技术特征：
1.医疗图像分类模型的训练方法，其特征在于：包括如下步骤：s1，获取由不同类型间质性肺病的肺部ct切面图及正常肺部的肺部ct切面图转变而成的普通rgb色彩图，从获取的每张普通rgb色彩图中提取出具有一种类型间质性肺病或正常肺部的图像块并对图像块进行标记；s2，提取每个图像块所在的医疗位置数据，并分析肺部种类与医疗位置数据的相关性；s3，将s1中提取的图像块根据人体器官对应的亨氏单位扩充为三通道亨氏单位图；s4，将s2、s3处理得到的肺部种类与医疗位置数据的相关性信息及三通道亨氏单位图输入到基于复合卷积神经网络的医疗图像分类模型中进行模型训练，至模型收敛。2.根据权利要求1所述的医疗图像分类模型的训练方法，其特征在于：所述间质性肺病类型包括肺气肿，肺部毛玻璃样，肺部纤维化与肺部微结节。3.根据权利要求1所述的医疗图像分类模型的训练方法，其特征在于：所述s1包括通过滑动窗口在每张普通rgb色彩图上逐行滑动提取图像块，所述滑动窗口的尺寸为32
×
32。4.根据权利要求3所述的医疗图像分类模型的训练方法，其特征在于：所述s1中，当滑动窗口中间质性肺病区域面积或正常肺部区域面积占比不低于75％时，提取相应的图像块，并进行标记，同一种间质性肺病对应的图像块采用同一种标记，不同间质性肺病对应的图像块及正常肺部对应的图像块采用不同的标记。5.根据权利要求4所述的医疗图像分类模型的训练方法，其特征在于：所述s2步骤包括s21，提取每个图像块所对应的医疗位置数据，并将其与图像块的标记存储为一个字符对；s22，将全部字符对进行统计学分析以验证，肺部种类与医疗位置数据的相关性。6.根据权利要求1所述的医疗图像分类模型的训练方法，其特征在于：所述s3中，所述三通道包括用于展现肺部一般特征的正常通道、用于描述低强度区域的低衰减通道以及用于描述高强度区域的高衰减通道。7.根据权利要求1所述的医疗图像分类模型的训练方法，其特征在于：所述s4包括s41，使用复合卷积神经网络提取各个三通道亨氏单位图的图像特征；s42，使用包括但不限于relu的激活函数对所提取的图像特征采用非线性变换进行降采样操作；s43，使用最大池化层获得三通道亨氏单位图的低分辨率图像，并使用步骤s41、s42中所提方法提取不同分辨率下的图像特征并进行降采样操作；s44，模型的最后一层卷积层使用softmax函数获得每个三通道亨氏单位图属于各个肺部种类的概率；s45，使用肺部种类与医疗位置数据的相关性信息产生位置向量与上述产生的属于各个肺部种类的概率相乘，得到每个三通道亨氏单位图属于各个肺部种类的最终概率；s46，模型使用交叉熵损失函数
进行训练。8.根据权利要求7所述的医疗图像分类模型的训练方法，其特征在于：所述s41复合卷积神经网络包括xception卷积神经网络和inception-v3卷积神经网络。9.根据权利要求1-8任一所述的医疗图像分类模型的训练方法，其特征在于：还包括s5，使用格点搜索法自动选取最优的超参数进而决定最优化模型。10.医疗图像分类模型的训练模块，其特征在于：包括图像块生成模块，用于获取由不同类型间质性肺病的肺部ct切面图及正常肺部的肺部ct切面图转变而成的普通rgb色彩图，从获取的每张普通rgb色彩图中提取出具有一种类型间质性肺病或正常肺部的图像块并对图像块进行标记；相关性分析模块，用于提取每个图像块所在的医疗位置数据，并分析肺部种类与医疗位置数据的相关性；亨氏单位图生成模块，用于将图像块生成模块提取的图像块根据人体器官对应的亨氏单位扩充为三通道亨氏单位图；模型训练模块，用于将相关性分析模块、亨氏单位图生成模块处理得到的结果输入到基于复合卷积神经网络的医疗图像分类模型中进行训练，至模型收敛。11.存储介质，其特征在于：存储有用于实现权利要求1-9任一所述方法的程序。12.医疗图像处理装置，其特征在于：包括权利要求1-9任一所述方法训练得到的医疗图像分类模型。