张 欢，赵希梅，2

（1.青岛大学 计算机科学技术学院，山东 青岛 266071；2.山东省数字医学与计算机辅助手术重点实验室，山东 青岛 266000）

0 概述

自人工神经网络［1］诞生以来，计算机辅助诊断（Computer-Aided Diagnosis，CAD）［2］技术逐渐受到关注。随着卷积神经网络（Convolutional Neural Network，CNN）［3］的发展，该技术在医学影像特别是肝脏超声影像方面的应用日益广泛。肝脏超声影像可有效检测出肝脏组织的微小病变，操作安全便捷。目前CAD 辅助肝脏超声影像技术已成为检测肝脏病灶的重要手段，肝病检测中病灶图像特征的提取方式，也由基于机器学习［4］的人工提取发展为基于深度学习［5］的卷积自动提取。

目前，国内外研究人员采用机器学习或深度学习方法进行肝脏病变研究。在机器学习方面，文献［6］利用空间灰度独立矩阵、空间频率分解和分形结合两层BP 神经网络，对正常肝脏以及轻度、中度和重度脂肪肝4 种肝脏超声影像的平均识别率达到95.33%。文献［7］提出一种改进SLBP 特征与二维Gabor 变换结合的方法，采用超限学习机ELM 对肝硬化样本的识别率达到95.4%。在深度学习方面，文献［8］提出基于深度视觉特征学习的肝脏病灶识别方法，并采用CaffeNet 训练框架对原发性肝癌、肝硬化样本以及正常肝脏进行识别，其平均识别精度为96.67%。

由上述研究成果可知，与基于机器学习的人工提取方法相比，采用卷积自动提取特征的深度学习［9］方法对肝脏病灶识别效果更优，因此，基于卷积神经网络的算法作为深度学习的重要算法［10］，逐渐成为肝脏影像处理领域的主流算法。……