人工智能正在取代计算科学和工程学中的标准算法，超声造影已经在欧洲 和亚洲用于心脏和腹部成像数十年，应用前景光明。基于这两个事实，深度学习 在超声造影数据分析领域将大有可为。本研究围绕着超声造影视频数据的深度 学习方法应用，在数据集清洗和视频学习框架两个话题上展开，详细研究了半 自动追踪软件的开发设计和多种卓越的视频网络在超声造影数据上的迁移性能。 文章主体分为四个章节：第一章介绍超声造影和超声影像组学的概念，系统回顾 了基于机器学习的超声造影定量化分析和研究成果，说明了研究数据清洗和迁 移学习的必要性；第二章围绕自主研发的基于点跟踪算法的半自动病灶连续勾 画软件，介绍了造影视频的运动校正方法，比较不同特征点提取算法的性能，简 要介绍软件的构建过程和使用；第 3 章围绕迁移学习和视频分类模型展开，在区 分肝细胞癌和胆管细胞癌的分类任务下，纵向分析比较了 4 大类、16 个视频分 类模型的迁移效果，并纵向比较了采样帧数、采样方法、数据清洗和全局特征对 迁移效果的影响，本章节希望帮助初学者了解如何对超声造影数据集进行清洗、 如何选择模型和训练参数，并在较短的时间内达到良好的分类性能；第四章总结 了研究的不足，并展望了未来深度学习在超声造影和其他医学影像的发展。虽然 这些方法只在局灶性肝脏病变数据集上测试优化，但方法本身并不涉及肝脏器 官图像表征的先验知识，原则上感兴趣的连续跟踪和深度学习框架可以应用到 其他器官的造影序列的处理和分析中