早期及中期肝细胞癌（Hepatocellular Carcinoma,HCC）患者接受肝切除或介入治疗后,大血管侵犯（Macrovascular Invasion,MaVI）的发生会限制其后续治疗的开展,因此MaVI是重要的预后不良指标。临床上,已有靶向、免疫等药物可用于治疗MaVI,但其安全性和有效性高度依赖于早发现早治疗。为确保MaVI的早诊早治以提高HCC的生存率,MaVI的风险预测必不可少。鉴于肝癌诊疗过程可不依赖于病理结果完成,为避免非必要的穿刺活检导致额外出血风险,基于医学影像构建深度学习模型是实现MaVI风险预测的合理思路。为实现上述思路,需解决两大核心问题:1)肝癌的精确自动分割。MaVI的风险预测任务,需要提取肝癌区域作为感兴趣区域。虽然手动分割方法精度较高,但耗时耗力,不利于MaVI预测任务的后续研究。因此,如何在保障分割精度的同时建立肝癌自动分割方法,是有效预测MaVI风险的基石保障。2)MaVI风险的有效预测。在自动分割基础上,如何运用深度学习方法全面提取信息是有效预测MaVI风险的核心问题。由于肝癌在CT图像上存在大小、形状、位置、灰度差异性大,以及边界不清晰等问题,在CT图像上实现肝癌自动分割十分具有挑战性。因此,本文提出一种基于Swin Transformer UNet（STUNet）的肝癌分割方法解决上述肝癌分割问题。首先,本文使用U形网络,引入多尺度信息,以学习大小、形状、灰度差异较大的肝癌;其次,在跳跃连接处加入Swin Transformer,获取图像的全局信息,以学习位置差异较大的肝癌;最后,引入鲁棒分割损失函数,以解决肝癌边界不清晰的问题。此外,实验表明本文提出的算法优于现有的一些常用分割算法,验证了本文方法的有效性。在CT图像中,MaVI的阳性与阴性样本之间存在类间相似性和类内差异性的问题,从而提高了 MaVI的早期预测难度。此外,现有的方法未能考虑与HCC相关的临床先验知识,导致信息提取不全面。对此,本文提出一种先验知识引导网络（Prior knowledge-aware fusion network,PKAFnet）来实现 MaVI 的精确早期预测。首先,本文提出了一个感知模块,可在图域中提取与肝癌边缘异质性相关的特征,并引入旋转不变性捕获肝癌边缘的灰度变化;其次,构建肝癌分割网络,以获取肝癌内部异质性相关的信息;最后,本文通过使用多域注意力特征融合模块,以结合肝癌边缘和肝癌区域特征进行MaVI预测。通过结合与MaVI相关的先验知识,PKAFnet可以有效缓解过拟合,从而提高识别能力。该方法与现有多种分类方法对比展现出巨大优势,在MaVI预测中具有应用潜力。本文的STUNet和PKAFnet都在多中心数据集上进行泛化性能验证。此外,本文的两个方法分别解决MaVI早期预测算法中的实用性和精确性问题,为MaVI早期预测的临床应用奠定基础。