肝脏是人体腹部最大、且最为重要的器官之一,其一旦病变极易诱发肝癌。肝癌的死亡率位居世界第六位、位居我国第二位,常被称为“癌症之王”。在临床医学中,采用CT扫描的医学影像常被用于肝病的筛查、诊断与随访。由于大部分肝脏病灶在CT图像中呈现低密度影的特点,使得医生难以对病灶的性质做出正确判断。随着人工智能技术的快速发展,基于深度学习技术实现的肝脏肿瘤分类算法在疾病筛查、病灶随访及干预治疗等方面起着重要作用。因此,本文围绕与肝脏肿瘤分类相关的内容开展研究工作,主要研究内容如下:1)针对CT扫描图像较为敏感、样本缺乏且病灶特征提取受限的问题,提出一种基于特征复用和注意力机制的肝脏肿瘤分类方法。该方法首先将CT图像通过特征复用机制进行伪RGB的预处理以三倍强度增强显示原始图像,缓解训练样本不足且CT图像较为敏感的问题;然后通过改进的注意力机制分别从全局和局部两个方面充分挖掘病灶特征,以缓解病灶特征提取受限的问题;最后通过迁移学习的训练策略训练提出的分类模型。实验结果表明,提出的方法可以进一步提高肝脏肿瘤的分类精度。2)针对样本不平衡、参数量较大且易错样本难以分类的问题,提出一种基于数据扩充和双重增强特征的肝脏肿瘤分类方法。该方法首先通过Simple ITK将DICOM图像转为PNG图像,并通过Augmentor扩充较少类别的图像以缓解样本不平衡的问题;然后通过设计的轻量级Group-wise及Self-attention算法分别根据特征间的相似性及依赖关系来增强整体特征的语义表达;最后通过改进的损失函数使网络在训练的过程中更加关注于易错样本的分类。实验结果表明,提出方法可以在提高肝脏肿瘤分类精度的前提下进一步提高其分类效率。3)为验证提出算法的有效性,设计并实现了一种基于特征增强的肝脏肿瘤分类系统。该系统首先根据导入的CT图像获取其感兴趣区域,之后根据设计的预处理模块对ROI进行一系列的预处理;然后通过特征提取算法对病灶特征进行增强以便后续分类器对其分类;最后通过调用评估模块对分类结果做出相应的评价。该分类系统的设计可以辅助医生对肝病的类型做出进一步的判别。