医学图像分类是医学图像分析中最重要的任务之一,在实际应用中,通常会面临样本集不平衡的问题,即不同类别间的样本数量存在较大差异,往往表现为阳性样本数少于阴性样本数。并且这种样本不平衡问题在医学领域是天然存在的,因此是医学图像分析中难以避免的一个问题,也是医学图像分类识别任务中的主要挑战之一。本论文主要针对医学图像分类中的类不平衡问题进行研究,主要工作内容如下:1.研究了使用胶囊网络来进行医学不平衡样本集分类的方法,胶囊网络可以克服卷积神经网络对大量训练数据依赖的缺点,并在不平衡数据集上表现出了更好的鲁棒性。根据医学图像数据集具有的数据不平衡和数据有限的两个特点,胶囊网络具有更适用于医学图像分析任务的优点,实验结果验证了胶囊网络在医学图像分类任务上的可行性与有效性。2.改进了原有胶囊网络的损失函数。为有效解决医学图像分类任务中的类不平衡问题,避免数据采样带来的过拟合或者重要数据丢失的风险,本论文从算法层面出发,引入了类平衡损失来改进胶囊网络的损失函数,改进后的损失函数根据每个类的有效样本数量来对每个类进行重新加权,以平衡各个类对总体损失的贡献。实验结果表明改进后的损失函数能够有效引导模型在不平衡数据集上进行学习,其分类准确性有明显提高。3.提出了类平衡注意力胶囊网络模型。在原架构的第一层卷积层和第二层主胶囊层之间新增了注意力模块,解决了原胶囊网络在强调特征之间的位置或旋转空间关系时忽略了局部特征学习的问题,丰富了模型的层次结构。实验结果表明所提出的网络模型能够有效应对类不平衡问题,提高不平衡数据的分类准确性,并为不平衡数据分类问题提供了新的研究思路与方法。4.实现了基于类平衡胶囊网络分类算法的应用系统。该系统以医疗辅助平台为载体,主要实现了辅助诊断和病例管理功能,在辅助医生提高诊断准确率、减少漏诊等方面的具有积极意义与重要作用。