1.一种用于脑影像病历特征提取的多层一致协同方法，其特征在于：包括以下步骤：A.设计一种高效的多层协同MapReduce模型，构建每个精英与邻接矩阵P之间偏爱关系矩阵PE如下：其中第i个特征关系值 将从每个精英对(Elitistl,Elitistk)中获得，该特征关系值用来标识距离精英对(Elitistl,Elitistk)的最优偏向参数，其值计算方法如下：其中＜keyl,valuel＞和＜keyk,valuek＞分别为多层协同MapReduce模型中第l个和第k个Map/Reduce的并行操作算子对；

同时，对协同模因组中多重关联的不可分割脑影像病历进行多层相关特征标识，求出精英转移矩阵ECM，并将其特征向量Cov最小化；

B.利用脑影像病历多层相关特征精英组矩阵EG，进行具有多个相关特征的脑影像病历特征分类；

C.构建参与脑影像病历特征提取的聚类精英拓扑关系，第i个集成聚类向量EWi对第j个协同决策类DCj在协同模因组中的MapReduce非合作行为进行检测，使协同决策类在被分割的纳什均衡三角形Δ3内均能收敛于纳什均衡点(x,y)，取得脑影像病历特征集的最优纳什均衡解；

D.在纳什均衡点(x,y)建立起协同决策类的平均特征提取精度PD为：N为协同决策类的数量；

E.比较上述求出的特征提取精度PD与预先设定精度值δ关系，若满足PD≥δ，则输出脑影像病历最优选择集；否则，继续执行上述步骤B和步骤C，直至特征提取精度满足PD≥δ；

F.将提取的脑影像病历脑脊液、脑灰质、脑白质三类特征集存放到云存储中，为相关脑疾病的临床诊断和治疗提供重要的影像特征依据。

2.根据权利要求1所述一种用于脑影像病历特征提取的多层一致协同方法，其特征在于：所述步骤A的具体步骤如下：a.构建进化种群第i个模因组Memeplexi的并行Map/Reduce操作算子＜keyi,valuei＞，具体定义如下：其中 为第i个模因组Memeplexi中精英的局部最优适应度，fELITIST为所有模因组的全体精英最小适应度，其值为 fj为第j个精英的适应度，r为第i个模因组Memeplexi中协同精英总的数量；

b.设计参与脑影像病历特征提取的所有模因组并行操作矩阵如下：其中

c.种群模因组中精英邻接矩阵集为P＝{P1,P2,...,Pi,...,PN}，Pi计算方法为其中wj为第j个精英的在初始化时重要性权重值,r为第i个模因组Memeplexi中协同精英总的数量；

d.对协同模因组中脑影像病历多重关联特征执行如下标识操作：(i)选出双亲特征列表为Pi1,Pi2,…,PiN，i＝1,2,…N；

(ii)将脑影像病历多重关联特征值通过维度增加方式划分到多个不同的模因组中，然后在孩子特征列表中以3维子空间形式构建相邻列表三元组{P(i-1)1,Pi1,P(i+1)1}，并产生多个不同模因组的笛卡儿坐标Cij，i和j分别为横坐标和纵坐标的序列位置，三元组的具体值为：P(i-1)1＝[C(i-1)1,C(i-1)2,C(i-1)3,...C(i-1)N]T，T

Pi1＝[Ci1,Ci2,Ci3,...CiN]，

P(i+1)1＝[C(i+1)1,C(i+1)2,C(i+1)3,...C(i+1)N]T，其中上标T表示矩阵的转置；

(iii)正则化精英的偏爱关系矩阵PE，求出具有协方差矩阵的特征向量Cov，该值与最T大特征值λ＝[λ1,λ2,...,λN]保持一致，且每个特征值满足关系为λj≥λj+1，特征向量Cov的值定义为e.根据多元变量高斯分布零平均法，求出精英的转移矩阵ECM为ECM＝diag(λ1,λ2,...,λN)，

其中diag(λ1,λ2,...,λN)表示对角线元素为λ1,λ2,...,λN的对角矩阵，元素特征值λ1,λ2,...,λN是相互独立的；

f.为进一步保持精英转移矩阵ECM的稳定性，使其特征值λi满足如下条件：其中 为特征向量系数总和，且满足 η为特征精度衡量常量，值为η＝0.85；

g.将第i个模因组Memeplexi中精英对(Elitisti,Elitistj)的两个一致度cai和cpj标识如下：h.求出脑影像病历特征提取时第i个模因组Memeplexi中精英的平均邻近值PiN为i.取得不可分割的多层相关特征精英组矩阵EG为其中IN为N维的单位矩阵。

3.根据权利要求1所述一种用于脑影像病历特征提取的多层一致协同方法，其特征在于：所述步骤C具体步骤如下：a.将整个进化模因组划为不同的聚类，通过当前执行的精英邻接矩阵集P计算出各个聚类中心Ci，1

b.将每个聚类中的精英与其左右两个相邻精英进行连接，建立一种初始的精英环形拓扑结构，然后随机选择其中一个聚类中心Ci，基于长距离连接概率权重关系建立新的聚类精英拓扑关系；

c.将位于同一邻域半径向量内一对聚类中心点记为(di,dj)，与它们相对立的聚类中中心点为dk，则聚类中心Ci和Cj之间的权重标准如下：d.建立第i个集成聚类向量为EWi,i＝1,2,...,N，第j个协同决策类为DCj,j＝1,2,...,N，N为协同决策类的数量，该协同决策类表示集成聚类向量EWi对协同决策类DCj在协同模因组中MapReduce非合作性行为的预测；

e.将纳什均衡区域划分成3个面积相等的纳什均衡三角形Δ3，然后在相同的纳什均衡三角形内执行第i个和第j个集成聚类向量EWi和EWj之间的成对比较，如果比较值达到消除标准，则协同决策类DCj在其他N-1个协同决策类中将从新的聚类中心点Cj开始逐一消除；

在新的聚类中心点Cj逐步消除后,如果N＞1,则N以步长 继续进行上述消除操作；

f.设U(ρi)和U(ρj)为邻域半径向量内任意两个聚类点Ci和Cj的消除代价值，U(ρi*)和U(ρj*)分别表示消除代价值U(ρi)和U(ρj)的收益值,协同进化MapReduce方法取得整体收益U(ρ*)＝U(ρ1*,ρ2*,...,ρN*)的一致纳什均衡，其中任意两个收益满足如下关系：g.在纳什均衡三角形Δ3的纳什均衡点，如果存在协同决策类没有收益于当前纳什均衡三角形Δ3，则再次使用集成聚类向量EWi进行协同决策类的优化，使协同决策类在被划分的纳什均衡三角形Δ3内均能收敛于纳什均衡点(x,y)，从而取得脑影像病历特征局部解和全局优势解的有效平衡。