肝癌的醫學影像智能化診斷研究進展

通信作者：葛來安，13970998757@163.com（ORCID：0009-0007-4544-1706）

摘要：肝癌是對人體威脅最大的疾病之一，大部分患者確診時已屬晚期，致死率極高。早期肝癌的診斷和治療是改善患者預后的關鍵。醫學影像是輔助診斷肝癌的重要手段，當前基于醫學影像數據的智能圖像識別技術已深入涉足醫學診斷領域并具有良好應用前景。本文通過綜述目前人工智能方法在肝臟醫學影像中診斷局灶性肝臟病變的研究現狀，提出當前人工智能診斷的優勢與不足，旨在為今后肝癌的智能化診斷提供新的研究思路。

關鍵詞：肝腫瘤；人工智能；診斷

基金項目：江西省中醫藥管理局科技項目（2021B695）

Research advances in the intelligent medical imaging diagnosis of liver cancer

XU Jie1，XU Wenbin2，HE Keqing3a，SHANGGUAN Ding3a，XU Ting3b，XIE Mingjun3a，LONG Nianbao3a，GE Laian3a.（1.Jiangxi University of Chinese Medicine，Nanchang 330004，China；2.School of Advanced Manufacturing，Nanchang University，Nanchang 330031，China；3.a.Department of Hepatobiliary Diseases，b.Department of Oncology，The Affiliated Hospital of Jiangxi University of Chinese Medicine，Nanchang 330200，China）

Corresponding author：GE Laian，13970998757@163.com（ORCID：0009-0007-4544-1706）

Abstract：Liver cancer is one of the most threatening diseases to the human body，and most patients are already in the advanced stage at the time of diagnosis，resulting in an extremely high mortality rate.The diagnosis and treatment of early-stage liver cancer is the key to improving the prognosis of patients.Medical imaging is an important method that assists in the diagnosis of liver cancer，and currently，intelligent image recognition technology based on medical imaging data has been widely applied in the field of medical diagnosis and has good application prospects.This article reviews the current status of research on artificial intelligence（AI）methods for the diagnosis of focal liver lesions based on liver medical images and proposes the advantages and shortcomings of current AI diagnosis，so as to provide new research ideas for the intelligent diagnosis of liver cancer in the future.

Key words：Liver Neoplasms；Artificial Intelligence；Diagnosis

Research funding：The Science and Technology Project of Jiangxi Provincial Administration of Traditional Chinese Medicine（2021B695）

肝臟是人體內部最大的實質性器官，是機體新陳代謝最活躍的器官，不僅參與人體機能的防護與維持，同時還具有對藥物、激素等物質的解毒和轉化等重要功能，是人體最重要的器官之一［1］。據世界衛生組織統計，2020年全球的肝癌新發病例約為905 677例，中國約占45.3%［2］。肝癌根據其自發性可以分為原發性肝癌和繼發性肝癌［3］，其中肝細胞癌（HCC）是目前我國第4位常見惡性腫瘤及第2位腫瘤致死病因［4］。

腹部CT、磁共振成像（MRI）、B超等影像學技術是臨床上常用的肝臟檢查方法，具有無創、非侵入性、成像速度快等特性，其檢查結果可作為肝病的診斷依據。隨著醫療條件的改善，影像檢查人數不斷增加，影像科醫生極易在長期繁重、單調的閱片工作中因疲勞而出現診斷失誤與紕漏；得益于人工智能（artificial intelligence，AI）技術的飛速發展，肝臟醫學影像分析依托AI技術已在病灶的良惡區分、患者術前規劃、預后預測、生存預測等方面日見成效?；贏I的醫學影像智能分析旨在通過AI算法分析醫學影像直接得到近似甚至超過經驗豐富醫生的診斷結果與治療方案，一方面將醫生從繁重的閱片任務中解放出來，將更多的精力用于病灶的針對性分析，減少誤診漏診的情況出現；另一方面輔助醫生更精準更高效地明確具體診療方案，讓患者少受創傷檢查之苦，同時也加快治療方案的推進，提升患者預后。

另外，由于肝癌患者早期并無明顯癥狀，常規檢查不易察覺，而患者的治愈率、生存率隨著肝癌的分化程度的升高而明顯下降，因此從常規影像學檢查中精準診斷肝癌是為重中之重。對此，為增強肝癌的診斷手段、提高肝癌的診斷精度，肝癌的智能化診斷已成為許多醫者和研究者們研究的重要方向。本文從基于醫學影像的肝病智能化診斷角度出發，綜述近年國內外學者應用AI方法進行肝病識別分類與病灶分割的研究現狀及進展。

1基于醫學影像數據的肝癌分類研究

近年來AI方法被深度用于肝病分類，例如分辨肝臟是否存在癌變、區分肝臟癌變分化等級、肝臟病變種類分類等，其中，小肝癌（small hepatocellular carcinoma，sHCC）的診斷和鑒別更是肝臟病變診斷的關鍵。本小節從智能影像診斷方法的數據前處理過程考慮，將近些年的肝病檢測分類方法分為兩類，需要手動特征提取的傳統分類方法與端到端的深度學習（deep learning，DL）方法，分別從這兩個方面中對肝病檢測分類方法進行回顧。

1.1基于手動特征提取的肝病分類方法研究現狀機器學習（machine learning，ML）及其應用已經成為目前醫學領域用于處理預測、分類的主要技術之一，利用ML診斷各種疾病的研究能夠促進醫生的決策過程，幫助醫生快速有效地診斷疾?。?］。

當前應用于肝病診斷的手動特征提取的傳統分類方法主要為ML算法中的部分早期算法，包括邏輯回歸（logistic regression，LR）［6］、決策樹［7］、隨機森林（random forest，RF）［8］、支持向量機（support vector machine，SVM）［9］、K-Nearest neighbor（KNN）［10］等，且已經取得一定的研究成效。例如，Naeem等［11］利用二維CT和MRI融合數據集驗證MLP、SVM、RF等ML方法對肝癌分類的性能，其中MLP表現最好；Mao等［12］為研究基于ML的超聲放射組學在原發性肝癌和轉移性肝癌術前分類中的應用，從專家勾畫出的感興趣區（region-of-interest，ROI）中提取7類放射組學特征，采用KNN、LR、MLP、RF和SVM等多種ML方法區分原發性肝癌和轉移性肝癌，實驗結果顯示LR的表現優于其他分類器；還有王雪虎等［13］采用SVM、KNN、RF和LR 4種ML算法對結直腸癌肝轉移與HCC病灶區域的影像組學特征進行區分，實驗結果表明SVM最能準確分析二者影像組學特征的差異。張娟等［14］使用SVM鑒別sHCC與異型增生結節，通過分析MRI圖像特征，經過特征篩選后，利用SVM算法分析特征進行分類診斷。

現有的基于早期ML方法的研究有兩處共通點：（1）使用ML方法進行疾病診斷、預測時，通常無固定方法，多數學者使用多種ML模型進行實驗，而不同實驗最終確定的實驗模型與實驗結果各不相同，這導致實驗前期對于模型的選擇會對最終實驗結果產生重要影響；（2）基于傳統ML的肝病預測、分類方法嚴重依賴于影像特征的提取，并且特征的提取需要具有豐富經驗的醫生勾畫出準確的ROI；而手動勾勒ROI無可避免的會存在偏差，且特征提取大多是主觀層面上的經驗選擇，無法做到最完全提取出圖像中對任務有益的所有特征。因此，ML方法普遍存在精度不高、計算復雜、魯棒性差等缺點。

1.2基于DL的肝病分類與檢測方法研究現狀作為ML的主要分支之一，DL技術在圖像處理領域得到了廣泛的應用并取得了長足進步［15-16］，有許多算法模型可以用來執行模式識別和圖像分類任務，其中卷積神經網絡（conventional neural network，CNN）能夠接受2D或者3D圖像作為輸入，可以更好地利用空間和結構信息，并且由于其像素級的精確操作和對組織病理良好的適應性，被認為是醫學影像學領域最有前景的研究方向［16］。相較于需要提前進行人工提取特征來分類的方法，CNN自動提取的高層次特征泛化性更強，并已被證明優于手工設計的低層次和中層次特征［17］。同時，CNN模型可進行參數學習且模型層數深、參數多，而早期ML算法，如KNN等，參數不具有可學習的特性，或模型層數少，或基于統計學習的方式進行學習，以至于早期ML算法對于實際問題擬合情況相較于CNN模型較差。

CNN模型特有的權值共享結構對處理圖像任務具有很好的適配性，可更好地捕捉圖像中的特征信息與空間信息，以直接完成端到端的分類任務［17］，這種圖像處理模式相較于早期ML算法具有顯著優勢，但是也存在所需數據量較大、可解釋性差、運算量大等問題。

現階段使用CNN進行端到端的肝病分類與檢測的方法已較為成熟，主要使用的模型方法有ResNet［17-19］、Faster R-CNN［20］等。在sHCC的分類檢測上，CNN模型也同樣有所涵蓋，如馬舉銘［21］采用CNN模型結合預訓練與微調方法區分sHCC、肝內膽管細胞癌、高級別不典型增生結節和低級別不典型增生結節，敏感度達到94.47%，特異度為96.67%；吳德藍［22］提出基于改進Fast R-CNN網絡進行肝臟CT圖像中小病灶的檢測?，F階段基于CNN的分類檢測精度水平已經與經驗豐富的放射科醫生相當，但當前使用CNN模型進行基于醫學影像的肝病預測、分類等任務時，依舊存在一個明顯的缺點，MRI、CT等醫學影像進行腹部成像時不可避免的會囊括所有的腹部器官，因此在使用CNN模型處理圖像之前需要提前讓專業醫生勾畫出ROI或者感興趣容積（volume-of-interest，VOI），準確的病灶勾畫可以讓模型盡可能少的受到無關信息干擾，有助于提升模型的判斷準確率。文獻［23］中所提供的弱標注圖像的分類算法可以在一定程度上降低醫生的工作量，但由于是算法自動檢測病灶區域，一方面檢測的可靠性需要進一步提升，病灶區域檢測的準確性直接關系到其中病灶分類的精度；另一方面該方法無法處理圖像中同時存在2種及以上病灶存在的情況。故CNN模型處理分類問題前，先對病灶進行準確的分割定位十分必要，而手動勾畫工作量大、存在人為誤差以及需要豐富的先驗知識等限制因素不可避免，故自動精確分割病灶區域的智能算法是保證智能診斷高準確度的關鍵。

2基于醫學影像數據的局灶性肝臟病灶分割研究

局灶性肝臟病變（focal liver lesion，FLL）的病灶分割將影像中的病灶區域與肝部正常組織分離出來，進而獲得病變組織的完整輪廓、大小、位置、結構等信息，對于疾病的早期診斷以及患者的病情評估具有重要意義；同時進一步的病灶分割可以與器官分割進行組合，將分割結果3D重建后于顯示設備中對患者腹腔狀況進行3D可視化，為醫生全面掌握患者的病況提供助力，制訂出最佳治療方案，提高治療成功率。臨床上手動分割病灶需要影像科醫生于CT、MRI等影像中手動、逐層描繪病變輪廓，是一項冗長、耗時且易出錯的工作，同時病灶的描繪精度與醫生的臨床經驗息息相關，而智能分割算法在完成前期的模型訓練后，對于未接觸的影像數據可高速、高效、精準的完成分割任務，分割算法對于臨床局灶性肝病的診治具有重要輔助價值。隨著科學技術的發展，國內外的科研工作者提出了大量優秀的分割算法，已取得了較為可觀的分割效果，并且部分算法也已經被投入到臨床應用。根據分割算法的不同原理分為非DL算法和DL算法兩大類，非DL方法包含傳統分割算法以及早期ML方法等；而DL方法則根據卷積維度將CNN模型分為2D、2.5D以及3D分割模型。

2.1基于非DL算法的肝臟病灶分割方法研究現狀

2.1.1傳統分割算法傳統FLL分割算法主要分為區域生長［24］、閾值分割［25］、水平集［26］等。閾值分割適用于目標區域與背景之間的像素強度差別較大的分割場景，通過人為設置合理的閾值區間，將目標從背景中分離出來；區域生長算法是將圖像根據像素強度變化進行聚類；水平集方法通常適用于邊緣表征強的圖像分割任務。盡管現階段傳統FLL分割算法的發展已經較為成熟，但仍存在較大局限性，主要表現在：（1）需要人工干涉，很難實現分割全自動化。例如閾值分割法需要人為設定合適閾值，區域增長算法需要提前設置合適的種子點區域；（2）分割結果欠佳。基于傳統分割方法的模型僅適用于小部分數據，模型泛化能力差，魯棒性差，尤其針對腫瘤等不規則小目標會存在過度分割或欠分割等問題。

2.1.2早期ML分割方法用于FLL分割的早期ML算法主要有SVM［27-28］、Adaboost［29］、馬爾可夫隨機場［28］及聚類算法，早期ML算法下的圖像分割實現主要是通過人工對圖像中不同區域進行特征提取，而后利用腫瘤區域與正常肝組織的圖像特征信息之間的差異，采用ML算法對特征進行分類，進而達到腫瘤分割的結果；另外，部分研究學者會將ML算法與形態學方法相結合，達到細化分割結果的效果［28］。當前基于ML的FLL分割方法雖然取得了較好的分割結果，但是其分割結果同樣依賴于前期的模型選擇與圖像前處理過程中的特征，不同的特征選擇對模型的結果影響較大，模型泛化能力較差，因此基于ML算法的分割方法仍存在一定局限性。

2.2基于DL的肝臟局灶性病灶分割方法研究現狀

在醫學影像領域DL的圖像處理范圍不僅是用于檢測、分類病灶，其在分割任務中的表現同樣出色［16，30-32］。尤其是全卷積神經網絡（fully conventional network，FCN）對醫學影像進行分割已經取得了較好的成果，分割精度遠遠優于傳統算法的醫學影像分割，其中應用較多的是基于編碼器-解碼器［33-34］的網絡結構，其中U-Net［34］以獨特的對稱式編碼器-解碼器結構并結合多尺度特征及跳躍連接結構的思想為后續的許多醫學影像分割算法提供了基礎思路，其結構如圖1所示。

2.2.1 2D FCN模型2D FCN模型下的肝臟病灶分割主要從患者的腹部CT或者MRI圖像入手，將3D數據轉化為2D切片作為模型輸入，再通過FCN模型強大的圖像分析能力，對輸入圖像進行逐像素點的分類，進而實現總體的語義分割效果。在2D FCN模型中，現階段使用的模型主要為FCN［35-36］、SegNet［37-38］和U-Net［39-40］以及U-Net的變體模型［41-43］等，但是目前基于2D FCN模型的分割方法非常依賴前期醫生對于ROI區域的手動勾勒，勾勒的精度直接影響到模型的分割性能；同時前期的數據預處理，例如腦區域分割任務中去除顱骨、多模態數據進行模態間的配準以及多模態數據的選擇等對于后期模型的分割性能均有著影響；另外，模型結構的搭建與參數的設定也至關重要；此外，MRI、CT等醫學影像數據中包含的肝臟和腫瘤區域作為3D結構，2D網絡只能提取到單張切片內組織結構和平面維度方面的特征信息，卻忽略了切片與切片間的空間結構特征信息，后者所提供的空間信息對于模型分割目標也同樣重要，因此許多學者使用2.5D以及3D FCN模型進行肝臟圖像的處理。

2.2.2 2.5D和3D FCN模型2.5D模型為模型使用2D卷積與3D卷積的結合，例如Zhang等［44］首先通過2D模型大致定位肝臟，再利用基于3D-patch的FCN模型細化肝臟的分割以及大致定位肝臟腫瘤，不過該方法僅淺顯的分別使用2D與3D模型實現逐步細化的分割；而Zhang等［45］設計模型在3D卷積的背景下對影像切片間的信息進行編碼，并通過2D解卷積重建高分辨率結果，實現了模型間的卷積轉化。該類方法主要借助多尺度卷積結構使多尺度特征提取不需要額外的計算成本，有效挖掘結構化信息，減少信息冗余，強化獨立特征，使特征維度稀疏化，有效提高網絡容量和效率。

對于國內外學者實現醫學影像中肝臟及肝臟病灶區域分割所使用的3D FCN模型，因為其接受域在空間中增長了一個維度，雖然可獲得更多的空間信息，但將面對更多的參數、更大的計算量以及更嚴重的梯度消失問題［30］；且由于運算內存的限制，現階段的分割任務很難直接將整個肝臟區域直接輸入，而是先將整體區域切割為一個個小的圖像塊，再作為模型輸入，這種情況同樣犧牲了部分空間特征信息。此外，目前進行的分割任務研究普遍存在以下現象：（1）醫學影像數據量少、數據來源少。目前能將醫院中大量的影像數據進行整理、標注并進一步搭建為圖像數據集的研究非常少，大多數研究都是基于LiTS 2017［46］和3D-IRCADb［47］兩個肝臟及肝腫瘤的網絡公開數據集；（2）處理任務較為單一。大多數研究重點在于肝臟中某一種特定疾病對病灶區域的勾畫，同時進行病灶區域的分割與病變種類檢測識別的研究不多；（3）對小型病灶的關注度不高。當前研究重點主要為了提升對于目標區域分割的性能指標，而由于數據的局限性以及公開數據集內數據數量、形式固定，大多研究者都只能把關注點放在提升總體分割性能上，很難針對小型病灶進行單獨研究。

3小結與展望

本文回顧了近幾年的基于醫學影像的肝癌智能診斷方法，主要包括使用傳統方法、ML早期方法和DL方法進行半自動或自動進行肝病的分級分類、檢測和分割，并總結分析了現階段各類方法在診斷局灶性肝病的優劣性以及當前在智能診斷局灶性肝病研究方向中的欠缺與不足。值得一提的是，現階段的AI方法對于肝癌、肝囊腫、肝結節等FLL的診斷基準基本依靠影像科醫生對相關影像數據進行手動標注，而肝臟彌漫性病變與部分FLL的顯示存在關聯，但目前的專家共識［48］在FLL標注中不討論彌漫性病變背景的情況，故智能化診斷方法依托數據標注進行判別時不額外考慮彌漫性病變的影響，因此當前并不知曉肝臟存在彌漫性病變背景是否會對FLL的智能化診斷存在影響。

考慮到sHCC的診斷和鑒別是FLL診斷的重中之重，而臨床上sHCC多在肝臟彌漫性疾病的基礎上發生，因此筆者未來將從識別、分割小型肝臟局灶性病變著手，研究肝臟彌漫性病變背景對AI算法診斷sHCC、肝結節等小型肝臟局灶性病變的影響，致力于研發出針對于臨床上智能精確診斷和鑒別肝臟小型局灶性病變的方法，該領域的研究成果在醫生閱片過程中具有警醒作用，可作為執行進一步檢查的參考依據，得到確切的診斷結果，減少臨床上漏診、誤診率，提高患者被治愈的可能，具有重要的現實意義與臨床研究價值。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻聲明：徐捷負責初稿撰寫、論文資料收集與總結；徐文斌參與初稿撰寫、資料收集、論文審閱與修訂；賀柯慶、謝明君參與論文資料整理；上官定、徐婷、龍年寶參與論文資料收集；葛來安負責論文審閱與修訂。

參考文獻：

[1]BAI SL，YING DJ.Systematic anatomy[M].9th ed.Beijing：People’s Medical Publishing House，2018.

柏樹令，應大君.系統解剖學[M].9版.北京：人民衛生出版社，2018.[2]China Anti-Cancer Association Committee of Liver Cancer.Guidelinesfor holistic integrative management of liver cancer（2022 abridged ver?sion）[J].Chin J Clin Oncol，2022，49（17）：865-873.DOI：10.12354/j.issn.1000-8179.2022.20220942.

中國抗癌協會肝癌專業委員會.中國腫瘤整合診治指南-肝癌（2022精簡版）[J].中國腫瘤臨床，2022，49（17）：865-873.DOI：10.12354/j.issn.1000-8179.2022.20220942.

[3]General Office of National Health Commission.Standard for diagnosis and treatment of primary liver cancer（2022 edition）[J].J Clin Hepa?tol，2022，38（2）：288-303.DOI：10.3969/j.issn.1001-5256.2022.02.009.

國家衛生健康委辦公廳.原發性肝癌診療指南（2022年版）[J].臨床肝膽病雜志，2022，38（2）：288-303.DOI：10.3969/j.issn.1001-5256.2022.02.009.

[4]Bureau of Medical Administration，Nationsl Health Commiaaion of the People’s Republic of China.Standardization for diagnosis and treat?ment of primary hepatic carcinom（2019 edition）[J].Chin J Pract Surg，2020，40（2）：121-138.DOI：10.19538/j.cjps.issn1005-2208.2020.02.01.

中華人民共和國國家衛生健康委員會醫政醫管局.原發性肝癌診療規范（2019年版）[J].中國實用外科雜志，2020，40（2）：121-138.DOI：10.19538/j.cjps.issn1005-2208.2020.02.01.

[5]DUTTA K，CHANDRA S，GOURISARIA MK.Early-stage detection of liver disease through machine learning algorithms[M]//Advances in Data and Information Sciences.Singapore：Springer Singapore，2022：155-166.DOI：10.1007/978-981-16-5689-7_14.

[6]BOATENG EY，ABAYE DA.A review of the logistic regression model with emphasis on medical research[J].J Data Anal Inf Process，2019，7（4）：190-207.DOI：10.4236/jdaip.2019.74012.

[7]NAYAK S，GOURISARIA MK，PANDEY M，et al.Prediction of heart disease by mining frequent items and classification techniques[C]//2019 International Conference on Intelligent Computing and Control Systems（ICCS）.Madurai，India.IEEE，2019：607-611.DOI：10.1109/ICCS45141.2019.9065805.

[8]PEREIRA S，MEIER R，MCKINLEY R，et al.Enhancing interpretability of automatically extracted machine learning features：Application to a RBM-Random Forest system on brain lesion segmentation[J].Med Image Anal，2018，44：228-244.DOI：10.1016/j.media.2017.12.009.

[9]?AMLICA Z，TIZHOOSH HR，KHALVATI F.Medical image classifica?tion via SVM using LBP features from saliency-based folded data[C]//2015 IEEE 14th International Conference on Machine Learning and Applications（ICMLA）.Miami，FL，USA.IEEE，2015：128-132.DOI：10.1109/ICMLA.2015.131.

[10]MARUYAMA T，HAYASHI N，SATO Y，et al.Comparison of medical image classification accuracy among three machine learning methods[J].J Xray Sci Technol，2018，26（6）：885-893.DOI：10.3233/XST-18386.

[11]NAEEM S，ALI A，QADRI S，et al.Machine-learning based hybrid-feature analysis for liver cancer classification using fused（MR and CT）images[J].Appl Sci，2020，10（9）：3134.DOI：10.3390/app10093134.

[12]MAO B，MA JD，DUAN SB，et al.Preoperative classification of primary and metastatic liver cancer via machine learning-based ultrasound radiomics[J].Eur Radiol，2021，31（7）：4576-4586.DOI：10.1007/s00330-020-07562-6.

[13]WANG XH，GUO HF，YIN XP，et al.Classification of colorectal liver metastases and hepatocellular carcinoma lesions based on CT-ra?diomics[J].Beijing Biomed Eng，2021，40（6）：551-556.DOI：10.3969/j.issn.1002-3208.2021.06.001.

王雪虎，郭海峰，殷小平，等.基于CT影像組學的結直腸癌肝轉移與原發性肝癌病灶分類研究[J].北京生物醫學工程，2021，40（6）：551-556.DOI：10.3969/j.issn.1002-3208.2021.06.001.

[14]ZHANG J，LI D，FENG YY，et al.Comparison of support vector ma?chine algorithm and diffusion weighted imaging in differentiating small hepatocellular carcinoma and dysplastic nodules[J].Chin Comput Med Imag，2022，28（4）：366-371.DOI：10.3969/j.issn.1006-5741.2022.04.008.

張娟，李笛，馮亞園，等.支持向量機算法與彌散加權成像在鑒別小肝癌和異型增生結節中的比較[J].中國醫學計算機成像雜志，2022，28（4）：366-371.DOI：10.3969/j.issn.1006-5741.2022.04.008.

[15]ANWAR SM，MAJID M，QAYYUM A，et al.Medical image analysis using convolutional neural networks：A review[J].J Med Syst，2018，42（11）：226.DOI：10.1007/s10916-018-1088-1.

[16]SHEN DG，WU GR，SUK HI.Deep learning in medical image analy?sis[J].Annu Rev Biomed Eng，2017，19：221-248.DOI：10.1146/annurev-bioeng-071516-044442.

[17]WANG W，LIANG D，CHEN Q，et al.Medical image classification us?ing deep learning[M]∥Deep learning in healthcare：paradigms and applications，Cham：Springer，2020：33-51.DOI：10.1007/978-3-030-32606-7_3.

[18]WANG SH，HAN XJ，DU J，et al.Saliency-based 3D convolutional neural network for categorising common focal liver lesions on multi?sequence MRI[J].Insights Imaging，2021，12（1）：173.DOI：10.1186/s13244-021-01117-z.

[19]TAKENAGA T，HANAOKA S，NOMURA Y，et al.Multichannel three-dimensional fully convolutional residual network-based focal liver le?sion detection and classification in Gd-EOB-DTPA-enhanced MRI[J].Int J Comput Assist Radiol Surg，2021，16（9）：1527-1536.DOI：10.1007/s11548-021-02416-y.

[20]LI WY.A kind of research on lesions detection in liver CT images based on convolutional neural network[D].Xiangtan：Xiangtan Uni?versity，2019.

李文雅.一種基于卷積神經網絡的肝臟CT圖像病灶檢測問題研究[D].湘潭：湘潭大學，2019.

[21]MA JM.Application of artificial intelligence based on deep learning in magnetic resonance imaging of early liver cancer[D].Jinan：Shan?dong University，2020.

馬舉銘.基于深度學習的人工智能在早期肝癌磁共振影像的應用研究[D].濟南：山東大學，2020.

[22]WU DL.Detection of small lesions in liver CT images based on im?proved Faster R-CNN[D].Nanning：Guangxi University，2022.

吳德藍.基于改進Faster R-CNN的肝臟CT圖像小病灶檢測[D].南寧：廣西大學，2022.

[23]CHEN X.Research on liver lesion classification algorithm based on weakly-labeled CT images[D].Hangzhou：Zhejiang University，2020.陳效.弱標注CT圖像中肝臟病灶分類算法研究[D].杭州：浙江大學，2020.

[24]ADAMS R，BISCHOF L.Seeded region growing[J].IEEE Trans Pat?tern Anal Mach Intell，1994，16（6）：641-647.DOI：10.1109/34.295913.

[25]LEE SU，YOON CHUNG S，PARK RH.A comparative performance study of several global thresholding techniques for segmentation[J].Comput Vis Graph Image Process，1990，52（2）：171-190.DOI：10.1016/0734-189x（90）90053-x.

[26]OSHER S，FEDKIW R，PIECHOR K.Level set methods and dynamicimplicit surfaces[J].Appl Mech Rev，2004，57（3）：B15.

[27]VORONTSOV E，ABI-JAOUDEH N，KADOURY S.Metastatic liver tu?mor segmentation using texture-based omni-directional deformable surface models[C]//YOSHIDA H，N?PPI J，SAINI S.International MICCAI Workshop on Computational and Clinical Challenges in Ab?dominal Imaging.Cham：Springer，2014：74-83.

[28]RAJ A，JAYASREE M.Automated liver tumor detection using Markov random field segmentation[J].Procedia Technol，2016，24：1305-1310.DOI：10.1016/j.protcy.2016.05.126.

[29]SHIMIZU A，NARIHIRA T，FURUKAWA D，et al.Ensemble segmenta?tion using AdaBoost with application to liver lesion extraction from a CT volume[J].MIDAS J，2008.DOI：10.54294/wrtw01.

[30]ZHANG RZ，ZHAO L，LOU WT，et al.Automatic segmentation of acute ischemic stroke from DWI using 3-D fully convolutional DenseNets[J].IEEE Trans Med Imaging，2018，37（9）：2149-2160.DOI：10.1109/TMI.2018.2821244.

[31]HESAMIAN MH，JIA WJ，HE XJ，et al.Deep learning techniques for medical image segmentation：Achievements and challenges[J].J DigitImaging，2019，32（4）：582-596.DOI：10.1007/s10278-019-00227-x.

[32]RAZZAK MI，NAZ S，ZAIB A.Deep learning for medical image pro?cessing：Overview，challenges and future[EB/OL].2017：arXiv：1704.06825.http：//arxiv.org/abs/1704.06825.

[33]BADRINARAYANAN V，KENDALL A，CIPOLLA R.SegNet：A deep convolutional encoder-decoder architecture for image segmentation[J].IEEE Trans Pattern Anal Mach Intell，2017，39（12）：2481-2495.DOI：10.1109/TPAMI.2016.2644615.

[34]RONNEBERGER O，FISCHER P，BROX T.U-net：Convolutional net?works for biomedical image segmentation[EB/OL].2015：arXiv：1505.04597.http：//arxiv.org/abs/1505.04597.

[35]DONG X，ZHOU YZ，WANG LT，et al.Liver cancer detection using hybridized fully convolutional neural network based on deep learning framework[J].IEEE Access，2020，8：129889-129898.DOI：10.1109/ACCESS.2020.3006362.

[36]GAO F.Liver tumor image segmentation and MVI prediction based on feature learning[D].Zhengzhou：Information Engineering Univer?sity，2022.

高飛.基于特征學習的肝臟腫瘤圖像分割與MVI預測[D].鄭州：戰略支援部隊信息工程大學，2022.

[37]GHONIEM RM.A novel bio-inspired deep learning approach for liver cancer diagnosis[J].Information，2020，11（2）：80.DOI：10.3390/info11020080.

[38]ALMOTAIRI S，KAREEM G，AOUF M，et al.Liver tumor segmenta?tion in CT scans using modified SegNet[J].Sensors，2020，20（5）：1516.DOI：10.3390/s20051516.

[39]ALIRR OI.Deep learning and level set approach for liver and tumor segmentation from CT scans[J].J Appl Clin Med Phys，2020，21（10）：200-209.DOI：10.1002/acm2.13003.

[40]SEO H，HUANG C，BASSENNE M，et al.Modified U-net（mU-net）with incorporation of object-dependent high level features for im?proved liver and liver-tumor segmentation in CT images[J].IEEE Trans Med Imaging，2020，39（5）：1316-1325.DOI：10.1109/TMI.2019.2948320.

[41]CHEN YL，WANG K，LIAO XY，et al.Channel-unet：A spatial channel-wise convolutional neural network for liver and tumors segmentation[J].Front Genet，2019，10：1110.DOI：10.3389/fgene.2019.01110.

[42]XI XF，WANG L，SHENG VS，et al.Cascade U-ResNets for simultane?ous liver and lesion segmentation[J].IEEE Access，2020，8：68944-68952.DOI：10.1109/ACCESS.2020.2985671.

[43]XIAO XJ，QIANG Y，ZHAO JJ，et al.Segmentation of liver lesions without contrast agents with radiomics-guided densely UNet-nested GAN[J].IEEE Access，2021，9：2864-2878.DOI：10.1109/ACCESS.2020.3047429.

[44]ZHANG Y，JIANG BX，WU J，et al.Deep learning initialized and gra?dient enhanced level-set based segmentation for liver tumor from CT images[J].IEEE Access，2020，8：76056-76068.DOI：10.1109/ACCESS.2020.2988647.

[45]ZHANG C，HUA QQ，CHU YY，et al.Liver tumor segmentation using 2.5D UV-Net with multi-scale convolution[J].Comput Biol Med，2021，133：104424.DOI：10.1016/j.compbiomed.2021.104424.

[46]BILIC P，CHRIST P，LI HB，et al.The liver tumor segmentation benchmark（LiTS）[J].Med Image Anal，2023，84：102680.DOI：10.1016/j.media.2022.102680.

[47]SOLER L，HOSTETTLER A，AGNUS V，et al.3D image reconstruction for comparison of algorithm database：A patient specific anatomical and medical image database[DB].France：Institut de Recherche contre les Cancers de l’Appareil Digestif（IRCAD），2010.https：//www.ircad.fr/research/data-sets/liver-segmentation-3d-ircadb-01/.

[48]Image Big Data Artificial Intelligence Working Committee of Chinese Society of Radiology Chinese Medical Association，Abdominal Group of Chinese Society of Radiology Chinese Medical Association，Mag?netic Resonance Imaging Group of Chinese Society of Radiology Chinese Medical Association.Expert consensus on the focal liver le?sion annotation of CT and MRI（2020）[J].Chin J Radiol，2020，54（12）：1145-1152.DOI：10.3760/cma.j.cn112149-20200706-00893.

中華醫學會放射學分會醫學影像大數據與人工智能工作委員會，中華醫學會放射學分會腹部學組，中華醫學會放射學分會磁共振學組.肝臟局灶性病變CT和MRI標注專家共識（2020）[J].中華放射學雜志，2020，54（12）：1145-1152.DOI：10.3760/cma.j.cn112149-20200706-00893.

收稿日期：2023-12-10；錄用日期：2024-02-18

本文編輯：王亞南

引證本文：XU J， XU WB， HE KQ， et al. Research advances in the intelligent medical imaging diagnosis of liver cancer[J]. J Clin Hepatol， 2024， 40（9）： 1880-1885.

徐捷， 徐文斌， 賀柯慶， 等 . 肝癌的醫學影像智能化診斷研究進展 [J]. 臨床肝膽病雜志， 2024， 40（9）： 1880-1885.