甲状腺癌是一种常见的恶性肿瘤,但在临床上还存在一定的误诊率,降低误诊率的关键在于提高影像分析的精度。基于机器学习的计算机辅助诊断方法近年来极大地改善了医学影像分析的精度。然而具有高质量人工标注的医学图像数据十分稀缺,且医学图像在特征表示以及色彩空间等方面与自然图像存在巨大的差别。因此,如何从有限的数据集中学习有效的特征表示是将机器学习技术应用于医学图像分析中的关键。另外,目前甲状腺癌的计算机辅助诊断研究主要针对超声图像,针对CT图像还未展开广泛的研究。为应对这些问题,本文基于CT图像展开甲状腺癌的辅助诊断研究,主要研究内容包括甲状腺结节良恶性分类和甲状腺图像分割,其中图像分割是结节分类的基础。具体研究内容为:(1)基于纹理分析的甲状腺结节分类;(2)基于深度预训练模型的甲状腺结节分类;(3)基于卷积化循环神经网络的甲状腺图像分割。特别地,本文创新性地提出了一种基于伪彩色映射的图像预处理方法,大幅提高了深度预训练模型在CT图像上特征提取的效率。本文主要工作如下:1)针对纹理分析方法中手动提取的特征存在大量冗余、无关特征的问题,采用一种基于随机森林的嵌入式特征选择方法,根据基于基尼不纯度的特征重要性筛选有效特征。应用该特征选择方法后特征数量减少65%。通过多种机器学习分类算法在CT图像甲状腺结节良恶性分类问题上的实验表明,该方法对实验中绝大多数算法的分类性能都有一定程度的提升,其中支持向量机算法分类准确率从92.67%提升至95.26%。2)针对深度预训练模型在医学图像处理上存在的领域适应性问题及医学图像与自然图像在颜色空间上的差异问题,提出基于深度预训练模型的VGG-GAP网络模型,并提出一种基于伪彩色映射的灰度医学图像预处理方法。通过实验发现:与从零开始训练的小型卷积模型Tiny Net相比,基于预训练的VGG-GAP在分类性能上具有显著优势;和灰度图像训练相比,采用经过伪彩色预处理后的图像训练的VGG-GAP综合性能提升了约5%。3)针对二维图像分割方法在三维医学图像上缺乏空间上下文信息的问题,提出一种基于卷积化循环神经网络的三维医学图像分割网络CLUNS。实验结果表明,具备空间上下文学习能力的CLUNS网络在甲状腺的三维图像语义分割问题上达到了人工分割的水平;对比二维网络的分割结果,CLUNS有效地减少了假阳性和假阴性输出,Dice分数从0.92提升至0.94。本文为甲状腺癌的辅助诊断开辟了一个崭新的研究方向,已经取得初步的效果,相关的几项技术,如图像分割、深度预训练模型都有巨大的发展和应用的潜力,随着可以使用的图像数量积累,本文的方法可以达到很好的效果,同时也更具灵活性和便利性,对降低甲状腺癌的误诊率等,具有实用价值。