CN101609485B - 基于迁移核匹配追踪的医学影像诊断系统及诊断方法 - Google Patents

Abstract

本发明公开了一种基于迁移核匹配追踪的医学影像诊断系统及诊断方法。整个系统包括：影像预处理模块、影像特征提取模块、影像迁移核匹配追踪诊断模块和影像未标识样本测试模块。影像预处理模块，完成原始影像去冗余及直方图均衡化增强处理；对处理后的影像提取灰度共生矩阵、Hu矩、Brushlet及Contourlet特征作为样本集，得到源域和目标域有标识训练样本集及目标域未标识测试样本集；对源域和目标域有标识的训练样本集影像进行迁移核匹配追踪学习，得到更新后的目标域训练样本集与训练分类器，用该分类器对未标识的测试样本分类诊断，输出最终诊断结果。本发明能缓解医学参考样本数量少的缺点，有效提高医学影像诊断识别率，可用于医学图像临床辅助诊断。

Description

基于迁移核匹配追踪的医学影像诊断系统及诊断方法

技术领域

本发明属于图像处理技术领域，特别是涉及医学影像处理，可用于进行医学图像临床辅助诊断。

背景技术

随着计算机及其相关技术的迅速发展以及图形图像技术的日趋成熟，医学影像诊断是是国内外医学领域重点研究的方向，医务工作者可以从多方位、多层次、多角度对医学图像进行观察，从而辅助医生对病变区域进行综合分析，明显促进临床医学诊断准确性和正确性的提高，数字医疗时代开始出现。在过去的三十年中，医学成像技术发展迅速，在临床医学诊断工作中取得了许多成果。医学图像在临床诊断和教学科研中发挥着积极作用，推进了医疗水平的发展和进步。面向医学图像的数据挖掘技术研究成为医学和计算机科学交叉学科研究的一个十分重要的领域。医学图像的高分辨率、数据的海量性、图像特征表达的复杂性等特点，使得数据挖掘技术在医学图像中的研究具有较大的学术价值和广泛的应用前景。

但是医学图像由于其个体差异大、病理类别繁多以及标识样本少等因素影响，导致医学图像的诊断成为一个十分复杂而又迫切需要解决的问题。目前，面向医学图像的数据挖掘研究刚刚起步，现有的数据挖掘方法直接应用还存在许多问题。在现有的医学诊断研究方法中，Maria-Luiza.A等人用图像挖掘方法对图像库中的胸部图像逐幅进行预处理，将图像分成四个规则区域，提取每个区域的纹理特征，再用关联规则和神经网络算法进行数据挖掘和分类诊断，该方法将图像分成正常和癌患者两类，实现对乳癌患者的自动诊断。CZ Cai，WL Wang等人将SVM方法成功运用到DNA结合蛋白分类识别中，但从医学影像诊断识别结果来看，其诊断识别率较低。

医学影像作为特殊的一类图像，医学影像标记样本的获取代价很昂贵，不完备的标记样本集也会影响医学影像辅助诊断的分类诊断性能，研究和探索适合于医学图像的数据挖掘方法及其算法迫在眉急。

发明内容

本发明的目的在于克服上述已有技术的不足，针对医学影像参考样本数量少、诊断识别率较低的问题，提出了一种基于迁移核匹配追踪的医学影像诊断系统及诊断方法，以提高医学影像诊断识别率，缓解医学参考样本数量少的缺点和增强泛化能力。

为实现上述目的，本发明提供基于迁移核匹配追踪的医学影像诊断系统，包括：

影像预处理模块，完成原始影像去冗余以及直方图均衡化增强处理，并将处理后的影像传输给影像特征提取模块；

影像特征提取模块，对输入的处理后的影像进行灰度共生矩阵、Hu矩、Brushlet特征及Contourlet特征提取，并将其提取特征传至影像迁移核匹配追踪诊断模块；

影像迁移核匹配追踪诊断模块，对输入提取特征进行迁移核匹配追踪，得到诊断分类器，将输出诊断分类器输出给影像未标识样本测试模块；

影像未标识样本测试模块，采用输出的诊断分类器对未标识的测试样本分类诊断，输出最终诊断结果。

所述的影像迁移核匹配追踪诊断模块包括：

影像目标域有标识样本训练子模块：完成影像目标域有标识样本的训练，得到该影像目标域有标识样本的训练分类器，将该分类器传输给影像源域的有标识样本训练子模块；

影像源域的有标识样本训练子模块：采用目标域有标识样本的训练分类器，完成影像源域中有标识样本的迁移学习，对满足和目标域中训练样本集合具有相似分布的样本组成一个新的样本集合，对该样本集合进行分类诊断得到诊断分类器。

为实现上述目的，本发明提供的基于迁移核匹配追踪的医学影像诊断方法，包括如下步骤：

(1)采用直方图均衡化和均方差标准化方法，对原始影像集进行切割与增强处理，得到具有视觉效果的医学影像集；

(2)对具有视觉效果的医学影像集提取其灰度共生矩阵、Hu矩、Brushlet特征及Contourlet特征提取，并将该灰度共生矩阵、Hu矩、Brushlet特征及Contourlet特征作为医学影像辅助诊断样本，其中，L_s为有标识的源样本域，L_T为有标识目标样本域，U_T为未标识目标样本域，x_i表示影像特征样本，y＝{1，-1}设定为样本标识；

(3)分别设定：

源域的有标识的训练样本为： $X_s=\left\{(x_i^s,y\left(x_i^s\right))\right\},$ 其中， $x_i^s\∈X_S(i=1,...k_1),$ k₁表示L_s源域的大小；

目标域的有标识训练样本为： $X_{T,L}=\left\{(x_i^L,y\left(x_i^L\right))\right\},$ 其中 $x_i^L\∈X_L(i=1,...k2),$ k₂表示L_T目标域训练样本大小；

目标域的未标识测试样本为： $X_{T,U}=\left\{\left(x_i^U\right)\right\},$ 其中 $x_i^U\∈X_U(i=1,...k_3),$ k₃表示U_T目标域测试样本大小；

(4)对源域中有标识的训练样本X_s和目标域中有标识的训练样本X_T，L进行基于迁移核匹配追踪的影像分类诊断，得到更新后源域有标识样本集合X_s，New；

(5)将更新后源域有标识样本集合X_s，New与有标识的目标样本X_T，L共同构成新的有标识的目标样本X_T，L′，对每个有标识的目标样本域样本X_T，L′进行核匹配追踪分类，得到核匹配追踪分类器C₂；

(6)采用核匹配追踪分类器C₂对未标识的测试样本X_T，U进行分类诊断，得到未标识测试样本X_T，U的最终诊断结果，其中，当核匹配追踪分类器C₂分类得到的类别标识为-1时，则该样本的诊断结果为癌变；否则，当核匹配追踪分类器C₂分类得到的类别标识为1时，则该样本的诊断结果为正常；

(7)输出未标识测试样本X_T，U的最终诊断结果。

本发明与现有的技术相比具有以下优点：

1、本发明定义源域和目标域的医学影像，充分利用源域的医学影像以解决医学影像参考样本数量少的缺点，从而完成目标域中未知医学影像的辅助诊断；

2、本发明提出基于迁移影像核匹配追踪的分类诊断，从而有效提高被迁移医学影像的参考价值，提高未知影像的诊断识别率；

3、本发明充分利用分布不同的医学影像，得到更新后的源域医学影像样本，因而有效的提高了医学影像诊断的泛化能力。

仿真结果表明，对乳腺X影像采用本发明的基于迁移核匹配追踪的医学影像诊断方法，乳腺X影像的识别率得到较大提高。

附图说明

图1是本发明的迁移核匹配追踪的医学影像诊断系统示意图；

图2是本发明的迁移核匹配追踪的医学影像诊断流程图；

图3是本发明仿真采用的原始乳腺X影像图；

图4是本发明对图3进行去冗余后的乳腺X影像图；

图5是本发明对图4采用直方图均衡化和均方差标准化方法后的乳腺X影像图。

具体实施方式

参照图1，本发明基于迁移核匹配追踪的医学影像诊断系统包括：影像预处理模块、影像特征提取模块、影像迁移核匹配追踪诊断模块和影像未标识样本测试模块。这些模块依次连接。影像迁移核匹配追踪诊断模块包括影像目标域标识样本训练子模块和影像源域的标识样本训练子模块。该影像目标域标识样本训练子模块，完成影像目标域有标识样本的训练，生成影像有目标域标识样本的训练分类器，将该分类器传输给影像源域的有标识样本训练子模块；该影像源域的标识样本训练子模块将目标域标识样本的训练分类用于影像源域中有标识样本的迁移核匹配追踪学习，对满足和目标域中训练样本集合具有相似分布的样本组成一个新的样本集合，对该样本集合进行分类诊断获得诊断分类器。

影像预处理模块，对输入的原始影像完成去冗余以及直方图均衡化增强处理，并将处理后的结果传输给影像特征提取模块；影像特征提取模块，对处理后的影像提取灰度共生矩阵、Hu矩、Brushlet特征及Contourlet特征作为诊断样本，再将诊断样本传至影像迁移核匹配追踪诊断模块；影像迁移核匹配追踪诊断模块，对输入的诊断样本根据迁移核匹配追踪学习方法调整核参数P，得到满足条件的诊断识别率和更新后源域有标识训练样本集；将该源域有标识训练样本集和目标域有标识训练样本集重组成为更新后的目标域有标识训练样本集；对更新后的目标域有标识训练样本集采用核匹配追踪方法得到诊断分类器，并诊断分类器输出给影像未标识样本测试模块；影像未标识样本测试模块，采用输出的诊断分类器对未标识的测试样本分类诊断，输出最终诊断结果。

参照图2，本发明的基于迁移核匹配追踪的乳腺X影像诊断方法，包括如下步骤：

步骤1：采用直方图均衡化和均方差标准化方法，对原始医学影像集中的乳腺X影像进行切割与增强处理，得到视觉效果较好的乳腺X影像集。

1a)输入原始乳腺X影像，其大小为M×N，本实例选择如图3所示的原始乳腺X影像集中的一幅影像，其大小1024×1024；

1b)对输入的原始乳腺X影像，即乳腺X影像采用图像水平和垂直的计算机自动切割方法，切除图像的背景和图像中存在的人为印记，得到切割后的乳腺X影像，如图4所示；

1c)对切割后的乳腺X影像采用直方图均衡化和均方差标准化方法去除噪声，得到具有视觉效果的乳腺X影像，如图5所示。

步骤2：对得到的具有视觉效果的乳腺X影像进行灰度共生矩阵、Hu矩、Brushlet特征及Contourlet特征提取。

2A.提取灰度共生矩阵四个特征的过程如下：

2A.1)对得到的具有视觉效果的乳腺X影像，生成灰度共生矩阵p_ij(s，θ)，其中θ的取值为4个离散的方向：0°，45°，90°，135°，s∈[1，size]，size表示视觉效果较好的医学影像的长度或宽度；

2A.2)根据得到的灰度共生矩阵，对具有视觉效果的乳腺X影像提取四个特征，分别为：

角二阶矩： $f_1=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{p}^2(i,j)$

熵： $f_2=-\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}p(i,j)\log p(i,j)$

同质区： $f_3=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}p(i,j)/{[1+{(i-j)}^2]}^2$

非相似性： $f_4=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}|i-j|p(i,j).$

2B.提取Hu矩七个特征的具体过程如下：

2B.1)在得到的具有视觉效果的乳腺X影像上，计算点(x，y)处的(p+q)阶矩m_pq及(p+q)阶中心矩μ_pq：

$m_{\mathrm{pq}}=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{x}^p{y}^{q}f(x,y)$

${\mathrm{\μ}}_{\mathrm{pq}}=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{(x-x_c)}^p{(y-y_c)}^{q}f(x,y)$

式中，f(x，y)表示点(x，y)处的像素值，(x_c，y_c)表示视觉效果较好的乳腺X影像的重心坐标；

2B.2)根据得到的点(x，y)处的(p+q)阶矩m_pq及(p+q)阶中心矩μ_pq，按照下式计算点(x，y)处的归一化中心矩：

${\mathrm{\η}}_{\mathrm{pq}}={\mathrm{\μ}}_{\mathrm{pq}}/{\mathrm{\μ}}_{\mathrm{oo}}^r$

式中，μ_oo ^r表示点(x，y)的零阶γ阶矩，γ＝(p+q)/2+1；

2B.3)利用点(x，y)处的归一化中心矩，提取视觉效果较好的乳腺X影像的七个Hu矩特征，分别定义为φ₁，φ₂，…，φ₇，即：

φ₁＝η₂₀+η₀₂

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2$

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)φ_x+(η₀₃-3η₂₁)(η₂₁+η₀₃)φ_y

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₀₃+η₂₁)²]+4η₁₁(η₃₀+η₁₂)(η₀₃+η₂₁)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)φ_x+(η₃₀-3η₁₂)(η₀₃+η₂₁)φ_y，

     φ_x＝(η₃₀+η₁₂)²-3(η₀₃-3η₂₁)²

其中，

     φ_y＝(η₀₃+η₂₁)²-3(η₃₀-η₁₂)²。

2C.提取Brushlet特征：

在得到的具有视觉效果的乳腺X影像上，采用滑动窗的方式对乳腺X影像的窗内元素进行两层Brushlet变换，将乳腺X影像分成16块，具有12个方向，对Brushlet二层分解的各个方向的子块分别提取均值与方差特征。计算实部上半部分八个子带的特征，得到一个16维特征矢量，计算均值与方差特征的方法采用下式进行：

${\mathrm{\μ}}_i=\frac{1}{\mathrm{RC}}\underset{j}{\overset{R}{\mathrm{\Σ}}}\underset{k}{\overset{C}{\mathrm{\Σ}}}{I}_i(j,k)$

${\mathrm{\σ}}_i=\sqrt{\frac{1}{\mathrm{RC}}\underset{j}{\overset{R}{\mathrm{\Σ}}}\underset{k}{\overset{C}{\mathrm{\Σ}}}{(I_i(j,k)-{\mathrm{\μ}}_i)}^2}$

上式中，I_i(j，k)表示每一块Brushlet分解系数，i＝1，2，…，16；j＝1，2，…；R，k＝1，2，…，C，R，C分别表示每一块的行数与列数。

2D.提取Contourlet特征：

在得到的具有视觉效果的乳腺X影像上，对乳腺X影像进行3层Contourlet变换，得到17个子带，即17维特征向量，特征维数的多少取决于分解的层数和每层方向分解的个数，将分解得到的各个Contourlet系数矩阵计算其L1范数能量测度：

$E=\frac{1}{\mathrm{MN}}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|\mathrm{coef}(i,j)\right|$

其中，M×N为子带大小，i，j表示子带中系数的索引，coef(i，j)为该子带中第i行和第j列的系数值。

步骤3：根据对具有视觉效果的乳腺X影像提取的特征，将该灰度共生矩阵、Hu矩、Brushlet特征及Contourlet特征提取提取作为乳腺X影像辅助诊断样本，其中：L_s为源域的有标识乳腺X影像训练样本域，L_T为有标识目标乳腺X影像样本域，U_T为未标识目标乳腺X影像样本域，x_i表示乳腺X影像特征样本，y＝{1，-1}设定为样本标识；

对上述的乳腺X影像特征样本分别定义如下：

源域的有标识乳腺X影像训练样本为： $X_s=\left\{(x_i^s,y\left(x_i^s\right))\right\},$ 其中， $x_i^s\∈X_S(i=1,...k_1),$ k₁表示L_s源域的大小；

目标域的有标识乳腺X影像训练样本为： $X_{T,L}=\left\{(x_i^L,y\left(x_i^L\right))\right\},$ 其中， $x_i^L\∈X_L(i=1,...k2),$ k₂表示L_T目标域训练样本大小；

目标域的未标识乳腺X影像测试样本为： $X_{T,U}=\left\{\left(x_i^U\right)\right\},$ 其中， $x_i^U\∈X_U(i=1,...k_3),$ k₃表示U_T目标域测试样本大小。

步骤4：对源域中有标识的乳腺X影像训练样本X_s和目标域中有标识的乳腺X影像训练样本X_T，L进行基于迁移核匹配追踪的影像分类诊断，得到更新后的源域有标识乳腺X影像样本集合X_s，New，具体实施步骤如下：

4A)对目标域有标识的乳腺X影像训练样本X_T，L先进行核匹配追踪分类，得到训练分类器；

4B)采用该训练分类器对源域中有标识的乳腺X影像训练样本X_s和目标域中有标识的乳腺X影像训练样本X_T，L进行基于迁移影像核匹配追踪的分类诊断，得到有标识的乳腺X影像训练样本X_s的诊断结果；

具体过程如下：

4B.1)对目标域有标识的乳腺X影像训练样本X_T，L进行核匹配追踪分类，得到训练分类器C₁，设定该分类器的核参数为P；

4B.2)采用训练分类器C₁对源域中有标识的乳腺X影像训练样本X_s进行分类诊断，得到乳腺X影像训练样本X_s的诊断结果；

4B.3)将有标识的乳腺X影像训练样本X_s的诊断结果与乳腺X影像训练样本X_s的样本标识y(x_i ^s)进行比对，得到诊断识别率R；

4B.4)设定阈值d，比较诊断识别率R和阈值d大小；

若R≤d，调整核参数P，按照给定步长s，增大或减小核参数P；将更新后的核参数P，转入步骤4B.1)，重新进行核匹配追踪分类诊断；

若R＞d，终止调整核参数P，并得到有标识的乳腺X影像训练样本X_s的诊断结果。

4C)将得到的有标识的乳腺X影像训练样本X_s的诊断结果与与乳腺X影像训练样本标识y(x_i)相比对，将结果一致的有标识乳腺X影像训练样本重组成为更新后的源域的有标识乳腺X影像样本集合X_s，New。

步骤5：将更新后源域有标识乳腺X影像样本集合X_s，New与目标域有标识乳腺X影像样本X_T，L共同构成新的目标域有标识乳腺X影像样本X_T，L′，对每个目标域有标识的乳腺X影像样本域样本X_T，L′进行核匹配追踪分类，得到核匹配追踪分类器C₂。

步骤6：采用核匹配追踪分类器C₂对未标识的测试乳腺X影像样本X_T，U进行分类诊断，得到未标识测试乳腺X影像样本X_T，U的最终诊断结果，其中，当核匹配追踪分类器C₂分类得到的类别标识为-1时，则该乳腺X影像样本的诊断结果为癌变；否则，当核匹配追踪分类器C₂分类得到的类别标识为1时，则该乳腺X影像样本的诊断结果为正常。

步骤7：将乳腺X影像样本的诊断结果，作为未标识乳腺X影像测试样本X_T，U的最终输出结果进行输出。

本发明的效果可以通过以下对乳腺X影像仿真数据进一步说明：

1、仿真条件

本发明的仿真在windows XP，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为Matlab7.0.1运行。仿真选用的原始乳腺X影像来源于公共数据集MIAS，共获取150幅原始乳腺X影像。

2、仿真结果

从公共数据集MIAS中获取数据经过预处理并经过旋转处理，分别将图像逆时针旋转5°、10°、15°，顺时针旋转5°、10°、15°得到：1050幅乳腺X影像，其中350幅癌变影像，700幅正常影像，癌变影像与正常影像的比例是1∶2。在获取乳腺X影像同时，影像信息还包含有：乳房的组织类型、病理异常的位置、异常的大小、乳腺癌的位置，即左乳房与右乳房、肿瘤的类型，即良性还是恶性的结构性质。

实验在预处理和旋转的基础上，对经过多角度旋转后影像提取Hu矩、灰度共生矩阵(GLCM)、Brushlet特征以及Contourlet特征进行提取。将图像数据分为训练集和测试集两部分，其中训练集由300个病例样本和600个正常样本数据组成，测试集由50个病例样本和100个正常样本数据组成，采用三种方法进行识别诊断，这三种方法分别是传统核匹配追踪方法KMP，基于Boosting核匹配追踪方法Boosting KMP，以及基于迁移核匹配追踪方法TLKMP。特别是针对TLKMP方法，设定测试集150个样本作为目标域中无标识样本，训练集合中前250个正样本和前500个负样本作为源域有标识样本，而后50个正样本和后100个负样本作为目标域有标识样本，针对乳腺数据采用以上三种方法进行仿真，其诊断结果如表1，表2，表3，表4所示：

表1  Hu矩特征下识别率比较

表2  GLCM特征下识别率比较

表3  Brushlet特征下识别率比较

表4  Contourlet特征下识别率比较

由以上四个表的仿真结果可知：在具有相同测试样本数目前提下，LTKMP方法的训练样本经过迁移核匹配追踪方法后，训练样本总样数有所减少，训练和测试样本比例降低，但乳腺X影像的识别率得到明显提高，这表明与KMP、Boosting KMP方法仿真结果比较，采用TLKMP方法的乳腺X影像的识别率有所提高，同时缓解乳腺X影像参考样本数量较少的缺点，增强了影像处理方法的泛化能力。

上述医学乳腺X影像处理方法均通过计算机程序实现其功能，同时完成对医学乳腺X影像的迁移核匹配追踪的辅助诊断。

该实例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述实施例。

Claims (2)

1.一种基于迁移核匹配追踪的医学影像诊断系统，包括：

切割与增强处理模块，用于采用直方图均衡化和均方差标准化方法，对原始影像集进行切割与增强处理，得到具有视觉效果的医学影像集；

特征提取模块，用于对具有视觉效果的医学影像集提取其灰度共生矩阵特征、Hu矩特征、Brushlet特征及Contourlet特征，并将该灰度共生矩阵特征或Hu矩特征作为医学影像辅助诊断样本，其中，L_s为有标识的源样本域，L_T为有标识目标样本域，U_T为未标识目标样本域，x_i表示影像特征样本，y＝{1，-1}设定为样本标识；

样本设定模块，用于设定如下样本：

源域的有标识的训练样本为：

其中，(i＝1，...k₁)，k₁表示L_s源域的大小；

目标域的有标识训练样本为：

其中(i＝1，...k2)，k₂表示L_T目标域训练样本大小；

目标域的未标识测试样本为：

其中

(i＝1，...k₃)，k₃表示U_T目标域测试样本大小；

影像分类诊断模块，用于对源域中有标识的训练样本X_s和目标域中有标识的训练样本X_T，L进行基于迁移核匹配追踪的影像分类诊断，得到更新后源域有标识样本集合X_s，New；

匹配追踪分类模块，用于将更新后的源域有标识样本集合X_s，New与有标识的目标样本X_T，L共同构成新的有标识的目标样本X_T，L′，对每个有标识的目标样本域样本X_T，L′进行核匹配追踪分类，得到核匹配追踪分类器C₂；

分类诊断模块，用于采用核匹配追踪分类器C₂对未标识的测试样本X_T，U进行分类诊断，得到未标识测试样本X_T，U的最终诊断结果，其中，当核匹配追踪分类器C₂分类得到的类别标识为-1时，则该样本的诊断结果为癌变；否则，当核匹配追踪分类器C₂分类得到的类别标识为1时，则该样本的诊断结果为正常；

输出模块，用于输出未标识测试样本X_T，U的最终诊断结果。

2.根据权利要求书1所述的医学影像诊断系统，其中影像分类诊断模块包括：

核匹配追踪分类子模块，用于对目标域有标识的训练样本X_T，L进行核匹配追踪分类，得到训练分类器C₁，设定该分类器的核参数为P；

训练样本分类诊断子模块，采用训练分类器C₁对源域中有标识的训练样本X_s进行分类诊断，得到训练样本X_s的诊断结果；

训练样本的诊断结果与样本标识比对子模块，用于将有标识的训练样本X_s的诊断结果与训练样本X_s的样本标识

进行比对，得到诊断识别率R；

诊断识别率与阈值比较子模块，用于将诊断识别率R与阈值d的大小进行比较，若R≤d，调整核参数P，按照给定步长s，增大或减小核参数P；将更新后的核参数P，重新进行核匹配追踪分类诊断；若R＞d，终止调整核参数P，并得到有标识的训练样本X_s的诊断结果；将得到的有标识训练样本X_s的诊断结果与训练样本标识y(x_i)的有标识训练样本进行比对，把结果一致的训练样本重新组成更新后的源域有标识样本集合X_s，New。

Images