1.一种多模型融合自动检测医学图像中病变的方法，其特征在于，包括以下步骤：
对病变兴趣区进行病变种类识别，识别时所利用的病变检测模型选自基于深度学习技术、其他计算机辅助检测技术中的一种或由其中若干种模型进行融合后所形成的检测模型。
2.根据权利要求1所述一种多模型融合自动检测医学图像中病变的方法，其特征在于，对于原始图像数据依次进行兴趣区识别、图像规范化以及可疑病变候选者检测，从而确定病变兴趣区。
3.根据权利要求2所述一种多模型融合自动检测医学图像中病变的方法，其特征在于，所述兴趣区识别包括组织轮廓分割；所述可疑病变候选者检测包括在识别的兴趣区应用至少一个高通滤波操作，得到特征图像。
4.根据权利要求2所述一种多模型融合自动检测医学图像中病变的方法，其特征在于，所述图像规范化包括将原始图像数据按照预定义的标准空间转换成对齐的图像数据，以归一化的方式提高对齐的图像数据的对比度，然后转换到一个标准的图像外观空间。
5.根据权利要求1所述一种多模型融合自动检测医学图像中病变的方法，其特征在于，所述基于深度学习技术的病变检测模型是由机器学习自动生成的一体化的卷积神经网络模型，通过应用自动构建的各种滤波器，自动提取和选择特征，经过至少一个卷积层和一个完全连接层从前向后传递，来确定正常组织和各种病变组织。
6.根据权利要求1所述一种多模型融合自动检测医学图像中病变的方法，其特征在于，通过将独立的算法检测空间获得的检测分值映射到标准检测空间以及对由多个算法检测空间融合得到的检测空间进行分值层面的融合，计算不同检测模型的检测分值，根据分值选择出一组用于病变种类识别的最优算法集；所述最优算法集包括对CNN模型自动学习得到的特征和由其他计算机辅助检测模型得到的特征，在特征层面进行融合后进行特征筛选和病变识别的组合模型；所述独立的算法检测空间选自基于CNN模型、基于最优特征集、专家决策系统和其他的各种模式识别和机器学习技术构建的病变检测模型中的至少一种，通过分值层面的融合实现即插即用功能，使新的检测算法在加入时可以在分值层面上实现融合。
7.一种多模型融合自动检测医学图像中病变的系统，其特征在于，该系统包括智能诊断模块和检测模型库；所述智能诊断模块包括病变检测处理器和一个或多个用于设置病变检测处理器参数的配置文件；病变检测处理器调用检测模型库对兴趣区进行病变种类识别，所述调用是指选择基于深度学习技术、人工指导的模型中的一种或由其中若干种模型进行融合后所形成的病变检测模型。
8.根据权利要求7所述一种多模型融合自动检测医学图像中病变的系统，其特征在于，所述系统还包括图像输入模块，图像输入模块获取数字或数字化的医学影像并对该影像进行兴趣区识别。
9.根据权利要求7所述一种多模型融合自动检测医学图像中病变的系统，其特征在于，所述系统还包括图像显示模块，图像显示模块包括用于进行参数设置以及显示病变识别中间结果和最终结果的人机交互界面。
10.根据权利要求7所述一种多模型融合自动检测医学图像中病变的系统，其特征在于，所述系统还包括用于存储和查询病历档案的病历档案库以及包含各种病变的病理特征信息的病理数据库。