*

（1.山西省医学影像与数据分析工程研究中心（中北大学），太原 030051；2.中北大学大数据学院，太原 030051；3.山西省医学影像人工智能工程技术研究中心（中北大学），太原 030051）

0 引言

甲状腺是人体内分泌系统的腺体，也是最大的内分泌腺体之一，甲状腺的分割对于诊断甲状腺相关疾病至关重要。现如今人们主要通过超声影像来确定甲状腺结节的位置和大小［1］。伴随着计算机视觉技术的发展，计算机辅助诊断技术也逐步应用于广大现实医疗场景中。语义分割是计算机视觉中一项重要但具有挑战性的任务，通过对图像中每个像素分配类别标签从而区分不同目标区域。目前医学图像分割主要有两种思路：一种是依靠启发式先验（例如颜色、纹理和对比度）分析图像各像素值间的差异性来划分区域分割线；另一种是采用深度神经网络捕获图像高级语义关系和上下文信息，从而划分图像前背景信息。Quan 等［2］将归一化切割（Normalized cuts，Ncut）方法应用于合并过分割的区域，处理超声图像的强噪声、斑点及弱边缘问题。Zhuang 等［3］采用基于超声的模糊增强技术与分数布朗运动（Fractional Brownian Motion，FBM）模型相结合，增强其超声图像的对比度与分割效果；但仅依据纹理信息可能导致最终分割结果并不完整，并且由于超声影像反馈的斑点强度并非唯一的随机模式，采用启发式先验的方法对于复杂场景还不够健壮。Alom 等［4］将U型网络（U Network，U-Net）、残差网络结构与循环神经网络结构结合，提出了残差U-Net（Residual U-Net，RU-Net）和循环残差U-Net（Recurrent Residual U-Net，R2U-Net），并使用该网络进行了视网膜图像中的血管分割、皮肤癌分割和肺损伤分割。……