1.一种乳腺肿块针吸图像的分析处理方法，其特征在于，包括以下步骤：S1.收集乳腺肿块针吸图像样本，包括良性和恶性图像；

S2.对样本图像进行预处理、数值化，提取区域内的图像特征；

S3.采用基于改进的二进制灰狼算法对数值化的特征进行特征选择；

S4.利用样本图像及其数值化的特征构建卷积神经网络模型；

S5.通过训练好的卷积神经网络模型对新的样本图像快速特征数字化；

S6.将提取的特征通过特征选择模型和分类算法进行预测，输出预测结果。

2.如权利要求1所述的一种乳腺肿块针吸图像的分析处理方法，其特征在于，收集乳腺肿块针吸样本图像的具体步骤为：S11.使用细针穿刺吸取出乳腺肿块少许细胞；

S12.将取出的细胞制作成涂片，并通过苏木精-伊红染色法染色；

S13.带湿固定3-4分钟后通过数码相机拍照。

3.如权利要求1所述的一种乳腺肿块针吸图像的分析处理方法，其特征在于，对样本图像进行预处理、数值化的具体步骤为：S21.图像增强；使得原本模糊的照片变得比原来更为清晰，突出目标，对采取到的乳腺肿块进行增强处理，假设用F(x，y)来表示每个图像像素的位置，G(x，y)是增加后的像素值，其计算如式(1)所示：G(X,Y)＝N*F(x,y)              (1)N在此取值为2；

S22.数值化；图像的数值化是将乳腺肿块细胞图像的核心特征以数值形式量化，它直接影响识别的正确率，因此数值化的图像寻找以特征存在的普遍性与可实现性为准则的特征参数，包含如下信息：团块厚度、细胞大小的均匀性、细胞形状的均匀性、边缘附着力、单上皮细胞大小、裸核数量、淡色染色质数量、正常核仁数量、有丝分裂程度九个特征属性。

4.如权利要求1所述的一种乳腺肿块针吸图像的分析处理方法，其特征在于，基于改进的二进制灰狼算法对数值化的特征进行特征选择的具体步骤为：S31.设置种群数量n，最大迭代次数T；随机初始化种群，并用式(2)作为目标函数：f(x)＝accuracy                (2)其中accuracy表示使用分类算法得到的预测准确率；

S32.找出目标函数最优的三个解，分别称为α，β，γ；

S33.每个灰狼的位置更新采用如下式(3)-(9)：a＝t/T                 (3)A1＝2*a*rand()-a                     (4)A2＝2*a*rand()-a                     (5)A3＝2*a*rand()-a                   (6)x1＝trans(A1*(rand()*Xα(d)-Xi(d)))   (7)x2＝trans(A2*(rand()*Xβ(d)-Xi(d)))  (8)x3＝trans(A3*(rand()*Xγ(d)-Xi(d)))   (9)其中t是当前迭代次数，rand()表示[0，1]的随机变量，Xα,Xβ,Xγ分别是α，β，γ的位置，d表示第d维度，在本算法表示第d个特征(值为1表示选择该特征，为0表示不选择该特征)；Xi表示第i个灰狼的位置，A1，A2，A3是用来控制Xi向α，β，γ移动步长的系数，值越大，算法的全局搜索能力越强，反之算法的局部寻优能力较强，x1,x2,x3表示i在d维度上基于α，β，γ的下次更新位置值，trans函数定义如式(10)：l＝10*(1–t/T)

对于非α，β，γ的位置更新采用如式(11)：对于α，β，γ的位置更新采用式(12)-(14)：S34.判断狼群是否陷入局部最优；

S35.重复执行S32-S34，直至程序满足条件退出。

5.如权利要求4所述的一种乳腺肿块针吸图像的分析处理方法，其特征在于，S34的具体步骤包括：对于第i个灰狼判断当前迭代是否位置发生变化，如果step(i)没超过预设的阈值(值为5)，step(i)＝step(i)+1；step(i)的初始值为0；如果超过阈值，发现其位置没有发生变化，执行如下操作。

S341.循环遍历所有维度；

S342.随机寻找一个历史α，且不和当前灰狼为同一头狼；

S343.将该狼维度的值设置为找到的历史α维度的值；

S344.重复执行S341-S343，直至遍历结束；

S345.step(i)＝0。

6.如权利要求1所述的一种乳腺肿块针吸图像的分析处理方法，其特征在于，新的样本图像快速特征数字化具体步骤如下：S51.根据训练样本和其数字化特征通过卷积神经网络构建图像识别系统；

S52.新样本通过训练好的神经网络快速输出数字特征。

7.如权利要求6所述的一种乳腺肿块针吸图像的分析处理方法，其特征在于，S51具体步骤如下：S511.训练样本图像采用S21所述方法进行增强；

S512.图像转换为3*n*m矩阵，n和m分别为图像像素的长和宽；

S513.图像矩阵和已知的数字特征训练卷积神经网络模型。