1.一种半监督智能分类方法，其特征在于，包括：

从影像数据库中获取肿瘤影像图像并进行预处理；

通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测，提取肿瘤图像；

通过超体素图像分割算法，对所述肿瘤图像进行图形分割检测，得到预分割图像；

通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析，得到其紧密程度；并采用监督学习机制，对所述预分割图像做疾病预测，使用K/N投票表决机制，得到最终优化的超像素分类结果。

2.如权利要求1所述的半监督智能分类方法，其特征在于，所述预处理包括对所述肿瘤影像图像进行归一化处理。

3.如权利要求1所述的半监督智能分类方法，其特征在于，所述通过超体素图像分割算法，对所述肿瘤图像进行图形分割检测，得到预分割图像，具体包括：通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割，得到第一预分割图像；

通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割，得到第二预分割图像。

4.如权利要求1所述的半监督智能分类方法，其特征在于，所述密度聚类算法包括DBSCAN算法；所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。

5.一种半监督智能分类装置，其特征在于，包括：

预处理模块，用于从影像数据库中获取肿瘤影像图像并进行预处理；

图像检测模块，用于通过多通道图像重现技术对进行预处理后的肿瘤影像图像进行检测，提取肿瘤图像；

预分割模块，用于通过超体素图像分割算法，对所述肿瘤图像进行图形分割检测，得到预分割图像；

聚类分析模块，用于通过密度聚类算法对进行图形分割检测后的肿瘤图像进行样本分析，得到其紧密程度；并采用监督学习机制，对所述预分割图像做疾病预测，使用K/N投票表决机制，得到最终优化的超像素分类结果。

6.如权利要求5所述的半监督智能分类装置，其特征在于，所述预处理包括对所述肿瘤影像图像进行归一化处理。

7.如权利要求5所述的半监督智能分类装置，其特征在于，所述预分割模块包括：第一预分割单元和第二第一预分割单元；

所述第一预分割单元用于通过SLIC算法对所述肿瘤图像中的空间-时间影像进行分割，得到第一预分割图像；

所述第二预分割单元用于通过LCCP算法对所述肿瘤图像中的单纯空间影像进行过度分割，得到第二预分割图像。

8.如权利要求5所述的半监督智能分类装置，其特征在于，所述密度聚类算法包括DBSCAN算法；所述监督学习机制包括CNN深度学习算法或DNN深度学习算法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～4任一项所述的半监督智能分类方法。

10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～4任一项所述的半监督智能分类方法。