肝细胞癌(Hepatocellular Carinoma,HCC)是常见的恶性肿瘤,统计表明罹患HCC的患者死亡率在中国乃至世界范围内排名靠前,分居恶性肿瘤死亡率的第三位和第五位。在实际的磁共振影像(Magnetic Resonance Imaging,MRI)诊断中,有经验的医务人员能够比较容易地观测到肝脏病变区域,然而在无对比、无量化的情况下对其病变程度的准确判断仍存在一定的难度。因此,本文对HCC的MRI影像进行量化分析,并结合其临床医学病理表现,研究了MRI图像特征对HCC恶性程度的诊断价值,构建了一个HCC恶性程度计算机辅助诊断(Computer Aid Diagnosis,CAD)系统,为医生提供辅助参考。本文的主要工作内容如下:(1)设计了基于MRI影像的HCC恶性程度CAD系统框架,并详细介绍了本CAD系统内各个模块的设计方案及技术原理。在影像预处理模块中,根据HCC在MRI影像中的强化表现,对HCC病灶区域(Regions of Interest,ROI)进行了手动分割;在量化分析模块中,设计了特征提取方案,详述了五类特征的提取原理及计算方法;在分类诊断模块中,简单介绍了常用的四种分类器。HCC恶性程度CAD系统的设计为本文接下来的研究打下了坚实的基础。(2)研究了MRI图像特征在HCC不同恶性程度等级之间的差异性,发现了ROI图像特征参数灰度均值(Mean)和灰度不一致性值(GLN)对于HCC的恶性程度具有较高的诊断价值。基于单因素方差法和ROC曲线法的统计分析结果表明,大部分图像特征作为单独指标在HCC不同恶性程度之间具有统计学差异,其中,特征参数Mean值和GLN值差异最为显著,其诊断价值也最高。(3)提出了一种基于分层策略的自适应加权多分类器融合算法,并采用该算法实现了HCC恶性程度的CAD。在该分类算法中,除训练集与测试集外,还加入了验证集以计算各分类器的自适应权值。首先,提取MRI影像ROI区域的五种特征序列;然后,根据这五种特征序列在验证集中的分类性能构建五个单层分类器;再次,采用本文算法计算各单层分类器的自适应动态权值;最后,通过线性加权的方法进行多分类器融合,实现HCC恶性程度自动分级。实验结果表明,本文HCC恶性程度CAD系统可以为医生提供高可信度的辅助诊断。