1.一种基于肝脏CT影像的肝功能分级方法，其特征在于，具体操作步骤如下：步骤(1.1)，采集患者腹部CT医学图像，并记录患者同时期的生化全套检查数据、凝血五项数据及病因指标；

步骤(1.2)，提取腹部CT医学图像中不含有肿瘤和血管的肝脏感兴趣区域作为样本数据，并根据生化全套检查数据、凝血五项数据及病因指标计算出MELD评分作为样本数据的标签，建立数据集；

步骤(1.3)，对建立的数据集进行分组，将其分为训练样本集、验证样本集和测试样本集；

步骤(1.4)，对训练样本集中的肝脏感兴趣区域进行数据增强；

步骤(1.5)，利用增强后的训练样本集数据对深度学习网络的参数进行训练；

步骤(1.6)，利用已训练的深度学习网络对训练样本集和验证样本集提取相应的深度特征，通过对多分类器进行优化训练，建立基于腹部CT医学图像的肝功能分级模型；

步骤(1.7)，运用测试样本集的数据对已建立的肝功能分级模型进行评估测试。

2.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在步骤(1.1)中，所述采集腹部CT医学图像的图像格式为DICOM，大小为512×512像素。

3.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.2)中，建立数据集的具体操作内容：(1.2.1)、在腹部CT医学图像的肝脏区域，提取大小为64×64像素、排除含有肿瘤和血管的感兴趣区域；

(1.2.2)、根据MELD评分系统，计算每位病人的肝功能评分，如下式所示：MELD＝3.8×ln[胆红素(mg/dl)]+11.2×ln(INR)+9.6×ln[肌酐(mg/dl)]+6.4×(病因)其中，ln表示自然对数，“病因”选项中，胆汁性或酒精性为0，其他为1，INR表示凝血酶原时间国际标准化比值；根据MELD评分标准划分出“低危患者”、“中危患者”和“高危患者”；

根据MELD评分设定每张图像的标签，建立肝功能分级的数据集。

4.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.3)中，对建立的数据集进行分组的具体内容包括随机选取70％数据作为训练样本集，随机选取20％作为验证样本集，剩下的10％作为测试样本集。

5.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.4)中，对训练样本集中的图像进行数据增强的具体内容包括：使用平移、翻转、旋转、裁剪及缩放的方法对训练样本集中的CT医学图像进行数据增强。

6.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.5)中，所述的深度学习网络是指一种基于多重二值编码的PCANet结构的卷积神经网络，其训练过程包括：(1.5.1)、对N张m×n图像中每个像素及其邻域设定子块，将每个分块的矩阵按列优先，向量化为列向量，再依次级联成一个矩阵；其中，第i张图像表示为：其中，xi,j表示图像Xi的第j个采样向量，后对每一个向量进行去均值处理，得到去均值后的向量式中， 表示去均值后的向量，即：

对所有的腹部CT图像构造上述相同的矩阵，将其级联在一起，得到：式中，N表示训练集中的腹部CT图像数量；

(1.5.2)、网络参数的训练：通过主成分分析寻找标准正交矩阵来最小化重构误差：式中， 表示L1×L1的单位阵，从而训练得到的第一层的滤波器核为：即提取矩阵X的协方差矩阵的前L1个最大特征值所对应的特征向量来组成所需的特征映射矩阵，其中， 表示将向量 投影映射为 ql(XXT)表示计算XXT的第l个主成分向量；

将学习得到的第一层的特征映射矩阵Wl1与样本图像进行卷积运算，得到第一卷积层的输出为：式中，Ii表示原始CT图像；

对第一层的滤波图像，再次取子块，级联和去均值处理，设第二层的样本输入表示为：同理，使用协方差矩阵对应的特征向量构建L2个滤波器：将第一层的输出与第二层获得的卷积核Wl2进行卷积操作，得到第二卷积层的输出图像：(1.5.3)、输出层：对于输出的L2组图像进行二值化编码，即：式中，s(·)表示阶跃函数，对于输入大于0的数输出为1，否则为0；

对于每组图像进行交叉二值化编码，即：

其中，a,b表示图像的宽度和高度；

对于每组中的L1幅图像分别进行二值化编码，记作：编码完成后，分别统计上述三种编码的直方图，即：

其中，

最后，腹部CT图像的特征表示为三种编码直方图的级联，如下式所示：hi＝hiGB UhiCB UhiLB

式中，hi表示提取第i个原始ROI的腹部CT图像的最终深度特征向量。

7.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.7)中，对肝功能分级模型进行评估测试具体内容：运用已训练的深度学习网络对测试样本集中的腹部CT医学图像进行特征的提取，并对已建立的肝功能分级模型进行评估测试。