学位论文简介

本文围绕甲状腺结节超声辅助诊断中的关键问题，研究医学影像智能分析方法。针对传统超声判读过程中对医生经验依赖较强、主观性明显、诊断效率有限，以及在复杂临床场景下容易出现漏检、误判和描述不一致等问题，本文聚焦甲状腺结节自动分割、医学图像分割域适应、超声视频中的结节定位与计数以及良恶性诊断四个关键任务，旨在从多层次、多流程角度提升甲状腺结节诊断的自动化、准确性、稳定性与临床适用性，为甲状腺超声智能辅助诊断提供更加系统的技术支撑。

(1) 针对复杂超声场景下甲状腺结节分割中多尺度目标表征不足、边界刻画不清的问题，本文提出多视角学习模型。该方法从局部信息、全局依赖和跨层结构关联三个层面建模，并设计通道感知图注意力实现多视角特征融合，从而提升结节分割精度。

(2) 针对医学图像分割在跨中心、跨设备应用中普遍存在的域偏移问题，以及目标域缺少标注、模型难以直接迁移的问题，本文提出历史感知多专家视角风格扰动模型。该方法通过多专家风格扰动增强域不变特征学习，结合历史感知语义对齐和互适应 AdaIN，有效减小源域与目标域的风格差异，提升模型在跨域场景下的鲁棒性与泛化能力。

(3) 针对甲状腺超声视频中背景噪声强、组织相似度高、时序变化复杂，导致结节定位、跟踪与计数困难的问题，本文提出关键实例引导的信息融合网络。该方法通过关键实例增强、全局时序聚合及跨帧匹配一致性设计，提高了视频实例分割、结节跟踪和计数性能，并增强了关键切面判定能力。

(4) 针对甲状腺结节良恶性诊断中细粒度属性与粗粒度属性难以协同建模、现有方法计算开销较大的问题，本文提出轻量化属性增强模块 ThyFusion。该模块融合多尺度高斯注意力、频域全局调控和跨域互学习机制，能够有效增强结节多类型属性表征，并以即插即用方式提升分类精度。

主要学术成果

[1] Chen G, Tan G, Duan M, et al. MLMSeg: a multi-view learning model for ultrasound thyroid nodule segmentation[J]. Computers in biology and medicine, 2024, 169: 107898.（SCI，第一作者）

[2] Chen G, Zhu N, Pu B, et al. A key instance-guided frame-to-video information fusion network for thyroid ultrasound video instance segmentation[J]. Knowledge-Based Systems, 2025, 324: 113849.（SCI，第一作者）

[3] Chen G, Zhu N, Lin J, et al. ThyFusion: A lightweight attribute enhancement module for thyroid nodule diagnosis using gradient and frequency-domain awareness[J]. Neurocomputing, 2025, 613: 128749.（SCI，第一作者）