临床上对于疾病的早期精准诊断对于患者病情的掌握，治疗方案的选择，预后的好坏起着关键的作用，有效的诊断方法往往能使病人得到最佳的治疗机会。目前临床上对于疾病的精准诊断主要是穿刺活检或者术中病理等方法。这些方法为各大临床指南所推荐，虽然其准确度高，但是却面临着有创、样本取样误差、伴随后遗症等难以消除的缺点。因此，临床上亟待发展无创精准的疾病诊断方法，辅助医生在临床上进行早期精准诊断。

随着医疗设备的更新，特别是成像技术的发展，目前利用影像技术对各大疾病进行无创的精准诊断越来越普遍，成为临床医生判断病情的主要手段之一。其中尤其以计算机断层扫描成像（Computed Tomography，CT）、核磁共振成像（Magnetic Resonance Imaging, MRI）、X光片以及超声成像（Ultrasound，US）最为普遍。在某些浅表器官（如甲状腺和肝脏）的诊断方面，超声成像由于其价格便宜、无辐射以及操作简便快捷等优点而得到了广泛的应用。但是由于超声成像分辨率低、模态多样化和对操作者依赖性大，且无法定量描述病灶的影像学特征，其往往依赖于临床医生的经验和主观判断，因此对于疾病的精准判断带来了很大的挑战。

目前，一种基于人工智能的影像分析方法——影像组学，能够很好的克服上述超声影像方法所带来的挑战。影像组学主要是借助于人工智能方法和图像处理技术，从大量医学图像中高通量地提取并分析病灶的影像信息，能够揭示出人眼无法获取的高维度、较为丰富的信息，为临床提供辅助决策支持。特别是随着可用数据的增多和计算机能力的提升，以深度学习为代表的数据驱动型模型得到了更多的关注。目前，影像组学已经被广泛应用于CT和MRI图像的分析当中，而基于超声图像的超声影像组学的分析尚处于早期发展阶段。因此，本文将利用深度学习的技术，对超声影像中两种不同模态（普通二维超声和弹性超声）进行分析，以达到精准诊断典型超声适用疾病（如肝脏和甲状腺）的目的，辅助临床医生实现早期精准诊断的目标。总的来说，本文将从以下几方面开展研究。

（1）针对超声弹性成像弹性值标准不一的问题，本文以肝纤维化疾病为研究对象，研究使用卷积神经网络对肝纤维化进行精准分期。该方法利用数据数量多、质量优和来源广的特点，训练出针对该问题特异性高的自学习深度学习模型。相对于传统临床上的统计学分析方法和血清学分析方法来说，该方法能够定量的给出较为精准的分类结果，克服了以弹性测量值作为肝纤维化判断标准时的不一致问题。实验结果表明，该方法能够学习到数据中蕴藏的高通量信息，并得到精度高、鲁棒性强的判断结果。该方法在前瞻性多中心的数据样本中，取得了全面领先于临床方法的效果，特别是在严重肝纤维化和肝硬化这两个分类标准上，取得了逼近临床金标准的结果，其受试者工作特征曲线面积（ Area Under Reciever Operating Characteristic Curve, AUC）分别可达 0.97 和 0.98。

（2）针对超声普通二维成像分辨率低、有效信息少的问题，本文以甲状腺结节为研究对象，提出多感兴趣区输入（multi region of interest）结合迁移学习模型，对甲状腺结节的良恶性进行判断。该方法通过多感兴趣区输入（multi-ROI）的模型结构，充分利用病灶区域周围以及其内部的信息。并结合前期工作的基础，将前期弹性超声的模型迁移到该模型中，使得该方法的结果得到进一步的提升。该方法不仅相对于临床医生具有更高的准确性，同时在不同仪器间也具有较好的鲁棒性。在该模型所基于的训练集和验证集上，AUC分别达到了0.96和0.95，证实了multi-ROI输入结合迁移学习的方法，对于甲状腺结节良恶性判断的有效性。

（3）针对临床超声图像数据偏少以及来源方式的问题，本文以甲状腺结节为研究对象，研究使用在线迁移学习模型用于临床实践中，通过不断收集临床超声图像数据来提升模型的诊断效果，进一步达到辅助临床医生的作用。该方法在前期迁移学习的基础上，融入了在线学习的策略，使得模型更加稳定可靠，同时能够不断提升模型的效能。最终该方法的AUC值达到0.98，证实了该方法在提升了实用性的同时，也进一步提升了模型分类效果。