甲状腺结节(Thyroid nodules,TNS)是甲状腺细胞异常增生后出现的团块,总发病率平均在19%～46%,是人群中最常见的结节性病变之一。过去30年中,甲状腺癌发病率增长了2.4倍,严重危害大众的身体健康,其检查的常用手段为超声成像检查。为了辅助医生的诊断,众多研究将机器学习算法应用于超声图像,目前已经实现了完善的基于甲状腺结节超声图像的计算机辅助诊断系统(computer aided diagnosis,CAD)。随着CT的发展,增强CT广泛运用于甲状腺结节诊断。由于缺乏优质的公共甲状腺CT图像数据集,目前未有研究将深度学习应用于甲状腺结节CT图像领域中。此外由于甲状腺CT图像存在伪影和复杂度高的特点,传统的机器学习算法难以应用于甲状腺结节良恶性检测任务。为了解决以上难题,本文将深度学习应用至甲状腺CT图像领域,提出完整的基于甲状腺CT图像的检测与良恶性鉴别算法,主要研究成果可以总结如下:1.针对未有研究将深度学习应用于甲状腺结节CT图像领域中这一问题,提出基于深度卷积神经网络的甲状腺结节检测算法。算法使用两种不同结构的网络对同一CT图像进行判断并融合二者的结果,经过仿真实验,最终准确率为91.60%。2.提出了Dense U-Net,其为受Dense Net与Res Net启发改进的U-Net,并命名为Dense U-Net,用于从真实数据中学习语义分割图。通过引入密集连接机制和使用残差模块替换skip-connect有效的提高了U-Net的分割准确率和训练效率。3.针对已有的基于甲状腺结节超声图像的良恶性检测算法不能适用于CT图像这一问题,提出级联并融合多任务卷积神经网络的甲状腺结节良恶性检测算法。该算法是一种混合模型,由三种不同的深度卷积神经网络(convolutional neural networks,CNN)组成。首先使用Dense U-Net生成甲状腺语义分割图。然后,利用甲状腺语义分割图生成增强CT的甲状腺感兴趣区域图像。最后融合两种结构的CNN-F用于分别从原始CT图像和甲状腺感兴趣区域图像中自动检测甲状腺结节的良恶性。实验结果表明,改进后的Dense U-Net表现优于U-Net,dice系数从0.945提高到0.955。另外,算法在检测甲状腺结节方面非常有效,接收者操作特征曲线下面积和准确率分别为98.49%和95.73%。