1.一种基于融合医学影像学习的图像检测方法，其特征在于：包括如下步骤：获取所有融合图像组成的融合医学影像数据集S{IF}；

对数据集S{IF}采用改进的YOLO v2深度学习算法进行训练，生成训练网络；改进的YOLO v2深度学习算法中改进措施为：

1)在基准神经网络中加入融合层，融合层把浅层的特征图和深层特征图融合；YOLO的检测器使用经过增加的高低分辨率的特征图，拥有更多的细粒度特征，即是指对物体的关键部件进行定位和准确的描述的特征，适于对偏小尺度的物体检测；

2)在训练时增加各种乳腺医学影像，将非乳腺肿瘤区域进行标记，作为负样本，以减少正常乳腺组织被归类为乳腺肿瘤的错误分类率；

3)在用非极大值抑制进行冗余回归操作时，采用如下改进公式计算置信度分数si：其中，iou为交并比，即模型产生的目标窗口与原来标记窗口的交叠率，M是置信分数最高的回归框，bi是需要处理的回归框，iou(M,bi)表示回归框bi和回归框M的交并比，其值越高，bi的置信得分si就减小的更快，σ为高斯参数，设为0.5，e是自然常数；

对待检测图像，用训练好的网络进行检测，并给出判断决策；

上述融合医学影像数据集中融合图像的获取过程包括：(1)、读取模态A医学影像IA，模态B医学影像IB；

(2)、采用引导滤波分别对两类模态医学影像进行预处理，得到去噪图像IAq、IBq；具体过程如下：引导滤波的输入参数为引导图像I和需要被处理优化的图像p，输出为优化后的图像q；

引导图像与输入图像可以预先设置为I＝p，均为原始医学影像；引导图像由局部线性模型引出，首先在局部邻域内，通过最小化代价函数来确定线性系数ak和bk的值，即在以k为中心，r为半径的局部窗口wk中，代价函数函数如公式(1)所示：其中，qi代表像素点i的滤波输出，Ii表示引导图像中像素点i的灰度值，pi表示输入图像中像素点i的灰度值，ak，bk为常数，在wk中固定不变，ε是一个正则化参数，作用是防止ak过大，以保持数据稳定性；根据线性回归求出：2

其中：uk和σk为引导图像I在局部邻域ωk中的均值和方差；|ω|为邻域内的像素个数；

为邻域内的均值；

最终得到的线性输出模型：

其中，qk即是去噪图像Iq， 和 分别指在局部邻域内ωk里ak和bk的平均值；去噪图像Iq是去噪图像IAq、IBq的概括；

(3)、采用改进的剪切波变换对图像进行多尺度剖分；具体过程如下：对于步骤(2)中得到的去噪图像Iq，(a)确定待处理图像的分解尺度层数n以及随尺度分解层数改变扩散滤波次数增加或者减少的次数Nt；(b)对待处理的图像Iq进行nNt次扩散滤波，得到滤波结果记为残差记为 (c)对 进行(n‑1)Nt次扩散滤波，得到的滤波结果记为 残差记为 (d)以此类推，对 进行Nt次扩散滤波得到滤波结果记为 残差记为0

(e)重构图像Iq'重构过程为 经过以

上的多尺度分解后 为最高频的信息， 为最低频的信息； 到 信号频率递增；

(4)、根据融合规则，对两类模态影像进行融合，得到融合图像IF；所采用的融合规则是根据医学影像的特点在低频和高频融合规则中选用不同的方法分别融合：在低频区，根据由于医学图像不同组织间灰度差异小、对比度很低的特点，采用将区域常方差和区域信息熵两种显著性测度相结合来融合低频部分，按照下面的公式进行融合IF＝ωA*ILA+ωB*ILB  (4)其中ωA、ωB为两幅低频图像的加权系数，EA、EB为图像的区域信息熵，σA、σB为区域常方差；

在高频区，采用改进的拉普拉斯能量融合策略，融合规则如下，首先计算改进的拉普拉斯能量：l,k l,k l,k

S＝|I (i,j)‑0.5I (i‑1,j‑1)‑0.5I (i+1,j+1)|  (8)l,k l,k l,k

T＝|I (i,j)‑0.5I (i+1,j‑1)‑0.5I (i‑1,j+1)|  (9)l,k

式中的I (i,j)表示l尺度、k方向上，像素点(i,j)处的高频系数；以(i,j)为中心的局部窗口(2P+1)×(2Q+1)的拉普拉斯能量和定义如下：l,k

基于NSML (i,j)表示l尺度，k方向上，像素点(i,j)处的拉普拉斯能量和；w(a,b)为与l,kNML (i+a,j+b)相对应的窗口函数，根据距离中心像素的距离不同取不同的权值，则高频部分的融合规则为：l,k l,k l,k

式中A (i,j)、B (i,j)、F (i,j)分别为待融合的两幅高频图像和融合图像的在l尺度，k方向上，像素点(i,j)处的高频子带系数。