近年来,随着计算机性能的发展,人工智能技术在医学影像中的应用成为了医学研究中的热点。通过深度学习等方法,机器能够以良好的准确性辅助临床医生进行病变识别和辅助诊断等环节,在节约人力成本的同时使得医生能够致力于更有意义的工作。其中,基于超声图像的甲状腺结节自动分割是一项既有意义又有挑战性的任务。由于超声检查具有成本低、无辐射等优点,被广泛用于甲状腺疾病的诊断,但是超声检查的成像质量较差,对图像中结节区域的分割效果较差,难以通过经典的单张图像分割算法解决,更需要多图数据的挖掘。而本研究依托的课题组与临床合作密切,积累了一批甲状腺结节超声数据,因此期望通过基于数据的深度学习方法对超声甲状腺图像结节进行分割,并在真实临床场景中应用。常用的深度学习图像分割网络主要包括U-Net和Deeplab V3+等,其中U-Net凭借其独特的跃层连接在医学图像处理领域取得了良好的效果。但我们在实际使用过程中发现,U-Net仍然存在对结节边界分割效果不佳和分割形状错误的问题。因此,针对上述问题,结合甲状腺结节在超声图像中形状表现出的局部凸性,本文设计了一种基于水平集损失函数和先验正则项的改进U-Net以提升网络对结节边界和形状的分割能力,并在数据集上利用GPU辅助计算进行了大量数值实验,结果显示本文所提出的方法在Dice系数和平均交并比指标上比原始U-Net分别提高了5.9%和7.4%,具有一定的优越性。其中部分方法已经整理撰写为专利和论文。本文主要的工作内容包括:1.结合临床问题,发现并分析了原始U-Net在分割超声图像甲状腺结节中存在的不足,针对超声图像中甲状腺结节的特点构建改进的U-Net,并基于真实的临床数据对模型进行验证,结果显示该方法是有效的;2.设计了一种基于水平集方法的损失函数,通过将水平集函数近似替代为网络输出的概率图,约束概率图在目标边界内的概率接近于1,而目标边界外的概率接近于0,以加强模型对边界分割能力的学习。同时将水平集函数中的图像替换为临床医生的标注图像,从而使模型可以在有监督的情况下进行更加稳定的训练;3.针对超声图像成像质量差、噪声多导致分割结果不连续的问题,引入了一种包含平滑先验信息的Softmax激活函数,通过在特征图中邻近的像素点之间建立联系,充分利用图像中的像素的位置信息输出平滑且连续的分割结果。综上,本文的研究内容来自于真实的临床问题,以深度学习U-Net网络框架为基础,提出了改进的U-Net网络框架。将传统的水平集方法与深度学习技术相结合,将可解释特征先验加入网络提高了深度学习的可解释性,并且在真实的数据集上进行了实验应用,取得了较优越的实验效果。论文具有理论和实践两方面的研究意义。