1.一种医学图像的分类方法，其特征在于，所述医学图像的分类方法包括：使用迁移学习将在自然图像数据集训练好的深度学习模型迁移到医学图像领域得到医学图像分类的基础模型；

在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络；

在医学图像分类的基础模型上构建基于灰度共生矩阵的损失加权模块；

将医学图像分类的基础模型上的基于灰度共生矩阵的损失加权模块和基于类激活映射的深度注意力分支网络建立融合以得到融合后的医学图像分类模型；

对融合后的医学图像分类模型进行训练得到医学图像自动分类模型；

通过医学图像自动分类模型对待分类图像进行自动分类。

2.根据权利要求1所述的医学图像的分类方法，其特征在于，在步骤使用迁移学习将在自然图像数据集训练好的深度学习模型迁移到医学图像领域得到医学图像分类的基础模型中，还包括：在训练好的深度学习模型最后添加一个全连接层,并且全连接层的神经元的个数和分类的类别保持一致，如此适应性的得到医学图像分类的基础模型。

3.根据权利要求1所述的医学图像的分类方法，其特征在于，在步骤在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络中，其包括：类激活映射具有的卷积层、全局平均池和全连接层作为最后三层，类激活映射中的高响应值位置表示病变区域，在全局平均池之后，获得最后一个卷积层的每个特征图的平均值，然后使用全连接层的权重对特征图的平均值进行加权求和，以得到类激活映射，具体如下：其中，f

4.根据权利要求3所述的医学图像的分类方法，其特征在于，在步骤在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络中，其还包括：在深度注意力分支网络中将全连接层替换为K×1×1卷积层，K为类别数，K×1×1表示卷积核为1×1并带有K个通道；

将在全局平均池之后获得的最后一个卷积层上每个特征图的平均值作为每个类别的置信度得分，注意力分支从K个类别置信度图中生成注意力图。

5.根据权利要求4所述的医学图像的分类方法，其特征在于，在步骤在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络中，其还包括：基于注意力图和特征提取器输出的特征图得到注意机制的输出，具体如下：g′(X

其中，g(X

6.根据权利要求5所述的医学图像的分类方法，其特征在于，在步骤在医学图像分类的基础模型上构建基于灰度共生矩阵的损失加权模块中，具体为：利用灰度共生矩阵计算图像的熵，熵值反映了图像的无序性，具体如下：其中，P表示灰度共生矩阵，P中的每个条目对应于一对灰度级i和j的出现次数，Entropy表示图像的熵；

根据恶性病变的平均熵值，将大于该平均熵值的良性病变的损失加权进行增加。

7.根据权利要求6所述的医学图像的分类方法，其特征在于，在步骤将医学图像分类的基础模型上的基于灰度共生矩阵的损失加权模块和基于类激活映射的深度注意力分支网络建立融合以得到融合后的医学图像分类模型中，深度注意力分支网络采用灰度共生矩阵指导的损失加权策略以端到端的方式进行训练，总的损失函数如下：L

其中，L

通过灰度共生矩阵指导的损失加权和二进制交叉熵损失的组合来计算每个分支的损失L其中，y

8.根据权利要求7所述的医学图像的分类方法，其特征在于，在步骤对融合后的医学图像分类模型进行训练得到医学图像自动分类模型中，将输入图像随机裁剪为预设的固定大小，并且进行随机水平翻转、竖直翻转方法进行数据增强，之后再使用随机梯度下降来优化融合后的医学图像分类模型中的网络参数。

9.一种医学图像的分类装置，其特征在于，包括存储器和处理器，存储器中存储计算机程序，所述计算机程序在被所述处理器执行时，实现以下步骤：如权利要求1至8中任一所述的医学图像的分类方法。