摘要
甲状腺结节在全球范围内普遍存在，其检出率随着医学影像技术的进步而逐年上升。这一趋势使得甲状腺结节的有效诊断和管理成为了公共卫生的重要议题。随着医学影像技术的快速发展，尤其是高分辨率超声、CT和MRI等，为甲状腺结节的非侵入诊断提供了条件。这些技术能够提供关于结节大小、形态、组织成分等丰富的信息。深度学习在图像处理方面的突破为甲状腺结节图像的自动诊断提供了新的方法。这些方法有望实现高效、准确的甲状腺结节识别，辅助医生进行快速诊断和治疗决策。 本文针对在甲状腺结节图像分割及良恶性分类课题中存在的三个问题：(1)甲状腺结节边缘难以检测和分割，已有的算法精度不理想；(2)甲状腺结节相关数据集数据量小，训练模型不充分；(3)分割任务与良恶性分类任务之间的相关性信息没有被充分利用。所以本文开展了以下工作： (1)提出了一种适用于甲状腺结节超声图像的分割模型。该模型是以U-Net网络为基础，加入混合卷积块以扩大感受野，获得更广泛的上下文信息；融合注意力机制更关注具有重要信息的通道，最大程度上忽略背景干扰信息的影响。另外，在模型训练过程中引入对抗训练的思想，在标注数据有限的情况下提高模型的性能和可靠性，有效提升了模型分割的准确性。 (2)基于多任务学习方法的概念，将设计的分割网络的编码器部分作为共享特征提取网络。解码器部分作为分割分支，并在网络的底部加入了融合多尺度特征的良恶性分类分支，同时在两分支中间设计了一个跨任务自注意力模块以学习利用两个任务之间的相关信息。最后设计了一个多任务损失函数指导网络训练。在甲状腺结节分割与良恶性分类任务中获得了较好的性能，比单任务架构有更好的效果。 (3)开发了一款甲状腺结节辅助诊断软件，该软件是一款以Python编程语言、Pytorch框架、MySQL数据库等技术为基础开发的应用程序。软件以总体框架设计，功能模块设计以及数据库设计为基础，开发易于操作的用户界面，嵌入了前文研究的相关模型，实现了甲状腺结节图像的分割与良恶性预测以及病例管理功能。软件测试表明，软件能够可靠运行，性能达到预期水平。
NETL