甲状腺癌的发病率近年来一直处于上升趋势,已经是中国30岁以下女性最常见的恶性肿瘤。临床上,甲状腺结节良恶性超声诊断的主要方法是由超声检波医师通过阅读超声图像进行人工诊断分析。这种方法不仅费时费力,而且易受医师专业知识与临床经验等主观因素影响,相应诊断结果不具重复性。随着深度学习的迅速发展,近年来出现了一些基于深度学习的甲状腺结节良恶性分类方法,其结果具有客观性与可重复性,可有效弥补人工诊断的不足。但目前深度学习的网络模型存在跨中心测试时泛化性能差的问题。在单中心训练得到的模型,能够在该中心的测试集上取得良好的效果,而在其他中心的数据集上测试往往性能较差,难以达到临床要求。为实现更为精准的跨中心甲状腺结节良恶性分类,本论文开展了以下两方面尝试性研究工作:第一,联合超声图像与原始射频信号进行分类。构建深度学习网络模型,同步提取超声图像与原始射频信号特征,并进行特征融合,从而尽可能地提升模型在单中心甲状腺结节良恶性分类方面性能。第二,采用风格转换与特征融合进行分类。通过对不同中心的甲状腺超声图像进行风格转换,缩减跨中心数据集超声图像风格差异,联合风格转换后的超声图像与原始射频数据进行甲状腺结节良恶性分类。本研究与中山大学附属肿瘤医院合作,在Siemens超声设备上采集病例160例,在GE超声设备上采集病例40例。最终实验结果显示:在Siemens测试集上（单中心实验）,基于风格转换与特征融合模型的准确率、灵敏性、特异性、受试者工作特征曲线下面积（AUC）分别为81.7%、81.2%、80.1%、89.3%,高于单独使用超声图像的结果（77.5%、76.8%、80.3%、83.1%）和单独使用射频信号的结果（60%、51.9%、79.1%、70.7%）。在GE测试集上（跨中心实验）,其准确率、灵敏性、特异性、AUC分别为72.9%、72.3%、74.4%、78.9%,高于单独使用超声图像的结果（68.1%、67.2%、71.3%、74.7%）和单独使用射频信号的结果（57.2%、56.7%、73.0%、66.3%）。实验结果表明本研究提出的基于特征融合与风格转换的方法能够有效提升深度学习模型在跨中心甲状腺结节良恶性分类方面性能。