TechniquesandMethods技术与方法生物化学与生物物理进展ProgressinBiochemistryandBiophysics2023，50（3）：668~675www.pibb.ac.cn基于卷积神经网络的超声影像肝癌自动分类*李睿1，2，3）许祥丛1，2，3）林静怡1，2）黄良汇1，2，3）曾亚光1，2）郑玮4）陈广义3）王雪花1，2）**韩定安1，2）**（1）佛山科学技术学院物理与光电工程学院，佛山528225；2）佛山科学技术学院，粤港澳智能微纳光电技术联合实验室，佛山528225；3）佛山科学技术学院机电工程与自动化学院，佛山528225；4）中山大学肿瘤防治中心，广州510062）摘要目的针对从原发性肝癌中检测肝细胞癌（HCC）的灵敏度不高和诊断结果高度依赖放射科医生的专业性和临床经验，本文利用深度卷积神经网络（CNN）的方法自动学习B超和超声造影（CEUS）图像中的特征信息，并实现对肝癌的分类。方法建立并验证基于CNN的多个二维（2D）和三维（3D）分类模型，分别对116例患者（其中100例HCC和16例非HCC）的B超和CEUS影像进行定量分析，并对比分析各个模型的分类性能。结果实验结果表明，3D-CNN模型的各方面性能指标都优于2D-CNN模型，验证了3D-CNN模型能同时提取肿瘤区域的2D影像特征及血流时间动态变化特征，比2D-CNN模型更适用于HCC与非HCC分类。其中3D-CNN模型的AUC、准确率和敏感度值最高，分别达到了85%、85%和80%。此外，由于HCC和非HCC样本不均衡，通过扩充非HCC样本的数量可以提升网络的分类性能。结论本文提出的3D-CNN模型能够实现快速、准确的肝癌分类，有望应用于辅助临床医师诊断与治疗肝癌。关键词深度学习，卷积神经网络，肝癌分类，超声影像中图分类号TP391.4，TP183，R735.7DOI：10.16476/j.pibb.2022.0101原发性肝癌是目前世界上第5位常见恶性肿瘤及第3位肿瘤致死病因，严重威胁人们的生命和健康［1］。原发性肝癌依据发病机制、生物学行为、组织学形态、治疗方法以及预后等方面的差异，可主要分为肝细胞癌（hepatocellularcarcinoma，HCC）、肝内胆管癌（intrahepaticcholangiocarcinoma，ICC）和其他罕见型［2］，其中HCC占85%～90%［3］。HCC恶性程度较低，通常采用经动脉化疗栓塞术（TACE）或微创消融的治疗方法，且预后效果较好。而ICC和HCC-ICC混合型恶性程度高，一般采用手术切除或肝移植的方式进行治疗，且预后效果差［4］。为了提高医生对肝癌患者诊断的准确率，临床上通常将原发性肝癌划分成HCC和非HCC，其中非HCC包括ICC、HCC-ICC混合型和其他罕见肿瘤。因此，从肝癌病...
