甲状腺肿是一种常见的甲状腺病症,全球超过90%的甲状腺肿病例是由碘缺乏引起的,而我国是碘缺乏病流行广泛和病情严重的国家之一,甲状腺肿作为碘缺乏病监测指标,大规模地进行甲状腺肿检查对于评估人群碘营养情况有着重要指导意义。超声检查是目前广泛使用的甲状腺肿诊断方法,但是通过超声设备采集图像并诊断需要医生具备丰富的临床经验,诊断结果也带有一定的主观性。面对快速增长的甲状腺肿临床诊断需求,亟需一种基于超声图像的甲状腺肿自动评估算法,定量地计算出甲状腺体积,辅助医生完成甲状腺肿诊断。本文以甲状腺超声图像作为研究对象,基于深度学习对甲状腺标准切面自动识别与甲状腺自动分割算法进行研究,在获得分割图像的基础上提出了甲状腺体积评估算法,实现了甲状腺肿的自动评估。本文的主要工作如下:首先,基于超声图像对甲状腺标准切面进行自动分类。在10469张标记好的甲状腺超声图像数据集上,本文分别基于改进VGG-16、ResNet-50和DenseNet-121网络对横扫标准切面、纵扫标准切面和非标准切面进行分类,并应用迁移学习策略进一步加速网络收敛、提升网络性能,最终上述三种卷积神经网络在测试集上分类准确率达到了98.7%、98.3%和97.8%。此外,本文引入梯度类激活热力图算法对模型的可解释性进行了探究。其次,基于超声图像对甲状腺进行自动分割。本文设计了甲状腺超声图像分割整体流程,改进原始U-Net网络,添加了批归一化和Dropout,并引入全连接条件随机场算法细化分割结果;在改进U-Net网络的基础上,搭建深度监督和多尺寸特征图融合的UNet++网络。由实验结果可知,改进U-Net网络和UNet++网络均能实现较为准确的甲状腺分割,UNet++网络在像素准确率、交并比、Dice相似系数上分别取得了92.02%、81.92%和90.05%的结果,相比于改进U-Net网络分别有1.8%、0.39%和0.46%的提升。再次,基于甲状腺横扫标准切面和纵扫标准切面的分割图像对甲状腺体积评估算法进行研究。通过分析传统甲状腺体积估算公式的不足,提出了一种改进的甲状腺体积评估算法。对常用的三维重建算法进行分析,基于面绘制算法对甲状腺进行三维重建,并基于甲状腺三维重建模型对甲状腺肿体积评估算法进行验证,实验结果表明,相较于传统体积估算公式,甲状腺体积评估算法具有更高的准确度。最后,将基于改进VGG-16网络的标准切面识别算法、基于UNet++网络的甲状腺分割算法和甲状腺体积评估算法进行整合,设计并实现了甲状腺肿自动评估系统,方便医生进行甲状腺肿的临床诊断。