甲状旁腺作为人体内分泌腺之一,主要实现调节血钙的含量和机体内钙、磷的代谢的重要功能。当甲状旁腺出现异常时,对身体健康状况有较大影响,可能导致低血钙性抽搐或心肌病、高血压等严重疾病,甚至威胁患者生命,目前其医学诊断方法普遍为B型超声检查。虽然甲状旁腺疾病并非罕见病,但是我国的医疗系统发展不均衡,不同区域之间的医疗水平参差不齐,一些地区的医生对这类疾病的诊断经验不足,可能会影响患者的治疗效果。临床诊断过程主要存在的问题有两个,一个是不能准确判断甲状旁腺位置,另一个是相应病理部位清晰度比较低,不易判别。因此本文研究了可用于甲状旁腺亢进计算机辅助诊断的方法,包含检测部分和图像增强部分,分别解决两个问题。判断超声图像中甲状旁腺位置使用基于Faster R-CNN的目标检测方法,此方法基于大量有标记数据集,但缺少公开来源,针对这一问题,本课题与中日友好医院合作,由专业的医生收集数据,作者制作成目标检测数据集格式,建立了用于甲状旁腺亢进检测的标准数据集,并且采用多种方法对数据集进行扩增。本文从网络模型结构和参数优化角度改进了Faster R-CNN算法,针对甲状旁腺亢进形状多变特点和其他组织器官噪声问题,使用可变形卷积改进传统卷积方式,并引入难例挖掘技术,对Faster R-CNN方法进行改进。验证实验结果表明,改进的算法在甲状旁腺亢进的检测上具有更高的精度。提高相应病理部位清晰度使用基于CLAHE的图像增强算法,针对CLAHE算法可能导致的信息缺失问题,本课题提出一种混合γ-CLAHE算法,结合了 Gamma变换和高通细节增强算法,引入人机交互,指定感兴趣的区域进行增强。验证实验结果表明,增强后的图像清晰度和视觉质量明显提高,特别是所需的局部病变区域,即甲状旁腺。该方法可辅助甲状旁腺的临床诊断,提高诊断率。