借助超声图像辅助医生诊断甲状腺结节良恶性,对甲状腺癌患者的早期治疗有重要意义。针对当前超声图像质量差和样本少、结节深层特征交叉难提取、良恶性识别率不高、先验知识利用不足等问题,提出多任务深度学习下的甲状腺结节良恶性超声辅助诊断模型。课题主要研究内容和取得的阶段性成果如下。首先,开展改善数据集质量的研究。对原始超声图像进行预处理,提取甲状腺超声图像的感兴趣区域,再去除人工标记实现降噪,并选取加权自适应伽马校正算法提高对比度,从而改善超声图像质量,便于扩展更多优质超声样本。其次,开展基于多任务深度学习来构建识别模型的研究。提出构建多任务深度卷积神经网络并训练,共分为两步:一是挑选并引入分类性能突出的Efficient Net、Xception、Inception-v3,基于迁移学习微调策略训练出对结节敏感的卷积网络,级联成多尺度深度特征提取模块,从而避免单一尺度和模型结构对深层特征提取能力的限制,迁移学习也提升了在较少样本下差异化特征的捕捉能力;二是基于U型网络构建多任务学习模型:先预训练出性能较优的改进的分割支任务网络,之后在中间层与深度特征提取模块的特征输出融合,共同微调共享层和全连接层训练分类能力,实现结节分割分类多任务并行,同时共享参数提升模型泛化性能。第三,开展利用甲状腺医学先验知识以进一步提升模型识别效果的研究。提出辅助诊断特征量化方法,基于网络自动分割的病灶掩膜自适应量化结节纵横比和结节圆形紧致度,作为影响结节良恶性决策的病理特征参与分类,从而充分利用医学先验知识,进一步提升结节良恶性识别效果。最后,开展了对模型较全面的对比实验和结果分析。经对比实验表明,所提出的多任务深度学习模型在真实超声数据集上的结节诊断效果优于其他同目标分类算法,在与多任务辅助诊断方法结合后准确率为95.3%,灵敏度为97.5%,特异度为91.0%,AUC为0.989;同时Dice系数等分割指标也优于同类型分割网络。这表示在良恶性样本分布不均的情况下,基于多任务深度学习提出的甲状腺结节超声辅助诊断方法是有效的,能辅助医生更快更准确地诊断甲状腺结节的性状。