随着社会的发展,受工作压力、饮食、作息、辐射等方面的因素影响,甲状腺疾病越来越常见,发病率较高,所以在甲状腺超声图像中圈出病灶区域并给出良恶性结果具有很大的意义。本文将深度学习方法及传统图像处理方法用于甲状腺超声图像上,并且针对医学图像数据量少的情况提出了半监督学习分割算法,缓解了算法对于大数据量的依赖性。以下是本文工作的详细介绍:1.甲状腺结节的分割:首先利用深度神经网络分割甲状腺结节,主要通过改进U-net++网络得到新的网络,分割结果DICE准确率达到68.11%。第二步将深度学习得到的结节进一步细化,使用Snake算法演化深度学习分割结果,提高分割准确率。在许多算法中只关注深度网络的改进,本文在改进深度学习网络结构的同时,分析深度学习算法输出结果的不足,并增加了二次分割算法提高准确率。两次分割后,最终结果的DICE准确率达到70.65%。2.甲状腺结节的良恶性分类:运用了传统图像分类方法和深度学习分类方法对结节的良恶性进行分类。传统分类方法中首先提取图像特征,再将特征送入分类器中进行分类,此方法在测试集上F1指数达到了 87.58%。在深度学习中利用卷积神经网络对图像进行分类,通过改进高分辨率网络（High Resolution net,HRNet）,算法在测试集上F1指数从原始HRNet的73.34%提升到了 76.16%。深度学习分类的效果没有超过传统分类方法,这是由于深度学习需要大量的数据,但是用于本实验的数据集较小。3.半监督学习用于甲状腺结节的分割:针对当前医学图像及标签难获取的问题,提出半监督学习方法,只需要一部分数据的标签和另一部分数据的长短轴信息就可得到模型。虽然当前半监督学习研究较多,但是在甲状腺结节分割领域却很少。实验中利用其他论文中的弱监督学习方法,并更改其迭代准则、数据使用方式等使其更适用于甲状腺超声数据,在只用部分监督信息下最终分割结果的DICE准确率达到了 66.8%。