如今，医学影像已经成为现代医疗诊断的主要手段。随着医学影像设备的普遍使用，海量的医学图像需要当做病史资料保存；随着远程医疗的提出，如何在不损失图像信息的前提下减小传输数据量、提高传输效率，也是亟待解决的问题。现有的无损图像压缩方法在处理医学图像，特别是信息含量大、占用存储空间多、像素排列复杂的图像(如X光图像)方面，压缩效果并不理想。所以医学图像的无损压缩就成为现在医学图像处理的热点和难点问题。　　 为了解决上述问题，本文将机器学习运用到医学图像的无损压缩中。通过机器学习，找出像素点的排列规律，以保存少量参数的代价来模拟图像内部像素分布。在经过机器学习后，就可以得到与实际图像十分接近的预测图像。这样，通过与原始图像做差，得到十分平滑的差值图像，而这种图像的无损压缩比是非常高的。最后的压缩文件包括学习模型的参数以及经过压缩的差值图像。本课题主要完成了以下工作：　　 1)通过尝试不同的机器学习模型，确定使用SVR(支持向量机回归)模型；　　 2)调整训练停止误差以及最大训练次数，使得图像无损压缩在性能和效率上得到平衡；　　 3)通过对比实验，选择图像块像素平均值为特征。本课题是与西门子中国研究院的合作项目，通过实际工程应用的验证并取得了良好的压缩效果，已经申请专利。该方法在处理信息含量大，像素分布较为复杂的X光图像方面，比现有公认压缩效果最好的CALIC(Context-based Adaptive Lossless Image Codec)算法压缩比提高了6.6％。同时，提出以机器学习作为预测手段来进行医学序列图像无损压缩的思路，依靠机器学习方法去除相邻图像之间的时间冗余度，并给出了具体的实施方案。