甲状腺结节是临床十分常见的一类甲状腺疾病,以良性居多,但甲状腺结节潜在的恶性时刻危害着患者的健康,早期的诊断治疗至关重要。超声检查是诊断甲状腺结节的首选成像方法。近年来,有很多机器学习的方法被用于计算机辅助诊断（CAD）中,计算机辅助诊断需具备高精度和高实时性,才能有效提高医生的诊断效率。现有的基于深度学习的语义分割算法虽然精度较高但实时性不足。论文提出了一种能够实时运行并兼具高精度的语义分割网络架构。特别的,论文使用密集连接、空洞卷积和卷积核分解设计了密集空洞块,使网络在保持着高精度的同时,保持高效。论文提出的网络采用密集连接,减轻了训练过程中梯度消失的问题,并优化了特征重用;采用空洞卷积获取更广泛的上下文信息,缓解了信息损失的问题;最后采用卷积核分解方法,进一步减少了网络参数,大幅提高运行效率。此外,论文还针对医学图像二值分割任务中的类不平衡问题,从像素这个微观角度提出了损失函数的优化方法,进一步提高了网络的精度。对单张图像进行测试,所提出方法在单个TITAN Xp GPU上运行时间约为7.92ms,在Core（TM）i5-4590 CPU@3.30 GHz CPU上运行时间约为0.63s,因此,在普通配置的设备上也能达到实时分割的要求。基于甲状腺数据集的一系列实验表明,论文提出的方法达到了与CE-Net等高精度网络类似甚至更高的精度,而计算速度却比其他达到最高精度的架构快了6倍之多。论文提出的模型速度快,占用内存小,可以成为移动和嵌入式设备中辅助诊断工具的理想方法。