脑部肿瘤是当今发病率和死亡率高的前十大恶性肿瘤之一。早期准确的诊断可以帮助医生为患者提出治疗方案并降低死亡率,使用人工智能设计疾病分类系统可以优化检查中的诊断结果。目前脑部肿瘤分类中面临数据集样本少的问题,卷积神经网络无法利用图像中特征之间的空间位置关系,在医学图像分类任务上的表现存在不足。为此,本文设计实现了以下方面的工作内容。1.在胶囊网络中加入了注意力胶囊机制。卷积层和胶囊层之间添加注意力胶囊层。胶囊注意力层中采用迭代注意力算法使得网络具有动态胶囊注意,输出的带有预测信息的胶囊可以协助增加关键特征的权重占比。解决了脑部肿瘤的MRI图片中包含的其他脑部组织信息对训练过程有干扰影响的问题,实验中加入了注意力胶囊层的网络模型能够有效提高了目标分类的准确率。2.在连续胶囊层之间改进了胶囊路由的连接算法。连续胶囊层之间胶囊的连接方式使用中心路由,中心路由对输入的特征向量采用做相似性度量,将度量与所有的预测网络进行相加操作为高层胶囊的输入。连续胶囊层所有的胶囊类型作循环遍历,以此实现了胶囊类型的更新传播。实验验证中,中心路由解决了高层胶囊层中胶囊特征姿态矩阵涉及参数多的问题,能够有效提高大脑核磁影像中脑膜瘤、神经胶质瘤和脑垂体瘤三种脑部肿瘤的分类准确率。3.优化了脑部肿瘤分类模型训练的收敛速度。在Softmax层的损失函数设计中,交叉熵损失函数添加了权重系数,胶囊层中的损失函数结合中心路由添加胶囊度量的计算。优化后的损失函数降低了网络模型训练的时间,在实验阶段,模型五折交叉验证中达到局部最优解的平均迭代次数由原有的20次减少到16次。4.实现了关于脑部肿瘤的分类系统。该分类系统包括脑部肿瘤检测模块、病例管理模块,病例管理模块包含数据库的设计、系统功能的测试和分析。该脑部肿瘤分类系统包含上述三点工作内容,图像化方式在医生的日常诊断工作提供一定的参考意见,降低因人为因素引发错误的概率。