医学影像是计算机视觉中一个重要的研究类别,而分类任务则是一个经典的机器学习任务。近年来,在计算机视觉的分类任务上,研究方法层出不穷,这些方法既创造了巨大的经济价值,又产生了积极的社会效益。本文将在具体分析现有医学影像模型利弊的基础上,从数据增广和神经网络模型两个角度出发,提出Softmix模型和Mix T模型,并通过多种实验进行验证。数据增广方面,本文的创新之处是以多张图片融合的方式为基础,优化了边界畸变带来的弊端,提出了数据增广模型Softmix。首先,设置了两种大小不同的框对图像区域进行划分。接着,设计出不同划分区域掩码值的计算公式。最后,利用掩码值将不同的图像进行融合。与此同时,本文结合相关工作对我们模型设计的优缺点进行综合分析,并进行了现有模型对比和超参数设置两种实验。结果表明,本文的数据增广模型存在一定的精度提升。本文还在神经网络模型方面探究了医学影像分类精度提升的方式。在此方面,本文对卷积神经网络和Transformer两种模型的优缺点进行比对和讨论,并提出了Mix T模型。该模型的主要创新点是使用卷积位置嵌入层来提高模型对位置信息的获取能力;使用基于池化的局部信息聚合分支来提升模型对局部细节信息的获取能力;使用多头自注意力分支来提升模型对全局信息的获取能力。总体设计上,本部分以特征金字塔的形式设置了分层结构。同时,还进行了对比实验和消融实验,结果表明Mix T模型总体提升了医学影像的分类精度。综上,本文在数据和模型两个层面提出了两种模型结构,进而提升了医学影像的分类精度。对于数据增广如何在丰富样本数量和内容的同时尽量减少人为引入的冗余和负面信息,对模型设计中如何充分发挥感受野对精度的提升作用提供了参考。