چکیده: تشخیص دقیق و زودهنگام ضایعات کانونی کبد به دلیل نرخ بالای مرگ‌ومیر ناشی از تومورهای بدخیم، از اهمیت حیاتی در برنامه‌ریزی‌های درمانی برخوردار است. با وجود پیشرفت‌های اخیر در سیستم‌های تشخیص به کمک رایانه، افتراق میان ضایعاتی با شباهت بصری بالا، نظیر کیست‌های پیچیده و متاستازهای بدخیم، و همچنین مدیریت تنوع گسترده در ابعاد ضایعات، همچنان به عنوان یک چالش اساسی در تصویربرداری توموگرافی کامپیوتری باقی مانده است. پژوهش حاضر با هدف ارائه یک معماری نوین یادگیری عمیق برای ارتقای دقت طبقه‌بندی ضایعات کبدی در مقاطع دوبعدی انجام شده است. در این رساله، یک مدل مبتنی بر ResNet-50 با رویکرد استخراج ویژگی‌های چندمقیاسی پیشنهاد گردیده است. برخلاف روش‌های سنتی، معماری پیشنهادی با بهره‌گیری از انشعاب‌های مختلف در لایه‌های میانی، ویژگی‌های ساختاری و معنایی را به صورت سلسله‌مراتب استخراج کرده و از طریق ماژول‌های کاهش ابعاد، پیچیدگی محاسباتی را بهینه می‌سازد. نوآوری اصلی این پژوهش، یکپارچه‌سازی مکانیسم توجه دوگانه (کانالی و مکانی) در یک بستر ادغام سلسله‌مراتبی است که شبکه را قادر می‌سازد تا بر روی نواحی تفرقه‌دهنده کلیدی تمرکز کرده و نویزهای بافت سالم کبد را سرکوب نماید. ارزیابی مدل بر روی پایگاه داده عمومی و معتبر LiMT که شامل ۱۵۰ مورد بالینی در ۵ کلاس (کارسینوم سلول‌های کبدی، متاستاز، کیست، همانژیوم و بافت سالم) می‌باشد، انجام گرفت. نتایج آزمایش‌ها نشان داد که معماری پیشنهادی با دستیابی به صحت کلی 85.34 درصد و امتیاز اف-یک 80.00 درصد، برتری محسوسی نسبت به مدل‌های پایه نظیرResNet ، ViT و DenseNet دارد. این مدل به طور خاص در شناسایی کلاس‌های اقلیت و حیاتی مانند متاستازها، پایداری و حساسیت بالایی از خود نشان داد. یافته‌های این پژوهش پتانسیل بالای ترکیب ویژگی‌های چندمقیاسی و مکانیسم‌های توجه را در بهبود فرآیندهای غربالگری و کمک به متخصصان رادیولوژی اثبات می‌نماید.