1.一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，其特征在于，所述方法包括如下步骤：

1)对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征，过程如下：

1.1)调节窗宽窗位：通过调节窗宽窗位来观察不同密度正常组织或病灶，经过调节，组织和病变以不同的模拟灰度显示；大于等于窗宽，像素值以全白显示；相反，小于窗宽时，像素值将全黑显示，窗宽窗位与像素值之间的关系：window width＝MaxValue-MinValue其中MaxValue和MinValue分别表示在设定窗宽窗位下的最大、最小像素值，window width表示窗宽，window level表示窗位；

1.2)Canny边缘检测：利用原始图像检测肿瘤边缘，过程为：

1.2.1)用高斯滤波器来平滑图像并滤除噪声；

1.2.2)计算图像中每个像素的梯度强度和方向；

1.2.3)应用非最大抑制NMS来消除边缘检测的虚假响应；

1.2.4)双阈值检测用于确定实际和可能的边缘；

1.2.5)通过抑制孤立的弱边来完成边缘检测；

1.3)计算梯度幅值：计算图像上每个像素点I(x，y)的梯度幅值，Ix(x，y)＝I(x+1，y)-I(x-1，y)Iy(x，y)＝I(x，y+1)-I(x，y-1)其中，I(x，y)表示在坐标(x，y)下的像素值，Ix(x，y)表示像素点在x方向上灰度值的变化，Iy(x，y)表示像素点在y方向上灰度值的变化，M(x，y)表示梯度幅值；

2)运用ResNet对多通道图进行端到端的训练，把pool5层的输出作为提取到的特征，分别用Bayesian分类器和KNN分类器进行分类，得到分类概率，过程如下：

2.1)Bayesian分类器：通过最大后验概率进行单点估计，而且每个特征都相互独立，并独立影响分类结果；

其中，c表示各类胰腺囊性肿瘤，P(c|x)表示在特征向量x下的该类胰腺囊性肿瘤的概率，P(c)表示该类胰腺囊性肿瘤的概率，P(x|c)表示在该类胰腺囊性肿瘤下，各类特征的概率，n是特征总维度，xi是在特征向量x的第i个维度上的值，由于每个特征相互独立，每一类胰腺囊性肿瘤的特征概率P(x)是相同的，化简为：通过训练，获得先验概率P(c)并估计每个维度特征的条件概率P(xi|c)；

2.2)KNN分类器：查找某一特征在特征空间中的大多数相邻样本来判断属于某个类别，使用欧几里得距离来确定样本之间的距离：其中，i表示特征维度，x1i和x2i表示两个样本在第i维的特征值；

3)运用随机森林分类器对上述得到的2种不同的概率进行分类得到最终结果，随机森林由多个决策树组成，过程如下：

3.1)分别计算2种分类器得到的概率集包含的信息熵H(Y)：其中，n表示特征维度，pi表示第i维上的特征值，

3.2)特征值的连续性，将特征值从小到大排列，并且中间点(pi+pi+1)/2是候选分区点；

3.3)检查这些分区点并选择最佳分区点X，使信息增益G最大：其中， 表示在样本Y基于分区点X的信息增益， 表示基于分区点X将样本Y分为表示在各类概率p上取值大于X的样本， 表示在各类概率p上取值不大于X的样本；

得到最终的分类结果。