甲状腺乳头状癌是甲状腺癌中占比最大的类别,并且任何年龄均存在发病的可能,近几年以来中国患病的人数逐年增加,于是提高甲状腺乳头状癌诊断的精确度显得尤其重要。就目前而言医学影像已经是甲状腺癌医学检查诊断的一个非常重要的技术手段,可以在两方面协助医师诊断疾病:一是借助医学设备获得医学影像,直接理解判断;二是通过其他专业的医师解读医学影像,检查是否存在异常,若存在异常的话,需要对病灶的位置、大小、钙化程度进行量化、最后确定病症的分类和等级。诊断甲状腺乳头状癌的超声图像存在清晰度差、分辨率低等现象,再由甲状腺周围的组织结构复杂,干扰的因数较多等原因,所以甲状腺癌超声图像的病灶特征分类有较大难度。随着近几年人工智能技术的发展,深度学习技术中的卷积神经网络已经应用于医学影像当中。但是基于卷积神经网络的模型识别医学影像的精度普遍不高。除了医学图像本身难以识别的因数以外,还有模型自身结构缺陷,容易产生过拟合或者欠拟合,导致学习能力不足。现有的数据集不足,使得利用深度学习技术识别甲状腺乳头状癌症的精度也不高,数据量不足也是阻碍人工智能技术在医学影像领域的发展。本文利用深度学习技术中的胶囊网络作为基础网络解决甲状腺乳头状癌分类和生成问题。针对分类和生成两问题本文提出下列解决方案:针对分类问题,本文在原胶囊网络的基础上提出了新的网络模型,并命名为ResCaps网络。ResCaps网络是通过融合残差模块使胶囊网络模型输入更高级的特征,加强其模型的抽象化表达,更有利于ResCaps网络模型解决超声图像组织重叠问题,通过对照CNNCaps网络进行实验,可以得出ResCaps网络能够提高甲状腺乳头状癌超声图像分类准确率的。针对生成问题,本文在胶囊网络的最后三层全连接层之间融入Batchnorm和Dropsort方法,并且使用新的Huber损失函数,并命名该网络为BDCaps。Batchnorm和Dropsort方法拥有有效的防止过拟合能力,并且与全连接层衔接后能够达到提高最后生成图片的准确率的效果。生成的医学图像添加到原始数据,丰富数据集的多样性,增强BDCaps网络模型的鲁棒性。实验证明ResCaps与BDCaps两种新的网络都比原胶囊在性能上有所提高,对于解决甲状腺乳头状癌的分类和生成问题都有一定的促进作用。