肝细胞癌是所有疾病中发病率和死亡率排在最高的疾病之一,国家癌症中心研究显示肝细胞癌发病率和死亡率在所有癌症中居前5位,严重地威胁到现代人们的生命安全。目前针对肝细胞癌的治疗手段主要是手术切除患病肿瘤区域。肝细胞癌手术后复发的可能性很高,根据调查,我国进行肝细胞癌手术后,五年内复发的概率高达60%～70%。脉管浸润对判断手术切除后肝细胞癌是否复发有重要的参考意义。在当前治疗水平下对肝细胞癌患者是否发生脉管浸润进行检测,对后期的手术操作也有重要的指导意义。目前进行脉管浸润检测主要是传统的生化指标检测,随着医疗影像技术的进步,基于影像来判断肝细胞癌脉管浸润的研究方法开始出现。近年来人工智能技术有了较好的发展,机器学习,深度学习等技术在图像、语音、文本等领域内获得了巨大的成功。医疗方面,深度学习已经在肺癌结节检测等方面有所应用。本文首次使用深度学习技术对肝细胞癌脉管浸润进行自动化检测。本文利用图像识别技术,结合生化数据和医学图像数据建立了一个基于多模态数据的神经网络模型,用于对肝细胞癌脉管浸润进行预测。在此基础上开发了一套基于web服务的脉管浸润检测系统,用于辅助医疗人员改进肝细胞癌治疗方案。该模型主要包括四个部分,图像预处理模块,图像数据预测模块,生化数据预测模块,集成投票模块。在图像预处模块中,主要对遮罩层进行切割,使得输入数据更聚焦于所研究的病灶位置;图像预处理模块将医疗图像数据转换为灰度值数据。然后再经过数据的标准化处理以便更好地适应网络的输入要求。图像数据预测模块主要使用卷积神经网络抽取病灶特征并使用监督学习进行预测。为了解决数据量较少的问题,本文将3D立体扫描图像进行断层方向的切割,以便获取到更多二维图像。对肿瘤相近位置的切片单独训练模型,在图像特征阶段训练了独立的四个卷积网络模型。集成投票模块对图像数据预测模块的识别结果和生化数据预测模块的识别结果进行影响权重的自学习,最后使用集成投票阶段的输出结果作为最终的预测结果。基于以上研究方法,本文构建了一个在线肝细胞癌脉管浸润检测系统,面向医疗工作者,提供肝细胞癌脉管浸润自动化识别服务,系统基于web端,轻量化,计算能力可根据用户需求量弹性扩展。本文使用的实验数据由南京鼓楼医院提供的肝细胞癌患者的腹部CT扫描图像数据和生化数据组成。总计262例病例数据,每个病例数据均由专家绘制肿瘤病灶区域,所有CT扫描图像的断层切片总计13116张。另一部分是患者医学指标检测出的生化数据。