1.一种基于切片图像筛选和特征聚合的MRI图像分类方法，其特征在于：包括以下步骤：

步骤1、获取一定数量的MRI图像及其标签，对全部的MRI图像进行预处理，形成样本集；

步骤2、将样本集分成训练集、验证集和测试集；

步骤3、获取训练集和验证集中每幅MRI图像对应的N张切片图像，并将每幅MRI图像对应的N张切片图像全部转换成缩略图像，之后将每张缩略图像转换成向量，即得到每张切片图像所对应的切片向量；并标记每张切片图像的来源，即来自于训练集还是验证集；另外还将每幅MRI图像的标签作为该幅MRI图像对应的N张切片图像的标签；N为正整数；

步骤4、将训练集和验证集中所有MRI图像对应的切片向量进行聚类，得到k个簇，记为{(I1,c1),(I2,c2),…(Ii,ci)…,(Ik,ck)}；其中，I1为第1个簇中的所有切片向量集合，c1为第1个簇的簇心，I2为第2个簇中的所有切片向量集合，c2为第2个簇的簇心，Ii为第i个簇中的所有切片向量集合，ci为第i个簇的簇心，Ik为第k个簇中的所有切片向量集合，ck为第k个簇的簇心；

步骤5、根据步骤4中每个簇中的切片向量集合，将其所对应的切片图像组成切片图像簇S，S＝{S1,S2,…,Si…,Sk}，S1为第1个切片图像簇，S2为第2个切片图像簇，Si为第i个切片图像簇；Sk为第k个切片图像簇；

步骤6、根据步骤3中标记的每个切片图像的来源，将切片图像簇S分为切片图像训练集ST和切片图像验证集SV，其中，ST＝{ST1,ST2…,STi…,STk}，ST1为切片图像训练集ST中的第

1个切片图像簇，ST2为切片图像训练集ST中的第2个切片图像簇，STi为切片图像训练集ST中的第i个切片图像簇，STk为切片图像训练集ST中的第k个切片图像簇；SV＝{SV1,SV2,…,SVi…,SVk}，SV1为切片图像验证集SV中的第1个切片图像簇，SV2为切片图像验证集SV中的第2个切片图像簇，SVi为切片图像验证集SV中的第i个切片图像簇，SVk为切片图像验证集SV中的第k个切片图像簇；ST1+SV1＝S1；ST2+SV2＝S2；STi+SVi＝Si；STk+SVk＝Sk；

步骤7、构建k个切片图像分类模块DCNN1、DCNN2、…DCNNi、…DCNNk，并对每个切片图像分类模块进行训练和验证，得到k个训练完成的切片图像分类模块；

其中，DCNN1为第1个切片图像分类模块，DCNN2为第2个切片图像分类模块，DCNNi为第i个切片图像分类模块，DCNNk为第k个切片图像分类模块；每个切片图像分类模块均为深度卷积神经网络，具体的，DCNN1、DCNN2、…DCNNi、…DCNNk均包括依次相连接的x个第一卷积层、全局平均池化层、第一全连接层和第一分类器；x为正整数；

第i个切片图像分类模块DCNNi的训练方法为：多次将STi中的多张切片图像输入到第i个切片图像分类模块DCNNi中进行训练，并通过SVi中的所有切片图像进行验证，得到训练完成的第i个切片图像分类模块DCNNi；

依次使i＝1、2、…k，即最终得到与k个切片图像簇一一对应的k个训练完成的切片图像分类模块DCNNi；

步骤8、将SVi中的所有切片图像输入到训练完成的第i个切片图像分类模块DCNNi中，并计算识别准确率，判断识别准确率是否小于设定的阈值T，如是，则该SVi为噪声簇，同时STi也为噪声簇，DCNNi为噪音分类模块；如否，则该SVi为知识性簇，同时STi也为知识性簇，DCNNi为知识性分类模块；

依次使i＝1、2、…k，判断出ST和SV中的噪声簇、知识性簇及其切片图像分类模块中的噪音分类模块和知识性分类模块；

步骤9、去除ST和SV中的噪声簇及其切片图像分类模块中的噪音分类模块，分别得到ST和SV中的M个知识性簇以及M个知识性簇一一对应的M个知识性分类模块；其中，M≤k且M为正整数；

步骤10、去除M个知识性分类模块中的全局平均池化层、第一全连接层和第一分类器，即：将只保留x个第一卷积层的知识性分类模块作为知识性切片特征提取模块；得到M个知识性切片特征提取模块；

步骤11、分别将ST和SV中的M个知识性簇输入到对应的知识性切片特征提取模块中，得到ST中每个知识性簇提取出的切片特征图集合G1,G2,…,Gj…,GM以及SV中每个知识性簇提取出的切片特征图集合H1,H2,…,Hj…,HM；

其中，G1为ST中第1个知识性簇提取出的切片特征图集合，G2为ST中第2个知识性簇提取出的切片特征图集合，Gj为ST中第j个知识性簇提取出的切片特征图集合，GM为ST中第M个知识性簇提取出的切片特征图集合，H1为SV中第1个知识性簇提取出的切片特征图集合，H2为SV中第2个知识性簇提取出的切片特征图集合，Hj为SV中第j个知识性簇提取出的切片特征图集合，HM为SV中第M个知识性簇提取出的切片特征图集合；

步骤12、构建M个切片特征聚合模块，并在构建的每个切片特征聚合模块最后依次增加第二全连接层和第二分类器进行训练和验证，得到与M个知识性簇提取出的切片特征图集合一一对应的M个训练完成的带有第二全连接层和第二分类器的切片特征聚合模块；然后去除第二分类器，即得到M个训练完成的带有第二全连接层的切片特征聚合模块，并将每个带有第二全连接层的切片特征聚合模块记为切片特征融合模块，即得到与M个知识性簇提取出的切片特征图集合一一对应的M个切片特征融合模块；

其中，构建的每个切片特征聚合模块均包括依次相连接的m个第二卷积层、空间金字塔池化层、特征图最大池化层、n个第三卷积层、全局平均池化层和第一向量连接层；m和n均为正整数；

上述带有第二全连接层和第二分类器的第j个切片特征聚合模块训练过程为：在训练集中选择X幅MRI图像，X为正整数；并在Gj中取出这X幅MRI图像的所有切片特征图，将取出的X幅MRI图像的所有切片特征图输入到带有第二全连接层和第二分类器的第j个切片特征聚合模块中进行训练，并按照上述训练方法进行多次训练，最后通过Hj中所有MRI图像的切片特征图进行验证，得到训练完成的带有第二全连接层和第二分类器的第j个切片特征聚合模块；

依次使j＝1、2、…M，即得到与M个知识性簇提取出的切片特征图集合一一对应的M个训练完成的带有第二全连接层和第二分类器的切片特征聚合模块；

步骤13、在G1,G2,…,Gj…,GM以及H1,H2,…,Hj…,HM中取出每幅MRI图像的所有切片特征图，并将每幅MRI图像中属于不同知识性簇的所有切片特征图一一输入到对应的切片特征融合模块中，得到每幅MRI图像在所有知识性簇上的M个切片特征向量；

步骤14、构建MRI分类网络并对MRI分类网络进行训练和验证，得到训练完成的MRI分类网络；其中，MRI分类网络包括依次相连接的第二向量连接层、多个第三全连接层和第三分类器；

MRI分类网络的训练方法为：

在训练时，在训练集中选择Y幅MRI图像，Y为正整数，将每幅MRI图像的M个切片特征向量输入到MRI分类网络中进行训练；然后按照上述相同的方法进行多次训练，最后验证集中所有MRI图像的M个切片特征向量进行验证，即得到训练完成的MRI分类网络；

步骤15、将测试集中的其中一幅MRI图像按照步骤3中相同的方式得到该幅MRI图像中每张切片图像所对应的切片向量，并根据以下方法判断出每张切片图像所属的簇，具体方法为：分别计算一张切片图像所对应的切片向量与步骤4中k个簇的簇心之间的距离，并将最小距离所对应的簇作为该张切片图像所属的簇；之后保留属于知识性簇中的切片图像，然后将每张属于知识性簇中的切片图像分别输入到对应的知识性切片特征提取模块中，得到每张切片图像所对应的特征图；最后，将M个知识性特征图集合输入到对应的切片特征融合模块中得到M个切片特征向量，并将M个切片特征向量输入到训练完成的MRI分类网络中，即得到该幅MRI图像的分类结果。

2.根据权利要求1所述的基于切片图像筛选和特征聚合的MRI图像分类方法，其特征在于：所述步骤4中使用的聚类方法为：k‑Means聚类方法。