近年来,医学影像与人工智能的结合成为数字医疗产业的研究热点。人工智能技术处理医学影像并参与医疗诊断已经成为图像处理领域重要的研究方向,医学图像分割是其中最为重要的研究热点之一。本文基于全卷积神经网络对甲状腺结节超声图像进行分割。针对超声图像分辨率低、干扰信息多带来的分割困难、准确率低等问题,论文提出逐层语义分割算法,主要分为三个层次:首先是甲状腺超声图像ROI分割,使用下采样与上采样完全对应的全卷积神经网络结构,可以去除原始超声图像四周的仪器信息等干扰,提取出超声反射区域;其次,在上述超声图像ROI区域进行甲状腺结节的粗定位,包括人工标记检测、定位以及根据人工标记定位结节,可以将结节之外的血管等超声干扰区域去掉;最后对粗定位结节进行精细分割,使用以VGG19作为下采样层的深度全卷积神经网络结构对甲状腺结节粗定位图像进行特征提取及分割。算法通过三级串联层逐步减少超声图像中的各种干扰信息,最终大幅提高结节分割准确性。论文以天津医科大学肿瘤医院提供的甲状腺超声图像作为数据集,将逐层分割模型的训练结果与不进行ROI分割与粗定位的原始超声图像结节分割以及不进行粗定位的超声图像ROI区域结节分割的结果进行对比。大量的实验证明本文提出的逐层分割算法对甲状腺超声图像结节的分割精度有着很大的提升。与人工标注结果进行对比,证明了本文算法能够提供诊断相关信息,可以有效辅助医生对结节进行良恶性诊断。