在世界范围内,癌症已经成为致死率最高的病因,其中肝癌的致死率位列第四。癌症早期诊断和治疗是降低癌症死亡率的主要措施。计算机辅助诊断(CAD)系统的目标之一是实现基于医学影像的癌症早期诊断,因而一直得到学术界和工业界的关注。CAD系统包含两个重要步骤:即病灶检测和病灶分类。因此,基于多期相CT影像,研究精确的肝脏病灶检测和分类方法,具有重要的临床应用价值。随着人工智能技术快速发展,基于卷积神经网络(CNN)的深度学习模型在许多计算机视觉任务上都取得了突破性的进展。近年来,众多基于CNN的改进模型也被广泛应用于CAD系统中。然而,多期相CT影像中肝脏病灶的形状尺度变化较大,不同类型病灶存在着异病同影和同病异影的情况,多期相影像间的增强模式难以描述,上述特点使得精确的肝脏病灶检测和分类仍存在较大挑战。为此,本文围绕精确的肝脏病灶检测和分类算法展开研究,主要工作如下:1)提出一种基于多通道尺度不敏感的多期相肝脏病灶检测算法针对多期相CT影像中肝脏病灶大尺度变化问题,本文提出了一种基于多通道尺度不敏感的多期相肝脏病灶检测算法。该算法采用基于U型的全卷积结构,有效地融合不同尺度的视觉特征,采用Link机制处理病灶框之间可能存在的重叠问题,采用基于卷积的循环神经网络来提取期相间的增强模式。实验结果表明,本文提出的检测算法可以降低卷积神经网络对于待检测病灶尺度的敏感性,从而改善多期相肝脏病灶的检测效果。IoU设置为0.5时,平均精度(AP)达到了77%,优于现有的其它方法。此外,利用循环神经网络来提取期相间增强模式的方法可以泛化到其它任务和应用领域,具有一定通用性。2)提出一种融合全局和局部信息的多期相肝脏病灶分类算法医生在诊断肝脏病灶时,往往会对肝脏病灶影像进行放缩,以详细查看病灶的局部和全局信息,同时,医生会在期相间切换,以获取病灶在期相间的表现差异,以避免异病同影、同病异影等现象对诊断结果造成影响。受此启发,本文提出了一种结合局部和全局信息的肝脏病灶分类算法。该算法以病灶RoI(region of interest)及从RoI中提取的图块(patch)为输入,采用两个通道分别获取病灶的全局信息和局部信息,采用基于全连接的长短时记忆网络来提取期相间的增强模式。实验结果表明,本文提出的多期相肝脏病灶分类算法在融合病灶全局与局部信息的同时,也有效地结合期相间增强模式进行分类,分类准确率达到88%,优于现有的其它方法。