医学影像学的普遍应用以及计算机应用的普及,促使医疗信息化的快速发展和各类医学影像的数据量激增。单凭人工的分析和抽象能力已无法对这类激增的庞大医疗影像数据进行分析和处理。如何分析和挖掘这类医疗影像数据信息,从而找到蕴含在医学影像数据中的有价值信息和知识,以辅助医生更高效、准确的开展医疗诊断工作,已成为当前医学图像数据挖掘的主要工作。脑部CT图像作为医学影像数据中的重要组成部分,对其历史数据进行分类从而预测图像类别,可以辅助医生对病人的病情得到判断并根据相似病史提出建议治疗方案。目前常用的分类方法中,主要包括朴素贝叶斯、神经网络、决策树算法等。而在以往工作中,仅通过改进传统算法本身来提高分类效率,但这种改进方式也使得算法的优化出现瓶颈。在众多分类算法中,单一阈值分类算法(如:弱对称性性分类算法)虽然在脑部CT图像分类过程中性能较好,但该类算法中在阈值附近产生错误分类概率较高且通过改进算法来提高准确率的效果并不理想。因此需要引入其他方法来解决这类问题。众包凭借利用群体智慧解决问题的性能优于计算机这一特点吸引了各个领域的关注,包括信息检索、人工智能、图像处理等领域。利用众包进行图像分类准确率高,但因其开销巨大不能够得到广泛应用。利用计算机与众包相结合的方式对医学图像进行分析处理等工作,对提高医生工作效率和整体医疗水平显然有着无可比拟的优越性。本文的主要工作内容如下:(1)本文采用机器算法与众包理念相结合的方式,提出了传统图像分类算法与众包平台相结合的框架,并给出一种范围阈值算法将单一阈值分类算法中出现分类错误率较高的部分提取出来由众包平台完成,从而彻底解决了在单一阈值分类算法中不可避免的问题。(2)鉴于目前匮乏针对处理医疗信息相关的众包平台,医学图像分类结果难以及时收集,因此本文设计实现了一个面向医学图像分类的众包平台以完成后续的医学图像分类工作。(3)为进一步提高众包平台中分类结果的准确率,本文针对框架中的两个阶段分别提出了工人质量评估模型和工人表现预测模型,本文将根据两种模型对工人进行任务分配。