超声图像主题生成技术是通过算法直接生成用于描述超声图像内容及病灶区域疾病特性的文本信息,使得缺乏经验的医生和普通患者可以直接利用生成的文本信息更为直观地理解超声图像中病灶区域的信息。但由于目前超声图像理解方面对内容信息进行细致分析与自动描述的研究还存在不足,为了能更加方便、快速、细致地理解超声图像中病灶区域的内容信息,本文将图像主题生成技术引入到超声图像理解领域,分别提出了基于多粒度分类的超声图像主题生成算法和基于病灶区域检测的超声图像主题生成算法。具体研究工作如下:1.针对目前超声图像理解的研究主要还是集中在检索、检测、分类、分割等粗粒度方向,且缺乏能直接从人的语言层面来理解超声图像内容信息的研究的问题,本文提出了基于多粒度分类的超声图像主题生成模型。该模型将图像主题生成技术引入到超声图像理解领域,先用卷积神经网络(Convolution Neural Network,CNN)构成的粗分类模型对超声图像进行目标器官识别,然后再用长短时记忆模型(Long Short-Term Memory,LSTM)解码,得到适合描述超声图像病灶区域内容的文本信息。最后将提出的模型应用到本文构建的带有文本信息的超声图像数据集上进行实验。实验结果表明,当只提供超声影像及诊断报告的训练数据时,本文提出的基于多粒度分类的超声图像主题生成模型的编码器对超声图像的正确识别率达到90%以上,LSTM语言生成模型也能够生成较高质量的文本信息。2.针对超声图像不同器官之间病症存在干扰,且为了能更加细致准确的描述超声图像病灶区域内容信息的问题,本文还提出了基于病灶区域检测的超声图像主题生成模型。该模型在编码阶段同时完成对病灶区域的检测和编码,然后用LSTM对编码向量解码自动生成文本信息,用以描述超声图像病灶区域的内容信息。将提出的模型应用到本文构建的超声图像数据集上进行实验,实验结果表明,当同时有超声影像的诊断报告和标注病灶区域的训练数据时,该模型不仅能够准确检测出病灶区域位置,而且在BLEU-1、BLEU-2上的评分比基于多粒度分类的超声图像生成模型要高出1%,参数量只有原来的1/4,运行效率要快1.4倍。3.设计与实现了一个超声影像的辅助理解系统。该系统将本文提出的两种算法模型集成到系统中,医生或患者只需导入当前检测的超声影像系统,再通过简单的界面操作就可以实时从一幅超声图像自动生成对应的文本信息,医生和患者可以更加方便地理解超声图像中病灶区域的内容信息,方便辅助诊断,便于医生和患者进行沟通减少矛盾。