计算机技术辅助病脑检测是医学领域和计算机领域中的热点问题,该问题的解决对于脑疾病预防和治疗具有显而易见的有益作用。本文以磁共振脑图像为实验对象,研究计算机辅助医疗检测方法对健康脑图像和多种病脑图像的有效分类。该方法是一种为了提升脑图像分类性能的基于机器学习的智能分类方法,主要针对传统技术的缺点来提出的,如手工分类存在时间代价高和经验影响大的问题;传统神经网络分类存在易陷入局部最优和性能不高的问题。首先,本文从哈佛大学医学院网站上获取61张人脑磁共振数据,采用数据增强技术将数据集扩增至732张,并对样本数据进行特征提取与选择。采用离散小波变换(Discrete Wavelet Transform,DWT)和小波熵(Wavelet Entropy,WE)的方法提取脑图像的多尺度特征,将提取脑图像的7个特征输入到单一隐藏层的BP神经网络中进行分类训练。其次,为了避免在训练过程中网络陷入局部最优解本文提出了以下三种方法:一是考虑到粒子群优化算法(Particle Swarm Optimization,PSO)具有精度高、收敛快和较强的历史信息记忆能力的优势,提出粒子群算法确定网络的权值和偏置;二是考虑到生物地理学优化算法(Biogeography-Based Optimization,BBO)具有良好迁移机制和较强搜索能力的优势,提出生物地理学算法确定网络的权值和偏置;三是提出粒子群优化和生物地理学融合算法确定网络的权值和偏置,进一步提升最终的分类效果。最后,在相同脑图像数据集上验证所采用方法的可行性和有效性。通过将PSO+BBO-BPNN与PSO-BPNN、BBO-BPNN等方法进行病脑分类准确率的对比证明本文采用的方法在磁共振脑图像分类中具有相对优越性。实验过程中采用10折交叉验证方法防止出现过拟合现象,“WE+PSO+BBO-BPNN”对病脑图像平均识别率达到83.16%,平均分类时间为43.68s。实验结果显示,本文研究脑图像分类的方法在保证检测性能的同时,提高分类运行效率。