一、适用条件与对象 适用于接入超声设备的基层医院、医学影像AI公司与设备制造商以及科研院所。主要服务对象包括基层医师、研发工程师和科研人员。 二、解决的问题和痛点 （1）解决基层医院诊断经验不足导致的诊断一致性差、漏误诊率高问题； （2）突破设备厂商产品智能化水平不足的瓶颈； （3）缓解科研领域因高质量标注数据匮乏导致的模型研发受阻困境。 三、有益效果 （1）为基层医师提供实时结节识别、特征量化与TI-RADS分级能力，显著提升诊断准确性； （2）为厂商提供可嵌入的智能诊断模块，增强设备竞争力； （3）为科研机构提供经质控的标准化数据集，加速算法创新与转化。 四、外部复用价值 （1）核心算法可授权集成至各类超声设备与诊断系统； （2）脱敏特征数据库可支持多中心研究与模型优化； （3）标准化诊断流程可推广至基层医疗单位，推动医疗资源均衡化发展。
一、数据采集 通过全数字超声诊断仪，采集甲状腺（左叶/右叶）的超声影像图片，收集影像相关的结构化特征信息。 核心字段： 甲状腺超声影像图片：通过URL存储甲状腺超声影像图片（URL链接已脱敏） 真实分割标签：专家标注的真实分割标签（精确标注甲状腺结节区域） 预测分割标签：模型识别的预测分割标签 结节特征数据：结节位置特征（左叶/右叶）、结节形态特征（左叶/右叶）、结节回声特征（左叶/右叶）、结节内部结构、血流信号 诊断数据：结节TI-RADS分级、AI辅助诊断建议 辅助字段： 医生诊断结论用于人工复核。筛查日期用于数据管理。 二、数据处理 对所有甲状腺超声影像图片进行标准化预处理：尺寸归一化（统一超声影像图片分辨率）、图像去噪（减少超声影像斑点噪声）、亮度对比度调整（优化超声影像质量）、特征数据向量化处理 目标：提升后续算法模型的鲁棒性和分割精度 三、核心算法规则 (模型构建与训练) （1）模型架构： 采用编码器-解码器结构的卷积神经网络（CNN） 模型公式：P=CNNθ(I) I：预处理后的甲状腺超声影像图片 CNNθ：卷积神经网络模型参数 P：甲状腺结节的预测分割标签图 （2）训练策略： 损失函数：结合Dice损失和二元交叉熵损失 优化器：Adam 性能评估指标：平均Dice系数、平均IoU。在训练和验证阶段，使用平均Dice系数和平均IoU作为核心指标，量化模型预测分割标签结果与真实分割标签之间的重叠精度。 （3）多特征融合： 将影像特征与临床特征（位置、形态、回声等）融合，输出结节TI-RADS分级与AI辅助诊断建议。 四、数据应用 （1）临床诊断辅助：自动生成结节分割结果及量化参数，输出AI辅助诊断建议（基于TI-RADS分级标准）； （2）质量控制：实时监测分割质量（平均Dice≥0.80，平均IoU≥0.70），异常案例自动标记复核； （3）科研价值：脱敏特征数据库支持模型迭代优化，多中心研究数据标准化支持。
| 字段名 | 类型 | 描述 |
|---|---|---|
序号 |
-- | -- |
筛查日期 |
-- | -- |
甲状腺超声影像图片 |
-- | -- |
真实分割标签 |
-- | -- |
预测分割标签 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 序号 | 1 |
| 筛查日期 | 2025.9.2 |
| 甲状腺超声影像图片 | http://www.yunshanghuatuo.com/ThyroidUlt |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/187949