1.一种基于图像分析的医疗图像分析处理系统，其特征在于，所述系统包括：图像获取模块，与医疗成像设备接口连接，用于自动接收或手动上传原始的医疗图像数据；数据预处理模块，用于通过图像处理技术对采集到的医疗图像数据进行预处理；

图像分割模块，用于通过融合模型从预处理后的医疗图像数据中分割出病变区域图像和器官区域图像，所述融合模型具体为多尺度U‑Net、PSPNet、混合CNN‑Transformer和多任务学习的融合模型；

特征提取模块，用于从分割后的病变区域图像和/或器官区域图像中再次提取关键特征信息，所述关键特征信息包括病变区域的形状特征、大小特征、位置特征、纹理特征、密度和强度特征；

决策分析模块，基于提取的关键特征信息，使用PU半监督学习结合正样本和未标注数据对分类模型进行训练，通过所述分类模型实现半监督疾病分类策略；

结果输出模块，用于通过图形用户界面显示所述分类模型的分类结果，并存储于数据库或医疗健康记录系统中。

2.根据权利要求1所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，所述图像获取模块还包括智能图像质量检测单元和扩展单元；

所述智能图像质量检测单元用于集成图像质量检测算法，自动检测并过滤模糊或曝光异常的低质量图像；

所述扩展单元用于自动适配不同医疗成像设备的接口协议，通过通用接口实现各种型号的医疗成像设备的图像采集。

3.根据权利要求1所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，所述数据预处理模块包括自适应滤波单元、图像增强单元和图像标准化单元；

所述自适应滤波单元用于通过自适应高斯‑中值滤波器，根据医疗图像数据的局部特性自适应调整滤波参数，对医疗图像数据进行去噪处理；

所述图像增强单元用于集成限制对比度自适应直方图均衡化和多尺度Retinex算法，增强医疗图像数据的对比度；

所述图像标准化单元用于对跨设备、跨模态的医疗图像数据进行标准化处理，通过伽马校正和强度归一化，使得不同来源的医疗图像数据具有一致的亮度和对比度特性。

4.根据权利要求3所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，所述自适应高斯‑中值滤波器具体包括：计算医疗图像局部区域的均值和方差，根据局部图像特性自适应调整滤波参数，公式为：式中，μi,j为像素(i,j)周围局部区域的均值，k为局部窗口半径，窗口大小为(2k+1)×(2k+1)；u表示窗口中像素相对于中心像素i在行方向上的偏移量，v表示窗口中像素相对于2

中心像素j在列方向上的偏移量；I(i+u,j+v)为医疗图像I在位置(i+u,j+v)的像素值；σi,j为像素(i,j)周围局部区域的方差；

根据局部统计特性，动态调整高斯滤波器的标准差：

σadaptive(i,j)＝α·σi，j+β；

式中，σadaptive(i,j)表示自适应调整后的高斯滤波器标准差，用于像素(i,j)；α为比例因子；σi,j为像素(i,j)周围局部区域的标准差；β为偏移量；

应用自适应高斯滤波器进行卷积：

式中，Gadaptive(x,y；σadaptive)为自适应高斯核，x、y为相对于滤波器中心的位置坐标，σadaptive为自适应调整后的高斯滤波器标准差；Iblur(i,j)为高斯滤波后像素(i,j)的值；I(ik,j+l)表示医疗图像在位置(ik,j+l)的像素值；k、l分别为行方向偏移和列方向偏移，K、L为高斯核的半径；Gadaptive(k,l；adaptive(i,j))为自适应高斯核值；

根据局部统计特性，动态调整中值滤波器的窗口大小：

式中，Wadaptive(i,j)为自适应调整后的中值滤波器窗口大小，用于像素(i,j)；Wmax、Wmin分别为中值滤波器的最大窗口大小、最小窗口大小；σmax为医疗图像中所有局部区域标准差的最大值；

应用自适应中值滤波器：

Idenoised(i,j)median({Iblur(ik,jl)∣‑Wadaptive/2k,lWadaptive/2})；

式中，Idenoised(i,j)为中值滤波后像素(i,j)的值；Iblur(i+k,j+l)为高斯滤波后的医疗图像在位置(i+k,j+l)的像素值；Wadaptive为自适应调整后中值滤波器的窗口大小。

5.根据权利要求1所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，所述混合CNN‑Transformer通过CNN提取局部特征，通过Transformer捕获全局和长距离依赖特征，采用双解码器结构，一个解码器用于病变区域的分割，另一个解码器用于器官区域的分割，且在每个解码器中都引入注意力门，同时处理病变和器官的分割任务。

6.根据权利要求5所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，所述融合模型具体包括：编码器部分结合多尺度U‑Net和混合CNN‑Transformer，在U‑Net的编码器部分，使用多尺度U‑Net的架构，通过不同尺度的卷积层提取多分辨率特征，进行多尺度特征提取；

解码器部分采用混合CNN‑Transformer的双解码器结构，分别作为病变解码器和器官解码器；病变解码器用于病变区域的分割，采用基于多尺度U‑Net的解码器架构，通过逐层上采样恢复空间分辨率；器官解码器用于器官区域的分割，使用PSPNet的金字塔池化模块，捕获多尺度上下文信息；

使用多任务学习框架，编码器部分融合多尺度U‑Net和混合CNN‑Transformer作为共享编码器，用于提取输入图像的共同特征；病变解码器和器官解码器作为独立解码器，分别处理病变区域和器官区域的分割任务；在训练过程中，通过多任务损失函数，同时优化处理病变区域和器官区域的分割任务，根据任务的重要性调整权重。

7.根据权利要求6所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，融合模型编码器部分，在每一层编码器中使用多尺度卷积层提取不同分辨率的特征，公式为：xb＝Convaa(xb‑1)；

式中，xb是第b层的特征图，Conva×a表示a×a的卷积操作；

在多尺度特征提取的基础上，在每个U‑Net编码器层后面插入Transformer模块，使用Transformer层捕获全局特征，具体包括：将输入图像划分为不重叠的补丁xv：

式中，S是每个补丁的大小，N是补丁总数；X是通道数，R表示实数空间；将每个补丁通过线性变换矩阵 映射到嵌入空间，得到嵌入向量z0：z0＝[xv1E,xv2E,...,xvNE]；

式中，Y是嵌入空间的维度；xv1表示第1个补丁，xv2表示第2个补丁，xvN表示第N个补丁；

在Transformer层应用多头自注意力机制来捕获全局依赖关系：

z′g＝MSA(LN(zg‑1))zg‑1；

式中，zg为Transformer编码器在第g层的嵌入向量；LN表示层归一化，MSA表示多头自注意力机制；z′g表示经过多头自注意力机制和层归一化处理后的中间表示。

8.根据权利要求6所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，病变解码器使用卷积层和上采样层逐层恢复空间分辨率，公式为：dg1＝ResB(Concatenate[AttGate(xg,UpSample(xg+1)),UpSample(xg+1)])；

式中，dg1表示病变解码器在第g层的输出特征图；xg表示解码器在第g层的输入特征图，xg+1表示解码器在第g+1层的输入特征图；ResB表示残差块；AttGate表示注意门；UpSample表示上采样；Concatenate表示连接操作；

器官解码器使用PSPNet的金字塔池化模块来捕获多尺度上下文信息，公式为：dg2＝PSP(ResB(Concatenate[AttGate(xg,UpSample(xg+1)),UpSample(xg+1)]))；

式中，dg2表示器官解码器在第g层的输出特征图；PSP表示PSPNet中的金字塔池化模块。

9.根据权利要求6所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，所述多任务学习框架中，使用多任务损失函数Lhybrid，结合交叉熵损失和Dice损失进行优化：式中，LLES‑CE和LLES‑Dice分别是病变分支的交叉熵损失和Dice损失，LO‑CE是器官分支的CE损失，ω、 γ是权重参数。

10.根据权利要求1所述的一种基于图像分析的医疗图像分析处理系统，其特征在于，所述使用PU半监督学习结合正样本和未标注数据对分类模型进行训练，方法具体包括：通过提取的关键特征信息构建PU数据集，随机选择h个数据人工标记为正样本，剩余为未标记数据；

构建基于生成对抗网络的分类模型，使用分类器替代生成器，用于确定未标记数据中任一数据为正样本的概率，并将确定为正样本的数据传递给判别器，通过判别器确定数据为正样本的真实性；

所述分类模型的目标函数基于霍尔德散度进行构建，目标函数f(D,C)表示为：式中，C为分类器，D为判别器；M为PU数据集中的样本数量，M0为PU数据集未标记数据的数量；Pm为PU数据集中正样本的概率分布，Dm为PU数据集中第m个数据的判别分布；H为霍尔德散度；为平衡超参数，用于调节不同损失项之间的权重； 为判别器对未标记数据中第m个数据的判别分布， 为分类器对未标记数据中第m个数据的概率分布； 表示分类器的逆分布，为分类器对未标记数据中第m个数据的补充分布。