肝纤维化是一种肝脏内结缔组织增生异常的病理过程,通常是由各种致病因子导致的。任何肝脏损伤在肝脏修复愈合的过程中都会发生肝纤维化,但损伤如果不能及时去除,肝纤维化发展到后期严重阶段将导致具有弥漫性损害的肝硬化,进而导致肝癌等严重并发症。对于肝纤维化及肝硬化疾病的诊断通常分为血清检查、肝活检和影像学检查。相对于肝活检的有创性、CT的空间分辨率不足和放射性损害、MRI无法进行实时动态检查和高成本等问题,超声成像技术具有无损、实时、便捷、无电离辐射影响的优势,适合于大规模筛查和随访,尤其是对于肝纤维化和肝硬化的诊断,其优势明显。本文基于肝纤维化及肝硬化的高频超声图像展开研究,从医学图像增强、肝硬化病变区域分割到肝纤维化的四分类问题,为肝纤维化及肝硬化的临床计算机辅助诊断提供了有效的方法。本文的工作和创新点如下:(1)针对超声医学图像模糊、易有噪声污染等的特点,提出稠密残差条件生成对抗网络(RDC-GAN)应用到医学图像的数据增强,实现了将医学图像放大4倍后获得优质的超分辨率图像的目标。并从峰值信噪比、结构相似性、MOS分数和实际应用角度对该算法进行衡量,其中,在肝硬化的分期诊断任务中采用提升质量的数据对轻度和重度肝硬化的诊断准确率较之前数据集分别提高了5.50%和7.70%,轻度、中度和重度肝硬化的F1-Score较之前数据集分别提高了5.71%、2.54%和3.99%,验证了算法的实用性。(2)针对肝硬化疾病的弥漫性特点,提出了基于改进的Normalized cut的语义分割算法。利用已知的patch小块类别和置信度信息进行原图匹配,对原图的病变区域标注并纠正孤立点,通过在分割标准的最小化能量函数中添加具有实际物理意义的空间信息约束项,实现对肝硬化病变区域的分割,为医生提供了具有临床诊断价值的信息。(3)针对肝纤维化疾病的分类,提出了基于迁移学习策略的Res Net-V2网络用于肝纤维化四分类的方法。对于预训练的网络模型随机初始化各层权值参数,加入采用旋转、裁剪patch小块的方法扩充的数据集微调各类参数,经过softmax分类器结合patch小块投票原则最终得到肝纤维化S0～S1、S2、S3与S4期的分期灵敏度分别为93.75%、96.88%、87.50%和91.30%;特异度分别为93.75%、93.94%、95.45%和87.50%;F1-Score分别为93.75%、95.39%,91.30%和89.36%。在基于高频超声图像的肝纤维化定量诊断任务中达到了较好的效果。通过比较分析,本方法优于其他已有的方法,为临床计算机辅助诊断肝纤维化疾病提供了可行的办法。