1.一种图像分析方法，其特征在于，包括如下步骤：获取一组T1加权图像，包括对照组图像和实验组图像；

对所有所述T1加权图像预处理；

将预处理后的T1加权图像非线性配准到预设的模板图像中；

将非线性配准后的T1加权图像进行分割，产生多个感兴趣区域；

提取每个所述感兴趣区域的至少一种特征数据，得到特征矩阵信息；

根据预设的贝叶斯多层模型和所述特征矩阵信息，计算得到一参数值，所述预设的贝叶斯多层模型如下：T

Pr{Y＝1|C，γ(X)}＝Φ{αC+γ(X)}，-1

γ(X)～MN{0，τ K(X)}，其中，Yi为二进制响应变量，Yi＝1表示第i幅图像来自实验组，Yi＝0表示第i幅图像来自对照组，i∈{1，2，…，n}，Yn×1为二进制响应结果，Cn×1为协变量，Xn×p为所述特征矩阵信息，Φ(.)为标准正态累积分布函数，α为回归系数，γ(X)＝{γ(x1)，γ(x2)，…，-1γ(xn)}表示均值为0，协方差cov{γ(x)，γ(x′)}＝τ K(x，x′)的高斯随机过程，τ服从Gamma分布，K是一个n×n矩阵，Kij＝K(xi，xj)，K为核函数，所述参数值为所述预设的贝叶斯多层模型中τ的值；

根据所述参数值与预设阀值的关系，判断所述实验组图像和所述对照组图像之间感兴趣区域的差异显著性。

2.根据权利要求1所述的，其特征在于，所述提取每个感兴趣区域的至少一种特征数据，得到特征矩阵信息步骤是从所述感兴趣区域Rq，q∈{1，2，…，Q}中分别提取每幅图像的多种特征信息： 其中i为图像索引号i∈{1，2，…，n}，q为感兴趣区域索引号q∈{1，2，…，Q}，p为该区域特征信息的维度p≥1，对每个感兴趣区域Rq得到的所述特征矩阵信息如下：其中xij表示第i幅图像感兴趣区域的第j个参数元素，i∈{1，2，…，n}，j∈{1，

2，…，p}。

3.根据权利要求1所述的，其特征在于，所述预设的贝叶斯多层模型计算方式如下：T

首先，定义了一个隐式变量Z＝(z1，z2，…，zn)，Z～MN{αC+γ(X)，I}，使得将协方差cov{γ(x)，γ(x′)}＝τ-1K(x，x′)中的K(x，x′)定义为高斯核，则：-1 -1

然后，假设γ(X)～MN(0，τ K(X)}，α～MN(0，φ )和τ～Gamma(a，b)，则联合后验分布为：得到Zi的满条件概率分布的闭合形式：该分布为截断正态分布。α，γ，τ的满条件分布求得如下：[γ|Zi，α0，α1，τ]∝MN{[1+(τ-1K(X))-1](Z-α′C)，[1+τ-1K(X))-1]-1}使用Gibbs抽样算法循环计算各个参数的后验分布，Gibbs抽样算法如下：(0) (0) (0) (0)

步骤1：初始化参数[Z ，α ，γ ，τ ]；

步骤2：在第t次迭代时，

(t) (t-1) (t-1) (t-1)(i)求Z ：[Z|Z ，α ，γ ]；

(t) (t) (t-1) (t-1)(ii)求α ：[α|Z ，α ，γ ]；

(t) (t) (t) (t-1)

(iii)求γ ：[γ|Z ，α ，τ ]；

(t) (t)

(iv)求τ ：[τ|γ ]。

步骤3：增加迭代次数t直至到达规定的迭代次数；

通过上述Gibbs抽样算法，得到马尔可夫链蒙特卡洛(MCMC)样本用于贝叶斯推断和预-1测，计算95％的贝叶斯置信区间并得到点估计量，由此得到τ 。

4.一种图像分析系统，其特征在于，包括获取单元、处理单元、配准单元、分割单元、提取单元、计算单元和分析单元，所述获取单元用于获取一组T1加权图像，包括对照组图像和实验组图像；

所述处理单元用于对所有所述T1加权图像预处理；

所述配准单元用于将预处理后的T1加权图像非线性配准到预设的模板图像中；

所述分割单元用于将非线性配准后的T1加权图像进行分割，产生多个感兴趣区域；

所述提取单元用于提取每个所述感兴趣区域的至少一种特征数据，得到特征矩阵信息；

所述计算单元用于根据预设的贝叶斯多层模型和所述特征矩阵信息，计算得到一参数值，所述预设的贝叶斯多层模型如下：T

Pr{Y＝1|C，γ(X)}＝Φ{αC+γ(X)}，-1

γ(X)～MN{0，τ K(X)}，其中，Yi为二进制响应变量，Yi＝1表示第i幅图像来自实验组，Yi＝0表示第i幅图像来自对照组，i∈{1，2，…，n}，Yn×1为二进制响应结果，Cn×1为协变量，Xn×p为所述特征矩阵信息，Φ(.)为标准正态累积分布函数，α为回归系数，γ(X)＝{γ(x1)，γ(x2)，…，-1γ(xn)}表示均值为0，协方差cov{γ(x)，γ(x′)}＝τ K(x，x′)的高斯随机过程，τ服从Gamma分布，K是一个n×n矩阵，Kij＝K(xi，xj)，K为核函数，所述参数值为所述预设的贝叶斯多层模型中τ的值；

所述分析单元用于根据所述参数值与预设阀值的关系，判断所述实验组图像和所述对照组图像之间感兴趣区域的差异显著性。

5.根据权利要求4所述的，其特征在于，所述提取每个感兴趣区域的至少一种特征数据，得到特征矩阵信息步骤是从感兴趣区域Rq，q∈{1，2，…，Q}中分别提取每幅图像的多种特征信息： 其中i为图像索引号i∈{1，2，…，n}，q为感兴趣区域索引号q∈{1，2，…，Q}，p为该区域特征信息的维度p≥1，对每个感兴趣区域Rq得到的所述特征矩阵信息如下：其中xij表示第i幅图像感兴趣区域的第j个参数元素，i∈{1，2，…，n}，j∈{1，

2，…，p}。

6.根据权利要求4所述的，其特征在于，所述预设的贝叶斯多层模型计算方式如下：T

首先，定义了一个隐式变量Z＝(z1，z2，…，zn)，Z～MN{αC+γ(X)，I}，使得-1将协方差cov{γ(x)，γ(x′)}＝τ K(x，x′)中的K(x，x′)定义为高斯核，则：-1 -1

然后，假设γ(X)～MN{0，τ K(X)}，α～MN(0，φ )和τ～Gamma(a，b)，则联合后验分布为：得到Zi的满条件概率分布的闭合形式：该分布为截断正态分布。α，γ，τ的满条件分布求得如下：-1 -1 -1 -1 -1

[γ|Zi，α0，α1，τ]∝MN{[1+(τ K(X)) ](Z-α′C)，[1+τ K(X)) ] }使用Gibbs抽样算法循环计算各个参数的后验分布，Gibbs抽样算法如下：(0) (0) (0) (0)

步骤1：初始化参数[Z ，α ，γ ，τ ]；

步骤2：在第t次迭代时，

(t) (t-1) (t-1) (t-1)(i)求Z ：[Z| ，α ，γ ]；

(t) (t) (t-1) (t-1)(ii)求α ：[α|Z ，α ，γ ]；

(t) (t) (t) (t-1)

(iii)求γ ：[γ|Z ，α ，τ ]；

(t) (t)

(iv)求τ ：[τ|γ ]。

步骤3：增加迭代次数t直至到达规定的迭代次数；

通过上述Gibbs抽样算法，得到马尔可夫链蒙特卡洛(MCMC)样本用于贝叶斯推断和预-1测，计算95％的贝叶斯置信区间并得到点估计量，由此得到τ 。