甲状腺结节是甲状腺细胞局部异常增长引起的病变,是常见的内分泌系统疾病。虽然大多数结节是良性,但在过去的几十年中,甲状腺癌的发病率呈逐年上升的趋势。早期的发现与诊断对于甲状腺结节的治疗至关重要。超声图像是最常用甲状腺结节辅助诊断工具,医生根据超声图像上甲状腺结节的位置、区域、大小以及形状等特征对结节进行诊断。然而,在甲状腺的超声图像中,结节的边缘模糊不清、形态各异、与其背景组织难以区分,并且结节的诊断结果又高度依赖于医生的临床经验,具有较强的主观性。除此之外,不断上升的患病人数增加了医生的工作量,给医生带来了极大的负担。这些因素影响了甲状腺结节的诊断速度与准确性。因此,开发高效、准确的甲状腺结节辅助诊断系统具有重要的临床意义。随着深度学习技术的发展,许多基于深度学习的方法已经成功应用于医学图像处理领域,并取得了巨大的成功。本文着重研究了深度学习在自动分割甲状腺结节方面的应用,并基于研究方法实现了一个高效的、自动化的甲状腺结节辅助诊断系统。本文的主要工作内容如下:（1）在甲状腺超声图像中,结节的边缘模糊、尺度变化大、与背景组织对比度低,有效地提取上下文信息对于实现结节的精准分割至关重要。针对上述问题,本文提出了增强的多层次注意力模型（Enhanced Multi-level Attention Network,EMA-Net）。该模型以U-Net作为基础架构,在跳跃连接前,嵌入多感受野上下文提取模块、全局上下文聚合模块以及多层次注意力模块去增强模型提取有效信息的能力。具体地,多感受野上下文提取模块使用不同空洞率的空洞卷积捕捉结节在大小、位置以及形状上的变化;全局上下文聚合模块通过在交叉方向以及水平方向计算像素间的相关度,实现高效地聚合全局上下文信息;最后,将特征分为三个层次,多层次注意力模块对每个层次的特征分别采用不同的注意力去增强对分割结果有用的信息,同时抑制无用的噪声信息。（2）制作一个甲状腺结节分割数据集,对数据预处理和数据标注等前期工作有较高的要求,过程十分繁琐且复杂,并且数据集的标注工作必须由专业的医生进行。因此,数据集存在样本少,标注困难等问题。针对此问题,本文提出了联合一致性学习和协同训练的半监督甲状腺结节分割模型。该模型中包含一致性学习与协同训练两个分支。在一致性学习分支中,根据甲状腺结节超声图像的变化特点,采用亮度调整、随机旋转以及弹性形变三种方法在教师模型中增加输入扰动。基于一致性正则化的思想,教师模型指导学生模型进行优化。为了使得教师模型更加稳定,结合Trans UNet模型设计了协同训练框架进一步优化教师模型。在协同训练中,教师模型作为与Trans UNet模型提取同一样本的不同表示,教师模型主要关注局部信息,Trans UNet模型主要建模像素间的长距离依赖关系,教师模型和Trans UNet模型相互教学,进一步优化教师模型,防止教师模型产生与学生模型一致但错误的预测。该模型充分利用未标记数据,从未标记数据中学习有用的特征表示,利用少量带标记的数据即可对模型进行有效的训练,减少了模型训练过程中对于有标记数据的依赖。（3）基于上述两项研究,本文设计并开发了甲状腺结节超声影像辅助诊断系统,将本文的研究方法应用到实际的临床诊断中。医生通过系统的GUI界面选择甲状腺的超声图像,系统自动分割出结节并展示结果,实现了方便、快速且高效的甲状腺结节分割,为医生提供客观、准确的甲状腺结节辅助诊断服务。