医学技术的快速发展,日益产生的CT、核磁共振数据越来越多,导致临床医生的工作压力很大,因此研究医学辅助诊疗系统是非常有意义的。本文针对医学影像进行特征化变成文本数据进行分类,帮助医学影像处理中准确而快速的判断是否有病变组织。本文在研究朴素贝叶斯分类模型的同时,也研究了从朴素贝叶斯模型改进后的AODE和AAPE分类模型。AODE和AAPE都保证了属性之间的关联性,但是AODE分类模型是依次把每个属性作为父属性,然后求取平均值。AAPE是用一种随机的方法来选取父属性,这样随机的选取,忽略了属性本身权重重要性的因素,对最后的分类结果会有很大的影响。本文分析朴素贝叶斯模型,AODE分类模型和AAPE分类模型的缺点,利用蚁群算法来提取父属性,保证分类的分类准确率,并且应用到医学影像分类系统上。本文的主要研究成果如下:1.充分吸收AODE分类模型和AAPE分类模型的优点,在分析它们的缺点的同时,结合引入蚁群算法,针对在医学影像处理分类系统中,在朴素贝叶斯算分类模型的基础上,提出了BC-ACO(Bayes Classification-Ant Colony Optimization)分类模型的概念,在保证属性之间的关联性的同时,使用蚁群算法来选取父属性,不用随机的选取父属性和求每个属性作为父属性的平均值,这样使用蚁群算法来选取父属性,增强了分类结果的正确率和稳定性。2.实现了一个基于BC-ACO医学影像处理分类系统,此系统以BC-ACO分类模型为基础,在分类的第一阶段,先使用朴素贝叶斯算法进行初步分类,得到一个初步分类的结果,然后配合中断系统,用户如果没有发出中断指令或者系统资源允许的情况下,就会进入第二阶段,在这个阶段中,首先使用提前配置好的权重计算方式重新计算权重,然后使用蚁群算法对所有的父属性进行计算,得到父属性的一个优先排列,这样优化父属性的选择,进行深入分类。并且可以动态设置蚁群算法的相关参数,以达到多适应的目的。