对于精准的肝癌诊断和分期,造影剂增强的磁共振成像是最常用的现代诊断技术之一。虽然在使用了造影剂的增强图像上肝脏肿瘤的对比度得到了显著的增强,有利于肝脏肿瘤的分割,但是造影剂的使用会带来钆沉积、耗时长和不良反应风险等问题。使用非增强图像直接进行分割能够避免以上问题,但是由于非增强图像存在低对比度的特点,直接从非增强图像中分割肝脏肿瘤是具有挑战性的,甚至从一开始就难以获得准确的医师手工标注。近年来出现了一些基于非增强图像上分割的研究工作,但是这些方法通常需要完全标注的数据集,对数据预处理和数据标注等前期工作有较高的要求。医学数据集普遍是小规模数据集,存在着样本少、标注困难等问题,因此如何最大化医学数据集利用率是当前苛待解决的问题。为了能够将无标注数据直接用于训练,减少对医师手工精准标注的依赖,本文着眼于半监督学习方法来应对这一现状,同时还结合了肝脏磁共振成像多模态与多时期的图像特点,对无造影剂磁共振成像数据上的半监督学习肝脏肿瘤分割方法进行了一系列研究。主要研究成果如下:（1）造影剂增强图像具有高敏感度、肝脏肿瘤与背景对比度高的优点,因此使用增强图像指导非增强图像是一种直观的思路。在本文中使用了增强图像对非增强图像进行直接指导,引入一致性损失建立半监督学习方法,提高了模型在无造影剂图像上肝脏肿瘤分割的效果。本文提出了一种基于Mean Teacher的多时期一致半监督模型MPC-MT,能够在多时期磁共振图像之间建立一致性正则化,实现无造影剂图像的肝脏肿瘤分割。本文将半监督学习模型应用于由194名病例数据组成的现实世界数据集中。实验结果表明,半监督学习模型在不同的数据集标注率下都取得了全面优于基线网络的结果,在70%的数据集标注比例下就取得与100%数据集标注比例下基线网络相媲美的分数,并在100%标注数据集上取得了89.87%的Dice系数和92.29%的查准率。（2）造影剂增强图像的获取过程中不仅会带来造影剂沉积的危害,还存在着耗时长和价格昂贵等缺点,因此如何直接使用非增强图像对模型进行训练是一个十分有价值的问题。在本文中使用了在非增强多模态数据之间搭建半监督学习框架的思路,并且引入了稳定性损失实现各模态分割模型之间的动态指导。本文提出了稳定性感知的多学生模型SA-MS,使用多个学生模型来分别实现多种模态上的肝脏肿瘤分割,然后通过多模态融合模块生成最终预测。本文中将SA-MS模型应用于由179名患者组成的3D MRI数据集中,实验结果表明SA-MS模型仅使用50%的标注数据集就取得了82.16%的Dice系数,并在100%标注数据集上取得了90.51%的Dice系数。