甲状腺疾病在我国的发病率高,是一种重要的内分泌系统疾病。SPECT是一种借助于单光子核素标记药物实现对人体功能和代谢信息成像的技术。不同于超声或者CT通过解剖结构对疾病进行诊断,SPECT能够反映甲状腺的功能和体内的代谢信息,在组织结构出现异常之前就较早地发现疾病,因此在临床诊断中具有无法取代的优势,在很多时候成为疑难病症诊断的最重要依据。近年来迅猛发展的深度学习技术已经成为计算机辅助诊断的重要手段之一,应用深度学习通过SPECT图像对甲状腺疾病进行计算机辅助诊断,可以有效地辅助医生提高诊断准确性、降低工作强度、提高工作效率,对甲状腺疾病的诊断和治疗具有重要意义。本文针对基于SPECT图像和深度学习的甲状腺疾病辅助诊断开展工作。通过设计卷积神经网络结构和训练算法并使用SPECT图像数据集训练网络模型,对4种甲状腺疾病:甲状腺功能亢进、亚急性甲状腺炎、桥本甲状腺炎和亚临床甲状腺功能亢进进行辅助诊断。主要内容如下:首先,研究了应用于甲状腺疾病诊断的卷积神经网络的数据增广和网络结构改进。分析SPECT图像数据集的特点,并针对数据量较少的问题设计了数据增广方法。基于Dense Net网络进行了网络结构改进,在跨层连接的通路上添加可训练的权重参数,提高网络特征表达和提取的灵活性。引入迁移学习方法,先使用Image Net大规模数据集对网络参数进行预训练,随后使用SPECT数据集对网络参数进行微调。实验结果表明改进的Dense Net在SPECT数据集上相对几种已有的分类模型能够更好的提取SPECT图像的特征,具有更好的分类效果。其次,研究卷积神经网络训练算法的改进。对现有的经典训练算法进行分析,在随机梯度下降算法中引入一种群体智能优化算法——花朵授粉算法,将每个批次数据上的损失函数作为花朵授粉算法的适应度函数,训练过程中的超参数作为适应度函数的自变量,使用花朵授粉算法对这些超参数进行优化,从而使训练过程中每个批次数据的损失函数值充分降低。实验结果表明该算法相对传统的随机梯度下降算法能够自动搜索出更合适的超参数,使损失函数得到进一步优化,从而使辅助诊断模型达到更高的精度。最后,研究了应用于甲状腺疾病诊断的卷积神经网络的增量学习方法。对现有的增量学习方法进行介绍,针对模型在应用过程中可以获取的SPECT图像数据逐渐增多的特点,设计了一种动态的卷积神经网络结构,根据当前可用的SPECT图像数据量自动搜索最佳的网络层数,使得网络结构在数据增加的过程中始终与数据量相适应。实验结果表明该动态结构网络相对于固定结构的网络能够在任意大小的数据集上调整网络层数并恰当地拟合数据,既不会出现过拟合,也不会出现欠拟合,从而时刻保持利用当前数据能取得的最高分类精度。