骨肿瘤是一种发生于骨骼系统的肿瘤,其中恶性骨肿瘤的致死率很高。如果骨肿瘤不能得到及时的治疗,病人往往存在截肢甚至癌细胞扩散的风险,早发现和及时治疗是减少骨肿瘤死亡率的关键。然而由于发病率低的问题,获取大量骨肿瘤影像的标注样本十分困难。本文研究的是如何使用机器学习的方法在小样本的医学影像上实现对骨肿瘤的诊断。本文首先介绍了机器学习的基本原理,包括基本的支持向量机和神经网络算法,以及迁移学习和主动学习的相关算法。针对骨肿瘤样本标注成本高,获取有标注样本难的问题,本文提出了基于样本信息量分布的模型训练算法,该算法的目的是使用尽可能少的标注样本实现骨肿瘤诊断模型。该方法通过对样本的信息量进行计算,判定样本的标注价值,对有价值的样本进行标注,并送入模型对模型参数进行微调。通过反复的迭代,最终得到准确率高的模型。接着针对骨肿瘤样本量少,诊断准确率低的问题,提出了基于多特征融合的骨肿瘤诊断算法。该算法的目的是深入挖掘有限样本的特征,提升骨肿瘤诊断的准确率。该算法提取了样本上的表层特征以及模糊特征,表层特征反映骨肿瘤影像上骨的轮廓、肿瘤轮廓以及骨密度,模糊特征则采用深度神经网络进行提取。二者拼接得到样本的融合特征,使用该融合特征对骨肿瘤进行多级分类诊断。根据实验结果显示,相比于随机选择样本进行训练,基于样本信息量分布的模型训练算法可以减少50%以上的样本标注量。而基于多特征融合的骨肿瘤诊断算法检测骨肿瘤的有无准确率可达99%,高于传统方法。采用多级分类检测良恶性的准确率也能达到85%以上,高于使用单极分类的方法。本论文中提出的两种算法可以减少骨肿瘤的样本标注数量,提升骨肿瘤诊断的准确率,在一定程度上解决了骨肿瘤样本标注困难,检测准确率低的问题。