CN105488800A - 特征提取方法、计算机辅助诊断的方法及其系统 - Google Patents

Abstract

本发明提供一种特征提取方法、计算机辅助诊断方法及其系统，主要包括以下步骤：输入医学图像；分割所述医学图像，获取同一目标区域的若干个分割结果图像；分别提取所述若干个分割结果图像的特征，形成特征池；在所述特征池中提取第一特征子集；其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补的分割方法获取的分割结果。本发明可以有效提高特征子集中有效的特征信息量，降低分类器的假阳性检出率，加强计算机辅助诊断结果的准确性。

Description

特征提取方法、计算机辅助诊断的方法及其系统

【技术领域】

本发明涉及医学诊断领域，尤其涉及一种特征提取方法计算机辅助诊断的方法及其系统。

【背景技术】

计算机辅助诊断技术(ComputerAidedDiagnosis，CAD)系统能够检测病灶并将诊断结果图形化展现给医生，支持医生对图像中的病灶(如肺结节、乳腺钙化点、结肠息肉等)进行定位、诊断及定量分析，从而达到减少医生对病灶的误诊和漏诊，提高医生的诊断率。实际上，医学影像中各种影像检查技术包括平片、CT、MRI、超声及PET等，均可引入计算机辅助诊断系统；目前CAD的研究和应用主要在于乳腺和胸部肺结节的检测中，另外CT虚拟结肠内镜(CTC)、肝脏疾病CT诊断、脑肿瘤MRI诊断等也有一定的研究和应用。

CAD技术是机器学习理论的重要应用，如先提取特征，然后处理数据，利用现有的方法实现分类聚类等功能，并与诊断结果联系起来(例如鉴别肿瘤的良恶性)。特征提取是识别用于机器学习的图像特征的过程，改进CAD系统诊断的准确度关键是改进特征提取过程。

现有技术中，计算机辅助检测方法中的特征选择是由序列前向选择(Sequencialforwardselection，SFS)，序列浮动前向选择(SequentialFloatingForwardSelection，SFFS)以及遗传算法来处理以选择最佳特征子集，所述子集用来训练分类器，对于候选部位进行分割，从每个分割候选部位提取特征集合以及在根据最佳特征子集进行训练之后利用分类器来对候选部位进行分类，以及处理该候选特征集合。由此可知，现有技术通常采用单一结节分割方法，此方法无论效果多好，往往都只能对某一类或几类结节效果出色，无法进一步获取更广更多有效的特征信息，继而影响计算机辅助诊断的准确性，同时特征提取过程中如何避免局部最优，影响最优特征子集的选取也会影响计算机辅助诊断的准确性。

【发明内容】

本发明所要解决的技术问题是提供一种特征提取方法、计算机辅助诊断方法及其系统，用以提取更多有效的特征子集，以提供快、准确的诊断，达到降低医学诊断假阳性的目的。

为解决上述技术问题，本发明提供一种特征提取的方法,包括以下步骤:

输入医学图像；

分割所述医学图像，获取同一目标区域的若干个分割结果图像；

分别提取所述若干个分割结果图像的特征，形成特征池；

在所述特征池中提取第一特征子集；

其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补分割方法获取的分割结果。

进一步地，若干个模型互补的分割方法包括一分割方法和第二分割方法合。

进一步地，所述第一分割方法为基于形态学模型的分割方法，所述第二分割方法为基于统计模型的分割方法。

进一步地，，所述第一分割方法为基于海森点增强图像和海森线增强图像的固定阈值区域增长方法。

进一步地，所述第二分割方法为聚类模型方法。

进一步地，所述第二分割方法为变分期望最大化方法。

进一步地，获取所述第一特征子集还包括，在所属特征池中多次随机选择特征状态并基于模拟退火方法提取所述第一特征子集。

进一步地，所述特征池还包括根据所述医学图像、所述医学图像的插值图像，和所述医学图像经形态学操作后的形态学图像和/或其任一组合图像所提取的特征。

进一步地，所述特征池还包括根据所述若干个模型互补的方法分割所述插值图像和所述形态学图像获取的同一目标区域的若干个分割结果图像所提取的特征。

为解决上述技术问题，本发明还提供一种计算机辅助诊断的方法，包括以下步骤：

获取医学图像；

分割所述医学图像，获取同一目标区域的若干个分割结果图像；

分别提取所述若干个分割结果图像的特征，形成特征池；

在所述特征池中提取第一特征子集；

分类器根据所述第一特征子集提供对所述目标区域的分类或诊断或预测；所述诊断或预测包括确定至少一个目标组织的良/恶性或良性可能性、恶性可能性

其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补的分割方法获取的分割结果。

为解决上述技术问题，本发明还提供一种计算机辅助诊断系统，包括：

输入单元，用于获取医学图像；

分割单元，用于分割所述医学图像，获取同一目标区域的若干个分割结果图像；

特征提取单元，用于提取所述若干个分割结果图像的特征，形成特征池；

第一提取单元，用于根据所述特征提取单元获取的特征池中提取第一特征子集；

诊断预测单元，用于分类器根据所述第一特征子集提供对所述目标区域的诊断或预测；

其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补的分割方法获取的分割结果。

进一步地，所述分割单元还包括第一分割单元和第二分割单元。

本发明对比现有技术有如下的有益效果：本发明特征池通过多种分割方法对原始医学图像或插值图像等不同处理图像和分割结果图像提取目标区域的特征，适用于各种形态的病灶，获取更多有效的特征信息，降低分类器的假阳性检出率，加强计算机辅助诊断结果的准确性。

【附图说明】

图1为本发明实施例中特征提取方法的流程示意图；

图2为本发明另一个实施例中特征提取方法的流程示意图；

图3为本发明实施例中特征提取来源的各种图像的示意图；

图4为本发明实施例中模拟退火方法的流程示意图；

图5为本发明实施例中计算机辅助诊断方法的流程示意图；

图6为本发明实施例中肺结节良恶性鉴定方法的流程示意图；

图7为为本发明实施例中肺结节良恶性鉴定结果的示意图；

图8为本发明实施例中计算机辅助诊断系统的结构示意图。

【具体实施方式】

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

其次，本发明利用示意图进行详细描述，在详述本发明实施例时，为便于说明，所述示意图只是实施例，其在此不应限制本发明保护的范围。

为了解决现有技术中计算机辅助诊断时，向分类器提供包含尽可能多和广的目标区域有效的特征信息，以提供快速、准确的诊断，达到降低假阳性检出率，本实施例提供一种特征提取方法，如图1和图2所示，所述方法包括：

首选执行步骤S11：输入医学图像，所述医学图像为定位目标区域后端感兴趣区域的图像。本发实施例中所述医学图像可以通过磁共振、计算机断层扫描等各种影像设备扫描或者通过PACS传输获取不同模态的医学图像，例磁共振图像(MRI)或CT图像，所述医学图像具有的不同维数，例如2D或3D图像，本实施例不作具体限定。

接着执行步骤S12和S13：分割所述医学图像，获取同一目标区域的若干个分割结果图像；为了获取目标区域尽可能多关于所述目标区域的有效特征信息，如图2步骤S221和S222，本实施例中采用模型互补第一分割方法、第二分割方法等多种分割方法针对同一目标区域获取若干个分割结果，以适应各种形态构造的目标区域，例如肺结节检测中，除了肺结节，还需包括结节内部的空洞等信息。以。

所述第一分割方法可以为区域增长方法等基于形态学模型的分割方法，本实施例中优选为基于海森增强图像的固定阈值区域增长，可以根据目标区域形态选择海森点增强或海森线增强；例如肺结节检测中，可以针对球形的肺结节目标区域采用基于海森线增强的固定阈值区域增长方法获取结节分割结果，对于肺结节检测中主要的假阳性来源，例如管状的血管或骨头组织，可以基于海森线增强图像的固定阈值区域增长方法来获取分割结果。

所述第二分割方法K-means、FuzzyC-means、VEM等基于统计模型方法，本实施例中优选为变分期望最大化方法(VEM，variationalexpectationmaximization)，该方法相较其它需要依据高斯分布进行训练的聚类模型而言，可以通过迭代方式不断逼近真实的图像数据信息，因此可以提供更加真实、有效的的分割结果，进而取得更加有效的特征信息。

需要说明的是，本实施例第一分割方法基于海森增强图像的固定阈值固定阈值区域增长分割方法是一个相对粗糙的分割方法；本实施例中第二分割方法优选的VEM方法是一个相对精细的分割方法，这两者结合可以取长补短，互为补充，从而获取更多有效的特征信息，以提高后续诊断的准确性。

所述模型互补的分割方法是指基于不同模型的分割方法，例如基于形态学模型的分割方法，基于统计模型的分割方法等分割方法，基于不同分割模型的方法分割时侧重点不同，基于形态学的分割方法例如区域增长法在分割时侧重于像素点灰度值的大小，获取的是固定形态的分割结果(例如分割肺结节时，基于海森点增强图像的固定阈值区域增长方法获取的分割结果基本为近似球形)，而基于统计模型的分割侧重于灰度值的分布(例如VEM分割方法获取的分割结果包含肺结节内部的空气等)，因此基于模型互补的若干个分割方法所获取的分割结果会有一定不同，可以起到相互补充的作用，所获得分割结果的并集组成的特征池中将包含更多有效的特征信息，利于扩大特征池提取特征的范围。进一步地，第一分割方法和第二分割方法所获取所述若干个分割结果，可以是两种分割方法分别分割所述医学图像同一目标区域获取的分割结果，也可以是结合所述第一分割方法和第二方法分割所述目标区域获取的一个分割结果，本发明对此不作具体限定。

执行步骤S14:提取特征，形成特征池。为了进一步获取更多有效的特征信息，除了根据上述步骤S221和S222中采用所述模型互补的第一分割方法和所述第二分割方法获取的同一目标区域的若干个分割结果图像上提取特征，还可以根据所述医学图像，以及对所述医学图像进行插值操作获取的插值图像、对所述医学图像进行形态学操作(例如腐蚀操作或者闭操作)获取的形态学图像等图像提取特征；其中，进行图像插值的原因是，海森点增强和海森线增强处理前需要一个各个方向间距相等的图像，经图像插值

后的体素大小为(1mm,1mm,1mm)；形态学操作的原因是对于一些目标区域，例如肺结节内部包含潜在的空化，空化或结节内的气泡通常不能通过分割直接识别，因此可通过膨胀、腐蚀、闭合等形态学操作对结节分割进行处理以填实肺结节的孔洞或缝隙。

图3所示是本实施例中特征提取来源的各种图像，医学图像S1通过图像插值和形态学操作，分别获得插值图像S2和形态学S3；所述插值图像通过海森增强处理获得海森点增强图像S4和海森线增强图像S5，通过固定阈值的区域增长方法获得基于海森点增强图像的分割结果图像S6个基于海森线增强的分割结果图像S7；所述医学图像S1通过VEM方法等聚类模型方法获得VEM分割结果图像S8：基于所述VEM分割结果图像进一步通过海森增强获得基于VEM处理的海森点增强图像S9和基于VEM处理的海森线增强图像S10。此外还可以直接采用固定阈值的区域增长方法处理所述医学图像获取分割结果图像S11,以及分别采用固定阈值的区域增长方法和VEM方法处理插值图像获取分割结果图像S12和S13。由图3可知，通过本实施例中根据目标区域特性，采用固定阈值区域增长方法、VEM分割方法、插值处理、海森点增强和海森线增加和处理获取各种图像，可以最多获得13种不同图像，所述13种图像可以各自补充所述目标区域的特征信息的图像，有效提高所述特征池中特征信息与所述目标区域的相关性，以确保后续利用特征池中特征信息进行医学诊断的准确性。可以理解的是，本实施例中，所述特征池提取特征提取来源并不限于上述13种图像，可以根据前述第一分割方法、第二分割方法和/或其结合方法的不同选取，以及目标区域的处理获得各类图像，成为特征提取的来源。

执行步骤S15：在所述特征池中提取第一特征子集。所述第一特征子集为在所述特征池中选取含有最有效的特征信息组成的第一特征子集，例如对于肺结节分割图像中，提取的所述第一特征子集包含结节的面积、密度、体积、灰度均值、灰度方差、紧凑度、形状矩描述子、傅里叶描述子等有效特征组成的集合。如图2步骤S25所示，本实施例中优选在所属特征池中多次随机选择特征状态并基于模拟退火方法提取所述第一特征子集，具体如图4本发明实施例中模拟退火方法的流程示意图，包括如下步骤：

执行步骤S251～S257：在所述特征池中随机选取任一特征状态i，所述特征状态包含结节的面积、密度、体积、灰度均值、灰度方差、紧凑度、形状矩描述子、傅里叶描述子有效特征的任意排列组合，例如特征状态i由面积、密度、灰度均值组成，所述特征状态i的任一邻域特征状态j由面积、密度、灰度均值、灰度方差、紧凑度组成。根据FROC或ROC的AUC曲线下面积获取该特征状态下的评分f(i)，根据特征状态i选取其任一领域的特征状态j，及其评分f(j)，同时设定初始温度T₀；计算初始温度下相邻两个状态的评分插值，即δ＝f(i)-f(j)，如δ<0则令i＝j，选取特征j邻域的任一特征状态进行前述步骤；如δ>0，则判断exp(-δ/T)的大小，如exp(-δ/T)在初始温度，特征状态i和j下，exp(-δ/T)计算所得的值的大小位于(0,1)区间，则令i＝j选取特征j领域的任一特征状态，迭代前述步骤；否则取另一温度迭代上述温度，因为本实施例采用模拟退火算法，所以该温度低于初始温度；遍历特征池中所有特征状态i，获取评分最大值f(i)_max，所述特征状态i即为所述第一特征子集。可以理解，所述模拟退火算法根据选取温度达到最低温度(例如零度)或者温度趋于平衡时结束迭代过程。可以替换的，δ＝f(j)-f(i)时，获取评分最小值f(i)_max对应所述特征状态i即为所述第一特征子集，具体步骤如S251～S257，在此不再赘述。

本实施例中采用模拟退火算法可以有效避免局部最优，防止过早的局限于一个局部极值，整个过程开始于一个较高的温度T。在每一个温度上，算法经过尝试一定数量的邻域运动之后，温度逐渐降低；确保获取的第一特征子集尽可能包含有效的目标区域特征信息。

综上所述，本实施例提供一种特征提取方法，通过模型互补的第一分割方法和第二分割获取基于目标区域特性的各种分割结果，各种分割结果互相补充并扩大了特征池选取范围，以确保获取尽可能多的有效特征信息；通过模拟退火算法在所述特征池中提取第一特征子集，避免局部最优问题，提高特征子集中有效的特征信息量。

本发明还提供上述基于特征提取方法应用的一种计算机辅助诊断方法，如图5的流程图所示，具体包括如下步骤：

执行步骤S31：输入需要计算机辅助诊断的医学图像，所述医学图像为定位目标区域后端感兴趣区域的图像。所述医学图像可以为通过磁共振、计算机断层扫描等各种影像设备扫描或者通过PACS传输获取不同模态的医学图像，例磁共振图像(MRI)或CT图像，所述医学图像具有的不同维数，例如2D或3D图像。

执行步骤S32～S33，分割所述医学图像，获取同一目标区域的若干个分割结果图像，其中，所述若干个分割结果图像是对同一个目标区域采用模型互补的若干个分割方法获取的分割结果；为了获取目标区域尽可能多关于所述目标区域的有效特征信息，采用第一分割方法和第二分割方法等多种分割方法针对同一目标区域获取若干个分割结果，以适应各种形态构造的目标区域。所述第一分割方法采用基于形态学模型的固定阈值区域增长等区域增长方法，本实施例中优选为基于海森增强图像的固定阈值区域增长方法，可以根据目标区域形态选择海森点增强或海森线增强；所述第二分割方法采用基于统计模型的K-means、FuzzyC-means、VEM等聚类模型方法，本实施例中优选为变分期望最大化方法(VEM方法)。所述采用第一分割方法、第二分割方法，可以是两种分割方法分别分割所述医学图像同一目标区域获取的若干个分割结果，也可以是结合所述第一分割方法和第二方法分割所述目标区域获取的一个分割结果，以扩大特征池提取特征的范围。

本实施例第一分割方法基于海森增强图像的固定阈值区域增长的分割方法是一个相对粗糙的分割方法；本实施例中第二分割方法优选的VEM方法是一个相对精细的分割方法，这两者结合可以取长补短，互为补充，可以获取更多有效的特征信息，以提高后续诊断的准确性。

执行步骤S34，提取特征，形成特征池；具体地，根据模型互补的所述第一分割方法和所述第二分割方法和其结合方法的不同选取，以及目标区域的特征处理获得各类图像，成为特征提取的来源，有效提高所述特征池中各特征信息与所述目标区域的相关性，以确保后续利用特征池中特征信息进行医学诊断的准确性。

执行步骤S35，在特征池中提取第一特征子集，所述第一特征子集包含用于识别目标区域的有效特征信息，例如对于肺结节检测中，对应的第一特征子集为结节的面积、灰度均值、灰度方差、紧凑度、形状矩描述子、傅里叶描述子等特征。本实施优选采用模拟退火算法在所述在特征池中提取第一特征子集，以有效避免局部最优，确保获取的第一特征子集尽可能包含有效的目标区域特征信息。

执行步骤S36，创建分类器并根据所述第一特征子集提供对所述目标区域的分类或诊断或预测。具体地，利用所提取的第一特征子集创建分类器，可能的分类器有支持向量机SVM、决策树、线性判别分析和神经网络。所述分类器提供对于目标区域的诊断或预测包括确定至少一个目标组织的良/恶性或良性可能性、恶性可能性，诊断预测结果可以是二分法的良恶性鉴定所述目标区域是恶性或恶性，或者提出评估分数显示良/恶性的可能性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合计算机辅助诊断中鉴别肺结节良恶性的实施例对本发明做详细的说明。

肺结节是肺部最常见的病变之一，可以是良性病变、转移瘤或肺癌，肺癌的发生率在癌症中位居第一。肺结节形态各异、大小各不相同、分布位置不定、易与其它组织链接，密度与肺部某些组织类似，在CT图像中通常表现为圆形或类圆形的致密影，仅凭人眼很难将肺结节与肺部软组织区分开；计算机辅助检测和诊断是针对实际临床需要发展起来的，它对CT图像进行自动分析后向医生提示可疑的肺结节，以帮助医生更加安全有效地分析数据，克服了主观因素的影响。计算机辅助检测和诊断中的关键技术是如何从CT图像中正确地检测出肺结节，降低肺结节假阳性个数。

如图7所示是本发明实施例中肺结节良恶性鉴定结果示意图，执行步骤S41～S44：输入胸部图像，所述图像可以是各种模态下不同维度的医学图像，例如本实施例中2维的候选结节的CT图像；通过分割方法获取肺部图像，接着在所述肺部图像上分割多个结节区域；因为肺结节形态上为球形，可以先对结节区域进海森点增强，并基于海森点增强图像以大于5作为分割阈值获取第一肺结节结果；因为肺结节诊断假阳性主要来源为血管、骨头等组织，可以先对结节区域进海森线增强，并金鱼海森线增强图像以大于5作为分割阈值获取第二肺结节结果。采用海森点增强或线增强处理前需要进行图像插值处理，以获得各个方向间距相等的图像，图像插值后的体素大小为(1mm，1mm，1mm)；因肺结节内部包含潜在的空化，空化或结节内的气泡通常不能通过分割直接识别，因此可通过膨胀、腐蚀、闭合等形态学操作对结节分割进行处理用以填实分割结果(掩模)的孔洞或缝隙，获取形态学操作图像。同时采用VEM方法等聚类模型方法获得VEM分割结果图像：基于所述VEM分割结果图像进一步通过基于海森增强图像的区域增长方法获得基于VEM处理的海森点增强图像和基于VEM处理的海森线增强。在上述获取的13种医学图像中，通过，模拟退火算法计算并提取肺结节相关的特征信息，例如结节的面积、灰度均值、灰度方差、紧凑度、形状矩描述子、傅里叶描述子等特征构成的第一特征子集，即为分类器使用的特征。

根据机器学习原理，利用所提取的第一特征子集创建分类器，可能的分类器有支持向量机SVM、决策树、线性判别分析和神经网络。所述分类器提供对于肺结节诊断结果，可以是二分法的良恶性鉴定，例如图7所示肺结节良恶性鉴定结果示意图，右侧为某一肺结节病灶的分割结果，右侧所示通过分类器根据图区的特征子集进行训练，提供的良恶性诊断结果为0.733，CAD诊断结果为该结节为恶性。

为解决上述技术问题，本发明还提供一种计算机辅助诊断系统，系统结构示意图如图8所示，包括：

输入单元U10，用于获取医学图像，所述医学图像为定位目标区域后端感兴趣区域的图像。通过磁共振、计算机断层扫描等各种影像设备扫描或者通过PACS传输获取不同模态的医学图像，例磁共振图像(MRI)或CT图像，所述医学图像具有的不同维数，例如2D或3D图像。

分割单元U20，用于分割所述医学图像，获取同一目标区域的若干个分割结果图像，其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补的分割方法获取的分割结果；所述还包括第一分割单元U21和第二分割单元U22，第一分割单元采用固定区域增长等区域增长方法，本实施例中优选为海森增强法，可以根据目标区域形态选择海森点增强或海森线增强；所述第二分割方法采用K-means、FuzzyC-means、VEM等聚类模型方法，本实施例中优选为变分期望最大化方法(VEM方法)，本实施例第一分割方法基于海森点增强值的固定阈值分割方法是一个相对粗糙的分割方法；本实施例中第二分割方法优选的VEM方法是一个相对精细的分割方法，这两者结合可以取长补短，互为补充，可以获取更多有效的特征信息，以提高后续诊断的准确性。

特征提取单元U30用于提取所述若干个分割结果图像的特征，形成特征池；具体地，根据所述分割单元U20获中，第一分割单元和第二分割单元的不同选取，以及目标区域的特征处理获得各类图像，成为特征提取的来源。

第一提取单元U40，用于根据所述特征提取单元获取的特征池中提取第一特征子集，所述第一特征子集包含用于识别目标区域的有效特征信息，例如对于肺结节检测中，对应的第一特征子集为结节的面积、灰度均值、灰度方差、紧凑度、形状矩描述子、傅里叶描述子等特征。

诊断预测单元，用于分类器根据所述第一特征子集提供对所述目标区域的分类或诊断或预测，所述结果可以是二分法的判断是恶性或恶性，或者提出评估分数显示良/恶性的可能性。

综上所述，本发明提供一种特征提取方法、计算机辅助诊断方法及其系统，通过模型互补的第一分割方法和第二分割方法及其结合获取基于目标区域特性的各种分割结果，各种分割结果互相补充并扩大了特征池选取范围，以确保获取尽可能多的有效特征信息；通过模拟退火算法在所述特征池中提取第一特征子集，避免局部最优问题，提高特征子集中有效的特征信息量，降低分类器的假阳性检出率，加强计算机辅助诊断结果的准确性。与现有技术相比，在敏感度80％的条件下，采用本发明能将现有技术中4个肺结节假阳性诊断降低至3个以下，有效提高计算机诊断的准确性。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (12)

1.一种特征提取的方法,其特征在于，包括以下步骤:

输入医学图像；

分割所述医学图像，获取同一目标区域的若干个分割结果图像；

分别提取所述若干个分割结果图像的特征，形成特征池；

在所述特征池中提取第一特征子集；

其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补的分割方法获取的分割结果。

2.如权利要求1所述的特征提取方法，其特征在于，所述若干个模型互补的分割方法包括第一分割方法和第二分割方法。

3.如权利要求2所述的特征提取方法，其特征在于，所述第一分割方法为基于形态学模型的分割方法，所述第二分割方法为基于统计模型的分割方法。

4.如权利要求2或3所述的特征提取方法，其特征在于，所述第一分割方法为基于海森点增强图像和海森线增强图像的固定阈值区域增长方法。

5.如权利要求2或3所述的特征提取方法，其特征在于，所述第二分割方法为聚类模型方法。

6.如权利要求5所述的特征提取方法，其特征在于，所述第二分割方法为变分期望最大化方法。

7.如权利要求1所述的特征提取方法，其特征在于，获取所述第一特征子集还包括，在所属特征池中多次随机选择特征状态并基于模拟退火方法提取所述第一特征子集。

8.如权利要求1所述的特征提取方法，其特征在于，所述特征池还包括根据所述医学图像和所述医学图像经过插值处理的图像或所述医学图像经形态学操作后的形态学图像或其组合所提取的特征。

9.如权利要求8所述的特征提取方法，其特征在于，所述特征池还包括根据所述若干个模型互补方法分割所述插值图像和所述形态学图像而获取同一目标区域的若干个分割结果的图像所提取的特征。

10.一种计算机辅助诊断的方法，其特征在于，包括以下步骤：

获取医学图像；

分割所述医学图像，获取同一目标区域的若干个分割结果图像；

分别提取所述若干个分割结果图像的特征，形成特征池；

在所述特征池中提取第一特征子集；

分类器根据所述第一特征子集提供对所述目标区域的诊断或预测，所述诊断或预测包括确定至少一个目标组织的良/恶性、良性可能性或恶性可能性；

其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补的分割方法获取的分割结果。

11.一种计算机辅助诊断系统，其特征在于，包括：

输入单元，用于获取医学图像；

分割单元，用于分割所述医学图像，获取同一目标区域的若干个分割结果图像；

特征提取单元，用于提取所述若干个分割结果图像的特征，形成特征池；

第一提取单元，用于在所述特征提取单元获取的特征池中提取第一特征子集；诊断预测单元，用于分类器根据所述第一特征子集提供对所述目标区域的诊断或预测；

其中，所述若干个分割结果图像是对同一个目标区域采用若干个模型互补的分割方法获取的分割结果。

12.如权利要求11所述的诊断系统，其特征在于，所述分割单元还包括第一分割单元和第二分割单元。