甲状腺疾病是目前成人人群中发病率最高的结节性疾病之一,而且它的发病率一年比一年高,因此如何有效地诊断出甲状腺结节已经变得越来越重要。超声检查的出现使快速且有效地确诊甲状腺疾病成为可能,而且超声检查具有实时性、损伤小、可重复等优势,在临床医学诊断中已经变得越来越重要。然而,目前医学仪器采集到的超声医学图像对比度比较低,而且甲状腺结节又没有固定的形状,这给甲状腺疾病的确诊带来了一定的难度,因此对计算机辅助诊断技术也提出了急切的需求。本文利用深度学习对甲状腺超声图像进行分割,主要的研究内容是如何有效地利用神经网络模型对甲状腺超声图像进行准确的分割。利用深度学习对甲状腺超声图像的分割主要存在两个问题:(1)医学图像的数据量比较小,难以对网络模型进行有效的训练;(2)由于甲状腺超声图像没有固定的形状,且目标边界比较模糊,现有的网络模型对其的分割效果并不理想。而本文在U-Net网络分割模型的基础上进行调整改进,设计出适合于甲状腺超声图像的分割方法。本文研究贡献及创新点主要是对临床医学的甲状腺结节超声图像进行自动分割。提出了一种适合于甲状腺结节超声图像的分割方法,该方法是以U-Net网络模型为基础,并且融合了特征金字塔模块、多尺度输入机制、注意力机制,该方法能够有效地分割甲状腺结节超声图像;另外本文还提出了一种改进的损失函数,该损失函数源于二分类,能够有效地平衡图像分割的精确率与召回率,且对小样本目标的分割也有一定的效果。最后,本文还利用临床医学甲状腺结节超声图像,分别对提出的分割方法与损失函数进行实验验证,并且通过与相关的分割模型和损失函数对比分析,证明该方法能够有效地分割甲状腺超声图像。