肝细胞癌约占原发性肝癌的90%,易发生转移和复发,是第二大与癌症相关的主要死因。肝细胞癌的复发与其分化等级密切相关,术前确定分化等级对选择治疗策略至关重要。当前,病理切片是分级金标准,是有创的诊断手段,可能因为切片不准确造成漏诊。磁共振检查是肝细胞癌患者的常规筛查诊断的影像学方法,具有无创、快速、经济的特点,但其诊断是医生依据经验给出诊断意见,易于出现漏诊和误诊。利用磁共振影像和计算机技术实现肝细胞癌分化等级的无创、快速的辅助诊断,可以降低病理切片给患者带来的痛苦和风险,减少医疗成本。针对肝细胞癌的精准分级问题,本文提出了一种基于影像组学的分级方法。该方法的步骤包括:数据采集,图像预处理,肿瘤分割,特征提取,特征选择和分类模型训练。本文从医院采集了189位肝细胞癌患者的T2加权磁共振影像;为了缓解不同采集设备造成的影像亮度差异,利用局部自适应直方图均衡化算法进行图像预处理;由影像科医生进行肿瘤分割,针对勾画的肿瘤感兴趣区提取出四类影像组学特征;为了获得稳定去冗余的特征,采用了方差过滤、曼-惠特尼秩和检验、Lasso和递归特征消除法进行特征选择;最后,采用SVM、随机森林、XGBoost和Light GBM等算法训练分类模型。通过实验得到的模型AUC值为0.773,准确率为0.776,证明该方法提取的影像特征可以较好地表达肿瘤信息,分类模型具有较好的分类性能。由于影像组学特征是既定的定量化特征,难以全面反映肿瘤的异质性,深度卷积神经网络特征具有自动提取、表达能力强的特点,能够补充影像组学特征的不足。本文提出了一种基于深度学习的特征提取方法,该方法包括数据增广、深度模型训练、深度特征提取和特征融合等步骤。通过模型迁移和参数迁移的方法提取出能够表达肿瘤信息的深度特征,并利用逻辑回归模型进行多模态特征的融合训练。通过实验得到的分类模型AUC值为0.828,准确率为0.796,敏感度为0.708,特异性为0.880,采用该方法的分类模型AUC值相比传统影像组学方法提升了5.5%,说明将影像特征与深度特征进行融合可以提高模型的分类性能。校准曲线评价得出模型的分类稳定性较好,可以为临床决策提供有价值的信息。