甲状腺结节是一种常见的临床问题,对其进行临床检查能够判断患者是否患上甲状腺癌,超声是首选的检查方式,但为了进行更准确的诊断,还需要对患者作病理检查,由此生成的病理报告是公认的金标准。由于病理报告直接反应患者情况,知晓患者的病理报告诊断结论,便可推导出其超声图像检测结果为良性还是恶性。而这对于甲状腺超声图像的标注也具有重要意义:基于超声图像的甲状腺结节计算机辅助诊断系统以深度神经网络作为主要的甲状腺结节良恶性分类模型,训练该模型需要大量有标注的超声图像作为训练数据。通过人工标注的方式存在门槛高、费时费力、效率低等问题,因此自动标注甲状腺超声图像的方法很有必要。由于病理报告直接反应患者情况,使用计算机自动分析患者的病理报告并得出良恶性标签,便能够用该标签对该患者的甲状腺超声图像进行标注。于是本文将甲状腺超声图像的自动标注问题转换为甲状腺病理报告的自动标注问题,即如何自动分析甲状腺病理报告并得出良恶性标签。通过分析人类医生阅读甲状腺病理报告得出诊断结论的步骤,本文构建了一个甲状腺病理报告自动标注框架,该框架包括:根据病理报告文本的排版特点和字符特点构建了基于CTPN和CNN-CTC的OCR系统,用于识别病理报告中的诊断文本;通过对比甲状腺病理报告和超声报告的文本内容,挖掘出了两者的语义相关性,并以后者为语料训练了一个针对甲状腺领域的句嵌入模型,用于将病理报告诊断文本编码为句向量;基于DNN的良恶性分类模型,用于分类病理报告诊断文本句向量。对该框架中的每个模块,本文均根据甲状腺病理报告的特征设计了合适的算法,并通过对比实验验证了这些算法的有效性。在病理报告诊断文本句向量良恶性分类实验中,也取得了较好的分类效果,表明该框架可以有效地自动分析甲状腺病理报告并得出较准确的良恶性标签,实现对甲状腺病理报告的自动标注。