图像分类是图像处理研究中重要的探索方向。在医学上,医疗图像分类对于智能诊断的研究意义非凡。本文通过深度卷积模型进行医疗图像分类,且利用生成对抗模型实现数据增强,最终能有效地识别不同病变。本文的工作和书写的内容主要包含以下几点:(1)针对医疗图像不同于自然图像的独特性,对比分析了经典深度卷积模型的优缺点,最终选取了DenseNet模型作为医疗图像分类的基础模型,并详细介绍了DenseNet模型的原理、特点及优势。(2)本文针对医疗图像数据集的稀缺性,采用了数据增强来扩充数据集,并设计了条件梯度生成对抗网络CDCWGAN-GP模型来进行数据增强。其中CDCWGAN-GP模型的创新性主要包括:1.优化公式中用带梯度惩罚项的Wasserstein距离代替JS散度,有效地解决了GAN训练不稳定、容易产生梯度消散和Mode collapse等问题2.在此基础上对网络生成器的输入加入标签y,从而指导生成器的生成过程;3.将判别器分为全局判别器和局部判别器,最后将两个判别器的输出连接起来一起进行打分,使得判别器中同时融合了全局特征和局部特征。(3)本文对DenseNet模型做了优化和改进:1.减少了DenseNet模型中过于冗杂的网络连接,详细分析了减少连接的必要性和实用性;2.在密集块中引入群卷积,这样在不增加额外参数的前提下有效地减少了模型参数;3.根据医疗图像数据集的特点,选取了合适的模型参数,其中包括增长率K值、学习率和优化器。最终通过实验验证了改进后的模型能有效提高运算效率和分类准确率。