肝细胞癌和肝内胆管细胞癌是发病率最高的两种原发性肝癌,肝癌的主要临床特点是可预测性低,恶化迅速,较易死亡,并且这两种原发性肝癌的手术计划的选择以及预后评估存在着极大不同,因此,实现肝细胞癌和肝内胆管细胞癌的无创分类对肝癌的早期诊断和治疗十分重要。相比较肝部MRI和超声的图像研究,肝部CT图像具有成像质量好,分辨率高的优点。但是利用患者的CT图像研究两种癌症的分类存在着以下两个问题:1.传统的特征提取方法耗时费力,特征固定且单一;2.相比较深度学习所使用的较大数据量,此次研究的医学数据集较小,包含234例病人。针对上述情况,本文提出了基于医学交叉对比神经网络的分类方法,该方法融入了深度卷积网络VGG和统计分析中相似度度量的Information Based Similarity(IBS)方法,实现了对肝细胞癌和肝内胆管细胞癌的CT图像分类研究。本文主要有以下部分组成:首先,介绍了肝细胞癌和肝内胆管细胞癌的相关背景、研究意义和发病机理。其次,简单介绍了深度卷积网路,孪生网络和统计分析的IBS方法,从而引出本文所研究的医学交叉对比神经网络(Medical-Cross-Contrast Neural Networks,MCCNN),并对网络的训练以及测试过程进行了简单说明。最后,本文利用医学交叉对比神经网络在234人(82名肝细胞癌患者,73名肝内胆管细胞癌患者以及79名无肝癌的脂肪肝患者)的数据集上进行实验并且获得了较好的结果。在测试集上,两癌症分类的CT切片图像准确率/病人准确率是82.5%/87.2%,三分类的CT切片图像准确率/病人准确率是81.8%/86.6%。相比而言,在肝细胞癌和肝内胆管细胞癌分类问题上较高的准确率是69.7%,在预测肝细胞癌微血管侵犯问题上较高的准确率是江苏省人民医院张玉东教授团队的80-82.8%。另外,本文还将其他深度卷积网路的分类结果与本文的研究结果相比较,医学交叉对比神经网络表现的都较好,为本文方法在肝细胞癌和肝内胆管细胞癌的适用性与优势性提供了证明。