先天性肾脏及尿路畸形(Congenital Anomalies of the Kidney and Urinary Tract, CAKUT)在所有产前发现的畸形中大约占20%-30%，是导致儿童慢性肾脏病的最主要原因。儿童CAKUT的早期筛查诊断对于实施早期治疗干预从而提高患儿的生存率有重要意义。超声成像是目前诊断CAKUT最实用有效安全的检查方法，同时也是监测和评估预后的最重要手段。基于超声图像的自动快速、准确的CAKUT计算机辅助诊断已经成为近十几年来智能医疗领域备受关注的研究方向。
　　基于超声图像的CAKUT计算机辅助诊断包括对肾脏区域准确、快速分割与鲁棒分类等关键技术。现有的相关算法通常通过特殊的手工设计方法预处理肾脏超声图像提取表示特征，这些手工表示特征一般较为复杂，提取过程繁琐。深度学习系统直接从原始输入中学习特征，在最近几年内取得了非常引人注目的研究进展，给肾脏超声图像诊断提供了新思路。另一方面，由于肾脏超声成像固有特性，使得现有的深度学习框架在肾脏超声图像分割与分类任务中无法取得较好的性能。
　　本文的研究内容围绕着基于深度学习的CAKUT超声图像的辅助诊断中的关键技术展开，重点探究肾脏超声图像分割与CAKUT分类诊断算法。论文工作具体包括以下三点：
　　(1)现有的深度学习肾脏超声图像分割方法一般基于像素点分类网络实现，更适合分割区域像素点表观相对一致的图像。然而，由于肾脏内部各组织声学表现各异且受不同类CAKUT病灶影响，肾脏组织区域像素点呈现异质性。为了实现肾脏超声图像准确分割，基于肾脏边缘在超声图像外观上相对一致的特点，本文提出了一种基于边缘检测网络的方法准确的分割肾脏超声图像，同时本文还提出了一种基于肾脏形状配准的数据扩充方法来进一步提高分割准确度。实验结果表明，该方法能有效提高肾脏区域自动分割性能，明显优于基于像素点分类的深度学习分割网络，有效克服了肾脏组织区域像素点异质性导致的分割不准确问题。
　　(2)针对部分肾脏超声图像中肾脏边缘缺失或模糊问题，本文提出了一种基于多任务级联的端到端分割网络框架。首先利用边缘检测网络获取肾脏边缘距离图，实现肾脏区域的粗定位，然后使用基于像素点分类的分割网络来从肾脏边缘距离图中进一步获取精细化的肾脏分割区域。此外，本文提出一种多任务损失函数用于端到端的训练该级联网络。实验结果表明，该方法可以明显改善边缘缺失或模糊的肾脏超声图像的自动分割性能。
　　(3)由于单幅扫描图仅能提供肾脏部分解剖学信息，表观差异大且标签未知，目前建立在单幅2D超声图像上的分类诊断模型对于同一对象的不同的肾脏超声图像视角并不鲁棒。为了充分利用同一对象的不同视角的多幅超声扫描图信息，本文提出基于多示例深度学习的CAKUT分类诊断模型，将每个对象的多个超声扫描图建模为一个包的多个示例，实现肾脏超声图像的鲁棒分类诊断。实验结果表明，该建模方法可以基于超声成像准确诊断CAKUT，其性能优于单示例诊断方法或现有的其他深度学习模型，提高了儿童CAKUT诊断可靠性。