医学图像分割是医学处理领域的重要子方向,训练出高性能的深度图像分割模型是获得良好的医学图像病灶分割结果的关键所在。由于医学图像成像过程复杂,并且具有低对比度和噪声严重等特点。特别是超声图像这种利用超声反射原理形成的图像,其形成过程更加不稳定,这些特点就极大地增加了深度学习在医学图像领域广泛应用的难度。相比于自然图像来说,医学图像难以获取,标注成本也远大于自然图像。当数据匮乏的时候,神经网络的训练通常会出现过拟合的状况,这种现象在医学图像领域数据集上极易出现,这也无疑成为了限制医学处理领域的发展。基于以上背景,本文从超声图像出发,以甲状腺结节为研究对象,利用深度学习在甲状腺超声图像结节分割任务上开展一系列创新性研究,提出了以下研究方案:1.目前在超声图像甲状腺结节分割任务上的研究通常会出现甲状腺边界区域分割不精细或者被过度分割的问题,这是由于超声图像这种模态特定性质造成的。针对这种问题,本文提出了基于多尺度注意力的甲状腺结节超声分割方法。该方法首先通过使用不同空洞率的空洞卷积提取甲状腺病灶特征信息,之后将不同尺度的特征信息进行特征融合,解决不同甲状腺结节大小对超声图像分割的影响。考虑到位置关系信息学习和深层次语义特征筛选后的特征对分割模型的影响,通过使用通道注意力机制使网络模型更加专注于更有用的特征信息,从而提高甲状腺结点的分割精度,实现病灶区域的精细分割。本文在TN3k数据集上训练所提出的模型,并在本地合作医院的数据集验证所提出的模型,MSAU-Net模型有非常优秀的分割效果,并且其召回率为87.0%,精密度为86.1%,Dice系数为84.6%,精确度为94.6%。2.由于大多数在医学图像分割上的研究都是通过人工提取ROI的数据集上,这样做难免会丢失部分有用的特征,使得训练出的模型不具有泛化性。针对这一现状,本文采用先检测后分割的思路,通过利用改进的Faster R-CNN提取甲状腺结节的ROI,然后采用U-Net进行分割。提出的网络包含检测和分割两个路径,首先利用VGG-19提取出不同分辨率的特征,利用特征金字塔的思想将不同分辨率的特征利用特定的网络处理,以获取不同尺寸结节的特征,使本文提出的模型适用于不同尺寸结节的分割,更加具有泛化性。并将检测路径提取的多分辨率特征与分割融合,从而生成更加精细的甲状腺结节。本文将未经处理的数据集在提出的DSU-Net上进行训练,并且在处理过后的合作医院数据集上进行训练。结果表明,提出的DSU-Net更能够获取出泛化性的特征,先检测后分割的思路能够更进一步提高模型的分割性能。