在医疗设备和影像技术革新的大背景下,数字化的医学影像数据也呈现出海量增长的趋势。近年来人工智能的快速发展,有望帮助医生减轻工作负担、提高工作效率,逐步走向智慧医疗。癌症是世界上首要的致死病因,其中肝癌位列癌症第四,早期诊断和治疗是降低肝癌死亡率的最有效手段。然而,肝脏肿瘤CT图像因其病变形态各异,存在着较多同病异影、异病同影的情况,针对肝脏肿瘤CT图像的分类任务是一个挑战,也是近年来学术界的一个研究热点与难点。由于肝脏肿瘤CT图像数据标注困难,有效的高质量标注数据较少,早期相关文献较多针对单期相、二维典型层研究为主,其精心设计的手工特征主要集中在灰度值和纹理相关方面。近年来,BoVW(Bag of Visual Words)相关改进模型被广泛采用到多期相CT图像中,并有不俗的性能表现。由于医学图像分类往往对准确率的要求较高,现有特征表达方式依然无法直接得到临床应用。因此,本文针对多期相三维CT图像对肝脏肿瘤分类问题进行研究,主要侧重在特征提取和选择以及分类模型的选取这些关键点上,旨在提高分类的准确率和效率。主要开展的工作如下:1)提出一种浅层多特征融合的肝脏肿瘤CT图像分类算法传统的特征提取算法不能很好地适应肝脏肿瘤CT图像三维、多期相的特点,手工特征的设计往往需要以放射科医生临床诊断经验为依据。针对这些问题,本文重点考量多期相三维CT图像间的演化模式,提出一种浅层多特征融合的肝脏肿瘤CT图像分类算法。该算法在灰度值、纹理、形状等方面按照bottom-up贪心策略提取手工特征并对组合特征依据卡方选择筛选了有效特征,实验结果表明这种特征融合和筛选方式明显提高了手工特征的分类性能,最终的分类准确率可以达到75%左右。2)提出一种结合N-gram和BoVW的Bi-gram BoSTW模型BoVW模型是图像分类领域一种流行的技巧,可以集成浅层手工特征,具备一定的学习能力,一定程度上解决“语义鸿沟”问题,可扩展性较强。基于此,本文进一步提出了一种结合N-gram和BoVW的Bi-gram BoSTW模型。该模型结合图像的时序信息,融合三期相图像形成新的RGB三通道表示方式,在此基础上引入文本分类中的N-gram技巧,结合了视觉词的空间位置和纹理共生信息。实验结果表明这种既结合三期相时序信息,又包含病灶纹理全局分布和局部共生信息的模型,考虑得比较全面,非常行之有效,最终的分类准确率能达到83%左右,在分类准确率和训练速度方面明显优于现有的BoVW模型及其变种。同时,该模型可以泛化到放射学的其他应用领域,具有一定的普适性、通用性。在此基础上,本文设计并实现了一个初步可用的CAD原型系统,适用于肝脏肿瘤CT图像的显示、检索与分类。