肝细胞癌(Hepatocellular Carcinoma,HCC)是世界上致死率最高的常见癌症之一。在HCC治疗的过程中,基于医学影像的病变区的精准分割对肿瘤边界的划定以及肿瘤体积的测量非常重要。常规CT检查具有较高的分辨力,已成为肝癌定性及定位诊断的常用检查技术。能谱CT作为一种新型的CT扫描技术,其成像在保留常规CT功能的同时,可将混合能量成像转变为单能量成像,提供除传统成像外的能谱曲线、基物质图以及有效原子序数等多种成像参数。相比于常规CT扫描,能谱CT提高了软组织分辨力从而为肝癌的诊断提供了新的方法。同时,能谱CT的多种参数图像可以从不同角度反映肿瘤信息,相互结合能够更精准的识别肿瘤。临床上,一般通过医生手动勾画完成HCC肿瘤分割,繁琐且耗时,易因医生诊断经验不同造成主观差异。近年来,机器学习尤其是深度学习技术在医学图像处理领域取得了重大突破。深度学习算法可以自主学习肿瘤特征,挖掘潜在的高维语义信息,达到肿瘤自动识别、分割的目的。因此,我们首创性地将深度学习应用到基于多参数能谱CT图像的HCC肿瘤分割领域,利用多种能谱CT图像分割的肿瘤结果构建多输入模式的深度网络,以准确、快速、客观地进行HCC肿瘤分割。为研究更好的利用多参数输入以提高HCC肿瘤分割效果,我们提出了基于深度融合网络和多路径密集连接网络的两种分割思路。首先,我们根据临床医生的经验,使用基于45、55、65keV的单能量图像、动脉期碘图,基于定制的U-Shape架构分别进行病灶分割。我们共采集了18个患者的数据,并完成6折交叉验证,作为我们多参数分割结果的对照组。其次,我们使45keV和65keV配对作为参数图像组合,基于深度融合网络(Late Fusion Network,LFN),进行HCC肿瘤的分割,目的是通过不同参数图像信息互补,改善基于单参数能谱CT图像和U-Shape网络架构的分割结果。同样,我们共使用18个患者的能谱CT数据,完成6折交叉验证。对分割结果进行统计分析发现,平均Dice系数(Dice’s coefficient,DSC)比基于单参数能谱CT图像的分割结果由0.711~0.728提升到0.753,平均Precision有显著提高。最后,为了克服深度融合网络结构原理上对多参数图像信息利用的不足,我们提出了基于密集连接网络结构(Multi-path DenseNet,MDN)的分割方案。同时,为了验证该结构对多参数信息的利用,我们设计了特征再利用实验。结果表明,MDN比LFN具有更好的分割能力,相比于单参数分割结果显著提高,且MDN可以有效利用能谱CT多参数信息。以上结果表明,我们提出的深度学习方法,实现了多种参数能谱CT图像的信息融合,相比基于单参数和U-Shape网络架构的方法分割性能更佳,体现了基于深度学习和能谱CT多参数图像实现HCC肿瘤分割的良好前景。但是,本研究提出的分割方法是基于二维图像实现的,未能充分利用三维数据的空间关联性。另外,我们的算法只是基于有肿瘤的图像进行训练和测试,在不含肿瘤的能谱CT图像上的分割性能还未经验证。在下一步的研究中,可以考虑应用三维分割的MDN架构进行HCC肿瘤分割,并在所有的能谱CT图像(包含或者不包含HCC肿瘤病灶)上完成测试,以增加算法鲁棒性,以期为HCC的临床诊疗提供辅助。