肝硬化为临床常见的慢性进行性疾病,随着病程的进展,最终可发展为肝癌,具有较高的死亡率。肝硬化疾病的早期诊断,有助于后续进行相应的治疗,提高患者的生存质量,是医学领域重要的研究课题之一。本文依据计算机视觉、机器学习等相关的理论和方法,结合临床诊断的先验知识,分别从肝硬化高频超声图像的肝包膜和肝实质两部分出发,实现了肝硬化分期的辅助诊断研究。本文的研究主要涉及以下内容:肝包膜自动提取算法;基于肝包膜形态特征的肝硬化辅助诊断;基于肝实质纹理特征分析的肝硬化辅助诊断。（1）肝包膜自动提取算法:随着肝硬化进程的发展,肝包膜会出现不同程度的形态畸变、断裂以及厚度变化,而且部分重度肝硬化超声图像中会存在腹水区域导致图像的结构发生变化。基于此结构特点,本文提出了一种图像法肝包膜提取方法,可实现有、无腹水结构下肝包膜“预测膜”及“真实膜”的自动精确提取。首先采用滑动窗口对图像进行有无腹水的检测;然后利用多尺度细节增强与灰度集合变换结合的先局部后整体方法进行图像增强;再基于形态学处理对超声图像进行结构化处理;最后设计了一种遍历搜索法对肝包膜“预测膜”进行提取,并基于灰度差值法完成肝包膜“真实膜”的精确提取。实验结果显示肝包膜提取的准确率达到了95.13%。（2）基于肝包膜形态特征的肝硬化辅助诊断:首先基于肝包膜“预测膜”提出了反映其整体走向及变化趋势的平滑性和波动性特征,并基于肝包膜“真实膜”提出了反映其断裂情况的连续性特征。其中平滑性采用肝包膜分段斜率集合的方差和变异系数表示,波动性采用波动次数指标表示,连续性采用组成真实膜的线段数量表示。其次,本文利用采集到的四维特征参数设计了一种结合支持向量机和K均值聚类的两级分类模型,以实现对正常、轻度、中度和重度肝硬化图像的准确分类鉴别。实验结果显示四个不同分期的分类精度分别达到了92.54%、88.46%、89.23%和94.55%,证明了此算法的可行性。（3）基于肝实质纹理特征分析的肝硬化辅助诊断:随着病程的不断进展,肝实质部分的回声逐渐发生变化,光点逐渐增粗且形态发生变化,分布呈现不均匀的状态。由于重度情况下,硬化组织及腹水等的影响较大,导致重度时期超声对于肝实质部分的纹理特征的表述不够清晰,此部分主要实现肝硬化正常、轻度以及中度的分类识别。首先采用一定大小、步长的滑动窗口算法对肝实质区域进行分割,以获取肝实质子图像,其次利用灰度共生矩阵与K均值聚类算法对子图进行特征提取及分类处理,依据病变区域大小与原始图像病程分期的对应关系,保留数量较多类别下的小块,从而获取到更加准确表述不同分期的新的超声图像集合。然后基于预训练的Alex Net网络模型进行训练和验证;最后结合置信度以及投票机制实现新的图像的分类识别,从而实现了肝硬化正常、轻度以及中度的分期辅助诊断。实验结果显示此方法在子图以及三种分期下完整图像上均有较高的识别精度,能够更好地应用于临床辅助诊断。