肝硬化是由一种或者多种病因长期或者反复作用而形成的肝损害,这种损害具有弥漫性特点,严重危害人类身体健康。肝硬化这种慢性进行性肝病在临床上较为常见,诊断检查的手段主要有血清学检查、CT、MRI和超声检查。血清学检查的指标较为可靠,但它是一种有创性检查,临床上大范围使用有一些限制;CT、MRI等技术适用于占位性病变的诊断,对于肝硬化等弥漫性疾病的辅助诊断有待进一步研究,且CT和MRI不适用于肝硬化大面积人群筛查;超声检查是使用较为广泛的一种检查方法,但是临床医生依据自己的经验,通过观察超声图像的纹理等特征主观判断肝硬化严重程度,很有可能造成误判。本文提出了一种基于深度学习的肝硬化计算机辅助诊断方法,通过提取高频超声图像的patch小块特征,结合投票方法实现最终肝脏状态的分期,提高临床诊断的效率和准确度。肝硬化量化分期方法主要包含四个核心模块,分别是肝包膜定位模块、patch小块获取模块、网络训练模块以及两级分类模块。首先,利用局部小块像素均值搜索方法初步定位肝包膜位置,结合包膜线位置分离包膜区域和实质区域,采用不同的滑动窗口策略获取包膜和实质的patch小块,并利用灰度共生矩阵的统计量特征对patch小块进行进一步筛选,去除掉黑色的背景小块和成像质量不好的小块;其次,根据肝硬化不同时期在包膜和实质patch小块的表征以及两个区域小块的尺寸大小、质量合格的小块数量等因素,分别训练不同的深度神经网络模型,并在训练前对网络结构做了改进,选择合适的卷积层参数、网络层类型和层数以及激活函数种类;最后,通过两级分类方法对验证图片进行测试,利用第一个网络结合小块投票方法做重度肝硬化的分期,利用第二个网络结合小块投票方法做其余时期的分期,最终使用局部特征实现对整体超声图像肝硬化的辅助诊断。从上海长征医院提供的高频超声图像和正常对照组图像(这些图像的肝脏状态均经过多种检查手段证实)中获取patch小块进行训练和测试,并且改变patch小块滑动窗口策略获得一组验证集patch小块。结果显示:在验证集中正常对照组、轻度肝硬化、中度肝硬化和重度肝硬化的识别率依次为95.00%、88.90%、94.10%和92.30%,在与其他几种较为先进的辅助诊断方法的对比中均优于其他方法。本文方法可以为临床应用提供一定的诊断依据,辅助医生进行肝硬化分期的诊断;也可以为计算机辅助诊断领域的研究者提供一些分期思想上的参考,可以将此方法迁移到其他种类的疾病诊断中去,进一步拓展该方法的适用领域。