目的 针对从原发性肝癌中检测肝细胞癌(HCC)的灵敏度不高和诊断结果高度依赖于放射科医生的专业性和临床经验,本文利用深度卷积神经网络的方法自动学习B超和超声造影(CEUS)图像中的特征信息,并实现对肝癌的分类。方法 建立并验证基于卷积神经网络(CNN)的多个二维和三维分类模型,分别对116例患者(无其中100例HCC和16例非HCC)的B超和CEUS影像进行定量分析,并对比Selleckchem Napabucasin分析各个模型的分类性能。结果 实验结果表明,三维CNN模型的各方面性能指标都优于二维CNN模型,验证了三维CNN模型能同时提取肿瘤区域的二维影像特征及血流时间动态变化特征,比二维CNN模型更适用于HCC与非HCC分类。其中3D-CNN模型的AUC、准确率和敏感度值最高,分别达到了85%,85%和80%。此外,由-于HCC和非HCC样本不均衡,通过扩充非Sepantronium供应商HCC样本的数量可以提升网络的分类性能。结论 本文提出的3D-CNN模型能够实现快速、准确地肝癌分类,有望应用于辅助临床医师诊断与治疗肝癌。