目的：近年来肝部良恶性肿瘤在我国的发病率逐年增加，如肝癌、肝血管瘤以及肝囊肿，临床上常采用CT成像技术来诊断肝部良恶性肿瘤，但这在很大程度上是凭医生肉眼进行判断，这种经验的、感性的认识存在不足，对于同样的图像，不同的医生会有不同的诊断结果。目前有效确诊往往需要采取穿刺检查，但穿刺检查往往带来较大损伤。随着医学图像处理技术的发展，一些研究表明，CT图像具有许多有价值的纹理特征，利用这些纹理特征可以用于对正常肝与肝部良恶性肿瘤CT图像进行分类识别，因而我们可以采用医学图像纹理分析技术对CT图像进行纹理分析，从而为医生诊断肝部良恶性肿瘤提供必要的辅助手段。本课题目的在于应用图像纹理分析方法结合人工神经网络识别技术对肝部良恶性肿瘤CT图像进行纹理分析和识别研究，从而为医学图像辅助诊断（Medical Image based Computer Aided Diagnosis，MICAD）的实现提供有效分析方法。 材料与方法：材料为南京医科大学第一附属医院放射科提供的95例CT图像，其中35例正常肝，35例肝癌，25例肝血管瘤。方法：将上述95例CT图像采集后存储在计算机上，并选择图像中的兴趣区（regions of interest，ROI），ROI区域取为32像素×32像素，采用空域（共生矩阵法）和频域（小波分析）法对ROI区域图像计算出图像的灰度共生矩阵的二次统计纹理特征、小波变换纹理特征以及小波包变换纹理特征，然后把特征矢量集作为样本集，采用概率神经网络法（Probabilistic Neural Network，PNN），对样本图像进行识别。 结果：本文对采集的95例CT图像，分别提取了多个图像特征。在对样本集的识别过程中得到：①用共生矩阵纹理分析方法，PNN对正常肝的识别率达到90％，对肝癌的识别率为80％，对血管瘤的识别率为70％。②用小波纹理纹理分析方法，PNN对正常肝的识别率达到95％，对肝癌的识别率为83％，对血管瘤的识别率为73％。③用小波包纹理分析方法，PNN对正常肝的识别率达到95％，对肝癌的识别率为85％，对血管瘤的识别率为76％。 结论：本文研究表明，第一，肝脏CT图像的灰度共生矩阵的二次统计量特征、小波分析纹理特征以及小波包纹理特征对肝脏CT图像具有较好的识别能力，其中小波包纹理特征识别性优于小波纹理特征，而小波纹理特征识别又优于灰度共生矩阵纹理特征。第二，概率人工神经网络（PNN）对肝脏CT图像的纹理特征具有良好的识别能力。本课题的研究成果可以作为临床诊断肝癌及肝血管瘤的客观手段之一，也为循证医学的发展提供了一个新的依据。