肝癌的患病致死率极高,然而在医学影像中,非典型肝癌与一些良性肿瘤的影像表现非常相似,很难从直观上辨别出来。现有肝脏肿瘤鉴别方法大都基于时间强度曲线,不仅依赖于额外的定量分析软件,并且无法应用于非典型肝癌的鉴别。此外,对于常用的图像特征,由于缺乏对诊断语义的描述,不具备临床可解释性,医生无法理解其提取信息的过程。这些问题导致目前基本没有相关研究能关注于非典型肝癌的自动化诊断。针对这些问题,本文创新性地提出了三种用于FNH和非典型HCC的辅助诊断模型。本文先从超声造影视频中提取三种语义特征来分别表征临床对肿瘤的诊断语义,并用支持向量机进行分类,充分地利用了临床医师的先验知识。然后,提出基于注意力机制的3D-CNN网络模型来提取肿瘤隐含的深层特征,提高辅助诊断模型的通用性。最后,本文在前述模型的基础上,提出联合诊断语义及3D-CNN的辅助诊断模型,在保证精准分类效果的同时,尽可能地弥补模型缺乏的先验知识。本文使用342例肝脏肿瘤超声造影视频对三种模型进行测试,评估各自的性能表现。实验结果表明,三种辅助诊断模型相较于同类型的辅助诊断模型均取得了更优异的分类性能,这说明,本文提出的三种辅助诊断模型能够为临床提供有价值的诊断意见。