目的:1、构造一个基于超声图像,用于甲状腺良恶性结节鉴别诊断的深度学习目标自动识别与检测模型。2、分析并比较所构建的检测模型同目前主流目标检测模型、以甲状腺影像数据报告系统为标准的高、低年资超声诊断医师在甲状腺结节良恶性鉴别方面的诊断价值。方法:1、收集2017年6月至2018年12月于南昌大学第一附属医院进行常规甲状腺超声检查发现甲状腺结节并获得病理诊断的患者177人,结节共203例,其中良性结节为68例,恶性结节为135例,每例患者采集甲状腺结节超声图像5~15张,超声图像共1408张。2、对图片进行预处理。3、通过有效地balanced L1 loss损失函数、Soft-NMS方法来对Cascade Mask R-CNN目标检测模型进行改进,针对实验样本不足的问题,采用预先训练好的Res Net-101进行迁移学习来提升。4、将本次实验构建的目标检测模型同初始的Cascade Mask R-CNN目标检测模型以及基于改进的Faster R-CNN目标检测模型的诊断效能进行对比;将本次实验构建的目标检测模型的诊断效能同高年资(甲状腺结节诊断经验大于10年)、低年资医师(甲状腺结节诊断经验小于5年)的诊断效能进行对比。结果:1、本次目标检测模型甲状腺结节良恶性的准确性(准确性98.7%)优于Cascade Mask R-CNN目标检测模型(准确性95.5%)优于基于改进的Faster R-CNN目标检测模型(准确性92.8%)。2、本次目标检测模型甲状腺结节良恶性的诊断效能(AUC=0.988,P<0.001)优于高年资医生(AUC=0.856,P<0.001)优于低年资医生(AUC=0.808,P<0.001)。结论:1、通过balanced L1 loss损失函数、Soft-NMS方法来对Cascade Mask R-CNN的检测器进行改进,Res Net-101迁移学习来提升数据量。2、本次目标检测模型对甲状腺结节的诊断效能较原模型有所提升,且优于目前目标检测领域的主流模型。3、本次目标检测模型在与高年资及低年资的医师诊断效能的比较中,存在明显的优势。