摘要:针对传统医疗图像误差预测算法无法很好的选择图像特征，存在图像误差预测值与实际值拟合度低、预测耗时长等问题，提出基于卷积神经网络与特征选择的医疗图像误差预测算法. 首先，选取5种集成规则构建自适应多分类器，对医疗图像区域进行分类；其次，训练卷积神经网络，利用训练完成的神经网络提取不同类别医疗图像区域特征，以此为基础计算区域距离，寻找出相似度最小的区域，完成图像可疑区域定位；再次，融合多评价标准生成特征子集，从中搜索得到最优特征子集，完成可疑区域图像特征选择；最后，以选择得到的特征区域像素点作为训练样本，建立预测样本与训练样本之间的多元线性回归矩阵，实现误差预测. 实验结果表明，所提算法的集成规则适应度较高，分类性能好，区域距离计算准确率高达95%左右，特征选择的AUC值（Area Under Curve）高，且预测结果拟合度和预测耗时均优于传统算法.