1.一种基于机器学习的软组织肉瘤等级判断方法，其特征在于，所述方法依次包括如下步骤：
s1、对软组织肉瘤影像进行典型特征提取，
s2、获得采样样本中所有病人的软组织肉瘤影像的典型特征，形成样本数据集，并对该样本数据集进行预处理，
s3、将经过预处理的样本数据集划分为测试集和训练集，
s4、基于步骤3中生成的训练集，分别采用不同的机器学习算法构建机器学习模型并进行训练，
s5、将步骤3中生成的测试集分别带入步骤4构建的多个机器学习模型中进行计算，可获得每种机器学习模型计算的预测值，计算预测值与真值之间的差异性，差异性越大，代表预测值与真值之间的差距越大，即预测的错误越多，选取差异性最小的机器学习模型作为软组织肉瘤等级判断模型。
2.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法，其特征在于：所述软组织肉瘤影像采用核磁共振mri输出的软组织肉瘤影像。
3.根据权利要求2所述的基于机器学习的软组织肉瘤等级判断方法，其特征在于：所述典型特征共取19个，将核磁共振mri输出的软组织肉瘤影像，按照成像方式不同，分为t1加权成像和t2加权成像，所述19个典型特征分别为t1图像，小波-低低高频子带成像模式下，邻域灰度差矩阵的对比度特征；t1图像，5mm拉普拉斯算子三维成像模式下，灰度差异矩阵的依赖不均匀规范化特征；t1图像，原始成像模式下，灰度共生矩阵的逆方差特征；t1图像，15mm拉普拉斯算子三维成像模式下，一阶统计量的峰度特征；t1图像，小波-低高低频子带成像模式下，灰度差异矩阵的大依赖低灰度水平因子特征；t1图像，5mm拉普拉斯算子三维成像模式下，灰度共生矩阵的马修斯相关系数特征；t1图像，小波-高高低频子带成像模式下，灰度共生矩阵的马修斯相关系数特征；t1图像，小波-高低高频子带成像模式下，一阶统计量的中值特征；t2图像，15mm拉普拉斯算子三维成像模式下，一阶统计量的90分位数特征；t2图像，小波-高低高频子带成像模式下，灰度共生矩阵的聚类阴影特征；t2图像，小波-高高高频子带成像模式下，邻域灰度差矩阵的对比度特征；t2图像，原始成像模式下，形状的延长率特征；t2图像，小波-高高高频子带成像模式下,灰度区域大小矩阵的灰度级不均匀规范化特征；t2图像，小波-低低低频子带成像模式下，灰度共生矩阵的逆方差特征；t2图像，小波-高低高频子带成像模式下，灰度共生矩阵的逆方差特征；t2图像，原始成像模式下，灰度共生矩阵的逆方差特征；t2图像，小波-高低高频子带成像模式下，灰度游程矩阵的长游程高灰度因子特征；t2图像，小波-高高高频子带成像模式下，灰度游程矩阵的长游程高灰度因子特征；t2图像，小波-高高高频子带成像模式下，一阶统计量的中值特征。
4.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法，其特征在于：对样本数据集进行预处理的方法为对样本数据集进行归一化处理，公式如下：
其中，
5.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法，其特征在于：所述训练集的数量为
6.根据权利要求5所述的基于机器学习的软组织肉瘤等级判断方法，其特征在于：将经过预处理的样本数据集划分为测试集和训练集之后，并且基于生成的训练集，分别采用不同的机器学习算法构建机器学习模型并进行训练之前，需对训练集按照不同等级软组织肉瘤患者数量进行均衡化处理，所述均衡化处理采用人工少数类过采样法，均衡原则为：
ngm代表第m个软组织肉瘤病变等级对应的病人样本数，m通常取值为{1,2}，1代表良性、2代表恶级。
7.根据权利要求1所述的基于机器学习的软组织肉瘤等级判断方法，其特征在于：步骤4中，采用决策树、随机森林、支持向量机、bp神经网络四种机器学习算法构建机器学习模型(mcart,mrf,msvm,mann)进行训练。
8.根据权利要求7所述的基于机器学习的软组织肉瘤等级判断方法，其特征在于：将步骤3中生成的测试集分别带入构建的四个机器学习模型(mcart,mrf,msvm,mann)中进行计算，可获得四种模型计算的预测值：
针对全部模型的参数dcart、drf、dsvm和dann，选择其中的最小值min{dcart,drf,dsvm,dann}对应的模型即为本发明的软组织肉瘤等级判别模型。