最近一个世纪以来,医学成像技术渐渐发展,基于医学图像的诊断流程也逐渐成为了每一个科室基本的诊断流程。基于各种影像体系,北美放射学会近十几年来针对各种癌症疾病开始制定规范化的数据报告系统(RADS),例如BI-RADS标准、LI-RADS标准等。LI-RADS标准作为北美放射学会为了标准化肝病灶图像诊断和肝病灶报告设计的标准,近些年来也一直在推广并在全球许多临床实践中被采用。然而由于LI-RADS征像与流程复杂,现在仍然没有基于该标准的较为完整的计算机辅助诊断系统。因此,本文围绕基于LI-RADS标准的肝肿瘤分级问题展开分析和研究。主要开展的工作如下:在对LI-RADS流程分析的基础上,本文给出了基于LI-RADS标准的计算机CAD流程的完整设计。将LI-RAD计算机CAD处理分为三个主要流程,数据预处理、良恶分类以及恶性度分级。在数据预处理中,本文设计了并实现了方法流程,包含全局配准,最优期切割以及局部配准三步。该数据预处理方法流程能尽可能的减少放射科专家的标注工作,并为后续分类、分级工作提供可用的数据基础。针对基于LI-RADS的肝肿瘤良恶性分类问题,LI-RADS定义了区分良恶性病灶的特征,然而这些特征都是描述性的。本文首先基于LI-RADS标准的描述性特征设计量化特征,以此实现计算机自动提取区分良恶性的分类特征。同时,通过总结并量化放射科专家诊断报告中的描述性特征(称为影像诊断报告特征),扩展了支持肝脏病灶良恶性分类的医学影像特征。然后结合LI-RADS特征和影像诊断报告特征采用传统机器学习算法进行LI-RADS肝肿瘤良恶性分类。实验结果表明两类特征组合能更好地解决LI-RADS良恶分类问题。利用贪心策略进行特征筛选LI-RADS良恶性分类的AUC值可以达到0.9483。针对基于LI-RADS的肝肿瘤恶性度分级问题,由于LI-RADS标准已定义了主特征以及根据主特征的分级流程,并且分级流程较为固定,因此问题的关键归结为LI-RADS主特征的量化。现有的LI-RADS主特征量化算法实质上是基于单期相的,并且无法考虑病灶的局部表现,特征设计不够全面。针对上述问题,本文构建了每个LI-RADS主特征均包括正负样本案例的数据集,并基于多期相、多尺度策略进行ART增强、阔清、包膜等特征的量化设计。实验结果表明基于多期相的阔清的AUC值比基于单期相提升了7%;基于多尺度的包膜的AUC值达到0.9013。