甲状腺结节发病率逐年增高,准确预测结节良恶性是医生制定治疗方案的重要依据。医疗超声具有实时、廉价和无创等优点,是甲状腺结节诊断中应用最广泛的检查手段,但超声图像质量不佳,诊断准确率依赖于医生的临床经验,漏诊误诊率较高,易造成过度医疗。随着深度学习技术的不断发展,研究新型的智能预测方法成为提升临床诊断效率的重要措施。本文以甲状腺超声图像为研究对象,提出了基于深度学习的结节良恶性智能诊断算法,具体工作如下:1.构建超声图像数据集。数据集来源于内蒙古呼和浩特市某三甲医院,共4021例,其中良性结节1844例,恶性结节2177例。在影像医学科医师指导下完成对甲状腺结节的定位标定与类别标定,构建实验数据集。2.设计了融入先验知识的定位算法。确定基线定位模型,根据数据统计结果设计定位模块参数,并通过优化定位损失函数进一步增强定位性能。根据定位结果生成结节区域图像并计算结节纵横比。3.提出了临床经验与改进注意力机制相结合的分类算法。确定基线分类模型,采用双分支结构来同时提取结节区域与未裁剪图像的分类特征,将高低层特征、结节纵横比特征融合,完成分类。为了提升特征提取性能,本文改进并应用了注意力机制。4.搭建辅助诊断软件平台。平台完成图像预处理后,通过调用诊断模型实现结节定位与分类,将相关结果显示在终端界面上。