甲状腺结节是临床常见病和多发病。在临床中,普遍采用超声成像技术对甲状腺结节成像,生成的超声图像是医生对甲状腺结节进行诊断和治疗的重要依据。在临床中,超声图像通常由训练有素的专家阅读,他们通过撰写文字报告来描述患者的异常和疾病。超声图像的阅读和超声报告的撰写花费了放射科医生大量的工作时间,而且由于医生的时间和精力有限,会出现漏诊和误诊的情况。因此,医学超声图像报告的自动生成技术,即为一张超声图像自动生成一段描述其内容的自然语言,受到了人工智能领域的广泛关注。为了实现这个目标,本文基于医学超声图像,在甲状腺结节分割算法、甲状腺结节的医学特征提取方法以及甲状腺结节图像描述自动生成算法这三个方面进行了研究,具体包括了以下几部分工作:首先,超声图像中甲状腺结节的分割算法研究。针对甲状腺结节分割任务中存在的类别不均衡问题,我们从调整损失函数和优化数据集两个角度出发,搭建了基于U-Net的模型级联框架,将甲状腺结节分割分解为两个分割任务,先粗略分割,再以粗糙点为基础进行精细分割。我们搭建了一个甲状腺结节图像分割数据集来检验我们模型的有效性,结果表明我们搭建的模型可以很好地解决甲状腺结节分割过程中存在的类别不均衡问题,提高分割的精度。其次,医学超声图像中甲状腺结节医学特征的选择与提取。针对超声图像特征在判断甲状腺结节良恶性过程中的重要作用和已有数据集的特点,选择了课题需要描述的甲状腺结节医学特征。针对医学图像的特点和深度学习存在的可解释性问题,提出了神经网络与传统医学特征相结合的特征提取方式,实验表明我们的方式可以准确提取甲状腺结节的相关特征。最后,基于超声图像的甲状腺结节图像描述自动生成算法研究。针对使用传统的图像描述模型在执行医学图像描述任务中存在的特征描述不准确的问题,本文基于编码器-解码器框架,设计了一个双输入单输出的甲状腺结节图像描述模型,可以综合图像的灰度信息和结节的轮廓信息。本文搭建了一个甲状腺结节图像描述的数据集,并做了相应的文本预处理,训练我们的模型,并用测试集检验模型训练效果,图像描述的准确率可以达到95%,远远高于传统的图像描述模型。