甲状腺疾病的发病率逐年上升,已经成为困扰人们日常生活健康的疾病之一。病变的早期发现与治疗是甲状腺疾病治愈的关键。医学超声影像技术因其方便快捷、安全可靠等特点,已经成为甲状腺疾病检测与诊断的首选方式,但因其低对比度、高噪声和高昂的标注成本等原因,给病变部位的检测与分类带来了挑战。近年来深度学习技术在图像分类、检测和分割等领域迅速发展,给医学图像的深入研究带来了新的技术和理论支持。本文以甲状腺超声图像为研究对象,基于深度学习的方法对甲状腺结节的检测与良恶性分类展开深入研究。本文首先深入分析了基准模型Faster R-CNN的网络结构与实现细节,提出了Res At-Faster R-CNN模型,该模型在原网络的基础上进行了以下改进:1)在特征提取网络中嵌入了残差学习单元,增加了网络的宽度,减少了网络训练的参数量,在一定程度上缓解了梯度消失问题的出现;2)引入了基于注意力机制的Squeeze-and-Excitation模块,能够有效提取上下文信息,通过网络自主学习来提高图像有效区域的权重,具有位置校正的作用;3)采用双线性内插算法,改变了原模型中的特征映射过程,改善了因量化取整而造成的甲状腺结节ROI部分区域不匹配的现象。接着从甲状腺生理解剖结构的特点出发,结合医学先验知识,进一步对模型进行了以下改进:1)针对甲状腺结节普遍分布在靠近图像中心位置的特点,引入基于位置的先验约束,通过分别对检测框中心到图像中心的距离和分类的分数辅以不同的权重,重新制定检测框的筛选规则,得到更精确的候选区域;2)针对甲状腺结节大小不一的特点,引入多尺度的概念,改进了FPN网络,对高层语义信息和底层位置信息进行跨层连接与融合,有效提升模型在多尺度结节上的表现。最后在私有数据集上进行了大量实验,从多方面多角度验证了以上改进策略的合理性和有效性,模型的性能得到了显著的提升。基于本次课题的研究成果,设计并实现了甲状腺超声图像分类系统,对实时上传的超声图像进行结节检测与良恶性分类,从而达到辅助医生临床诊疗的目的。