类风湿关节炎是一种以慢性侵蚀性关节炎为特征的全身性自身免疫病,而超声成像技术因其无创性、实时性好、操作简易等优点,已经为类风湿关节炎诊断的主要方式之一。然而在临床实践中,超声图像的诊断分析易受操作医师本身的理论水平、实践经验以及主观性判断等人为因素影响,导致诊断结果在准确性、可靠性和一致性上出现偏差。本文致力于研究一种基于卷积神经网络的类风湿关节炎超声图像分类方法,实现对类风湿关节炎超声图像的自动分类。本文针对现有类风湿关节炎超声图像分类方法一致性、可靠性差以及培训成本高的情况,基于深度学习中的卷积神经网络以及基本的图像处理方法,提出了一种基于卷积神经网络的超声图像分类方法,实现了对图像中目标区域的精准定位和对超声图像的精确分类。在提出的方法中,首先使用添加高斯噪声,对图像进行直方图均衡的方法对数据集进行增广;然后利用目标检测神经网络进行超声图像中目标区域的定位;然后利用加载预训练模型和微调的迁移学习方法进行卷积神经网络的调优,并进行测试;最后利用卷积神经网络进行超声图像的分析评估,并设计相应的图形界面供医生进行操作。本文提出的超声图像分类方法可在区分各个类风湿关节炎评级的任务中实现较高的准确率和一致性,并且对目标滑膜区域的定位与医生手工标注的结果较为接近。实验过程中通过在多个自制数据集上交叉验证确定模型的稳定性,并且计算多项评价指标评判样本测试结果,以此说明神经网络模型分类的优越性。此外,实验中还对照比较了数据增广方法和迁移学习方法对提升网络性能的贡献,为训练小样本医学图像数据集提供了借鉴思路。本文利用卷积神经网络高精度和高稳定性的特点,将其应用于手指关节类风湿关节炎超声图像的智能诊断分析,从而提高超声图像评估的准确性、可靠性和一致性,排除超声图像标准化识别过程中的人为干扰因素,同时节省了医疗人员的时间,可以在患者的诊疗中更好地推广应用超声图像分类方法。