医学超声成像技术以其优良的性能,成为临床医疗中重要的辅助诊断手段。边缘检测是医学超声图像处理的关键步骤,检测结果会直接影响医生对病情的诊断。超声图像独特的散斑噪声使传统的边缘检测算法处理效果不很理想,且Sobel算子等传统边缘检测算法对参数设置的局限性也制约了其在超声图像上的使用。图像边缘检测问题可以看成是边缘点与非边缘点的分类问题,因此可以用机器学习中的分类思想进行研究。机器学习算法在医学图像领域的边缘检测研究处于初步阶段,针对上述噪声及参数设置的问题,本文以医学超声图像为研究对象,采用Ada Boost算法和决策树相结合的方式来研究边缘检测问题。针对机器学习算法中训练集创建时需要进行人工图像标注存在的工作量大、花费时间长、人为主观意识强的不足,本文提出了基于整数DCT变换的超声膀胱图像自动标注算法,使机器学习算法更具实用性和推广性。本文主要的工作有:(1)对传统的边缘检测算子梯度算子、Sobel算子、拉普拉斯-高斯算子、Canny算子等进行医学超声图像的仿真实验,分析对比其性能优劣。(2)提出基于整数DCT变换的超声膀胱图像自动标注算法。算法通过整数DCT变换、梯度算子、动态阈值确定边界、边界连接等步骤完成膀胱图像的自动标注,仿真实验结果表明,轮廓清晰,边界连续,达到了图像自动标注的目地。(3)对机器学习算法在医学超声图像边缘检测的应用进行研究:采用图像自动标注的方式创建了训练集,获得了大量的训练样本。在特征提取过程中,以类Harr特征与梯度直方图特征构成有效的特征向量空间。以Ada Boost与决策树相结合的方式进行分类器的训练,提高了分类准确率。算法仿真结果表明算法边缘效果良好,且具有无需调节参数自适应性强的优点。