淋巴结识别的半监督方法，其特征在于，包括以下步骤：步骤1，获取并预处理淋巴结图像，得到淋巴结图像样本；具体为将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式；

步骤2，将步骤1得到的淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据DL(x,y)，剩下的训练数据作为无标签数据DUL(x,y)，验证数据集不做任何处理；

步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率；

其中具体迭代训练过程为：

(1)、采样有标签数据

采样

(2)、代入模型分类器计算监督交叉熵损失Ls其中fθ()表示模型分类器；

(3)、采样两个无标签样本

采样

(4)、计算假的标签

其中fθ′()表示滑动平均模型分类器；

(5)、采样插值系数λ

采样λ～Q，其中Q随机分布在0～1之间；

(6)、计算插值um、

其中Mixλ(a,b)＝λa+(1‑λ)b；

(7)、计算平方误差LUS

(8)、计算总的损失L

L＝Ls+w(t)·LUS，其中w(t)取100.0，(9)、计算梯度gθ

(10)、更新滑动平均参数

θ′＝αθ′+(1‑α)θ，其中α取1.0(11)、使用随机梯度SGD或Adam优化器更新参数θ；

参数收敛的条件为：迭代次数不大于10000且达到残差值最小；

步骤4，将步骤1的淋巴结图像样本输入步骤3训练后的模型分类器中，完成淋巴结图像识别；

模型分类器中网络模型包含第一卷积单元、第二卷积单元和第三专门用来减少图像尺寸的卷积单元以及第四卷积单元，输入是通道为3的图像，分辨率大小是32×32；

第一卷积单元是连续3层是感受野大小是3×3，卷积核是128的卷积层，步长为1，边缘填充为2，输出为128个通道、大小为32×32的特征，接着是感受野大小是3×3步长为2的maxpool和随机失活是0.1的dropout，此时的输出为128个通道、大小为16×16的特征；接着是连续3层是感受野大小是3×3卷积核是256的卷积层，步长为1，边缘填充为2，输出为256个通道、大小为32×32的特征，接着是感受野大小是3×3的步长为2的最大池化和随机失活是0.1的dropout此时的输出为256个通道、大小为8×8的特征；

第二卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有32输出通道的1×1的步长为1的卷积；第3个分支为有32通道的1×

1的步长为1的卷积再连续连接2个有32个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是

8×8×256的结果；

第三专门用来减少图像尺寸的卷积单元是包含2个分支，第1个分支是感受野大小是3×3步长为2的最大池化；第二个分支是256通道的3×3的步长为2的卷积；最后，将2个分支在输出通道上合并，输出尺寸为4×4×512；

第四卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有64输出通道的1×1的步长为1的卷积；第3个分支为有64通道的1×

1的步长为1的卷积再连续连接2个有64个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是

4×4×512的结果；

最后是感受野大小是3×3步长为2的平均池化和随机失活是0.1的dropout以及softmax分类层，用于计算输出属于每一类的概率。