随着科学技术和图像处理技术的突飞猛进，超声成像技术也得到了快速发展。超声影像分析逐渐成为器官组织病变（结节或者肿瘤）诊断最常用的一种方法。而且超声检查价格相对低廉、可以实时成像、无创伤且使用便捷，在临床影像诊断中具有重大意义。专家医生可以从超声影像中实时地采集感兴趣的截面，并根据病变的影像特征初步判断其良恶性，但这样的诊断主观性比较大，其准确性主要依赖于医生的经验。临床上的确定性诊断主要依赖于活组织穿刺和手术病理。但是活组织穿刺和手术的工作量都很大，不利于对大量的超声图像进行筛查和诊断。除此之外，超声图像的低信噪比、低对比度、伪影、边缘模糊甚至边缘信息缺失等特征导致了对于病变区域的自动检测、分割及良恶性诊断比较困难。近年来，很多学者研究了超声图像中病变区域的计算机辅助分析和诊断方法。高性能的计算机辅助诊断系统，可以进一步地提高病变良恶性诊断的准确性，为医生提供有效的、客观的临床诊断意见。本文的主要研究是针对2D灰阶超声图像中甲状腺结节的计算机辅助诊断，主要的研究成果如下:　　1.在本论文中，提出一种深度卷积神经网络的方法，实现了对2D甲状腺超声图像的自动分割。具体地，首先由专家医生将甲状腺超声图像中的结节区域勾画出来，得到一系列对应的二值mask图。其次，通过卷积神经网络的卷积层提取出这些甲状腺超声图像块的特征，同时池化层和局部响应正规化对特征图有选择的激活，即相当于进行了特征选择。最后通过softmax层得到甲状腺结节的分割概率图，然后根据这个概率图就可以找到结节边缘，从而准确地分割出甲状腺结节。　　2.在本论文中，研究了一种级联的深度卷积神经网络方法自动检测甲状腺结节区域。该方法由两个不同的卷积神经网络和一个新的分裂方法构成。具体的工作流程是:首先，专家医生手动勾画出甲状腺结节区域，得到相应的二值mask图。其次，训练第一个卷积神经网络，以人工得到的mask图为标签的甲状腺超声图像块作为输入。通过卷积层提取相应的特征，同时池化层和局部响应正规化对特征图有选择的激活。输出甲状腺结节分割的概率图。然后，利用分裂方法将第一个卷积神经网络得到的分割概率图中的不同连通区域分离开，以使得正确的分割区域（正样本）跟错误的分割区域（负样本）完全分离，得到正负样本分离开的分割概率图，称这个过程为重新标注甲状腺超声图像。最后，训练第二个卷积神经网络。以分裂后的分割概率图为标签的甲状腺超声图像块作为输入，同样地通过不同的卷积提取相应的特征，并由池化层和局部响应正规化选择特征激活，再输入到softmax层以产生相应的类别标签，由此构成结节区域的概率图，即探测出了甲状腺结节区域。　　3.在本论文中，设计了一种基于超声图像自动诊断甲状腺结节的良恶性的预训练的卷积神经网络方法。该方法实际上是由两个具有不同的卷积层和全连接层的预训练网络构成的。具体的工作流程是，首先，由专家医生粗略地勾画出甲状腺结节区域，得到其相应的二值mask图。其次，基于ImageNet数据集分别预训练两个卷积神经网络，并以此为初始化，再输入以人工勾画的mask图为标签的甲状腺结节超声图像的图像块，分别重新训练两个网络。最后融合两个网络学习到的有效特征，输入到一个二分类的softmax分类器进行预测，从而得到甲状腺结节的良恶性分类。